《Processes》：Complex Fault Diagnosis Strategy for Distribution Networks Based on Dynamic Variation Characteristics of Zero-Sequence Current
编辑推荐：
大规模高比例新能源并网以及网络规模的持续扩张使得配电网的暂态特性复杂化。传统故障诊断方法存在特征提取不充分和拓扑相关性捕获能力弱的问题，导致诊断精度下降。针对这一问题，研究人员提出了一种基于零序电流动态变化规律分析的配电网复杂故障诊断策略。首先，采用多元变分模
大规模高比例新能源并网以及网络规模的持续扩张使得配电网的暂态特性复杂化。传统故障诊断方法存在特征提取不充分和拓扑相关性捕获能力弱的问题，导致诊断精度下降。针对这一问题，研究人员提出了一种基于零序电流动态变化规律分析的配电网复杂故障诊断策略。首先，采用多元变分模态分解（MVMD）处理零序电流信号，有效融合多维零序电流数据并充分挖掘故障特征。此外，利用斑马优化算法（ZOA）优化MVMD的参数，以进一步提高特征提取性能。随后，采用图卷积神经网络（GCN）从处理后的波形中提取时间特征，增强了模型在高阻故障和典型扰动条件下的识别能力。最后，通过多个IEEE测试系统进行验证，证明了所提方法的有效性和可行性。
随着高比例新能源的大规模接入和配电网网络规模的持续扩张，暂态特性变得极为复杂。传统故障诊断方法在特征提取方面存在不足，难以充分挖掘弱故障信号中的信息，同时拓扑相关性捕获能力弱，导致诊断精度显著下降。高阻接地故障产生的微弱暂态特征与常规开关操作（如电容投切、负荷投切、励磁涌流）产生的扰动信号在时频域上高度相似，传统方法极易发生误判。此外，新能源并网引入的高频谐波和测量噪声进一步掩盖了故障特征，加剧了诊断难度。因此，开发一种能够充分利用多维零序电流数据、考虑网络拓扑关联并具有强泛化能力的高精度复杂故障诊断策略具有重要的工程价值和现实意义。该论文发表在《Processes》期刊上，为解决上述问题提供了新的技术方案。
研究人员提出了一种基于零序电流动态变化规律的配电网复杂故障诊断策略。该策略首先利用斑马优化算法（ZOA）对多元变分模态分解（MVMD）的惩罚因子和分解层数进行全局优化，实现多通道零序电流信号的联合分解与重构，充分提取故障特征。然后，构建多阶残差融合图卷积网络（MRF-GCN）结合自注意力机制，从处理后的波形中提取多尺度时空特征和全局拓扑依赖关系。同时，引入加权联合分布对齐（WJDA）模块，通过类别权重和特征加权系数缩小源域与目标域之间的数据分布差异，提升模型在不同工况和不同规模电网下的泛化能力。最后，在IEEE 9节点、33节点和118节点测试系统上进行了全面验证。
主要关键技术方法包括：（1）多元变分模态分解（MVMD），对多通道零序电流信号进行联合分解，获取多个窄带模态分量，实现多通道频率对齐；（2）斑马优化算法（ZOA），通过模拟斑马觅食和防御行为，全局搜索MVMD的最优惩罚因子（100–5000）和分解层数（2–12），避免手动调参引入的次优解；（3）多阶残差融合图卷积网络（MRF-GCN），采用1、2、3阶卷积核同时提取不同尺度的图结构特征，并通过残差跳跃连接缓解梯度消失；（4）自注意力模块，利用查询、键、值矩阵计算注意力分数，捕获所有节点间的长距离依赖关系；（5）加权联合分布对齐（WJDA），基于高斯核函数计算类别权重和特征加权系数，构建联合核矩阵，同时对齐类内和类间分布，减小域偏移。样本来源：利用MATLAB/Simulink搭建IEEE 9节点、33节点和118节点测试系统，生成8000个样本（5600训练、1200验证、1200测试），涵盖正常、低阻接地（0–10Ω）、中阻接地（10–100Ω）、高阻接地（100–1000Ω）、电容投切、负荷投切、励磁涌流共7类标签，并叠加0–20dB高斯白噪声及不同初始相位角（0°–90°）和光伏渗透率（15–50%）。
4.1 测试系统介绍
研究人员选择IEEE 9节点和33节点系统作为基础测试平台，并额外引入IEEE 118节点系统验证泛化性。设置总仿真时长0.5s，采样频率10kHz，故障发生时间统一为0.2s，初始相位角以15°步长在0–90°范围内均匀选取。单相接地电阻按低阻（0–10Ω）、中阻（10–100Ω）、高阻（100–1000Ω）分类，光伏渗透率在15–50%之间变化。通过MATLAB/Simulink生成原始零序电流信号，并划分为纯故障、噪声干扰（20dB、15dB、10dB、5dB）、混合扰动（故障叠加电容投切、负荷投切、励磁涌流）、多故障（同网络多点轻微接地）四类工况。总样本8000个，按7:1.5:1.5比例分为训练集、验证集和测试集。Pearson相关性分析表明，高阻接地故障与开关扰动信号的时频特征高度重叠，验证了多维分解的必要性。通过相关性阈值筛选，去除冗余特征，保留核心特征作为图卷积网络的输入。
4.2 算法精度与效率分析
研究人员将所提方法（ZOA-MVMD+MSGCNN）与四种主流方法（EMD+SVM、VMD+LSTM、小波变换+CNN、原始MVMD+GCN）进行横向对比。在无噪声纯故障条件下，IEEE 9节点和33节点系统的整体诊断准确率显示，所提方法达到97%以上，远高于其他方法（EMD+SVM低于80%，VMD+LSTM约85%，小波CNN约88%，原始MVMD+GCN约92%）。EMD因模态混叠导致特征提取不完整，SVM难以处理暂态变信号；VMD和LSTM虽优于传统方法，但单尺度时序或局部卷积无法挖掘拓扑相关性，在33节点系统中准确率下降明显。原始MVMD+GCN依赖手动参数，特征提取仍不充分。所提方法通过ZOA全局优化MVMD参数，充分分离多通道故障模式，结合多尺度图卷积和自注意力，准确捕获局部突变和全局拓扑依赖，因此准确率最高。单样本平均计算时间统计表明，所提方法总耗时低于30ms（约21–28ms），与波CNN相当，但准确率大幅领先，满足在线实时诊断的工程时限要求。
4.3 复杂工况可行性验证
研究人员在零序电流信号上叠加不同强度高斯白噪声（20dB、15dB、10dB、5dB），测试各算法准确率变化。随着噪声强度增加，所有算法准确率均下降，但所提方法在5dB强噪声下仍保持85%以上准确率，而EMD+SVM几乎失效（低于40%），VMD+LSTM和波CNN降至60–70%。所提方法的抗噪优势源于ZOA-MVMD精确分离故障模态与噪声模态，重构信号滤除高频噪声；WJDA模块抑制噪声引起的域偏移；自注意力聚焦有效故障特征，屏蔽干扰。在混合扰动工况下（高阻接地叠加电容投切、负荷投切、励磁涌流），所提方法的故障/扰动区分准确率均超过95%，而传统方法（如EMD、小波）仅依赖时频幅值特征，极易误判，准确率低于80%。收敛性分析显示，ZOA在100次迭代后达到最低包络熵（0.465），优于GA、PSO、DE和贝叶斯优化，且单次迭代仅16.1ms，平衡了收敛精度和计算速度。混淆矩阵表明，所提方法仅少量高阻接地样本与扰动样本混淆，总体误判数远低于对比算法；随机选取100组测试样本的散点图显示仅3组误判，准确率97%。在IEEE 118节点系统上，所提方法在准确率、精确率、召回率、F1-score（均超过96%）、训练损失（0.0874）和单样本推理时间（21.76ms）上全面领先对比算法，验证了在大规模、强耦合电网中的泛化能力。消融实验表明，移除自注意力模块或残差融合图卷积均导致准确率和F1-score下降，完整模型在较小推理时间增加下获得最优性能，证实了各模块的有效性。
总结讨论部分：本文针对高比例新能源接入背景下配电网复杂故障诊断问题，针对传统方法特征提取能力不足和拓扑相关性捕获不够的缺点，提出了一种基于零序电流动态变化分析的诊断策略。通过结合斑马优化算法优化的多元变分模态分解（ZOA-MVMD）和图卷积网络（GCN），所提策略实现了多维零序电流数据的有效融合、故障特征的充分挖掘，以及在高阻接地故障和典型扰动等复杂条件下的识别性能提升。在多个标准IEEE测试系统上的验证结果充分证实，所提方法在诊断准确率和环境适应性方面优于现有主流算法，能够为大规模新能源并网的新型电力系统配电网故障诊断提供可靠有效的解决方案。本文的研究结论为配电网故障诊断的工程应用提供了一种实用的新技术途径，并对相关电力系统运行与保护领域的研究具有一定的参考价值。
