摘 要：分布式電源種類和容量不斷提升的微網(wǎng)運(yùn)行方式復(fù)雜、故障特征微弱，現(xiàn)有的繼電保護(hù)裝置故障診斷方法無法滿足保護(hù)需求。提出一種基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷技術(shù)。首先，分析多能源互補(bǔ)微網(wǎng)系統(tǒng)架構(gòu)，對采集的三相電流數(shù)據(jù)進(jìn)行預(yù)處理，提高后續(xù)模型對數(shù)據(jù)的學(xué)習(xí)效率；然后，融合卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)提出卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷方法，提取三相電流數(shù)據(jù)長序列和局部序列特征實(shí)現(xiàn)故障分類、故障定位，融合注意力機(jī)制，重點(diǎn)關(guān)注對故障診斷有影響的特征，提高故障診斷準(zhǔn)確率；最后經(jīng)過RTDS實(shí)時(shí)仿真系統(tǒng)進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，所提方法故障診斷精度高、計(jì)算時(shí)間短，同卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)相比，故障分類準(zhǔn)確率分別提升8.53%、9.62%、11.45%，故障定位準(zhǔn)確率分別提升7.47%、10.61%、10.85%，驗(yàn)證所提方法的有效性與先進(jìn)性。

關(guān)鍵詞：微網(wǎng)；繼電保護(hù)；故障診斷；卷積雙向長短期記憶網(wǎng)絡(luò)；三相電流；注意力機(jī)制

中圖分類號：TM732 """文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著新型電力系統(tǒng)建設(shè)的推進(jìn)，分布式電源接入電網(wǎng)種類和容量不斷提升，由新能源、儲能裝置、通信設(shè)備以及負(fù)荷構(gòu)成的微網(wǎng)具有安全可靠、綠色環(huán)保的優(yōu)勢，能夠滿足快速增長的負(fù)荷需求，在電力系統(tǒng)中占比越來越重［1-4］。微網(wǎng)是一個(gè)動態(tài)調(diào)節(jié)的結(jié)構(gòu)，該結(jié)構(gòu)的安全穩(wěn)定運(yùn)行對負(fù)荷供電可靠性有著至關(guān)重要的作用，微網(wǎng)發(fā)生故障時(shí)，故障的擴(kuò)大會直接對大電網(wǎng)的安全穩(wěn)定運(yùn)行造成影響［5-6］。因此，亟需一種靈敏、可靠的繼電保護(hù)裝置實(shí)現(xiàn)故障精準(zhǔn)分類、定位，使得微網(wǎng)安全穩(wěn)定運(yùn)行。此外微網(wǎng)分布式電源、運(yùn)行方式種類繁多，故障具有一定的隨機(jī)性，故微網(wǎng)繼電保護(hù)故障診斷技術(shù)成為了當(dāng)前研究的一個(gè)難點(diǎn)和熱點(diǎn)［7-12］。傳統(tǒng)的微網(wǎng)故障診斷方法主要是通過建模實(shí)現(xiàn)的［13］，比較電力系統(tǒng)實(shí)際輸出和模型輸出來進(jìn)行故障分類與定位［14］。文獻(xiàn)［15］提出基于改進(jìn)最小碰集算法的微網(wǎng)故障診斷方法，很好地應(yīng)用于包含若干個(gè)分布式新能源配網(wǎng)中；文獻(xiàn)［16］將數(shù)學(xué)形態(tài)學(xué)的方法用于故障分類中，但是該方法對于特征比較微弱的故障分類準(zhǔn)確率較低；文獻(xiàn)［17］提出基于模型辨識的故障判別方法，能夠提高線路重合閘成功率，但是該方法過于依賴模型；文獻(xiàn)［18］將優(yōu)化成本用于狀態(tài)監(jiān)測上，但是故障診斷準(zhǔn)確率較低。

隨著近年來人工智能技術(shù)的快速發(fā)展，已經(jīng)被廣泛應(yīng)用于微網(wǎng)故障診斷中。文獻(xiàn)［19］提出一種基于神經(jīng)學(xué)習(xí)的故障識別分類方法，以提升計(jì)算效率；文獻(xiàn)［20］將遺傳算法與神經(jīng)學(xué)習(xí)模型相結(jié)合，大幅度提高了分類的效率；文獻(xiàn)［21］則采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類，以增強(qiáng)分類的準(zhǔn)確性；文獻(xiàn)［22］提出一種基于小波變換和支持向量機(jī)的故障分類方法，用于提高故障識別的準(zhǔn)確性；文獻(xiàn)［23-24］介紹了一種基于機(jī)器學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)的的故障檢測方法，并驗(yàn)證了其方法的有效性。

雖然上述研究取得了一定的成果，然而面對分布式新能源大量接入的微網(wǎng)系統(tǒng)，故障特征更加微弱，目前的研究方法故障診斷準(zhǔn)確率無法滿足要求。深度學(xué)習(xí)具有很強(qiáng)的非線性擬合能力，能夠很好地對故障特征進(jìn)行學(xué)習(xí)和分類，其中卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，網(wǎng)絡(luò)具有魯棒性高、訓(xùn)練參數(shù)少的優(yōu)勢［25-27］。然而微網(wǎng)故障數(shù)據(jù)是一個(gè)時(shí)序數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)在特征學(xué)習(xí)故障電壓、電流時(shí)無法有效學(xué)習(xí)時(shí)間關(guān)系上的信息。長短時(shí)記憶網(wǎng)絡(luò)是一個(gè)典型的時(shí)序特征學(xué)習(xí)網(wǎng)絡(luò)，能夠很好地彌補(bǔ)這一缺陷，但是其只能提取前向特征，對后向特征提取缺乏有效手段。雙向長短期記憶網(wǎng)絡(luò)能夠全面提取前后時(shí)間特征，具有更高的故障識別準(zhǔn)確率［28-29］。

基于上述分析，本文將卷積神經(jīng)網(wǎng)絡(luò)和和雙向長短期記憶網(wǎng)絡(luò)結(jié)合，提出一種基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷方法，融合注意力機(jī)制，重點(diǎn)關(guān)注對故障診斷有影響的特征，提高故障診斷準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，所提方法故障診斷精度高、計(jì)算時(shí)間短，同卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)相比，故障分類準(zhǔn)確率分別提升8.53%、9.62%、11.45%，故障定位準(zhǔn)確率分別提升7.47%、10.61%、10.85%，驗(yàn)證所提方法的有效性與先進(jìn)性。

1 微網(wǎng)系統(tǒng)

1.1 微網(wǎng)系統(tǒng)結(jié)構(gòu)

多能源協(xié)調(diào)微網(wǎng)結(jié)構(gòu)如圖1所示，通過110/10.5 kV變壓器接入主網(wǎng)，饋線1～4電壓等級為10.5 kV，分布式電源主要包含小型燃?xì)廨啓C(jī)、風(fēng)力發(fā)電機(jī)、光伏發(fā)電機(jī)以及蓄電池，經(jīng)過380/10.5 kV升壓變壓器接入微網(wǎng)。

微網(wǎng)故障主要包含串聯(lián)故障和并聯(lián)故障。串聯(lián)故障是指一條或者兩條線路發(fā)生斷線，發(fā)生阻抗不平衡的故障。并聯(lián)故障主要包含單相接地故障（AG，BG，CG）、相見短路故障（AB，BC，AC）、兩相接地故障（ABG，BCG，ACG）以及三相短路故障（ABC），微網(wǎng)故障主要是并聯(lián)故障，因此后續(xù)主要針對并聯(lián)故障開展研究。

1.2 新能源接入的微網(wǎng)故障特征分析

分布式電源輸出電流會對微網(wǎng)系統(tǒng)故障電流產(chǎn)生助增或者助減的作用。例如，如果在圖1的微網(wǎng)結(jié)構(gòu)中[f]點(diǎn)發(fā)生故障，保護(hù)裝置1是靠近大電網(wǎng)的保護(hù)裝置，檢測到的電流計(jì)算公式為：

[I1=UZ+UDG1ZDG1+UDG3ZDG3+UDG4ZDG4] （1）

式中：[I1]——保護(hù)裝置1檢測到的電流，kA；U、[UDG1]、[UDG3]、[UDG4]——大電網(wǎng)等值電源、分布式電源DG1、分布式電源DG3、分布式電源DG4電壓，kV；Z、[ZDG1]、[ZDG3]、[ZDG4]——大電網(wǎng)等值電源、分布式電源DG1、分布式電源DG3、分布式電源DG4到短路點(diǎn)阻抗，Ω。

保護(hù)裝置2是靠近分布式電源的保護(hù)裝置，檢測到的電流計(jì)算公式為：

[I2=UDG2ZDG2] （2）

式中：[I2]——保護(hù)裝置2檢測到的電流，kA；[UDG2]——分布式電源DG2電壓，kV；[ZDG2]——分布式電源DG2到短路點(diǎn)阻抗，Ω。

由式（1）和式（2）可知，[I1]主要由非故障分布式電源提供的電流和大電網(wǎng)提供的電流組成，故障電流較大，能夠使保護(hù)裝置1正確動作；[I2]僅僅由分布式電源DG2提供，此外分布式電源逆變器存在限流作用，導(dǎo)致輸出電流最大只有1.5～2倍額定電流，故障電流較小，容易造成裝置拒動。因此，分布式電源接入微網(wǎng)系統(tǒng)導(dǎo)致故障特征更加微弱，影響繼電保護(hù)動作的可靠性。

2 繼電保護(hù)故障診斷模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的特征學(xué)習(xí)的能力，圖2為卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要包含卷積、激活、池化。本文將三相故障電流直接作為卷積神經(jīng)網(wǎng)絡(luò)輸入，通道數(shù)設(shè)置為3，使用卷積的方式遍歷采集故障電流每個(gè)點(diǎn)，卷積核進(jìn)行相乘以及求和，經(jīng)過激活函數(shù)后提升對故障電流的非線性學(xué)習(xí)能力，將微弱故障特征充分提取出來，最后經(jīng)過池化操作，降低輸出維度，防止出現(xiàn)過擬合。

2.1.1 卷積

卷積運(yùn)算是卷積神經(jīng)網(wǎng)絡(luò)的核心，通過使用卷積核逐步掃描輸入的每個(gè)局部區(qū)域，實(shí)現(xiàn)特征提取。卷積核中的權(quán)值在整個(gè)輸入上共享，這不僅減少了模型的參數(shù)數(shù)量，還顯著降低了訓(xùn)練時(shí)間。具體公式為：

[xi+1=wi?xi+bi] （3）

式中：[xi]——上一層的輸入特征，第一層的輸入為三相故障電流；[xi+1]——通過卷積之后的一層輸出特征；[?]——卷積運(yùn)算負(fù)荷；[wi]——卷積核類值；[bi]——偏置值。

2.1.2 激活

在卷積神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的主要作用是引入非線性，使得網(wǎng)絡(luò)能夠處理和學(xué)習(xí)復(fù)雜的特征關(guān)系。通過對卷積操作的輸出應(yīng)用非線性激活函數(shù)，網(wǎng)絡(luò)可捕捉到更復(fù)雜的模式和特征，從而增強(qiáng)其表達(dá)能力和訓(xùn)練效率。此外，激活函數(shù)還幫助避免梯度消失問題，加速訓(xùn)練過程，提高模型的性能。式（2）中添加激活函數(shù)后為：

[yi=f（xi+1）=f（wi?xi+bi）] （4）

式中：[wi]——權(quán)值；[yi]——經(jīng)過激活函數(shù)之后的輸出；[f（*）]——激活函數(shù)。

2.1.3 池化

在卷積神經(jīng)網(wǎng)絡(luò)中，池化操作的主要作用是通過對特征圖進(jìn)行降采樣，減少特征的空間尺寸，從而降低計(jì)算復(fù)雜度和內(nèi)存需求。池化層通過保留最顯著的特征，同時(shí)減少冗余信息，有助于控制過擬合，并提高網(wǎng)絡(luò)對輸入數(shù)據(jù)變形、縮放和小幅度平移的魯棒性。表達(dá)式為：

[max-poolingf[i-1]， f[i]， f[i+1]= """""""maxf[i-1]， f[i]， f[i+1]] （5）

式中：max-pooling——池化操作的最大值；[f[i]]、[f[i+1]]、[f[i-1]]——第[i、i+1、i-1]個(gè)特征值。

2.2 雙向長短期記憶網(wǎng)絡(luò)

雙向長短期記憶網(wǎng)絡(luò)是在長短期記憶網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn)的，既能學(xué)習(xí)時(shí)間序列數(shù)據(jù)正向關(guān)聯(lián)的關(guān)系，又能學(xué)習(xí)反向關(guān)聯(lián)的關(guān)系，提升了模型分類能力。保護(hù)裝置檢測到的故障電流是一個(gè)具有時(shí)序特征的序列數(shù)據(jù)，故障診斷結(jié)果和故障特征之間是非線性關(guān)系，故本文利用雙向長短期記憶網(wǎng)絡(luò)進(jìn)行微網(wǎng)系統(tǒng)繼電保護(hù)故障診斷，使用微網(wǎng)三相電流數(shù)據(jù)訓(xùn)練雙向長短期記憶網(wǎng)絡(luò)的正向長短期記憶網(wǎng)絡(luò)和反向長短期記憶網(wǎng)絡(luò)。

雙向長短期記憶網(wǎng)絡(luò)應(yīng)用于微網(wǎng)故障特征學(xué)習(xí)結(jié)構(gòu)如圖3所示，設(shè)置網(wǎng)絡(luò)輸入為三相短路電流，即：

[xt=itxt-1=it-1xt+1=it+1] （6）

式中：[t]——采樣點(diǎn)時(shí)刻；[xt]、[xt-1]、[xt+1]——當(dāng)前時(shí)刻、前一時(shí)刻、后一時(shí)刻輸入；[it]、[it-1]、[it+1]——當(dāng)前時(shí)刻、前一時(shí)刻、后一時(shí)刻短路電流。

正向長短期記憶網(wǎng)絡(luò)學(xué)習(xí)微網(wǎng)故障電流序列從前往后的正向特征，反向長短期記憶網(wǎng)絡(luò)學(xué)習(xí)微網(wǎng)故障電流序列從后往前的反向特征。雙向長短期記憶網(wǎng)絡(luò)通過故障數(shù)據(jù)前后時(shí)序特征訓(xùn)練模型，對序列特征學(xué)習(xí)更加全面。

分別在[t]時(shí)刻對雙向長短期記憶網(wǎng)絡(luò)輸入序列進(jìn)行正向長短期記憶網(wǎng)絡(luò)和反向長短期記憶網(wǎng)絡(luò)的特征提取。

正向長短期記憶網(wǎng)絡(luò)計(jì)算公式為：

[it=σWiht-1， "xt+bift=σWfht-1， "xt+bfgt=tanhWcht-1， "xt+bcCt=it?gt+ft?Ct-1ot=σWoht-1， "xt+boh′t=ottanh（Ct）] （7）

反向長短期記憶網(wǎng)絡(luò)計(jì)算公式為：

[it=σWiht+1， "xt+bift=σWfht+1， "xt+bfgt=tanhWcht+1， "xt+bcCt=it?gt+ft?Ct+1ot=σWoht+1， "xt+boh″t=ottanh（Ct）] （8）

式中：it、ft、Ct、ot——輸入門、遺忘門、記憶細(xì)胞以及輸出門狀態(tài)向量；gt、[h′t]、[h″t]——當(dāng)前時(shí)刻記憶信息、正向隱藏層信息、反向隱藏層信息；b——偏置；Wi、Wf、Wc、Wo——輸入門、遺忘門、記憶細(xì)胞以及輸出門權(quán)重；[σ]——sigmod激活函數(shù)。

[t]時(shí)刻輸出相量為：

[Ht=W′hfh′+W′hbh+bh] （9）

式中：[W′hf]、[W′hb]——正向、反向輸入與隱藏層之間的權(quán)重；[bh]——隱藏層偏置。

2.3 注意力機(jī)制

注意力機(jī)制是指在大量的數(shù)據(jù)信息中重點(diǎn)關(guān)注少數(shù)有用信息，剔除無關(guān)信息。在微網(wǎng)繼電保護(hù)故障診斷中，利用注意力機(jī)制對不同故障特征給予相應(yīng)的權(quán)重，能夠提升微弱故障特征的診斷率。本文將注意力機(jī)制分別引入到卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)中。針對卷積神經(jīng)網(wǎng)絡(luò)，注意力層添加在卷積塊后面，能夠有效提升卷積神經(jīng)網(wǎng)絡(luò)的全局特征學(xué)習(xí)能力；針對雙向長短期記憶網(wǎng)絡(luò)，通過注意力機(jī)制加權(quán)求和隱藏層輸出，能夠優(yōu)化故障診斷效果。通過分配概率的方式分配權(quán)重，注意力層的輸入為卷積塊、雙向長短期記憶網(wǎng)絡(luò)的隱藏層相量，具體過程為：

[et=utanhWhht+b] （10）

[at=exp（et）j=1texp（ej）] （11）

[st=j=1tatht] （12）

式中：[et]——注意力層輸出；[at]——權(quán)值；[st]——高級故障特征。

3 基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷方案

3.1 網(wǎng)絡(luò)模型

微網(wǎng)故障數(shù)據(jù)可看成具有前后聯(lián)系的時(shí)序數(shù)據(jù)，為了提高故障診斷率，設(shè)計(jì)融合注意力機(jī)制和卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)故障診斷模型，充分學(xué)習(xí)故障特征數(shù)據(jù)，將更深層復(fù)雜特征提取出來。卷積神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性學(xué)習(xí)能力，能夠更好地學(xué)習(xí)微網(wǎng)故障數(shù)據(jù)局部特征，但是卷積神經(jīng)網(wǎng)絡(luò)無法有效學(xué)習(xí)長序列數(shù)據(jù)，雙向長短期記憶網(wǎng)絡(luò)可以彌補(bǔ)這一缺陷，能夠?qū)崿F(xiàn)長時(shí)間序列數(shù)據(jù)的學(xué)習(xí)。因此，本文將卷積神經(jīng)網(wǎng)絡(luò)提取深層微網(wǎng)故障特征作為長短期記憶網(wǎng)絡(luò)的輸入，深層次學(xué)習(xí)故障特征長序列關(guān)聯(lián)信息。為進(jìn)一步提升對微弱故障數(shù)據(jù)的提取能力，在模型中添加注意力層，主要添加在卷積神經(jīng)網(wǎng)絡(luò)池化層后面和雙向長短期記憶網(wǎng)絡(luò)后面，加大和故障信息相關(guān)的特征權(quán)值，使模型重點(diǎn)關(guān)注對故障診斷有影響的特征。通過特征重要程度對權(quán)值進(jìn)行調(diào)整，能夠更加全面地把握住故障特征，進(jìn)而提高微弱故障的診斷率。

網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示，包括輸入層、卷積層、池化層、注意力層、雙向長短期記憶網(wǎng)絡(luò)層、全連接層和輸出層。故障診斷主要包含故障分類和故障定位兩個(gè)部分，對于故障分類而言，圖4輸出為故障類型；對于故障定位而言，圖4輸出為故障區(qū)段編號。故障診斷的過程是先基于卷積雙向長短期記憶網(wǎng)絡(luò)進(jìn)行故障類別判斷，然后基于卷積雙向長短期記憶網(wǎng)絡(luò)進(jìn)行故障定位，實(shí)現(xiàn)故障位置確認(rèn)。

1）輸入數(shù)據(jù)：為實(shí)現(xiàn)微網(wǎng)繼電保護(hù)故障診斷功能，需將樣本進(jìn)行離線訓(xùn)練。輸入的訓(xùn)練數(shù)據(jù)為原始三相故障電流，無需經(jīng)過信號處理，將故障特征最大程度地提取出來，輸入矩陣為：

[X=ima，1ima，2ima，3…ima，500imb，1imb，2imb，3…imb，500imc，1imc，2imc，3…imc，500] （13）

式中：[m]——分支線路編號；[ima，t]、[imb，t]、[imc，t]——三相電流[t]時(shí)刻的值。

網(wǎng)絡(luò)的輸入是故障前后0.1 s的電流數(shù)據(jù)，采樣頻率為5000 Hz，采樣的數(shù)據(jù)包含微網(wǎng)故障前后特征最為明顯的500個(gè)采樣點(diǎn)，即故障前的100個(gè)點(diǎn)和故障后的400個(gè)點(diǎn)，圖4中模型輸入層維度為500×3。

為突出數(shù)據(jù)的變化信息、加快網(wǎng)絡(luò)收斂速度、提升網(wǎng)絡(luò)精度，對數(shù)據(jù)進(jìn)行歸一化處理為：

[xi=xi-min（xi）max（xi）-min（xi）] （14）

2）輸出數(shù)據(jù)：故障診斷包含故障分類和故障定位，二者均使用卷積雙向長短期記憶網(wǎng)絡(luò)模型，僅輸出的神經(jīng)元數(shù)量不同。對于故障分類而言，包含正常狀態(tài)、單相接地故障（AG，BG，CG）、相間短路故障（AB，BC，AC）、兩相接地故障（ABG，BCG，ACG）以及三相短路故障（ABC）這11種狀態(tài)，因此輸出的神經(jīng)元數(shù)量為11；對于故障定位而言，如圖1所示，包含正常狀態(tài)和11段饋線故障，因此輸出的神經(jīng)元數(shù)量為12。

3.2 故障診斷流程過程

基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷方法流程如圖5所示，主要包含離線訓(xùn)練和在線診斷。

3.2.1 離線訓(xùn)練

1）對三相故障電流數(shù)據(jù)進(jìn)行歸一化處理，制作數(shù)據(jù)集，將樣本劃分成訓(xùn)練集和測試集。

2）構(gòu)建基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障分類、故障定位模型，設(shè)置訓(xùn)練的網(wǎng)絡(luò)超參數(shù)：學(xué)習(xí)率取為0.0"批大小為200。

3）離線訓(xùn)練網(wǎng)絡(luò)，判斷模型收斂與否，通過訓(xùn)練的效果不斷更新網(wǎng)絡(luò)參數(shù)，進(jìn)而完善模型性能。

4）將訓(xùn)練好的模型進(jìn)行保存，方便后續(xù)故障在線診斷。

3.2.2 在線診斷

1）任意時(shí)刻采集微網(wǎng)三相電壓、電流數(shù)據(jù)，但系統(tǒng)大部分時(shí)間處于正常運(yùn)行狀態(tài)，為減少資源浪費(fèi)，并保證故障診斷快速響應(yīng)，通過電壓突變作為故障啟動判據(jù)，得到：

[ut-ut-Tgt;kuρumax] （15）

式中：[T]——工頻采樣周期；[ku]——可靠系數(shù)，本文取值為3；[ρumax]——正常狀態(tài)下最大電壓突變值。

若某個(gè)時(shí)刻電壓滿足故障啟動判據(jù)，則以這一時(shí)刻為基準(zhǔn)，向前取100個(gè)點(diǎn)、向后取400個(gè)點(diǎn)采集三相電流，分別作為卷積雙向長短期記憶網(wǎng)絡(luò)故障分類、故障定位的輸入進(jìn)行故障診斷。

2）如果故障分類和故障定位結(jié)果都是正常狀態(tài)，那么沒有發(fā)生故障；如果故障分類和故障定位結(jié)果一個(gè)是正常狀態(tài)，一個(gè)是故障狀態(tài)，那么將故障類型或者故障位置打印出來，告知工作人員進(jìn)行人工檢測，以提高診斷精度；如果故障分類和故障定位結(jié)果均為故障狀態(tài)，那么微網(wǎng)發(fā)生故障，將故障類型、故障位置打印出來，告知工作人員盡快檢修，提高繼電保護(hù)可靠性。

4 仿真驗(yàn)證

4.1 仿真環(huán)境

在實(shí)時(shí)數(shù)字仿真系統(tǒng)（real-time digital simulation，RTDS）中搭建圖1的微網(wǎng)模型，參數(shù)如表1所示。

4.2 網(wǎng)絡(luò)結(jié)構(gòu)

模型結(jié)果好壞用準(zhǔn)確率[AC]來衡量，表達(dá)式為：

[AC=T1+T2P+N] （16）

式中：[T1]——正類樣本被判斷為正類的數(shù)量；[T2]——正類樣本被判斷為負(fù)類的數(shù)量；[P]——正類樣本總數(shù)；[N]——負(fù)類樣本總數(shù)。

將隱藏層的數(shù)量設(shè)置為"并設(shè)定每層神經(jīng)元的數(shù)量在100～600之間。每次使用50組數(shù)據(jù)進(jìn)行集中訓(xùn)練，并實(shí)時(shí)監(jiān)測指標(biāo)[AC]的變化，以評估訓(xùn)練的準(zhǔn)確性。通過記錄指標(biāo)[AC]的最佳值來確定神經(jīng)元的具體數(shù)量。如果指標(biāo)[AC]的變化幅度較大，則停止增加隱藏層，并根據(jù)觀察結(jié)果確定最終的網(wǎng)絡(luò)結(jié)構(gòu)。

通過實(shí)驗(yàn)仿真結(jié)果，推算故障分類準(zhǔn)確率和隱藏層層數(shù)、隱藏層神經(jīng)元數(shù)量之間的關(guān)系。如圖6所示，第一層和第二層隱藏層的神經(jīng)元數(shù)量分別為200和400時(shí)，指標(biāo)[AC]達(dá)到最大值，因此選擇這兩個(gè)數(shù)量神經(jīng)元。隨著第三層隱藏層神經(jīng)元數(shù)量的增加，指標(biāo)[AC]開始下降，表明網(wǎng)絡(luò)可能過于復(fù)雜，導(dǎo)致在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新數(shù)據(jù)或測試數(shù)據(jù)上效果較差，從而出現(xiàn)過擬合現(xiàn)象?；谶@些觀察，本文將網(wǎng)絡(luò)的隱藏層數(shù)量設(shè)置為2層，并將故障分類的網(wǎng)絡(luò)結(jié)構(gòu)確定為500×3-200-400-11。

圖7為故障分類準(zhǔn)確率與隱藏層層數(shù)及每層神經(jīng)元數(shù)量之間的關(guān)系。根據(jù)圖7中的數(shù)據(jù)，當(dāng)網(wǎng)絡(luò)只有一層隱藏層且神經(jīng)元數(shù)量為300時(shí)，指標(biāo)[AC]達(dá)到最大值，因此選擇300作為第一層隱藏層的神經(jīng)元數(shù)量。對于添加的第二層隱藏層，雖然嘗試過不同的神經(jīng)元數(shù)量，但由于處理數(shù)據(jù)時(shí)準(zhǔn)確率較低且存在過擬合現(xiàn)象，因此決定將隱藏層數(shù)量設(shè)置為1。故障分類網(wǎng)絡(luò)的結(jié)構(gòu)被設(shè)定為500×3-300-12。

4.3 結(jié)果分析

在不同故障區(qū)段進(jìn)行不同類型的故障來驗(yàn)證本文方法的有效性，樣本數(shù)量為1000個(gè)，并網(wǎng)模式樣本數(shù)量為500，離網(wǎng)模式樣本數(shù)量為500，其中訓(xùn)練集和測試集數(shù)量均為500，例如并網(wǎng)模式下圖1中[f]點(diǎn)發(fā)生兩相間短路故障，繼電保護(hù)裝置1、2處的三相故障電流仿真結(jié)果如圖8所示。

接下來驗(yàn)證模型故障診斷效果，故障分類、故障定位準(zhǔn)確率和損失隨迭代次數(shù)關(guān)系分別如圖9、圖10所示。從圖9、圖10可知，故障分類、故障定位迭代次數(shù)分別達(dá)到140、100時(shí)，網(wǎng)絡(luò)趨于穩(wěn)定，為確保模型穩(wěn)定，后面訓(xùn)練中設(shè)置網(wǎng)絡(luò)迭代次數(shù)分別為160、120。

4.4 不同方法對比

為驗(yàn)證本文方法的先進(jìn)性，將本文方法和卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，故障分類、故障定位迭代次數(shù)分別設(shè)置為160、120，診斷精度和計(jì)算效率結(jié)果如表2所示。從表2可知，本文方法故障診斷精度最高，人工神經(jīng)網(wǎng)絡(luò)精度最低，因?yàn)槠涫且粋€(gè)淺層學(xué)習(xí)網(wǎng)絡(luò)，對微網(wǎng)故障特征學(xué)習(xí)能力不足。長短期記憶網(wǎng)絡(luò)精度第二低，因?yàn)槠鋬H時(shí)序特征學(xué)習(xí)能力較強(qiáng)，針對局部特征的非線性擬合能力較差。卷積神經(jīng)網(wǎng)絡(luò)精度第二高，因?yàn)槠渚植糠蔷€性特征學(xué)習(xí)能力強(qiáng)，但對微網(wǎng)時(shí)序故障數(shù)據(jù)提取能力弱，對微弱故障識別效果欠佳。本文方法故障分類準(zhǔn)確率分別提升8.53%、9.62%、11.45，故障定位準(zhǔn)確率分別提升7.47%、10.61%、10.85%。在計(jì)算效率方面，本文方法計(jì)算時(shí)間較短，僅低于人工神經(jīng)網(wǎng)絡(luò)，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)參數(shù)少、計(jì)算量小、擬合度差。然而本文方法相對于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)，擁有更快的計(jì)算速度，故障分類計(jì)算時(shí)間分別縮短4.2和17.4 ms，故障定位計(jì)算時(shí)間分別縮短7.9和21 ms，這是因?yàn)槿诤暇矸e神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)的卷積雙向長短期記憶網(wǎng)絡(luò)能夠進(jìn)行雙向時(shí)序特征學(xué)習(xí)，故障特征提取能力較強(qiáng)，利用較少的網(wǎng)絡(luò)層數(shù)即可實(shí)現(xiàn)較高的故障診斷精度，進(jìn)而縮短計(jì)算時(shí)間；然而卷積神經(jīng)網(wǎng)絡(luò)不具備時(shí)間序列學(xué)習(xí)能力，要想取得最佳的故障診斷效果，需增加網(wǎng)絡(luò)層數(shù)來實(shí)現(xiàn)故障特征提取，增加了網(wǎng)絡(luò)計(jì)算時(shí)間；長短期記憶網(wǎng)絡(luò)是一個(gè)單向的時(shí)序信息學(xué)習(xí)網(wǎng)絡(luò)，每次迭代時(shí)電流故障特征學(xué)習(xí)效率不高，需要更多的迭代次數(shù)才能達(dá)到收斂，也會增加網(wǎng)絡(luò)計(jì)算時(shí)間。綜上分析，驗(yàn)證了所提方法的有效性與先進(jìn)性。

4.5 魯棒性

為驗(yàn)證本文方法具有較強(qiáng)的魯棒性，對本文故障數(shù)據(jù)分別添加10～100 dB的高斯白噪聲，故障分類、故障定位結(jié)果如表3所示。從表3可知，本文方法在高噪聲環(huán)境下仍保持了較高的故障診斷精度。

5 結(jié) 論

本文提出一種基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷技術(shù)，主要取得以下成果：

1）融合卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)，構(gòu)建基于卷積雙向長短期記憶網(wǎng)絡(luò)的微網(wǎng)繼電保護(hù)故障診斷模型，提取三相電流數(shù)據(jù)長序列和局部序列特征實(shí)現(xiàn)故障分類、故障定位。

2）融合注意力機(jī)制重點(diǎn)關(guān)注對故障診斷有影響的特征，對不同故障特征給予相應(yīng)的權(quán)重，提高故障診斷準(zhǔn)確率。

3）經(jīng)過RTDS實(shí)時(shí)仿真系統(tǒng)進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，所提方法故障診斷精度高、計(jì)算時(shí)間短，同卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)相比，故障分類準(zhǔn)確率分別提升8.53%、9.62%、11.45%，故障定位準(zhǔn)確率分別提升7.47%、10.61%、10.85%，驗(yàn)證所提方法的有效性與先進(jìn)性。

［參考文獻(xiàn)］

［1］ 王紅艷， 周國華， 徐順剛， 等. 基于串聯(lián)型分布式MPPT架構(gòu)的直流微網(wǎng)系統(tǒng)無縫切換控制策略［J］. 電力自動化設(shè)備， 2019， 39（2）： 188-195， 203.

WANG H Y， ZHOU G H， XU S G， et al. Seamless switching control strategy of DC microgrid based on cascaded distributed MPPT architecture［J］. Electric power automation equipment， 2019， 39（2）： 188-195， 203.

［2］ CORNEA O， ANDREESCU G D， MUNTEAN N， et al. Bidirectional power flow control in a DC microgrid through a switched-capacitor cell hybrid DC-DC converter［J］. IEEE transactions on industrial electronics， 2017， 64（4）： 3012-3022.

［3］ 冉金周， 李華強(qiáng)， 李彥君， 等. 考慮靈活性供需匹配的孤島微網(wǎng)優(yōu)化調(diào)度策略［J］. 太陽能學(xué)報(bào)， 202""43（5）： 36-44.

RAN J Z， LI H Q， LI Y J， et al. Optimal scheduling of isolated microgrid considering flexible power supply and demand［J］. Acta energiae solaris sinica， 202""43（5）： 36-44.

［4］ 張偉亮， 張輝， 支娜， 等. 環(huán)形直流微電網(wǎng)故障分析與保護(hù)［J］. 電力系統(tǒng)自動化， 2020， 44（24）： 105-110.

ZHANG W L， ZHANG H， ZHI N， et al. Fault analysis and protection of ring DC microgrid［J］. Automation of electric power systems， 2020， 44（24）： 105-110.

［5］ 程啟明， 沈磊， 程尹曼， 等. 基于PR控制和濾波電感電流的微網(wǎng)限流新方法［J］. 太陽能學(xué)報(bào)， 202""42（7）： 35-43.

CHENG Q M， SHEN L， CHENG Y M， et al. Microgrid current-limiting method based on pr controland filter inductance current［J］. Acta energiae solaris sinica， 202""42（7）： 35-43.

［6］ KUMAR R， SAXENA D. Fault location in distribution network using travelling waves［J］. International journal of energy sector management， 2019， 13（3）： 651-669.

［7］ 王圣輝， 范春菊， 姜山. 基于暫態(tài)電壓比原理的直流配電網(wǎng)故障保護(hù)方案［J］. 電力自動化設(shè)備， 2020， 40（7）： 196-203.

WANG S H， FAN C J， JIANG S. Fault protection scheme for DC distribution network based on ratio of transient voltage principle［J］. Electric power automation equipment， 2020， 40（7）： 196-203.

［8］ GEDDADA N， YEAP Y M， UKIL A. Experimental validation of fault identification in VSC-based DC grid system［J］. IEEE transactions on industrial electronics， 2018， 65（6）： 4799-4809.

［9］ ROY S， DEBNATH S. PSD based high impedance fault detection and classification in distribution system［J］. Measurement， 202""169： 108366.

［10］ 李毓， 張?jiān)鰪?qiáng)， 羅銳， 等. 結(jié)合微電網(wǎng)運(yùn)行方式的綜合能源系統(tǒng)規(guī)劃方法［J］. 智慧電力， 2020（6）： 40-46.

LI Y， ZHANG Z Q， LUO R， et al. Integrated energy system planning method combined with microgrid operation mode［J］. Smart power， 2020（6）： 40-46.

［11］ 王曉東， 王若瑾， 劉穎明， 等. 基于EMD-MDT的直流微電網(wǎng)線路故障檢測［J］. 太陽能學(xué)報(bào)， 202""43（11）： 522-528.

WANG X D， WANG R J， LIU Y M， et al. Line fault monitoring of dc microgrid based on emd-mdt［J］. Acta energiae solaris sinica， 202""43（11）： 522-528.

［12］ QAZI A， HUSSAIN F， RAHIM N A， et al. Towards sustainable energy： a systematic review of renewable energy sources， technologies， and public opinions［J］. IEEE access， 2019， 7： 63837-63851.

［13］ 米陽， 李戰(zhàn)強(qiáng)， 劉紅業(yè)， 等. 考慮通信故障的直流微電網(wǎng)多儲能荷電狀態(tài)動態(tài)均衡策略［J］. 電網(wǎng)技術(shù)， 2018， 42（10）： 3282-3290.

MI Y， LI Z Q， LIU H Y， et al. State-of-charge dynamic balancing strategy for multi energy storage of DC micro-grid considering communication faults［J］. Power system technology， 2018， 42（10）： 3282-3290.

［14］ 孟潤泉， 杜毅， 韓肖清， 等. 可變拓?fù)涞母倪M(jìn)型交直流混合微電網(wǎng)［J］. 電力系統(tǒng)自動化， 2020， 44（18）： 147-154.

MENG R Q， DU Y， HAN X Q， et al. An improved hybrid AC/DC microgrid with variable topology［J］. Automation of electric power systems， 2020， 44（18）： 147-154.

［15］ 林梅芬， 陳婷， 王秋杰， 等. 一種配電網(wǎng)基于模型診斷的最小碰集改進(jìn)算法［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（8）： 25-33.

LIN M F， CHEN T， WANG Q J， et al. An improved minimum set algorithm for model-based diagnosis of a distribution "network［J］. "Power "system "protection "and control， 2020， 48（8）： 25-33.

［16］ KAVI M， MISHRA Y， VILATHGAMUWA M D. High-impedance fault detection and classification in power system distribution networks using morphological fault detector algorithm［J］. IET generation， transmission amp; distribution， 2018， 12（15）： 3699-3710.

［17］ 丁芃， 朱珂， 朱裕慶， 等. 基于模型辨識的配電線路永久性故障判定方法［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（5）： 1004-1012.

DING P， ZHU K， ZHU Y Q， et al. Determining the permanent fault in distribution lines based on model recognition［J］. "Transactions "of "China "Electrotechnical Society， 2019， 34（5）： 1004-1012.

［18］ SOBRINHO A S F， FLAUZINO R A， LIBONI L H B， et al. Proposal of a fuzzy-based PMU for detection and classification of disturbances in power distribution networks［J］. International journal of electrical power amp; energy systems， 2018， 94： 27-40.

［19］ 楊彥杰， 陳月， 楊康. 小波包分析與神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)線路故障診斷［J］. 自動化儀表， 2017， 38（9）： 65-69， 74.

YANG Y J， CHEN Y， YANG K. Fault diagnosis for transmission line of microgrid based on wavelet packet analysis ""and ""neural ""network［J］. ""Process """automation instrumentation， 2017， 38（9）： 65-69， 74.

［20］ 楊彥杰， 毛亞峰， 唐圣學(xué)， 等. 基于RTDS和神經(jīng)網(wǎng)絡(luò)的光儲微電網(wǎng)線路故障診斷［J］. 可再生能源， 2018， 36（7）： 1010-1016.

YANG Y J， MAO Y F， TANG S X， et al. Photovoltaic/battery micro-grid fault diagnosis based on RTDS and neural network［J］. Renewable energy resources， 2018， 36（7）： 1010-1016.

［21］ JIANG T T， DU C S， GUO S， et al. Microgrid fault diagnosis model based on Weighted Fuzzy Neural Petri Net［C］//2020 IEEE 4th Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. Chongqing， China， 2020： 2361-2365.

［22］ KHALAF A， AL HASSAN H A， EMES A， et al. A machine learning approach for classifying faults in microgrids using wavelet decomposition［C］//2019 IEEE 29th International Workshop on Machine Learning for Signal Processing （MLSP）. Pittsburgh， PA， USA， 2019： 1-6.

［23］ MISHRA M， ROUT P K. Detection and classification of micro-grid faults based on HHT and machine learning techniques［J］. "IET "generation， "transmission "amp; "distribution， 2018， 12（2）： 388-397.

［24］ YU J J Q， HOU Y H， LAM A Y S， et al. Intelligent fault detection scheme for microgrids with wavelet-based deep neural "networks［J］. IEEE "transactions "on "smart "grid， 2019， 10（2）： 1694-1703.

［25］ 李思琦， 蔣志堅(jiān). 基于EEMD-CNN的滾動軸承故障診斷方法［J］. 機(jī)械強(qiáng)度， 2020， 42（5）： 1033-1038.

LI S Q， JIANG Z J. Fault diagnosis method of rolling bearing "based "on "eemd-cnn［J］. "Journal "of "mechanical strength， 2020， 42（5）： 1033-1038.

［26］ ZHAO B， ZHANG X M， LI H， et al. Intelligent fault diagnosis of rolling bearings based on normalized CNN considering data imbalance and variable working conditions［J］. Knowledge-based systems， 2020， 199： 105971.

［27］ 賈京龍， 余濤， 吳子杰， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法［J］. 電測與儀表， 2017， 54（13）： 62-67.

JIA J L， YU T， WU Z J， et al. Fault diagnosis method of transformer "based "on "convolutional "neural "network［J］. Electrical measurement amp; instrumentation， 2017， 54（13）： 62-67.

［28］ 趙志宏， 趙敬嬌， 魏子洋. 基于BiLSTM的滾動軸承故障診斷研究［J］. 振動與沖擊， 202""40（1）： 95-101.

ZHAO Z H， ZHAO J J， WEI Z Y. Rolling bearing fault diagnosis based on BiLSM network［J］. Journal of vibration and shock， 202""40（1）： 95-101.

［29］ 和志強(qiáng)， 楊建， 羅長玲. 基于BiLSTM神經(jīng)網(wǎng)絡(luò)的特征融合短文本分類算法［J］. 智能計(jì)算機(jī)與應(yīng)用， 2019， 9（2）： 21-27.

HE Z Q， YANG J， LUO C L. Combination characteristics based on BiLSTM for short text classification［J］. Intelligent computer and applications， 2019， 9（2）： 21-27.

FAULT DIAGNOSIS TECHNOLOGY OF RELAY PROTECTION IN

MICROGRID BASED ON CONVOLUTIONAL BIDI-RECTIONAL

LONG SHORT-TERM MEMORY NETWORK

Yang Zhichun，Min Huaidong，Yang Fan，Lei Yang，Hu Wei，Chen Hechong

（State Grid Hubei Electric Power Research Institute， Wuhan 430077， China）

Abstract：The operation mode of microgrids with continuously increasing types and capacities of distributed power sources is complex and the fault characteristics are weak. The existing fault diagnosis methods for relay protection devices cannot meet the protection requirements. A fault diagnosis technique for relay protection in microgrid based on convolutional bidirectional Long short-term memory network is proposed. First， analyze the architecture of the multi energy complementary microgrid system， preprocess the collected three-phase current data， and improve the learning efficiency of the subsequent model on the data； Then， combining Convolutional neural network and bi-directional Long short-term memory network， a fault diagnosis method for micro network relay protection based on convolutional bidirectional Long short-term memory network is proposed. Long sequence and local sequence features of three-phase current data are extracted to achieve fault classification and fault location. The fusion attention mechanism focuses on features that have an impact on fault diagnosis， and improves the accuracy of fault diagnosis； Finally， the RTDS real-time simulation system is used to verify the experimental results. The experimental results show that the proposed method has high fault diagnosis accuracy and short calculation time. Compared with Convolutional neural network， long short-term memory network and artificial neural network， the accuracy of fault classification is increased by 8.53%， 9.62% and 11.45% respectively， and the accuracy of fault location is increased by 7.47%， 10.61% and 10.85%， which verifies the effectiveness and progressiveness of the proposed method.

Keywords：microgrid； relay protection； fault diagnosis； convolutional bidirectional long short-term memory network； three-phase current； attention mechanism