國網(wǎng)陜西省電力有限公司西咸新區(qū)供電公司 馬 進(jìn)

供電企業(yè)生產(chǎn)管理中，確保配電網(wǎng)運(yùn)行安全穩(wěn)定性是主要的管理目標(biāo)。傳統(tǒng)故障處理方式中，主要是利用分析穩(wěn)態(tài)或暫態(tài)電氣量進(jìn)行故障分析，能夠較為準(zhǔn)確的監(jiān)測到故障現(xiàn)象，但是無法準(zhǔn)確識別故障類型?；贑NN技術(shù)構(gòu)建故障分析模型，能夠更好的提升故障識別準(zhǔn)確性，有針對性的制定處理措施，避免接地故障復(fù)雜化，產(chǎn)生永久性接地現(xiàn)象。

1 配電網(wǎng)單向接地故障CNN識別方法

1.1 CNN識別方法原理

卷積神經(jīng)網(wǎng)絡(luò)（CNN）識別技術(shù)是基于故障信號的經(jīng)驗(yàn)?zāi)B(tài)分解，之后將固有模態(tài)函數(shù)進(jìn)行希爾伯特變換，能夠得出故障信號的時(shí)頻分布。本課題研究中采用配電網(wǎng)10kV側(cè)母線接地故障現(xiàn)象為例，構(gòu)建CNN模型，并利用模型分析故障信號參數(shù)。通過分析故障出現(xiàn)時(shí)a相和b相電壓R分量分解結(jié)果，對故障現(xiàn)象進(jìn)行精準(zhǔn)判斷。

1.2 CNN識別方法應(yīng)用步驟

利用構(gòu)建CNN模型法對配電網(wǎng)單相接地故障現(xiàn)象識別，主要包括是三個步驟：確定訓(xùn)練樣本。本課題研究中，樣本確定為配電網(wǎng)10kV側(cè)母線的三相電壓、三相電流及零序電壓等故障數(shù)據(jù)；訓(xùn)練學(xué)習(xí)。數(shù)據(jù)采集方式是利用HHT帶通濾波器，采集7個故障信號，在濾波處理后構(gòu)建時(shí)頻功率矩陣。將矩陣轉(zhuǎn)換成時(shí)頻譜圖后，就可以輸入模型完成訓(xùn)練；識別精度提升。在訓(xùn)練完成后，對測試樣本進(jìn)行識別，根據(jù)識別結(jié)果對參數(shù)進(jìn)行調(diào)整，能夠有效提升識別精度，進(jìn)而提升保護(hù)準(zhǔn)確性；增加樣本數(shù)據(jù)庫內(nèi)容，重復(fù)步驟3，直至滿足單相接地故障類型的實(shí)時(shí)識別要求為止[1]。基于上述步驟，應(yīng)用流程如圖1。

圖1 單相接地故障分類識別應(yīng)用流程

1.3 構(gòu)建時(shí)頻功率矩陣

時(shí)頻功率矩陣構(gòu)建，是先采集故障信號數(shù)據(jù)，采集數(shù)量設(shè)定為N個，利用HHT將數(shù)據(jù)劃分為M個子頻帶，將數(shù)據(jù)以采樣時(shí)間軸進(jìn)行K等分，計(jì)算出每等分中數(shù)據(jù)量為E（E=N/K，且取為整數(shù)）。本課題研究中，將M設(shè)定為5、N設(shè)定為20000、K設(shè)定為40，因此E為500。子頻帶的帶寬為300Hz，設(shè)計(jì)出每個故障信號的時(shí)頻功率矩陣，矩陣類型包括三相電壓、三相電流和零序電壓。根據(jù)時(shí)頻功率圖譜顯示，在a相出現(xiàn)故障時(shí)，b、c兩相電壓會出現(xiàn)升高，根據(jù)故障發(fā)生時(shí)信號在時(shí)間、頻率高及功率之間的關(guān)系分析，即可對故障情況進(jìn)行初步分析。

1.4 構(gòu)造CNN模型結(jié)構(gòu)

CNN模型結(jié)構(gòu)是通過多層卷積計(jì)算輸入最終結(jié)果，本課題研究中，將時(shí)頻功率圖譜作為輸入層，在不斷提取局部特征量后進(jìn)行計(jì)算壓縮，模型結(jié)構(gòu)示意如圖2所示。

圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)模型示意圖

卷積計(jì)算是時(shí)頻圖譜橫向和縱向計(jì)算同時(shí)進(jìn)行的，通過設(shè)置合理權(quán)重并連接至各個卷積層，即可自主完成局部特征量的提取。在提取完成后，能夠在最大池化層操作中降低數(shù)量的同時(shí)，保留模型關(guān)鍵特征，實(shí)現(xiàn)算法優(yōu)化。

1.5 仿真試驗(yàn)

仿真試驗(yàn)是利用PACSAD/EMTDC平臺搭建故障發(fā)生模型，獲取樣本數(shù)據(jù)。在進(jìn)行訓(xùn)練時(shí)，先是在模型中打開開關(guān)，切除消弧線圈，選取其中部分故障點(diǎn)作為訓(xùn)練樣本。結(jié)合配電網(wǎng)單相接地故障發(fā)生特征，重點(diǎn)關(guān)注金屬性接地、低阻接地及高阻接地故障現(xiàn)象，通過判斷是否存在間歇性電壓畸變、電壓諧波含量等特征，確定是否出現(xiàn)電弧接地現(xiàn)象。通過對過渡電阻耐受能力分析，確定故障現(xiàn)象屬于高阻接地或低阻接地[2]。這些分析結(jié)果的準(zhǔn)確性，與循環(huán)參數(shù)的迭代周期有直接關(guān)系，迭代次數(shù)越多、準(zhǔn)確率越高，但是邊際準(zhǔn)確率也不斷降低，因此要根據(jù)誤差范圍是否穩(wěn)定、準(zhǔn)確率能夠保持在100%附近時(shí)，確定合理的迭代次數(shù)。試驗(yàn)中，迭代次數(shù)設(shè)定為150次，能夠達(dá)到較好的訓(xùn)練效果。之后是對樣本進(jìn)行測試，將樣本輸入模型完成測試，直至識別率達(dá)到99.5%以上時(shí)，即可應(yīng)用于配電網(wǎng)單相接地故障識別。

2 CNN識別方法保護(hù)準(zhǔn)確性提升方式

降低誤判率。是提升故障保護(hù)方法準(zhǔn)確率的基本要求，在CNN模型運(yùn)行中主要存在兩個方面的影響因素：首先是消弧線圈在進(jìn)行補(bǔ)償時(shí)，所產(chǎn)生的感性電流會造成容性故障電流減弱，進(jìn)而造成系統(tǒng)誤判，因此在進(jìn)行設(shè)定模型參數(shù)時(shí)，需要對消弧線圈參數(shù)進(jìn)行優(yōu)化，盡量減少這方面的干擾；在低電阻識別時(shí)，要盡量避免故障相壓跌幅受過渡電阻影響的問題，在高電阻識別時(shí)，要盡量避免電壓電流故障特征不明顯問題[3]。只有通過這些方面的系統(tǒng)優(yōu)化，才能夠確保CNN模型的識別準(zhǔn)確率達(dá)到配電網(wǎng)安全穩(wěn)定運(yùn)行要求。

優(yōu)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。是針對配電網(wǎng)運(yùn)行實(shí)際情況變化，對CNN模型進(jìn)行優(yōu)化，確保識別準(zhǔn)確性達(dá)到要求的關(guān)鍵措施。在電力用戶逐步增加、配電網(wǎng)增加出線間隔，或線路大修技改、退出運(yùn)行時(shí)，都會造成實(shí)際結(jié)構(gòu)與模型結(jié)構(gòu)偏差過大，對故障識別率造成影響，因此在模型運(yùn)行中，還應(yīng)當(dāng)結(jié)合實(shí)際情況對樣本進(jìn)行檢查，準(zhǔn)確查找故障點(diǎn)出現(xiàn)誤判的原因，并根據(jù)實(shí)際情況調(diào)整好拓?fù)浣Y(jié)構(gòu)，避免由于模型與實(shí)際情況差異過大產(chǎn)生明顯誤判，對配電網(wǎng)運(yùn)行安全產(chǎn)生影響。

加入噪音污染。在模型中加入噪音污染是提升識別準(zhǔn)確率、確保保護(hù)準(zhǔn)確性提升的有效保障。在配電網(wǎng)運(yùn)行數(shù)據(jù)采集時(shí)，必然會由于噪音干擾現(xiàn)象導(dǎo)致數(shù)據(jù)不夠精準(zhǔn)，如在模型中沒有添加噪音污染，則會造成實(shí)際運(yùn)行結(jié)果與實(shí)際運(yùn)行情況產(chǎn)生偏差[4]。因此在本課題數(shù)據(jù)故障測試過程中，選擇添加30dB的高斯白噪音，對模型進(jìn)行數(shù)據(jù)訓(xùn)練。通過添加噪音的方式，能夠更好的適應(yīng)配電網(wǎng)故障發(fā)生時(shí)數(shù)據(jù)采集真實(shí)情況，在模型中對算法進(jìn)行優(yōu)化，盡量規(guī)避噪音干擾帶來的影響。

綜上，基于本課題研究顯示，利用CNN模型對配電網(wǎng)單相接地故障現(xiàn)象進(jìn)行分析，能夠通過數(shù)據(jù)采集和樣本測試，較為準(zhǔn)確的識別故障類型，模型識別準(zhǔn)確率達(dá)到98.8%以上。同時(shí)在采用降低誤判率措施、優(yōu)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、加入噪音污染等方式，確保模型分析與真實(shí)數(shù)據(jù)采集環(huán)境相一致情形下，識別準(zhǔn)確率也能夠達(dá)到93.5%以上，已能較好滿足配電網(wǎng)單相接地故障監(jiān)測及處理要求。