基于小波去噪與隨機(jī)森林的配電網(wǎng)高阻接地故障半監(jiān)督識別方法

白 浩，潘姝慧，邵向潮，高健鴻，李 巍，雷金勇，郭謀發(fā)

基于小波去噪與隨機(jī)森林的配電網(wǎng)高阻接地故障半監(jiān)督識別方法

白 浩1，潘姝慧1，邵向潮2，高健鴻3，李 巍1，雷金勇1，郭謀發(fā)3

(1.南方電網(wǎng)科學(xué)研究院，廣東 廣州 510663；2.廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 530600；3.福州大學(xué)電氣工程與自動化學(xué)院，福建 福州 350108)

針對配電網(wǎng)高阻接地故障識別易受噪聲干擾、無標(biāo)簽數(shù)據(jù)難以利用的難題，提出一種基于小波去噪與隨機(jī)森林的高阻接地故障半監(jiān)督識別方法。區(qū)別于監(jiān)督式學(xué)習(xí)方法僅利用標(biāo)簽數(shù)據(jù)，基于協(xié)同訓(xùn)練方法能夠充分利用有標(biāo)簽數(shù)據(jù)與無標(biāo)簽數(shù)據(jù)。首先，使用小波閾值去噪算法消除零序電流中的噪聲。其次，采用波峰波谷故障啟動算法判斷線路是否發(fā)生故障或擾動事件。運(yùn)用小波變換提取零序電流的小波系數(shù)作為故障特征。最后，基于小波系數(shù)故障特征構(gòu)建兩個隨機(jī)森林作為半監(jiān)督分類器進(jìn)行協(xié)同訓(xùn)練，從而實(shí)現(xiàn)高阻接地故障的檢測識別。仿真結(jié)果表明，所提配電網(wǎng)高阻接地故障半監(jiān)督識別方法可以充分挖掘配電網(wǎng)既有的故障案例中無標(biāo)注數(shù)據(jù)蘊(yùn)含的關(guān)鍵特征，從而提高故障分類準(zhǔn)確率，具有較強(qiáng)的準(zhǔn)確性和靈敏性。

配電網(wǎng)；高阻接地故障；小波變換；半監(jiān)督學(xué)習(xí)；隨機(jī)森林

0 引言

高阻接地故障(high impedance fault, HIF)是配電網(wǎng)中較難檢測的一類單相接地故障，其故障點(diǎn)過渡電阻阻值大，故障信號極其微弱，難以觸發(fā)傳統(tǒng)微機(jī)保護(hù)裝置的啟動閾值。同時，此類故障長期存在將增加山林火災(zāi)風(fēng)險，進(jìn)而威脅居民的人身安全。近年來，多起電氣火災(zāi)事件亦使得高阻接地故障檢測逐漸成為研究人員關(guān)注的熱點(diǎn)、難點(diǎn)問題，亟待提出高阻接地故障準(zhǔn)確識別的有效方法。

單相接地故障檢測方法一般可分為暫態(tài)量方法、穩(wěn)態(tài)量方法與人工智能方法。文獻(xiàn)[1]提取暫態(tài)零模電流中的主諧振分量，結(jié)合暫態(tài)零模電壓計算投影系數(shù)作為識別判據(jù)進(jìn)而檢測故障。經(jīng)測量，實(shí)際樹障試驗(yàn)中故障過渡電阻在故障初期可達(dá)數(shù)百歐至數(shù)萬歐，相關(guān)電氣暫態(tài)量難以檢測，因此暫態(tài)量方法在高阻接地故障時難以奏效[2-3]。文獻(xiàn)[4]通過零序電流的功率變化量構(gòu)建閾值以區(qū)分正常饋線與故障饋線。文獻(xiàn)[5]基于南美洲電網(wǎng)的現(xiàn)場樣本，結(jié)合小波變化與自適應(yīng)降噪技術(shù)為當(dāng)?shù)仉娋W(wǎng)設(shè)置合適的故障軟閾值。為了避免保護(hù)裝置頻繁動作，穩(wěn)態(tài)量方法的動作閾值一般較高且反映過渡電阻的能力有限[6-7]。基于閾值的暫態(tài)量或穩(wěn)態(tài)量方法可根據(jù)可靠系數(shù)、經(jīng)驗(yàn)公式或自適應(yīng)方式設(shè)置閾值，該類方法結(jié)構(gòu)簡單、物理意義明確，但在閾值設(shè)置中多依賴人為經(jīng)驗(yàn)，無法充分利用現(xiàn)場既有故障案例中蘊(yùn)含的關(guān)鍵信息。

在配電網(wǎng)故障診斷領(lǐng)域，人工智能方法主要表現(xiàn)為監(jiān)督式學(xué)習(xí)，建立數(shù)據(jù)樣本與樣本標(biāo)簽之間的映射關(guān)系，實(shí)現(xiàn)故障檢測與識別[8-10]。文獻(xiàn)[11]通過經(jīng)驗(yàn)?zāi)B(tài)分解得到零序電流的模態(tài)分量作為故障特征，利用蟻群算法對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，最后利用該網(wǎng)絡(luò)實(shí)現(xiàn)故障分類。文獻(xiàn)[12]采用VMD得到故障相電流的第一層本征模態(tài)分量IMF1，利用奇異值分解提取IMF1的故障上升趨勢，最后由支持向量機(jī)進(jìn)行分類。文獻(xiàn)[13]將故障相電流與相電壓的小波系數(shù)能量作為故障特征，并定義不同饋線的能量矩陣用于構(gòu)建半監(jiān)督分類器。上述監(jiān)督式學(xué)習(xí)算法均需要大量有標(biāo)簽數(shù)據(jù)構(gòu)建樣本集合用于分類器的訓(xùn)練?，F(xiàn)有基于人工智能的配電網(wǎng)故障檢測方法依賴人工標(biāo)注樣本，在標(biāo)注過程將耗費(fèi)大量人力，同時，人為標(biāo)注的誤判將影響所構(gòu)建數(shù)據(jù)集質(zhì)量，影響基于數(shù)據(jù)集的分類器模型性能。因此，需要一種能夠同時利用有標(biāo)簽數(shù)據(jù)與無標(biāo)簽數(shù)據(jù)的半監(jiān)督學(xué)習(xí)[14]方法，有效減少人工標(biāo)注過程的標(biāo)簽誤判與資源浪費(fèi)。

本文提出一種基于小波去噪與隨機(jī)森林的配電網(wǎng)高阻接地故障半監(jiān)督識別方法。首先，使用小波閾值去噪算法過濾故障信號噪聲；其次，運(yùn)用波峰波谷故障啟動算法判斷線路是否發(fā)生HIF；然后，采用小波變換提取樣本的小波分量，并使用隨機(jī)森林篩選出有效特征；最后，基于協(xié)同訓(xùn)練方法構(gòu)建半監(jiān)督分類器。在PSCAD/EMTDC上進(jìn)行方法的仿真驗(yàn)證。結(jié)果表明，所提方法能夠降低噪聲干擾，減少人工標(biāo)注過程中的標(biāo)注樣本數(shù)量，充分利用標(biāo)簽數(shù)據(jù)與無標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，具有較強(qiáng)的準(zhǔn)確性、靈敏性與較高的分類準(zhǔn)確率。

1 故障啟動算法

中低壓配電網(wǎng)中常發(fā)生單相高阻接地故障與其他不對稱擾動事件，這類不對稱事件均會引起線路電流的周期性突變，高阻接地故障常持續(xù)8個周期以上，擾動事件持續(xù)6個周期左右[13]。在實(shí)際配電網(wǎng)中，系統(tǒng)可能存在輕微的三相不對稱，則對應(yīng)零序電流為較小的交流量。為了避免啟動算法誤動作，經(jīng)大量仿真試驗(yàn)，本文將算法啟動閾值設(shè)置為0.1 A，以躲過正常工況時零序電流幅值。在實(shí)際工程中將根據(jù)現(xiàn)場具體工況對該閾值進(jìn)行重新整定。一般而言，不對稱事件持續(xù)的一個工頻周期內(nèi)至少存在兩個波峰波谷點(diǎn)。基于上述現(xiàn)象，本文提出一種通過檢測零序電流連續(xù)波峰波谷點(diǎn)的故障啟動算法。當(dāng)8個周期內(nèi)出現(xiàn)連續(xù)的12個波峰波谷點(diǎn)時，則啟動后續(xù)的故障識別算法。

首先，將采集的線路零序電流按式(1)進(jìn)行零均值歸一化處理。

2 小波變換與去噪算法

2.1 離散小波變換

離散小波變換(discrete wavelet transform, DWT)是一種離散信號二進(jìn)制處理方法，能夠得到信號的多尺度頻帶，適合分析時變的非線性暫態(tài)信號[15]。相較于連續(xù)小波變換，DWT具備多尺度分析的優(yōu)勢。對比希爾伯特-黃變換[16]，DWT在低頻部分的冗余信息更少。對比短時傅里葉變換[17]與Wigner-Ville分布[18]，DWT無需權(quán)衡時間分辨率與頻率分辨率。配電網(wǎng)發(fā)生高阻接地故障與不對稱擾動時，線路零序電流產(chǎn)生暫態(tài)突變，適合使用DWT進(jìn)行分析。

圖1 離散小波變換示意圖

圖2 不同事件的零序電流波形及其多級小波分量

2.2 小波閾值去噪算法

式中，為采樣點(diǎn)數(shù)。

3 半監(jiān)督學(xué)習(xí)算法

3.1 隨機(jī)森林算法

隨機(jī)森林由多棵決策樹構(gòu)成，可通過信息熵或信息增益構(gòu)建樣本的分類標(biāo)準(zhǔn)，同時適用于處理離散與連續(xù)數(shù)據(jù)[20]?；谛畔㈧氐碾S機(jī)森林構(gòu)建過程[21]如下所述。

3) 有放回地抽取個樣本，隨機(jī)選擇個特征 (＜＜)，由個特征中基尼指數(shù)最小的特征構(gòu)建決策樹樹枝，遍歷特征后，生成棵決策樹。

4) 重復(fù)步驟2)、3)，滿足單棵決策樹樹枝下的標(biāo)簽一致或遍歷個特征，則單棵決策樹構(gòu)建成功。當(dāng)所有決策樹構(gòu)建完畢時，建成隨機(jī)森林，根據(jù)森林中所有決策樹的分類投票結(jié)果決定輸入樣本的標(biāo)簽，隨機(jī)森林構(gòu)建過程如圖3所示。

圖3 隨機(jī)森林構(gòu)建過程

隨機(jī)森林是一種集成算法，能實(shí)現(xiàn)高度并行化訓(xùn)練與故障特征的重要性劃分，相較普通單一分類器算法具有更高的準(zhǔn)確性。下文采用協(xié)同訓(xùn)練方法構(gòu)造半監(jiān)督分類器，根據(jù)提取的故障特征進(jìn)行分類。

3.2 協(xié)同訓(xùn)練算法

配電網(wǎng)中大量錄波數(shù)據(jù)缺乏明確的標(biāo)簽，只能依靠人為觀察并標(biāo)注數(shù)據(jù)，這將消耗大量人力物力，也不利于充分利用采集的無標(biāo)簽樣本。為有效利用無標(biāo)簽樣本，本文采用協(xié)同訓(xùn)練方案[22]，由兩個隨機(jī)森林分類器 (random forest 1與random forest 2，以下簡稱為RF1與RF2) 構(gòu)成半監(jiān)督分類器。協(xié)同訓(xùn)練過程如圖4所示，具體步驟如下所述。

圖4 協(xié)同訓(xùn)練過程

3) 利用新訓(xùn)練集再次訓(xùn)練兩個隨機(jī)森林模型，并重復(fù)上述操作，直到所有無標(biāo)簽樣本均被兩個隨機(jī)森林標(biāo)注上同一標(biāo)簽時，則完成對無標(biāo)簽數(shù)據(jù)的學(xué)習(xí)。

4) 訓(xùn)練完成后，兩個隨機(jī)森林得到確定的權(quán)值，當(dāng)兩個隨機(jī)森林的分類結(jié)果不同時，選擇權(quán)值占比較大的分類結(jié)果作為最終結(jié)果。

4 高阻接地故障識別算法流程

配電網(wǎng)高阻接地故障協(xié)同訓(xùn)練智能識別算法的檢測流程如圖5所示，具體步驟如下。

1) 信號去噪：實(shí)時采集線路上的零序電流，長度為8個周波，使用小波閾值去噪算法過濾信號中附帶的噪聲。

2) 故障啟動：當(dāng)波峰波谷算法檢測到出現(xiàn)12個波峰波谷點(diǎn)，判定為疑似故障發(fā)生，啟動后續(xù)的故障識別算法。

3) 特征提?。菏褂眯〔ㄗ儞Q得到去噪后零序電流的6層小波分量，并保留第5層與第6層的小波分量5、6，將這兩個分量拼接構(gòu)成故障特征。

4) 特征分類：使用訓(xùn)練好的半監(jiān)督分類器對故障特征進(jìn)行分類以區(qū)分高阻接地故障與非高阻接地故障。

5 仿真算例分析

為驗(yàn)證算法準(zhǔn)確性，基于PSCAD/EMTDC仿真軟件建立諧振接地配電網(wǎng)，如圖6所示，采樣率為10 kHz，線路參數(shù)如表1所示。此處補(bǔ)償度取8%，消弧線圈電感值為0.4223 H。選用并聯(lián)Emanuel模型進(jìn)行接地電弧建模[23]，如圖7所示。該模型設(shè)置可變電阻實(shí)現(xiàn)故障電流幅值半周期不對稱性，采用兩個反并聯(lián)二極管與直流電源串聯(lián)來模擬故障電流的零休特性，同時，通過調(diào)節(jié)直流電源幅值、電阻的大小以及開關(guān)通斷時間來模擬多重故障重疊的效果。該模型的參數(shù)設(shè)置如表2所示。

圖5 識別算法流程圖

圖6 10 kV諧振接地配電網(wǎng)

表1 配電網(wǎng)線路參數(shù)

圖7 Emanuel模型

表2 并聯(lián)Emanuel模型參數(shù)設(shè)置

本文對高阻接地故障、負(fù)荷投切、電容器投切等不對稱事件進(jìn)行仿真并采集對應(yīng)的零序電流，仿真事件參數(shù)如表3所示。按照表3采集對應(yīng)事件的線路零序電流作為故障數(shù)據(jù)集，添加噪聲構(gòu)成信噪比為3～30 dB的噪聲數(shù)據(jù)集，再經(jīng)由小波閾值去噪算法過濾噪聲構(gòu)成去噪數(shù)據(jù)集，將上述噪聲數(shù)據(jù)集與去噪數(shù)據(jù)集經(jīng)由波峰波谷啟動算法進(jìn)行測試，測試結(jié)果如圖8所示。

表3 仿真事件參數(shù)

當(dāng)信噪比降低至15 dB以下時，噪聲數(shù)據(jù)集的啟動準(zhǔn)確率明顯下降，而去噪數(shù)據(jù)集保持著較高的準(zhǔn)確率，可見，小波閾值去噪算法能夠有效提高啟動算法的準(zhǔn)確性。以10 dB噪聲波形為例，部分標(biāo)記波峰波谷的波形如圖9所示。其中，圖9(a)—圖9(c)分別表示高阻接地故障、負(fù)荷投切與電容器投切發(fā)生時線路的零序電流，圖中紅點(diǎn)表示算法檢測到的波峰與波谷點(diǎn)?？v向?qū)Ρ仍疾ㄐ?、信噪比?0 dB的噪聲波形與小波閾值去噪后的波形可知，該啟動算法在3種條件下均能在8個周期內(nèi)檢測到12個波峰波谷點(diǎn)，符合啟動條件。然而，受噪聲影響，10 dB噪聲波形所檢測到的波峰波谷點(diǎn)會發(fā)生部分缺失，而經(jīng)小波閾值去噪后的波形則不會發(fā)生存在未檢測波峰波谷點(diǎn)的情形。因此，為提高啟動算法的準(zhǔn)確性，采集的零序電流需要先經(jīng)過小波閾值去噪算法過濾噪聲，再經(jīng)由波峰波谷啟動算法進(jìn)行判別是否發(fā)生故障或擾動，若啟動成功，則采用后續(xù)的故障識別算法做進(jìn)一步判斷。

圖8 啟動算法抗噪測試準(zhǔn)確率

故障識別算法啟動后，選擇啟動算法中檢測到的波峰波谷點(diǎn)前1個與后2個周波的波形作為一組故障樣本。當(dāng)1組長度為8個周波的零序電流檢測到12個波峰波谷點(diǎn)時，則至少有8組故障樣本可用于識別。將8組樣本經(jīng)小波變換得到的第5層與第6層細(xì)節(jié)分量拼接作為故障特征，輸入兩個隨機(jī)森林構(gòu)成的半監(jiān)督分類器中進(jìn)行分類。若8組波形中有5組以上波形判定為高阻接地故障，則確認(rèn)發(fā)生高阻接地故障。

t分布隨機(jī)近鄰嵌入(t-SNE)是常用的降維算法[24]，其能夠提取高維數(shù)據(jù)的特征。使用t-SNE對數(shù)據(jù)進(jìn)行降維，能夠提取數(shù)據(jù)樣本的分布特征，直觀展示數(shù)據(jù)相似度?？赏ㄟ^t-SNE將故障特征進(jìn)行可視化，圖10(a)和圖10(b)分別表示未經(jīng)處理的小波第5層與第6層細(xì)節(jié)分量與經(jīng)隨機(jī)森林篩選故障特征的可視化結(jié)果，其中，圖標(biāo)“0”表示高阻接地故障，圖標(biāo)“1”表示非高阻接地故障，可見，未經(jīng)篩選的故障特征能夠區(qū)分高阻接地故障與非高阻接地故障，但經(jīng)隨機(jī)森林篩選的故障特征比起未經(jīng)篩選的特征具有更清晰的分界線。因此，由零序電流的第5層與第6層的小波細(xì)節(jié)分量(5、6)構(gòu)成的故障特征經(jīng)隨機(jī)森林再次篩選后具備更好的區(qū)分性。

圖9 仿真波形

為驗(yàn)證該半監(jiān)督識別算法能夠在更少的標(biāo)簽樣本下獲得比監(jiān)督式學(xué)習(xí)更高的準(zhǔn)確率與泛化能力，選用文獻(xiàn)[25]與文獻(xiàn)[12]作為對比，其中，文獻(xiàn)[25]使用S變換提取故障電流的特征(方法1)，文獻(xiàn)[12]使用經(jīng)驗(yàn)?zāi)B(tài)分解得到故障電流的固有模態(tài)分量(方法2)，兩者均采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督式分類學(xué)習(xí)。

為了進(jìn)一步驗(yàn)證所提方法和對比方法的抗干擾性能，采用340組無噪聲零序電流波形，并分別加入高斯白噪聲，形成信噪比為7 dB、10 dB、20 dB和30 dB的噪聲波形，噪聲波形與原波形共1700組。設(shè)置不同場景分配訓(xùn)練集與測試集進(jìn)行測試。

場景1：選取238組無噪聲波形及其對應(yīng)噪聲波形952組共1190組數(shù)據(jù)作為訓(xùn)練集，剩下的510組作為測試集，方法1和方法2訓(xùn)練集均帶有標(biāo)簽，本文方法所提算法將訓(xùn)練集中595組數(shù)據(jù)標(biāo)簽刪除，作為無標(biāo)簽數(shù)據(jù)，與有標(biāo)簽數(shù)據(jù)共同訓(xùn)練，分類結(jié)果如表4所示，當(dāng)標(biāo)簽訓(xùn)練集充足時，方法1和方法2取得了較高的準(zhǔn)確率，本文方法在標(biāo)簽訓(xùn)練集減少一半后準(zhǔn)確率仍高于另外兩種方法。

場景2：選取102組及其對應(yīng)噪聲波形408組，共510組數(shù)據(jù)作為訓(xùn)練集，剩下的1190組作為測試集，方法1和方法2訓(xùn)練集均帶有標(biāo)簽，本文方法所提算法將訓(xùn)練集中595組數(shù)據(jù)標(biāo)簽刪除，作為無標(biāo)簽數(shù)據(jù)，與有標(biāo)簽數(shù)據(jù)共同訓(xùn)練，測試結(jié)果如表4所示。相對于場景1，方法1和方法2隨著訓(xùn)練集中標(biāo)簽數(shù)據(jù)的減少，準(zhǔn)確率明顯下降，本文方法依舊保持著與場景1接近的準(zhǔn)確率。基于協(xié)同訓(xùn)練的半監(jiān)督算法在更少的標(biāo)簽訓(xùn)練集下，優(yōu)于所對比的監(jiān)督式算法，這是由于協(xié)同訓(xùn)練通過兩個分類器相互學(xué)習(xí)無標(biāo)簽數(shù)據(jù)，從而獲得更準(zhǔn)確的分類效果。

表4 實(shí)驗(yàn)對比結(jié)果

場景3：分別將場景1中200組標(biāo)簽數(shù)據(jù)和場景2中100組標(biāo)簽數(shù)據(jù)轉(zhuǎn)變?yōu)闊o標(biāo)簽數(shù)據(jù)對本文算法進(jìn)行測試，如表4所示，本文所提方法準(zhǔn)確率均略微下降，當(dāng)使用過多的無標(biāo)簽數(shù)據(jù)訓(xùn)練，則會增大分類器的學(xué)習(xí)難度，導(dǎo)致準(zhǔn)確率下降。

6 結(jié)語

針對配電網(wǎng)高阻接地故障標(biāo)簽數(shù)據(jù)少，即有大量無標(biāo)簽數(shù)據(jù)難以利用的難題，本文提出一種基于小波去噪與隨機(jī)森林的高阻接地故障半監(jiān)督識別方法。經(jīng)過PSCAD/EMTDC仿真測試與現(xiàn)有方法對比，得到以下結(jié)論：

1) 針對含噪聲的零序電流，本文提出波峰波谷啟動算法能在信號信噪比為15 dB以上的條件下，有效檢測故障與擾動事件的發(fā)生。經(jīng)小波閾值去噪后，該算法能夠獲得更好的啟動效果。

2) 通過小波變換與隨機(jī)森林實(shí)現(xiàn)特征提取與特征篩選，篩選后的故障特征經(jīng)由隨機(jī)森林組成的協(xié)同訓(xùn)練半監(jiān)督分類器進(jìn)行分類，能夠在少量有標(biāo)簽訓(xùn)練樣本的條件下，可靠區(qū)分高阻接地故障與擾動事件，并具備一定的抗噪能力。

3) 相較于監(jiān)督學(xué)習(xí)，本文提出半監(jiān)督學(xué)習(xí)方案，能夠充分利用有標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，能夠有效提高訓(xùn)練效率，降低人為標(biāo)注成本。

[1] 薛永端, 李娟, 陳筱薷. 諧振接地系統(tǒng)高阻接地故障暫態(tài)選線與過渡電阻辨識[J]. 中國電機(jī)工程學(xué)報, 2017, 37(17): 5037-5048, 5223.

XUE Yongduan, LI Juan, CHEN Xiaoru. Faulty feeder selection and transition resistance identification of high impedance fault in resonant grounding system using transient signals[J]. Proceedings of the CSEE, 2017, 37(17): 5037-5048, 5223.

[2] 管廷龍, 薛永端, 徐丙垠. 基于故障相電壓極化量的諧振接地系統(tǒng)高阻故障方向檢測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(23): 73-81.

GUAN Tinglong, XUE Yongduan, XU Bingyin. Method for detecting high-impedance fault direction in a resonant grounding system based on voltage polarization of the fault phase[J]. Power System Protection and Control, 2020, 48(23): 73-81.

[3] 梅睿, 程孟晗, 管廷龍, 等. 電流波形聚類的諧振接地系統(tǒng)高阻接地故障定位方法[J]. 供用電, 2020, 37(5): 36-41.

MEI Rui, CHENG Menghan, GUAN Tinglong, et al. High-resistance grounding fault location method for resonance grounding system based on current waveform clustering[J].Distribution & Utilization, 2020, 37(5): 36-41.

[4] 龍毅, 歐陽金鑫, 熊小伏, 等. 基于零序功率變化量的配電網(wǎng)單相高阻接地保護(hù)[J]. 電工技術(shù)學(xué)報, 2019, 34(17): 3687-3695.

LONG Yi, OUYANG Jinxin, XIONG Xiaofu, et al. Protection principle of single-phase high resistance fault for distribution network based on zero-sequence power variation[J]. Transactions of China Electrotechnical Society, 2019, 34(17): 3687-3695.

[5] YEH H G, SIM S, BRAVO R J. Wavelet and denoising techniques for real-time HIF detection in 12 kV distribution circuits[J]. IEEE Systems Journal, 2019, 13(4): 4365-4373.

[6] 葉遠(yuǎn)波, 汪勝和. 高阻接地故障時消弧線圈并聯(lián)小電阻接地的控制方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(19): 181-186.

YE Yuanbo, WANG Shenghe.Study on the control method of high impedance faults in the neutral via arc suppression coil paralleled with a low resistance grounded system[J].Power System Protection and Control, 2021, 49(19): 181-186.

[7] 曾祥君, 黃慧, 喻錕. 基于柔性調(diào)控零序電壓的配電網(wǎng)高阻接地及單相斷線故障的選相方法[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(3): 9-18.

ZENG Xiangjun, HUANG Hui, YU Kun.Voltage phase selection method for high resistance grounding and a single-phase disconnection fault of a distribution network based on flexible control of zero-sequence voltage[J].Power System Protection and Control, 2022, 50(3): 9-18.

[8] BAI Hao. AI in arcing-HIF detection: a brief review[J]. IET Smart Grid, 2020, 3(4): 435-444.

[9] JAMALI S, BAHMANYAR A, RANJBAR S. Hybrid classifier for fault location in active distribution networks[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 174-182.

[10]白浩, 李鵬, 袁智勇, 等. 人工智能在配電網(wǎng)高阻接地故障檢測中的應(yīng)用及展望[J]. 南方電網(wǎng)技術(shù), 2019, 13(2): 34-44.

BAI Hao, LI Peng, YUAN Zhiyong, et al. Application and prospect of artificial intelligence in high impedance fault detection of distribution network[J]. Southern Power System Technology, 2019, 13(2): 34-44.

[11]孫鵬, 曹雨晨, 劉洋, 等. 采用二進(jìn)制蟻群模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障分類方法[J]. 高電壓技術(shù), 2016, 42(7): 2063-2072.

SUN Peng, CAO Yuchen, LIU Yang, et al. Fault classification technique for power distribution network using binary ant colony algorithm and fuzzy neural network[J]. High Voltage Engineering, 2016, 42(7): 2063-2072.

[12] LALA H, KARMAKAR S. Detection and experimental validation of high impedance arc fault in distribution system using empirical mode decomposition[J]. IEEE Systems Journal, 2020, 14(3): 3494-3505.

[13] CHAITANYA B K, YADAV A, PAZOKI M. An intelligent detection of high-impedance faults for distribution lines integrated with distributed generators[J]. IEEE Systems Journal, 2019, 14(1): 870-879.

[14] ABDELGAYED T S, MORSI W G, SIDHU T S. Fault detection and classification based on co-training of semi-supervised machine learning[J]. IEEE Transactions on Industrial Electronics, 2017, 65(2): 1595-1605.

[15] GUO M F, YANG N C, YOU L X. Wavelet-transform based early detection method for short-circuit faults in power distribution networks[J]. International Journal of Electrical Power & Energy Systems, 2018, 99: 706-721.

[16]高偉, 楊耿杰, 郭謀發(fā). 采用振動信號二維特征向量聚類的配電開關(guān)機(jī)械狀態(tài)識別新方法[J]. 福州大學(xué)學(xué)報(自然科學(xué)版), 2017, 45(5): 674-680.

GAO Wei, YANG Gengjie, GUO Moufa. A novel mechanical state identification method for distribution switch based on vibration signal 2-D feature vector with clustering algorithm[J]. Journal of Fuzhou University (Natural Science Edition), 2017, 45(5): 674-680.

[17] LIMA é M, DOS SANTOS JUNQUEIRA C M, BRITO N S D, et al. High impedance fault detection method based on the short-time Fourier transform[J]. IET Generation, Transmission & Distribution, 2018, 12(11): 2577-2584.

[18] CAI K, CAO W, AARNIOVUORI L, et al. Classification of power quality disturbances using Wigner-Ville distribution and deep convolutional neural networks[J]. IEEE Access, 2019, 7: 119099-119109.

[19] LIN C, GUO M F. Discrete wavelet transform-based triggering method for single-phase earth fault in power distribution systems[J]. IEEE Transactions on Power Delivery, 2019, 34(5): 2058-2068.

[20]楊杰, 吳浩, 董星星. 基于電流故障分量特征和隨機(jī)森林的輸電線路故障類型識別[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 53-63.

YANG Jie, WU Hao, DONG Xingxing. Transmission line fault type identification based on the characteristics of current fault components and random forest[J]. Power System Protection and Control, 2021, 49(13): 53-63.

[21]劉東奇, 曾祥君, 王耀南. 基于信息熵的智能配電變壓器終端安全態(tài)勢評估[J]. 南方電網(wǎng)技術(shù), 2020, 14(1): 18-23.

LIU Dongqi, ZENG Xiangjun, WANG Yaonan. Security situation assessment of intelligent distribution transformer terminal unit based on information entropy[J]. Southern Power System Technology, 2020, 14(1): 18-23.

[22] ABDELGAYED T S, MORSI W G, SIDHU T S. Fault detection and classification based on co-training of semi supervised machine learning[J]. IEEE Transactions on Industrial Electronics, 2017, 65(2): 1595-1605.

[23]許曄, 郭謀發(fā), 陳彬. 配電網(wǎng)單相接地電弧建模及仿真分析研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(7): 57-64

XU Ye, GUO Moufa, CHEN Bin. Modeling and simulation analysis of arc in distribution network[J]. Power System Protection and Control, 2015, 43(7): 57-64.

[24]谷玉海, 韓秋實(shí), 徐小力, 等. t分布隨機(jī)近鄰嵌入機(jī)械故障特征提取方法研究[J]. 機(jī)械科學(xué)與技術(shù), 2016, 35(12): 1900-1905.

GU Yuhai, HAN Qiushi, XU Xiaoli, et al. An early fault feature extraction method based on t-distribution stochastic neighbor embedding for large rotating machinery[J]. Mechanical Science and Technology for Aerospace Engineering, 2016, 35(12): 1900-1905.

[25] MISHRA M, ROUTRAY P, ROUT P K. A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition[J]. Technology & Economics of Smart Grids & Sustainable Energy, 2016, 1(1): 1-9.

A high impedance grounding fault semi-supervised identification method based on wavelet denoising and random forest

BAI Hao1, PAN Shuhui1, SHAO Xiangchao2, GAO Jianhong3, LI Wei1, LEI Jinyong1, GUO Moufa3

(1. Electric Power Research Institute, China Southem Grid, Guangzhou 510663, China; 2. Dongguan Power Supply Bureau, Guangdong Power Grid Co., Ltd., Dongguan 530600, China; 3. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China)

To solve the problem that the identification of a high impedance grounding fault (HIF) in distribution networks is easily affected by noise, and the fact that it is difficult to use unlabeled data, a semi-supervised identification method of a high resistance grounding fault based on wavelet denoising and random forest is proposed. Different from supervised learning only using labeled data, the method can make full use of labeled and unlabeled data by collaborative training. First, the wavelet threshold denoising algorithm is used to filter the noise of zero-sequence currents. Secondly, the occurrence of an HIF can be detected by the peak and valley fault triggering algorithm. Then, applying wavelet transform to zero-sequence currents, the wavelet coefficients are extracted as fault features. Finally, two random forests are collaboratively trained with selected features to construct a semi-supervised classifier to detect the HIF.The simulation results show that the proposed method can use fully the key features in unlabeled data in the existed fault cases in distribution network to improve the accuracy of fault calssification. It has strong reliability and flexibility.

distribution network;high impedance grounding fault; wavelet transform; semi-supervised learning; random forest

10.19783/j.cnki.pspc.226429

南方電網(wǎng)公司科技項(xiàng)目資助(GDKJXM20198281)

This work is supported by the Science and Technology Project of China Southern Grid Co., Ltd. (No. GDKJXM 20198281).

2021-12-10；

2022-03-17

白 浩(1987—)，男，博士，高級工程師，研究方向?yàn)榕潆娋W(wǎng)快速故障處理、分布式能源控制、數(shù)字孿生與全景仿真等；E-mail: baihao@csg.cn

潘姝慧(1994—)，女，碩士，工程師，研究方向?yàn)榕潆娋W(wǎng)運(yùn)行及供電可靠性分析等；

邵向潮(1988—)，男，碩士，工程師，研究方向?yàn)殡娏ο到y(tǒng)。

(編輯 周金梅)