王龍 戴兵兵 孔順飛 龔沁宇 柏筱飛 胡海安 高萍

摘 要：為提高配網(wǎng)運(yùn)維故障識別的準(zhǔn)確率，結(jié)合變分模態(tài)分量（Variational Mode Decomposition，VMD）與信息熵，提出一種E-VMD配網(wǎng)運(yùn)維故障信號特征提取方法；通過改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)（ResNet）模型殘差模塊，設(shè)計(jì)了一種改進(jìn)的ResNet模型；將E-VMD配網(wǎng)運(yùn)維故障信號特征輸入改進(jìn)的ResNet模型中，實(shí)現(xiàn)配網(wǎng)運(yùn)維故障的準(zhǔn)確識別。仿真結(jié)果表明，所提方法可準(zhǔn)確識別配網(wǎng)運(yùn)維的單相接地、兩相短路、三相短路故障，平均識別準(zhǔn)確率達(dá)到100%，平均精確率為99.59%，平均召回率為100%，平均F1值為99.88%。相較于KNN模型和SVM模型，所提方法在各項(xiàng)性能指標(biāo)上表現(xiàn)優(yōu)異的性能，且具有良好的抗噪性能。

關(guān)鍵詞：故障識別；配網(wǎng)運(yùn)維；特征提??；ResNet算法；技術(shù)改進(jìn)

中圖分類號：TP399；TM76

文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2024）03-0173-04

Research on improvement of distribution network operation and maintenance technology based on deep learning

WANG Long，DAI Bingbing，KONG Shunfei，GONG Qinyu，BAI Xiaofei，HU Haian，GAO Ping

（State Grid Suzhou Power Supply Company，Suzhou 215000，Jiangsu，China）

Abstract：

To improve the accuracy of fault identification in distribution network operation and maintenance，a feature extraction method for E-VMD distribution network operation and maintenance fault signals was proposed by combining variational mode decomposition （VMD） and information entropy.An improved ResNet model was designed by improving the residual module of the Residual Neural Network （ResNet） model.The E-VMD distribution network operation and maintenance fault signal features were input into the improved ResNet model to achieve accurate identification of distribution network operation and maintenance faults.The simulation results showed that the proposed method could accurately identify single-phase grounding faults，two-phase short circuit faults，and three-phase short circuit faults in distribution network operation and maintenance.The average recognition accuracy reached 100%，the average accuracy was 99.59%，the average recall rate was 100%，and the average F1 value was 99.88%.Compared to the KNN model and SVM model，the proposed method exhibits excellent performance in various performance indicators and has good noise resistance.

Key words：Fault identification;distribution network operation and maintenance;feature extraction;resNet algorithm;technical improvements

配網(wǎng)運(yùn)維故障準(zhǔn)確識別是降低配網(wǎng)運(yùn)維故障發(fā)生率的基礎(chǔ)。目前，針對配網(wǎng)運(yùn)維故障識別方法主要是基于深度學(xué)習(xí)的識別方法，如趙梓辰通過結(jié)合離散小波變換和模糊推理理論，提出一種基于深度學(xué)習(xí)的配網(wǎng)故障識別方法［1］；陳開等通過采用LSTM建立低壓配電網(wǎng)告警信號分析模型，有效實(shí)現(xiàn)了配網(wǎng)運(yùn)維故障的診斷與識別定位［2］；許可等通過分析主流配網(wǎng)故障類別，利用契比雪夫圖卷積神經(jīng)網(wǎng)絡(luò)作為編碼器，提出一種基于圖卷積網(wǎng)絡(luò)的配網(wǎng)故障識別方法［3］。通過上述研究可以發(fā)現(xiàn)，基于深度學(xué)習(xí)的配網(wǎng)故障識別方法在配網(wǎng)運(yùn)維故障中取得了良好的成果，但鄭聰?shù)热苏J(rèn)為現(xiàn)有方法在配網(wǎng)運(yùn)維故障識別中的準(zhǔn)確率仍有待進(jìn)一步提高［4］?；诖耍芯吭诓捎蒙疃葘W(xué)習(xí)算法的基礎(chǔ)上，首先采用VMD算法對配網(wǎng)運(yùn)維故障信號進(jìn)行分解，然后基于信息熵對故障特征進(jìn)行提取，最后采用改進(jìn)的ResNet模型進(jìn)行分類識別，以提高配網(wǎng)運(yùn)維故障識別的準(zhǔn)確率。

1 基本算法

1.1 VMD算法

VMD是一種時(shí)頻分析方法，通過將輸入信號x（t）分解為K個(gè)本征模態(tài)函數(shù)fBi，可將復(fù)雜信號分解成多個(gè)單分量信號，進(jìn)而實(shí)現(xiàn)特征的提取，如式（1）［5］：

x（t）=∑mi=1fBi+∑Ki=m+1fBi+γ（t）? （1）

式中：m為低頻有效分量的個(gè)數(shù)；γ（t）為其余分量。

然后，將模態(tài)函數(shù)fBi按照頻率大小從低到高排列，可得到重構(gòu)信號y～（t）［6］：

y～（t）=∑mi=1fBi

（2）

配網(wǎng)運(yùn)維中，由于故障數(shù)據(jù)信號模態(tài)復(fù)雜，且具有非線性和非平穩(wěn)的特點(diǎn)，研究采用VMD算法對該復(fù)雜信號進(jìn)行分解［7］。

1.2 信息熵

信息熵是信息論中信息量的統(tǒng)計(jì)表述，其基本定義如式（3）［8］：

H（k）=－∑Nk=1pklog2（pk）（3）

式中：H（k）為信息熵；pk表示時(shí)間k的發(fā)生概率；N為類別數(shù)目。

基于信息熵，可有效描述配網(wǎng)運(yùn)維故障信號的不確定性，故研究在VMD算法分解的信號特征基礎(chǔ)上，利用信息熵進(jìn)一步提取配網(wǎng)運(yùn)維故障信號特征，并提出E-VMD配網(wǎng)運(yùn)維故障特征提取方法。

1.3 ResNet模型

ResNet模型的核心組成部分是殘差模塊，其主要思路是將模塊輸入與模塊輸出相加，以保證模型增加殘差模塊后輸出結(jié)果與增加殘差模塊前接近［11］。殘差模塊的實(shí)現(xiàn)分為兩種情況，一是采用Hadamard積運(yùn)算將卷積塊輸出與輸入相加，構(gòu)成殘差塊，這類情況適用于模型卷積塊輸入與輸出形狀一致；二是引入一個(gè)卷積核大小為1×1的卷積層對輸入形狀進(jìn)行調(diào)整再相加，構(gòu)成殘差塊，這類情況適用于模型卷積塊輸入與輸出形狀不一致。2種情況下殘差模塊的結(jié)構(gòu)分別如圖1（a）和圖1（b）［12-13］。

ResNet模型具有優(yōu)異的分類性能，被廣泛應(yīng)用于圖像分類、目標(biāo)檢測和故障診斷領(lǐng)域。因此，研究選用該模型作為配網(wǎng)運(yùn)維故障識別的基礎(chǔ)模型。同時(shí)，為盡可能多的學(xué)習(xí)有效特征，提高ResNet模型對配網(wǎng)運(yùn)維故障的識別準(zhǔn)確率，研究對ResNet模型的殘差模塊進(jìn)行了改進(jìn)。

改進(jìn)的ResNet模型殘差模塊結(jié)構(gòu)如圖2（a）所示?；谠摎埐钅K，本文將ResNet模型結(jié)構(gòu)設(shè)計(jì)為圖2（b）所示。

首先，為實(shí)現(xiàn)數(shù)據(jù)特征壓縮，利用放行卷積核提取數(shù)據(jù)特征。然后，為擴(kuò)大特征的感受野，采用多種不同尺寸的橫向和縱向卷積核提取特征。最后，為避免模型過擬合，引入“快捷鏈接”分支增強(qiáng)特征表征能力。

2 基于深度學(xué)習(xí)的配網(wǎng)運(yùn)維識別

基于上述算法，為實(shí)現(xiàn)配網(wǎng)運(yùn)維故障識別，研究首先結(jié)合信息熵與VMD算法，提出一種E-VMD特征提取方法，并利用E-VMD對采集的配網(wǎng)運(yùn)維故障數(shù)據(jù)進(jìn)行特征提取，然后采用改進(jìn)的ResNet模型進(jìn)行分類，即可實(shí)現(xiàn)配網(wǎng)運(yùn)維故障識別。

（1）數(shù)據(jù)采集與預(yù)處理。收集整理配網(wǎng)運(yùn)維故障數(shù)據(jù)，同時(shí)考慮到數(shù)據(jù)量綱不同，采用歸一化方式對數(shù)據(jù)進(jìn)行處理；

（2）故障特征提取。采用VMD分解預(yù)處理后的信號并選取前K個(gè)頻帶分量重構(gòu)成放大的故障特征，然后在各頻帶上基于信息熵對故障特征進(jìn)行提??；

（3）改進(jìn)ResNet訓(xùn)練。將通過特征提取的數(shù)據(jù)輸入改進(jìn)ResNet模型中進(jìn)行訓(xùn)練，待其預(yù)測輸出與實(shí)際輸出誤差小于設(shè)定誤差，或達(dá)到最大迭代次數(shù)時(shí)，保存模型。反之調(diào)整模型的權(quán)重偏差，繼續(xù)訓(xùn)練；

（4）故障識別。將測試數(shù)據(jù)集輸入保存的改進(jìn)的ResNet模型中進(jìn)行學(xué)習(xí)，其輸出結(jié)果即為配網(wǎng)運(yùn)維故障識別結(jié)果。

上述流程可用圖3示意。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)基于TensorFlow深度學(xué)習(xí)框架搭建所提模型，基于Python語言搭建網(wǎng)絡(luò)，并在64位Windows10操作系統(tǒng)上運(yùn)行。系統(tǒng)配置Intel 酷睿 i7 8700K CPU，NVIDIA RTX 3070Ti GPU。

3.2 數(shù)據(jù)來源及預(yù)處理

實(shí)驗(yàn)選用自主采集的配網(wǎng)運(yùn)維中變壓器10 kV側(cè)的單相接地故障信號、二相短路故障信號、三相短路故障信號數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，共10 000個(gè)實(shí)驗(yàn)數(shù)據(jù)。考慮到采集的數(shù)據(jù)集中不同變量的量綱不同，為避免其對配網(wǎng)運(yùn)維故障識別結(jié)果的影響，實(shí)驗(yàn)前對所有數(shù)據(jù)進(jìn)行了歸一化處理，歸一化公式如式（4）［14］：

X=x－xminxmax－xmin（4）

式中：x、X分別表示歸一化前后的數(shù)據(jù)；xmax、xmin分別表示歸一化前數(shù)據(jù)的最大值和最小值。

為滿足所提模型訓(xùn)練需求，將歸一化后的數(shù)據(jù)按3∶1比例劃分為訓(xùn)練集和測試集。

3.3 評價(jià)指標(biāo)

實(shí)驗(yàn)選用準(zhǔn)確率、精確率、召回率、F1值作為評估所提模型性能的指標(biāo)，其計(jì)算方法［15-18］如下：

準(zhǔn)確率=TP+TNTP+TN+FP+FN（5）

精準(zhǔn)率=TPTP+FP（6）

召回率=TPTP+FN（7）

準(zhǔn)確率=2×精確率×召回率精確率+召回率（8）

式中：TP表示真正例；TN表示真負(fù)例；FP表示假正例；FN表示假負(fù)例。

3.4 參數(shù)設(shè)置

本次實(shí)驗(yàn)設(shè)置所提模型的批處理大小為64，迭代批次為10，通過Adam算法進(jìn)行優(yōu)化［19］。

3.5 結(jié)果與分析

3.5.1 模型驗(yàn)證

為驗(yàn)證所提模型采用改進(jìn)ResNet的有效性，研究分析了ResNet改進(jìn)前后模型的識別準(zhǔn)確率，結(jié)果如圖3所示。

由圖3可知，相較于改進(jìn)前，改進(jìn)后的ResNet識別準(zhǔn)確率更高。由此說明，本文對ResNet的改進(jìn)有效，一定程度上可提高所提模型對配網(wǎng)運(yùn)維故障的識別準(zhǔn)確率。

3.5.2 模型對比

為驗(yàn)證所提模型對配網(wǎng)運(yùn)維故障識別的有效性，研究對比了所提模型與常用故障識別模型KNN（k-nearest neighbor）模型、SVM（support vector machine）模型，對不同配網(wǎng)運(yùn)維故障的識別效果，結(jié)果如表1所示。

由表1可知，不同模型對配網(wǎng)運(yùn)維故障的識別效果不同，其中，所提模型對配網(wǎng)運(yùn)維單相接地故障、二相短路故障、三相短路故障的識別準(zhǔn)確率、精確率、召回率和F1值均高于對比模型，平均識別準(zhǔn)確率為100%，平均精確率為99.59%，平均召回率為100%，平均F1值為99.88%；相較于KNN模型和SVM模型，所提模型的各項(xiàng)性能指標(biāo)均得到了不同程度的提升。

3.5.3 實(shí)例驗(yàn)證

為檢驗(yàn)所提模型在實(shí)際配網(wǎng)運(yùn)維中的故障識別效果，研究結(jié)合配網(wǎng)運(yùn)行故障采集裝置實(shí)際情況，接收的信號中包含有用信號和噪聲信號，在實(shí)驗(yàn)數(shù)據(jù)中添加了10 dB的噪聲模擬實(shí)際配網(wǎng)運(yùn)維，并采用所提模型進(jìn)行故障識別，結(jié)果如表2所示。

由表2可知，所提模型具有良好的抗噪性能，在10 dB噪聲干擾下仍具有良好的配網(wǎng)運(yùn)維故障識別性能，對單相接地故障、二相短路故障、三相短路故障的平均識別準(zhǔn)確率為90.75%、平均識別精確率為92.75%，平均召回率為92.21%，平均F1值為91.22%。

4 結(jié)語

綜上所述，所提的基于深度學(xué)習(xí)的配網(wǎng)運(yùn)維識別技術(shù)，通過利用E-VMD算法提取配網(wǎng)運(yùn)維故障信號特征，并采用改進(jìn)的ResNet模型進(jìn)行分類識別，實(shí)現(xiàn)了配網(wǎng)運(yùn)維故障單相接地故障、二相短路故障、三相短路故障的準(zhǔn)確識別，平均識別準(zhǔn)確率達(dá)到100%，平均精確率為99.59%，平均召回率為100%，平均F1值為99.88%。相較于未使用E-VMD算法進(jìn)行配網(wǎng)運(yùn)維故障信號特征提取，以及改進(jìn)前ResNet模型，所提模型具有更優(yōu)異的配網(wǎng)運(yùn)維故障識別準(zhǔn)確率；相較于常用故障識別模型KNN模型和SVM模型，所提模型在準(zhǔn)確率、精確率、召回率和F1值各項(xiàng)指標(biāo)上均得到了不同程度的提升，且可用于實(shí)際配網(wǎng)運(yùn)維故障識別中，在10 dB噪聲干擾下仍具有良好的配網(wǎng)運(yùn)維故障識別性能，平均識別準(zhǔn)確率為90.75%、平均識別精確率為92.75%，平均召回率為92.21%，平均F1值為91.22%。

【參考文獻(xiàn)】

［1］ 趙梓辰.一種基于離散小波變換和模糊推理的配電網(wǎng)故障識別方法研究［J］.電子測試，2021（17）：46-49.

［2］ 陳開，付振宇，吳超成，等.基于告警信號的低壓配電網(wǎng)故障識別與定位［J］.電子設(shè)計(jì)工程，2022，30（1）：37-40.

［3］ 許可，范馨月，張恒榮.基于圖卷積網(wǎng)絡(luò)的配電網(wǎng)故障定位及故障類型識別［J］.實(shí)驗(yàn)技術(shù)與管理，2023，40（1）：26-30.

［4］ 鄭聰，周海峰，鄭東強(qiáng)，等.基于改進(jìn)多元宇宙算法的主動(dòng)配電網(wǎng)故障定位方法研究［J］.電力系統(tǒng)保護(hù)與控制，2023，51（2）：169-179.

［5］ 李宏揚(yáng)，高丙朋.基于改進(jìn)VMD和SNS-Attention-GRU的短期光伏發(fā)電功率預(yù)測［J］.太陽能學(xué)報(bào)，2023，44（8）：292-300.

［6］ 蔣田勇，喻晨宇，黃可，等.基于AO算法優(yōu)化VMD參數(shù)聯(lián)合小波閾值的橋梁信號去噪方法［J］.中國公路學(xué)報(bào)，2023，36（7）：158-168.

［7］ 滕陳源，丁逸超，張有兵，等.基于VMD-Informer-BiLSTM模型的超短期光伏功率預(yù)測［J］.高電壓技術(shù)，2023，49（7）：2961-2971.

［8］ 趙夫群，溫靜.基于信息熵和改進(jìn)KMC的點(diǎn)云簡化算法［J］.測繪工程，2023，32（5）：7-12.

［9］ 段艷慧，趙學(xué)勝，彭舒.基于信息熵的GlobeLand 30和WorldCover耕地破碎區(qū)一致性分析［J］.地球信息科學(xué)學(xué)報(bào)，2023，25（5）：1027-1036.

［10］ 胥婧雯，于紅，張鵬，等.基于聲音與視覺特征多級融合的魚類行為識別模型U-FusionNet-ResNet50+SENet［J］.大連海洋大學(xué)學(xué)報(bào)，2023，38（2）：348-356.

［11］ 劉寧，孫萍，馮宇平，等.基于ResNet18與膠囊網(wǎng)絡(luò)結(jié)合的人臉表情識別［J］.青島科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（5）：109-114.

［12］ 韓爭杰，牛榮軍，馬子魁，等.基于注意力機(jī)制改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法［J］.振動(dòng)與沖擊，2023，42（16）：82-91.

［13］ 蔣尚俊，易輝，李紅濤，等.基于遷移學(xué)習(xí)與ResNet的太陽電池缺陷檢測方法［J］.太陽能學(xué)報(bào)，2023，44（7）：116-121.

［14］ 劉永波，高文波，何鵬，等.基于改進(jìn)ResNet50模型的自然環(huán)境下蘋果物候期識別［J］.智慧農(nóng)業(yè)（中英文），2023，5（2）：13-22.

［15］ 單巍，董璇，龔佳佳，等.基于Resnet18網(wǎng)絡(luò)的紅外圖像行人危險(xiǎn)動(dòng)作識別［J］.河北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（3）：245-250.

［16］ 胥婧雯，于紅，張鵬，等.基于聲音與視覺特征多級融合的魚類行為識別模型U-FusionNet-ResNet50+SENet［J］.大連海洋大學(xué)學(xué)報(bào)，2023，38（2）：348-356.

［17］ 張文景，蔣澤中，秦立峰.基于弱監(jiān)督下改進(jìn)的CBAM-ResNet18模型識別蘋果多種葉部病害［J］.智慧農(nóng)業(yè)（中英文），2023，5（1）：111-121.

［18］ 湯武初，呂亞博，劉佳彬，等.基于特征融合和ResNet的滾動(dòng)軸承故障診斷［J］.機(jī)電工程，2023，40（8）：1167-1175.

［19］ 莫海城.基于等值網(wǎng)絡(luò)模型的電子設(shè)備故障智能分析診斷技術(shù)［J］.粘接，2023，50（9）：192-196.

［20］ 孫玉泰，謝占蘭.基于粒子濾波狀態(tài)估計(jì)的HGIS設(shè)備SF6氣體故障診斷［J］.粘接，2023，50（7）：145-149.

收稿日期：2023-11-22；修回日期：2024-02-21

作者簡介：王 龍（1990-），男，碩士，工程師，研究方向：車輛設(shè)備管理；E-mail：wanglong_nuaa@126.com。

基金項(xiàng)目：浙江省科技廳“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計(jì)劃項(xiàng)目（項(xiàng)目編號：2022C01SA371625）。

引文格式：

王 龍，戴兵兵，孔順飛，等.基于深度學(xué)習(xí)的配網(wǎng)運(yùn)維技術(shù)改進(jìn)研究［J］.粘接，2024，51（3）：173-176.