配电网多接地类型故障选线的记忆树突神经 P 系统

《Neural Networks》：Memory Dendritic Neural P Systems for Multi-ground Type Fault Line Selection in Distribution Networks

　　

# 摘要

配电网络中单相接地（SLG）故障的快速准确选线对于电力系统安全至关重要。尽管现有深度学习方法已取得良好性能，但在面对多种中性点接地方式及不同故障条件时，故障选线准确率仍有提升空间。类神经P系统采用"点神经元"计算模式，未能充分利用生物神经元的多树突分支特性，导致计算效率受限。因此，本文提出了一种新型记忆树突神经P（MDNP）系统，通过引入记忆树突因子的触发规则、可动态调节的树突结构和自适应学习机制，有效提升了系统在不同接地方式下的故障特征学习能力，显著减少了计算资源消耗并加速了收敛速度。此外，在线应用方案的设计使MDNP系统能够在动态电网中实现故障选线的在线优化。实验结果表明，与七种基线模型相比，MDNP系统在不接地和消弧线圈接地方式下分别实现了98.2%和97.3%的故障选线准确率，平均故障选线时间仅为1.78秒。此外，与传统类神经P系统相比，计算资源消耗降低了56.6%，展现了其在故障选线任务中的卓越性能和潜力。

# 引言

当前，配电网络面临着日益严峻的多种风险挑战，其中单相接地（SLG）故障的处理是亟待解决的关键问题之一（Deng等，2025）。在中国，电压等级为3至35 kV的配电网络通常采用中性点不接地系统或消弧线圈接地系统（Yuan等，2023）。单相接地故障是最常见的故障类型，占配电网络所有故障的80%以上，对电力系统安全和当地居民安全构成严重威胁（Hao等，2022；Yuan等，2025）。因此，电力工作人员必须能够快速准确地识别发生单相接地故障的线路（Guo等，2025a）。

故障选线是指通过监测配电网络在单相接地故障期间的特征差异来识别故障线路（Gao等，2025）。目前，传统方法通过分析各线路之间稳态和暂态零序电流或电压的差异来检测故障（Hong等，2024；Wang等，2025；Zhang等，2025）。这些方法需要人工提取故障特征并构建故障选线判据（Zhang等，2024）。然而，这些方法需要专用的零序信号测量装置，增加了设备成本。此外，它们依赖于专家定义的故障检测判据，可能导致识别结果不一致（Guo和Shi，2023）。

近年来，机器学习已被广泛应用于配电网络的故障选线（Deng等，2021；Gao等，2021；Guo等，2025a）。现有研究主要聚焦于基于零序信号分析的机器学习方法。例如，Deng等（2021）提出了一种结合聚类算法与长短期记忆（LSTM）网络的零序电压分析方法。Gao等（2021）通过融合零序电流波形并利用卷积神经网络（CNN）进行特征提取，提高了系统容错性。Guo等（2025a）引入了一种带有傅里叶预处理的Swin-Transformer模型，实现了无阈值故障选线。然而，这些方法仍与传统故障选线技术相似，依赖于专用零序信号测量装置的安装，增加了系统复杂性和成本。此外，现有方法在不同中性点接地系统间的性能差异显著（Liang等，2023）。特别是在消弧线圈接地系统中，电容电流的部分补偿可能削弱故障特征，严重影响故障选线的准确性（Lin等，2024）。此外，当前基于机器学习的故障选线方法主要依赖离线记录数据进行模型训练和测试，未能充分利用实时运行数据进行在线模型更新。这一局限性限制了这些方法的自适应能力。例如，Zhang等（2021）提出了一种结合生成对抗网络（GAN）和深度可分离卷积网络（DSCN）的方案，而Xiao等（2024）开发了改进卷积神经网络（MCNN），但两者均未考虑利用实时数据的在线学习机制。综上所述，当前配电网络故障选线技术面临三个关键挑战：1）基于零序信号的方法需要额外的专用测量装置，增加了系统复杂性和成本；2）现有机器学习方法需要提高故障选线准确率，特别是在不同接地方式（尤其是消弧线圈接地系统）下；3）当前模型缺乏基于实时数据的在线学习机制，限制了其动态适应能力。针对上述问题，本文旨在开发一种不依赖零序信号且适应各种接地方式的配电网络故障选线方法，从而提高故障选线准确性和适应性。

脉冲神经P（SNP）系统被视为第三代神经网络模型，其灵感来源于生物神经元的发放机制（Zhao和Liu，2024）。通过充分利用大规模并行计算、分布式信息处理和良好可扩展性等特性，SNP系统显著提升了复杂计算任务的性能。SNP系统的理论研究主要集中在三个方面：创建新的膜对象、构建新的膜结构和设计新的膜规则，旨在增强膜系统的计算能力、灵活性和适用性（Peng等，2017；Yin等，2024）。在应用方面，SNP系统已在电力系统故障诊断（Hu等，2024；Ma等，2024；Wu和Wang，2025）、时间序列分析（He等，2024）、图像处理（Li等，2025；Xia等，2025）和工程优化（Liu等，2024；Zhu等，2021）等领域取得成功。Yu等（2025）利用自突触SNP系统实现了功率平衡和多个微网的协调控制。Hu等（2024）提出了一种基于学习型SNP系统的智能故障选线方法，有效提高了故障检测准确率。然而，现有SNP系统普遍采用简化的点神经元模型，未对亚细胞区室（如神经元树突）的计算能力进行深入探讨（Gidon等，2020）。事实上，生物神经元具有高度分化的树突结构，包含数千个功能独立的亚细胞区室（如树突棘和树突分支），可独立执行非线性运算（Pagkalos等，2023）。神经科学研究表明，树突分支形成了信息处理的天然层级结构：远端树突选择性处理特定输入特征，而近端树突整合更高层次的信号（Xu等，2025）。因此，本文旨在开发一种基于树突计算的神经P系统，以在不同接地方式下实现准确的故障选线。

在前序工作中，提出的集成动态SNP（IDSNP）系统（Ma等，2024）展示了通过神经元级别计算执行配电网络故障选线的能力。然而，该系统在计算资源优化方面仍存在局限性，特别是神经元配置效率有待进一步改善。同时，该系统对不同接地方式的适应性较差，导致故障选线准确率有待提高。此外，由于缺乏基于实时数据的动态优化机制，该系统在应对动态变化的电网环境时表现出明显的适用性局限。

针对上述挑战，本文提出了一种记忆树突神经P（MDNP）系统，该系统通过模拟生物神经元树突的层级计算特性，有效突破了传统SNP系统局限于点神经元处理的限制。该系统通过设计的记忆树突因子实现历史信息的存储与融合，从而增强了故障特征学习能力。特别是，树突多分支计算结构通过动态调节机制实现了对不同接地方式（包括不接地和消弧线圈接地）的处理，显著提高了多种接地方式下的故障选线准确率。在此基础上，基于公共信息模型（CIM）获取接地方式并建立仿真模型以实现数据增强。此外，采用自适应学习机制提升了MDNP系统的收敛速度和检测准确率。最后，通过开发的在线应用方案，该系统已成功应用于工程实践，验证了其在动态电网环境中的有效性。

本文的主要贡献如下：

（1）本文提出了一种新型MDNP系统，是对传统SNP系统的改进。与局限于点神经元并行处理的SNP系统不同，MDNP系统创新性地引入了树突层级计算架构，实现了复杂的并行计算能力。

（2）基于MDNP系统开发了一种多接地方式故障选线方法。通过引入记忆树突因子触发规则和动态树突结构，实现了历史信息的存储与融合，增强了故障特征学习和自适应调整能力，显著提高了不同中性点接地方式下的故障选线准确率。

（3）本文建立了MDNP系统故障选线的实用在线应用方案，使其能够在配电网络中实现实时优化和直接工程应用。此外，在MDNP系统故障选线中引入了自适应学习机制，有效提高了收敛速度。

本文其余部分结构如下：第2节回顾了故障选线问题和数值型SNP系统；第3节介绍了所设计的MDNP系统；第4节介绍了MDNP系统在配电网络故障选线中的应用；第5节提供了所提方法的实验验证。最后给出了本文的结论。

# 预备知识

本节简要回顾了不同接地方式下的故障选线问题，并定义了数值型SNP系统。

# 记忆树突神经（MDN）P系统

树突分支具有主动信息处理能力，不仅能够自主接收、整合和生成本地特定信号（如"树突棘突"），还能根据输入执行差异化计算（Oh等，2025）。树突的分支结构形成了层级化的信息处理机制，其中远端树突作为初级处理单元，对特定输入特征表现出选择性响应，而近端树突负责整合更高层次的信号。

# 基于MDNP系统的多接地方式故障选线

本节提出了一种基于MDNP系统的多接地方式故障选线方法。其总体框架由三个核心模块组成：首先，从电力调度系统获取实时运行数据以构建样本集，并利用CIM仿真模型进行数据增强，以解决样本不平衡问题。其次，基于CIM分析确定中性点接地方式，并利用MDNP系统实现……

# 实验数据集说明

本文构建的混合调度数据集作为MDNP系统的输入数据源。其仿真数据通过基于CIM的仿真模型生成。本节描述相关实验细节。基于CIM建立的10 kV/35 kV配电网络仿真模型如图9所示。仿真拓扑根据断路器状态动态调整拓扑结构，从而实现不同拓扑下仿真数据的获取。

# 结论

本文提出了一种基于树突计算机制的新型MDNP系统，为多接地方式配电网络的故障选线问题提供了一种解决方案。MDNP系统通过充分利用生物神经元树突分支的独立计算能力，克服了传统SNP系统采用点神经元模型的局限性，构建了具有层级信息处理能力的树突层级计算架构……

# 未引用参考文献

图5缺少引用。

# CRediT作者贡献声明

马松：撰写——初稿，验证，方法论。李飞：撰写——审阅与编辑，项目管理，方法论。尹秀：方法论，数据整理，概念构思。刘曦宇：撰写——审阅与编辑，监督指导。胡阳恒：软件，调查研究，数据整理。

张兴：写作——审阅与编辑，监督，项目管理。马明尧：写作——审阅与编辑，监督。

利益冲突声明
作者声明不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能影响本论文中报告的工作。

致谢
本研究部分得到了国家自然科学基金的资助，项目编号为52177175。

马嵩|李飞|尹秀|刘希宇|胡扬恒|张兴|马明尧