基于动态精确零序电流测量的配电网故障选线策略——一种数据-模型混合驱动方法

《Processes》：Fault Line Selection Strategy for Distribution Networks Based on Dynamic and Accurate Measurement of Zero-Sequence Current—A Data–Model Hybrid-Driven Method

　　

零序电流互感器（CTs）的测量精度问题长期以来一直是限制配电网故障选线准确性的关键因素。尽管现有研究方法在理论上相对成熟，但其现场应用受到零序CT测量精度的限制。为解决此问题，研究人员提出了一种基于动态精确零序电流测量的配电网故障选线策略。首先，从数据角度，研究人员分析了配电网不同运行阶段各电气量的故障特征。结合系统特性，随后提出了一种零序电流幅值的精确测量方法。之后，构建了一种由注意力机制优化的多尺度卷积神经网络（MCNN）增强的配电网故障选线算法。最后，基于IEEE标准测试系统的验证结果表明，所提方法增强了特征提取和侧信息聚合能力，实现了故障线路的高效准确定位，并在噪声条件下表现出强鲁棒性。

**论文解读文章**

**研究背景与问题**
配电网中零序电流互感器（CTs）的测量精度长期制约故障选线性能。现有理论方法虽较成熟，但现场应用受限于CT固有幅值误差和相位偏移，尤其在高阻接地故障时，微弱零序信号被测量失真掩盖，导致传统阻抗法、暂态零序相位法等固定判据失效。同时，传统深度学习模型如基础一维卷积神经网络（1D-CNN）和常规多尺度卷积神经网络（MCNN）缺乏自适应特征筛选机制，在弱故障信号和强噪声干扰下特征提取能力不足，泛化性能差。此外，现有智能算法多仅利用单一运行阶段（如消弧线圈补偿或低电阻接地）的故障信息，未充分挖掘柔性接地系统两阶段（消弧线圈补偿与并联小电阻投入）产生的丰富故障特征，信息利用率低。因此，亟需一种能校准CT测量误差、融合多阶段特征并具备强鲁棒性的故障选线方法。

**研究内容与结论**
研究人员提出一种数据-模型混合驱动方法，结合动态精确零序电流测量与改进的注意力机制多尺度卷积神经网络（Attention-MCNN），实现配电网故障选线。主要结论包括：1）基于柔性接地系统两阶段电气量耦合关系，推导零序电流幅值比特征，构建不受过渡电阻（R_f）影响的稳定判据，并设计动态校准算法消除CT测量偏差；2）改进的Attention-MCNN通过多尺度卷积（卷积核尺寸3、5、7）、全局通道注意力（结合全局最大池化GMP和全局平均池化GAP）、残差跳跃连接及自适应权重特征融合，在仅增加0.22 ms单样本推理时间下，将选线准确率提升至97.92%，满足20 ms工业实时要求；3）在IEEE 10 kV六馈线系统和IEEE 33节点系统（含分布式风电、光伏，渗透率50%）上验证，该方法在高阻故障（1000 Ω）、强噪声（20 dB）、三相负荷不平衡（50%）、混合架空电缆线路等复杂工况下，F1-score仍保持90%以上，优于传统方法及主流深度学习模型（如时序Transformer、图注意力网络GAT等）。论文发表于《Processes》。

**主要技术方法**
1. **动态精确零序电流测量方法**：利用消弧线圈补偿阶段母线零序电压与馈线电容电流的理论关系，计算各零序CT的幅值误差系数和相位偏移角；再基于并联小电阻投入后系统零序电流幅值变化率，通过最小二乘法（LSM）迭代求解校正系数，对原始采样数据进行同步幅值缩放和相移校准，消除CT传输误差、不平衡负载附加零序偏移及线路电容差异。
2. **改进的注意力多尺度卷积神经网络（Attention-MCNN）**：采用三分支多尺度卷积（核尺寸3、5、7），每分支含2个卷积层（通道数32→64）；引入全局通道注意力模块（并联GMP与GAP结合3×1卷积）实现特征权重映射；设计自适应权重特征融合策略（基于注意力权重比例替代直接拼接），减少参数冗余；残差跳跃连接贯穿所有分支以缓解梯度消失；训练使用Adam优化器，初始学习率0.001，每20轮衰减0.1，早停条件为验证集损失10轮不下降且准确率波动<0.3%。
*样本队列来源*：基于IEEE 10 kV六馈线柔性接地系统（含消弧线圈和并联低电阻RN=100 Ω，失谐度v=-8%）和IEEE 33节点系统（含分布式风电、光伏，渗透率10%~50%），模拟单相接地（金属性及50~1000 Ω高阻）、两相短路、两相接地短路、三相短路等故障，共生成2400~6000个样本，按7:2:1分为训练集、验证集、测试集。

**研究结果**
- **电气特性分析**：通过理论推导证明，在消弧线圈补偿阶段，故障馈线与健全馈线零序电流同向，仅靠幅值无法区分；在低电阻接地阶段，故障馈线电流新增余弦分量，其与正弦分量幅值比K与R_f无关，仅取决于失谐度v和系统参数，且余弦分量占主导，使健全/故障馈线电流相位差接近90°。零序电流幅值比ρ在健全与故障馈线间存在明显分界线，可构建选线判据。
- **算法精度与效率**：在IEEE六馈线系统上，所提方法选线准确率97.92%，优于传统阻抗法（71.67%）、暂态零序相位法（68.33%）、1D-CNN（87.08%）、随机森林（84.58%）和常规MCNN（90.83%），单样本推理时间仅4.37 ms，满足20 ms工业实时要求。
- **鲁棒性测试**：在混合架空电缆线路（准确率96.04%）、三相负荷不平衡50%（F1-score>92%）、强噪声20 dB（准确率89.17%）、超1000 Ω高阻故障（准确率仍高于对比方法6.59%）等工况下，所提方法均保持高鲁棒性。
- **大规模系统验证**：在IEEE 33节点系统（含高比例可再生能源50%）上，所提方法F1-score达97.07%，五次重复实验标准差仅0.87，优于对比模型（如时序Transformer F1-score 93.10%，图注意力网络92.50%）。
- **消融实验**：多尺度卷积提升F1-score 2.66%，残差模块再提升1.67%，注意力机制提升1.76%，动态精确零序测量提升0.93%，各模块协同增益，总提升7.02%。

**讨论与结论**
讨论部分指出，所提方法在标准测试系统和实际配电网中表现优异，但仍存在工程限制：老旧边缘终端计算能力有限，难以同时实现实时校正与模型推理；大规模异构现场采集设备时钟同步困难，若多通道时间同步误差超1 ms，幅值比计算精度将显著下降，整体识别准确率降低超10%。未来可从轻量化网络深度压缩、零序CT在线自校准算法、多源分布式配电网联合故障识别、基于现场实测数据的闭环迭代优化四个方向深入研究，以降低部署成本并提升长期运行稳定性。
**研究结论**：本文针对零序CT测量误差限制配电网故障选线准确率的工程难题，提出了一种融合动态高精度零序测量校准与改进注意力MCNN的数据-模型协同故障选线方案。基于IEEE 10 kV六馈线柔性接地系统和含高可再生能源渗透率的IEEE 33节点配电网的多场景仿真，通过定量指标充分验证了所提方法的卓越准确性、抗干扰能力和实时性。核心结论总结如下：利用两种运行模式下获取的电气量校准零序CT的幅值和相位偏差；多尺度卷积、残差模块、注意力机制和测量校准模块的联合效应使F1-score比基线MCNN提升7.02%，在基本测试系统上整体故障选线准确率达到97.92%，单样本推理时间仅4.37 ms，满足配电网20 ms的工业实时要求。各种场景下的仿真验证了所提方法的强鲁棒性，在混合架空电缆馈线、50%严重三相负荷不平衡、20 dB强噪声、1000 Ω超高阻接地故障以及50%高可再生能源渗透率等运行条件下，识别准确率仍保持在90%以上。在大规模IEEE 33节点配电网中，F1-score为97.07%，重复实验标准差仅为0.87。与传统相位比较法和常规深度学习模型相比，所提方法实现了显著的准确率提升，有效解决了零序CT测量误差引起的故障线路误判问题，在工程应用中表现出较强的实用性。