摘要：傳統(tǒng)電力系統(tǒng)的接地故障檢測(cè)和自我修復(fù)手段往往因反應(yīng)遲緩和精度不高而受到挑戰(zhàn)。通過(guò)構(gòu)建一相接地故障識(shí)別框架，核心在于聚焦于零序電流這一關(guān)鍵指標(biāo)，對(duì)零序電流信號(hào)進(jìn)行了多維度的處理，將其轉(zhuǎn)化為時(shí)域、頻域和小波域的特性向量，并借助隨機(jī)森林算法賦予這些特征不同的權(quán)重。然后，利用LightGBM算法對(duì)這些經(jīng)過(guò)分類的特征向量進(jìn)行深度學(xué)習(xí)訓(xùn)練，從而實(shí)現(xiàn)精確的故障預(yù)測(cè)。該算法能有效抵御過(guò)渡電阻和初始相位角變化對(duì)預(yù)測(cè)結(jié)果的影響，準(zhǔn)確性表現(xiàn)達(dá)到98.9%，遠(yuǎn)超其他比較算法。

關(guān)鍵詞：廣域信息小波分析隨機(jī)森林故障檢測(cè)

ResearchonFaultDetectionandSelf-HealingSysteminIntelligentDistributionNetwork

XIAOZhifeng

TongyuCountyPowerSupplyCompanyofStateGridJilinElectricPowerCo.，Ltd.，Baicheng，JilinProvince，137200China

Abstract：Thetraditionalgroundingfaultdetectionandselfrepairmethodsinpowersystemsareoftenchallengedduetoslowresponseandlowaccuracy.Byconstructingauniqueframeworkforidentifyingonephasegroundingfaults，withafocusonthe keyindicatorofzerosequencecurrent，thisarticleprocessedthezerosequencecurrentsignalinmultipledimensions，，convertingitintocharacteristicvectorsinthetimedomain，frequencydomain，andwaveletdomain，andassigningdifferentweightstothesefeaturesusingRandomForestAlgorithm.Then，theLightGBMalgorithmisusedtoperformdeeplearningtrainingontheseclassifiedfeaturevectors，inordertoachieveaccuratefaultprediction.Thisalgorithmcaneffectivelyresisttheinfluenceoftransitionresistanceandinitialphaseanglechangesonthepredictionresults，withanaccuracyperformanceof98.9%，farexceedingothercomparativealgorithms.

KeyWords：Wide-areainformation;Waveletanalysis;Randomforest;Faultdetection

電力網(wǎng)絡(luò)的自我修復(fù)機(jī)制主要涉及定位電網(wǎng)故障區(qū)段并隔絕，以確保非故障區(qū)域的穩(wěn)定供電。在各種故障類型中，接地故障是最普遍的一種。我國(guó)的配電網(wǎng)常常采用中性點(diǎn)不接地的方式，即小電流接地的防護(hù)策略。面對(duì)單相接地故障，電路特性表現(xiàn)為電壓對(duì)稱且線性，故障電流微小，達(dá)不到預(yù)設(shè)的故障標(biāo)準(zhǔn)，導(dǎo)致后端設(shè)備因過(guò)壓而短路，進(jìn)而加劇故障規(guī)模。因此，對(duì)單相接地故障的識(shí)別和消除至關(guān)重要。

1智能配電網(wǎng)及其自愈能力

1.1智能配電網(wǎng)的特點(diǎn)

智能配電網(wǎng)是現(xiàn)代系統(tǒng)的重要組成部分，它利用信息化、自動(dòng)化和智能化技術(shù)，實(shí)現(xiàn)了配電網(wǎng)的高效運(yùn)行和管理。智能配電網(wǎng)通過(guò)信息化技術(shù)實(shí)現(xiàn)了配電網(wǎng)數(shù)據(jù)的實(shí)時(shí)采集和處理，通過(guò)在配電網(wǎng)中部署大量的傳感器和監(jiān)測(cè)設(shè)備，可以實(shí)時(shí)收集配電網(wǎng)的運(yùn)行數(shù)據(jù)，包括電壓、電流、功率等信息[1]。這些數(shù)據(jù)的實(shí)時(shí)采集和處理，使得配電網(wǎng)的運(yùn)行狀態(tài)可以實(shí)時(shí)監(jiān)控，有助于及時(shí)發(fā)現(xiàn)和解決配電網(wǎng)中的問(wèn)題。

1.2自愈能力的重要性

自愈能力作為智能配電網(wǎng)的關(guān)鍵特性，它顯著有別于傳統(tǒng)配電網(wǎng)。在智能配電網(wǎng)中，一旦監(jiān)測(cè)到故障發(fā)生，系統(tǒng)能夠迅速啟動(dòng)自愈機(jī)制，自動(dòng)識(shí)別故障點(diǎn)，并采取措施將故障區(qū)域與其他非故障區(qū)域隔離開(kāi)來(lái)[2]。這一過(guò)程無(wú)需人工干預(yù)，完全由系統(tǒng)自動(dòng)完成。隔離故障點(diǎn)之后，智能配電網(wǎng)會(huì)立即啟動(dòng)恢復(fù)供電流程，通過(guò)重新配置電力流向，使得非故障區(qū)域能夠盡快恢復(fù)供電。這種快速響應(yīng)和自動(dòng)處理的能力，大幅減少了停電的時(shí)間和范圍。此外，智能配電網(wǎng)的自愈能力還包括了自我診斷和自我修復(fù)的功能，實(shí)時(shí)監(jiān)測(cè)運(yùn)行狀態(tài)，對(duì)潛在的故障進(jìn)行預(yù)警，并及時(shí)進(jìn)行調(diào)整和修復(fù)，以防止故障的發(fā)生。

2接地故障檢測(cè)模型

2.1零序電流特征提取算法

通過(guò)深入探討零序電流的特性，可據(jù)此定位故障點(diǎn)，首要任務(wù)即是對(duì)這些特性進(jìn)行全面的提煉。電信號(hào)可劃分為基本頻率和高次諧波，本研究關(guān)注的是信號(hào)在時(shí)間域、頻域和小波域的特性[3]。（1）時(shí)間域特性揭示了信號(hào)的直觀屬性，以時(shí)間作為衡量尺度，選取了電流和電壓的平均值、標(biāo)準(zhǔn)偏差、峰值和波形系數(shù)作為關(guān)鍵指標(biāo)。（2）頻域特性方面，當(dāng)配電網(wǎng)線路出現(xiàn)故障，信號(hào)的頻譜會(huì)有所變化，頻域分析有助于故障檢測(cè)。此處選取的特征包括頻譜功率和相位變化參數(shù)。（3）小波域特性利用小波分析對(duì)復(fù)雜信號(hào)進(jìn)行全方位解析，避免信息丟失。采用三層小波包絡(luò)分析算法，能獲取8個(gè)不同的子信號(hào)頻段。

2.2隨即森林算法特征權(quán)重排序

集成學(xué)習(xí)概念下的隨機(jī)森林算法運(yùn)用了眾多獨(dú)立決策樹(shù)的集體智慧來(lái)執(zhí)行分類任務(wù)。隨機(jī)森林的運(yùn)作流程可劃分為兩個(gè)階段：模型構(gòu)建與類別判定。假定隨機(jī)森林所處理的故障特征樣本庫(kù)為。首先，運(yùn)用Bootstrap抽樣技術(shù)從原數(shù)據(jù)中抽取新的子集，隨后在每個(gè)子集上獨(dú)立培養(yǎng)決策樹(shù)模型，由此產(chǎn)生一系列的決策樹(shù)分類器[4]。當(dāng)樣本經(jīng)過(guò)這些分類器時(shí)，每個(gè)分類器將依據(jù)其判斷結(jié)果賦予樣本一定的權(quán)重，最后，所有權(quán)重被匯總并根據(jù)最大權(quán)重的類別作為最終的輸出決策。

2.3基于LightGBM的故障分析算法

LightGBM（LightGradientBoostingMachine）全稱為輕量級(jí)梯度提升機(jī)，源于梯度提升決策樹(shù)（GradientBoostingDecisionTree，GBDT）的概念，構(gòu)建了一個(gè)創(chuàng)新的框架。與常規(guī)算法側(cè)重于正負(fù)樣本權(quán)重的差異不同，決策樹(shù)系列的LightGBM運(yùn)用前向分布算法，致力于減少前一輪迭代的誤差，從而遵循梯度下降的路徑。盡管GBDT主要適用于離散數(shù)據(jù)，并依賴一階導(dǎo)數(shù)優(yōu)化損失函數(shù)，導(dǎo)致運(yùn)算順序性強(qiáng)，LightGBM采用了Histogram策略。這一策略通過(guò)深度學(xué)習(xí)方法模擬各節(jié)點(diǎn)的演化，不僅能夠利用并行內(nèi)核加速計(jì)算，還顯著提升了數(shù)據(jù)處理效率。若用監(jiān)督學(xué)習(xí)的數(shù)據(jù)集來(lái)表示，LightGBM的目標(biāo)是找出一個(gè)函數(shù)映射，以最小化模型損失函數(shù)的期望值，其計(jì)算方式見(jiàn)式（1）。

2.4故障分析模型

本研究的算法實(shí)施分為三個(gè)核心環(huán)節(jié)：預(yù)備數(shù)據(jù)處理、樣本權(quán)重評(píng)估及故障解析。在預(yù)備數(shù)據(jù)處理階段，首先獲取原始數(shù)據(jù)，接著運(yùn)用時(shí)域、頻域和小波域的分析手段對(duì)數(shù)據(jù)進(jìn)行細(xì)分，生成多元特性[5]。隨后，樣本權(quán)重評(píng)估部分利用隨機(jī)森林策略對(duì)這些多元特性進(jìn)行排序操作。最后，故障解析模塊依賴于LightGBM工具，對(duì)多源數(shù)據(jù)特性進(jìn)行深入探究，以得出最終的故障預(yù)測(cè)區(qū)域。

3實(shí)驗(yàn)分析

3.1實(shí)驗(yàn)環(huán)境

在MatlabSimulink環(huán)境下構(gòu)建了高壓輸電線路的仿真模型，針對(duì)特定地理區(qū)域的500kV線路。設(shè)定線路的等效電容為10nF，并設(shè)定電流采樣頻率為10kHz[6]。模型中包含了三條線路，其長(zhǎng)度分別為：第一線路150km，第二線路130km，第三線路200km。為了評(píng)估模型在故障識(shí)別方面的效能，設(shè)計(jì)了一系列故障條件，生成多樣化的樣本集以增強(qiáng)檢測(cè)精度。依據(jù)電流信號(hào)的特性，考慮了不同的初始相位、過(guò)渡電阻和故障位置進(jìn)行組合。表1列出了用于訓(xùn)練的故障參數(shù)詳細(xì)信息。

3.2算法測(cè)試

在研究中，在表1中探索了多元變量，包括多種相位角配置、差異性的過(guò)渡電阻以及故障發(fā)生的具體位置。當(dāng)電力傳輸線路遭遇地線故障時(shí)，電流動(dòng)態(tài)特性會(huì)發(fā)生顯著變化。過(guò)渡電阻的微妙調(diào)整會(huì)潛在地干擾故障檢測(cè)的精確度。為了深入理解這一影響，先進(jìn)行詳盡定量分析，在此過(guò)程中，挑選了XGBoost、SVM和CNN這三種先進(jìn)的算法作為基準(zhǔn)進(jìn)行性能比較。實(shí)驗(yàn)數(shù)據(jù)和結(jié)果如表2所示。

如表2所示，本文提出的算法能確保在700Ω以下的線路識(shí)別精度，即使對(duì)于過(guò)渡電阻高達(dá)1000.2Ω的線路，錯(cuò)誤判斷率也能保持在0.5%以內(nèi)。與其他列示的算法比較，本算法的誤判率更低?？紤]到實(shí)際線路的過(guò)渡電阻通常不超過(guò)1000Ω，表明本文算法具備出色的抗干擾性能。在后續(xù)實(shí)驗(yàn)中，選擇100Ω作為試驗(yàn)的過(guò)渡電阻。

通過(guò)將模擬獲得的故障距離實(shí)例導(dǎo)入算法模型進(jìn)行評(píng)估，以證實(shí)各種算法在各類電流相位和故障定位上的預(yù)測(cè)精度。采取隨機(jī)方式確定故障發(fā)生的間距和起始相位，利用50輪測(cè)試的平均值來(lái)量化故障檢測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果對(duì)比如表3所示。

從表3的數(shù)據(jù)可以觀察到，本研究提出的算法在故障識(shí)別上的精確度十分出色，平均準(zhǔn)確率達(dá)到98.9%，相對(duì)比其他算法分別提高了1.3%、2.4%和0.8%。這顯示出通過(guò)整合特征分類工具RF與故障預(yù)測(cè)工具LightGBM，本文算法能顯著增強(qiáng)原有故障檢測(cè)的準(zhǔn)確性。

4結(jié)語(yǔ)

本文構(gòu)建了一種融合隨機(jī)森林與LightGBM的電力線路故障診斷及恢復(fù)策略。該方法專注于單相接地故障，深入探討了零序電流模型，并執(zhí)行了電流信號(hào)的剖析。借助隨機(jī)森林算法對(duì)特征矢量實(shí)施排序和分類操作，運(yùn)用LightGBM模型進(jìn)行故障預(yù)測(cè)。仿真實(shí)驗(yàn)顯示，提出的算法在各種運(yùn)行條件下均能實(shí)現(xiàn)高精度的故障識(shí)別，并展現(xiàn)出良好的抗干擾性能。

參考文獻(xiàn)

[1]周鑫，羅燕萍，戎駿，等.基于多源大數(shù)據(jù)的智能配電網(wǎng)停電故障分析與優(yōu)化配置研究[J].自動(dòng)化與儀器儀表，2024（3）：101-105.

[2]DUYL，DUONGB，CAON，etal.FLISRApproachforSmartDistributionNetworksUsingE-TerraSoftware—ACaseStudy[J].Energies，2018，11（12）：3333.

[3]SAPONUTZOGLOUN，LAGOJ，RAISONB.Faultdiagnosisinlowvoltagesmartdistributiongridsusinggradientboostingtrees[J].ElectricPowerSystemsResearch，2020，182：106254.

[4]鄒彬，李瑋，韓俊.基于Multi-Agent的智能配電網(wǎng)自愈系統(tǒng)研究[J].自動(dòng)化與儀器儀表，2020（10）：145-148.

[5]胡偉，周敏.多源智能配電網(wǎng)自愈控制關(guān)鍵技術(shù)研究[J].科技與創(chuàng)新，2023，2（18）：1-4，9.

[6]MDENFC，KAKUEFJV，BOUMTA，etal.Faultdetectionandclassificationusingdeeplearningmethodandneuro‐fuzzyalgorithminasmartdistributiongrid[J].TheJournalofEngineering，2023，2023（11）：e12324.