基于稀疏量測(cè)的海上風(fēng)電場(chǎng)集電線路故障選線方法研究

摘 要：針對(duì)海上風(fēng)電場(chǎng)多分支集電線路故障定位大都依賴于多測(cè)點(diǎn)的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的集電線路故障選線方法，基于稀疏量測(cè)利用局部連接實(shí)現(xiàn)集電線路故障選線。該方法以少量節(jié)點(diǎn)電流信號(hào)作為特征量，建立以稀疏樣本的CNN初始網(wǎng)絡(luò)損失最小為目標(biāo)的量測(cè)位置優(yōu)化模型，利用離散二進(jìn)制粒子群（BPSO）算法進(jìn)行模型求解得出最優(yōu)量測(cè)位置。算例分析表明，所提方法可在稀疏量測(cè)下以較高精度實(shí)現(xiàn)故障選線，對(duì)采樣頻率要求較低，不受故障起始角、故障電阻、故障位置等因素的影響，且對(duì)量測(cè)噪聲具有較好的魯棒性。

關(guān)鍵詞：海上風(fēng)電場(chǎng)；集電線路；卷積神經(jīng)網(wǎng)絡(luò)；離散二進(jìn)制粒子群優(yōu)化算法；故障選線；量測(cè)位置

中圖分類號(hào)：TM773 " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

海上風(fēng)電場(chǎng)集電線路主要由海底電纜構(gòu)成［1］，其所處環(huán)境惡劣，常年受海事、潮汐、生物等活動(dòng)威脅，導(dǎo)致故障頻發(fā)［2］，影響風(fēng)電場(chǎng)安全運(yùn)行。因此，海上風(fēng)電場(chǎng)集電線路故障定位是其運(yùn)維過程的重要環(huán)節(jié)。然而，海上風(fēng)電場(chǎng)集電線路結(jié)構(gòu)復(fù)雜且分支眾多，由于技術(shù)和成本的限制，在集電線路所有節(jié)點(diǎn)都安放測(cè)點(diǎn)不符合實(shí)際工程需求，所以需要利用少量測(cè)點(diǎn)進(jìn)行故障定位。為了在故障定位過程中使用更少的測(cè)點(diǎn)，目前國內(nèi)外已進(jìn)行了一定研究。基于量測(cè)電氣量與系統(tǒng)節(jié)點(diǎn)導(dǎo)納（阻抗）矩陣的定位算法對(duì)量測(cè)數(shù)量需求較低［3-5］。文獻(xiàn)［3］利用稀疏測(cè)點(diǎn)負(fù)序電壓對(duì)光伏電站內(nèi)線路故障進(jìn)行定位；文獻(xiàn)［4-5］基于壓縮感知理論利用稀疏測(cè)點(diǎn)正/負(fù)序電壓對(duì)配電網(wǎng)輸電線路進(jìn)行故障定位，但此類方法受故障條件影響較大。另一類定位算法是通過量測(cè)位置來優(yōu)化配置減少測(cè)點(diǎn)數(shù)量［6-10］。文獻(xiàn)［6-8］建立計(jì)及故障可觀測(cè)性的量測(cè)位置優(yōu)化模型，以量測(cè)數(shù)量最小為目標(biāo)確定最優(yōu)量測(cè)位置；文獻(xiàn)［9］基于壓縮感知理論建立故障定位模型，通過最小化感知矩陣相干性得到最優(yōu)量測(cè)位置；文獻(xiàn)［10］采用拓?fù)鋬?yōu)化法對(duì)稀疏測(cè)點(diǎn)進(jìn)行位置優(yōu)化，后利用稀疏量測(cè)信息進(jìn)行故障定位。但上述文獻(xiàn)將量測(cè)位置優(yōu)化與故障定位分開考慮，導(dǎo)致量測(cè)位置并非最優(yōu)。

綜上，目前所用方法受故障條件影響較大，且分開考慮量測(cè)位置優(yōu)化與故障定位導(dǎo)致定位精度提升不夠明顯，難以應(yīng)用于海上風(fēng)電場(chǎng)集電線路選線。針對(duì)這一問題，本文提出一種基于稀疏量測(cè)的海上風(fēng)電場(chǎng)集電線路故障選線方法。首先，以風(fēng)電機(jī)組出口側(cè)采集的三相電流信號(hào)作為特征量構(gòu)建高維故障樣本矩陣。然后，結(jié)合基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）故障選線方法構(gòu)建選線量測(cè)位置優(yōu)化模型，在此基礎(chǔ)上通過離散二進(jìn)制粒子群算法（binary particle swarm optimization，BPSO）進(jìn)行模型求解得出最優(yōu)量測(cè)位置，再利用CNN實(shí)現(xiàn)集電線路故障選線。最后，算例分析結(jié)果表明，本文方法在保障選線準(zhǔn)確率的前提下可減少量測(cè)數(shù)量，且不受故障條件的影響。

1 基于稀疏量測(cè)的故障選線框架

海上風(fēng)電場(chǎng)集電線路故障選線是故障定位的關(guān)鍵環(huán)節(jié)。針對(duì)量測(cè)數(shù)量問題，提出基于稀疏量測(cè)的海上風(fēng)電場(chǎng)集電線路故障選線方法，其基本框架如圖1所示，大致可劃分為數(shù)據(jù)預(yù)處理、量測(cè)位置優(yōu)化和故障選線3個(gè)步驟。1）數(shù)據(jù)預(yù)處理：考慮量測(cè)數(shù)量的限制，以所有節(jié)點(diǎn)三相電流作為特征量通過數(shù)據(jù)整合構(gòu)建高維故障樣本矩陣，并進(jìn)行數(shù)據(jù)歸一化。2）量測(cè)位置優(yōu)化：將高維故障樣本矩陣按BPSO的粒子初始位置提取出對(duì)應(yīng)的稀疏樣本。將基于少量量測(cè)提取出的故障特征集作為輸入樣本，此處利用經(jīng)初始化的CNN計(jì)算損失以評(píng)估不同量測(cè)位置的好壞，且無需更新網(wǎng)絡(luò)參數(shù)。以CNN特征集初始損失最小為目標(biāo)，利用BPSO算法搜索最優(yōu)的測(cè)點(diǎn)位置。優(yōu)化方法最終會(huì)收斂于某個(gè)樣本集（稀疏觀測(cè)），樣本集對(duì)應(yīng)的測(cè)點(diǎn)位置即為最優(yōu)量測(cè)位置。3）故障選線：由于風(fēng)電機(jī)組支路較短，所以在確定最優(yōu)量測(cè)位置后只需進(jìn)行故障線定位。在得出最優(yōu)測(cè)點(diǎn)位置后，將其對(duì)應(yīng)的稀疏故障樣本送入故障支路識(shí)別模型CNN中識(shí)別故障支路。CNN的優(yōu)點(diǎn)是其具有非常強(qiáng)的特征挖掘能力，對(duì)采樣頻率要求較低，分類準(zhǔn)確率較高。

2 基于稀疏量測(cè)的數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)整合

文獻(xiàn)［11-12］通過觀測(cè)電流信號(hào)的異常變化對(duì)輸電線路進(jìn)行故障監(jiān)測(cè)、診斷。本文旨在利用風(fēng)電機(jī)組出口側(cè)三相電流信號(hào)實(shí)現(xiàn)集電線路故障選線。CNN訓(xùn)練需要大量樣本數(shù)據(jù)，因此需構(gòu)建高維故障樣本矩陣作為網(wǎng)絡(luò)的輸入。

設(shè)在[t]時(shí)刻第[k]個(gè)量測(cè)的三相電流為[Ik（t）=[iA（t）， iB（t）， iC（t）]]，其中，[t=1， 2， 3，…， T]，[T]為最大時(shí)間采樣點(diǎn)。按式（1）將特征量整合成第[k]個(gè)量測(cè)的特征時(shí)間序列[Ik]：

[Ik=[Ik（1）， Ik（2）， Ik（3）， …， Ik（T）]] （1）

設(shè)量測(cè)總數(shù)為[M]，定義全觀測(cè)為安放全部[K]個(gè)量測(cè)，稀疏觀測(cè)為安放[K（Klt;M）]個(gè)量測(cè)，定義觀測(cè)率為：

[η=KM×100%] （2）

式中：K——量測(cè)的數(shù)量。

全觀測(cè)下將[K]個(gè)量測(cè)的特征時(shí)間序列按式（3）整合成一個(gè)包含風(fēng)電場(chǎng)集電系統(tǒng)全部節(jié)點(diǎn)量測(cè)特征量的一個(gè)高維故障樣本[g0]：

[g0=[I1，I2，I3，…， IK]] （3）

稀疏觀測(cè)下則按量測(cè)位置提取對(duì)應(yīng)的[IK]重構(gòu)樣本，假設(shè)保留下標(biāo)為1、4、9、11、15的5個(gè)量測(cè)，則對(duì)應(yīng)的故障樣本[g]為：

[g=[I1， I4， I9， I11， I15]] （4）

設(shè)[gmn]為發(fā)生第[m]種故障時(shí)的第[n]個(gè)樣本，則包含全部故障類型及少量量測(cè)特征量的故障樣本矩陣[D]為：

[D=[g11， g12， …， g1N， …， gm1， gm2， …， gmn]] （5）

式中：[m]——故障類型總數(shù)；[n]——每種故障樣本總數(shù)。

設(shè)[Dl]為第[l]根線路發(fā)生故障時(shí)的高維故障樣本矩陣[G]，則包含全部[l]根線路的高維故障樣本矩陣表示為[G]：

[G=[D1， D2， D3， …， Dl]] （6）

2.2 數(shù)據(jù)歸一化

為了降低數(shù)據(jù)量綱對(duì)CNN模型訓(xùn)練造成的影響，對(duì)故障樣本矩陣采用了Min-Max歸一化變換，其變換方式為：

[x*=x-xminxmax-xmin] （7）

式中：[x*]——原始數(shù)據(jù)經(jīng)歸一化變換后的數(shù)據(jù)；[x]——故障樣本矩陣，即原始數(shù)據(jù)；[xmin]和[xmax]——原始數(shù)據(jù)中的最小值和最大值。

3 基于CNN-BPSO的量測(cè)位置優(yōu)化

3.1 量測(cè)位置優(yōu)化模型

在實(shí)際定位過程中，如果在所有節(jié)點(diǎn)都安放測(cè)點(diǎn)會(huì)導(dǎo)致故障定位成本過高。為了限制稀疏量測(cè)下CNN分類準(zhǔn)確率的下降，使有限的量測(cè)發(fā)揮最大作用，本文提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）的離散二進(jìn)制粒子群算法（BPSO）來完成量測(cè)位置的優(yōu)化。故障選線準(zhǔn)確率與損失函數(shù)的大小相關(guān)，CNN的損失函數(shù)選取交叉熵?fù)p失函數(shù)，并引入正則化項(xiàng)來避免過擬合：

[l（θ，S）=1Nj=1Ni=1nyjilnfθ，S（G′）+λθ2F] （8）

式中：[l（θ，S）]——交叉熵?fù)p失函數(shù)；[N]——批大??；[yji]——訓(xùn)練數(shù)據(jù)集里的真實(shí)分類標(biāo)簽；[θ]——CNN所有參數(shù)的集合；[S]——量測(cè)位置；[G′]——根據(jù)[S]重構(gòu)的稀疏樣本集；[fθ，S（·）]——由[q]參數(shù)化的卷積、池化和Softmax操作；[λθ2F]——損失函數(shù)正則化項(xiàng)；[λ]——正則化項(xiàng)系數(shù)；[θF]——參數(shù)集[θ]的[F]范數(shù)。

以CNN的初始損失最小為量測(cè)位置優(yōu)化的目標(biāo)函數(shù)，通過減小損失來獲得最優(yōu)量測(cè)位置：

[minθ，Sl（θ，S）] （9）

[s.t. "S=K] （10）

上述問題可表示為以量測(cè)位置[S]為決策變量，以CNN網(wǎng)絡(luò)損失[l（θ，S）]最小為優(yōu)化目標(biāo)的優(yōu)化問題，給定一個(gè)固定的量測(cè)數(shù)量[K]作為粒子維度，通過BPSO算法搜尋最優(yōu)量測(cè)位置[S]。

3.2 模型求解

本文采用帶34臺(tái)風(fēng)電機(jī)組的風(fēng)電場(chǎng)仿真模型，導(dǎo)致優(yōu)化算法解空間和數(shù)據(jù)量龐大。而由于BPSO算法收斂速率較快，具備極強(qiáng)的全局搜索能力；參數(shù)更少，計(jì)算量小，所以用BPSO進(jìn)行優(yōu)化，如圖2所示。將量測(cè)位置視為二進(jìn)制編碼（1/0代表支路放置/不放置量測(cè)），隨機(jī)生成一定數(shù)量的[K]維二進(jìn)制編碼作為粒子初始位置，CNN的網(wǎng)絡(luò)損失[l（θ）]作為粒子適應(yīng)值，利用BPSO算法求解。在達(dá)到最大迭代次數(shù)后，輸出最優(yōu)量測(cè)位置。本文將量測(cè)位置優(yōu)化問題與故障選線問題結(jié)合考慮，可使稀疏量測(cè)下故障選線精度提升效果明顯。對(duì)量測(cè)位置進(jìn)行優(yōu)化，旨在搜尋讓CNN選線準(zhǔn)確率最高的量測(cè)位置，解決量測(cè)位置難以選定的問題。

4 基于CNN的集電線路故障選線

機(jī)器學(xué)習(xí)/深度學(xué)習(xí)已廣泛應(yīng)用于輸電線路故障檢測(cè)領(lǐng)域，包括配電網(wǎng)、風(fēng)電場(chǎng)、光伏電站以及微電網(wǎng)等［12-13］。集電線路故障選線可看作一個(gè)多分類問題，而分類算法的選擇是故障選線模型構(gòu)建的關(guān)鍵。機(jī)器學(xué)習(xí)分類算法中具有代表性算法包括多支持向量機(jī)（support vector machines，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。相比之下，CNN具有稀疏連接的性質(zhì)，訓(xùn)練參數(shù)較少；CNN更適合二維矩陣樣本的分類任務(wù)。本文方法選取故障發(fā)生前后各一個(gè)周波的三相電流采樣數(shù)據(jù)作為輸入，系統(tǒng)工頻60 Hz，采樣頻率10 kHz，總采樣點(diǎn)數(shù)量為335。全觀測(cè)下34個(gè)量測(cè)共計(jì)102組電流采樣數(shù)據(jù)，每相的電流采樣數(shù)據(jù)構(gòu)成輸入矩陣的一列，則單個(gè)樣本矩陣維度為335×102，矩陣維度相對(duì)較低。又卷積與池化操作對(duì)輸入矩陣都有降維效果，所以卷積神經(jīng)網(wǎng)絡(luò)層數(shù)量不宜過多，所選取的CNN結(jié)構(gòu)如圖3所示。

故障特征提取網(wǎng)絡(luò)由輸入層、卷積層以及池化層構(gòu)成。輸入為高維故障樣本矩陣[G]，卷積層利用多個(gè)二維卷積核的滑動(dòng)對(duì)輸入矩陣[G]進(jìn)行遍歷，以內(nèi)積運(yùn)算實(shí)現(xiàn)特征映射，對(duì)輸入矩陣進(jìn)行初步的故障特征提取。池化層將卷積層輸出的特征圖的相鄰元素合并為單個(gè)代表值，并使用最大池化操作來提高CNN網(wǎng)絡(luò)的抗噪性（量測(cè)噪聲引起的微小變化可能不會(huì)影響區(qū)域中最大值的選擇）。故障特征提取網(wǎng)絡(luò)最終通過多級(jí)卷積和池化操作將從輸入矩陣[G]中提取的故障特征傳輸?shù)椒诸惥W(wǎng)絡(luò)，然后由其操作完成分類輸出。故障分類網(wǎng)絡(luò)將輸出的故障特征轉(zhuǎn)換為線性全連接結(jié)構(gòu)，并使用Softmax函數(shù)對(duì)故障特征進(jìn)行分類。Softmax函數(shù)的表達(dá)式為：

[fsoftmax，i（xi）=exij=1nexj] （11）

式中：[xi]——高維故障樣本矩陣[G]經(jīng)多層卷積、池化操作后的特征矩陣；[n]——輸出類的數(shù)量，包括隨機(jī)選取的標(biāo)號(hào)為[L1～L10]的10條故障線路，[n=10]。

采用CNN對(duì)海上風(fēng)電場(chǎng)集電線路進(jìn)行故障線分類。將高維故障樣本矩陣[G]提取到CNN中進(jìn)行故障選線。在這項(xiàng)工作中，只選取10條故障線的數(shù)據(jù)?？紤]10種類型（AG-A相接地、BG-B相接地、CG-C相接地、AB-AB相間短路、AC-AC相間短路、BC-BC相間短路、ABG-AB相接地、ACG-AC相接地、BCG-BC相接地、ABC-ABC三相短路）故障。同時(shí)使故障電阻（[Rf]）、故障距離（[Lf]）、故障起始角（[Af]）在某一范圍內(nèi)隨機(jī)變化。

5 算例分析

5.1 算例條件

為了驗(yàn)證基于稀疏量測(cè)的故障選線方法的可行性，搭建海上風(fēng)電場(chǎng)集電線路故障仿真模型如圖4所示。該系統(tǒng)包括4條集電線路，其中2條接入8臺(tái)風(fēng)電機(jī)組，2條接入9臺(tái)風(fēng)電機(jī)組，共34臺(tái)3 MW雙饋式風(fēng)電機(jī)組，34臺(tái)3 MW的箱式升壓變和1臺(tái)100 MW的海上升壓變等組成。雙饋式風(fēng)電機(jī)組經(jīng)過箱式升壓變并入到35 kV集電線路中。其中，線路長(zhǎng)度為1 km。表1所示為海上風(fēng)電場(chǎng)集電線路故障仿真模型的參數(shù)。為了驗(yàn)證本文選取CNN作分類器的優(yōu)越性，在相同條件下，將本文方法與基于人工神經(jīng)網(wǎng)絡(luò)（ANN）和基于多支持向量機(jī)（multi-class support vector machines，MSVM）的故障選線方法進(jìn)行對(duì)比分析。

5.2 訓(xùn)練樣本與測(cè)試樣本數(shù)據(jù)庫生成

在隨機(jī)故障條件下，通過模型2萬次仿真產(chǎn)生多端的三相電流采樣序列，選取故障發(fā)生前后各一個(gè)周波數(shù)據(jù)作為特征量生成高維故障樣本矩陣輸入到本文提出的基于CNN-BPSO的故障選線量測(cè)位置優(yōu)化方法中。其中，樣本集樣本總數(shù)為2萬個(gè)，訓(xùn)練樣本總數(shù)為16000個(gè)，測(cè)試樣本總數(shù)為4000個(gè)。輸入到卷積神經(jīng)網(wǎng)絡(luò)的高維故障樣本矩陣[G]需要進(jìn)行重構(gòu)，將其作為一個(gè)灰度圖片進(jìn)行輸入，通道數(shù)量設(shè)置為1，即單個(gè)樣本矩陣維度為335×102×1。

5.3 基于稀疏量測(cè)的故障選線

本文算例仿真所用的CNN網(wǎng)絡(luò)參數(shù)如表2所示。表2為集電線路故障選線構(gòu)建的CNN分類器參數(shù)。該CNN網(wǎng)絡(luò)結(jié)構(gòu)包括4個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層。在每個(gè)卷積層中，在“卷積”運(yùn)算中，步長(zhǎng)為1，并填充0，采用ReLU激活函數(shù)；在“最大池化”操作中，跨步大小為2，無需填充0。在CNN分類器訓(xùn)練過程中，設(shè)置學(xué)習(xí)速率設(shè)置為0.001，在與Adam和RMSprop方法進(jìn)行比較后，使用衰減系數(shù)[α=0.9]的Momentum-SGD優(yōu)化器來訓(xùn)練CNN。

為了驗(yàn)證所提出的基于稀疏量測(cè)的故障選線量測(cè)位置優(yōu)化方法的優(yōu)越性，將本文方法與基于ANN、MSVM的故障選線在全觀測(cè)和稀疏觀測(cè)下進(jìn)行對(duì)比分析。MSVM輸入將維度335×102的樣本矩陣按行拼接變換為34170×1維度矩陣進(jìn)行輸入。MSVM分類器選擇徑向基函數(shù)作核函數(shù)，并基于對(duì)耦法來尋找全局解。ANN輸入即為樣本集，采用3個(gè)全連接層和1個(gè)輸出層結(jié)構(gòu)，選用ReLU函數(shù)作激活函數(shù)，學(xué)習(xí)率設(shè)置為0.001，Momentum-SGD優(yōu)化器衰減系數(shù)[α=0.9]。3種分類算法的選線準(zhǔn)確率如表3所示。在不受量測(cè)噪聲（measurement noise，MN）影響全觀測(cè)的情況下，CNN的準(zhǔn)確率明顯高于ANN、MSVM的準(zhǔn)確率?；贑NN的集電線路故障選線方法的準(zhǔn)確率可達(dá)99.50%。因此，驗(yàn)證了基于CNN故障選線的有效性，并不受故障條件（[Af、Rf、Lf]）的影響。實(shí)際工程中，在每臺(tái)風(fēng)電機(jī)組出口都設(shè)置測(cè)點(diǎn)是不經(jīng)濟(jì)的。因此，本文考慮設(shè)置20%～40%量測(cè)點(diǎn)，在這種稀疏觀測(cè)的情況下，3種分類算法選線準(zhǔn)確率如表3所示，準(zhǔn)確率與觀測(cè)率之間的關(guān)系如圖5所示。

結(jié)果表明：測(cè)點(diǎn)數(shù)量越多，故障選線越準(zhǔn)確。當(dāng)觀測(cè)率從100%減小到40%時(shí)，3種分類算法的選線準(zhǔn)確率整體變化不大，均在1.0%以內(nèi)。當(dāng)觀測(cè)率從40%下降到20%時(shí)，CNN的故障選線準(zhǔn)確率下降0.67%，整體準(zhǔn)確率高于98.5%；而ANN的準(zhǔn)確率降幅接近4.0%；MSVM準(zhǔn)確率降幅超過15%。由此可得，CNN相較于ANN和MSVM更能適應(yīng)量測(cè)減少的情況。

為了驗(yàn)證提出的量測(cè)位置優(yōu)化方法的優(yōu)越性，以20%觀測(cè)率為例，即量測(cè)數(shù)量為7，初始化粒子群內(nèi)粒子數(shù)量為20，迭代次數(shù)為20次，由多次仿真得出粒子的全局最優(yōu)解對(duì)應(yīng)的最優(yōu)量測(cè)位置為［0，0，0，0，0，0，1，1，1，0，0，0，0，1，1，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，1］。最優(yōu)量測(cè)位置下的選線準(zhǔn)確率98.83%比隨機(jī)位置下的準(zhǔn)確率74.98%提高23.85%，經(jīng)本文優(yōu)化算法優(yōu)化量測(cè)位置后，故障選線精度顯著提高。

5.4 采樣頻率變化對(duì)準(zhǔn)確率的影響

系統(tǒng)的采樣頻率是影響故障選線精度的重要因素。在線路故障定位研究中，采樣頻率大多數(shù)置為1.6、3.2、6.4、10.0、12.6和20.0 kHz。為了驗(yàn)證本文方法可適應(yīng)較低的采樣頻率，研究不同采樣頻率（1.6、3.2、6.4、10.0 kHz）下所提方法的準(zhǔn)確率。在20%稀疏觀測(cè)下，當(dāng)其他故障條件相同時(shí)，僅改變系統(tǒng)采樣頻率，3種分類算法的選線精度如圖6所示。結(jié)果表明，當(dāng)采樣頻率降低時(shí)，ANN分類精度降幅較小，MSVM分類精度變化較大，且采樣頻率1.6 kHz時(shí)下降到80%以下，而CNN的分類精度基本保持不變，且整體精度高于ANN，適用于1.6、3.2 kHz這種較低的采樣頻率。

5.5 對(duì)量測(cè)噪聲的魯棒性

為了驗(yàn)證所提方法對(duì)噪聲的魯棒性，在訓(xùn)練集中加入不同程度信噪比（signal-to-noise ratio，SNR）的高斯白噪聲作為量測(cè)噪聲（MN）。MN的SNR包括20、30和40 dB。圖7所示為觀測(cè)率為20%～40%時(shí)，不同SNR對(duì)應(yīng)的CNN選線準(zhǔn)確率。結(jié)果表明，當(dāng)SNR≥20 dB時(shí)，所有類型的故障的平均選線準(zhǔn)確率都可達(dá)到95%或更高，且觀測(cè)率越高對(duì)噪聲的魯棒性越強(qiáng)。

6 結(jié) 論

本文針對(duì)海上風(fēng)電場(chǎng)集電線路絕緣、接地故障選線需要少量測(cè)點(diǎn)的問題，提出一種基于稀疏量測(cè)的海上風(fēng)電場(chǎng)集電線路故障選線方法。

1）以量測(cè)三相電流信號(hào)作為特征，利用CNN-BPSO方法求解得出稀疏量測(cè)下使故障選線精度最高的量測(cè)位置（最優(yōu)量測(cè)位置），在保證精度的情況下，最大化減少測(cè)點(diǎn)數(shù)量。

2）以最優(yōu)量測(cè)位置對(duì)應(yīng)稀疏樣本作為特征，基于CNN實(shí)現(xiàn)基于稀疏量測(cè)的故障選線，相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，其選線準(zhǔn)確率更高，對(duì)采樣頻率要求更低，且不受故障條件的影響，對(duì)量測(cè)噪聲具有較好的魯棒性。

3）該方法可在稀疏量測(cè)下以較高精度實(shí)現(xiàn)故障選線，在20%稀疏觀測(cè)下，選線準(zhǔn)確率為99.83%，能有效降低故障定位成本。

［參考文獻(xiàn)］

［1］ PLIEGO MARUGáN A， GARCíA MáRQUEZ F P. Advanced analytics for detection and diagnosis of 1 alarms and faults： a real case study［J］. Wind energy， 2019， 22（11）： 1622-1635.

［2］ AGARWAL S， SWETAPADMA A， PANIGRAHI C， et al. Fault analysis method of integrated high voltage direct current transmission lines for onshore wind farm［J］. Journal of modern power systems and clean energy， 2019， 7（3）： 621-632.

［3］ 賈科， 顧晨杰， 畢天姝， 等. 基于壓縮感知技術(shù)的大型光伏電站匯集系統(tǒng)故障定位研究［J］. 中國電機(jī)工程學(xué)報(bào)， 2017， 37（12）： 3480-3489.

JIA K， GU C J， BI T S， et al. Research on the compressive sensing based fault location within the collection system of a large-scale photovoltaic power plant［J］. Proceedings of the CSEE， 2017， 37（12）： 3480-3489.

［4］ 賈科， 董雄鷹， 李論， 等. 基于稀疏電壓幅值量測(cè)的配電網(wǎng)故障測(cè)距［J］. 電網(wǎng)技術(shù)， 2020， 44（3）： 835-845.

JIA K， DONG X Y， LI L， et al. Fault location for distribution network based on transient sparse voltage amplitude measurement［J］. Power system technology， 2020， 44（3）： 835-845.

［5］ 賈科， 李論， 楊哲， 等. 基于貝葉斯壓縮感知理論的配網(wǎng)故障定位研究［J］. 中國電機(jī)工程學(xué)報(bào)， 2019， 39（12）： 3475-3485.

JIA K， LI L， YANG Z， et al. Research on distribution network fault location based on Bayesian compressed sensing "theory［J］. "Proceedings "of "the "CSEE， "2019， 39（12）： 3475-3485.

［6］ 羅深增， 李銀紅， 陳博， 等. 計(jì)及PMU最優(yōu)配置的輸電線路廣域自適應(yīng)故障定位算法［J］. 中國電機(jī)工程學(xué)報(bào)， 2016， 36（15）： 4134-4143.

LUO S Z， LI Y H， CHEN B， et al. An adaptive wide area fault location algorithm for transmission lines with optimal PMU placement［J］. Proceedings of the CSEE， 2016， 36（15）： 4134-4143.

［7］ 羅深增， 李銀紅， 石東源. 廣域測(cè)量系統(tǒng)可觀性概率評(píng)估及其在PMU優(yōu)化配置中的應(yīng)用［J］. 電工技術(shù)學(xué)報(bào)， 2018， 33（8）： 1844-1853.

LUO S Z， LI Y H， SHI D Y. Wide area monitoring system observability probabilistic evaluation and it’s application in "optimal " PMU "placement［J］. "Transactions " of " China Electrotechnical Society， 2018， 33（8）： 1844-1853.

［8］ KORKALI M， ABUR A. Optimal deployment of wide-area synchronized measurements for fault-location observability［J］. IEEE transactions on power systems， 2013， 28（1）： 482-489.

［9］ ROZENBERG I， BECK Y， ELDAR Y C， et al. Sparse estimation of faults by compressed sensing with structural constraints［J］. IEEE transactions on power systems， 2018， 33（6）： 5935-5944.

［10］ 陶維青， 肖松慶， 秦明輝， 等. 含有限PMU的主動(dòng)配電網(wǎng)故障定位［J］. 太陽能學(xué)報(bào)， 2022， 43（4）： 112-120.

TAO W Q， XIAO S Q， QIN M H， et al. Fault location of active distribution network with limited PMU［J］. Acta energiae solaris sinica， 2022， 43（4）： 112-120.

［11］ 高淑萍， 左俊杰， 宋國兵， 等. 基于電流故障分量變化特征的三端柔性直流配電網(wǎng)線路保護(hù)方法［J］. 太陽能學(xué)報(bào)， 2023， 44（8）： 139-148.

GAO S P， ZUO J J， SONG G B， et al. Line protection method for three terminal flexible DC distribution network based on variation characteristics of current fault components［J］. Acta energiae solaris sinica， 2023， 44（8）： 139-148.

［12］ WANG X D， GAO X， LIU Y M， et al. Stockwell-transform and random-forest based double-terminal fault diagnosis method for offshore wind farm transmission line［J］. IET renewable power generation， 2021， 15（11）： 2368-2382.

［13］ 王曉東， 王若瑾， 劉穎明， 等. 基于EMD-MDT的直流微電網(wǎng)線路故障檢測(cè)［J］. 太陽能學(xué)報(bào)， 2022， 43（11）： 522-528.

WANG X D， WANG R J， LIU Y M， et al. Line fault monitoring of DC microgrid based on EMD-MDT［J］. Acta energiae solaris sinica， 2022， 43（11）： 522-528.

RESEARCH ON FAULT LINE SELECTION METHOD FOR OFFSHORE WIND FARM COLLECTING LINES BASED ON SPARSE MEASUREMENT

Wang Xiaodong，Wu Jiahao，Gao Xing，Liu Yingming

（Institute of Electrical Engineering， Shenyang University of Technology， Shenyang 110870， China）

Abstract：To solve the problem that the fault location of multi-branch collecting lines of offshore wind farm mostly depends on multiple measurement points， a method of fault line selection of collecting lines based on convolutional neural network （CNN） is proposed， which uses local connection based on sparse measurement to realize fault line selection of collector lines. In this method， a small number of node current signals are taken as the characteristic quantity， and a measurement position optimization model is established with the goal of minimizing the initial CNN network loss of sparse samples. The binary particle swarm optimization （BPSO） algorithm is used to solve the model and obtain the optimal measurement position. The example analysis shows that the proposed method can achieve fault line selection with high accuracy under sparse measurements， with low sampling frequency requirements， and is not affected by factors such as fault starting angle， fault resistance， and fault location. It also has good robustness to measurement noise.

Keywords：offshore wind farms； collector lines； convolutional neural network； binary particle swarm optimization algorithm； fault line selection； measurement position