翟海保，王興志，葛敏輝，楊爭林，馮樹海，劉宇航

〔1.國家電網(wǎng)公司華東分部，上海 200120; 2.中國電力科學研究院(南京)，江蘇 南京 210003;3.上海電力大學 電氣工程學院，上海 200090〕

0 引 言

電力系統(tǒng)中輸電線路電壓等級高，距離長，故障復雜。當發(fā)生故障時，如何高效準確地進行故障的識別和診斷，避免錯報和誤報，對提升電網(wǎng)的安全穩(wěn)定性有重要意義[1]。

近年來基于數(shù)據(jù)驅(qū)動的故障診斷方法在電力系統(tǒng)方向中發(fā)展迅速[2-4]，方法一般包含四個部分：信號采集、數(shù)據(jù)處理、特征提取和故障分類[5-8]。核心是利用電網(wǎng)電氣量數(shù)據(jù)與機器學習算法相結(jié)合應(yīng)用到電網(wǎng)的故障診斷當中。文獻[9]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的綜合模型，使用多個相同結(jié)構(gòu)、不同參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建綜合評價模型，對電力系統(tǒng)的穩(wěn)態(tài)特征量進行綜合評估。文獻[10]針對電網(wǎng)保護設(shè)備誤動和拒動的問題，構(gòu)建了基于模糊C均值聚類的故障診斷模型，并通過計算故障可信度確定故障類型與位置。這些方法用于輸電線路故障診斷時抗干擾能力不強。

為了解決告警系統(tǒng)誤報率較高的問題，本文提出了基于改進卷積神經(jīng)網(wǎng)絡(luò)(CNN)的電網(wǎng)輸電線路故障診斷模型，利用不同工況下的電流時序數(shù)據(jù)，有效對各種故障和正常調(diào)停進行識別與分類，提高了故障診斷的準確率。

1 改進CNN結(jié)構(gòu)

針對輸電線路電流數(shù)據(jù)為一維時序數(shù)據(jù)的特點，基于一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用雙通道輸入和多卷積、池化操作對網(wǎng)絡(luò)結(jié)構(gòu)進行改進，并在卷積層中加入批歸一化層，如圖1所示。雙通道輸入的CNN可以提取輸入數(shù)據(jù)不同層面的特征，兩個輸入通道有兩個卷積層，且參數(shù)設(shè)置不同，各通道的輸出在輸入層將各部分特征融合。針對輸電線路正常調(diào)停誤報為故障這一問題，可以將故障數(shù)據(jù)和正常調(diào)停的數(shù)據(jù)分別輸入兩個卷積通道，故障數(shù)據(jù)的輸出為特征S1，正常調(diào)停的輸出特征S2，然后在輸入層把兩個通道的輸出特征進行融合，得到S。

圖1 改進CNN原理圖

1.1 輸入層

將兩個卷積通道的輸出S1和S2加權(quán)求和，在全連接層進行首尾相接融合為特征S，得到特征向量層。

(1)

1.2 批歸一化層

在神經(jīng)網(wǎng)絡(luò)訓練的過程中，通過計算每個批次數(shù)據(jù)的均值和標準差，將上層向量歸一化[11]。批歸一化計算如式(2)所示。

(2)

歸一化后用可學習的參數(shù)增益γ(k)和偏置β(k)去擬合原先的分布，得到批歸一化后的輸出數(shù)據(jù)y(k)。

(3)

批歸一化利用規(guī)范化和線性變換來降低模型中每層輸入量分布的差異度，可以提高模型的計算速度與準確度。

改進的CNN可以通過雙通道分別感知數(shù)據(jù)不同層面的局部特征量，再將局部的特征信息傳遞到更高層，最后在全連接層進行信息整合，獲得全局的特征量。

2 電網(wǎng)輸電線路故障診斷方法

2.1 數(shù)據(jù)預處理

多維的電網(wǎng)數(shù)據(jù)包括了龐大的電網(wǎng)信息，不同維度、不同指標和不同量綱的數(shù)據(jù)無法有效地提取故障信息，所以要將不同類型的電流數(shù)據(jù)進行預處理。本文對原數(shù)據(jù)使用Z-score標準化，減小各類數(shù)據(jù)的差異性，其計算公式如下：

(4)

利用Z-score標準化，將不同量級的數(shù)據(jù)轉(zhuǎn)換成同一量級的數(shù)據(jù)，減小不同特征量之間的差異性。

2.2 基于改進CNN的故障診斷模型

為了更好地提取故障類型數(shù)據(jù)和正常調(diào)停數(shù)據(jù)特征，根據(jù)電流時序數(shù)據(jù)的維度特點[12]，設(shè)計基于改進CNN的故障診斷模型結(jié)構(gòu)，如圖2所示。卷積通道1中設(shè)置64個卷積核，卷積核尺寸固定為3，經(jīng)最大池化后維度減半，得到輸出S1；卷積通道2中設(shè)置32個卷積核，卷積核尺寸同樣為3，經(jīng)最大池化后維度減半，得到輸出S2，然后在輸入層得到S=S1⊕S2。

圖2 基于改進CNN的故障診斷模型

為了提高模型性能且防止過擬合，本文構(gòu)建三卷積層、兩批歸一化層和三池化層的網(wǎng)絡(luò)結(jié)構(gòu)，其中第一層卷積層設(shè)置64個卷積核，第二層與其一致，第三層卷積層設(shè)置32個卷積核，尺寸同樣固定為3。根據(jù)經(jīng)驗，最大池化層池化因子取2，批歸一化層的動態(tài)均值動量取0.8，卷積核的移動步長設(shè)置為1，池化層選擇最大池化，可以更好地提取出電流的突變量。所有卷積、批歸一化和池化層訓練完成后，再利用BP反向傳播算法進行權(quán)值和偏置的微調(diào)，完成訓練。通過連續(xù)的卷積和池化操作將特征向量高度壓縮提取，再結(jié)合soft-max回歸模型對四種故障和正常調(diào)停進行識別與分類。

2.3 訓練過程

改進CNN模型的訓練過程分為三部分：

(1)將不同維度、不同量綱的數(shù)據(jù)進行標準化，本文選用Z-score標準化處理。

(2)用訓練集數(shù)據(jù)訓練改進卷積神經(jīng)網(wǎng)絡(luò)，初始化模型的參數(shù)，利用BP算法微調(diào)網(wǎng)絡(luò)的權(quán)重與偏置，迭代計算，達到設(shè)定要求后結(jié)束。

(3)網(wǎng)絡(luò)輸出的分類向量作為輸入soft-max分類器，結(jié)合測試集數(shù)據(jù)輸出五種特征量并進行分類。最后檢驗網(wǎng)絡(luò)的訓練精度是否滿足要求。若滿足，則保存網(wǎng)絡(luò)模型；若不滿足，則重新設(shè)置網(wǎng)絡(luò)參數(shù)。

3 算例分析

利用華東某地電網(wǎng)的5月～7月異常狀態(tài)電流時序數(shù)據(jù)說明所提方法的具體診斷過程，并驗證所提方法的可行性和有效性。

3.1 數(shù)據(jù)與樣本

根據(jù)電網(wǎng)調(diào)度系統(tǒng)中月報和儲存的異常工作狀態(tài)信息提取五種異常狀態(tài)電流時序數(shù)據(jù)，包括設(shè)備線路短路故障、單相線路短路故障、線路重合閘后再跳閘、三相線路短路故障和正常調(diào)停誤報，如圖3所示，每個樣本包含故障前后共3 s內(nèi)的電流變化過程，有3 000個采樣數(shù)據(jù)點。

圖3 五種異常狀態(tài)電流時序數(shù)據(jù)

從圖3可以看出，不同工作狀態(tài)下的瞬時電流變化情況不同，產(chǎn)生沖擊電流的大小和尺度也不同。設(shè)備線路短路和正常調(diào)停的電流變化情況極其相似，難以直接通過電流時序數(shù)據(jù)對兩種情況進行區(qū)分，需要通過深度學習模型進行診斷。電力系統(tǒng)實際運行時，線路重合閘再跳閘和三相短路情況出現(xiàn)頻率較少，同時為了保證模型訓練效果，設(shè)置樣本如表1所示。設(shè)備線路短路故障、單相線路短路故障、線路重合閘后再跳閘和三相線路短路故障數(shù)據(jù)輸入到卷積通道1中，正常調(diào)停誤報數(shù)據(jù)輸入到卷積通道2中。

表1 樣本安排

對所有的原始數(shù)據(jù)進行Z-score標準化，如圖4所示為標準化后的390組樣本數(shù)據(jù)。通過標準化，將不同量綱和維度的指標結(jié)合對比分析，凸顯出不同工作狀況下時序電流數(shù)據(jù)的瞬時變化特征和振蕩特征。

圖4 標準化后的樣本數(shù)據(jù)

3.2 訓練與測試

將處理后的數(shù)據(jù)輸入到改進卷積神經(jīng)網(wǎng)絡(luò)中，采用Adam優(yōu)化器[13]算法來自適應(yīng)調(diào)整學習率來加速模型收斂。本文使用其默認參數(shù)，依據(jù)經(jīng)驗設(shè)置學習率lr為0.001，當?shù)?0次時模型收斂，結(jié)果如圖5所示。

圖5 改進CNN訓練過程

使用改進CNN的故障診斷模型進行6次試驗，結(jié)果如表2所示，測試集最高準確度為98.998%，最低為95.753%，6次試驗測試集平均準確度為97.583%，訓練時間為83.67 s。

表2 基于改進CNN的故障診斷結(jié)果

利用可視化工具t-SNE[14]將輸出特征量降維到二維平面展示，結(jié)果如圖6所示。輸出特征量已經(jīng)表現(xiàn)出完全分離狀態(tài)，可將五種狀態(tài)有效地分類識別?？梢?，本文的網(wǎng)絡(luò)模型能夠從時序電流數(shù)據(jù)中提取出特征量，并且可以將調(diào)停誤報的情況與其他故障狀態(tài)區(qū)分。

圖6 改進CNN輸出特征可視化

3.3 與其他方法對比

本文構(gòu)建傳統(tǒng)CNN模型和淺層學習模型ANN和SVM作為對照組[15]，其參數(shù)和優(yōu)化策略與改進CNN一致，評估結(jié)果如表3所示。從表3可以看到改進CNN模型的準確度最高，傳統(tǒng)CNN與SVM的準確度差別不大。

表3 不同模型的診斷效果

在試驗中，計算機處理器為英特爾i3 7100，內(nèi)存為16GB的DDR3內(nèi)存。迭代訓練完成共計耗時83.67 s。如果將故障發(fā)生時前后共計3 s的數(shù)據(jù)輸入訓練好的模型中，輸出特征向量并進行分類識別的總耗時約為37 ms。模型僅需要訓練一次，網(wǎng)絡(luò)計算速度可以滿足在線實時診斷的需要。

4 結(jié)束語

本文將卷積神經(jīng)網(wǎng)絡(luò)用于輸電線路故障診斷中，提出一種基于改進的卷積神經(jīng)網(wǎng)絡(luò)的智能故障診斷模型。

(1)相比與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)。本文提出的改進的卷積神經(jīng)網(wǎng)絡(luò)具有雙通道輸入和多層卷積池化層，并加入批歸一化層優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，可以自動提取故障特征，故障診斷識別準確率達到了97.583%，效果顯著，優(yōu)于淺層學習的評估性能。

(2)通過優(yōu)化網(wǎng)絡(luò)模型，可以將線路的五種異常工況有效地分類和識別，尤其是將調(diào)停誤報與其他四種故障情況分離，避免誤報現(xiàn)象，實現(xiàn)智能診斷。