一种用于配电网故障定位的小波嵌入残差注意力卷积神经网络

《Electronics》：A Wavelet-Embedded Residual Attention Convolutional Neural Network for Fault Location in Distribution Networks

　　

准确的故障定位对于提高配Vision配电网的可靠性和服务恢复能力至关重要。随着分布式发电、电力电子设备和柔性负荷的日益渗透，故障暂态信号呈现出越来越强的非线性和非平稳性，这对传统的基于阻抗法、行波法和人工特征工程的方法提出了挑战。为提高暂态故障特征表示能力，本研究提出了一种用于配电网故障定位的小波嵌入残差注意力卷积神经网络（Convolutional Neural Network, CNN）。该任务被构建为多分类问题，其中每个预先定义的线路区段被视为一个候选故障位置类别。所提方法将离散小波分解嵌入到卷积特征提取过程中，使低频趋势分量和高频暂态分量能够被后续可训练的网络模块联合表示和融合。残差连接改善了深层特征的传播，注意力机制增强了对故障敏感的特征表示。在IEEE 33节点配电网系统上的仿真实验表明，所提方法优于多层感知器（Multi-Layer Perceptron, MLP）、支持向量机（Support Vector Machine, SVM）、标准CNN、ResNet和Attention-CNN，达到了98.27%的准确率和98.33%的F1分数。在不同过渡电阻、噪声水平和故障类型下的类别层面结果和鲁棒性测试进一步验证了所提方法的有效性和适应性。

随着分布式发电、电力电子设备和柔性负荷在配电网中的渗透率不断提高，现代配电网呈现出双向潮流、故障电流贡献多变以及拓扑动态变化等复杂运行特性，这使得故障暂态特征日益非线性和非平稳化，给快速准确的故障定位带来了严峻挑战。传统的故障定位方法主要分为基于阻抗法和基于行波法两类。基于阻抗法的技术通过测量电压、电流量以及线路阻抗参数来估计故障距离或区段，虽然物理意义明确且实施成本相对较低，但其定位精度受故障电阻、负荷不确定性、分布式发电出力、参数误差以及等效电源建模假设等因素影响较大。基于行波法的方法利用故障产生的行波的到达时间、极性或波形特征进行定位，虽可实现较高的定位精度，但通常需要高频测量设备、可靠的波头检测、精确的时间同步和波速估计，这在复杂配电网中的实际部署受到限制。

近年来，人工智能方法在配电网故障诊断与定位领域得到了广泛研究。机器学习与深度学习模型能够建立故障测量与故障位置标签之间的非线性映射，从而减少对显式系统建模的依赖。然而，许多现有智能方法仍依赖人工设计的特征或外部信号预处理。特别是当小波变换仅作为预处理工具时，多尺度时频信息与深度特征学习过程相分离，可能削弱模型的端到端表示能力和特征融合能力。针对这一研究空白，研究人员提出了一种小波嵌入残差注意力卷积神经网络用于配电网故障定位，将小波分解更紧密地集成到特征学习过程中，使多尺度故障信息能够在网络内部得到表示和融合。

研究人员在IEEE 33节点配电网系统上开展了仿真实验以验证所提方法。该IEEE 33节点系统是一种常用于验证配电网保护和故障定位方法的理性辐射状配电网馈线，含有一个电源节点和32个负荷节点。故障定位任务被构建为多分类问题，32个线路区段作为故障位置类别，模型输出为故障区段标签而非连续距离值。数据集包含5000个故障样本，每个样本包含33个节点的信号，每个节点信号含50个采样点。样本涵盖了不同的故障位置、故障类型、故障合闸角（0°至330°，步长30°）、负荷水平（0.8倍、1.0倍、1.2倍标称值）以及分布式发电渗透率（0%、10%、20%）。

为避免信息泄露，数据集在场景层面进行划分：具有相同故障位置、故障类型、故障合闸角、负荷水平和分布式发电条件的样本被分配到同一数据子集。同时采用分层5折交叉验证策略，在保持32个故障位置类别分布平衡的前提下，将数据集分为5折，每轮使用4折训练、1折测试，最终性能取5轮平均值。网络训练采用交叉熵损失和AdamW优化器，小波滤波器选用固定的Daubechies 4（db4）基函数。

研究主要取得以下结果：

**小波嵌入残差注意力特征提取网络**：研究人员设计的整体框架包含三个主要组件：小波嵌入卷积层、小波残差注意力特征提取网络和故障定位分类输出。小波嵌入卷积层将离散小波分解嵌入CNN特征提取过程，输入特征经低通和高通滤波后进行下采样，得到低频近似分量和高频细节分量，沿通道维度拼接后经可训练卷积操作进行融合。该设计中，小波分解不再是孤立的预处理步骤，而是成为特征提取流程的组成部分，多尺度分量由后续可训练模块联合处理、融合和精炼。小波残差注意力特征提取网络由初始一维卷积层和堆叠的小波残差注意力块（Wavelet Residual Attention Block, WRAB）组成。每个WRAB依次包含小波嵌入卷积、深度可分离卷积、通道注意力操作和残差连接。深度可分离卷积先对每个输入通道独立进行深度卷积，再通过1×1逐点卷积进行通道信息整合。通道注意力采用挤压-激励结构，通过全局平均池化获取通道描述符，经两个全连接层生成通道权重，对故障敏感通道进行增强。残差连接则在输入输出维度匹配时采用恒等映射，不匹配时采用1×1卷积投影进行维度匹配。多个WRAB依次堆叠后，经全局平均池化得到深层故障特征，最终送入分类层输出故障位置类别的概率分布。

**故障定位性能与比较分析**：在与其他方法的比较中，研究人员将所提方法与MLP、SVM、CNN、ResNet和Attention-CNN进行了系统对比。所提方法获得了最高的准确率、精确率、召回率和F1分数。其准确率比MLP、SVM、CNN、ResNet和Attention-CNN分别高出7.59、3.33、1.46、0.67和1.20个百分点。类别层面的正确 location 率分析表明，所提方法在大多数候选区段上均保持高识别能力，最低类别正确率出现在F11区段（90.91%），大部分非完美区段仍保持91%以上的正确率。误分类分布分析显示，误分类样本主要集中在少数区段，最大类别错误率为F11的9.09%，且多数误分类被分配到前一相邻区段，非邻近错误极少出现，表明该方法很少产生大的定位偏差，这对实际故障隔离具有实用价值。在计算效率方面，所提方法的平均推理时间为1.05 ms/样本，虽略高于基线方法，但仍处于在线故障定位应用的可接受范围内。

**消融实验**：为验证各组件的贡献，研究人员构建了四个模型变体：CNN、CNN+小波、CNN+小波+残差、CNN+小波+残差+注意力（即完整模型）。结果表明，性能随模块增加而逐步提升：CNN+小波将准确率从96.80%提升至97.42%，表明小波嵌入模块能够丰富多尺度暂态特征；加入残差连接后准确率进一步达到97.98%，说明残差学习有助于改善特征传播和稳定深层特征提取；引入注意力机制后完整模型达到最优性能（准确率98.27%，F1分数98.33%），证实注意力机制可增强故障敏感信息并提高分类可靠性。

**鲁棒性分析**：在不同过渡电阻、噪声水平和故障类型下对所提方法进行了全面评估。过渡电阻影响方面，随着过渡电阻从0.01Ω增大至100Ω，准确率从98.09%下降至91.84%，F1分数仍保持在90.63%以上，表明该方法在高阻故障下仍能保留有效的定位特征。噪声影响方面，当信噪比（Signal-to-Noise Ratio, SNR）从40 dB降至10 dB时，准确率从97.96%逐渐下降至93.86%，F1分数在10 dB时仍达93.97%，说明模型具有一定的噪声容忍度，这归因于低频趋势信息和高频暂态信息的联合使用。故障类型适应性方面，单相接地、相间、两相接地和三相故障的准确率范围在98.07%至98.52%之间，F1分数均高于98.11%，显示出良好的故障类型适应性。

**结论**：研究人员提出了一种用于配电网故障定位的小波嵌入残差注意力卷积神经网络。通过将固定离散小波分解嵌入卷积特征提取过程，所提方法获得低频趋势信息和高频暂态信息，并由可训练的卷积、残差和注意力模块自适应融合。残差连接和注意力机制进一步改善了特征传播并增强了对故障敏感的特征表示。IEEE 33节点配电网系统上的仿真实验表明，所提方法优于经典机器学习和深度学习基线，平均准确率达98.27%，平均F1分数为98.33%。类别层面结果稳定，多数误分类限于相邻区段而非大偏差定位。不同过渡电阻、噪声水平和故障类型下的鲁棒性测试表明该方法对变化故障条件具有良好的适应性。该研究主要基于IEEE 33节点系统进行评估，未来需纳入更多实际配电网的现场实测数据，并进一步分析拓扑变化、分布式发电运行模式、负荷变化和测量误差的影响，同时聚焦于提高模型的泛化能力、计算效率和轻量化部署，以实现实际在线故障定位应用。