混合微电网中基于统一时空深度学习方法的多标签故障检测

《Cleaner Energy Systems》：Multi-label fault detection in hybrid microgrid using a unified spatiotemporal deep learning approach

　　

本文提出了一种时间卷积网络-长短期记忆（TCN-LSTM）框架，用于混合交直流微电网（MG）中快速准确的故障检测与诊断。该模型通过扩张因果卷积有效捕获高频暂态，同时通过门控记忆机制学习长期故障演化模式。所提出的方法一致地识别多种故障类型，包括发生在0.03秒至0.06秒之间的ABC对地故障、三相故障和相间故障。该系统表现出强大的检测性能，在故障区间内所有受影响相的输出从0到1发生急剧跳变。对于A相故障，该模型实现了99.74%的准确率、99.97%的精确率、99.25%的召回率和99.61%的F1分数，基于53,877个真阴性（TN）、22,822个真阳性（TP）、6个假阳性（FP）和172个假阴性（FN）。组合多标签评估显示，TN为6.294×10⁴，TP为1.368×10⁴，FP为61.25，FN为195.8，展示了高精确率和极低的误分类。PR曲线（精确率-召回率曲线）和宏平均指标进一步证实了所有故障类别持续强劲的性能，表明TCN-LSTM架构为富含可再生能源的MG提供了一种鲁棒、实时且相位选择性的解决方案，以提高保护、可靠性和稳定性。

混合交直流微电网（Hybrid AC/DC Microgrid, MG）集成可再生能源、储能、电动汽车车队和异质负载，通过紧密耦合的交流（AC）和直流（DC）子网运行，提高了效率和弹性，但对不平衡负载和故障运行高度敏感。扰动通过互联变流器（Interlinking Converter, ILC）迅速传播，产生负序电流、电压不对称、直流母线振荡和变流器过流，尤其在并网与孤岛模式快速切换期间。现有保护方法多基于单一模型，难以同时捕获高频暂态和长期故障演化，因此需要一种统一的时空深度学习方法实现快速准确的多标签故障检测。研究人员提出了一种时间卷积网络-长短期记忆（Temporal Convolutional Network–Long Short-Term Memory, TCN-LSTM）框架，用于混合AC/DC MG中的故障检测与诊断。该模型利用扩张因果卷积（dilated causal convolution）捕获高频暂态，通过门控记忆机制（gated memory mechanism）学习长期故障演化模式，能一致识别多种故障类型，包括ABC对地故障、三相故障和相间故障。通过仿真实验，模型在A相故障检测中达到99.74%准确率、99.97%精确率、99.25%召回率和99.61%F1分数，基于53,877个真阴性（True Negative, TN）、22,822个真阳性（True Positive, TP）、6个假阳性（False Positive, FP）和172个假阴性（False Negative, FN）。组合多标签评估显示TN为6.294×10⁴，TP为1.368×10⁴，FP为61.25，FN为195.8，表明高精确率和极低误分类。该研究的重要意义在于提供了一种鲁棒、实时、相位选择性的解决方案，提高了富含可再生能源MG的保护、可靠性和稳定性。该论文发表在《Cleaner Energy Systems》。

研究人员为开展研究采用的关键技术方法包括：（1）时间卷积网络（TCN）通过扩张因果卷积提取多尺度时间特征，捕获高频暂态和短时模式；（2）长短期记忆（LSTM）网络通过门控机制学习长期依赖和故障演化动态；（3）多任务推理轻量级决策头，同时识别故障类型、严重程度和位置，并预测一步稳定性风险；（4）闭环控制，将检测结果直接链接到变流器设定点调整和负载协调等保护动作。所有数据基于MATLAB/Simulink仿真平台，在PC（Intel Core i7, 16 GB RAM, Windows 11）上运行。

**5.1 故障条件下的PCC电压和电流**
通过仿真波形展示了不同故障类型（ABC对地故障、ABC三相故障、AB相间故障、AC相间故障、BC相间故障）在0.03秒至0.06秒期间公共耦合点（Point of Common Coupling, PCC）处电压和电流的变化。结果表明，故障期间受影响相的电压急剧下降，电流出现尖峰，而正常相基本不变，验证了故障的典型特征。

**5.2 使用所提出的TCN-LSTM网络进行故障检测和保护**
通过TCN-LSTM网络的检测输出图显示，对于每种故障类型，检测通道在故障区间内从0跳变到1，准确指示故障发生和清除时间。混淆矩阵分析显示，A相故障检测中，真阴性（TN）53,877，真阳性（TP）22,822，假阳性（FP）仅6，假阴性（FN）172，导致准确率99.74%，精确率99.97%，召回率99.25%，F1分数99.61%。组合混淆矩阵显示总体TN为6.294