適用于深度學(xué)習(xí)訓(xùn)練的配電網(wǎng)故障歷史樣本數(shù)據(jù)生成研究

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945(2025)14-0063-0

Abstract:Withthedevelopmentofsmartgridanddeep learning technology，theuseof historicalfaultsamples fortraining hasbecomeapowerful meansoffaultdataprocessingindistributionnetworks.Thisstudyadoptsadynamiciterativestrategy: firstly，thedeeplearnigmodelisusedtoidentifythefaulttypesofthedistributionnetwork，andthekeydataissummarized andextractedfromtheidentificationprocessThen，throughacontinuousiterativeprocess，thehistoricalsampledatageerated each time is fed back into the model. Finally，a system model of 10kV line protection detection test is built in Matlab/Simulink， andasimulationtestexampleisbuiltforverification，andtheexperimentalresultsshowthatthemodelisefectiveandfeasible.

Keywords:distributionnetwork failures;faultdetection;deep leaming;dynamic iteration;historical sampledata

在當(dāng)今信息化、智能化的時(shí)代背景下，配電網(wǎng)的自動(dòng)化水平和智能化[1-2程度不斷提高，對(duì)故障診斷技術(shù)提出了更高的要求。深度學(xué)習(xí)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)，具有自學(xué)習(xí)、自適應(yīng)和高度抽象特征的能力，為配電網(wǎng)故障診斷提供了新的解決方案。然而，深度學(xué)習(xí)模型[3-性能優(yōu)劣性很大程度取決于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量。因此，如何生成適用于深度學(xué)習(xí)訓(xùn)練的配電網(wǎng)故障歷史樣本數(shù)據(jù)，已經(jīng)成為電力系統(tǒng)亟待解決的問(wèn)題。

目前，配電網(wǎng)故障歷史樣本數(shù)據(jù)的記錄主要依賴(lài)于人工方式，這種方法存在諸多缺點(diǎn)。首先，人工記錄數(shù)據(jù)耗時(shí)耗力，效率低下，難以滿(mǎn)足大規(guī)模配電網(wǎng)的實(shí)時(shí)監(jiān)控需求。其次，人工記錄容易受到主觀因素的影響，數(shù)據(jù)的準(zhǔn)確性和一致性難以保證，這直接影響了后續(xù)深度學(xué)習(xí)模型訓(xùn)練的效果。此外，人工記錄難以覆蓋所有可能的故障場(chǎng)景，導(dǎo)致樣本數(shù)據(jù)的多樣性和代表性不足，這限制了模型在處理復(fù)雜故障情況時(shí)的泛化能力。最后，隨著配電網(wǎng)規(guī)模的不斷擴(kuò)大和復(fù)雜性的增加，人工記錄方法在數(shù)據(jù)管理、更新和維護(hù)方面也面臨著巨大的挑戰(zhàn)。因此，亟需發(fā)展自動(dòng)化、智能化的配電網(wǎng)故障歷史樣本數(shù)據(jù)生成方法，以克服現(xiàn)有方法的局限，提升深度學(xué)習(xí)模型在故障診斷領(lǐng)域的應(yīng)用潛力。

為了克服這一挑戰(zhàn)，本研究采取了一種動(dòng)態(tài)迭代的策略：首先，應(yīng)用深度學(xué)習(xí)模型對(duì)配電網(wǎng)中不同故障類(lèi)型進(jìn)行判別與分類(lèi)8，并從判別結(jié)果中提煉出重要特征數(shù)據(jù)；其次，結(jié)合動(dòng)態(tài)更新的思路，將每輪生成的新故障樣本持續(xù)回饋至模型訓(xùn)練過(guò)程中，從而不斷擴(kuò)展樣本庫(kù)規(guī)模，優(yōu)化模型學(xué)習(xí)效果與診斷準(zhǔn)確率。這種循環(huán)迭代的方法不僅能夠逐步豐富和優(yōu)化故障樣本庫(kù)，還能夠使深度學(xué)習(xí)模型在故障診斷上的性能不斷提升，最終實(shí)現(xiàn)高精度和高可靠性的配電網(wǎng)故障診斷系統(tǒng)。最后，在Matlab/Simulink中搭建了 10kV 線(xiàn)路保護(hù)檢測(cè)試驗(yàn)的系統(tǒng)模型，構(gòu)建模擬試驗(yàn)案例以進(jìn)行有效性檢驗(yàn)，結(jié)果顯示模型具備可實(shí)現(xiàn)性和實(shí)操性。

1配電網(wǎng)普遍故障種類(lèi)

電力系統(tǒng)作為現(xiàn)代社會(huì)運(yùn)轉(zhuǎn)的基石，其穩(wěn)定運(yùn)行至關(guān)重要。然而，在實(shí)際運(yùn)行中，由于設(shè)備老化、自然災(zāi)害、人為操作失誤等多種原因，電力系統(tǒng)時(shí)常會(huì)遭遇各種故障，不僅影響其自身的正常運(yùn)行，還可能對(duì)經(jīng)濟(jì)社會(huì)造成重大損失。在電力系統(tǒng)的故障類(lèi)型中，短路故障是最為常見(jiàn)的一種，通常包括單相接地短路、兩相短路、兩相接地短路和三相短路，其會(huì)導(dǎo)致電流急劇增加，損壞電氣設(shè)備，甚至引發(fā)火災(zāi)。此外，斷線(xiàn)故障也是電力系統(tǒng)中的一種常見(jiàn)故障，通常由導(dǎo)線(xiàn)斷裂、絕緣子損壞等原因造成。斷線(xiàn)故障會(huì)導(dǎo)致供電中斷，影響用戶(hù)的正常用電。除了上述2種主要故障類(lèi)型外，電力系統(tǒng)中還可能發(fā)生其他類(lèi)型的故障，如諧振故障、設(shè)備異常等，雖然這些故障發(fā)生的概率相對(duì)較低，但一旦發(fā)生，可能對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行造成嚴(yán)重影響。

在配電網(wǎng)傳輸線(xiàn)路中，普遍的金屬性故障可分成以下幾種類(lèi)型：?jiǎn)蜗嘟拥毓收?、兩相短路故障、兩相短路伴隨接地故障、三相短路故障以及三相短路同時(shí)接地故障。以上故障情況共計(jì)有4種基本類(lèi)別和11種具體情形，如圖1所示。具體來(lái)看，圖1(a)是CN類(lèi)型的單相接地故障，圖1(b)是BC類(lèi)型的兩相短路故障情況，圖1(c)是BCN類(lèi)型的兩相短路接地故障情況，圖1(d)是ABC類(lèi)型的三相短路故障情況，圖1(e)是ABCN類(lèi)型的三相短路接地故障情況。

如圖1所示，不同故障類(lèi)型的根本原因在于故障點(diǎn) A，B，C 以及接地位置之間的短路連接模式有所差異。

2基于深度學(xué)習(xí)的故障樣本生成模型

基于深度學(xué)習(xí)的故障樣本生成模型的核心目標(biāo)在于精確識(shí)別配電網(wǎng)中發(fā)生的各種故障類(lèi)型，以實(shí)現(xiàn)故障處理的高效性與準(zhǔn)確性，從而為故障樣本數(shù)據(jù)的生成提供有效的技術(shù)支持。考慮到配電網(wǎng)運(yùn)行環(huán)境的復(fù)雜多變，存在眾多因素可能對(duì)故障監(jiān)測(cè)過(guò)程造成影響[1]。本研究采用深度學(xué)習(xí)技術(shù)對(duì)配電網(wǎng)中的故障進(jìn)行檢測(cè)，通過(guò)對(duì)輸入的電壓、電流數(shù)據(jù)變化進(jìn)行深入分析，以實(shí)現(xiàn)對(duì)故障類(lèi)型的準(zhǔn)確判斷。在此基礎(chǔ)上，模型將輸出故障類(lèi)型，并記錄相應(yīng)的數(shù)據(jù)，進(jìn)而構(gòu)建歷史故障樣本庫(kù)，再用歷史樣本數(shù)據(jù)進(jìn)一步對(duì)模型進(jìn)行訓(xùn)練?；谏疃葘W(xué)習(xí)的故障樣本生成流程圖如圖2所示。

3仿真模型

為了檢驗(yàn)該深度學(xué)習(xí)故障類(lèi)型樣本生成邏輯的合理性，在Matlab/Simulink仿真平臺(tái)構(gòu)建了電力系統(tǒng)故障的仿真模型。在該模型中，當(dāng)電力線(xiàn)路出現(xiàn)故障時(shí)，通過(guò)故障模塊對(duì)各類(lèi)故障進(jìn)行模擬。同時(shí)，采用示波器工具對(duì)故障期間的電壓和電流狀況進(jìn)行監(jiān)測(cè)。

采用深度學(xué)習(xí)模型對(duì)故障點(diǎn)分別模擬故障點(diǎn)發(fā)生單相接地故障、兩相短路故障、兩相短路伴隨接地故障、三相短路故障以及三相短路同時(shí)接地故障。同時(shí)記錄母線(xiàn)M三相電壓值、三相電流值。

圖3所示為 10kV 雙端供電系統(tǒng)，該仿真模型的詳細(xì)建模參數(shù)見(jiàn)表1。

在本研究中，使用Simulink軟件構(gòu)建系統(tǒng)的仿真模型，具體展示如圖4所示。

該模型可以通過(guò)設(shè)置不同的故障相，以達(dá)到模擬系統(tǒng)在實(shí)際運(yùn)行過(guò)程中可能遭遇的各類(lèi)故障情況的目的。通過(guò)調(diào)節(jié)故障參數(shù)，能夠?qū)崿F(xiàn)對(duì)不同故障場(chǎng)景的模擬。為了深入分析故障情況下的系統(tǒng)響應(yīng)，采用了圖5和圖6所示的示波器模塊，對(duì)電壓和電流的變化進(jìn)行了監(jiān)測(cè)。監(jiān)測(cè)數(shù)據(jù)可以用來(lái)進(jìn)一步探討故障發(fā)生時(shí)系統(tǒng)的動(dòng)態(tài)行為及其對(duì)電壓電流波形的影響。

4仿真結(jié)果

4.1單相接地故障

由圖7可以看出從0.02s發(fā)生故障后，A相電流急劇增大，遠(yuǎn)超正常值，而B(niǎo)相和C相電流也略有增加但幅度不大。這表明故障導(dǎo)致了大量電流通過(guò)接地點(diǎn)流入大地，從而引起A相電流劇增。A相發(fā)生單相金屬性接地故障后，A相電壓迅速變?yōu)?V，而B(niǎo)、C相電壓增大到原來(lái)的1.5倍左右。B相或C相發(fā)生單相金屬性接地短路故障時(shí)也是類(lèi)似情況。綜上所述，單相金屬性接地故障會(huì)導(dǎo)致故障相電壓降低，非故障相電壓升高；同時(shí)故障相電流劇增，非故障相電流略有增加。出現(xiàn)零序和負(fù)序，零序電流相位與故障相電流同相，零序電壓與故障相電壓反相。

WWWWWWW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (c） C相電流波形

x104

An

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (d) A相電壓波形 104

wW 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (e) B相電壓波形

sv

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (f）C相電壓波形

4.2 兩相短路故障

正常情況下，三相電壓應(yīng)該是平衡的，每相電壓約為系統(tǒng)額定電壓，三相電流應(yīng)該是平衡的，且大小與負(fù)載成正比，故障電流應(yīng)該為 0A. 。兩相短路故障情況下的電流、電壓波形如圖8所示。

由圖8可以分析得到，在0.02s發(fā)生故障后，短路兩相故障電流增大，電壓降低，沒(méi)有零序(或者幅值很小）。2個(gè)故障相電流基本反相。非故障相電壓約為故障相電壓的2倍。

4.3兩相短路接地故障

正常情況下，A相、B相和C相的電壓應(yīng)該都接近于系統(tǒng)額定電壓，且三相電壓之間相位相差 120^° 。三相電流應(yīng)該是平衡的，即幅值相等且相位相差120^° 。故障電流應(yīng)該為 0A 兩相短路接地故障情況下的電流、電壓波形如圖9所示。

104 VI WW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (a）A相電流波形 ×104 VAI V 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (b) B相電流波形 V 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (c) C相電流波形 104

An 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (d) A相電壓波形 x10<

An 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (e) B相電壓波形 x1ge

Nn 2 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (f）C相電壓波形

從圖9中可以看出，在發(fā)生兩相短路接地故障時(shí)，三相電壓和電流都出現(xiàn)了顯著的變化。具體表現(xiàn)在故障發(fā)生后，故障的兩相電流增大，電壓降低，出現(xiàn)零序負(fù)序。

4.4 三相短路故障

正常情況下，三相電壓應(yīng)該保持平衡，每相電壓大約為系統(tǒng)線(xiàn)電壓的 倍，三相電流應(yīng)該基本平衡，且幅值相對(duì)較小，反映了系統(tǒng)的正常負(fù)載電流，故障電流應(yīng)該為0A 三相短路故障情況下的電流、電壓波形如圖10所示。

x104

A WWW 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (a) A相電流波形

A MW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (b) B相電流波形 104

A V 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (c) C相電流波形 ×104

An 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (d) A相電壓波形 104 A 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (e) B相電壓波形 ×104 A

N 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (f) C相電壓波形

由圖10可以看出，發(fā)生故障后三相電流增大，三相電壓降低；沒(méi)有零序和負(fù)序，零序負(fù)序分量很小。

4.5三相短路接地故障

在正常運(yùn)行狀態(tài)下，三相電壓應(yīng)維持均衡，各相電壓大致等于系統(tǒng)線(xiàn)電壓的 倍。同時(shí)，三相電流應(yīng)呈現(xiàn)基本平衡，其幅值相對(duì)較低，即系統(tǒng)的標(biāo)準(zhǔn)負(fù)載電流。在無(wú)故障條件下，故障電流的預(yù)期值為零。

由圖11可以看出，發(fā)生該故障后三相電流增大，三相電壓降低。

×104 2

小 WW X 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (a) A相電流波形 ×104

A WWW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s (b) B相電流波形 104

A 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時(shí)間/s

5結(jié)論

本研究提出了一種利用深度學(xué)習(xí)技術(shù)生成配電網(wǎng)故障歷史樣本數(shù)據(jù)的新方法。通過(guò)訓(xùn)練與檢驗(yàn)該模型，驗(yàn)證了其有效性和精確度。試驗(yàn)結(jié)果表明，該模型能夠高效、準(zhǔn)確地生成配電網(wǎng)故障歷史數(shù)據(jù)，展現(xiàn)了良好的可靠性和穩(wěn)定性。此外，模型還展現(xiàn)出較強(qiáng)的泛化能力，適用于多樣的電力系統(tǒng)和故障場(chǎng)景。盡管如此，模型在處理復(fù)雜電力系統(tǒng)和特定故障類(lèi)型時(shí)，其準(zhǔn)確性和可靠性可能有所下降。鑒于此，未來(lái)的研究將致力于對(duì)該模型進(jìn)行優(yōu)化和升級(jí)，以增強(qiáng)其性能，更好地服務(wù)于電力系統(tǒng)的故障診斷與預(yù)測(cè)。

參考文獻(xiàn)：

[1]張或，周麗萍，陶鑫，等.智能配電網(wǎng)技術(shù)現(xiàn)狀與應(yīng)用分析[J]科技與創(chuàng)新，2015(13)：153，156.

[2]李玄暉.新型電力系統(tǒng)背景下配電網(wǎng)數(shù)字化技術(shù)應(yīng)用及發(fā)展[J].電子元器件與信息技術(shù)，2024，8(7):95-97，101.

[3]孟芷若.深度學(xué)習(xí)下配電網(wǎng)控碳方法研究[D].北京：華北電力大學(xué)（北京），2023.

[4]IanGood fellow.深度學(xué)習(xí)DeepLearning[M].北京：人民郵電出版社，2017.8.

[5]王麗霞，何正友，戴銘，等.一種電能質(zhì)量擾動(dòng)信號(hào)的分層識(shí)別新方法[J].電力系統(tǒng)自動(dòng)化，2009，33（24)：65-69

[6]歐陽(yáng)森，黃潤(rùn)鴻.基于形態(tài)邊緣檢測(cè)的電能質(zhì)量暫態(tài)擾動(dòng)定位方法[J].電網(wǎng)技術(shù)，2012，36(4)：63-67.

[7]BENGIO Y. Learning deep architectures for AI [J]. Founda-tionsand Trends in Machine Learning，20O9，2(1):11-27.

[8]康文文.面向智能配電網(wǎng)的快速故障檢測(cè)與隔離技術(shù)研究[D].濟(jì)南：山東大學(xué)，2011.

[9]黃寧，武江斌，張彥兵，等.電力系統(tǒng)故障點(diǎn)觸發(fā)及故障類(lèi)型控制的仿真建模[J]電力學(xué)報(bào)，2017，32（5)：392-396.

[10]范越，李永萊，舒印彪，等.新型電力系統(tǒng)平衡構(gòu)建與安全穩(wěn)定關(guān)鍵技術(shù)初探[J].中國(guó)電機(jī)工程學(xué)報(bào)，2025，45(1)：14-25.