基于CNN-LSTM算法的分布式電力系統(tǒng)故障識別模型研究

摘要：隨著現(xiàn)代電力系統(tǒng)的復雜性和規(guī)模不斷增加，分布式電力系統(tǒng)中故障識別與繼電保護的難度也逐步提升。鑒于此，提出了一種基于卷積神經(jīng)網(wǎng)絡、長短期記憶網(wǎng)絡、通道自注意力機制的故障識別與繼電保護模型，利用其對分布式電力系統(tǒng)中的故障類型進行精確識別以達到繼電保護的作用。測試結果表明，信噪比為2"dB時，改進模型的檢測準確率為0.96，相較于傳統(tǒng)卷積神經(jīng)網(wǎng)絡提高了31.51%。結果表明，該模型在不同信噪比下的識別準確率方面顯著優(yōu)于傳統(tǒng)方法，為分布式電力系統(tǒng)的安全運行提供了技術支持。

關鍵詞：卷積神經(jīng)網(wǎng)絡""""長短期記憶網(wǎng)絡""""電力系統(tǒng)""""故障識別""""繼電保護

中圖分類號：TM726"""""""""""文獻標識碼：A

Research"on"Distributed"Power"System"Fault"Identification"Model"Based"on"CNN-LSTM"Algorithm

XU"Maolin1"""WANG"Yuntao2""""QI"Jingyi1

1.Mengcun"Hui"Autonomous"County"Power"Supply"Branch，"State"Grid"Hebei"Electric"Power"Co.，"Ltd.，"Cangzhou，Hebei"Province，"061400"China;2."Ultra"High"Voltage"Branch"of"State"Grid"Jibei"Electric"Power"Co.，"Ltd.，，"Beijing，"102488"China

Abstract;"With"the"increasing"complexity"and"scale"of"modern"power"systems，"the"difficulty"of"fault"identification"and"relay"protection"in"distributed"power"systems"is"gradually"increasing."In"view"of"this，"a"fault"recognition"and"relay"protection"model"based"on"convolutional"neural"network，"long"short-term"memory"network，"and"channel"self"attention"mechanism"is"proposed"to"accurately"identify"fault"types"in"distributed"power"systems"to"achieve"relay"protection."The"test"results"show"that"when"the"signal-to-noise"ratio"is"2dB，"the"detection"accuracy"of"the"improved"model"is"0.96，which"is"31.51%"higher"than"that"of"traditional"convolutional"neural"networks."The"results"show"that"the"model"significantly"outperforms"traditional"methods"in"recognition"accuracy"under"different"signal-to-noise"ratios，"providing"technical"support"for"the"safe"operation"of"distributed"power"systems.

Key"Words："Convolutional"neural"network;"Long"Short-term"memory"network;"Power"system;"Fault"identification;"Relay"protection

隨著全球能源需求的迅速增長，電力系統(tǒng)的分布式化成為一種必然趨勢[1]。分布式電力系統(tǒng)具有資源利用率高、靈活性強等優(yōu)勢，但其復雜性同時也顯著增加，使對系統(tǒng)進行故障識別和繼電保護面臨巨大挑戰(zhàn)[2]。尤其是在多源、多節(jié)點的分布式環(huán)境下，傳統(tǒng)的保護裝置和故障識別方法難以應對快速變化的電力數(shù)據(jù)特征和復雜的故障模式。近年來，隨著智能電網(wǎng)的發(fā)展，越來越多的研究集中在通過智能算法提升電力系統(tǒng)的可靠性和安全性上。目前，深度學習技術在電力系統(tǒng)中的應用正逐步拓展，特別是在故障診斷和保護機制的智能化方面[3]。卷積神經(jīng)網(wǎng)絡（Convolutional"Neural"Network，CNN）因其在提取電力數(shù)據(jù)空間特征方面的優(yōu)越性而受到廣泛關注，而長短期記憶網(wǎng)絡（Long"Short-Term"Memory，LSTM）則憑借其對時間序列數(shù)據(jù)的良好處理能力，逐漸被應用于動態(tài)故障分析。鑒于此，研究提出了一種結合CNN、LSTM與通道自注意力機制的故障識別與繼電保護模型CNN-LSTM-CAM，以期提高對復雜故障的識別準確性和系統(tǒng)的保護效率。研究旨在于一定程度上克服傳統(tǒng)模型的不足之處，為電力系統(tǒng)故障診斷提供一種更為全面和更具魯棒性的解決方案。

1"CNN-LSTM-CAM故障識別模型構建

CNN具備強大的特征提取能力，能夠自動從復雜的數(shù)據(jù)中學習多層次的特征表示。特別是在處理具有空間結構的電力數(shù)據(jù)時，能夠有效捕捉局部的空間關聯(lián)性[4]。因此，選取CNN作為故障識別模型的基礎結構。在CNN中，首先輸入層接收原始數(shù)據(jù)，通過卷積層提取局部空間特征。卷積層則使用濾波器在輸入數(shù)據(jù)上進行卷積操作，生成特征圖。隨后，池化層通過對特征圖進行下采樣，減少特征圖的尺寸，從而降低數(shù)據(jù)維度和計算量。最后，經(jīng)過全連接層，網(wǎng)絡將提取的特征映射到輸出空間，實現(xiàn)最終的分類或識別任務。首先，卷積核計算見式（1）。

"""（1）

式（1）中：表示第層中第個神經(jīng)元的輸出值，則表示其權重。表示第層的輸入數(shù)據(jù)，即上一層的特征圖，表示偏置項。表示激活函數(shù)。由于函數(shù)能夠處理深層網(wǎng)絡的能力，且能避免訓練過程中可能存在的梯度爆炸問題，研究選取其作為激活函數(shù)。同時為更加突出卷積特征圖中的顯著特征，因此研究選取最大池化進行特征計算。最后，全連接層能將輸出映射為歸一化概率分布，并輸出置信度，其表達式如下。

"""（2）

式（2）中：表示第層中第各神經(jīng)元的輸出值；表示從第層中的第個神經(jīng)元到第層中第個神經(jīng)元的權重；表示第層中第個神經(jīng)元的輸出值；表示第個神經(jīng)元的偏置項。然而，雖然CNN可以很好地識別靜態(tài)數(shù)據(jù)中的模式，但在處理如電力系統(tǒng)中隨時間變化的動態(tài)數(shù)據(jù)時，效果往往不夠理想。因此，本研究將CNN與擅長處理和記憶長時間跨度的依賴關系的LSTM相結合，以在提取空間特征的基礎上，進一步捕捉時間序列中的趨勢和變化模式，從而提高故障識別的準確性和魯棒性[5]。

首先，CNN-LSTM模型通過卷積層對輸入數(shù)據(jù)進行特征提取。其次，通過池化層進行下采樣以減少數(shù)據(jù)維度。提取的空間特征隨后被輸入到LSTM層中，LSTM層負責捕捉特征中的時間序列信息，從而分析數(shù)據(jù)的動態(tài)變化。為防止過擬合，模型在全連接層之前應用了層。最后，經(jīng)過全連接層的處理，通過層實現(xiàn)對故障類型的分類。此外，為進一步提高故障識別的精度和魯棒性，研究在CNN-LSTM中引入通道自注意力機制（Channel"Attention"Mechanism，CAM），以根據(jù)輸入數(shù)據(jù)的特征動態(tài)調整注意力分配，從而更好地適應不同的故障場景。同時，通過重點關注關鍵通道，可以有效減少不必要的信息處理，提高模型的適用性和靈活性。CAM模塊利用兩個全連接層和激活函數(shù)對全局平均池化的結果進行處理，生成通道注意力權重，其表達式見式（3）。

"""（3）

式（3）中：表示通道注意力權重向量；與均為激活函數(shù)；為函數(shù)；、分別表示第一個、第二個全連接層的權重矩陣；表示包含所有通道全局平均池化輸出的向量。隨后，將通道注意力權重與原始特征圖逐通道相乘，得到重加權的輸出特征圖，公式如下。

"""（4）

式（4）中：表示通道上的重加權后特征圖值；表示通道上的注意力權重；表示輸入特征圖在通道處的像素值。將所有重加權后的特征圖疊加后，得到最終的輸出特征圖。其中，為重加權后的輸出特征圖，包含所有經(jīng)過通道注意力機制處理后的特征。根據(jù)以上計算，最終的CNN-LSTM-CAM模型架構如圖1所示。

圖1"CNN-LSTM-CAM故障診斷模型架構

首先，CNN-LSTM-CAM電纜故障診斷模型通過多個卷積層和最大池化層對輸入數(shù)據(jù)進行特征提取，然后通過激活函數(shù)進行非線性變換。在特征提取后引入通道自注意力機制，通過計算每個通道的重要性權重來增強關鍵特征的表達。接下來，利用LSTM層對序列特征進行時序分析，并通過全連接層進一步處理。最后，通過Softmax函數(shù)實現(xiàn)故障類型的分類。

2.基于CNN-LSTM模型的故障識別性能測試

為了驗證CNN-LSTM-CAM故障診斷模型的性能效果，本研究搭建了適當?shù)膶嶒灜h(huán)境。實驗采用自建數(shù)據(jù)集，數(shù)據(jù)集包含多個電力系統(tǒng)的約3"000條實時監(jiān)測數(shù)據(jù)，包括電壓、電流等關鍵參數(shù)。引入了CNN、LSTM、CNN-LSTM作為對比模型。實驗結果如圖2所示。

（a）不同噪聲環(huán)境下的檢測準確率""""""（b）不同噪聲環(huán)境下的檢測準確率

圖2"不同噪聲環(huán)境下的準確率與耗時測試

圖2（a）、圖2（b）分別是四種模型在不同噪聲環(huán)境下的故障檢測準確率測試與平均運行耗時測試。當噪聲增大為2"dB時，CNN、LSTM、CNN-LSTM、CNN-LSTM-CAM模型的檢測準確率分別為0.73、0.80、0.84、0.96，其檢測平均耗時分別為0.48"s、0.58"s、0.73"s、0.67"s。

3結論

針對分布式電力系統(tǒng)中的故障識別與繼電保護挑戰(zhàn)，研究提出了一種基于CNN-LSTM-CAM模型的電力系統(tǒng)故障檢測與繼電保護方法。該模型結合CNN、LSTM、CAM的優(yōu)勢，通過對電力數(shù)據(jù)的空間特征和時間序列進行深入分析，旨在提高故障識別的準確性并優(yōu)化繼電保護機制。性能測試結果表明，當環(huán)境噪聲為2"dB時，CNN-LSTM-CAM模型的檢測準確率為0.96，平均運行耗時為0.67"s。研究結果表明，該模型在不同環(huán)境噪聲下的識別準確率方面顯著優(yōu)于傳統(tǒng)方法。未來研究將著眼于改進模型的計算效率，以進一步提高分布式電力系統(tǒng)的安全性與穩(wěn)定性。

參考文獻

[1]盧有飛，馮國平，盧賓賓.基于關聯(lián)規(guī)則挖掘技術的電網(wǎng)故障風險要素分析[J].武漢大學學報，2024，57（6）：792-797.

[2]林園敏，王鑫，黃金釗，等.基于人工神經(jīng)網(wǎng)絡的智能配網(wǎng)實時故障圖像識別系統(tǒng)[J].電網(wǎng)與清潔能源，2024，40（6）：130-136.

[3]劉曉軍，馬羽中，楊冬鋒，等.基于數(shù)據(jù)相關性分析的電網(wǎng)故障時刻確定與故障識別方法[J].電網(wǎng)技術，2022，46（4）：1529-1541.

[4]向蓉.基于機器學習算法的電力系統(tǒng)故障預測與安全評估[J].現(xiàn)代工業(yè)經(jīng)濟和信息化，2024，14（7）：93-94.

[5]王福忠，任淯琳，張麗，等.基于改進LSTM-SVM的雙向DC-DC電力變換器故障診斷[J].河南理工大學學報，2024，43（5）：118-126.