不平衡樣本下基于遷移學(xué)習(xí)-AlexNet 的輸電線路故障辨識(shí)方法

王 建，吳 昊，張 博，南東亮，歐陽(yáng)金鑫，熊小伏

（1. 輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室（重慶大學(xué)），重慶市 400044；2. 國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，新疆維吾爾自治區(qū) 烏魯木齊市 830011）

0 引言

輸電線路安全可靠運(yùn)行是確保電力系統(tǒng)安全穩(wěn)定運(yùn)行的重要條件。架空輸電線路地域分布廣泛，結(jié)構(gòu)更加復(fù)雜，運(yùn)行環(huán)境多變，尤其在惡劣天氣條件、自然災(zāi)害、人為破壞等影響下，輸電線路容易發(fā)生多種類型故障［1］。及時(shí)準(zhǔn)確地識(shí)別故障類型和原因，對(duì)于指導(dǎo)自適應(yīng)重合閘和恢復(fù)線路送電、減少線路停運(yùn)時(shí)間、保障電力系統(tǒng)安全穩(wěn)定運(yùn)行具有重要意義［2］。

目前，國(guó)內(nèi)外學(xué)者開(kāi)展輸電線路故障辨識(shí)的主要方法是利用變電站內(nèi)互感器采集的電流、電壓暫態(tài)波形數(shù)據(jù)來(lái)辨識(shí)故障。例如，選取相電壓與零序電流工頻的相角差［3］、故障波形的相似度以及季節(jié)特征［4］、故障電流行波模態(tài)分量［5］、故障相角與最大電流差［6］、局部電流閾值［7］等作為故障特征量。但上述基于信號(hào)處理與特征提取的故障辨識(shí)方法，選取的故障特征易受電壓電流波形、故障距離以及過(guò)渡電阻等因素的影響，且特征選取過(guò)程復(fù)雜，其分類辨識(shí)準(zhǔn)確性并不理想。

近年來(lái)，計(jì)算機(jī)視覺(jué)算法在圖像分類領(lǐng)域快速發(fā)展［8］，啟發(fā)了將故障暫態(tài)波形信號(hào)表示為視覺(jué)線索進(jìn)行故障辨識(shí)的思想。無(wú)論是時(shí)域的暫態(tài)波形，還是頻域能量譜圖像，都是電力系統(tǒng)受到各種故障后的表現(xiàn)，都可充分反映故障特征。使用暫態(tài)波形圖像識(shí)別，可以實(shí)現(xiàn)同時(shí)學(xué)習(xí)完整的電壓、電流信號(hào)，而不依賴使用復(fù)雜的信號(hào)分析方法來(lái)挖掘不同故障的微小區(qū)別。因此，基于故障暫態(tài)波形深度學(xué)習(xí)的方法［9-10］也為輸電線路故障辨識(shí)提供了新的技術(shù)路線。

由于圖像識(shí)別算法是一種大數(shù)據(jù)驅(qū)動(dòng)方法，訓(xùn)練集的樣本規(guī)模影響著分類辨識(shí)結(jié)果的準(zhǔn)確性。已有學(xué)者使用實(shí)際故障錄波數(shù)據(jù)開(kāi)展故障類型辨識(shí)研究［6，11］，并且有學(xué)者提出運(yùn)用拓?fù)浣Y(jié)構(gòu)補(bǔ)充數(shù)據(jù)的方法來(lái)解決故障數(shù)據(jù)缺失的問(wèn)題［12］。直接利用故障錄波數(shù)據(jù)開(kāi)展故障原因辨識(shí)雖是一種很好的方法，但由于歷史故障樣本往往缺少故障原因標(biāo)簽，且同一條線路的故障樣本有限，直接使用故障錄波數(shù)據(jù)還存在一定困難。因此，通過(guò)故障仿真的方式構(gòu)造大量故障樣本用于暫態(tài)波形圖像的深度學(xué)習(xí)，也是一種好的選擇。已有學(xué)者嘗試?yán)肞SCAD/EMTDC［7，13］、ATP/EMTP［14-15］與 MATLAB/Simulink［16］等仿真軟件，按照故障位置、類型、起始相角、過(guò)渡電阻等參數(shù)均勻分布，批量產(chǎn)生典型故障類型樣本集。但是，從現(xiàn)場(chǎng)獲取的故障跳閘記錄看，單相接地、兩相短路等故障類型和雷擊、山火、異物等故障原因的樣本數(shù)量存在嚴(yán)重的類不平衡問(wèn)題［17］。現(xiàn)有的故障仿真方法往往忽視了故障樣本的分布規(guī)律和類不平衡問(wèn)題。因此，需要考慮實(shí)際故障的特點(diǎn)和概率分布，構(gòu)建符合實(shí)際情況的類不平衡故障樣本集，用于故障辨識(shí)分類模型的訓(xùn)練和測(cè)試。

綜上所述，為降低故障錄波特征量提取的復(fù)雜度，提高輸電線路故障辨識(shí)的準(zhǔn)確率，本文提出了考慮故障樣本類不平衡的遷移學(xué)習(xí)-AlexNet 輸電線路故障辨識(shí)方法。首先，按照故障樣本統(tǒng)計(jì)特征及其概率分布，設(shè)定MATLAB/Simulink 仿真模型的參數(shù)，批量產(chǎn)生符合實(shí)際故障位置、初相角、故障類型、故障相別、故障原因及其過(guò)渡電阻值分布特征的樣本集。然后，以輸電線路兩端測(cè)得的電壓、電流數(shù)據(jù)生成故障暫態(tài)波形圖作為模型輸入，訓(xùn)練得到基于遷移學(xué)習(xí)-AlexNet 的輸電線路故障辨識(shí)分類器。最后，通過(guò)設(shè)計(jì)多組算例測(cè)試對(duì)所提方法的效果進(jìn)行檢驗(yàn)。結(jié)果表明，現(xiàn)有按小規(guī)模平衡故障樣本集開(kāi)展故障辨識(shí)的方法，分類準(zhǔn)確率偏于樂(lè)觀，在實(shí)際故障樣本集嚴(yán)重類不平衡時(shí)，即使采用抽樣法等訓(xùn)練方式，得到的分類準(zhǔn)確率也有待提高；而本文所提方法可以很好地應(yīng)對(duì)類不平衡故障樣本的影響，相比于經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN），其辨識(shí)準(zhǔn)確率更高，訓(xùn)練模型用于類似線路的真實(shí)故障錄波數(shù)據(jù)也能很好地辨識(shí)出故障類型。

1 輸電線路故障類不平衡問(wèn)題分析

從電網(wǎng)公司獲取的故障跳閘記錄發(fā)現(xiàn)，輸電線路單相接地、兩相短路等故障類型存在類不平衡問(wèn)題［18］。據(jù)統(tǒng)計(jì)，某區(qū)域電網(wǎng)2014 至2019 年220 kV線路共發(fā)生故障1 499 起。其中，單相接地短路（AG、BG、CG）1 359 起，占比為90.66%；兩相短路（AB、AC、BC）72 起，占比為4.8%；兩相接地短路（ABG、ACG、BCG）57 起，占比為3.8%；三相短路（ABC）11 起，占比為0.73%。

進(jìn)一步分析發(fā)現(xiàn)，除單相接地短路外，其他相間故障的過(guò)渡電阻多為電弧，其過(guò)渡電阻小；而導(dǎo)致單相接地短路的原因則比較多，同樣存在分布不平衡的問(wèn)題。據(jù)統(tǒng)計(jì)，中國(guó)某省電網(wǎng)較為常見(jiàn)的幾種單相接地短路中，雷擊故障占44.33%，山火故障占28.08%，異物故障占4.43%，樹(shù)閃故障占2.96%。不同原因?qū)е碌慕拥毓收?，其過(guò)渡電阻組成往往差別較大［19-20］。例如，雷擊故障的過(guò)渡電阻是由電弧與桿塔的接地電阻組成，其阻值小，往往不超過(guò)10 Ω。異物故障多是因?yàn)槟猃垺⑺芰系任锲犯街诮^緣子上引起的絕緣子閃絡(luò)，其過(guò)渡電阻由電弧、異物、桿塔接地電阻構(gòu)成，過(guò)渡電阻值略高于雷擊故障。樹(shù)閃故障則多為導(dǎo)線對(duì)樹(shù)枝放電，其過(guò)渡電阻由樹(shù)干的電阻組成，表現(xiàn)為高阻性［21］。山火導(dǎo)致的故障，其放電通道是煙塵組成的游離氣體通道，其過(guò)渡電阻值也較高［22］。

輸電線路的故障相別同樣表現(xiàn)出類不平衡。因?yàn)檩旊娋€路多呈三角排列或水平排列，B 相導(dǎo)線通常在A 相與C 相導(dǎo)線之間。因此，在由雷擊、樹(shù)閃、異物、山火引起的單相接地短路中，B 相導(dǎo)線接地故障相對(duì)A、C 相要少一些。例如，某省電網(wǎng)對(duì)故障相別統(tǒng)計(jì)發(fā)現(xiàn)，A、C 相接地故障分別約占39.2%、38.5%，而B(niǎo) 相接地故障只占22.3%。

此外，故障位置沿輸電線路的地理分布也表現(xiàn)出一定的類不平衡，某些地方由于特殊的地形和微氣象，更容易發(fā)生故障，但整體來(lái)說(shuō)故障位置還是比較均勻［23］。電力設(shè)備因自身老化或局部缺陷而易在電壓峰值放電，但對(duì)于輸電線路而言，故障的發(fā)生時(shí)間多是由外部因素決定。因此，故障相角的分布也比較均勻。

由此可見(jiàn)，輸電線路故障樣本集是類不平衡的，如何構(gòu)造和訓(xùn)練故障分類器以提高應(yīng)對(duì)類不平衡問(wèn)題的能力，是需要解決的關(guān)鍵問(wèn)題之一。而深度學(xué)習(xí)與機(jī)器學(xué)習(xí)等大數(shù)據(jù)驅(qū)動(dòng)模型高度依賴準(zhǔn)確的樣本集，確保故障樣本集的代表性和準(zhǔn)確性是故障分類識(shí)別的基礎(chǔ)，不準(zhǔn)確的樣本集訓(xùn)練出的分類器與結(jié)果都不具備參考意義。因此，在輸電線路故障仿真模型中，需要充分考慮故障樣本不平衡的問(wèn)題，使故障樣本集更接近實(shí)際情況。

2 基于遷移學(xué)習(xí)-AlexNet 的輸電線路故障辨識(shí)方法

2.1 AlexNet 簡(jiǎn)介

自從CNN 被提出，圖像識(shí)別的深度學(xué)習(xí)得到了迅猛發(fā)展，不斷有準(zhǔn)確率更高、學(xué)習(xí)能力更強(qiáng)的網(wǎng)絡(luò)被提出。但隨著深度學(xué)習(xí)網(wǎng)絡(luò)的層數(shù)變大，深度學(xué)習(xí)的過(guò)擬合與梯度消失問(wèn)題也愈發(fā)嚴(yán)重。為解決以上問(wèn)題，文獻(xiàn)［24］提出深層卷積神經(jīng)網(wǎng)絡(luò)AlexNet。近年來(lái)，隨著計(jì)算機(jī)算力的增加，各種改進(jìn)AlexNet也逐漸被用于不同領(lǐng)域的故障診斷研究［25］。

AlexNet 包括了8 層神經(jīng)網(wǎng)絡(luò)，前5 層為卷積運(yùn)算層，最后3 層為全連接神經(jīng)網(wǎng)絡(luò)。最后一層全連接神經(jīng)網(wǎng)絡(luò)與Softmax 層相連，該層包含了1 000 維的分類層，可以得到輸入樣本的1 000 種概率分布。

卷積運(yùn)算層之間包括激活函數(shù)、局部響應(yīng)歸一化（LRN）層和最大池化層，各卷積運(yùn)算層神經(jīng)網(wǎng)絡(luò)的具體參數(shù)如表1 所示。

表1 AlexNet 卷積層具體參數(shù)Table 1 Specific parameters of AlexNet convolution layer

激活函數(shù)是觸發(fā)神經(jīng)元的重要依據(jù)，AlexNet使用了ReLU 作為激活函數(shù)f(x)，如式（1）所示。

式中：max（a，b）表示取a、b中的最大值。

ReLU 函數(shù)的導(dǎo)數(shù)恒為1（x＞0）的特性，使其能夠解決部分梯度爆炸的問(wèn)題，也能夠不同程度地緩解梯度消失。

同時(shí)，為解決深度學(xué)習(xí)中過(guò)擬合的問(wèn)題，AlexNet 在全連接層中加入了Dropout 層，以用于隨機(jī)斷開(kāi)一些神經(jīng)元的連接或不激活這些神經(jīng)元，這不僅解決了深度學(xué)習(xí)過(guò)擬合的問(wèn)題，還可以訓(xùn)練出擬合能力更強(qiáng)的深度學(xué)習(xí)網(wǎng)絡(luò)。

2.2 基于遷移學(xué)習(xí)-AlexNet 的故障分類器

深度學(xué)習(xí)網(wǎng)絡(luò)的性能取決于網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)參數(shù)，本文使用了基于網(wǎng)絡(luò)參數(shù)的遷移學(xué)習(xí)方法，以ImagNet 圖像數(shù)據(jù)庫(kù)為源領(lǐng)域，以故障錄波圖像為目標(biāo)領(lǐng)域，將源領(lǐng)域AlexNet 的卷積計(jì)算層網(wǎng)絡(luò)參數(shù)遷移到目標(biāo)領(lǐng)域AlexNet 中，以提高目標(biāo)領(lǐng)域AlexNet 的圖像特征提取能力。構(gòu)造遷移學(xué)習(xí)-AlexNet 的主要步驟如下。

1）數(shù)據(jù)歸一化處理

對(duì)比實(shí)驗(yàn)研究發(fā)現(xiàn)，相比于使用單端母線處的電壓電流暫態(tài)波形，使用雙端的暫態(tài)波形將提高故障辨識(shí)的準(zhǔn)確性，這和使用雙端故障量更有利于故障定位有異曲同工之處。因此，本文將首端電壓、電流信號(hào)與末端電壓、電流信號(hào)以及首末端的零序分量融合在同一張圖片上，作為一個(gè)故障樣本。

輸入故障錄波樣本集后，還要對(duì)故障錄波作歸一化處理，生成遷移學(xué)習(xí)-AlexNet 的輸入集。本文采用歸一化圖像，其橫坐標(biāo)為采樣時(shí)間，采用時(shí)間范圍為故障前一周期與故障發(fā)生后一周期，總長(zhǎng)為0.04 s；縱坐標(biāo)的取值則需要兼顧不同故障下波形的細(xì)節(jié)與波形的最大值。由于擬研究對(duì)象為一條220 kV 輸電線路，按照其電壓等級(jí)和短路容量特征，本文取三相電壓、三相電流、零序電壓、零序電流的尺度分別為400 kV、10 kA、20 kV、10 kA。整個(gè)數(shù)據(jù)歸一化處理結(jié)果如圖1 所示。

圖1 暫態(tài)波形圖生產(chǎn)及其歸一化處理示例Fig.1 Example of production and normalization processing of transient waveform graphs

2）遷移學(xué)習(xí)-AlexNet 的構(gòu)造與訓(xùn)練

首先，導(dǎo)入預(yù)訓(xùn)練AlexNet，其已在ImagNet 圖像識(shí)別競(jìng)賽中使用大數(shù)據(jù)進(jìn)行訓(xùn)練，具備較好的圖像特征提取能力；然后，將預(yù)訓(xùn)練AlexNet 的卷積運(yùn)算層網(wǎng)絡(luò)參數(shù)與新的全連接層（網(wǎng)絡(luò)參數(shù)服從高斯分布）組合，生成遷移學(xué)習(xí)-AlexNet，由此組成的遷移學(xué)習(xí)-AlexNet 網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)預(yù)訓(xùn)練AlexNet 特征提取能力的遷移；最后，采用留出法進(jìn)行訓(xùn)練和測(cè)試。設(shè)置每輪最小訓(xùn)練樣本為128 個(gè)，共迭代30 次，并使用自適用力矩估計(jì)求解器訓(xùn)練網(wǎng)絡(luò)的權(quán)重、偏移等參數(shù)。

3 算例測(cè)試

3.1 故障樣本集的構(gòu)造

本文在MATLAB/Simulink 仿真軟件中建立如圖2 所示的220 kV 輸電線路系統(tǒng)仿真模型，模擬了不同故障位置、故障類型、故障相角、過(guò)渡電阻下所測(cè)得的首末兩端故障電流、電壓。其中，EM和EN分別 表 示M端和N端電源，ZM和ZN分別表示M端和N端電源的內(nèi)阻抗。電源采用含內(nèi)阻抗的無(wú)窮大電勢(shì)模型［26］，兩端電源的初相角分別為0°、10°，模擬輸電線路傳輸額定容量為300 MW 時(shí)的情形。輸電線路采用分布式參數(shù)，數(shù)值參考中國(guó)典型220 kV 線路參數(shù)，具體參數(shù)如表2 所示。

表2 系統(tǒng)參數(shù)Table 2 System parameters

圖2 220 kV 輸電線路系統(tǒng)結(jié)構(gòu)Fig.2 System structure of 220 kV transmission line

1）類平衡故障樣本集生成

輸電線路故障辨識(shí)方法訓(xùn)練與驗(yàn)證時(shí)普遍忽略了輸電線路故障的統(tǒng)計(jì)特征。例如，文獻(xiàn)［9，16］在輸電線故障相仿真時(shí)均采用了不同故障相樣本數(shù)量均衡的仿真方法。本文參照文獻(xiàn)［9，16］中的輸電線路故障仿真方法生成了10×6×8×11=5 280 組平衡仿真數(shù)據(jù)，具體參數(shù)如表3 所示。5 280 組平衡仿真數(shù)據(jù)中，A 相和B 相接地短路故障等10 類故障類型各有528 組數(shù)據(jù)。

表3 類平衡樣本參數(shù)設(shè)置Table 3 Parameter setting of class balance samples

2）類不平衡故障樣本集生成

為了分析類不平衡故障樣本集對(duì)故障辨識(shí)分類效果的影響，本文結(jié)合故障統(tǒng)計(jì)特征，仿真構(gòu)造類不平衡故障樣本集?？紤]到故障位置與故障初始相角具有隨機(jī)性，將故障位置沿線路均勻分布產(chǎn)生，故障初始相角按0°～90°均勻分布產(chǎn)生。

在設(shè)定過(guò)渡電阻時(shí)，目前有關(guān)雷擊等金屬性故障的報(bào)道較多，文獻(xiàn)［27］統(tǒng)計(jì)出低阻性故障過(guò)渡電阻服從威布爾或指數(shù)分布，而對(duì)于中高阻值過(guò)渡電阻的統(tǒng)計(jì)較少，僅有少量案例報(bào)道山火、異物、樹(shù)閃故障的典型過(guò)渡電阻值［21-22］?？紤]到存在離群點(diǎn)的問(wèn)題，本文在這些典型高阻性故障的過(guò)渡電阻基礎(chǔ)上，采用正態(tài)分布的方式適當(dāng)擴(kuò)展了不同故障過(guò)渡電阻值的范圍。因此，本算例中低阻接地故障樣本的過(guò)渡電阻阻值設(shè)置參照指數(shù)分布［27］，其余故障樣本的過(guò)渡電阻設(shè)置參照正態(tài)分布，其具體參數(shù)如表4 所示?？紤]在單相接地短路中邊相故障率較高，設(shè) 定AG、BG 和CG 故 障 的 占 比 分 別 為0.4、0.2 和0.4。整個(gè)仿真產(chǎn)生不平衡樣本集的流程圖如圖3 所示。

3.2 故障辨識(shí)分類器的訓(xùn)練和測(cè)試結(jié)果

本文分別對(duì)暫態(tài)波形圖像作為輸入集的有效性、類不平衡故障集的影響以及解決類不平衡故障集的方法進(jìn)行了分析與測(cè)試，具體對(duì)照組如表5 所示，測(cè)試結(jié)果如表6 和表7 所示。其中，對(duì)照組1 至3用于驗(yàn)證基于暫態(tài)波形圖像的輸電線路故障辨識(shí)方法的有效性；對(duì)照組3 和4 用于分析類不平衡數(shù)據(jù)對(duì)深度學(xué)習(xí)故障類型辨識(shí)的影響；對(duì)照組5 至7 用于測(cè)試基于類不平衡數(shù)據(jù)的故障類型辨識(shí)方法的效果。

表5 對(duì)照組組成Table 5 Composition of control groups

表6 不同方法對(duì)輸電線路故障類型辨識(shí)的準(zhǔn)確率Table 6 Accuracy of fault type identification for transmission line with different methods

表7 不同方法對(duì)單相接地故障原因辨識(shí)的準(zhǔn)確率Table 7 Accuracy of fault cause identification for single-phase-to-ground faults with different methods

1）基于暫態(tài)波形圖像的輸電線路故障辨識(shí)方法的有效性驗(yàn)證

本文從類平衡故障樣本集中隨機(jī)抽取70%的數(shù)據(jù)分別對(duì)CNN 與遷移學(xué)習(xí)-AlexNet 進(jìn)行訓(xùn)練，再利用剩余30%的數(shù)據(jù)進(jìn)行測(cè)試。在平衡數(shù)據(jù)的訓(xùn)練與測(cè)試下，CNN 對(duì)單相接地短路、兩相短路、兩相接地短路、三相短路故障的辨識(shí)準(zhǔn)確率都較高，整體準(zhǔn)確率為97.09%。遷移學(xué)習(xí)-AlexNet 的準(zhǔn)確率為100%，高于CNN。在小樣本集的情況下，CNN 的故障類型辨識(shí)能力明顯下降，為81.00%。而遷移學(xué)習(xí)-AlexNet 的準(zhǔn)確率為99.54%。CNN 在基于暫態(tài)波形圖像的輸電線路故障辨識(shí)上的能力不如遷移學(xué)習(xí)-AlexNet，但基于暫態(tài)波形圖像的CNN 與遷移學(xué)習(xí)-AlexNet 的準(zhǔn)確率均高于80%。由此可見(jiàn)，基于暫態(tài)波形圖像與深度學(xué)習(xí)的輸電線路故障辨識(shí)方法是有效的。

2）類不平衡樣本集對(duì)深度學(xué)習(xí)故障類型辨識(shí)的影響

為說(shuō)明使用類平衡故障樣本集訓(xùn)練并測(cè)試故障分類器存在的不足，如對(duì)照組3 和4 所示。本文將測(cè)試平衡故障樣本集訓(xùn)練出的故障辨識(shí)分類器在類不平衡與類平衡故障樣本測(cè)試集下的準(zhǔn)確性。

CNN 在類平衡故障樣本集的訓(xùn)練與測(cè)試下的準(zhǔn)確率為97.09%，看似有較高的準(zhǔn)確率，但當(dāng)使用1 500 組類不平衡故障樣本集測(cè)試時(shí)，準(zhǔn)確率為84.87%，約下降了12 個(gè)百分點(diǎn)。同樣，在類不平衡數(shù)據(jù)測(cè)試下，基于遷移學(xué)習(xí)-AlexNet 的故障辨識(shí)方法的準(zhǔn)確率為99.80%，下降了0.2 個(gè)百分點(diǎn)。因此，使用平衡故障樣本集訓(xùn)練深度學(xué)習(xí)故障辨識(shí)分類器并不可靠。根據(jù)故障樣本統(tǒng)計(jì)分析可知，實(shí)際情況下故障樣本集是類不平衡的，要收集大量均衡樣本數(shù)據(jù)集也相當(dāng)困難。

3）基于類不平衡數(shù)據(jù)的故障類型辨識(shí)效果

對(duì)于類不平衡故障樣本集的問(wèn)題，普遍使用抽樣法來(lái)平衡數(shù)據(jù)。本文針對(duì)類不平衡數(shù)據(jù)集，采用欠采樣法得到偽平衡故障樣本集作為對(duì)照組。由對(duì)照組5 和6 可見(jiàn)，在偽平衡故障樣本集下故障類型的整體分類準(zhǔn)確率高達(dá)100%，結(jié)果看似很好，但將訓(xùn)練好的分類器部署應(yīng)用時(shí)，在更多的測(cè)試樣本集下（對(duì)照組6）故障類型分類的準(zhǔn)確率會(huì)進(jìn)一步下降（整體準(zhǔn)確率為99.78%）。由于抽樣法照顧了樣本數(shù)少的兩相短路、兩相接地短路、三相短路故障，其在AB、BC、AC 等故障的辨識(shí)上仍有100%的準(zhǔn)確率，但對(duì)于被抽樣的單相接地故障，其準(zhǔn)確率有明顯的下降，A 相接地故障準(zhǔn)確率為99.42%。由此可見(jiàn)，為了照顧機(jī)器學(xué)習(xí)算法對(duì)于數(shù)據(jù)平衡性的需求，使用抽樣法得到的平衡數(shù)據(jù)集丟失了樣本數(shù)多的類別的數(shù)據(jù)，造成了其故障辨識(shí)能力下降，這種現(xiàn)象在故障原因辨識(shí)時(shí)尤其明顯，在更多的測(cè)試樣本集下（對(duì)照組6），故障原因辨識(shí)的準(zhǔn)確度下降了3.84 個(gè)百分點(diǎn)（對(duì)照組5 的整體準(zhǔn)確率為93.86%，對(duì)照組6的整體準(zhǔn)確率為90.02%）。

本文提出使用不平衡故障樣本與遷移學(xué)習(xí)-AlexNet 相結(jié)合的方式來(lái)解決類不平衡樣本的影響。訓(xùn)練結(jié)果如附錄A 圖A1 所示，在訓(xùn)練過(guò)程中，遷移學(xué)習(xí)-AlexNet 迅速收斂，迭代50 次左右訓(xùn)練準(zhǔn)確率就已突破90%，并在第250 次迭代時(shí)訓(xùn)練結(jié)果與測(cè)試結(jié)果變化趨勢(shì)均趨近平穩(wěn)，基本完成了提取暫態(tài)波形圖像特征并分類的學(xué)習(xí)。

基于遷移學(xué)習(xí)-AlexNet 的故障辨識(shí)方法能準(zhǔn)確區(qū)分輸電線路故障類型，對(duì)單相接地短路、兩相短路、兩相接地短路、三相短路都能準(zhǔn)確地區(qū)分故障相，準(zhǔn)確率為100%。文獻(xiàn)［9］同樣針對(duì)遷移學(xué)習(xí)，但沒(méi)有考慮類不平衡問(wèn)題，其使用遷移卷積神經(jīng)網(wǎng)絡(luò)（transfer-convolutional neural network，T-CNN）在不平衡數(shù)據(jù)下訓(xùn)練并測(cè)試得到故障類型辨識(shí)準(zhǔn)確率為93.07%，且相間故障的準(zhǔn)確率均低于74%（如對(duì)照組8 所示）。

本文所提方法在應(yīng)對(duì)類不平衡性更高的故障原因辨識(shí)時(shí)也有較高的準(zhǔn)確性，整體準(zhǔn)確率為98.20%，而CNN 在故障原因辨識(shí)方面準(zhǔn)確率僅為94.87%。圖4 為輸電線路故障辨識(shí)結(jié)果的混淆矩陣，藍(lán)框內(nèi)為辨識(shí)正確次數(shù)，紅框內(nèi)為辨識(shí)錯(cuò)誤次數(shù)。由圖4 可知，本文方法僅對(duì)異物與雷擊存在誤判，其余幾種故障原因的辨識(shí)準(zhǔn)確率均為100%。在實(shí)際情況中，異物故障與雷擊故障的過(guò)渡電阻值相近，僅依靠錄波數(shù)據(jù)往往難以準(zhǔn)確辨識(shí)，目前已有文獻(xiàn)嘗試將錄波數(shù)據(jù)與氣象參數(shù)相結(jié)合來(lái)提高故障原因辨識(shí)的準(zhǔn)確性［12］。

圖4 輸電線路故障辨識(shí)結(jié)果的混淆矩陣Fig.4 Confusion matrix of transmission line fault identification results

3.3 遷移學(xué)習(xí)-AlexNet 故障分類器實(shí)用性驗(yàn)證

本文從計(jì)算速度、仿真中過(guò)渡電阻設(shè)置的影響以及真實(shí)故障的辨識(shí)這3 個(gè)方面驗(yàn)證了所提方法的實(shí)用性，具體情況如下。

1）計(jì)算速度

快速識(shí)別故障類型和原因，對(duì)于指導(dǎo)輸電線路重合閘或者強(qiáng)送決策具有重要意義。為驗(yàn)證本文方法的實(shí)用性，在附錄A 表A1 的測(cè)試環(huán)境下檢測(cè)了故障辨識(shí)速度。采用本文方法測(cè)試集的1 500 組數(shù)據(jù)進(jìn)行測(cè)試，依次將每個(gè)數(shù)據(jù)代入訓(xùn)練好的遷移-AlexNet 網(wǎng)絡(luò)中進(jìn)行分類處理，并記錄分類所用時(shí)間，如附錄A 表A2 所示。本文方法的輸電線路故障辨識(shí)時(shí)間不超過(guò)0.3 s，平均耗時(shí)0.152 2 s，能夠?yàn)檫\(yùn)維人員制定重合或者強(qiáng)投決策提供支撐。

2）過(guò)渡電阻分布與高阻性故障的影響分析

目前對(duì)于異物、樹(shù)閃、山火等故障的過(guò)渡電阻的統(tǒng)計(jì)較少，因此，本文根據(jù)小樣本分布規(guī)律模擬的故障原因存在一定局限性。為此，本文通過(guò)增大異物、樹(shù)閃、山火等故障過(guò)渡電阻標(biāo)準(zhǔn)差，即擴(kuò)大這些類型過(guò)渡電阻的分布范圍來(lái)檢驗(yàn)本文方法的可靠性。附錄B 圖B1 為異物、樹(shù)閃、山火故障過(guò)渡電阻標(biāo)準(zhǔn)差增加20%后本文方法的辨識(shí)結(jié)果，可見(jiàn)過(guò)渡電阻分布范圍增加后，本文方法對(duì)于故障相的辨識(shí)準(zhǔn)確率仍為100%，對(duì)于故障原因的辨識(shí)準(zhǔn)確率為97.53%，僅下降0.67 個(gè)百分點(diǎn)。

經(jīng)分析，上述故障原因準(zhǔn)確率下降主要是將異物誤判為雷擊故障引起的。在實(shí)際情況中，異物故障的起因多樣，過(guò)渡電阻分布相對(duì)廣泛，容易出現(xiàn)離群的過(guò)渡電阻，這會(huì)造成本文方法的準(zhǔn)確率有所下降，但若能結(jié)合雷電定位與氣象條件，本文方法的準(zhǔn)確率將進(jìn)一步提高。

此外，為檢驗(yàn)本文方法對(duì)于山火引起的更高阻值過(guò)渡電阻情況下的故障辨識(shí)能力，以正態(tài)分布的形式建立均值為600 Ω、標(biāo)準(zhǔn)差為20 Ω 的仿真，得到10 組高阻故障樣本，代入本文方法中得到檢驗(yàn)結(jié)果如附錄B 表B1 所示。結(jié)果顯示，對(duì)于相對(duì)罕見(jiàn)的高阻性故障，本文方法也能準(zhǔn)確地辨識(shí)出故障，僅出現(xiàn)1 例故障類型辨識(shí)錯(cuò)誤。

3）真實(shí)故障樣本的遷移學(xué)習(xí)驗(yàn)證

本文采用某電網(wǎng)實(shí)際故障錄波數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)驗(yàn)證［28］。由于輸電線路發(fā)生故障后部分故障原因無(wú)法查明，除了雷擊故障結(jié)合雷電定位和天氣預(yù)報(bào)使得有故障標(biāo)簽的數(shù)據(jù)稍多一些，其他如異物、樹(shù)閃、山火等有確切故障原因標(biāo)簽的數(shù)據(jù)樣本較少。經(jīng)過(guò)梳理，采用7 個(gè)有確切標(biāo)簽的樣本進(jìn)行測(cè)試，真實(shí)的雷擊、樹(shù)閃、異物故障錄波數(shù)據(jù)見(jiàn)附錄C 圖C1。實(shí)際故障樣本與辨識(shí)結(jié)果如表8 所示。

其中，ZX 西線全長(zhǎng)135.04 km，線路首端采樣頻率為3 200 Hz，末端采樣頻率為5 000 Hz。該線路在2018 年6 月8 日發(fā)生了B 相雷擊接地短路故障，在2019 年12 月13 日發(fā)生了C 相樹(shù)閃接地短路故障，具體波形圖見(jiàn)附錄C 圖C1（a）和（b）。

由表8 可見(jiàn)，按照本文方法進(jìn)行仿真訓(xùn)練得到的故障辨識(shí)模型在遷移到真實(shí)輸電線路后，仍能較為準(zhǔn)確地辨識(shí)出故障類型與故障原因，其中樣本7出現(xiàn)了故障原因辨識(shí)錯(cuò)誤，將異物故障辨識(shí)為雷擊故障。為探查樣本7 辨識(shí)錯(cuò)誤的原因，本文將其與線路長(zhǎng)度相近的WZ 線波形進(jìn)行對(duì)比，對(duì)比故障波形如圖5 所示。

圖5 WZ 線與HP 南線的故障電壓和電流波形Fig.5 Waveforms of fault voltage and current of WZ line and HP south line

表8 實(shí)際故障樣本的測(cè)試結(jié)果Table 8 Test results of real fault samples

由圖5 可見(jiàn)，WZ 線雷擊故障的波形與HP 南線異物故障的波形雖然存在相位差，但幅值相近，這是由于雷擊故障與異物故障的過(guò)渡電阻同樣屬于低阻故障，容易出現(xiàn)過(guò)渡電阻值交叉所導(dǎo)致的，若能結(jié)合雷電定位、氣象數(shù)據(jù)等其他多源信息進(jìn)行故障辨識(shí)，則有望有效解決該問(wèn)題。

4 結(jié)語(yǔ)

本文按照輸電線路故障特征和概率分布，采用MATLAB/Simulink 批量仿真產(chǎn)生符合實(shí)際情況的不平衡故障樣本集，構(gòu)建了基于遷移學(xué)習(xí)-AlexNet的故障分類器，實(shí)現(xiàn)不平衡故障樣本下的輸電線路故障辨識(shí)。經(jīng)過(guò)研究，得出如下結(jié)論：

1）以輸電線路雙端母線處監(jiān)測(cè)的故障暫態(tài)波形圖像為輸入量的故障辨識(shí)方法是可行的，且利用深度學(xué)習(xí)方法進(jìn)行暫態(tài)波形圖像分類識(shí)別有助于降低故障特征提取的復(fù)雜性。

2）現(xiàn)有按類平衡故障樣本集開(kāi)展故障辨識(shí)的方法，分類準(zhǔn)確率偏于樂(lè)觀，在實(shí)際故障樣本集嚴(yán)重類不平衡時(shí)，即使采用抽樣法等訓(xùn)練方式，得到的分類準(zhǔn)確率也有待提高。

3）本文所提基于遷移學(xué)習(xí)-AlexNet 的故障分類器可以很好地應(yīng)對(duì)類不平衡故障樣本影響，相比于經(jīng)典的CNN，對(duì)故障類型與故障原因的辨識(shí)準(zhǔn)確率更高，訓(xùn)練模型用于類似線路的真實(shí)故障錄波數(shù)據(jù)也能很好地辨識(shí)出故障類型。

本文方法雖然在故障類型和故障相辨識(shí)方面的準(zhǔn)確率為100%，但對(duì)于單相接地短路，僅考慮了雷擊、異物、山火、樹(shù)閃4 種常見(jiàn)故障原因，在仿真中未考慮接地故障過(guò)渡電阻的時(shí)變性，且分類器輸入集只有故障暫態(tài)波形圖像，對(duì)于故障原因還無(wú)法完全準(zhǔn)確辨識(shí)。在后續(xù)研究中，將選用不同原因?qū)е戮€路故障的其他特征量，如進(jìn)一步考慮不同故障的過(guò)渡電阻時(shí)變性與氣象條件差異特征，來(lái)提高故障原因辨識(shí)的準(zhǔn)確率。

附錄見(jiàn)本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。