基于重构-分类神经网络的高阻抗故障检测方法在配电网中的应用

《Electric Power Systems Research》：High impedance fault detection method based on reconstruction-classification neural network in distribution networks

　　•基于物理原理的零序电流特征： “零偏”畸变现象与“逐渐上升”趋势。•双分支RCNN结合了重构偏差分析与趋势感知分类机制。•该数据驱动型AI检测器无需真实故障数据即可实现有效训练。•端到端处理延迟低于85毫秒，证明了其实时应用可行性。

引言
高阻抗故障在配电网中较为常见，约占所有故障的5%至10%[1]。由于接地电阻具有高阻抗特性，故障电流通常仅为负载电流的10%左右。传统的继电保护装置仅能检测20%的高阻抗接地故障[2]。由于导体与接地介质之间的接触不稳定，高阻抗故障往往伴随着电弧现象，这极易引发火灾[3]和人员伤亡[4]。因此，及时检测并隔离高阻抗故障对于确保配电网的安全稳定运行至关重要。

需要指出的是，用于高阻抗故障研究的实际数据收集存在固有局限。经过验证的高阻抗故障事件极为罕见且具有随机性，而在实际运行中获取可靠的真实标签十分困难；因此，已确认的故障案例数量以及所记录的故障类型多样性往往有限。此外，现场运行条件差异较大（如负荷构成、开关操作以及背景干扰等），现有的记录可能无法涵盖所有类似高阻抗故障的非故障场景。另外，受现场条件和仪器因素影响（如传感器容差、噪声水平以及测量链路差异等），在将检测方法应用于新的馈线时可能会引入测量不确定性及分布偏移。

目前用于高阻抗故障检测的方法可分为两个主要步骤：特征构建与特征识别。基于提取的故障特征，特征构建阶段又可分为两种方法：基于波形畸变特征的检测方法，以及基于波形长期趋势特征的检测方法。针对波形畸变特征，一些研究人员采用了多种数字信号处理技术来提取波形的谐波特征，例如滤波器[5]、傅里叶变换[6,7]、小波变换[8,9]以及模态分解[[10], [11], [12], [13], [14]]。在[5]中，提出了一种基于切比雪夫带阻滤波器和最小二乘拟合的方法，通过电压-电流几何特性曲线提取二次系数作为故障特征量。在[7]中，提出了一种基于快速傅里叶变换(FFT)的方法，从电流信号中提取三阶谐波作为故障特征量。在[9]中，开发了一种基于经验小波变换的方法，用于提取瞬态电流特征以实现故障检测。在[15]中，通过模态分解从植被相关高阻抗故障特征中提取高频成分，再结合提升决策树进行可靠检测，该方法已在真实的含噪声网络数据上得到验证。在[16]和[17]中，分别利用波形的凸凹性以及电压-电流特性曲线的斜率，来描述零序电流波形在过零点附近的“零偏现象”。至于波形的长期趋势特征，在[18]中，通过构建峰度指数从波形中提取累积特征。然而，检测波形的长期趋势特征通常需要较长的时间窗口，这不利于及时隔离故障。由于环境、接地条件及负荷状况的影响，时域特征表现出较强的非线性与随机变化性，因此很难从微弱的电流中提取出有意义的模式。这样一来，依赖先验知识的方法就无法全面捕捉高阻抗故障中复杂的、随机的电弧动态，进而难以有效建模和检测各种故障模式。

在特征识别阶段，方法可分为基于特征分析的识别与基于特征学习的识别两类。前者依靠先验知识来识别特征。在[18]中，就利用峰度指数来识别“逐渐上升”现象。这类方法都是基于先验知识构建的。而后者则基于机器学习技术。在提取特征后，这些特征会被输入到支持向量机(SVM)[14,19]、XGBoost[20]或专家系统[21]等模型中，通过智能算法学习故障特征的模式，从而对系统的运行状态进行分类，进而实现高阻抗故障的检测。随着人工智能技术的发展，大量基于深度学习的方法被应用于高阻抗故障检测领域，这些人工智能方法也被引入特征识别阶段用于高阻抗故障检测[22]。特别是，一些研究人员直接将原始信号输入到卷积神经网络(CNN)[[23], [24], [25], [26]]和长短期记忆网络(LSTM)[27,28]等神经网络中，从而实现故障特征的适应性提取以及故障类型的有效识别。不过，这些方法需要大量的真实数据，且历史故障数据集的完整性要求较高。而由于实际记录高阻抗故障较为困难，很难获取足够的数据，这就导致训练出的模型泛化能力较差。

为了解决故障数据不足的问题，一些研究人员[29,30]采用了迁移学习方法进行故障诊断。这类方法利用源领域中丰富的标注数据，来辅助目标领域中特征的学习，因为在目标领域往往只有少量甚至没有标注数据，从而提升目标领域的故障识别能力。

人工智能方法虽然需要大量的真实故障数据进行训练，但在实际中收集真实的高阻抗故障数据极为困难。因此，现有的数据量有限，不足以支撑有效的模型训练。有一些研究[24]尝试使用生成对抗网络(GANs)等技术进行数据增强，这在一定程度上缓解了数据短缺的问题，但往往会导致过拟合以及较差的泛化性能。这些局限性限制了这类模型在现实场景中的实际应用和推广。

为克服上述挑战，本文提出了一种结合计算流体力学(CAE)层与全连接层(FC层)的重构-分类神经网络(RCNN)。该网络的两个分支分别提取互补的波形特征：畸变特征（“零偏”现象）和趋势特征（“逐渐上升”现象）。由此提出了一种无需真实故障数据、且能够实现快速检测的特征融合型高阻抗故障检测方案。其主要贡献如下：
(1) 对高阻抗故障机制的物理层面阐释：本研究阐明了高阻抗介质的演变过程，并从物理角度解释了零序电流中的“逐渐上升”现象。这有助于深入理解高阻抗故障的行为规律，也为同时利用“零偏”和“逐渐上升”特征的设计策略提供了理论支持。
(2) 双分支、无需数据依赖的模型：本文设计了一种基于物理原理的RCNN，其中CAE层通过重构误差来检测“零偏”现象，而分类器则用于捕捉“逐渐上升”的趋势。该架构无需真实的高阻抗故障数据，因此可实现真正的零样本检测。此外，一种基于物理原理的置信度评估机制进一步提升了系统的稳定性，它可以通过量化畸变程度、抑制由瞬态现象引起的误报，从而支持在边缘设备上的部署。
(3) 全面的验证：通过仿真数据测试、原型实验以及真实故障案例的验证，该方法的检测准确率为100%，平均检测时间为80.3毫秒，其在准确率和检测速度方面均优于现有方法。

本文的其余部分结构如下：第二部分回顾了以往关于高阻抗故障检测的相关研究，并总结了它们在实际应用中的局限性。第三部分介绍了所提出的基于机制驱动的RCNN框架，包括馈线端零序电流的采集与预处理、零序电流到图像的转换、双分支重构-分类结构以及基于特征融合的决策准则。第四部分描述了实验设置与数据集情况，包括基于PSCAD的不同馈线配置的仿真系统，以及全尺寸/原型测试数据与真实电网故障记录。第五部分详细报告了主要的实验结果，包括与代表性基准方法的对比、用于验证两个分支作用的消融实验，以及用于评估实时应用可行性的运行时间测试。第六部分探讨了该方法的泛化能力与适应性、存在的局限性以及未来的研究方向。第七部分对全文进行总结。

高阻抗故障的建模与理论分析
图1展示了高阻抗故障的示意图及其物理建模模型。根据高阻抗故障的物理过程，故障处的非线性电阻Rg可以分解为空气间隙的电弧击穿电阻Rarc和高阻抗介质的击穿电阻Rbrk。
1) 电弧击穿电阻的推导
基于Mayr模型[31]，电弧电导的表达式为：
1g·dgdt=1τ(uiPL?1)
其中g为电弧电导，t为时间，PL为电弧耗散功率。

所提出的方法
基于前文的分析，本文将通过识别馈线零序电流信号中的“逐渐上升”现象与“零偏”现象来实现高阻抗故障的检测。具体的实施方法如下：

实验验证
本节利用三种互补的数据来源来评估所提出的基于RCNN的高阻抗故障检测器：基于PSCAD的示例系统、全尺寸/原型实验以及真实电网故障记录。

针对RCNN的消融实验
为验证两个分支的有效性，本文对RCNN进行了消融实验，即分别对两个分支进行独立训练，并在真实故障数据上进行测试。图15展示了在两种典型条件下的零序电流波形及识别结果。在变压器切换的情况下，如图15(a)所示，若仅依据零序电流的畸变特征进行检测，可能会因重构误差而导致错误判断。同样，在系统发生扰动时（见图15(b)），轻微的……

讨论
本项工作的技术贡献不仅在于性能的提升，更在于提出了一种机制驱动的设计思路，它将高阻抗故障检测的物理可解释性与实际应用可行性有机结合。所提出的RCNN是基于在高阻抗故障发生时，馈线端零序电流中反复出现的两种互补特征而设计的，即与畸变相关的“零偏”现象以及与趋势相关的“逐渐上升”现象。通过将这两种特征明确映射到两个独立的处理分支，并对它们的特征进行融合……

结论
为克服现有方法的局限性，本文提出了一种基于RCNN模型的高阻抗故障检测新方法。主要结论如下：
1) 根据理论推导，当发生高阻抗故障时，零序电流信号会呈现出明显的“零偏”和“逐渐上升”现象，这些现象与系统扰动时的特征有显著差异，因此可以利用这两种现象来实现高阻抗故障的检测。
2) 所提出的算法利用RCNN模型来提取高阻抗故障下的非线性特征，其中CAE层……

CRediT作者贡献声明
邢立峰：监督、软件、方法论、研究、形式分析、概念设计。董晓健：数据整理。袁家伟：可视化、软件。焦在斌：软件、方法论、研究。

致谢
本项目部分得到了国家自然科学基金委员会的支持，项目编号为52277124和52407138；部分得到了中国博士后科学基金的支持，项目编号为2024M752579；还有部分得到了中国博士后科学基金会的博士后 Fellowship Program（C类）的支持，项目编号为GZC20241342。

邢立峰|董晓健|袁家伟|焦在斌