邵慶祝，郭霖徽，劉亞?wèn)|，謝民，戴長(zhǎng)春，王同文，張駿，叢子涵

(1.國(guó)網(wǎng)安徽省電力有限公司，安徽 合肥 230022；2.上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240)

在社會(huì)經(jīng)濟(jì)和電網(wǎng)建設(shè)的不斷發(fā)展中，用戶對(duì)供電可靠性的要求越來(lái)越高，預(yù)計(jì)到2020年，電網(wǎng)的供電可靠率將建設(shè)達(dá)到99%以上[1]。配電網(wǎng)直接連接用戶電網(wǎng)，其線路故障是用戶停電的主要原因，快速對(duì)故障進(jìn)行定位并及時(shí)處理，對(duì)提高用戶用電的可靠性意義重大。

我國(guó)配電網(wǎng)大部分的中性點(diǎn)接地方式為小電流接地，故障分量微弱，故障定位較為困難。近年來(lái)，基于暫態(tài)法的配電網(wǎng)線路故障定位技術(shù)能夠較好地判別單相接地故障，但是僅能將故障定位至一定的區(qū)間，難以實(shí)現(xiàn)故障點(diǎn)排查[2]。隨著深度學(xué)習(xí)理論和計(jì)算硬件水平的不斷發(fā)展，深度學(xué)習(xí)能夠更有效地挖掘數(shù)據(jù)信息，在智能推薦、自然語(yǔ)言處理和圖像識(shí)別中都取得了極大的成果，并在電力系統(tǒng)的故障診斷、設(shè)備監(jiān)測(cè)等方面應(yīng)用中得到很好的效果[3-7]。以深度學(xué)習(xí)理論為工具，充分利用配電網(wǎng)實(shí)時(shí)累積的豐富故障數(shù)據(jù)，對(duì)各種接地故障實(shí)現(xiàn)類型辨識(shí)，能夠?yàn)楣ぷ魅藛T巡線工作提供更加具體、詳實(shí)的信息，從而提高故障巡線、定位、排除的效率。

對(duì)配電網(wǎng)線路故障辨識(shí)的研究主要有2類：一類為線路單相接地、相間短路以及多相接地[8-9]；另一類為對(duì)接地故障具體類型的辨識(shí)，如水阻接地、沙地接地等。深度學(xué)習(xí)理論的不斷進(jìn)步以及配電網(wǎng)監(jiān)測(cè)設(shè)備的不斷低成本化，使得目前缺乏監(jiān)測(cè)數(shù)據(jù)、無(wú)法有效挖掘故障類型信息的局面得到改善，對(duì)各類型接地故障具體類型的辨識(shí)提供了理論和實(shí)際支持[10-11]。在線路故障類型辨識(shí)方面，文獻(xiàn)[12]分析了動(dòng)物導(dǎo)致的配電網(wǎng)線路故障特征，提出預(yù)防措施，但缺乏對(duì)多種典型故障類型的研究。文獻(xiàn)[13]從波形角度對(duì)由動(dòng)物、雷擊、樹3種原因?qū)е碌墓收线M(jìn)行特征識(shí)別，從故障波形出發(fā)探討了判據(jù)的可行性。文獻(xiàn)[14]從時(shí)域、頻域以及電弧特征角度對(duì)動(dòng)物、樹木、車輛、雷電、設(shè)備老化5種波形進(jìn)行了初步研究和分類。然而目前各故障類型辨識(shí)缺乏典型數(shù)據(jù)，相關(guān)研究均從故障過(guò)程的波形特征出發(fā)，手工提取特征對(duì)故障進(jìn)行分類，但特征提取難度大、耗時(shí)長(zhǎng)且繁瑣。相比而言，利用深度學(xué)習(xí)對(duì)故障特征自動(dòng)提取和辨識(shí)有更明顯的效率優(yōu)勢(shì)[15-16]。

由于配電網(wǎng)線路所處的環(huán)境較為復(fù)雜，發(fā)生接地故障時(shí)，接地介質(zhì)的不同導(dǎo)致故障特征復(fù)雜多樣；同時(shí)部分故障發(fā)生時(shí)往往伴隨著電弧，進(jìn)一步增加了故障的復(fù)雜程度。因此，可先將故障先分類為含電弧故障以及不含電弧故障的2種類型，再進(jìn)一步實(shí)現(xiàn)具體的故障類型辨識(shí)。本文基于深度學(xué)習(xí)理論，通過(guò)電弧特征將故障類型進(jìn)行標(biāo)記，并構(gòu)建基于長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)模型的辨識(shí)網(wǎng)絡(luò)，將故障分類為含電弧故障和不含電弧故障2種類型；在此基礎(chǔ)上，分別對(duì)2種故障構(gòu)建分類器，對(duì)故障類型進(jìn)行詳細(xì)辨識(shí)。

1 配電網(wǎng)線路接地故障波形

配電網(wǎng)線路接地故障中，接地處的介質(zhì)往往不同，并且不同介質(zhì)或同種介質(zhì)在不同天氣下(如干沙地在雨天為濕沙地)的物理性質(zhì)差異將導(dǎo)致是否有電弧產(chǎn)生。以往對(duì)電弧往往使用微分方程描述，但是計(jì)算繁雜，一般只適用于具體條件下的電弧特性研究[17]。當(dāng)接地較為可靠且沒有電弧產(chǎn)生時(shí)，故障電流的諧波分量較小，畸變程度較低，仍然保持正弦形態(tài)；而不可靠接地過(guò)程中有電弧產(chǎn)生，電弧在電壓過(guò)零點(diǎn)附近熄滅，待電壓再次上升到一定程度后重燃。2種故障電流的具體形態(tài)如圖1所示。配電網(wǎng)中部分接地故障中會(huì)出現(xiàn)高阻電弧[18-20]，即接地過(guò)渡電阻值高且同時(shí)伴有電弧現(xiàn)象，表明故障接地可靠程度較弱。因此，不可靠接地故障伴隨電弧的發(fā)生，其放電過(guò)程的隨機(jī)性較高；可靠接地故障沒有電弧隨之發(fā)生，介質(zhì)物理性質(zhì)較為穩(wěn)定，非線性程度低。

圖1 2類故障電流Fig.1 Two kinds of fault currents

配電網(wǎng)的覆蓋面積大，架設(shè)環(huán)節(jié)復(fù)雜，接地故障發(fā)生在不同的介質(zhì)表面，并且不同天氣(晴、雨天)情況使得各種介質(zhì)的導(dǎo)電性質(zhì)發(fā)生變化，形成更加多樣化的故障接地類型。常見的接地故障有濕沙地接地、干沙地接地、濕土地接地、干土地接地以及濕水泥地接地。

2 深度學(xué)習(xí)模型理論

2.1 LSTM結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)

LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的一種[21-22]，以最簡(jiǎn)單的RNN為例，其結(jié)構(gòu)如圖2所示。

圖2 簡(jiǎn)單RNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of a simple RNN

該網(wǎng)絡(luò)主要由1個(gè)輸入層、1個(gè)隱藏層和1個(gè)輸出層構(gòu)成。除了空間結(jié)構(gòu)聯(lián)系外，RNN引入了時(shí)間狀態(tài)反饋環(huán)節(jié)。對(duì)于輸入量時(shí)間序列x=(x1,x2,…,xt)，在t時(shí)刻的輸入為xt，此刻對(duì)應(yīng)隱藏層狀態(tài)為St，網(wǎng)絡(luò)輸出值為ot，相關(guān)計(jì)算式如下：

ot=σ(VSt) .

(1)

St=f(Uxt+WSt-1) .

(2)

式中：V為隱含層和隱含層之間的連接權(quán)值；σ為輸出層單元的激活函數(shù)；U為輸入層和隱含層之間的連接權(quán)值；St-1為t-1時(shí)刻的隱藏層狀態(tài)；W為t時(shí)刻輸入的權(quán)重矩陣；f為隱藏層激活函數(shù)。由式(1)和(2)可得

(3)

由此可知，各個(gè)時(shí)刻的輸入量通過(guò)狀態(tài)輸出St來(lái)影響下一時(shí)刻的輸出，即ot受xt，xt-1，xt-2，xt-3…的影響，影響的時(shí)間步長(zhǎng)可通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)設(shè)置。

隨著網(wǎng)絡(luò)層數(shù)量的增加，典型RNN的性能并不滿足長(zhǎng)序列建模的精度，因?yàn)闊o(wú)法解決梯度消失的問(wèn)題。在原有RNN結(jié)構(gòu)的基礎(chǔ)上，LSTM引入門控單元來(lái)描述即時(shí)信息和歷史信息之間的時(shí)間相關(guān)性[23-24]，LSTM的結(jié)構(gòu)如圖3所示。

圖3 LSTM結(jié)構(gòu)示意圖Fig.3 LSTM structure diagram

如圖3所示，對(duì)輸入的時(shí)間序列x，設(shè)當(dāng)前時(shí)刻的輸入為xt，上一時(shí)刻的輸入為xt-1，以此類推，前n時(shí)刻的輸入為xt-n，上一時(shí)刻門控單元的狀態(tài)為Ct-1，則對(duì)當(dāng)前輸入的響應(yīng)輸出為ht，此時(shí)刻的門控單元狀態(tài)為Ct。與RNN的簡(jiǎn)單回饋不同，門控單元含有遺忘門、輸入門和輸出門，具體計(jì)算分別如下：

ft=σ(Wf·[ht-1,xt]+bf) .

(4)

it=σ(Wi·[ht-1,xt]+bi) .

(5)

(6)

ot=σ(Wo·[ht-1,xt]+bo) .

(7)

在LSTM中，遺忘門決定Ct-1對(duì)Ct的影響程度，輸入門決定xt對(duì)Ct的影響程度，輸出門控制Ct對(duì)ht的影響程度；遺忘門、輸入門、輸出門的狀態(tài)結(jié)果共同決定單元的當(dāng)前狀態(tài)及響應(yīng)輸出值，即：

(8)

ht=ot°tanh(Ct) .

(9)

式中符號(hào)°表示相同形狀向量對(duì)應(yīng)元素相乘。

相較于其他深度模型，循環(huán)結(jié)構(gòu)網(wǎng)絡(luò)模型在時(shí)序結(jié)構(gòu)上能將時(shí)間序列變量的前后輸入值在時(shí)間維度上關(guān)聯(lián)起來(lái)，比一般深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)模型等多了時(shí)間關(guān)系，更適合于對(duì)時(shí)間序列變量的處理。電力系統(tǒng)本身具有明顯的周期特征，接地故障波形是1個(gè)強(qiáng)時(shí)間序列，其前后輸入具有極大的關(guān)聯(lián)性，因此采用LSTM結(jié)構(gòu)模型來(lái)構(gòu)建特征辨識(shí)網(wǎng)絡(luò)。

2.2 故障辨識(shí)流程

根據(jù)以上分析，故障辨識(shí)流程如圖4所示。

圖4 故障辨識(shí)流程Fig.4 Fault identification process

具體辨識(shí)步驟如下：

a) 進(jìn)行真型故障實(shí)驗(yàn)，采集故障數(shù)據(jù)。

b) 構(gòu)建和訓(xùn)練LSTM結(jié)構(gòu)的電弧特征辨識(shí)網(wǎng)絡(luò)，將故障分為含電弧和不含電弧2類。

c) 對(duì)含電弧和不含電弧的2類故障，構(gòu)建和訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)分類器，對(duì)具體故障進(jìn)行分類。

3 故障辨識(shí)方法

通過(guò)在某10 kV配電網(wǎng)真型實(shí)驗(yàn)場(chǎng)中設(shè)置接地故障，進(jìn)行配電網(wǎng)單相接地故障模擬實(shí)驗(yàn)。采集故障電流、電壓波形作為算法的訓(xùn)練樣本及算法的檢驗(yàn)樣本的部分來(lái)源。

3.1 故障實(shí)驗(yàn)平臺(tái)

故障實(shí)驗(yàn)原理線路如圖5所示，本真型實(shí)驗(yàn)場(chǎng)使用的各類設(shè)備均與實(shí)際配電線路一致，因此可以確保實(shí)驗(yàn)數(shù)據(jù)與工程實(shí)際數(shù)據(jù)相契合。線路末端接入電容以模擬配電網(wǎng)負(fù)荷，保證一定的運(yùn)行電流；將母線與不同種類的接地介質(zhì)相連，形成接地回路；于接地前后安裝故障錄波裝置，對(duì)接地點(diǎn)處的電壓、電流波形進(jìn)行測(cè)量；故障錄波裝置的采樣率為20 kHz，每種情景下的接地故障實(shí)驗(yàn)采集20組波形。

圖5 接地故障實(shí)驗(yàn)接線圖Fig.5 Connection diagram of grounding fault experiment

實(shí)驗(yàn)共設(shè)置7種不同的接地情況，用于模擬配電網(wǎng)發(fā)生單相接地故障時(shí)的典型場(chǎng)景，分別為濕土地、干土地、濕沙地、干沙地、濕水泥地、樹枝以及水。其中干沙地和干土地用于模擬晴朗天氣下的接地故障，而濕沙地、濕土地、濕水泥地用于模擬雨天的接地故障。在實(shí)驗(yàn)前，通過(guò)引出線將故障相與柱狀金屬釬相連，將金屬釬垂直插入接地介質(zhì)，然后將母線充電至10 kV，閉合斷路器開關(guān)形成接地故障。干土地與干沙地的實(shí)驗(yàn)最先進(jìn)行，實(shí)驗(yàn)結(jié)束后用灌溉噴頭模擬雨水，待介質(zhì)的濕潤(rùn)程度達(dá)到一定值后，按照相同的實(shí)驗(yàn)步驟進(jìn)行雨天情景的接地故障實(shí)驗(yàn)。

3.2 構(gòu)建及訓(xùn)練故障辨識(shí)網(wǎng)絡(luò)

3.2.1 構(gòu)建基于LSTM結(jié)構(gòu)的電弧辨識(shí)網(wǎng)絡(luò)

對(duì)本文所研究的故障辨識(shí)對(duì)象，先對(duì)故障零序電流中的電弧特征進(jìn)行辨識(shí)。由于故障實(shí)驗(yàn)中每種類型的接地故障樣本數(shù)量對(duì)深度網(wǎng)絡(luò)訓(xùn)練是不充分的，考慮到接地故障在穩(wěn)態(tài)期間波形周期性的規(guī)律特點(diǎn)，將訓(xùn)練樣本的長(zhǎng)度限制為1個(gè)周波，通過(guò)將故障穩(wěn)態(tài)期間故障波形截取為多個(gè)長(zhǎng)度為1個(gè)周期的零序電流波形作為單個(gè)樣本數(shù)據(jù)，增加訓(xùn)練樣本數(shù)目。由于弧光接地故障的電弧放電隨機(jī)性極大，與其他波形相比而言難以提取其周期，因此在本節(jié)研究中不將弧光接地故障數(shù)據(jù)納入訓(xùn)練樣本。網(wǎng)絡(luò)訓(xùn)練框架為Tensorflow1.10與TFLearn，編程語(yǔ)言為python3.6。

3.2.1.1 構(gòu)建訓(xùn)練樣本數(shù)據(jù)

在實(shí)際配電網(wǎng)監(jiān)測(cè)中心獲得部分已知故障的波形數(shù)據(jù)，將實(shí)驗(yàn)波形及實(shí)際配電網(wǎng)工程數(shù)據(jù)作為樣本，截取故障穩(wěn)態(tài)期間的單位周波零序電流作為單個(gè)樣本數(shù)據(jù)，共獲得700組故障波形，其訓(xùn)練標(biāo)簽為是否為不含電弧接地故障，即0-1分類標(biāo)簽。將700組樣本數(shù)據(jù)中的200組作為故障驗(yàn)證數(shù)據(jù)，其余500組作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。

3.2.1.2 構(gòu)建并網(wǎng)絡(luò)

LSTM的時(shí)間步長(zhǎng)設(shè)置為10，則1個(gè)含有400個(gè)采樣點(diǎn)的波形，輸入規(guī)模則為40。其中輸入層特征規(guī)模為40，LSTM中隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為30×10；為防止過(guò)擬合，引入dropout層，keep_prob值設(shè)為0.8；分類輸出層由1層LSTM網(wǎng)絡(luò)和Softmax網(wǎng)絡(luò)層組成，輸出數(shù)量為2；網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)速度為0.001，網(wǎng)絡(luò)求解最優(yōu)方法為adam優(yōu)化算法；損失函數(shù)為二分類對(duì)數(shù)損失函數(shù)(binary_crossentropy)，損失率

(10)

式中：yi為輸入實(shí)例xi的真實(shí)類別；Pi為分類器對(duì)xi的輸出類別為正的概率；N為故障樣本數(shù)量。對(duì)所有樣本的對(duì)數(shù)損失表示為對(duì)每個(gè)樣本對(duì)數(shù)損失的平均值，對(duì)于完美的分類器，對(duì)數(shù)損失為0。由于時(shí)間步長(zhǎng)設(shè)置為20，將輸入樣本重構(gòu)為400×20×20的張量，與LSTM結(jié)構(gòu)的輸入層相對(duì)應(yīng)。

3.2.1.3 輸出網(wǎng)絡(luò)結(jié)果及驗(yàn)證

采用準(zhǔn)確率γ來(lái)評(píng)價(jià)網(wǎng)絡(luò)的分類性能，準(zhǔn)確率為：對(duì)每一個(gè)隨機(jī)樣本，所預(yù)測(cè)結(jié)果與其實(shí)際類型相同的可能概率，即正確分類的樣本數(shù)量除以所有的樣本數(shù)量，即

(11)

式中：Npos為正類樣本被準(zhǔn)確分類的數(shù)量；Nneg為負(fù)類樣本被準(zhǔn)確分類的數(shù)量。訓(xùn)練集正確率變化曲線如圖6所示，在訓(xùn)練集上收斂速度快，分類準(zhǔn)確率平均達(dá)到了95%以上。

圖6 網(wǎng)絡(luò)擬合正確率變化曲線Fig.6 Network fitting correct rate curve

3.2.2 構(gòu)建多層神經(jīng)網(wǎng)絡(luò)分類器

由于接地電弧的存在，故障在接地過(guò)程的伏安特性尤為復(fù)雜。含電弧電流在零休現(xiàn)象附近，電弧電流通道電阻變大，但是當(dāng)弧后剩余電流出現(xiàn)時(shí)，電弧的電導(dǎo)性質(zhì)變得更加不明確。因此，在對(duì)故障類型進(jìn)行含電弧故障與不含電弧接地故障辨識(shí)的基礎(chǔ)上，分別以2類故障中的具體接地類型為分類目標(biāo)，構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行辨識(shí)，具體步驟如下。

3.2.2.1 構(gòu)建訓(xùn)練樣本數(shù)據(jù)

對(duì)任一故障數(shù)據(jù)，結(jié)合故障相電壓和故障電流計(jì)算單個(gè)周波內(nèi)接地電阻的有效值，計(jì)算公式如下：

(12)

式中：u為故障相電壓；i為故障電流；k為單周波內(nèi)的第k個(gè)采樣點(diǎn)；R為接地過(guò)渡電阻。

同樣地，通過(guò)截取故障穩(wěn)態(tài)期間的單位周波數(shù)據(jù)作為單個(gè)樣本，其樣本標(biāo)簽為具體接地故障類型，如干沙地接地、干土地接地、樹枝接地等，即多類別標(biāo)簽。將樣本數(shù)據(jù)隨機(jī)抽取20%作為故障驗(yàn)證數(shù)據(jù)，其余作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。

3.2.2.2 構(gòu)建并網(wǎng)絡(luò)

構(gòu)建6層網(wǎng)絡(luò)分類模型，輸入層節(jié)點(diǎn)數(shù)量為400，往后層數(shù)節(jié)點(diǎn)規(guī)模依次為100、80、40、12和Nclass。單元較多和層數(shù)較深時(shí)需要放置過(guò)擬合，前3層均引入dropout的keep_prob參數(shù)，參數(shù)設(shè)置為0.8；之后輸出層由Softmax網(wǎng)絡(luò)層組成，輸出數(shù)量取決于分類目標(biāo)數(shù)量Nclass，其中不含電弧的接地故障包括濕土地、濕沙地、濕水泥、水阻4種，因此Nclass=4；含電弧的接地故障包括干土地、干沙地、樹枝，因此Nclass=3。；網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)速度為0.001；網(wǎng)絡(luò)求解最優(yōu)方法為adam優(yōu)化算法；損失函數(shù)為多分類對(duì)數(shù)損失函數(shù)(categorical_crossentropy)，公式為

(13)

式中：N為樣本輸入數(shù)量；M為待分類的類別數(shù)量；yij表示對(duì)xi是否分類準(zhǔn)確，即j是否為xi的真實(shí)類別；pij為網(wǎng)絡(luò)分類器對(duì)xi的輸出(即屬于類別j)的概率值。

3.2.2.3 輸出網(wǎng)絡(luò)結(jié)果并進(jìn)行驗(yàn)證

采用正確率來(lái)評(píng)價(jià)分類器性能，計(jì)算公式為

(14)

式中Ntrue,j為第j類樣本被準(zhǔn)確分類的數(shù)量。

圖7所示為故障分類器損失函數(shù)圖，由圖7可知，分類器損失函數(shù)較快下降到穩(wěn)定值，2個(gè)故障分類器均能較快收斂。

3.3 辨識(shí)結(jié)果分析

3.3.1 含電弧與不含電弧故障分類結(jié)果

表1為基于LSTM結(jié)構(gòu)的網(wǎng)絡(luò)分類結(jié)果。由表1可知：基于LSTM結(jié)構(gòu)的分類器對(duì)不含電弧接地故障的分類準(zhǔn)確度較高，可達(dá)100%；對(duì)含電弧接地故障的分類正確率則略低，但仍然可認(rèn)為分類方法有很高的可用性，與文獻(xiàn)[7]中的辨識(shí)成功率(92.4%)以及文獻(xiàn)[13]中的辨識(shí)成功率(90%)相比，優(yōu)勢(shì)明顯。

圖7 故障分類器損失函數(shù)曲線Fig.7 Fault classifier loss function curves

故障類別樣本數(shù)量/組判斷正確數(shù)/組判斷正確率/%不含電弧接地故障400400100含電弧接地故障30029197

3.3.2 各類型接地故障辨識(shí)結(jié)果

表2為具體各類型接地故障的神經(jīng)網(wǎng)絡(luò)分類情況。由表2可知：對(duì)各類型接地故障的分類準(zhǔn)確度差別較大，最低為80%，最高可達(dá)97%；網(wǎng)絡(luò)對(duì)不同接地故障的分類性能與樣本分布、網(wǎng)絡(luò)結(jié)構(gòu)以及網(wǎng)絡(luò)參數(shù)均相關(guān)。另外，與其他6種接地類型相比，樹枝接地的辨識(shí)準(zhǔn)確性相對(duì)較低，而其他均在85%以上。結(jié)合樹枝接地的特性，可以認(rèn)為是由于故障電弧可能引起樹枝水分大量蒸發(fā)，甚至造成燃燒，從而使得樹枝接地的隨機(jī)程度和非線性程度大大增加，導(dǎo)致樣本的檢測(cè)成功率偏低。分類結(jié)果表示分類器的性能達(dá)到可用狀態(tài)。

表2 對(duì)具體各類型接地故障的神經(jīng)網(wǎng)絡(luò)分類Tab.2 Classification of ground faults based on neural network

4 結(jié)束語(yǔ)

本文截取各類型接地故障數(shù)據(jù)波形并整理形成數(shù)據(jù)集，通過(guò)構(gòu)建LSTM來(lái)對(duì)故障電流是否存在電弧“零休”畸變進(jìn)行判斷，區(qū)分故障為含電弧故障還是不含電弧故障；在此基礎(chǔ)上，以故障電阻有效值序列為輸入量，進(jìn)一步構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器，對(duì)更具體的接地故障實(shí)現(xiàn)辨識(shí)。

LSTM對(duì)含電弧故障的分類性能較好，但是在對(duì)具體故障類型辨識(shí)上還有不足。針對(duì)所研究故障類型，對(duì)數(shù)據(jù)樣本進(jìn)行測(cè)試，證明該方法能夠以較高的準(zhǔn)確率對(duì)配電網(wǎng)故障進(jìn)行辨識(shí)。本文對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試的樣本數(shù)據(jù)均來(lái)自于實(shí)驗(yàn)站的實(shí)驗(yàn)數(shù)據(jù)，由于我國(guó)領(lǐng)土面積大，不同地區(qū)的土壤、降水等環(huán)境因素存在一定差異，因此需要結(jié)合當(dāng)?shù)貙?shí)際的電網(wǎng)運(yùn)行數(shù)據(jù)對(duì)辨識(shí)模型進(jìn)行進(jìn)一步的訓(xùn)練和改善，從而提高辨識(shí)方法的辨識(shí)水平和精確度。