面向分布式光伏配电网域泛化故障馈线识别的互信息解耦方法

《Sustainable Energy Technologies and Assessments》：Mutual information disentanglement for domain-generalized fault feeder identification in distribution networks with distributed photovoltaics

　　

• 提出了一种轻量级域泛化网络，可在无目标数据的条件下实现跨域故障馈线选取。
• 自适应小波包分解与双通道GAF编码构建多尺度时频特征图。
• 基于MixStyle的隐式域增强合成虚拟域，打破源域之间的分布差异。
• 通过互信息最小化解耦域不变特征与域相关特征，提升泛化能力。
• 该方法在四种分布式光伏渗透率条件下平均准确率达99.20%，超越现有基准。

**引言**

为保障电力持续供应，东亚及欧洲诸多地区的中低压配电网采用中性点不有效接地方案，又称小电流接地系统。在此类网络中，单相接地（SPG）故障占据所有短路故障类型的主导地位，占电网总故障数量的80%以上[1]。受益于其故障电流幅值低且不存在刚性短路路径，小电流接地系统可在故障条件下有效减轻对电气设备与通信设施的损坏[2]。然而，固有的微弱故障特征给实际保护带来了显著挑战。具体而言，正常工况下零序电流微乎其微，即便发生金属性单相接地故障后也仅适度上升，使得传统继电保护装置难以可靠检测此类故障。此外，电网允许在持续单相接地故障下连续运行近两小时，这大幅放宽了对故障瞬时隔离的要求。若潜在故障未能消除，健康相上的过电压和电弧反复重燃可能将初始单相接地故障演变为严重的相间短路，可能引发区域性停电和设备损坏，最终降低整体供电可靠性[3]。

随着分布式光伏（DPV）的大规模并网，配电网已从被动网络转变为多源主动网络，显著改变了故障电流特性。在低DPV渗透率下，对零序电流检测的影响微乎其微，传统选线方法仍能可靠工作。然而，随着DPV渗透率持续攀升，故障特性与传统同步电机的特征存在根本性差异[4]。在逆变器控制策略与输出波动的双重影响下，光伏侧零序电流呈现随机性和非线性畸变。即便在极高的光伏容量下，仍会有少量但不可忽略的分布式电源电流泄漏入故障回路，且由于其与系统电源之间的相位关系，通常助增故障电流。因此，故障过程表现出显著的多状态和非线性行为，对基于工频量的传统保护原理构成挑战[5]。特别是中性点不有效接地网络中单相接地故障选线的可靠性长期承压[6]。

已有大量研究从稳态和暂态角度对基于物理机理的经典故障选线方法进行了优化。然而，此类传统方法在复杂工况下仍面临突出挑战。文献[7]利用零序电流的峰度和偏度来检测故障事件并识别故障馈线，克服了电压不平衡和间歇性电弧的影响，但需要通信支持和阈值整定。文献[8]通过中性点电压和电流之和的变化量计算故障电阻，无需额外设备即可定位高阻抗接地故障，但其精度对测量误差较为敏感。文献[9]采用改进锁相环（IPLL）提取五次谐波零序电流用于故障线路检测，避免了消弧线圈的补偿效应，但分布式发电引入的谐波容易干扰微弱的谐波信号。

与上述稳态或准稳态方法相比，纯暂态方法利用高频故障分量，不受中性点接地方式和故障电阻的影响，在中性点不有效接地配电系统的故障选线中表现出更高的灵敏度和可靠性。文献[10]将动态模态分解（DMD）应用于暂态零序电流进行故障线路检测，但其在主动配电网中的有效性仍有待进一步验证。文献[11]采用暂态负序电流进行故障馈线选取，有效克服了电缆电容和消弧线圈的影响，但其精度对负载不平衡和电压不平衡较为敏感。文献[12]引入基于斜率相关度的灰色关联分析来表征各馈线间暂态零序电流波形的相似性，实现了无需复杂参数整定的故障检测；然而，在严重噪声或架空线-电缆混合线形配置下，其判别能力可能下降。文献[13]揭示了故障瞬时零序耦合不变性，实现了轻量级波形形状归一化和自适应阈值定位，但经验阈值系数可能需要针对不同网络进行调参。总之，现有接地故障选线方法仍存在对不同运行工况适应性差、易受不平衡负载影响以及依赖经验设定参数等不足。此外，其在主动配电网中的性能仍有待进一步验证。

随着广域测量系统（WAMS）[14]和相量测量单元（PMU）[14, 15]的发展，同步及广域电气量测量已成为现实，使得数据驱动方法能够仅依靠部分历史数据完成故障诊断任务，无需依赖精确的物理模型。这对于底层物理机理复杂且难以精确建模的现代主动配电网尤为适用。数据驱动的单相接地故障选线方法已得到广泛研究。文献[16]提出了一种结合匹配追踪分解（MPD）和隐马尔可夫模型（HMM）的混合框架，用于故障检测、识别与定位，在低信噪比下表现出鲁棒性，但该方法依赖预定义的高斯字典且缺乏跨场景泛化能力。文献[17]将零序电流转化为格拉姆角场（GAF）图像，并采用带有注意力机制和多尺度模块的改进CNN，在噪声和拓扑变化下取得了高精度；然而，网络结构变化时模型需要重新训练，限制了其在线适应性。文献[18]从单端电压信号中提取谐波频谱，并使用k最近邻（k-NN）回归器进行故障定位，该方法不受电流互感器饱和影响且无需同步，但在故障起始角接近零穿越时性能退化，且对电源阻抗变化较为敏感。文献[19]设计了一种半监督域自适应（SSDA）方法，结合深度特征提取和自适应聚类损失，在少量标注样本下实现了优异的跨域故障识别，但该方法假设源域与目标域之间存在一定程度的相似性，在分布差异剧烈时可能失效。总之，尽管这些数据驱动方法在故障选线的各个方面取得了进展，但它们普遍依赖某些前提条件，而这些条件在实际中并不总能得到保证——例如固定的网络拓扑、已知的信号先验或训练与运行条件之间的相似度。然而，在高渗透率DPV的主动配电网中，故障特性复杂多变，使这些前提条件难以满足。

迁移学习利用已有知识获取新知识，克服跨域分布差异，在解决上述问题方面展现出巨大潜力[20]。文献[21]提出了一种类对齐的多源域自适应网络，利用多样化特征提取器和多分类器互补策略来对齐和识别已知与未知故障类别，同时缓解单源知识利用不足和负迁移问题。文献[22]引入了点对点度量门控混合专家（PSMMoEs）用于多源无监督域自适应，采用混合专家框架自动融合多个源域的互补信息，并通过深度点对点距离度量学习评估目标样本与每个源域的相似度，实现了跨多个分布源域的均衡训练和高效对齐。进一步的研究引入了域泛化（DG）方法，其核心思想是在训练阶段直接利用多个源域学习域不变特征，而无需接触目标域数据，从而泛化到完全未见的目标域[23]。除这些多源自适应框架外，近期研究还探索了在更具挑战性的场景下的域自适应，例如源域与目标域特征维度不一致，或因隐私约束导致源数据不可访问的情况。文献[24]开发了一种维度不匹配对抗网络（DMAN），用于滚动轴承剩余使用寿命预测，解决了因运行速度和故障类型差异导致源域与目标域样本维度不同时的分布对齐问题，通过基于奈奎斯特采样定理的维度选择规则和自适应经验互信息计算器，实现了跨域分布差异的精确度量。文献[25]提出了一种源数据无关的渐进子空间校准方法，用于时变条件下运输设备诊断，在无需访问源域数据的情况下实现渐进式自适应，从而解决了实际部署中的数据隐私和存储限制问题，同时在运行条件演变时保持诊断精度。文献[26]进一步提出了一个物理信息驱动的泛化框架，将域自适应与物理先验知识相结合，在有限标注数据下实现了可靠的跨工况轴承故障诊断。文献[27]提出了一种深度混合域泛化网络（DMDGN），在类别空间和域空间中进行数据增强，引入对抗性扰动，并采用基于域的度量的距离来平衡域内距离和域间距离，从多个源域有效学习更具域不变性和判别性的特征，以应对不同负载和设备下的泛化任务。文献[28]设计了一种对抗互信息引导的单域泛化网络，利用域生成模块与诊断模块之间的互信息博弈，从单个源域学习通用特征以抵抗未知域偏移，有效解决了多工况下故障样本采集困难的难题。文献[29]提出了一种具有开域代理的已知感知泛化网络，用于开集域泛化故障诊断，通过已知感知对抗学习策略在已知与未知故障类之间建立决策边界，并通过开域代理对比学习框架增强类间边界。文献[30]提出了一种具有双层加权机制的开集域泛化框架，将数据增强与动态对抗学习相结合，在开集场景下实现鲁棒诊断。文献[31]引入了一种基于元学习的开集域泛化故障诊断双层梯度对齐方法，通过梯度匹配同时优化域间和类间的梯度更新方向，并采用熵引导的动态加权策略增强判别力。文献[32]进一步提出了一个统一的多模态域泛化框架，在类别不平衡和分布偏移下融合异构传感器模态，通过模态不变特征学习实现鲁棒诊断。

此外，基于域泛化的故障诊断在近期还扩展到上述讨论之外的更多样化的泛化场景。文献[33]提出了一种单类不平衡域泛化网络，结合稀有故障诊断模块、监督对比学习和对抗学习，在仅有单个源域可用时应对严重的类别不平衡问题。文献[34]进一步将这一研究方向扩展到多源域设置，提出了一种原型引导的带动态温度调节的监督对比学习策略，通过跨域对齐类别原型来缓解类别不平衡与域偏移之间的耦合。文献[35]引入了一种多模态统一泛化与翻译网络，通过信息增强拼接和互信息最大化融合振动和其他传感器模态，从而提高对未知域偏移和模态缺失的鲁棒性。文献[36]提出了一种基于多域对比编码的开集域泛化框架，通过对比表示学习同时处理未见目标域和未见故障类别。文献[37]提出了一种物理信息驱动的因果学习网络，提取与故障标签具有真实物理和统计相关性的特征，提高诊断模型在未见工况下的域不变性和物理可解释性。文献[38]开发了一种条件解耦表示增强网络，显式分离类别相关因子和域相关因子，以缓解多源域泛化中类别不平衡与域偏移之间的耦合。文献[39]通过基于阶次谱校正的方法解决了更具挑战性的不平衡单域泛化问题，抑制工况引起的谱失真，在不同运行条件下生成域不变阶次谱表示。这些研究大大丰富了基于域泛化的故障诊断工具箱，但主要面向旋转机械或通用工业设备，且分别针对类别不平衡、开集识别、多模态融合或物理先验融合等问题。相比之下，本文所处理的域偏移主要源于封闭集、单模态设置下分布式光伏渗透率变化引起的零序故障电流成分改变。故障特征本身微弱，尤其在高阻抗故障下更为如此，且域变化由多个交互因素共同作用，以非线性方式调节信号特性。

上述方法均非专门针对电力系统故障诊断中的此类域偏移而设计，其在该场景下的有效性在很大程度上仍未被探索。特别是，最近的一些研究开始通过特征解耦来处理多个源域之间的内部分布差异。文献[40]提出了一种多模态跨域混合融合模型，通过域级最大均值差异（MMD）对齐损失与两种表征之间的正交性约束相结合，将域不变表征与域特定表征进行解耦。文献[41]引入了一种因果解耦网络（CDN），通过多任务实例归一化和批归一化结构对任务共享的因果特征与任务特定特征之间的互信息进行最小化，其中每个实例归一化分支对应一个特定的机械域。这些研究展示了基于解耦的策略在增强诊断模型的域泛化能力方面的潜力，并为本文的方法论设计提供了有价值的参考。然而，尽管上述方法——包括基于解耦的研究——在一定程度上缓解了跨域分布差异导致的性能下降，但它们在应用于本文所解决的问题时仍存在以下局限性。首先，大多数多源域适应和域泛化方法侧重于降低源域与目标域之间的分布差异，甚至上述基于解耦的研究也未将显式的互信息解耦与隐式的域增强相结合来弥补本应用中可用的离散源域数量较少的问题，因此未能充分利用多个源域之间的内部分布差异[42]。其次，某些域适应方法和特定的半监督域泛化变体依赖部分目标域样本来构建特征对齐指标和决策边界，这一假设在本文所采用的严格无监督域泛化设定下并不成立，因为在训练或模型选择过程中无法访问任何目标域数据。这使得模型难以从多个源域中真正学习到具有强泛化能力的域不变特征[43]。尽管已有研究做出了这些有价值的贡献，但仍值得审视上述域泛化和基于解耦的方法是否可直接迁移到光伏渗透配电网络中的故障馈线识别问题。本应用中的零序电流信号本质上很弱，尤其是在高阻抗接地故障下，并且表现出明显的暂态特性，这与旋转机械故障诊断中通常研究的振动信号有着根本性的不同。此外，域偏移源于多种交互因素的综合作用，包括变化的光伏渗透率、逆变器控制策略、网络拓扑和故障条件，这些因素以非线性方式共同调制零序电流特征的统计特性。这些独特特征提出了额外要求，而现有最初为具有不同信号特性和域变化模式的机械系统设计的解耦方法未能完全满足。例如，通用的数据增强策略可能无意中抑制了关键的暂态特征，而基于二阶统计量的传统域不变约束不足以消除逆变器动态引入的高阶非线性依赖关系。这些考量促使我们需要一个明确针对主动配电网络物理和运行特性量身定制的域泛化框架。基于上述文献综述，我们正式定义本文所研究的问题。一个域由配电网络的总体运行状态决定，主要表征为分布式光伏渗透率，后者通过逆变器控制的故障电流贡献从根本上改变了零序电流特征。不同的渗透率水平在信号特征与故障标签的联合分布中引起系统性分布偏移。在给定域内，故障电阻、起始角、故障位置和测量噪声等因素引入信号层面的变化，但不改变域身份。任务是从多个源域中学习一个故障分类模型，每个源域对应一个不同的分布式光伏渗透率水平，该模型需泛化到完全未见过的目标域，且训练过程中不访问任何目标域数据。泛化能力通过跨多个渗透率的留一域协议进行评估，并在从实际配电馈线收集的独立现场数据上进一步验证。故障类别集在所有域中固定且预先定义，因此该问题属于闭集域泛化设定。这一形式化反映了在线故障诊断中的实际约束：模型部署时目标运行状态未知，但需要识别的故障类型通常可从历史记录中得知。为解决这一问题，本文提出了一种轻量级域泛化网络，集成了自适应多尺度时频特征构建、基于MixStyle的隐式域增强以及基于互信息最小化的特征解耦。主要贡献如下：本文充分考虑了高渗透分布式光伏条件下主动配电网络单相接地故障选线的域偏移和类别偏移问题，并提出了一种基于轻量级域泛化网络的故障选线方法。第一阶段，采用自适应小波包分解和双通道GAF编码来构建多尺度时频特征图，将一维零序电流信号转换为二维图像，同时保留故障信息的全局趋势和局部暂态细节。第二阶段，特征图输入一个轻量级残差网络，并结合基于MixStyle的隐式域增强策略，该策略在特征层面随机混合不同源域的风格统计量以生成连续的虚拟域，引导网络学习域无关的核心故障特征。此外，引入互信息最小化来解耦域不变特征与域相关特征，并采用对抗训练配合渐进式特征纯化机制来彻底去除残余域信息。该两阶段学习框架将多个源域映射到共享的域不变特征空间，且不依赖任何显式分布指标，实现了从多个源域到完全未见过的目标域的跨域泛化。它显著增强了所提取特征的判别性和泛化能力。仿真和现场测试结果表明，所提方法在高阻抗故障、高渗透分布式光伏和网络拓扑变化等复杂场景下均能保持高诊断精度和鲁棒性。本文的主要贡献如下：1. 提出了一种用于主动配电网络单相接地故障选线的轻量级域泛化网络。该网络旨在将多个源域映射到域不变特征空间，且不依赖任何显式分布指标。这通过两种互补机制实现：(i)一种特征层面的域增强策略，在保留微弱故障特征的同时合成虚拟域；(ii)一个基于信息论的特征解耦模块，显式分离故障相关特征与域相关变化。这两种机制的协同作用实现了从已知域到完全未见过的目标域的跨域故障识别，且其集成设计专门针对配电网络在线故障诊断的物理约束。2. 设计了一种基于自适应小波包分解和双通道GAF编码的信号处理方法。其关键创新在于由信号自身能量分布驱动的自适应频带选择，该方法无需人工指定分解层数即可自动聚焦于携带判别性故障信息的暂态频带。通过在自适应选择的子频带上结合GASF和GADF编码，该方法构建了多尺度时频特征图，同时保留了全局故障趋势和局部暂态奇异性。这一表征的动机在于零序电流中故障相关信息在频带间的分布是不均匀的，且该分布随故障电阻和光伏渗透率而变化。3. 虽然特征统计量混合已在一般故障诊断中用于域增强，但本文指出其直接应用于电力系统暂态信号存在问题。高阻抗故障的关键暂态特征极其微弱，可能会被激进的样式扰动无意中抑制。为此，设计了一种在特征样式层面操作的域增强机制，同时将样式混合限制在浅层网络。这一安排基于以下观察：浅层特征更突出地编码域特定统计量，而深层特征携带易受扰动的故障判别语义。通过保留深层表征的语义完整性，该机制有效地合成了连续的虚拟域，同时不会破坏微弱故障的判别性特征。4. 引入了一种基于互信息最小化的特征解耦与纯化策略。其理论动机是：现有基于解耦的域泛化方法中广泛使用的传统二阶去相关无法消除特征之间的高阶非线性依赖。在配电网络中，域因素如光伏渗透率和故障电阻与故障特征非线性交互，使得二阶约束不足以应对。所提策略采用了对抗互信息估计器来捕获任意阶数的依赖关系，并通过细粒度对抗训练进一步优化不变特征的渐进式纯化机制。该设计严格去除了线性和非线性残余域信息，这一特性在以往基于域泛化的电力系统故障诊断方法中尚未得到系统性解决。文本片段：数据驱动故障诊断的分布偏移困境分析表明，大规模分布式光伏并网重塑了单相接地故障期间的零序电流特性，导致依赖稳定幅值与相位关系的传统选线方法可靠性下降，详见补充附录B。值得注意的是，在中性点非有效接地系统中，允许在单相接地故障下运行约两个小时，此时……基于域增强与特征解耦的轻量级域泛化网络构建如第2节所述，大规模分布式光伏的集成在零序电流特征中引入了复合分布偏移，使传统物理判据和常规监督学习方法均无法实现可靠的故障诊断。为克服这一泛化瓶颈，本节开发了一种轻量级残差域泛化网络，集成了隐式域增强和特征解耦。所提网络是……实验分析与讨论本文使用PSCAD和CloudPSS云仿真平台建立了10kV辐射型配电网络模型，如补充附录图H4所示。系统包含L1至L6共六条线路，线路参数见补充附录表H1。各线路馈线出口安装μPMU装置采集零序电流故障数据，采样频率为10kHz。消弧线圈的电感Lap=0.1640H，电阻Rap=5.224Ω，……结论本文提出了一种用于分布式光伏渗透配电网络故障馈线识别的轻量级域泛化网络。通过集成多尺度时频特征构建、基于MixStyle的隐式域增强和基于互信息最小化的特征解耦，该方法实现了无需目标域数据的鲁棒跨域泛化。1. 所提方法在四个分布式光伏渗透……CRediT作者贡献声明Lei Xu：撰写——初稿、可视化、方法论。Fei Rong：撰写——审阅与编辑、经费获取。Junle Li：软件。Yiqin Zhu：验证。利益冲突声明作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。致谢本工作部分受国家自然科学基金（编号52277045）和中国南方电网科技项目（GXKJXM20222104）资助。Lei Xu | Fei Rong | Junle Li | Yiqin Zhu