基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型設(shè)計(jì)

摘 要：準(zhǔn)確辨識輸電線路的故障類型和故障位置屬于電力運(yùn)維工作的重要內(nèi)容。為了達(dá)到該目標(biāo)，本文提出基于孿生神經(jīng)網(wǎng)絡(luò)（SNN）和門控循環(huán)單元（GRN）的S-GRN故障辨識模型，并且運(yùn)用改進(jìn)磷蝦算法（IKH）對該模型中的權(quán)值參數(shù)進(jìn)行尋優(yōu)，經(jīng)過大量訓(xùn)練后產(chǎn)生成熟的模型。在性能仿真階段，運(yùn)用MATLAB軟件構(gòu)建輸電線路，分別模擬單相接地短路、兩相間短路、兩相接地短路、三相短路4種故障類型，檢測故障辨識模型的應(yīng)用效果。結(jié)果顯示，在不同故障距離或者過渡電阻條件下，模型對4種故障的平均識別準(zhǔn)確率均達(dá)到96.25%以上。研究結(jié)論如下，IKH優(yōu)化S-GRU輸電線路故障辨識模型優(yōu)于同類算法模型，整體分類準(zhǔn)確率較高。

關(guān)鍵詞：IKH；S-GRN；輸電線路；故障識別模型

中圖分類號：TM 75" " 文獻(xiàn)標(biāo)志碼：A

輸電線路受到覆冰、鳥類活動、風(fēng)偏作用等因素的影響，容易出現(xiàn)各種類型的接地和相間短路故障，從而影響輸電線路的穩(wěn)定性。在故障發(fā)生后，需要根據(jù)異常的電壓、電流數(shù)據(jù)，快速定位故障位置和類型，以便開展故障修復(fù)工作。

當(dāng)前，以人工智能技術(shù)為基礎(chǔ)的自動化故障辨識方法成為重要的發(fā)展方向。王子康[1]分析了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在輸電線路故障診斷及預(yù)測中的應(yīng)用方法。楊東寧等[2]運(yùn)用長短期記憶網(wǎng)絡(luò)和變分模態(tài)分解技術(shù)診斷輸電線故障類型。趙巖等[3]利用改進(jìn)梯度提升樹算法診斷輸電線故障類型。

本文利用SNN網(wǎng)絡(luò)和GRU構(gòu)建了S-GRU故障辨識模型，為了使該模型達(dá)到最佳的故障辨識效果，運(yùn)用改進(jìn)磷蝦算法對模型中的關(guān)鍵取值參數(shù)進(jìn)行尋優(yōu)。經(jīng)仿真檢驗(yàn)，該模型對各種接地和短路故障均達(dá)到了較高的故障辨識水平。

1 基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型設(shè)計(jì)

1.1 故障識別模型應(yīng)用流程設(shè)計(jì)

故障識別模型的應(yīng)用流程（如圖1所示）主要分為模型訓(xùn)練階段和故障檢測階段。在模型訓(xùn)練階段，采集輸電線路故障前后的數(shù)據(jù)，對其進(jìn)行預(yù)處理，剔除不符合標(biāo)準(zhǔn)的數(shù)據(jù)。再利用處理后的數(shù)據(jù)訓(xùn)練基于改進(jìn)磷蝦群（Improved Krill Herd，IKH）算法優(yōu)化的S-GRN故障識別模型。其中，S-GRN為孿生神經(jīng)網(wǎng)絡(luò)（Siamese Neural Network，SNN）和門控循環(huán)單元（Gated Recurrent Unit，GRU）相融合的故障辨識模型[4]。

1.2 故障識別模型技術(shù)要點(diǎn)設(shè)計(jì)

1.2.1 故障樣本數(shù)據(jù)采集

本文建立的故障識別模型主要針對輸電線路的各種短路故障，具體包括單相接地短路、兩相間短路、兩相接地短路、三相短路。當(dāng)輸電線路出現(xiàn)短路故障時(shí)，可通過電壓互感器、電流互感器等電力傳感器采集故障電壓和電流數(shù)據(jù)，為后續(xù)的故障類型識別提供依據(jù)。

1.2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的目的在于提取輸電線路故障電壓特征量，提取方法為變分模態(tài)分解（Variational Mode Decomposion，VMD），具體的實(shí)施流程如下：采集4種短路故障電壓信號→對電壓信號進(jìn)行VMD分解→求得短路電壓的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）分量→計(jì)算IMF分量的排列熵→對排列熵進(jìn)行歸一化處理→得到故障特征向量。

假設(shè)IMF分量為X={x（1），x（2），...，x（k）}，對X進(jìn)行空間重構(gòu)，可得到矩陣Y，如公式（1）所示。

（1）

式中：Y為IMF分量經(jīng)過空間重構(gòu)后得到的矩陣；τ為延遲時(shí)間；m為嵌入維數(shù)。

按照由低到高的順序?qū)仃嘫中的第i（i=1，2，3，...，k）行元素進(jìn)行排序，再根據(jù)排序結(jié)果，為第i行中的每一個元素設(shè)置一個索引號，分別記為j1、j2、...、jm，則該行元素的索引序列為s（i）={j1，j2，...，jm}，i=1，2，3，...，k。此時(shí)，IMF分量排列熵的計(jì)算方法如公式（2）所示。

（2）

式中：Hp（m）為IMF分量的排列熵，該數(shù)值是與嵌入維數(shù)m相關(guān)的變量；Pi為矩陣Y中第i行元素索引序列s（i）出現(xiàn)的概率，并且有Pi=lnm！。

在數(shù)據(jù)預(yù)處理階段，需要對Hp（m）進(jìn)行歸一化，如公式（3）所示。

（3）

式中：Hp1（m）為Hp（m）經(jīng)過歸一化處理后的結(jié)果，此時(shí)滿足0lt;Hp1（m）lt;1；m！為嵌入維數(shù)m的階乘運(yùn)算。

1.2.3 基于S-GRU的故障識別

S-GRU故障識別模型基于孿生神經(jīng)網(wǎng)絡(luò)（SNN）和門控循環(huán)單元（GRN），SNN神經(jīng)網(wǎng)絡(luò)具有2個子網(wǎng)絡(luò)，故障識別模型將2個子網(wǎng)絡(luò)均設(shè)置為GRN。按照第1.2.2節(jié)提取特征向量，向S-GRU的2個子網(wǎng)絡(luò)輸入2個特征向量，分別記為X1、X2[5]。經(jīng)過S-GRU的處理，將X1、X2對應(yīng)的輸出結(jié)果分別記為Gw（X1）、Gw（X2），則特征向量X1、X2的相似性如公式（4）所示。

Dw=||Gw（X1）-Gw（X2）|| （4）

式中：Dw為特征向量X1、X2的相似性，屬于無量綱參數(shù)。

在故障識別應(yīng)用中，利用大量的輸電線路電壓故障特征向量訓(xùn)練S-GRU模型，使損失函數(shù)的計(jì)算結(jié)果達(dá)到最低水平，損失函數(shù)如公式（5）所示。

（5）

式中：L為損失函數(shù)，屬于無量綱參數(shù)；N為特征向量的樣本數(shù)量；ε為樣本的特征標(biāo)簽。

當(dāng)2個特征向量屬于相同類別時(shí)，ε=0，否則ε≠0。損失函數(shù)L和Dw之間的關(guān)系如圖2所示。

1.2.4 運(yùn)用IKH算法優(yōu)化S-GRU故障辨識模型

IKH為改進(jìn)的磷蝦群算法，可用于復(fù)雜問題尋優(yōu)，旨在獲得故障分類識別的最優(yōu)解。磷蝦個體的運(yùn)動方式包括誘導(dǎo)、覓食、隨機(jī)擴(kuò)散，通過以上方式對空間進(jìn)行搜索，從而實(shí)現(xiàn)全局優(yōu)化。本文運(yùn)用IKH算法優(yōu)化S-GRU故障識別模型，優(yōu)化過程如下。1）采集輸電線路的短路故障電壓數(shù)據(jù)，按照第1.2.2節(jié)中的方法對原始數(shù)據(jù)進(jìn)行預(yù)處理，得到輸電線路故障電壓的特征向量樣本。2）建立S-GRU故障識別模型，將特征向量輸入S-GRU模型中，對故障識別模型進(jìn)行訓(xùn)練。以損失函數(shù)L的計(jì)算結(jié)果最小為目標(biāo)函數(shù)，運(yùn)用IKH算法實(shí)現(xiàn)S-GRU模型參數(shù)尋優(yōu)。在S-GRU故障識別模型中，IKH算法主要用于優(yōu)化門控循環(huán)單元的權(quán)值參數(shù)，具體為更新門和重置門的權(quán)重。3）設(shè)置最小損失函數(shù)閾值ζ，在迭代優(yōu)化過程中，當(dāng)損失函數(shù)L≤ζ時(shí)，達(dá)到優(yōu)化目標(biāo)。如果實(shí)際迭代次數(shù)h超過允許最大迭代次數(shù)H，那么自動結(jié)束算法。4）獲得S-GRU的最優(yōu)權(quán)值參數(shù)后，將其作為故障識別模型的固定參數(shù)，用于真實(shí)場景下的故障類別辨識。

2 IKH算法優(yōu)化S-GRU故障辨識模型仿真檢測

2.1 仿真模型概況

為了檢驗(yàn)第1小節(jié)中的故障辨識模型，利用MATLAB軟件搭建高壓輸電線路模型，該輸電線路具有雙端供電系統(tǒng)，涵蓋2條輸電線路，仿真模型的設(shè)計(jì)參數(shù)見表1。仿真過程持續(xù)時(shí)長為0.5s，短路故障發(fā)生時(shí)間為仿真開始后的第0.2s。

2.2 故障辨識過程及結(jié)果分析

2.2.1 故障數(shù)據(jù)預(yù)處理

仿真過程利用輸電線路模型采集4種短路故障的電壓數(shù)據(jù)，并且根據(jù)公式（1）～公式（3）完成數(shù)據(jù)預(yù)處理，將電壓數(shù)據(jù)轉(zhuǎn)化為歸一化的向量。由0lt;Hp1（m）lt;1可知，向量中的元素介于0～1[6]。表2為4種短路故障數(shù)據(jù)的預(yù)處理結(jié)果示例。

2.2.2 不同工況下的故障辨識精度

2.2.2.1 不同故障位置條件下的故障辨識精度

將已知的故障電壓特征向量作為測試數(shù)據(jù)，輸入訓(xùn)練成熟的IKH優(yōu)化S-GRU故障辨識模型。故障點(diǎn)設(shè)置在距離電源端10km、50km、100km、150km處，每一種短路故障設(shè)置20組測試數(shù)據(jù)，辨識結(jié)果見表3。由數(shù)據(jù)可知，故障辨識精度整體較高，4種故障距離的最低辨識成功率達(dá)到96.25%。

2.2.2.2 不同過渡電阻條件下的故障辨識精度

過渡電阻用于限制短路電流，將過渡電阻設(shè)置為0Ω、50Ω、100Ω、1000Ω，在4種故障類型下進(jìn)行故障辨識，每一種短路故障的正確辨識率見表4。

2.2.3 不同故障辨識模型辨識準(zhǔn)確率對比

為了客觀評價(jià)該故障辨識模型的準(zhǔn)確率，對其設(shè)置2個對照組辨識模型，分別為VMD-GRU（通過VMD進(jìn)行數(shù)據(jù)預(yù)處理，再由GRN完成故障辨識）、EMD-GRU（通過EMD提取故障特征，再由GRN完成故障辨識）。其中，EMD為經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition）。將模型訓(xùn)練數(shù)據(jù)設(shè)置為40、50、60、70、80、90、100組，再以相同的數(shù)據(jù)完成故障檢測，對比不同訓(xùn)練程度的故障辨識準(zhǔn)確率，結(jié)果如圖3所示。由數(shù)據(jù)可知，此次設(shè)計(jì)的故障辨識模型具有最高的準(zhǔn)確率。

3 結(jié)語

S-GRN故障辨識模型融合了孿生神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元，將后者作為孿生神經(jīng)網(wǎng)絡(luò)的子網(wǎng)絡(luò)。在模型訓(xùn)練階段，采集輸電線路4種短路故障的電壓數(shù)據(jù)，利用VMD方法將原始數(shù)據(jù)轉(zhuǎn)化為故障特征向量，作為故障辨識模型的輸入數(shù)據(jù)。

IKH算法具有優(yōu)異的尋優(yōu)功能，以該算法為基礎(chǔ)，對S-GRU的權(quán)值參數(shù)進(jìn)行優(yōu)化，使其達(dá)到最佳的故障辨識效果。

根據(jù)MATLAB的仿真結(jié)果，此次建立的故障辨識模型在不同故障距離或者不同過渡電阻條件下，均能有效辨識4種接地故障，并且準(zhǔn)確率不低于96.25%。說明基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型具有較高的工程應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]王子康.輸電線路故障預(yù)測與智能診斷方法[J].儀器儀表標(biāo)準(zhǔn)化與計(jì)量，2024（2）：36-38，48.

[2]楊東寧，高雪林，師智良，等.基于變分模態(tài)分解和長短期記憶網(wǎng)絡(luò)的輸電線路故障診斷[J].電子器件，2024，47（3）：772-779.

[3]趙巖，孫江山.改進(jìn)梯度提升樹算法的輸電線路故障識別[J].黑龍江科技大學(xué)學(xué)報(bào)，2024，34（2）：310-316.

[4]湯同峰，王峰，蔡德勝.基于小波分析的輸電線路故障識別檢測[J].電子設(shè)計(jì)工程，2024，32（1）：73-76，81.

[5]趙妍，王澤通，邢士標(biāo)，等.基于CNN-BiGRU的高壓直流輸電線路故障識別[J].吉林電力，2024，52（1）：29-34，39.

[6]邢超，魏榮智，奚鑫澤，等.基于GRU的特高壓三端混合直流輸電線路故障區(qū)域識別方法[J].電力系統(tǒng)保護(hù)與控制，2023，51（10）：98-109.