楊晨 YANG Chen；蔣昊松 JIANG Hao-song；董曉峰 DONG Xiao-feng；李容 LI Rong；任睿 REN Rui；鄭坤承 ZHENG Kun-cheng；楊立璠 YANG Li-fan；曹宇 CAO Yu

（①國網(wǎng)江蘇省電力有限公司蘇州供電分公司，蘇州 215000；②施耐德電氣（中國）有限公司，上海 200000；③達特利克斯數(shù)據(jù)分析有限責任公司，卡爾斯魯厄 76133）

0 引言

在配電網(wǎng)中，通常采取中性點不接地或經(jīng)過消弧線圈或經(jīng)高電阻接地方式，統(tǒng)稱為小電流接地系統(tǒng)。小電流接地系統(tǒng)具有供電可靠性高，故障電流對設備沖擊小的特點，因而應用廣泛。但是，單相接地故障檢測和選線一直是個“世界難題”。

單相接地故障檢測的難點在于故障特征不顯著。①流經(jīng)接地點的電流等于線路分布電容電流，數(shù)值較小，如果再經(jīng)過中性點消弧線圈補償，則接地電流更加微弱（≤10A）；②瞬時性故障燃弧持續(xù)時間非常?。?200ms）；③配電網(wǎng)的接地故障有很大比例（>20%）是導線墜地、樹線放電、人體觸電等高阻接地形態(tài)。此外，還要區(qū)別出來健康線路還是故障線路（選線），區(qū)別出來上游故障還是下游故障（選段）。

傳統(tǒng)接地故障檢測裝置（包括各類保護裝置和選線裝置）的算法都是基于電流和電壓波形的時域信號的故障特征信息提取，歸納為顯性的公式表達，但是由于觀察到的現(xiàn)象和理論推導得到條件相當有限，無法描述可能隱含的規(guī)律；公式中不可避免地依賴于多個門檻值，通常是通過大量的仿真和少量的真實故障錄波來確定這些門檻值，卻難以找到合適的門檻值來匹配所有故障場景。

長期以來，傳統(tǒng)的接地檢測裝置的正確動作率只有70%左右，難以勝任新型配電網(wǎng)的發(fā)展要求，需要一種創(chuàng)新的解決方案。

1 深度學習機理概述

深度學習（Deep Learning，DL）是機器學習的一個子領域，機器學習又是人工智能的一個分支。深度學習是在神經(jīng)網(wǎng)絡的基礎上發(fā)展起來的，但是和神經(jīng)網(wǎng)絡有著顯著的區(qū)別，深度學習汲取了80 年代神經(jīng)網(wǎng)絡的經(jīng)驗，在諸如權重的初始化、非線性激活函數(shù)、反向傳播等方面做出了改進。深度學習有別于之前神經(jīng)網(wǎng)絡的兩個標志性特征為：海量的訓練數(shù)據(jù)和多層網(wǎng)絡。

深度學習按照學習方式可以分為監(jiān)督學習和無監(jiān)督學習。本文采用監(jiān)督學習模式，需要對數(shù)據(jù)集進行人工標注，學習網(wǎng)絡根據(jù)學習的結果和人工標注結果進行對比，然后對網(wǎng)絡的參數(shù)進行修正，直到準確率達到設定的目標為止。

深度學習性能提升的一個關鍵的原因還在于計算機硬件的提升可以使用更多層次的網(wǎng)絡來進行梯度下降，這也是“深度”學習的名稱由來。另外一個使得深度學習能夠得到廣泛應用的原因是傳感器，特別是攝像頭的大規(guī)模部署，使得今天采集數(shù)據(jù)比幾十年前容易很多。

2 DL 在接地故障識別中的應用

深度學習在其他領域已經(jīng)有很多應用，但是用在電力系統(tǒng)繼電保護領域還是一個新的探索。選取接地故障識別作為一個合適的切入點，基于如下幾點考慮：①小電流接地選線目前選線正確率仍舊不高，傳統(tǒng)的算法難以有所突破，需要一種創(chuàng)新性的解決方案。②小電流接地選線對時效性要求不高，允許人工智能算法在嵌入式設備上運算較長時間。③小電流接地選線本質上是一個波形識別問題，屬于圖像識別的范疇。深度學習在圖像識別的理論和應用已經(jīng)比較成熟。

2.1 深度學習網(wǎng)絡類型的選擇

挑選合適的學習網(wǎng)絡類型需要考慮三個主要因素：應用目標匹配性、訓練難易度和部署到嵌入式設備硬件上的計算成本。

本文研究的課題是基于電流和電壓的時域信號做判斷。所以這個時序信號識別的問題可以轉變?yōu)橐痪S的圖像識別問題，可以通過觀察信號波形做出正確識別。

本文采用卷積-長短期記憶（Convolutional LSTM 或ConvLSTM）學習網(wǎng)絡架構，把卷積神經(jīng)網(wǎng)絡（CNN）與循環(huán)神經(jīng)網(wǎng)絡（RNN）的思想融合。ConvLSTM 關鍵表達式如式（1）所示，其中，“*”表示卷積運算符，“°”表示哈達瑪乘積符：

卷積神經(jīng)網(wǎng)絡在圖像識別上有很成功的例子，識別能力甚至已經(jīng)超過了人的識別能力。長短期記憶網(wǎng)絡（Long Short Term Memory，LSTM）對于時序信號的識別有很多成功的例子。實踐中，采用一個多層一維卷積來實現(xiàn)接地故障識別目標，然后開始簡化模型的層數(shù)和相應的卷積核數(shù)量，經(jīng)過多個迭代優(yōu)化過程，獲得計算復雜度與識別準確度均衡最優(yōu)的模型。

2.2 模型的訓練和調校

2.2.1 構建數(shù)據(jù)集 本文采用由電力系統(tǒng)仿真工具生成數(shù)據(jù)集用于模型訓練、調校和測試。配網(wǎng)系統(tǒng)模型參考行業(yè)標準，仿真網(wǎng)絡的示意圖如圖1 所示。該配電網(wǎng)為單端輻射網(wǎng)絡，一條母線上帶有6 條10kV 饋線。每條饋線的長度在0-30km 之間可變，電纜和架空線的混合比例可變。變壓器采用兩種接地方式：不接地，和消弧線圈接地，消弧線圈設為根據(jù)電容電流自動調整為10%過補償。故障點設在每條饋線上的近端（靠近電源側）或遠端（靠近負荷側），以及母線上。

圖1 仿真EMTP/ATP 網(wǎng)絡的示意圖

為了使仿真的結果盡量涵蓋所有工況，我們對仿真網(wǎng)絡的參數(shù)進行了盡可能多的調整，力爭涵蓋所有具有代表性和甚至極端的情況。在圖1 所示的網(wǎng)絡中，我們將下列參數(shù)作為變量（見表1）。

表1 仿真網(wǎng)絡的變量

2.2.2 訓練和調校 經(jīng)過上述的EMTP/ATP 和MATLAB 協(xié)同仿真，構成180 萬個故障波形的數(shù)據(jù)集，其中區(qū)內(nèi)（正向）和區(qū)外（反向）故障各占50%。

數(shù)據(jù)集的70%作為訓練用例輸入給訓練網(wǎng)絡，訓練網(wǎng)絡按照初始化的參數(shù)開始調整。數(shù)據(jù)集的10%作為調整用例，數(shù)據(jù)集的20%作為測試用例。

卷積層用來提取特征，如形狀、電流電壓的大小、出現(xiàn)的相對時間等；全連接層用來對提取到的特征進行假設，嘗試提取出對結果有影響的特征；激活層對全連接層的數(shù)值計算結果進行非線性處理，避免某個非常大的數(shù)值對結果產(chǎn)生過度的權重；輸出層將激活層的結果歸一化到一個向量空間，供判別區(qū)內(nèi)和區(qū)外故障采樣率為k=48、每次采樣范圍為N=1 個周期，接地故障方向性檢測神經(jīng)網(wǎng)絡的卷積層包含的卷積核的數(shù)量為2，即n =2，卷積核1 和2的大小為5×5，處理損失函數(shù)采用交叉熵損失函數(shù)：

激活層采用Sigmoid 激活函數(shù)，把輸出值壓縮在0～1之間，用于表示某個分類的概率，其表達式如下：

對于區(qū)外（反向）故障電流信號樣本，其真實標簽向量為[1，0]，表示該樣本是區(qū)外（反向）故障電流信號的概率為1，是區(qū)內(nèi)（正向）故障電流信號的概率為0；對于區(qū)內(nèi)（正向）故障電流信號樣本，其真實標簽向量應該為[0，1]，表示該樣本是區(qū)外（反向）故障電流信號的概率為0，是區(qū)內(nèi)（正向）故障電流信號的概率為1。

將某一個訓練樣本M1 提供給接地故障方向性檢測神經(jīng)網(wǎng)絡。已知M1 的是區(qū)外（反向）故障電流信號樣本，其真實標簽向量為[1，0]。

由接地故障方向性檢測神經(jīng)網(wǎng)絡輸出對應于M1 的標簽向量結果為[0.4，0.6]，也就是說，此時的接地故障方向性檢測神經(jīng)網(wǎng)絡認為樣本M1 是區(qū)外故障的概率為40%，且是區(qū)內(nèi)故障的概率為60%。這說明此次接地故障方向性檢測神經(jīng)網(wǎng)絡對樣本M1 的分類是比較錯誤的。

通過式（2）可以定量計算損失函數(shù)L=0.91，遠大于設定的門檻值0.01，表明接地故障方向性檢測神經(jīng)網(wǎng)絡此次學習不滿足學習目標。

接地故障方向性檢測神經(jīng)網(wǎng)絡根據(jù)反向傳播算法更新其參數(shù)，這些參數(shù)包括卷積層的卷積核1 和2 的大小為5×5 的權重矩陣、第一全連接層的大小為20×44 的權重矩陣W1，第二全連接層的大小為2×20 的權重矩陣W2。

更新完成后，將訓練樣本M2 提供給接地故障方向性檢測神經(jīng)網(wǎng)絡，然后再執(zhí)行對訓練樣本M2 的特征提取、分類、處理損失計算等。直到處理損失L<0.01，訓練結束。

訓練完成后，將得到卷積層的對應于2 個卷積核的確定的2×5×5 的權重矩陣、第一全連接層的對應于權重矩陣W1 的確定的20×44 權重矩陣、以及第二全連接層的對應于權重矩陣W2 的確定的2×20 權重矩陣，與先前設定的神經(jīng)網(wǎng)絡結構、損失函數(shù)、激活函數(shù)等，共同構成訓練好的小電流接地選線神經(jīng)網(wǎng)絡。

2.3 AI 算法嵌入式部署

當深度學習網(wǎng)絡的結構和參數(shù)在Python 環(huán)境中完成訓練和調校后，可以提取出一個用于判別的參數(shù)網(wǎng)絡。相比學習過程需要的海量計算資源，判別網(wǎng)絡需要的計算資源大為減少。通過C/C++將此網(wǎng)絡移植到傳統(tǒng)的繼電保護裝置硬件平臺上，即可完成AI 算的嵌入式部署。

圖2 給出了算法整體框架圖。啟動器和確認器采用傳統(tǒng)的判斷邏輯，判別器應用前述的深度學習網(wǎng)絡自動尋找公式和參數(shù)矩陣。

圖2 含有AI 的算法框圖

2.3.1 數(shù)據(jù)預處理 盡管采用了對預處理要求較低的ConvNet 網(wǎng)絡，但是為了提高深度學習網(wǎng)絡的執(zhí)行效率，輸入的數(shù)據(jù)需要預處理。

本方案截取故障開始后的第一個周波（20ms）的數(shù)據(jù)傳遞給學習網(wǎng)絡，因為故障的暫態(tài)特征主要出現(xiàn)在這個時間窗內(nèi)。

將三相電流的突變量傳遞給學習網(wǎng)絡，即故障時的電流減去正常負荷電流。這樣的處理可以避免故障發(fā)生前不同的負荷水平帶來的影響，也有助于避免分布式電源的影響。

2.3.2 啟動器 采用零序電流突變量門檻值來檢測故障開始，將深度學習網(wǎng)絡要判別的情況限定在接地故障已經(jīng)發(fā)生的窗口內(nèi)。

因為采用零序電流突變量來啟動，所以即便系統(tǒng)在正常運行中有一些零序電流，也可以采用非常低的門檻值，以便盡可能靈敏地檢測到故障。我們采用零序電流的采樣值突變量啟動，啟動值考慮了裝置的內(nèi)部二次CT 和現(xiàn)場零序一次CT 的采樣精度，設置得盡可能低，保證了盡可能靈敏和快速的啟動，保證能夠抓取到故障暫態(tài)剛開始波形。

2.3.3 識別器 識別器是實施AI 算法的主體。只有在啟動之后，深度學習網(wǎng)絡才會投入工作，避免在正常工況占用過多的計算資源。經(jīng)過上面的處理，深度學習網(wǎng)絡只需專注處理區(qū)內(nèi)（正向）故障和區(qū)外（反向）故障的二分類問題即可，而不用判別是否發(fā)生了一個真的接地故障。并且三相電流經(jīng)過突變量的處理去除了負荷電流的影響，也能夠更好地幫助深度學習網(wǎng)絡專注于故障識別本身。

2.3.4 確認器 識別器的接地故障識別結果需要采用殘余電壓來確認故障，只有經(jīng)過確認的故障識別結果才會輸出。確認器采用設定的殘余電壓門檻值來確認故障。這樣可以把故障檢測機制設置的盡量靈敏，但是又避免了誤動作。當下游的變壓器上電時，因為系統(tǒng)不接地，所以勵磁涌流中不含有零序分量，即便有，也是因為斷路器合閘不同步造成的，通常在幾毫秒內(nèi)就消失了。因為確認器會在一段時間（可設）后才確認殘余電壓是否仍舊高于門檻值，所以可以躲過這個時間而避免誤動。

2.4 驗證測試

部署了AI 算法的保護裝置進行黑盒測試。采用了RelaySimTest 重新搭建模型，生成20000 個測試用例，總體的識別正確率在99.5%以上。在第三方試驗室對保護裝置進行了測試時，960 個測試用例全部正確動作，動作時間均在60ms 以內(nèi)。

AI 算法的優(yōu)勢還體現(xiàn)在耐受過渡電阻能力上。當過渡電阻達到5000 歐姆時，仍能準確判斷出區(qū)內(nèi)（正向）故障。

在測試時，加入了白色噪聲模擬采樣環(huán)節(jié)帶來的干擾，AI 算法判別的正確率仍舊在99%以上。在高次諧波測試環(huán)節(jié)，諧波含量為基波的6%，模擬接地故障132 次，裝置仍舊100%正確判別。

3 總結

將深度學習應用于小電流接地系統(tǒng)的接地故障識別和選線領域，可以取得以往傳統(tǒng)算法無法達到的準確率。AI 算法和傳統(tǒng)繼電保護裝置/選線裝置相結合，明顯提升了裝置性能。

仍應清醒地認識到，AI 算法引入到電力系統(tǒng)繼電保護領域還是探索階段。采用深度學習開發(fā)的保護算法仍舊有待進一步驗證，包括采取掛網(wǎng)試運行、真型試驗等方式；研發(fā)人員也將不斷地探索更多的人工智能算法開發(fā)方式，如增加算法的可解釋性、新的學習模式（如遷移學習、在線學習等）；運行、維護單位也應積累相關的運行管理經(jīng)驗，應對新技術帶來的變化。