侯思祖，郭威，王子奇，劉雅婷

(華北電力大學 電氣與電子工程學院，河北 保定 071003)

0 引 言

隨著一流配電網(wǎng)建設逐步推進，電網(wǎng)的拓撲結(jié)構日益復雜，饋線分支較多，架空線和電纜線路相互混聯(lián)，難免會發(fā)生各種類型故障，若不能及時處理將會影響電力系統(tǒng)的安全穩(wěn)定運行[1]，快速準確定位故障點位置將有利于故障迅速排除，縮短停電時間，減少人工巡線的工作量[2]。目前，電力系統(tǒng)的故障機理較為復雜，數(shù)據(jù)規(guī)模龐大，現(xiàn)有的故障定位方法難以滿足定位準確度的需求[3-4]。

傳統(tǒng)的配電網(wǎng)故障定位方法大致分為三種：行波法[5]，阻抗法[6]和注入信號法[7]。行波法對設備的采樣頻率要求較高，行波的波頭識別較為困難，線纜混合線路還涉及到波速轉(zhuǎn)換問題[8]，且行波信號易受噪聲和電壓幅值波動等因素的影響。阻抗法通過計算故障回路的阻抗尋找故障點位置，線路的多分支、過渡電阻的大小和系統(tǒng)負荷等因素都會影響該方法的準確性。注入信號法通過檢測注入信號的路徑和特征完成故障定位，方法原理簡單，但是對于間歇性電弧接地故障或高阻接地故障，該方法將會失效，并且所需設備昂貴，注入的信號也會對電網(wǎng)有一定的沖擊。文獻[9]構建了開關函數(shù)及評價函數(shù)，將定位問題轉(zhuǎn)換成旅行商問題(Traveling Salesman Problem，TSP)，通過改進蟻群算法對配網(wǎng)故障進行全局搜索，在一定程度上提升了故障位置搜索效率，但是容易陷入局部最優(yōu)。文獻[10]根據(jù)健全線路與故障線路上故障點上下游三相電流突變量的特征實現(xiàn)配網(wǎng)故障定位，但是該方法不夠嚴謹，當線路末端出現(xiàn)故障或線路發(fā)生高阻接地故障，定位方法將會出現(xiàn)誤判。文獻[11]以故障點上下游導納隨頻率變化的關系為基礎，通過上下游線路零序電流重心頻率的不同特性，完成配網(wǎng)故障定位，但實際中，準確地提取重心頻率較為困難，且故障接地相角的大小會影響定位的準確性。文獻[12]分析了相電流突變量與相電壓突變量的導數(shù)相關性，通過故障指示器實現(xiàn)配網(wǎng)故障區(qū)段定位，但需要較高精度的電流互感器才能獲取相電流的突變量。文獻[13]引入分級處理思想，通過人類進化算法完成配網(wǎng)故障定位，但對于復雜電網(wǎng)，該方法的靈活性和實用性降低。文獻[14]利用全相位快速傅里葉變換頻譜校正提取測量點電壓電流的基波有效值和相位信息作為特征向量，通過極限梯度提升法建立故障定位器，實現(xiàn)故障測距，但小電流接地系統(tǒng)發(fā)生單相接地故障時，工頻電流的有效值變化較小，特別是過渡電阻較大時，基波的故障特征進一步減弱，影響該方法的測距精度。文獻[15]利用量測的電壓電流相位特征，通過堆棧自編碼器(Stacked Auto-Encoder，SAE)進行建模，實現(xiàn)故障測距。文獻[16]利用三相電流波形的特征，通過卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，CNN)判斷故障區(qū)段，但沒有充分發(fā)揮CNN在圖像模式識別領域中的優(yōu)勢，且對于小樣本的訓練集合，CNN易出現(xiàn)過擬合現(xiàn)象。上述方法多數(shù)是憑借該領域的研究經(jīng)驗，分析故障特征與故障位置之間的關系，建立定位模型尋找故障點，容易受到人為因素的影響。

《新一代人工智能發(fā)展規(guī)劃》指出人工智能的發(fā)展是重大的戰(zhàn)略機遇。將新一代的人工智能引入電網(wǎng)的故障分析與定位已成為一種趨勢。深度學習作為新一代人工智能的代表，已在自然語言處理、數(shù)據(jù)挖掘、語音和圖像識別等領域有了卓越的成果。深度學習可以通過數(shù)據(jù)驅(qū)動自主挖掘原始輸入向量的有效信息。配電網(wǎng)在不同位置發(fā)生故障，各區(qū)段的電壓電流信號將呈現(xiàn)出不同的工況信息[17]。配電網(wǎng)的故障定位問題本質(zhì)上是一種分類問題，可以利用深度學習在圖像識別中的優(yōu)勢實現(xiàn)故障定位。但配網(wǎng)的電量信號是一維時間序列，不具有圖像的性質(zhì)，不適合直接應用深度學習?？梢圆捎煤线m的信號處理方法，將電網(wǎng)的電量信號轉(zhuǎn)成具有圖像性質(zhì)的像素矩陣作為深度學習方法的輸入。目前，尚未見深度神經(jīng)網(wǎng)絡AlexNet在配電網(wǎng)故障定位方面的應用研究。CNN雖然在圖像處理領域被廣泛應用[18-19]，但其結(jié)構的相關參數(shù)需要用大量具有標簽的樣本數(shù)據(jù)才能得到，并且訓練過程從零開始，需要較長的訓練時間和較大的計算資源。配電網(wǎng)故障定位的信號訓練樣本數(shù)據(jù)集較少，若直接利用卷積神經(jīng)網(wǎng)絡，容易出現(xiàn)過擬合現(xiàn)象，影響故障定位的效果。遷移學習通過利用一個領域?qū)W習到的知識對另一個相似領域問題進行建模求解[20]。深度遷移學習可以在小樣本數(shù)據(jù)驅(qū)動下完成建模，并且訓練的速度和效率都有所提升[21]。因此，可以將深度遷移學習方式引入配電網(wǎng)故障區(qū)段定位中。

本文提出一種基于深度網(wǎng)絡遷移學習模型的配電網(wǎng)故障區(qū)段定位方法。以圖像模式識別的方式實現(xiàn)配電網(wǎng)故障區(qū)段定位。利用小波包變換(Wavelet Packet Transform，WPT)獲取配網(wǎng)各區(qū)段電量信號的時頻矩陣，通過顏色編碼將時頻矩陣轉(zhuǎn)成像素矩陣，像素矩陣是一種時頻譜圖，具有圖像性質(zhì)，能囊括當前系統(tǒng)的工況信息。配網(wǎng)不同位置發(fā)生故障，像素矩陣也將包含不同的工況信息。通過微調(diào)的AlexNet網(wǎng)絡自主提取像素矩陣的特征作為預測變量。將自主提取的預測變量分別輸入到學習向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡、支持向量機(Support Vector Machine，SVM)、樸素貝葉斯分類器(Naive Bayesian Machine，NBC)、極限學習機(Extreme Learning Machine，ELM)和門控循環(huán)單元(Gated Recurrent Unit，GRU)。通過混淆矩陣顯示配電網(wǎng)故障區(qū)段定位結(jié)果，確定了AlexNet-GRU模型擁有最佳的識別效果。該方法以數(shù)據(jù)驅(qū)動方式實現(xiàn)配網(wǎng)故障特征自主提取與故障區(qū)段定位。

1 電量信號時頻信息提取

1.1 WPT分解重構原理

傅里葉變換只能在整個時間軸上積分，利用信號的全局特征得到頻域信息，不能描述局部時間段的頻域特性[22]。傅里葉變換后，時間變量消失，不能提供信號的時頻分析，且傅里葉變換在分析突變或不平穩(wěn)信號時效果不理想。小波變換(Wavelet Transform，WT)是在克服傅里葉分析缺點的基礎上發(fā)展出來的，是信號時頻分析和處理的強有力工具，擁有數(shù)學顯微鏡的美譽。小波變換通過縮放和平移等運算將原始信號分解為一系列小波系數(shù)，這樣可以獲得原始信號各頻率子段的頻率特征，實現(xiàn)對信號的多尺度細化分析，在時域和頻域均具有良好的局部化特征[23-24]，但是小波變換只對每次分解得到的低頻近似信號進行分解，而對高頻細節(jié)信號沒有作任何處理，這使得信號的高頻特征沒有被更好的利用。相比小波變換，小波包變換不但對尺度空間進行了分解，也對小波空間進行了分解。由于配網(wǎng)發(fā)生故障后，故障信號中不但含有低頻成分，還會含有高頻成分。利用小波包變換可以實現(xiàn)對配網(wǎng)故障信號無泄漏、不重疊的全頻段正交分解，可以更有效地對電量信號進行時頻局部化分析。

選擇合適的小波基函數(shù)對配網(wǎng)的故障信號進行小波包分解與重構，實現(xiàn)對電量信號的初步處理，小波包的分解和重構表達式分別如式(1)和式(2)所示。

(1)

(2)

其中，p、q和d分別代表低通濾波器系數(shù)、高通濾波器系數(shù)和小波包分解系數(shù)；分解層數(shù)用k和l表示；小波包節(jié)點標號用j和n表示。

1.2 電量信號的時頻信息

因為利用小波包分析信號時，對高頻帶的分解會導致頻帶錯亂，使各子頻帶的排列順序交錯，因此對分解出來的結(jié)果需要按照頻率由低到高的順序重新排列。文獻[25]指出配電網(wǎng)信號瞬時頻率主要集中在0～3 kHz，采用db4小波作為小波基函數(shù)，對電量信號進行4層小波包分解時效果最佳，可以得到信號最為細致的頻譜特征。本文的采樣頻率設為10 kHz，采用4層分解時，第4層分解結(jié)果可以得到16個不同的頻率的特征信號，按照中心頻率大小進行重排，將0～3 125 Hz部分作為配網(wǎng)信號分析的頻帶，即取第4層分解結(jié)果的前5個子頻帶進行重構，將各子頻帶重構的信號作為故障分析的數(shù)據(jù)矩陣，按照三相電壓、三相電流的順序，從上到下依次排列各信號分解出來的子頻帶。一個周期的采樣點數(shù)為200，為了抑制端點效應，刪掉每行的前5個采樣點和后5個采樣點，則此時的時頻矩陣的大小為30×190。時頻矩陣是通過小波包分解電量信號得到的數(shù)據(jù)矩陣，并不具有圖像的性質(zhì)。采用MATLAB小波工具箱中的wcodemat函數(shù)對時頻矩陣E量化編碼，可將時頻矩陣的數(shù)據(jù)范圍轉(zhuǎn)換到[0, 255]之間。通過量化編碼，時頻矩陣由數(shù)據(jù)矩陣變換成具有圖像性質(zhì)的像素矩陣。將每個點的像素值根據(jù)大小轉(zhuǎn)為不同的顏色，所得結(jié)果如圖1所示，其中，每個像素點的像素值代表了經(jīng)小波包分解得到的數(shù)據(jù)矩陣的數(shù)值大小。時頻信息圖囊括了電量信號的低頻特征和高頻特征，并且在不同的區(qū)段發(fā)生故障，時頻信息圖也會具有不同的紋理特征和顏色分布。時頻信息圖蘊含了豐富的配網(wǎng)工況信息，可以作為配網(wǎng)電量信號的標識。但是，僅用肉眼，無法準確地區(qū)分這些標識，即無法準確地定位故障區(qū)段。通過對小波包分解的結(jié)果量化編碼，配網(wǎng)的電量信號會以圖像形式的呈現(xiàn)，引入深度學習方法，將配網(wǎng)故障區(qū)段定位問題轉(zhuǎn)換成圖像的智能分類問題。

2 故障區(qū)段定位模型

2.1 AlexNet模型

2012年，文獻[26]設計了AlexNet神經(jīng)網(wǎng)絡模型，在ImageNet大規(guī)模視覺識別挑戰(zhàn)大賽上一舉奪魁，掀起了深度學習在各個領域應用研究的熱潮。AlexNet網(wǎng)絡模型本質(zhì)上是一種卷積神經(jīng)網(wǎng)絡，模型結(jié)構如圖2所示。從圖2可以看出，經(jīng)典的AlexNet模型包含了五個卷積層，三個池化層，三個全連接層和一個Softmax層。五個卷積層分別采用了96、256、384、384和256個不同大小的卷積核[27]對輸入數(shù)據(jù)執(zhí)行卷積運算。此外，卷積層1和卷積層2利用了局部響應歸一化操作。三個全連接層分別含有4 096、4 096和1 000個神經(jīng)元。第三個全連接層的神經(jīng)元個數(shù)與樣本類別保持一致，其輸出作為Softmax激活函數(shù)的輸入。Softmax激活函數(shù)以概率分布的形式確定樣本類別。

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡，激活函數(shù)一般采用飽和非線性函數(shù)tanh函數(shù)，而AlexNet網(wǎng)絡采用線性整流單元(Rectified Linear Unit，ReLu)作為激活函數(shù)。相比tanh函數(shù)，ReLu函數(shù)更符合生物神經(jīng)元激活機理，能夠增強網(wǎng)絡的稀疏性，提升模型的訓練速度，避免梯度消失情況。AlexNet模型引入了dropout技術，隨機抑制了某些神經(jīng)元，將被抑制神經(jīng)元的激活值置為0，提升了模型的泛化能力，有效地緩解了過擬合問題。AlexNet網(wǎng)絡被提出以后，又出現(xiàn)了許多更深的神經(jīng)網(wǎng)絡，例如GoogleNet、R-CNN和VGG等優(yōu)秀的網(wǎng)絡模型。但是相比其它網(wǎng)絡模型，AlexNet網(wǎng)絡的模型結(jié)構簡單，易于訓練，耗時短，對圖像具有較強的辨識能力[28]，適合在工程上應用。

2.2 彩虹編碼

對小波包分解電量信號的結(jié)果量化編碼可以得到像素矩陣。像素矩陣是二維圖像，雖然可以直接作為CNN的輸入，但是配電網(wǎng)故障定位存在小樣本問題，用于訓練的故障數(shù)據(jù)較少，而CNN訓練過程需要大量的訓練樣本。深度遷移學習可以在小樣本數(shù)據(jù)驅(qū)動下完成建模，因此本文通過小樣本的數(shù)據(jù)集對AlexNet網(wǎng)絡微調(diào)，可以避免超參數(shù)設置不當?shù)葐栴}。

為了完成配網(wǎng)故障定位任務，需要對經(jīng)典的AlexNet網(wǎng)絡最后一個全連接層的神經(jīng)元數(shù)量進行調(diào)整，使其數(shù)目與待分類對象類別保持一致。AlexNet網(wǎng)絡輸入的圖像需要放縮到固定大小為227×227×3，對小波包分解結(jié)果量化編碼后的圖像是二維灰度圖像，不能直接放縮到227×227×3，但是可以對二維灰度圖像進行彩虹編碼，生成RGB彩色空間，之后執(zhí)行放縮。彩虹編碼是一種偽彩色變換方法，通過函數(shù)關系映射，將圖像的灰度值映射到顏色漸變的彩色[29]，原理過程如圖3所示。其中，f(x,y)表示二維圖像點(x,y)處的灰度值；TR、TG、TB代表灰度級-彩色變換的傳遞函數(shù)；R(x,y)、G(x,y)、B(x,y)為RGB三基色的分量值。

圖3 灰度級-彩色變換原理

偽彩色編碼方式分為線性編碼和非線性編碼[30]，線性編碼方式操作簡單，但是該編碼方式的適應性較低；非線性編碼方式雖然有較強的適應性，但是該方法較為復雜，計算量較大。彩虹編碼兼合了線性和非線性編碼方式的優(yōu)點，采用了分段線性編碼方式。彩虹編碼的RGB三基色的變換函數(shù)分別如式(3)～式(5)所示：

(3)

(4)

(5)

通過彩虹編碼可以將二維的灰度圖像轉(zhuǎn)換成擁有RGB顏色空間的三維圖像，實現(xiàn)彩色增強。對小波包分解結(jié)果量化編碼，將所得的像素矩陣通過偽彩色編碼升高至三維偽彩色圖，后續(xù)環(huán)節(jié)縮放到227×227×3作為AlexNet網(wǎng)絡的輸入。

2.3 GRU算法

門控循環(huán)單元(Gated Recurrent Unit，GRU)是長短時記憶網(wǎng)絡(Long Short-Term Memory，LSTM)的新變體[31]。LSTM可以有效地解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(Recursive Neural Network，RNN)的梯度消失和梯度爆炸的問題，有堅實的理論基礎，但是其模型結(jié)構較為復雜，需要遺忘門、輸入門和輸出門三個門函數(shù)參與建模，參量數(shù)較多，收斂速度慢。GRU網(wǎng)絡簡化了LSTM的模型結(jié)構，只需要更新門和重置門兩個門函數(shù)就可以達到LSTM同等功能，削減了LSTM的參數(shù)量，節(jié)約了運算時間[32-33]。圖4為GRU子單元網(wǎng)絡結(jié)構，其中，t和t-1分別為當前時刻和上一時刻；x和h分別表示輸入變量和狀態(tài)記憶變量；r、z和h′分別為重置門狀態(tài)、更新門狀態(tài)和候選隱藏狀態(tài)；“⊙”和“+”分別表示哈達瑪乘積和向量加法運算；σ和tanh為激活函數(shù)。

圖4 GRU子單元網(wǎng)絡結(jié)構

3 故障區(qū)段定位實現(xiàn)過程

利用小波包變換時頻雙域的優(yōu)勢，處理配電網(wǎng)的電量信號，通過量化編碼將分解結(jié)果轉(zhuǎn)成具有圖像性質(zhì)的像素矩陣。像素矩陣囊括了電量信號的時頻信息，是一張二維的灰度圖像，為適應AlexNet網(wǎng)絡輸入樣本維度227×227×3的要求，采用彩虹編碼將灰度圖像轉(zhuǎn)成具有RGB顏色空間的三維偽彩色圖像。偽彩色圖的紋理特征、顏色分布等信息與配網(wǎng)工況密切相關。通過AlexNet網(wǎng)絡自主提取偽彩色圖中的特征作為預測變量，避免人工提取特征量的繁瑣過程，利用模式識別算法對預測變量進行模式識別，即可實現(xiàn)配電網(wǎng)故障區(qū)段定位。故障區(qū)段定位實現(xiàn)流程如圖5所示。

圖5 故障區(qū)段定位流程

具體實現(xiàn)過程如下：

(1)采集各區(qū)段的三相電壓和三相電流信號，采樣頻率為10 kHz，截取故障后一個周期信號數(shù)據(jù)作為待分解信號；

(2)利用小波包變換對待分解信號進行4層分解，將分解結(jié)果按照子頻帶由低頻到高頻順序排列，取第4層小波系數(shù)的前5個頻帶進行重構，獲得電量信號的時頻矩陣；

(3)對電量信號的時頻矩陣進行量化編碼，獲得像素矩陣，然后，利用彩虹編碼對像素矩陣進行升維處理，獲得RGB顏色空間的三維偽彩色圖像，并將偽彩色圖像進行網(wǎng)格規(guī)范化壓縮處理至227×227×3；

(4)通過微調(diào)AlexNet網(wǎng)絡提取偽彩色圖像的特征，將AlexNet網(wǎng)絡第二個全連接層的輸出作為特征變量。

將AlexNet網(wǎng)絡提取的特征變量送入模式識別算法進行訓練，以模式識別的方式完成配電網(wǎng)故障區(qū)段定位。其中，模式識別算法的輸出為配電網(wǎng)各區(qū)段的標簽，標簽數(shù)據(jù)采用One-Hot編碼形式。

4 實驗與分析

4.1 樣本配置

基于MATLAB/SIMULINK搭建輻射式中壓配電網(wǎng)模型，其拓撲結(jié)構如圖6所示，通過此模型采集故障樣本數(shù)據(jù)，采樣頻率為10 kHz。其中，區(qū)段1、區(qū)段2、區(qū)段3、區(qū)段4為架空線路，區(qū)段5～15為電纜線路。架空線參數(shù)：r1=0.178 Ω/km，l1=1.250×10-3H/km，c1=0.061×10-6F/km；r0=0.250 Ω/km，l0=4.560×10-3H/km，c0=0.038×10-6F/km；電纜線路參數(shù)：r1=0.278 Ω/km，l1=0.265×10-3H/km，c1=0.438×10-6F/km；r0=2.750 Ω/k，l0=1.118×10-3H/km，c0=0.390×10-6F/km。線路長度為：L1=3 km，L2=2 km，L3=1 km，L4=2 km，L5=4 km，L6=3 km，L7=0.5 km，L8=3 km，L9=3 km，L10=3 km，L11=3 km，L12=3 km，L13=3 km，L14=3 km，L15=1 km。線路的末端負荷均設為0.6+0.3 MV·A。消弧線圈采用過補償方式，過補償度設為8%。

圖6 配電網(wǎng)拓撲結(jié)構模型示意圖

采用文獻[12]的區(qū)段劃分方式將整個配電系統(tǒng)劃分成15個區(qū)域，采用One-Hot編碼形式對15個區(qū)域配置標簽，所得結(jié)果如表1所示。在各區(qū)段設置故障點，故障類型包括：單相接地故障(AG/BG/CG)、兩相短路故障(AB/AC/BC)、兩相接地故障(ABG/ACG/BCG)。故障合閘角包括：0°、30°、60°、90°、120°、150°。單相接地故障的過渡電阻取值區(qū)間為0～1 000 Ω，兩相接地故障的過渡電阻取值區(qū)間為0～10 Ω。

表1 區(qū)段編碼

對各區(qū)段故障后一個周期的三相電壓電流信號進行小波包分解，取每個信號的前五個頻帶重構作為故障分析的數(shù)據(jù)矩陣。為了抑制端點效應，刪掉每行的前5個采樣點和后5個采樣點，各區(qū)段按照三相電壓、三相電流的順序，從上到下依次排列各信號分解出來的子頻帶。然后，按照區(qū)段編號依次拼接到一起，構成該工況下時頻矩陣。對時頻矩陣進行量化編碼和彩虹編碼，獲得維度為450×190×3的三維時頻信息偽彩色圖。以區(qū)段1，區(qū)段2，區(qū)段3，區(qū)段4發(fā)生AG故障為例，電量信號時頻信息偽彩色圖如圖7所示。通過本文提出的故障信號顏色編碼方式，可以將配網(wǎng)各區(qū)段電量信號融合到一張圖像中。不同區(qū)段發(fā)生故障，圖像的紋理參數(shù)和顏色分布等特征將會以不同的形式呈現(xiàn)，這些特征會與配網(wǎng)的工況信息密切相關，為實現(xiàn)配電網(wǎng)故障區(qū)段定位奠定基礎。但是，僅以肉眼，無法準確通過辨識時頻信息圖確定故障區(qū)段，需借助深度學習方法自主完成圖像辨識。

圖7 電量信號的時頻信息偽彩色圖

由于整個配電系統(tǒng)被劃分成15個區(qū)域，需要修改AlexNet網(wǎng)絡最后一個全連接層的神經(jīng)元個數(shù)為15，為了加強學習，將權值系數(shù)和偏置系數(shù)設為20。因此，最終的AlexNet網(wǎng)絡各層參數(shù)配置如表2所示。

表2 修改的AlexNet網(wǎng)絡各層參數(shù)配置

圖2中，“Valid”表示不擴充邊緣；“Same”表示擴充邊緣，防止卷積后的圖像越來越小。訓練網(wǎng)絡時，求解器采用Adam優(yōu)化算法，初始學習效率設為0.000 1，批量大小設置為30，最大訓練周期50，每訓練100次驗證一次。

4.2 特征提取能力驗證

為了驗證AlexNet網(wǎng)絡提取時頻信息偽彩色圖特征變量的能力，引入傳統(tǒng)的CNN網(wǎng)絡與其對比。CNN網(wǎng)絡包含兩層卷積，兩層池化。訓練樣本1 425個，驗證樣本315個。分別采用Adam和SGDM兩種優(yōu)化器訓練傳統(tǒng)的CNN網(wǎng)絡和AlexNet網(wǎng)絡，采用交叉熵作為損失函數(shù)。圖8為兩種模型整體的訓練過程。

圖8 兩種模型整體訓練過程

從圖8(a)可以看出，若采用SGDM優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡的訓練樣本和驗證樣本的正確率較低，損失函數(shù)函數(shù)值較大，說明若采用SGDM優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡已經(jīng)不具備故障特征提取能力，而AlexNet網(wǎng)絡的訓練樣本正確率逐漸上升，損失函數(shù)值逐漸減小，但是結(jié)果有所波動。從圖8(b)可以看出，采用Adam優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡訓練樣本的準確率逐漸上升，但是曲線波動較大，且驗證樣本的準確率低于AlexNet網(wǎng)絡驗證樣本的準確率。當采用Adam優(yōu)化器時，AlexNet網(wǎng)絡的訓練樣本和驗證樣本正確率都穩(wěn)定達到100%，說明網(wǎng)絡沒有出現(xiàn)過擬合現(xiàn)象，模型訓練效果最優(yōu)，收斂速度最快。

表3列出了兩種模型具體參數(shù)對比情況，可以看出，AlexNet網(wǎng)絡的正確率和訓練時間均優(yōu)于傳統(tǒng)的CNN網(wǎng)絡，且優(yōu)化器選擇Adam，效果最佳。

表3 兩種模型參數(shù)對比情況

為了進一步驗證AlexNet網(wǎng)絡從時頻偽彩色圖像中提取特征向量的能力，可以對各層結(jié)果進行可視化。由于AlexNet網(wǎng)絡每層的輸出結(jié)果均是一個高維向量，不能直接觀察，可以引入流形學習中的t-SNE (t-distributed Stochastic Neighbor Embedding, t-SNE)維數(shù)約簡算法[34]對高維非線性數(shù)據(jù)進行降維可視化，圖9為輸入層和全連接層7特征可視化結(jié)果，其中，PC1和PC2分別表示第一主成分和第二主成分。

圖9 AlexNet網(wǎng)絡特征可視化結(jié)果

從圖9可以看出，原始各故障區(qū)段偽彩色圖像的特征相互交叉，難以區(qū)分該圖像所屬類別。經(jīng)過AlexNet網(wǎng)絡的卷積層、池化層等層級的運算，全連接層7輸出的特征向量具有較高的辨識度，相同故障區(qū)段的特征向量聚集到了一起，不同故障區(qū)段的特征區(qū)分較為明顯。

4.3 不同算法定位結(jié)果

用AlexNet網(wǎng)絡挖掘訓練樣本圖片和驗證樣本圖片特征，構造時序電量信號高緯度特征向量，作為模式識別算法的訓練數(shù)據(jù)集和驗證數(shù)據(jù)集。

比較常見的模式識別方法，LVQ、NBC、ELM、SVM和GRU。取未參與訓練的1 200張電量信號時頻信息偽彩色圖作為測試樣本，采用AlexNet網(wǎng)絡自主提取特征，將提取的特征用上述模式識別方式進行分類，通過混淆矩陣對各模式識別方法進行詳細的分析，所得結(jié)果如圖10所示，其中，對角線單元格數(shù)值表示正確的區(qū)段定位結(jié)果，非對角線單元格數(shù)值表示錯誤的區(qū)段定位結(jié)果。從圖10可以看出，相比其它模式識別方法，GRU故障定位效果最好，只出現(xiàn)一個錯誤判斷，準確率可以達到99.92%，分析誤判原因，是由于相鄰區(qū)段被抽取出來的特征較為接近，造成誤判。

圖10 不同模式識別方法下混淆矩陣實驗結(jié)果

表4列出了各模式識別正確率、測試時間和測試樣本容量，可以看出，ELM模型的測試時間最短，但是區(qū)段14發(fā)生故障時，識別率僅有82.5%。GRU模型的測試時間僅次ELM模型。但各故障區(qū)段識別正確率優(yōu)于ELM模型。SVM的綜合識別正確率與GRU模型較為接近，但是測試時間較長。因此，通過GRU模型識別AlexNet網(wǎng)絡提取的特征，實現(xiàn)的配電網(wǎng)故障區(qū)段定位效果最佳。

表4 五種模式識別方法的對比

4.4 定位方法的適應性

采集的實際信號或多或少存在噪聲，會使原始信號產(chǎn)生畸變，研究配電網(wǎng)故障區(qū)段定位在噪聲干擾情況下的適應性十分必要[35-37]。在電壓電流信號上疊加不同信噪比噪聲，表5為故障區(qū)段定位結(jié)果。從表5可以看出，在電量信號含有信噪比為60 dB～30 dB的噪聲時，所提方法依然能準確定位故障區(qū)段。可見，文中方法在配電網(wǎng)故障區(qū)段定位上有一定的抗噪能力，這是因為小波包分解信號后，選擇了0～3 125 Hz部分作為信號分析的頻帶，削弱了噪聲的影響，并且AlexNet網(wǎng)絡的卷積與池化運算也有一定的濾波效果。

表5 噪聲干擾下故障區(qū)段定位結(jié)果

5 結(jié)束語

本文提出一種深度網(wǎng)絡遷移學習的配電網(wǎng)故障區(qū)段定位方法，以圖像模式識別的方式實現(xiàn)故障區(qū)段定位，主要工作和結(jié)論如下：

(1)利用小波包變換和顏色編碼將各區(qū)段的電量信號融合到一張含有時頻信息的偽彩色圖像中。偽彩色圖像囊括了豐富的故障信息，其紋理特征、顏色分布等參量和配電網(wǎng)信號的變化有緊密的聯(lián)系。將電量信號轉(zhuǎn)成圖像，可以充分發(fā)揮深度學習的優(yōu)勢；

(2)通過AlexNet網(wǎng)絡和傳統(tǒng)CNN模型對比實驗，證明了在自主提取偽彩色圖像的高維特征向量方面，AlexNet網(wǎng)絡的訓練時間和穩(wěn)定性均優(yōu)于傳統(tǒng)的CNN模型；

(3)相比常見的模式識別方法，利用GRU網(wǎng)絡識別AlexNet網(wǎng)絡提取的特征，在測試時間和正確率等方面效果最佳；

(4)文中方法利用了深度學習模型結(jié)構，可以自主提取故障特征，避免了人為干預，不需要專家經(jīng)驗知識。測試結(jié)果表明，所提方法不受故障類型、故障時刻和過渡電阻的影響，并且在噪聲干擾和采樣時間不同步等方面依然具有良好適應能力。