基于TCN–BiLSTM–Attention模型的直流与交流微电网故障诊断研究

《Electronics》：Fault Diagnosis of DC and AC Microgrids Based on a TCN–BiLSTM–Attention Model

　　

风电、光伏（PV）及储能单元的大规模接入使得微电网故障信号呈现强非线性、时变性和暂态性特征，基于阈值或经验知识的诊断方法已难以可靠满足高精度与高鲁棒性的要求。本文提出一种基于混合时间卷积网络（TCN）、双向长短期记忆网络（BiLSTM）与加性注意力机制的微电网故障诊断方法。其中，TCN通过因果卷积、膨胀卷积及残差连接从多通道电压和电流波形中提取局部多尺度暂态特征；BiLSTM对故障演化过程进行双向时序依赖建模；加性注意力机制对关键时间步进行自适应重新加权，以突出最具判别力的信息。研究基于仿真数据开展两项代表性任务：风–光–储直流微电网的运行状态/故障状态识别，以及风–光–柴–储交流微电网的故障相识别。直流任务采用滑窗策略进行样本构建与数据增强。二十次重复实验结果表明，经滑窗增强后，所提模型在直流故障诊断任务上的平均准确率达到94.18%，在交流故障相识别任务上的平均准确率达到96.75%，相较于TCN、LSTM、BiLSTM及TCN–BiLSTM基线模型，在准确率与稳定性之间取得了良好的平衡。研究结果证实，将局部特征提取、双向时序建模与自适应注意力相结合，能够有效提升微电网故障诊断的准确性与稳定性。交流任务的评估为故障发生后的条件性故障相识别任务，不涉及正常/故障检测。

论文解读文章

一、研究背景与问题

随着风电、光伏等分布式能源以及储能单元的大规模并网，微电网的运行结构日趋复杂，故障类型呈现多样化、耦合化和动态化特征。与传统集中式电力系统相比，微电网在故障发生时往往表现出更强的非线性、时变性和暂态冲击特性。微电网中包含大量电力电子变换器，其运行状态同时受控制策略、负荷变化和多能源耦合等因素影响，动态行为更加复杂。当外部扰动或内部元件异常发生时，电压和电流信号会产生不同程度的波动甚至突变，威胁微电网的安全稳定运行。

传统的基于固定阈值、专家经验或单一特征分析的故障诊断方法难以满足高精度、强鲁棒性和快速识别的要求。从故障信号中提取具有判别力的时序特征成为微电网故障诊断研究的核心挑战。近年来，深度学习方法凭借其强大的特征提取能力和端到端建模优势，在故障诊断领域展现出良好的应用前景。然而，针对微电网暂态故障信号，如何有效结合局部暂态特征提取、双向故障演化建模和判别性阶段加权，仍是一个亟待解决的关键问题。

二、研究内容与意义

针对上述问题，研究人员提出了一种融合时间卷积网络（TCN）、双向长短期记忆网络（BiLSTM）和加性注意力机制的微电网故障诊断方法，并在两类代表性任务上进行了验证：风–光–储直流微电网的运行状态/故障状态识别，以及风–光–柴–储交流微电网的故障相识别。研究的主要贡献包括：构建了TCN–BiLSTM–Attention混合架构，其中TCN提取局部多尺度暂态特征，BiLSTM捕获双向长程时序依赖，加性注意力自适应强调对故障诊断最具判别力的时间步；设计了面向直流微电网任务的滑窗样本构建与增强策略，在保留故障信号暂态演化过程的同时扩大训练集；在直流和交流两类微电网拓扑上验证了方法的跨拓扑可迁移性，超越了近期仅针对直流微电网的研究。

三、关键技术方法

研究人员构建了风–光–储直流微电网模型（400 V直流母线）和风–光–柴–储交流微电网模型（380 V三相交流母线），均基于仿真平台获取数据。直流任务定义了11类运行状态，包括风电、光伏和储能模块各两种电气故障（开路和短路）、太阳辐照度增减、风力强度增减以及无故障状态；交流任务定义了17类故障相类别，涵盖单相、两相、三相短路和开路故障。直流任务采用滑窗策略进行样本构建和增强，窗口长度为256点、步长为16点；交流任务因样本量相对充足（1360条独立故障记录）不进行额外增强。模型输入为多通道电压和电流时序数据，经TCN模块、BiLSTM模块和加性注意力模块处理后，由全连接分类器输出故障类别。

四、研究结果

直流微电网故障诊断（十折交叉验证） ：混合模型在十折交叉验证中取得85.5%至94.5%的诊断准确率，平均为91.1%，表明TCN与BiLSTM及注意力机制的结合能够充分挖掘时序运行数据中的深层关联特征，具有良好的泛化能力和稳定的直流故障诊断性能。

直流微电网故障诊断（原始序列对比实验） ：在原始小样本条件下，TCN–BiLSTM模型综合性能最优，平均准确率为91.79%，标准差仅2.18%；单一TCN达到89.85%；BiLSTM为88.03%，明显优于单向LSTM的79.12%；引入注意力后的TCN–BiLSTM–Attention模型达到90.36%，略低于TCN–BiLSTM基线，表明注意力机制在样本有限时难以充分发挥作用。

直流微电网故障诊断（滑窗增强后） ：经滑窗增强后，所有模型性能均显著提升。TCN–BiLSTM–Attention模型取得最高平均准确率94.18%和最大值97.58%，标准差降至1.60%；TCN–BiLSTM达到93.61%；TCN为92.57%；BiLSTM和LSTM分别为91.27%和89.18%。滑窗增强使各模型平均准确率提升1.82至10.06个百分点，标准差全面下降，验证了滑窗策略对准确性和稳定性的双重提升作用。

交流微电网故障相识别：五种模型准确率均高于94%。LSTM和BiLSTM分别为94.21%和94.52%；TCN达到96.09%；TCN–BiLSTM提升至96.47%；TCN–BiLSTM–Attention模型表现最优，平均准确率为96.75%，标准差仅0.70%，最低准确率为95.34%，表明注意力机制有助于聚焦对故障相识别最具判别力的特征，同时提升准确性和稳定性。

补充对比实验：在相同20个随机种子下，TCN–BiLSTM–Attention在直流任务上达到93.18%，在交流任务上达到96.25%，均优于CNN–BiLSTM–Attention的92.42%和96.13%，验证了TCN前端在严格因果性、膨胀感受野增长和残差稳定化方面的优势。

五、讨论与结论

讨论部分揭示了三个一致的规律：第一，卷积特征提取对局部故障模式识别至关重要，所有基于TCN的模型均优于纯循环结构的LSTM和BiLSTM；第二，双向时序建模明显有益，BiLSTM始终优于单向LSTM；第三，注意力机制的价值依赖于数据量，在样本充足时才能可靠学习权重分配。配对检验表明，该方法提供的是良好的准确率–稳定性权衡而非全面优越性。滑窗增强是性能提升的主要驱动因素，而注意力机制在训练样本充足后发挥增益作用。

研究结论如下：（1）针对直流微电网故障信号的突变性和时序演化特征，采用滑窗方法构建和增强训练样本，有效提升样本多样性并保留故障前后的动态过程；交流任务因样本量相对充足不进行额外增强。（2）构建了融合TCN、BiLSTM和加性注意力的微电网故障诊断模型，分别实现局部时序特征提取、双向时序依赖挖掘和关键故障阶段特征强化。（3）实验表明，TCN–BiLSTM–Attention模型在直流故障诊断任务上达到94.18%的准确率，在交流故障相识别任务上达到96.75%的准确率，跨拓扑验证扩展了近期仅针对直流微电网的研究，证明了混合架构的跨拓扑可迁移性。噪声感知训练、正常/故障检测阶段以及现场实测数据验证留待未来工作。