基于格拉米角场与卷积神经网络的配电网故障选线方法

《CSEE Journal of Power and Energy Systems》:Fault Feeder Detection Method of Distribution Network Based on Gramian Angular Field and Convolutional Neural Network

【字体: 大 中 小 】 时间:2026年04月14日 来源:CSEE Journal of Power and Energy Systems 5.9

编辑推荐:

  为了解决谐振接地系统单相接地故障电流微弱、传统选线方法难以准确提取故障特征的问题,本文开展了一项基于格拉米角场(GAF)和卷积神经网络(CNN)的配电网故障选线方法研究。研究通过建立包含三种不同拓扑的混合数据库,利用GAF将零序电流转换为特征图像,并训练CNN进行故障线路判别。仿真与现场测试数据验证表明,该方法具有高准确度,并对噪声、数据丢失等多种干扰具有鲁棒性,为复杂配电网的故障精准、普适性检测提供了新思路。

  
在当今社会,电力是支撑经济发展与社会运行的“血液”,而中低压配电网则是将电力输送至千家万户的“毛细血管”。据统计,配电网中单相接地故障(Single-Phase Grounding Fault, SPGF)的发生概率极高。为了提高供电可靠性,广泛采用的非有效接地方式(如经消弧线圈接地)在发生单相接地故障时,允许电网带故障继续运行1-2小时。然而,这背后也隐藏着巨大风险:故障点可能产生间歇性电弧,引发过电压,长期存在会损坏系统绝缘,甚至导致故障扩大为两相短路,造成更严重的停电事故。因此,如何快速、准确地“揪出”故障线路并切除,成为保障配电网安全稳定运行的关键难题。
传统上,基于幅值、相位等特征的选线方法在简单的辐射状网络中表现尚可。但随着分布式电源大量接入、网架结构日益复杂,故障特征变得微弱且多变。如图3所示,在不同过渡电阻下,故障线路与健全线路的零序电流相位关系不再严格相反,幅值规律也发生改变,传统方法的“固定判据”频频失灵。近年来,以决策树、支持向量机(SVM)为代表的智能算法被引入选线领域,但大多研究存在两大“软肋”:一是样本数据库多基于单一模型(尤其是辐射状网络)建立,面对其他拓扑类型的配电网时“水土不服”,普适性差;二是特征提取方法(如小波分解)复杂且依赖人工经验,需要手动设定基函数、分解层数等参数,不同的设置会导致特征提取效果迥异,直接影响故障检测的准确性。
为攻克这些难题,本文提出了一种融合格拉米角场(Gramian Angular Field, GAF)与卷积神经网络(Convolutional Neural Network, CNN)的新型故障选线方法。简单来说,该方法的核心思想是“让数据自己说话,让网络自己学习”。研究人员首先建立了一个强大的“训练基地”——混合数据库。这个数据库非同寻常,它包含了三种结构迥异的配电网拓扑模型样本:经典的辐射状网络、复杂的IEEE-13节点模型和长距离轻载的IEEE-34节点模型。通过用混合数据“喂养”CNN,训练出的神经网络参数综合考量了不同拓扑的特征,从而使得最终的故障检测模型具备了应对不同网架结构的“广谱”适应能力。接着,研究采用GAF变换作为“特征翻译官”。面对一维的零序电流时间序列,GAF巧妙地将每个数据点映射到极坐标系,并生成GASF(格拉米角和场)和GADF(格拉米角差场)两种二维特征图像。如图4所示,这种变换不仅保留了电流序列的幅值关系和时间顺序,确保每个点都有唯一确定的映射,而且自动完成了从一维信号到二维图像的特征转换,无需人工干预设定复杂参数,完美规避了因特征提取环节参数设置不当而影响最终结果的风险。生成的特征图像随后被送入一个精心设计的8层CNN(结构如图5所示)进行深度学习。CNN如同一个经验老道的“侦探”,通过其卷积层、池化层自动从海量图像中层层抽丝剥茧,提取出区分故障线路与健全线路的深层、抽象特征。经过大量训练确定网络参数后,对于待测的零序电流数据,只需先进行GAF变换生成图像,再输入训练好的CNN模型,模型便会输出该线路为故障或健全的概率,从而做出最终判断。整个选线流程如图6所示,清晰而高效。
本研究主要运用了仿真建模、格拉米角场变换和卷积神经网络三大关键技术方法。首先,在电磁暂态仿真软件中建立了辐射状网络、IEEE-13节点和IEEE-34节点三种典型的配电网模型,通过设置不同的故障位置、过渡电阻和故障初相角,生成了包含大量零序电流波形数据的混合样本库。其次,利用GAF变换将一维的零序电流(或零序电流突变量)时间序列编码为保留时序与幅值信息的二维特征图像(GASF和GADF图像)。最后,设计并训练了一个包含输入层、2个卷积层、2个池化层、3个全连接层和输出层的深度CNN模型,通过迭代训练确定网络参数,并利用该模型对特征图像进行分类,实现故障线路的智能识别。
研究结果
A. 故障特性分析
通过对谐振接地系统单相接地故障后的零序等效网络(图2)进行理论推导,明确了故障线路与健全线路零序电流的物理本质差异。健全线路的零序电流表达式相同,波形相似;而故障线路的零序电流幅值远大于健全线路,且流向相反。图3的仿真波形直观地验证了这些特性,但也显示出随着故障条件(如过渡电阻)变化,幅值与相位规律会发生变化,凸显了需要一种能适应多种故障条件的选线方法的必要性。
B. 基于CNN的故障选线
研究构建了一个8层CNN结构(图5),并详细阐述了卷积层、池化层、全连接层、输出层、Dropout层和损失函数的作用与计算原理。输出层通过Softmax函数将结果分为“健全”与“故障”两类概率,依据概率高低做出最终判断(公式13)。研究还通过观察损失函数变化,手动优化了CNN的结构参数,确定了“7-2-3-2”的卷积核与池化核尺寸组合(图11),以及Dropout层概率p=0.3(图12),最终确定的详细网络层结构见表III。
C. 仿真与验证
为验证方法的通用性,研究建立了包含辐射状网络、IEEE-13节点和IEEE-34节点三种拓扑的混合数据库(图7, 8, 9)。对于后两种本身不平衡的系统,采用采集零序电流突变量(公式17)的方式构建样本。通过GAF变换后,得到如图10所示的特征图像。研究设置了两个样本库:仅含辐射状模型样本的Database1和包含三种模型样本的混合Database2。
网络训练与特征提取可视化显示,CNN能有效学习并分离故障与健全样本的特征。如图13和图15所示,随着训练迭代进行,CNN高层特征空间中,不同类别的样本逐渐分离,同类样本更加聚集,证明了CNN强大的特征提取与分类能力。
模型验证结果(图16, 表IV)表明,在无干扰情况下,基于GAF+CNN的方法对辐射状模型数据库的测试准确率达到100%,对更复杂的混合数据库,GADF+CNN方法的准确率也高达96.43%,均高于作为对比的SVM方法。
D. 适应性分析
研究进一步测试了该方法在噪声、数据随机丢失、异步采样、数据比例变化及电弧接地故障等多种实际干扰下的鲁棒性。
  • •
    噪声测试:在原始信号中叠加20 dB、10 dB和5 dB的高斯白噪声(图17)。如表V所示,即使在5 dB的低信噪比下,GAF+CNN方法对混合数据库的选线准确率仍能保持在83.93%以上,表现出较强的抗噪能力。
  • •
    数据随机丢失测试:模拟通信过程中20%、40%和60%的数据包丢失情况。通过线性插值补全数据后,方法仍能保持较高准确率(表VI),尤其在数据丢失60%时,GADF+CNN对混合数据库的准确率仍有75%,显著优于SVM。
  • •
    异步采样测试:模拟各线路电流互感器采样不同步的情况。即使存在高达1/4周期的采样时延,GAF+CNN方法的准确率下降也很小(表VII),证明了其对采样同步性要求不高的优点。
  • •
    数据比例变化测试:改变训练集与测试集的比例。结果表明,即使仅用20%的数据进行训练,该方法对混合数据库的测试准确率仍超过89%(表VIII),展示了其在样本较少情况下的良好性能。
  • •
    电弧接地故障测试:建立了电弧接地故障模型进行测试。如表IX所示,GAF+CNN方法对含有电弧接地故障的混合数据库测试准确率达到94.64%,说明该方法能有效应对间歇性电弧接地这种复杂故障类型。
结论与讨论
本研究成功提出并验证了一种基于GAF和CNN的配电网故障选线新方法。该方法的主要贡献在于两点:一是通过建立包含多种拓扑的混合数据库训练CNN,显著提升了选线方法的普适性,使其能适应不同结构的配电网;二是采用GAF变换自动、唯一地将零序电流序列转换为特征图像,避免了传统特征提取方法中人工设置参数带来的不确定性,提升了方法的鲁棒性。仿真与适应性分析表明,该方法不仅在各种理想故障条件下具有高准确率,在噪声、数据丢失、异步采样、样本不均衡乃至电弧接地等复杂严苛的实际工况下,也表现出优越且稳定的性能。与SVM等传统智能算法相比,GAF+CNN方法在多数测试场景下准确率更高。
这项研究为解决谐振接地系统单相接地故障选线这一长期难题提供了一种精度高、适应性强的智能化解决方案。它将深度学习前沿技术(CNN)与新颖的信号编码技术(GAF)相结合,实现了故障特征的自动深度提取与智能识别,减少了对人工经验的依赖,为构建更自适应、更可靠的智能配电网保护系统奠定了坚实的技术基础。未来,随着更多真实场景数据(包括现场测试数据)的纳入与更优神经网络结构的探索,这一方法的性能与实用化水平有望得到进一步提升。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号