楊 佳,陳 勇,馮 波,王佳豪,潘 鑫,鐘加勇

(1.重慶理工大學(xué) 電氣與電子工程學(xué)院， 重慶 400054；2.重慶市能源互聯(lián)網(wǎng)工程技術(shù)研究中心， 重慶 400054;3.國(guó)網(wǎng)重慶市電力公司電力科學(xué)研究院， 重慶 401123)

0 引言

目前，配電網(wǎng)中單相接地故障占比較高，其故障類(lèi)型主要分為金屬性接地、低阻接地、高阻接地和電弧接地故障。在供電企業(yè)生產(chǎn)實(shí)踐中，準(zhǔn)確識(shí)別單相接地的故障類(lèi)型有助于分析接地原因，進(jìn)而制定更有效的單相接地處置措施，防范單相接地故障演變?yōu)橄嚅g接地或者瞬時(shí)性接地演化為永久性接地等更嚴(yán)重后果。同時(shí)，準(zhǔn)確識(shí)別單相接地故障類(lèi)型也有助于分析并解決小電流接地選線和故障區(qū)段定位問(wèn)題[1]。

配電網(wǎng)的故障識(shí)別主要通過(guò)分析穩(wěn)態(tài)或暫態(tài)2種電氣量來(lái)實(shí)現(xiàn)的。在穩(wěn)態(tài)電氣量方面，提取故障特征較為容易，但受到系統(tǒng)自身參數(shù)的因素影響較大，存在明顯的局限性[2-3]。在暫態(tài)電氣量方面，包含豐富的故障信息并能直觀反映故障本質(zhì)，其識(shí)別過(guò)程主要先通過(guò)小波變換[4]、梯度運(yùn)算(gradient)-閉運(yùn)算(closing)變換[5]、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)[6]等方法進(jìn)行特征處理后，再用智能算法完成故障的分類(lèi)識(shí)別。分類(lèi)識(shí)別的方法主要有支持向量機(jī)法(support vector machine，SVM)、模糊控制法、神經(jīng)網(wǎng)絡(luò)法等。文獻(xiàn)[7]采用局部特征尺度分解(LCD)對(duì)故障三相電壓、電流和零序電壓進(jìn)行分解，構(gòu)建了故障特征矩陣的奇異值，并輸入多級(jí)SVM的分類(lèi)器進(jìn)行故障識(shí)別，該方法能分類(lèi)識(shí)別多種故障類(lèi)型但徑向基核函數(shù)參數(shù)優(yōu)化速度會(huì)隨著樣本容量的增加而降低；文獻(xiàn)[8]通過(guò)海量的現(xiàn)場(chǎng)故障數(shù)據(jù)分類(lèi)出6種單相接地情形，提取出五種故障特征，輸入到模糊推理系統(tǒng)中進(jìn)行識(shí)別，有一定的識(shí)別精度，但要建立合理的模糊控制規(guī)則比較依賴(lài)于人工經(jīng)驗(yàn)且難于自主學(xué)習(xí)。文獻(xiàn)[9]應(yīng)用S變換提取故障特征量，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入量進(jìn)行故障識(shí)別，能有效識(shí)別高阻單相接地故障，但該方法收斂速度慢且容易出現(xiàn)局部過(guò)擬合現(xiàn)象；文獻(xiàn)[10]采用S變換提取故障特征量，輸入至ANN神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障識(shí)別，其高速尋優(yōu)特征向量，可以高效識(shí)別不同故障類(lèi)型，但要解決一個(gè)合理的網(wǎng)絡(luò)結(jié)構(gòu)模型，需要人工建立輸入與輸出之間的模型關(guān)系，而實(shí)際工況復(fù)雜往往難于求解；文獻(xiàn)[11]利用EMD法對(duì)故障信號(hào)進(jìn)行時(shí)頻分解，構(gòu)造出特征量，結(jié)合蟻群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值，提高了收斂速度，改善了識(shí)別精度。

本文中采用以EMD為基礎(chǔ)的HHT變換提取故障特征的方法，其對(duì)非平穩(wěn)故障信號(hào)的特征提取比小波變換更具有適應(yīng)性，且避免了小波基的選取問(wèn)題。將其變換出的故障時(shí)頻譜圖輸入至深度學(xué)習(xí)模型—CNN中進(jìn)行訓(xùn)練學(xué)習(xí)，通過(guò)采用自適應(yīng)學(xué)習(xí)率和正則化的方法尋求模型收斂速度和識(shí)別精度的最優(yōu)解，且配電網(wǎng)豐富的故障數(shù)據(jù)正好滿(mǎn)足CNN的樣本需求，使之在受到故障位置、過(guò)渡電阻、故障初相角等因素影響較大情況下均具有較高的精度。

1 CNN識(shí)別原理

基于CNN的配電網(wǎng)故障分類(lèi)識(shí)別流程如圖1所示。具體如下：

步驟1采集配電網(wǎng)10 kV側(cè)母線的三相電壓、三相電流和零序電壓的故障數(shù)據(jù)，作為訓(xùn)練樣本。

步驟2采用HHT帶通濾波器對(duì)7個(gè)故障信號(hào)進(jìn)行濾波，構(gòu)造時(shí)頻功率矩陣，將時(shí)頻功率矩陣轉(zhuǎn)換為35×35的時(shí)頻譜圖，輸入至CNN中完成訓(xùn)練學(xué)習(xí)。

步驟3利用已訓(xùn)練好的CNN模型對(duì)測(cè)試樣本進(jìn)行識(shí)別，調(diào)整參數(shù)，改善識(shí)別精度。

步驟4豐富故障樣本數(shù)據(jù)庫(kù)，利用步驟3實(shí)現(xiàn)對(duì)單相接地故障類(lèi)型的實(shí)時(shí)識(shí)別。

圖1 單相接地故障分類(lèi)識(shí)別流程框圖

1.1 希爾伯特-黃變換

HHT是先將故障信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，再對(duì)每個(gè)固有模態(tài)函數(shù)(IMF)進(jìn)行Hilbert變換，得到故障信號(hào)的時(shí)頻分布。因此，原始信號(hào)x(t)由n個(gè)IMF分量和1個(gè)殘差R組成：

(1)

式中：ci(t)是第i個(gè)IMF分量；R(t)是殘差。

對(duì)每個(gè)IMF分量應(yīng)用Hilbert變換，得到相應(yīng)的瞬時(shí)幅值和頻率。則原始信號(hào)可以表示為式(2)，殘差R(t)是1個(gè)可以忽略的極小分量。

(2)

式中：ai(t)和fi(t)分別為第i個(gè)IMF分量的瞬時(shí)幅值和頻率；Re{·}表示復(fù)數(shù)的實(shí)部。通過(guò)求取大量時(shí)頻特征后發(fā)現(xiàn)信號(hào)的瞬時(shí)頻率集中在0～1.5 kHz范圍內(nèi)，故選擇0～1.5 kHz的頻率寬度。a相金屬性接地故障時(shí)b相的電壓波形及其IMF分量如圖2所示，可以看出：故障信號(hào)采樣總時(shí)長(zhǎng)為0.2 s，在0.05 s時(shí)發(fā)生a相金屬性接地故障，0.11 s時(shí)結(jié)束故障?？梢?jiàn)a相電壓故障期間，b相電壓升高。b相電壓經(jīng)EMD分解成IMF1、IMF2、IMF3固有模態(tài)函數(shù)和R殘差分量，最后R分量分解結(jié)果近似于0，說(shuō)明HHT分解效果很好。

圖2 b相電壓原始波形及其IMF分量曲線

1.2 構(gòu)建時(shí)頻功率矩陣

對(duì)每個(gè)故障信號(hào)采集N個(gè)數(shù)據(jù),并利用HHT將其劃分為M個(gè)子頻帶，每個(gè)子頻帶的數(shù)據(jù)點(diǎn)為Sij(i=1,2…,M和j=1,2…,N)。為了高效利用數(shù)據(jù)量，將各子頻帶的數(shù)據(jù)沿采樣的時(shí)間軸K等分。因此，故障分量中每等分?jǐn)?shù)據(jù)點(diǎn)的數(shù)量是E(E=N/K，N是K的整數(shù)倍)，則能將整個(gè)時(shí)頻譜劃分為等頻帶、等時(shí)段的小時(shí)頻段[6]，各分量中各時(shí)頻段的功率為：

(3)

式中：Ail(m)是假設(shè)子頻帶i中的時(shí)頻片段l的數(shù)據(jù)點(diǎn)m的幅值；Δt是采樣時(shí)間。1個(gè)故障信號(hào)的時(shí)頻功率矩陣為：

(4)

對(duì)7個(gè)故障信號(hào)采樣的總時(shí)長(zhǎng)為10個(gè)周期，1個(gè)周期為20 ms，采樣頻率為100 kHz。研究中假設(shè)M=5，N=20 000，K=40，E=500，每個(gè)子頻帶的帶寬為300 Hz，則每個(gè)故障信號(hào)的時(shí)頻功率矩陣(Pf)，其維數(shù)為35×40，即：

(5)

式中：PUa到PP0分別為三相電壓(Ua、Ub、Uc)、三相電流(Ia、Ib、Ic)、零序電壓U0的時(shí)頻功率矩陣。為抑制邊界端點(diǎn)效應(yīng)的影響，裁剪首位前3列和尾位2列，矩陣Pf構(gòu)建成維度為35×35的時(shí)頻功率矩陣。在輸入CNN進(jìn)行訓(xùn)練之前，需要對(duì)時(shí)頻功率矩陣數(shù)據(jù)Pf進(jìn)行minmax歸一化處理,轉(zhuǎn)化為35×35大小的圖像。如式6所示，P(i,j)即所生成的圖像的像素組成。

(6)

式中：Pfmin為時(shí)頻功率矩陣中的最小功率點(diǎn)；Pfmax為時(shí)頻功率矩陣中的最大功率點(diǎn)；Pf[35(j-1)+i]表示對(duì)時(shí)頻功率矩陣進(jìn)行步進(jìn)運(yùn)算中的功率點(diǎn)。以a相金屬性接地故障為例，7個(gè)原始故障信號(hào)波形圖和時(shí)頻功率譜圖見(jiàn)圖3和圖4。圖4中，縱軸代表7個(gè)故障信號(hào)的分頻頻段，橫軸表示數(shù)據(jù)采樣時(shí)間，顏色棒表示等時(shí)段累計(jì)的歸一化后的幅值。

圖3 7個(gè)原始故障信號(hào)波形

圖4 時(shí)頻功率圖譜

由圖4可以看出：當(dāng)t=0.05 s時(shí)，a相發(fā)生金屬性接地故障，t=0.11 s時(shí)故障結(jié)束，a相電壓恢復(fù)正常。故障階段b、c兩相電壓升高，a相電流增大，出現(xiàn)了較高的零序電壓。圖4具體體現(xiàn)了圖3的故障特征，綜合反映出故障信號(hào)在時(shí)間、頻率與功率之間的關(guān)系。故障期間a相頻率和功率值較低呈藍(lán)色，而b、c兩相功率達(dá)到歸一化的最大值并呈深紅色，零序電壓在故障期間也出現(xiàn)了明顯的頻率及功率特征。因此，由圖4可以得出結(jié)論：在發(fā)生金屬性單相接地故障時(shí)，各故障信號(hào)的頻率特征主要集中在600 Hz以?xún)?nèi)，且故障相的功率降低，非故障相的功率升高，零序電壓也會(huì)產(chǎn)生較高的功率值。

1.3 構(gòu)造CNN模型結(jié)構(gòu)

構(gòu)建的是一個(gè)7層CNN網(wǎng)絡(luò)結(jié)構(gòu)，它包括1個(gè)輸入層、2個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層，如圖5所示。

圖5 CNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

CNN運(yùn)用多個(gè)移動(dòng)卷積核，以橫向和縱向沿時(shí)頻譜圖執(zhí)行卷積運(yùn)算，通過(guò)權(quán)重共享和稀疏連接自主提取局部特征量。對(duì)于二維一通道時(shí)頻功率圖像P，進(jìn)行卷積核大小為rf×cf，步進(jìn)值為1，卷積操作見(jiàn)式(7)。

(7)

其中：Wk是權(quán)重系數(shù)矩陣；Bk是偏置系數(shù)。

利用卷積運(yùn)算提取局部特征后，采用最大池化層操作，既保留了關(guān)鍵特征，又極大降低了數(shù)據(jù)量。

代表誤差的損失函數(shù)采用交叉熵?fù)p失函數(shù)來(lái)最小化分類(lèi)錯(cuò)誤。如式(8)所示，將訓(xùn)練的故障樣本劃分為N批次，每個(gè)批次里有k個(gè)圖片；yik表示真實(shí)分類(lèi)標(biāo)簽值，n表示節(jié)點(diǎn)數(shù)量，xik為Softmax激活函數(shù)(式(9))的值。

(8)

(9)

式(9)中：fSoftmax(xi)表示第i神經(jīng)元的輸出概率，xi為第i個(gè)神經(jīng)元輸入，分母表示所有節(jié)點(diǎn)求和。

激活函數(shù)采用線性整流函數(shù)(rectified linear unit,ReLU)，相比sigmoid激活函數(shù)能有效解決梯度爆炸和梯度消失問(wèn)題[12]，如式(10)所示。

(10)

CNN模型訓(xùn)練采用Adam優(yōu)化算法，不僅能自適應(yīng)超參數(shù)調(diào)節(jié)，還能有效解決稀疏梯度問(wèn)題[13]。構(gòu)建的CNN模型各層參數(shù)如表1中所示。

表1 CNN模型各層參數(shù)

2 仿真試驗(yàn)與分析

2.1 訓(xùn)練樣本

以圖6中所示的10 kV輻射式中壓配電網(wǎng)為例，基于PACSAD/EMTDC搭建仿真模型獲取故障樣本數(shù)據(jù)。

圖6 10 kV輻射式中壓配電網(wǎng)絡(luò)接線示意圖

如圖6所示，主變壓器(T1)采用中性點(diǎn)不接地運(yùn)行方式，容量為31.5 MVA。T1的短路損耗▽Pk=121 kW；空載損耗▽P0=25.6 kW；空載電流百分比為I0%=0.12；短路電壓百分比是Uk%=10.93；每條饋線的負(fù)載為Sload=0.5+j0.25 MVA；系統(tǒng)阻抗為ZS=0.21+j2.04 Ω。

10 kV饋線的正序和零序分布參數(shù)如表2。

表2 10 kV饋線參數(shù)

變壓器(T2)采用Z形連接方式與消弧線圈連接構(gòu)成10 kV母線的零序通路。消弧線圈采用過(guò)補(bǔ)償方式，補(bǔ)償度為8%。消弧線圈的電感和電阻參數(shù)分別為0.69 H和6.46 Ω。

訓(xùn)練時(shí)打開(kāi)開(kāi)關(guān)K,切除消弧線圈。在圖6中設(shè)置故障點(diǎn)f1—f14，選取f1—f7作為訓(xùn)練樣本的故障點(diǎn)。配電網(wǎng)單相接地故障以過(guò)渡電阻大小劃分，可分為金屬性接地、低阻接地以及高阻接地; 依據(jù)故障點(diǎn)是否存間歇性電壓畸變或者電壓諧波含量遠(yuǎn)大于電流諧波含量等燃弧特征，可判斷是否發(fā)生電弧接地(RG)現(xiàn)象[14-16]，其過(guò)渡電阻具有非線性變化的特點(diǎn)。通過(guò)實(shí)驗(yàn)數(shù)據(jù)和實(shí)際繼電保護(hù)對(duì)過(guò)渡電阻的耐受能力綜合分析，高阻接地(HG)與低阻接地(LG)的過(guò)渡電阻分界值為 1 000 Ω[17]，金屬性接地故障(MG)過(guò)渡電阻值為0。為全面覆蓋故障特征樣本，選取低電阻值為5、50、500 Ω；高電阻值1、10、100 kΩ，故障初相角在0°～180°隨機(jī)選取。目前，電弧模型包括Cassie、Mayr和“控制論”電弧模型等。由于“控制論”電弧模型能通過(guò)控制弧長(zhǎng)直觀表現(xiàn)電弧的變化過(guò)程，更好地反映實(shí)際燃弧情況，故選取“控制論”電弧模型來(lái)獲取電弧故障樣本。由于主要研究對(duì)電弧接地故障和電阻接地故障的辨識(shí)問(wèn)題，而各電弧接地模型之間具有較為豐富的故障特征，對(duì)配電網(wǎng)故障分析也具有較高的工程實(shí)用價(jià)值，因此可作為下一步研究工作的重點(diǎn)。

表3列出了在訓(xùn)練過(guò)程中所模擬的故障樣本數(shù)據(jù)。

表3 訓(xùn)練樣本參數(shù)

續(xù)表(表3)

通過(guò)Adam 優(yōu)化算法調(diào)整參數(shù)，縮小偏差。準(zhǔn)確率越高則損失值越低，本輪訓(xùn)練迭代周期共150次。訓(xùn)練過(guò)程如圖7和圖8所示，在訓(xùn)練初期，代價(jià)函數(shù)快速下降，在迭代周次數(shù)20時(shí)，準(zhǔn)確率已經(jīng)超過(guò)90%。迭代至40次時(shí)，損失函數(shù)和準(zhǔn)確率的收斂速度逐漸開(kāi)始放緩，不過(guò)損失值仍在緩慢降低，同時(shí)準(zhǔn)確率也持續(xù)升高，表明模型仍在繼續(xù)優(yōu)化。迭代至110次后，模型性能開(kāi)始趨于穩(wěn)定，誤差的范圍穩(wěn)定在恒定值，準(zhǔn)確率也逼近至100%。

圖7 訓(xùn)練準(zhǔn)確率

圖8 訓(xùn)練損失率

2.2 測(cè)試樣本

同訓(xùn)練樣本所考慮因素一致，圖6中故障點(diǎn)f8—f14采集到的數(shù)據(jù)用作測(cè)試集。應(yīng)用基于CNN的故障分類(lèi)識(shí)別方法，測(cè)試故障分類(lèi)識(shí)別的準(zhǔn)確性。α表示CNN識(shí)別故障準(zhǔn)確率，如式(11)所示。

(11)

針對(duì)2 640個(gè)故障樣本，其識(shí)別測(cè)試結(jié)果如表4所示。本文方法主要針對(duì)4種單相接地故障類(lèi)型進(jìn)行識(shí)別，平均準(zhǔn)確率達(dá)到99.25%。其中，電弧接地故障有10個(gè)樣本誤判為金屬性接地，均為故障點(diǎn)f13在故障初相角為180°時(shí)的樣本，分析其原因發(fā)現(xiàn)，發(fā)生電弧電壓在零休期間變化劇烈，電壓增幅達(dá)到金屬性接地故障時(shí)的電壓值，從而引起誤判。高電阻接地故障和低電阻故障的最小α值均達(dá)到了98%，說(shuō)明訓(xùn)練好CNN的網(wǎng)絡(luò)在測(cè)試樣本中實(shí)現(xiàn)了較好的識(shí)別準(zhǔn)確率。

表4 識(shí)別測(cè)試結(jié)果

在高電阻接地故障中，最小α值為98.40%，表明180個(gè)高電阻接地故障中最多出現(xiàn)3個(gè)錯(cuò)誤分類(lèi)。其原因是當(dāng)過(guò)渡電阻達(dá)到萬(wàn)歐級(jí)以上時(shí)，故障相的電壓不再是三相當(dāng)中最低的，可能造成相序誤判。本研究中個(gè)人計(jì)算機(jī)的處理器、RAM和操作系統(tǒng)分別為3.2GHz Intel CoreTM i7-8700、32(GB)RAM和Win64。Matlab(2020b)故障分類(lèi)算法程序單次迭代時(shí)間在7 s以?xún)?nèi)完成，輸入故障數(shù)據(jù)0.3 s內(nèi)可完成判斷，反應(yīng)較為迅速。

3 對(duì)比與分析

在配電網(wǎng)線路故障識(shí)別領(lǐng)域，SVM[7]和BP神經(jīng)網(wǎng)絡(luò)[18]是2種常用的傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別算法，均具有較高的識(shí)別率。將CNN分別同SVM和BP神經(jīng)網(wǎng)絡(luò)在單相接地故障類(lèi)型識(shí)別率上進(jìn)行比較分析，驗(yàn)證CNN識(shí)別效果。

3.1 低電阻接地故障識(shí)別

取2.2節(jié)測(cè)試樣本，過(guò)渡電阻5 Ω的504個(gè)單相接地故障樣本，低電阻接地故障方法識(shí)別結(jié)果結(jié)果如表5所示。

表5 低電阻接地故障方法識(shí)別結(jié)果

由表5可見(jiàn)，本文方法對(duì)低電阻接地故障識(shí)別率高于SVM和BP神經(jīng)網(wǎng)絡(luò)。因低電阻接地故障相電壓跌幅受過(guò)渡電阻的影響，導(dǎo)致電壓線性變化明顯，CNN對(duì)故障頻譜圖的自主提取特征的能力強(qiáng)，使其避免了SVM對(duì)核函數(shù)需人工尋優(yōu)和BP神經(jīng)網(wǎng)絡(luò)易于陷入過(guò)擬合的問(wèn)題，提高了識(shí)別故障的準(zhǔn)確率。

3.2 高電阻接地故障識(shí)別

發(fā)生高電阻接地故障時(shí)，故障相與非故障相電壓值比較不一定最低，非故障相電壓也并非總是升高，會(huì)增加識(shí)別難度。取2.2節(jié)測(cè)試樣本，過(guò)渡電阻1 500Ω的504個(gè)單相接地故障樣本,高電阻接地故障方法識(shí)別結(jié)果如表6所示。

表6 高電阻接地故障方法識(shí)別結(jié)果

由表6可見(jiàn)，本文方法對(duì)高電阻接地故障識(shí)別率高于SVM和BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法。因高電阻故障電壓電流故障特征不明顯，增加了SVM閾值設(shè)置的難度，同時(shí)BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)的選擇問(wèn)題上，仍需根據(jù)人工經(jīng)驗(yàn)試湊才能保證相應(yīng)的精度，因此這也表明了CNN自主學(xué)習(xí)的優(yōu)勢(shì)。

3.3 電弧接地故障識(shí)別

發(fā)生電弧接地故障時(shí)，因未投入消弧線圈補(bǔ)償裝置，故障處的零序電流不能迅速降低，導(dǎo)致持續(xù)燃弧，使電阻值變化區(qū)間過(guò)大且呈非線性，易影響其識(shí)別率。取2.2節(jié)測(cè)試樣本中300個(gè)電弧故障樣本，電弧接地故障方法識(shí)別結(jié)果見(jiàn)表7。

表7 電弧接地故障方法識(shí)別結(jié)果

由表7可見(jiàn)，本文方法準(zhǔn)確率高于SVM和BP神經(jīng)網(wǎng)絡(luò)。因所采用的HHT先提取出了非線性故障信號(hào)時(shí)頻特征，優(yōu)于SVM依賴(lài)人工經(jīng)驗(yàn)選取核函數(shù)和BP神經(jīng)網(wǎng)絡(luò)面對(duì)非線性問(wèn)題時(shí)出現(xiàn)權(quán)值極值而造成的誤判，因此本文方法對(duì)非線性故障具有良好識(shí)別精度。

4 適應(yīng)性驗(yàn)證

首先通過(guò)投入消弧線圈和調(diào)整輻射式配電網(wǎng)絡(luò)結(jié)構(gòu)的方法，進(jìn)一步驗(yàn)證所提基于CNN的故障分類(lèi)識(shí)別方法的泛化能力和實(shí)用性。

4.1 中性點(diǎn)經(jīng)消弧線圈接地

配電網(wǎng)發(fā)生故障時(shí)，為了能保證帶故障運(yùn)行2 h，需要投入消弧線圈。按圖5給出的消弧線圈參數(shù)。選取故障點(diǎn)f4、f10、f13，綜合考量因素同于表3，投入消弧線圈測(cè)試結(jié)果見(jiàn)表8。

表8 投入消弧線圈測(cè)試結(jié)果

由表8可見(jiàn)，平均識(shí)別率為88.68%，具有較好的泛化能力。導(dǎo)致識(shí)別率下降的原因是在消弧線圈發(fā)揮補(bǔ)償作用的過(guò)程中，感性電流會(huì)使容性故障電流減弱，相位逐漸反向，從而造成誤判。

4.2 調(diào)整網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

隨著用戶(hù)用電需求不斷增加，因此實(shí)際配電網(wǎng)也時(shí)常會(huì)增加出線間隔，或者對(duì)線路大修技改，將某些線路退出運(yùn)行。模擬3種不同的拓?fù)浣Y(jié)構(gòu)，增減饋線測(cè)試結(jié)果如表9所示。

表9 增減饋線測(cè)試結(jié)果

由表9可見(jiàn)，改變網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后綜合平均正確率達(dá)到了98.6%。檢查錯(cuò)誤樣本，發(fā)現(xiàn)與表3中相同，均為BC兩相低電阻接地故障在故障點(diǎn)f10處，當(dāng)故障初相角為90°時(shí)，在故障后的第一個(gè)半周波內(nèi)暫態(tài)零模電流增幅較大而引起誤判為金屬性接地故障，導(dǎo)致誤判原因與調(diào)整拓?fù)浣Y(jié)構(gòu)無(wú)關(guān)。

4.3 加入噪聲污染

在實(shí)際配電網(wǎng)的數(shù)據(jù)采集過(guò)程中，會(huì)有存在噪聲干擾情況，使數(shù)據(jù)發(fā)生畸變。選取表4中的金屬性接地故障測(cè)試樣本，數(shù)量300個(gè)并對(duì)數(shù)據(jù)加入30dB的高斯白噪聲，噪聲污染后的識(shí)別結(jié)果識(shí)別結(jié)果見(jiàn)表10。可以發(fā)現(xiàn)，對(duì)數(shù)據(jù)加入噪聲污染后，經(jīng)過(guò)HHT帶通濾波器的作用，除了BMG的準(zhǔn)確率略低外，其余測(cè)試結(jié)果均達(dá)到了100%，說(shuō)明該算法可以克服噪聲干擾在配電網(wǎng)中的影響。

表10 噪聲污染后的識(shí)別結(jié)果

5 結(jié)論

針對(duì)配電網(wǎng)單相接地故障類(lèi)型難以分類(lèi)識(shí)別的問(wèn)題，利用PSCAD/EMTDC軟件仿真獲取配電網(wǎng)大量故障數(shù)據(jù)，通過(guò)對(duì)故障數(shù)據(jù)進(jìn)行HHT帶通濾波，構(gòu)造時(shí)頻譜圖，按比例將圖片分為訓(xùn)練集和測(cè)試集。同時(shí)結(jié)合Matlab仿真軟件搭建7層CNN模型結(jié)構(gòu)，利用CNN模型對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)，學(xué)習(xí)后的模型對(duì)測(cè)試集進(jìn)行故障類(lèi)型識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明本文提出的方法，平均識(shí)別準(zhǔn)確率達(dá)到98.8%，極大提高了傳統(tǒng)依賴(lài)人工經(jīng)驗(yàn)判斷的效率。同時(shí)，通過(guò)投入消弧線圈和改變網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，平均識(shí)別準(zhǔn)確率也達(dá)到93.6%，進(jìn)一步驗(yàn)證了基于CNN深度學(xué)習(xí)算法在配電網(wǎng)故障識(shí)別應(yīng)用中良好的適應(yīng)性和魯棒效果。但對(duì)于中性點(diǎn)經(jīng)消弧線圈接地的運(yùn)行方式，在故障發(fā)生后，消弧線圈要在十幾毫秒內(nèi)輸出穩(wěn)定的補(bǔ)償電流，致使零序電流的幅值和相位均發(fā)生劇烈變化，會(huì)影響識(shí)別效果。因此，消弧線圈投入過(guò)程中，如何進(jìn)一步提高識(shí)別率，值得繼續(xù)深入研究。