11 kV配电网故障电阻估计与多故障分类：一种抗噪机器学习框架

《International Transactions on Electrical Energy Systems》：Fault Resistance Estimation and Multifault Classification in 11-kV Distribution Networks: A Noise-Resilient Machine Learning Framework

　　

摘要：故障电阻的准确估计与故障类型的可靠判别是中压配电网保护与自愈能力的基础，然而这两项任务都受到高阻抗故障（HIF）的严重干扰，此类故障电流幅值低且变化不定，可规避传统的过流保护与距离保护。本文提出一种抗噪机器学习框架，在仿真11 kV辐射状配电馈线上执行连续故障电阻回归与多类别故障类型分类。研究人员在MATLAB/Simulink–Simscape中构建了高保真电磁模型，包含35 MVA戴维南等效电源、总长10 km的两段级联π型线路、5 MVA配电变压器以及聚合下游负荷。自动化蒙特卡洛流程生成了6000个单相接地（AG）故障案例，故障电阻在0.01–500 Ω区间内按对数均匀采样，另有3500个案例涵盖七种典型故障类型。在10 kHz采样率下，从故障前与故障后电压、电流窗口中提取了22个具有物理可解释性的特征，涵盖故障相与非故障相幅值、不对称指数、零序分量以及派生阻抗量。研究人员训练了梯度提升机（GBM）、随机森林（RF）和支持向量机/支持向量回归（SVM/SVR）模型，并在干净及含噪测量条件下（信噪比SNR为10–50 dB的加性高斯白噪声）进行基准测试。在干净条件下，GBM回归器达到R2=0.9961，RMSE=8.73 Ω，MAE=4.21 Ω；RF分类器在故障严重程度分类上达到99.34%的准确率。该框架在SNR降至30 dB时仍保持R2>0.97和分类准确率>96%，该水平可作为计量级互感器测量质量的定性参考，为现场部署确立了实际传感器需求。多故障类型扩展实验获得98.91%的识别准确率，且各类型的回归R2均持续超过0.98。所有结果均基于单一馈线配置、单一故障位置和AWGN噪声模型的合成仿真数据；现场验证仍有待未来工作。结果表明，基于物理特征的可解释集成学习能够同时实现电阻估计与故障类型识别，适合集成到智能保护与智能电网监测系统中。

论文解读：基于物理引导机器学习的11 kV配电网故障电阻估计与多重故障分类框架

一、研究背景与问题

现代配电网络面临多种故障条件，对传统保护方案构成挑战。故障检测延迟或不准确会导致运行中断并增加安全风险。故障电阻（Rf）是故障分析中的关键但不可观测参数，无法直接从端子测量量获得，且随电弧形成、土壤成分和接触条件而变化。在11 kV配电系统中，电阻高于几欧姆的高阻抗故障（HIF）通常产生的电流低于过流继电器整定阈值，同时仍维持危险的故障状态，造成继电器灵敏度与实际故障行为之间的检测空隙。从端子电压和电流测量中估计故障电阻属于逆问题，系统状态到测量的映射是非线性的，其反演在测量噪声和建模不确定性下不稳定。传统阻抗法依赖简化的网络假设和固定故障模型，在噪声和运行条件变化下精度下降。信号处理方法虽能改善特征提取，但依赖人工定义描述符且缺乏不确定性量化。机器学习虽已被应用于故障分类与参数估计，但多数工作将故障电阻估计视为无约束回归任务，缺乏物理结构嵌入，特征选择常脱离序分量理论，且评估多限于有限故障类型、固定电阻区间或单一噪声条件。

二、研究目标与创新

为解决上述局限，该研究提出了物理引导的逆推理框架，在11 kV辐射状配电网中实现连续故障电阻估计与多故障类型分类。核心贡献包括：构建高保真Simulink–Simscape配电网模型（35 MVA戴维南等效源、两段共10 km π型线路、5 MVA Dyn11变压器、3.2 MW负荷）；开发自动化蒙特卡洛模拟流程，生成6000个单相接地（AG）故障案例（Rf在0.01–500 Ω对数均匀采样）和3500个七类故障案例；提取22个物理可解释特征（电压、电流、序分量、阻抗导出量）；建立统一的回归-分类框架（GBM、RF、SVM/SVR）；评估10–50 dB信噪比（SNR）下的抗噪鲁棒性；并将研究扩展到七种典型故障类型。

三、关键技术方法

该研究主要采用以下关键技术：基于MATLAB/Simulink–Simscape的电磁暂态仿真构建11 kV辐射状配电馈线模型，故障点设置于10 km馈线中点母线；蒙特卡洛自动故障注入管线按对数均匀分布采样生成故障电阻，覆盖0.01–500 Ω全范围；从故障前2周期与故障后3周期电压电流窗口（10 kHz采样）提取22个物理特征，包括故障相电压、健康相电压、电压不对称指标、零序分量（V0, I0）、视在阻抗（Zapp）及X/R比值等；对比梯度提升机（GBM）、随机森林（RF）和支持向量回归/分类（SVR/SVM）三种机器学习模型；采用训练集干净、测试集含噪（AWGN）的协议进行抗噪评估。

四、研究结果

4.1 干净条件下的故障电阻回归

在1200样本测试集上，GBM回归器取得最高精度，R2=0.9961，RMSE=8.73 Ω，MAE=4.21 Ω，优于RF（R2=0.9934）和SVR（R2=0.9748）。残差分析显示异方差特性：Rf<50 Ω时误差较小，Rf>100 Ω时误差增大，符合高阻故障电流接近负荷电流的物理规律。五折交叉验证R2四分位距小于0.004，表明模型稳定性强。学习曲线显示约3000–4000样本后性能饱和。特征重要性分析表明，Zapp、IA,post、ΔIA贡献最大，电流与阻抗类特征占MDI重要性的约46%，零序特征占约26%，与物理理论相符。

4.2 故障严重程度分类

将连续电阻估计转化为低/中/高三级严重程度（边界10 Ω和100 Ω）。RF分类器达到99.34%准确率，宏F1为0.9933。混淆矩阵显示8个误分类全部位于低-中及中-高边界，低与高之间无混淆，确认了框架区分金属性短路与高阻故障的能力。

4.3 抗噪鲁棒性分析

在AWGN注入于特征提取前（10–50 dB SNR）的测试中，GBM和RF性能下降最缓和：30 dB SNR时GBM仍保持R2=0.9847，RF分类准确率98.08%；10 dB时GBM R2=0.8723，RF准确率89.75%，SVR对噪声最敏感。30 dB SNR被定性对应计量级互感器质量。低于20 dB时建议采用离散小波变换（DWT）去噪或自适应卡尔曼滤波预处理，可实现约5–8 dB有效SNR改善。计算延迟方面，特征提取约0.8 ms，GBM推理约0.12 ms，低于1 ms，满足保护周期要求。

4.4 多故障类型扩展

3500案例七类故障分类中，RF达到98.91%整体准确率，宏精度0.9894，宏召回0.9886；SVM为97.63%，AdaBoost为93.47%。残留误差集中于ABG–BCG和AB–ABCG在高阻区间。接地故障与非接地故障之间零混淆。各类型GBM回归中，接地类R2>0.99（AG: 0.9958，BG: 0.9953，CG: 0.9951），AB相间故障R2=0.9831，因其无接地回路导致零序特征失效。统一多故障GBM模型在合并数据集上R2=0.9887，RMSE=15.64 Ω。

五、讨论与结论

讨论部分指出，频谱分析证实基频功率谱密度随Rf增加单调下降约两个数量级，高阻故障仅有10%–15%信号能量增加，无法被能量阈值保护识别。与常规过流保护相比，传统继电器在超过约80 Ω后检测概率显著下降，而该框架可将可靠保护覆盖扩展至约94%的电阻域（常规仅约8%）。模型泛化性通过学习曲线、交叉验证和超参数敏感性分析得到验证。研究结论强调：物理引导的可解释集成学习能够在11 kV辐射状馈线上实现高精度故障电阻回归（R2=0.9961）和七类故障识别（98.91%），在30 dB以上SNR维持良好性能，推理时间低于1 ms，适合实时保护应用。所有结果基于单一馈线配置、单一故障位置和AWGN噪声模型的仿真数据，现场验证仍是未来工作。后续研究将开展硬件在环（HIL）测试、采用PMU和故障录波数据验证，并扩展至环形网络及高渗透分布式能源场景。