基于POA-VMD和物理约束卷积神经网络的非有效接地配电网单相接地故障段定位方法

《Electric Power Systems Research》：A single-phase-to-ground fault section location method for non-effectively grounded distribution networks based on POA-VMD and physics-constrained CNN

　　•基于余弦相似度的POA-VMD方法可实现自适应去噪，从而提取微弱的零序暂态故障特征。•由物理机制驱动的零序电流和累积功率特征有助于更精准地识别故障段。•基于物理约束的时间注意力卷积神经网络不仅能实现可靠的故障定位，还能提升模型的可解释性和适用性，同时便于在分布式网络的边缘设备上部署。引言随着分布式发电的不断整合，分布式网络的结构和运行模式日益复杂，从而导致系统不确定性显著增加。因此，单相接地故障的风险也在持续上升，这类故障占所有分布式网络故障的80%以上[1,2]。由于采用非固体接地中性点运行模式[3,4]，单相接地故障的电气特性本身较为微弱。与此同时，电能流动从单向变为双向进一步加剧了此类故障的暂态特性复杂性[5,6]。如果不能及时检测并定位单相接地故障，正常相位的绝缘薄弱点就容易发生破损，故障还可能发展成相间短路[7,8]。这种演变会扩大停电范围，严重威胁分布式网络的运行安全与供电可靠性。因此，在现代分布式网络中，准确定位单相接地故障的故障段具有极其重要的意义[9]。现有的故障段识别方法可分为传统基于特征阈值的方法和基于人工智能的方法。传统的故障分类方法通常需要手动从时域内的滤波后电流和电压时间序列信号中提取特征，再将其与预定义的阈值或模式进行比较[[10], [11], [12]]。在参考文献[13]中，是通过检测零序电流波形的凹凸性来识别故障的；而参考文献[14]则是通过分析伏安特性曲线的变化来确定故障状态。然而，这些方法依赖于线性的故障特性，在面对非线性故障时可能会失效。与稳态信号相比，暂态信号蕴含着更丰富的故障状态信息，因此越来越受到研究关注[[15], [16], [17], [18], [19]]。在参考文献[15]中，提出了一种优化方法，利用暂态零序电流的方向来定位单相接地故障的故障段。在[16,17]中，则利用零序电流的行波信号来检测故障馈线，且对故障电阻的敏感度较低。还有研究结合动态时间规整算法，提出了基于暂态电场分布特征的故障段定位方法[18]，但该方法受测量点密度和现场环境条件的限制较大。在实际应用中，传感器部署的限制以及复杂的现场环境进一步降低了其适用性。此外，在现实世界的分布式网络中，由于运行场景极为多样且存在严重的噪声干扰，仅依据单一故障特征来调整阈值极为困难[19]。随着机器学习的快速发展，人工智能技术越来越多地被应用于分布式网络中的单相接地故障段识别领域[[20], [21], [22]]。在参考文献[23]中，提出了一种结合自动编码器和反向传播神经网络的故障定位方法，通过自适应提取零序电压和电流特征来提高定位精度。另外，还有研究采用一维变分原型自动编码器作为零序电流信号的特征提取工具，用于识别高阻抗故障[24]，并在参考文献[25]中提出了基于深度图卷积网络的故障定位方法。在复杂的实际运行条件下，故障暂态特征的幅度往往较低，且极易受到噪声、过渡电阻以及运行干扰的影响，这会导致特征的可分离性降低，故障定位结果的稳定性不足。此外，大多数数据驱动模型过度依赖训练样本的分布和运行条件，其泛化能力与物理可解释性也会受到限制。鉴于分布式网络拓扑结构的复杂性以及分布式发电的广泛整合，现有研究仍难以满足精确识别故障段的需求[26,27]。为解决单相接地故障信号中暂态特征微弱且噪声较大的问题，本文提出的方法从四个方面入手：信号去噪、暂态特征构建、时间特征增强以及基于物理约束的学习。首先，采用基于POA-VMD的自适应去噪方法，通过余弦相似度筛选出有效的固有模函数分量，从而减少噪声对信号的干扰。其次，由于单相接地故障的信息主要集中于初始暂态阶段，因此从故障发生后的前半周期零序电流和零序功率中构建联合时空特征集，以此增强故障段与正常段之间的区分度。第三，为减少冗余时间样本的影响，采用了时间注意力机制，给关键的暂态区间赋予更高的权重，从而更精准地呈现具有辨识度的暂态特征。最后，为提升传统数据驱动模型的物理可解释性，通过基于物理约束的损失函数将与故障相关的物理信息融入训练过程，使模型输出更符合物理规律的故障特征。如此一来，既能有效捕捉微弱的暂态特征，提高模型的抗噪声能力，又能在复杂运行条件下实现准确且可解释的故障段定位。本文的主要贡献如下：(1) 提出了一种结合余弦相似度的自适应POA-VMD去噪方法，用于在噪声环境下提取微弱的暂态特征。针对单相接地故障的微弱暂态特征以及传统VMD方法的参数敏感性，该文采用POA算法自适应优化VMD的模数和惩罚因子，再通过余弦相似度筛选出有效的固有模函数，去除受噪声主导的模态，进而重构去噪后的信号。这一策略能够在保留故障主导的暂态信息的同时有效抑制背景噪声。(2) 基于瞬态零序电流和零序功率，构建了一种由物理机制驱动的时空特征集。不同于现有仅依赖时频电气量的方法，本文深入分析了单相接地故障在故障发生后的前半周期内的内在暂态演化规律，通过结合零序电流的变化趋势和零序功率的累积趋势来构建联合时空特征，从而进一步放大故障段与正常段之间的特征差异。所构建的特征集在高阻抗故障、分布式发电集成以及不平衡运行场景下仍具有很强的辨识能力。(3) 开发了一种基于物理约束的时间注意力卷积神经网络框架，以解决现有故障段定位方法稳定性不足及物理可解释性差的问题。与大多数采用简化控制方程残差或一般守恒定律约束的物理信息深度学习方法不同，该框架引入时间注意力机制，能够自适应突出故障暂态能量的关键演化过程。同时，还结合故障演化机制设计了分阶段的训练策略：在初期采用交叉熵损失进行数据驱动的特征学习，后期逐步引入带有可学习自适应权重的物理约束损失。这样的设计能够有效提升模型的可解释性和泛化能力。片段内容零序暂态电流特征本文分析了具有n条馈线的分布式网络中低电流接地故障的暂态阶段。如图1所示，正常段的零序电容电流、故障段的零序电流以及补偿电流分别用不同颜色的箭头标出，C0,s表示第s段（S=1,…,9）的零序对地分布电容，U0f表示故障点的虚拟电源，Rf为接地过渡电阻。提出的故障段定位方法本文提出了一种融合暂态零序多物理特征与物理约束深度学习模型的故障段确定方法。该方法聚焦于故障初期的暂态信息，通过结合信号去噪、物理特征构建以及可解释的人工智能模型，实现对故障发生后各段的高精度且稳健的识别。噪声抑制为验证所提出的POA-VMD去噪方法的有效性，本文选取了从实际试验场地采集的接地故障测试信号作为样本。在该实验中，分解数K的搜索范围设定为3–15，惩罚因子α的搜索范围设定为100–5000，种群大小设定为15，迭代次数设定为10。此外，还采用包络熵作为适应度函数。经过多次迭代后，得到了最优解。与其他方法的比较本节对比了几种具有代表性的单相接地故障段定位方法，包括线性优化模型[15]、基于小波变换的方法[16]、自动编码器与特征融合方法[23]、最小击中集算法[27]以及离散Fréchet距离方法[32]。比较内容涵盖了各方法的工作原理、主要局限性以及工程应用性。为保证公平比较，上述所有方法均统一使用表10中的测试样本。结论为解决非有效接地分布式网络中单相接地故障的暂态特征微弱以及运行条件复杂的问题，本文提出了一种基于物理约束的故障段定位方法。通过自适应POA-VMD方法保留了有用的故障信息，同时结合零序功率的累积趋势提取了故障段与正常段之间的差异特征。还将物理约束嵌入训练过程，从而提升了方法的性能。CRediT作者贡献声明王倩：写作——审阅与编辑、监督、方法论、研究、概念构建。曹一辰：写作——初稿撰写、方法论。孙志寅：软件、资源。张龙彪：资源、方法论、研究。张新红：资源。安晓宇：写作——审阅与编辑、方法论、概念构建。王倩|曹一辰|孙志寅|张龙彪|张新红|安晓宇