陳昊，李思焱，葛明明

（國網(wǎng)蕪湖供電公司，安徽蕪湖 241000）

建設現(xiàn)代供電服務體系、保障高可靠電力供應是電力企業(yè)的重要發(fā)展方向[1-2]。而電力環(huán)網(wǎng)箱是配電網(wǎng)中重要的電力設備，其具有靈活調(diào)整電網(wǎng)運行方式、保護與隔離故障、保障電力供應等關鍵作用[3-4]。但目前電力環(huán)網(wǎng)箱存在結構復雜且維護困難、兼容性差、占地面積較大等諸多缺點，并不符合智能配電網(wǎng)高速發(fā)展的趨勢[5-6]。

基于上述背景，一二次融合電力環(huán)網(wǎng)箱技術得到了廣泛關注[7-8]。研究學者們通過標準化與集成化設計，實現(xiàn)了電力環(huán)網(wǎng)箱中的一二次設備一體化，且融合了多種監(jiān)測控制功能，從而整體提升了設備的智能化水平及可靠性程度。這使得利用一二次融合電力環(huán)網(wǎng)箱來實現(xiàn)配電網(wǎng)故障監(jiān)測預警和精準定位成為可能。

因此，該文利用深度學習算法（Deep Learning，DL）分析處理一二次融合電力環(huán)網(wǎng)箱采集的故障電壓、電流信號，以實現(xiàn)對故障的精準定位。

1 一二次融合電力環(huán)網(wǎng)箱

一二次融合電力環(huán)網(wǎng)箱的電氣結構如圖1 所示。該設備主要包括開關本體及氣箱、電子式電壓/電流互感器、保護單元、通信單元、電能計量單元和控制單元。

圖1 一二次融合電力環(huán)網(wǎng)箱電氣結構

相比傳統(tǒng)電力環(huán)網(wǎng)箱，其具有以下優(yōu)點：

1）集成芯片化DTU：采用的是高集成度SOPC 芯片（System-On-a-Programmable-Chip），其具備高性能處理及大容量邏輯單元，并具有集成測控、通信管理、就地保護、網(wǎng)格化保護與狀態(tài)監(jiān)測等功能。

2）標準化設計：采用標準化航插設計，簡化了外部接線，從而實現(xiàn)了模塊化的即插即用，且其具備一體式機殼、防銹鋁材料，并可通過密封設計，滿足IP67 防護等級。

3）采用N2絕緣：該方式綠色環(huán)保，與其他幾種絕緣介質(zhì)對比如表1 所示。

表1 不同絕緣介質(zhì)性能對比

4）開關本體及操作機構一體化設計：采用真空斷路器與3PS（3 Position Switchgear，三工位開關）一體化設計，并利用固體絕緣技術，將隔離開關外的絕緣件與斷路器固封極柱整合成一體，斷路器、隔離開關及接地開關等相融合，使操作機構功能完善、布局合理且穩(wěn)定可靠。

5）聯(lián)動結構、簡化操作：采用斷路器與隔離開關聯(lián)動、斷路器及接地開關聯(lián)動的程序化操作方式。

6）取電PT 安裝優(yōu)化設計：取消PT 柜，并在進線單元中安裝取電PT，使其與進線單元融為一體，從而減小體積、降低成本。

2 基于EMD-CNN的接地定位算法

該文提出基于經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）[9-10]和卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）的一二次融合電力環(huán)網(wǎng)箱接地定位算法，框架如圖2 所示。利用一二次融合電力環(huán)網(wǎng)箱提取電壓、電流的原始數(shù)據(jù)；并經(jīng)過數(shù)據(jù)預處理操作后，采用EMD 方法實現(xiàn)接地故障特征的提??；再將其作為CNN 故障診斷模塊的輸入，且通過海量數(shù)據(jù)樣本的自學習，進而實現(xiàn)對接地故障的快速診斷與精準定位。

圖2 接地定位算法框架

2.1 基于EMD的故障特征提取

EMD 是由黃鍔等研究人員提出的一種信號處理方法，因其能夠適應于非線性暫態(tài)信號的分析，故被廣泛用于故障診斷過程中原始故障信息的分析及處理[11-12]。

EMD 的基本原理是將原始信號分解為m個內(nèi)涵模態(tài)分量（Intrinsic Mode Functions,IMF）和一個殘余項，公式如下：

式中，x(t) 為原始信號；IMFi(t) 為第i個IMF 分量；zm(t)為經(jīng)過m次分解的殘余項。

判斷一個函數(shù)是否為IMF 函數(shù)，其需滿足以下兩個必要充分條件：

1）極值點、過零點個數(shù)相差少于一個；

2）上、下包絡線關于時間軸對稱。

EDM 分解算法流程主要包括以下步驟：

1）令z0(t)=x(t),i=1；

2）令y0(t)=zi-1(t),j=1；

3）搜尋yj-1(t) 的極大與極小值點，分別記為ymax,j-1(t)和ymin,j-1(t)；

4）根據(jù)ymax,j-1(t)和ymin,j-1(t)，采用三次樣條插值（Cubic Spline Interpolation）獲得上、下包絡線，并分別記為umax,j-1(t) 和umin,j-1(t)，并進一步計算平均包絡線：

5）yj(t)=yj-1(t)-uj-1(t)；

6）判斷yj(t) 是否為IMF 函數(shù)，若是，令IMFi(t)=yj(t)，且跳至下一步；否則令j=j+1，并跳至步驟3）；

7）zi(t)=zi-1(t)-IMFi(t)；

8）判斷zi(t)是否為單調(diào)函數(shù)，若是，則EMD 分解完成，zi(t)為殘余項；否則令i=i+1，并跳至步驟2）。

2.2 基于CNN的故障診斷算法

CNN 是一種深度學習神經(jīng)網(wǎng)絡，其因具有局部連接、權值共享等優(yōu)點，故被廣泛應用于各個領域[13-16]。CNN 算法結構如圖3 所示，主體結構包括輸入層、輸出層及隱藏層。其中，隱藏層根據(jù)不同操作類型又可分為卷積層、池化層與全連接層。

圖3 CNN算法結構

卷積層主要通過平移一個具有一定尺寸的卷積核，并不斷進行卷積操作從而得到其輸出數(shù)據(jù)。假設卷積核尺寸大小為M×N，則輸出表示如下：

式中，vj是大小為M×N的輸入數(shù)據(jù)塊經(jīng)過卷積操作后的輸出結果；x=(m,n)，表示所處位置，且m∈[1,M],n∈[1,N]；hi為輸入數(shù)據(jù)；gij為輸入與輸出數(shù)據(jù)間的卷積核系數(shù)；C=M×N；?為卷積運算，其計算方法如下：

池化層通常處于卷積層之后，對卷積層的輸出加以篩選，過濾不重要的特征參數(shù)，并降低特征空間維數(shù)，以提高計算速度。池化層移動過程與卷積層類似，但其將卷積運算替換為最大化、取平均值等運算，且前者稱為最大值池化，后者稱為平均值池化，二者的公式表征如下：

式中，max(·)和avg(·)分別為最大化函數(shù)與平均值函數(shù)。

全連接層實現(xiàn)對輸入數(shù)據(jù)的分類，其計算過程如圖4 所示，可表示為：

圖4 全連接層計算過程

CNN 的訓練過程如圖5 所示，首先將數(shù)據(jù)樣本劃分為訓練數(shù)據(jù)與測試數(shù)據(jù)，并將訓練數(shù)據(jù)作為CNN 神經(jīng)網(wǎng)絡的輸入；再根據(jù)網(wǎng)絡輸出與期望輸出間的誤差調(diào)整網(wǎng)絡結構及參數(shù)，直至網(wǎng)絡性能滿足要求；最后，利用測試數(shù)據(jù)驗證CNN 神經(jīng)網(wǎng)絡的性能[17-18]。

圖5 CNN網(wǎng)絡訓練過程

3 算例分析

以某省電網(wǎng)實際配電線路的一二次融合電力環(huán)網(wǎng)箱為例，進行接地故障診斷及定位分析，從而驗證該文算法的正確性及有效性。

3.1 故障特征提取結果分析

通過一二次融合電力環(huán)網(wǎng)箱采集的電流數(shù)據(jù)，計算得到的零序電流如圖6 所示。從圖中可以看到，在接地故障發(fā)生之前，零序電流為0 A。而故障發(fā)生后，零序電流則發(fā)生了顯著變化。

圖6 故障零序電流

經(jīng)過EMD 分解得到的5 個IMF 分量，如圖7 所示，其縱軸表示信號幅度數(shù)值，無物理意義。EMD實現(xiàn)了將故障零序電流信號分解為多個具有不同頻率的故障信號。隨著IMF 階數(shù)的增加，分量的頻率逐漸減小，不同頻率的分量也蘊含了與接地故障相關的故障信息。進一步將其作為CNN 模型的輸入，即可實現(xiàn)對故障特征與故障診斷的關聯(lián)分析。

圖7 基于EMD的故障特征提取結果

3.2 故障診斷定位結果分析

將所提EMD-CNN 算法與CNN、EMD-BPN 算法進行對比，結果如表2 所示。從表中可以看到，若采用CNN 網(wǎng)絡直接對故障信號進行分析學習，則訓練時間較長，且故障定位準確率較低。而采用EMD 分解算法來實現(xiàn)故障特征提取，能夠大幅減少訓練時間，并提高故障定位的準確率。

表2 不同算法性能對比

此外，比較EMD-BPN 和EMD-CNN 兩種算法可知，二者的訓練時間相差較小，但前者故障定位準確率低于90%，而后者可達到91.23%。這是因為CNN算法相比于BPN 算法，神經(jīng)網(wǎng)絡層次更深，分析學習能力也較強，因此故障定位結果更為準確。

進一步，將該文算法應用于10 組實際數(shù)據(jù)的診斷，結果如表3 所示?？梢钥吹?，針對這10 組數(shù)據(jù)，該文算法均可準確定位故障位置，表明了該文算法能夠為故障的及時修復提供技術保障。

表3 實際應用效果分析

4 結束語

該文研究了深度學習算法在電力環(huán)網(wǎng)箱接地定位技術中的應用，提出了基于EMD-CNN 算法的故障定位算法。通過仿真分析表明，EMD 算法能夠分解故障信號中的不同頻率分量，并實現(xiàn)故障特征的提取，從而提高神經(jīng)網(wǎng)絡模型的訓練速度；而CNN算法具有更深的網(wǎng)絡結構，因此其具備更強的學習分析能力，獲得的故障定位結果也更為準確。但該文僅針對接地故障開展了相關研究，至于如何使算法能夠適應兩相短路、斷相及局部放電等多類型故障，這將在下一步研究中開展。