集成机制引导与代价敏感学习的低压配电网自适应保护方法

《Electronics》：An Adaptive Protection Method for Low-Voltage Distribution Networks Integrating Mechanism-Guided and Cost-Sensitive Learning

　　

在低压配电网中，负荷切换、感应电动机启动、光伏出力变化以及短路故障可能产生高度重叠的电气特征，这可能导致传统保护误动或拒动。针对这一问题，研究人员提出了一种集成物理引导与代价敏感学习的自适应保护方法。首先，基于故障叠加网络约束和系统等效阻抗的变化特性，构建了增量拓扑约束偏差和电压-电流轨迹曲率，从而能够区分短路故障与非故障暂态扰动。然后，开发了一种代价敏感物理引导的极端梯度提升（XGBoost）模型，在该模型中，目标函数中引入了基于故障电流增量的权重，以增强对弱故障样本的学习能力。此外，设计了基于时间一致性的保护动作逻辑，通过滑动窗口确认和多数投票来抑制孤立的异常预测。在含分布式光伏发电的0.4 kV低压配电网上的仿真和基于RTDS的实时验证结果表明，所提方法提高了弱故障检测灵敏度，并降低了复杂源-荷扰动下的误动。该方法仅依赖本地测量，具有在低压智能保护终端中部署的潜力。

**论文解读：集成机制引导与代价敏感学习的低压配电网自适应保护方法**

**研究背景与问题**

低压配电网位于电力系统末端，直接向广泛分布的终端用户供电。由于其线路电阻与电抗比值较高，运行状态易受负荷切换、设备启停等随机扰动的影响。传统过流保护通常以电流幅值超过预设阈值作为动作判据，但在大容量电机启动或负荷突增时，涌流易导致保护误动；而在线路末端短路或高阻抗故障时，弱电流增量可能导致保护拒动。随着分布式光伏（DG）渗透率提高，故障电流的幅值、方向和序特征发生改变，进一步削弱了传统保护定值的适用性。现有区域电流保护、方向过流保护及自适应故障电流注入方法虽改善了DG接入下的选择性，但仍依赖保护定值协调、方向信息或主动控制，未能充分解决弱故障特征与非故障暂态重叠的问题。此外，现有基于机器学习的方法（如随机森林、极限学习机、卷积神经网络等）虽能建立多维电气特征与故障状态的非线性关系，但部分方法需要大量时域、频域或时频域特征，模型结构复杂，且输入特征与故障电气机理的关联不够明确。极端梯度提升（XGBoost）虽具有良好性能，但常规XGBoost在训练中对不同样本赋予相同权重，未充分考虑弱故障拒动与非故障误动之间的工程代价不平衡，导致对末端故障和高阻抗故障的识别能力不足。因此，亟需一种结合物理机制与数据驱动、仅依赖本地测量且能适应复杂源-荷扰动的低压配电网自适应保护方法。

**研究内容与结论**

研究人员提出了一种集成物理引导加权XGBoost与时间一致性确认的故障识别方法。该方法首先基于故障叠加网络约束和系统等效阻抗变化特性，构造了增量拓扑约束偏差和电压-电流轨迹曲率两个物理可解释特征，用于区分短路故障与非故障暂态扰动。然后，开发了代价敏感物理引导的XGBoost模型，在目标函数中引入基于故障电流增量的样本权重，增强对弱故障样本的学习能力。最后，设计了基于滑动窗口确认和多数投票的时间一致性保护动作逻辑，抑制孤立异常预测。在0.4 kV多分支辐射状低压配电网（含分布式光伏）上，通过MATLAB/Simulink仿真和RTDS实时验证，结果表明：该方法弱故障检测率达96.14%，非故障误动率仅1.61%；对500 Ω末端三相短路故障检测率达82.64%；在双光伏接入时弱故障检测率仍达92.36%；在测量误差、线路参数偏差和拓扑变化组合不确定性条件下，弱故障检测率保持92.78%，非故障误动率3.33%。RTDS实时测试总体故障动作率92.22%，非故障误动率2.22%，平均动作时间11.80~18.90 ms。该方法仅依赖本地电压电流测量，无需双端通信，XGBoost推理单样本平均耗时1.398 μs，模型存储34.385 kB，具有在低压智能保护终端中部署的潜力。论文发表在《Electronics》。

**主要关键技术方法**

研究人员主要采用以下关键技术方法：（1）基于故障叠加网络约束，利用本地电压电流增量构造增量拓扑约束偏差，表征电压-电流增量比值与系统等效阻抗的偏离程度；（2）基于电压-电流相平面轨迹的曲率计算，利用二阶差分刻画等效阻抗突变特征，区分短路故障与感应电动机启动；（3）建立代价敏感物理引导的XGBoost模型，将故障电流增量幅值转换为物理引导权重，在目标函数中增加弱故障样本的损失惩罚；（4）设计基于滑动窗口（5点）连续确认与多数投票的时间一致性保护动作逻辑，抑制单点异常预测。样本来源于MATLAB/Simulink仿真生成的0.4 kV含分布式光伏配电网模型，按75%训练集和25%测试集划分，共14800个样本。

**研究结果**

**5.1 构造特征的适应性验证**：通过比选不同工况（中后段低阻故障、末端高阻故障、负荷突增、电机启动、光伏出力变化），验证了增量拓扑约束偏差和轨迹曲率能有效区分短路故障与非故障扰动。即使弱故障电流增量仅0.240 p.u.，模型输出故障概率仍达0.884，而非故障扰动概率均低于0.20。

**5.2 不同模型性能对比**：以弱故障检测率和非故障误动率为指标，对比常规过流保护、常规XGBoost、物理引导加权XGBoost及所提方法。常规XGBoost弱故障检测率88.54%，非故障误动率4.33%；引入物理引导权重后检测率升至96.01%，误动率降至3.22%；加入时间一致性确认后检测率保持96.14%，误动率进一步降至1.61%。

**5.3 不同故障电阻下的保护性能**：固定故障位置0.95 km，设置20~500 Ω故障电阻。常规过流保护在500 Ω时检测率仅0.69%；常规XGBoost为65.28%；所提方法在20、100、500 Ω下检测率分别为91.32%、88.19%、82.64%，显著优于对比方法。

**5.4 不同分布式光伏运行状态下的保护性能**：固定末端故障（20 Ω），改变光伏接入状态。无光伏时检测率95.49%，单点接入时94.79%/93.40%，双点接入时92.36%，而常规XGBoost在双点接入时降至86.81%，表明所提方法在不同光伏状态下适应性良好。

**5.5 同时发生非故障扰动下的保护可靠性**：构建144个同时扰动案例（电机启动+负荷突增等）。所提方法非故障误动率仅2.08%，低于常规过流保护（15.28%）、常规XGBoost（6.25%）和物理引导加权XGBoost（4.17%）。

**5.6 测量与系统不确定性下的鲁棒性**：引入高斯白噪声（信噪比40~10 dB）、本地电压电流通道同步偏差（1~3采样间隔）、电流互感器比差（±1%~±5%）、线路参数偏差（±5%~±15%）及拓扑变化。在组合不确定性（30 dB噪声+1采样间隔失配+±3%比差+±10%线路参数+切除两个支路负荷）下，弱故障检测率仍达92.78%，非故障误动率3.33%。

**5.7 计算负担与实时实现能力**：XGBoost模型含70棵深度为3的决策树，单样本推理时间1.398 μs，模型存储34.385 kB。在线执行间隔0.1 ms时处理器占用约1.40%，1 ms时约0.14%。

**5.8 基于RTDS的实时验证**：独立生成180个RTDS测试案例（90个故障，90个非故障）。总体故障动作率92.22%，非故障误动率2.22%，故障平均动作时间11.80~18.90 ms。

**总结与讨论**

讨论部分指出，所提方法基于物理引导的加权XGBoost和时间一致性确认，有效提升了弱故障检测灵敏度并降低了非故障误动率。特征构造框架同样适用于风电接入的配电网，因为其由故障叠加网络约束和系统等效阻抗变化决定，而非DG类型。但实际应用中需考虑风电机组故障穿越控制、限流及控制模式切换的暂态效应。未来工作将针对不对称故障，使用相域或序分量重建增量拓扑约束偏差和轨迹曲率，并重新训练模型；还将研究不同DG渗透率、多种DG混合接入、动态重构网络拓扑、更复杂的扰动组合及更广泛的源-荷运行条件。

**研究结论翻译**：本文提出了一种集成物理引导加权XGBoost分类器与时间一致性确认的自适应保护方法，用于识别含DG和复杂源-荷扰动的低压配电网故障。首先，构造了增量拓扑约束偏差和暂态电压-电流轨迹曲率，以表征不同运行条件下故障叠加网络约束和系统等效阻抗变化的差异，这些特征能够有效区分短路故障与非故障暂态扰动，包括负荷切换、感应电动机启动和光伏出力变化。其次，开发了代价敏感物理引导的XGBoost模型，以处理不同误分类的工程代价不平衡。将反映故障严重程度的电流增量幅值转换为物理引导样本权重并纳入目标函数，从而在迭代训练中增加对弱故障误分类的惩罚。此外，设计了基于滑动窗口确认和多数投票的时间一致性保护逻辑，以抑制孤立的预测异常，减少复杂源-荷扰动下的误动。在测试系统中，所提方法实现了96.14%的弱故障检测率和1.61%的非故障误动率。对于500 Ω末端三相短路故障，检测率为82.64%；在双光伏接入时，检测率为92.36%。在包含测量误差、线路参数偏差和拓扑变化的组合不确定性条件下，弱故障检测率仍保持92.78%，非故障误动率3.33%。RTDS实时测试总体故障动作率92.22%，非故障误动率2.22%，平均动作时间11.80~18.90 ms。所提保护方法仅依赖本地电压电流测量，无需通信辅助的双端信息，表明其在智能低压保护终端中具有实施潜力。定量计算测试显示，最终XGBoost分类器（含70棵深度为3的决策树）平均单样本推理时间1.398 μs，序列化模型存储34.385 kB，在线执行间隔0.1 ms和1 ms时推理阶段处理器占用分别约为1.40%和0.14%，为所提方法在智能低压保护继电器中的低推理负担和实施潜力提供了定量证据。