《Electronics》：A Convolutional Neural Network(CNN)–Residual Network (ResNet)-Based Faulted Line Selection Method for Single-Phase Ground Faults in Distribution Network
Qianqiu Shao,
Zhen Yu and
Shenfa Yin
单相接地故障占配电网总故障的80%以上。然而，分布式电源（DG）接入使电网拓扑更加复杂，导致零序电流呈现出强非线性与非平稳性，这限制了传统故障线路选线方法的准确性。为解决这一问题，研究人员提出了一种基于卷积神经网络（CNN）–残差网络（ResNet）的配电网单相接地故障故障线路选线方法。首先，构建了一个10 kV电弧接地故障仿真试验平台，用于分析故障电流的非线性畸变特征。采用由排列熵（PE）优化的鲸鱼优化算法（WOA）–变分模态分解（VMD）算法对零序电流信号进行去噪。随后，采用Gram角差场（GADF）将一维信号转换为能够保留其时间特征的二维图像。通过融合由CNN提取的一维时域特征与由ResNet34提取的二维时频图像特征，构建了混合深度学习模型。Matlab/Simulink仿真和物理实验验证表明，所提出方法的训练准确率超过97%，在15次电弧接地故障试验中未记录到误判，与现有诊断算法相比，准确性显著提高。该方法能够适应高电阻接地和中性点接地方式变化等复杂场景，可有效提升故障线路选线的准确性与鲁棒性，并为配电网安全运行提供技术支持。
该文发表于《Electronics》，围绕配电网单相接地故障中故障线路选线精度不足这一关键问题展开研究。在35 kV以下配电网中，中性点非有效接地方式广泛应用，单相接地故障占比超过80%，若故障不能及时切除，可能引发绝缘击穿及更严重的系统事故。随着分布式电源接入，配电网拓扑及运行状态更为复杂，故障发生后零序电流信号表现出明显的非线性、随机性和非平稳性，导致依赖工频幅值、相位、导纳或暂态单一特征的传统模型驱动方法难以稳定辨识故障线路。现有方法虽引入小波、Hilbert变换、经验模态分解及机器学习等技术，但在高过渡电阻、电弧间歇性放电及复杂接地方式变化场景下，仍存在特征提取不充分、鲁棒性不足和泛化能力受限等问题。因此，开展面向复杂配电场景的多特征融合智能选线研究具有明确工程意义。
研究人员首先通过10 kV电弧高阻接地故障模拟试验平台，对电弧接地故障零序电流波形进行了实验分析，重点揭示了电流过零附近由电弧“零休”现象引起的非线性畸变特征，并将其作为故障识别的重要物理依据。在此基础上，提出一套端到端的故障线路选线方法：先以排列熵（PE）为适应度函数，利用鲸鱼优化算法（WOA）优化变分模态分解（VMD）参数，实现零序电流的自适应去噪与模态筛选；再通过Gram角差场（GADF）将一维零序电流映射为二维时频特征图；最后构建融合一维卷积神经网络（1D-CNN）与残差网络（ResNet34）的双分支深度学习模型，分别提取时域特征与图像空间特征，并通过通道级拼接完成特征融合，实现故障线路判别。仿真与试验结果表明，该方法在复杂工况下具有较高准确率和稳定性，在15次电弧接地测试中未出现误判，证明其具备较强工程应用潜力。
就研究意义而言，该文的价值主要体现在三个层面。其一，研究并非单纯依赖数据驱动分类，而是从电弧接地机理出发，明确了“零休”非线性畸变这一可解释的故障特征，为后续智能识别提供了物理基础。其二，研究构建了信号处理、图像表征与深度特征融合一体化技术路线，增强了对复杂零序电流特征的表达能力。其三，研究通过Matlab/Simulink模型与实体试验平台双重验证，证明方法不仅在仿真环境有效，也能在接近实际运行条件的场景中保持稳定性能，对现代配电网故障快速隔离和运行安全具有现实意义。
研究人员采用的主要技术方法可概括如下：首先，在10 kV电弧高阻接地故障试验平台及MATLAB/Simulink中性点不接地系统模型上采集零序电流样本，采样频率为25.6 kHz，每个样本含2048个采样点，并采用1024点滑动窗生成样本；其次，利用排列熵优化的WOA–VMD进行自适应去噪，通过筛除PE≥0.6的本征模态函数（IMF）保留关键故障成分；再次，采用GADF将一维信号转换为256 × 256二维特征图；最后，构建1D-CNN与ResNet34双分支融合模型，并通过消融实验、仿真测试和15次实体电弧接地试验验证方法性能。
以下结合论文主体结构对研究结果进行归纳解读。
2. Arc Ground Fault Test and Data Analysis
2.1. Test Platform
研究人员搭建了10 kV电弧高阻接地故障仿真试验平台。该平台由380 V电源柜供电，经升压变压器T1升至10 kV，系统包含4条配电线路：L1为电缆/架空混合线路，L2为电缆线路，L3为架空线路，L4为电缆/架空混合线路。研究中在L4架空线引出处设置接地点，并通过球隙模拟电弧高阻接地故障，使用Rogowski线圈采集接地故障电流，示波器采样频率设为25.6 kHz。该平台为分析电弧接地电流波形及验证后续算法提供了实验基础。
2.2. Analysis of Arc Ground Fault Waveform
在过渡电阻为2 kΩ、线路电容电流不同的条件下，研究人员测量故障零序电流波形。结果表明，虽然不同电容电流条件下的故障电流幅值差异较大，但在电流过零点附近始终存在由电弧“零休”特性引起的局部非线性畸变。该现象产生的原因在于，电流过零附近电弧熄灭后，弧道电气强度短时低于介质恢复强度，需待电压重新上升到一定程度后电弧才再次重燃。研究据此指出，这类零休畸变具有明确物理内涵，且不同于一般时域或频域统计特征，可作为电弧接地故障识别的重要依据。
3. WOA-VMD Algorithm Optimized by Permutation Entropy
3.1. Permutation Entropy
研究人员将排列熵引入零序电流分析，用于度量时间序列的复杂度与随机性。通过相空间重构、符号序列排列和Shannon熵计算，可获得归一化后的PE值。文中将重构信号中保留IMF分量的PE均值定义为适应度函数，PE越小，表明信号越规则、噪声成分越少。该指标为后续VMD参数优化和模态筛选提供了定量依据。
3.2. Variational Mode Decomposition (VMD) Algorithm
研究人员详细介绍了VMD的基本思想，即将原始信号分解为若干具有有限带宽的本征模态函数，并通过约束变分模型和增广拉格朗日方法求解各模态中心频率与带宽。相较经验模态分解，VMD能够减少模态混叠并提高非平稳信号分解稳定性。该方法适用于故障零序电流这类包含复杂扰动和多尺度分量的信号处理任务。
3.3. Whale Optimization Algorithm (WOA)
为避免VMD参数依赖经验设定，研究人员采用WOA对模态数K和惩罚因子α进行优化。该算法模拟座头鲸围捕、螺旋气泡网攻击和随机搜索行为，在全局搜索与局部开发之间动态平衡，从而获得更优VMD参数组合。通过将PE作为适应度函数，研究实现了面向信号复杂度最小化的参数自适应寻优。
3.4. Algorithm flow
研究人员提出的PE优化WOA–VMD流程包括：利用WOA搜索最优VMD参数；对零序电流进行VMD分解；计算各IMF的PE；剔除PE≥0.6的噪声主导分量；重构其余IMF获得去噪信号。由此可见，该方法不仅实现了噪声抑制，而且尽量保留了电弧“零休”畸变等关键故障信息。
4. Two-Dimensional Image Conversion Method Based on Gram Angular Difference Field (GADF)
针对传统一维信号处理特征表达不足的问题，研究人员采用GADF对去噪后的零序电流进行图像化编码。方法先将信号归一化至[?1,1]，再映射到极坐标空间，以角度表示幅值、以半径编码时间，之后利用角度差的三角函数关系构造二维图像。论文指出，该转换在保留时间序列时序关系的同时，将局部梯度、相位推进和暂态变化编码到纹理与空间分布中，使卷积网络更容易提取具有区分性的故障特征。
5. CNN–ResNet-Based Faulted Line Selection Method for Single-Phase Ground Faults in Distribution Networks
5.1. Step 1: Collection and Initial Normalization of Raw Zero-Sequence Current Signals
研究人员在各馈线首端同步采样暂态与稳态零序电流，以25.6 kHz固定采样率获取信号，并对原始一维序列归一化处理，以削弱量纲影响并为后续分解和图像转换奠定基础。
5.2. Step 2: Denoising and Reconstruction of Zero-Sequence Current via Permutation Entropy-Optimized WOA-VMD
在这一阶段，研究通过PE优化WOA–VMD对零序电流实施去噪。研究结果表明，该步骤能够有效压制噪声干扰，并较好保留电流过零附近最具辨识度的非线性畸变特征，为后续深度学习输入提高信噪比。
5.3. Step 3: Conversion of 1D Denoised Signal to 2D Time-Frequency Feature Map via GADF
研究人员将去噪后的一维信号转换为256 × 256二维特征图。结果显示，这种转换方式能够在保持时序特性的同时增强故障特征的显性表达，使隐藏于原始波形中的结构信息更易于被网络捕获。
5.4. Step 4: Dual-Branch Feature Extraction and Fusion via CNN-ResNet34 Hybrid Model
研究构建了双分支混合模型：1D-CNN分支用于提取稳态零序电流时域特征，ResNet34分支用于提取GADF图像的时频空间特征。前者经卷积、归一化、激活和全连接层输出128维特征；后者利用预训练ResNet34并微调末端分类层，同样输出128维特征。随后，两类特征通过通道拼接完成融合。研究结果表明，这种融合机制优于单一时域或单一图像输入模型，说明两种模态特征具有明显互补性。
5.5. Step 5: Faulted Line Prediction and Decision-Making via State Classifier
融合特征被输入分类器后，输出各馈线的故障概率分布，并以最大概率对应馈线作为判决结果。该环节实现了从原始信号到故障线路判定的端到端处理。
6. Result Analysis
6.1. Dataset and Parameter Settings
研究以试验平台对应的配电网为对象，在MATLAB/Simulink中建立中性点不接地系统模型，在不同故障位置采集间歇性电弧故障样本。样本采样频率为25.6 kHz，每个样本2048点，按8:2划分训练集和验证集。网络训练在含NVIDIA GeForce RTX 3060 GPU的工作站上进行，采用网格搜索确定超参数，最终设置学习率为0.0001，Batch Size为8，优化器为随机梯度下降（SGD）。
6.2. Ablation Experiment
6.2.1. Comparison of Ablation Experiments on Front-End Preprocessing
为验证不同输入表征方式对故障诊断性能的影响，研究人员将GADF与调制转移函数（MTF）及直接频谱图（DS）方法进行比较。在后续特征提取模块保持一致的前提下，GADF方法表现出更高的故障诊断准确率。论文解释认为，GADF通过极角差分将时间序列的局部变化和相位演化编码到二维纹理中，更利于卷积网络捕捉时间依赖关系；相比之下，MTF难以准确量化非线性畸变特征，DS又易受基波强能量峰掩蔽，难以突出弱畸变成分。因此，GADF在电弧高阻接地非平稳场景下具有更优鲁棒性和区分能力。
6.2.2. Comparative Analysis of Model Ablation Experiments
为验证CNN–ResNet架构的必要性，研究构建了CNN–ResNet、2D-ResNet和1D-CNN三组对比模型。结果表明，所提融合模型在训练初期准确率上升快、损失下降快，在18轮训练后准确率超过97%并保持稳定；训练集与测试集曲线趋势一致，未出现明显欠拟合或过拟合。对4666个测试样本进行评估后，混淆矩阵显示所提方法在故障线路选线准确性上优于两类单分支模型。该结果表明，一维时域特征与二维图像特征融合能够显著提升故障识别效果。
7. Experimental Analysis
考虑到仿真与真实场景存在差异，研究人员进一步在实体试验平台上验证模型性能。文中指出，所提方法具备良好实时性：PE优化VMD及图像编码耗时约0.4 s，深度学习识别耗时约0.2 s，总选线时间小于0.6 s。复杂度分析给出了每轮运行时间、浮点运算量（FLOPs）、可训练参数量和存储占用等指标，说明该方法具有实际部署可行性。进一步地，研究随机在4条馈线中选择线路和相别开展15次电弧接地试验，测试样本直接来源于试验平台且模型无需重新训练。结果显示，该方法在全部15次试验中均能准确选出故障线路，未出现误判，验证了其工程适用性与泛化能力。
讨论部分表明，该研究的核心贡献在于将电弧接地的物理特征识别、信号自适应去噪、二维图像表征及双分支深度特征融合有机结合，从而提高了复杂配电网场景中的故障选线精度与鲁棒性。与此同时，论文也明确指出该方法主要依赖电弧故障中的“零休”特性，因此对于不具有明显非线性畸变的非电弧、低阻单相接地故障，其性能可能受限。后续工作将通过扩充非电弧故障数据集、优化特征提取与分类模块，增强模型对多类型故障的识别能力，以拓展工程应用范围。
结论部分可译为：针对配电网单相接地故障故障线路选线问题，本文提出并验证了一种基于CNN–ResNet的融合选线方法。首先，通过专门的电弧接地故障试验，明确了故障零序电流在过零点附近的“零休”非线性畸变特征。该独特物理现象来源于电弧放电机理，为针对性故障识别提供了关键理论与实验基础。其次，本文提出了三项方法学创新以增强故障特征提取与识别精度：一是引入由排列熵优化的WOA–VMD算法对零序电流进行去噪；与传统信号处理方法相比，该算法在处理非平稳故障信号时表现出更优的适应性和稳定性，能够在抑制干扰的同时有效保留关键畸变特征。二是采用GADF实现故障信号可视化，通过将一维时间序列信号转换为二维时频图像，图像中的颜色梯度、空间分布和拓扑结构丰富了原始一维信号难以直接获取的隐含特征信息。三是构建融合CNN与ResNet34的双分支混合深度学习模型，从原始一维时间序列数据和二维GADF图像中协同提取判别特征，相较于1D-CNN和2D-ResNet网络实现了更全面的特征挖掘，并显著提升了故障线路选线的鲁棒性。最后，仿真与实验验证证实了所提方法在复杂运行条件下的性能。对于过渡电阻为0~2000 Ω且故障初相角不同的单相接地故障，该方法均保持了较高选线准确率，为现代配电网中的快速故障定位、运行安全保障和运维决策提供了可靠技术方案。
