摘 要：本文聚焦于超高壓電網(wǎng)故障波形的智能識(shí)別與分析，旨在采用深度學(xué)習(xí)技術(shù)提升故障診斷的效率和準(zhǔn)確性，為電網(wǎng)智能化提供理論支持。本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）進(jìn)行故障波形的特征提取與分類，并利用數(shù)據(jù)預(yù)處理，例如去噪、歸一化和數(shù)據(jù)增強(qiáng)來(lái)優(yōu)化模型輸入。模型訓(xùn)練使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），并結(jié)合多種優(yōu)化策略以提高性能。實(shí)際測(cè)試顯示，該技術(shù)在故障識(shí)別準(zhǔn)確率和定位精度方面表現(xiàn)出色，平均準(zhǔn)確率為95.5%。該智能識(shí)別技術(shù)準(zhǔn)確性高、實(shí)用，為電網(wǎng)的穩(wěn)定運(yùn)行提供了保障，未來(lái)研究將進(jìn)一步優(yōu)化模型，以提高診斷的實(shí)時(shí)性和精確度。

關(guān)鍵詞：超高壓電網(wǎng)；故障波形；智能識(shí)別；深度學(xué)習(xí)

中圖分類號(hào)：TM 723" " " 文獻(xiàn)標(biāo)志碼：A

超高壓電網(wǎng)是國(guó)家能源互聯(lián)網(wǎng)的核心，對(duì)保障能源安全和經(jīng)濟(jì)發(fā)展至關(guān)重要。然而，其運(yùn)行過(guò)程中的設(shè)備老化、環(huán)境干擾和操作失誤等問(wèn)題可能導(dǎo)致電網(wǎng)故障，影響供電可靠性。故障波形分析是診斷電網(wǎng)故障的關(guān)鍵技術(shù)。人工智能（AI），特別是深度學(xué)習(xí)技術(shù)的發(fā)展為電網(wǎng)故障的智能識(shí)別與分析提供了新方法[1]。深度學(xué)習(xí)利用多層神經(jīng)網(wǎng)絡(luò)自動(dòng)提取數(shù)據(jù)特征，在圖像識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域表現(xiàn)突出。在電力系統(tǒng)領(lǐng)域，深度學(xué)習(xí)技術(shù)的應(yīng)用包括利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取故障波形特征、利用長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）處理時(shí)間序列數(shù)據(jù)以及生成對(duì)抗網(wǎng)絡(luò)（GAN）擴(kuò)充訓(xùn)練數(shù)據(jù)集，提高模型泛化能力。此外，遷移學(xué)習(xí)技術(shù)的應(yīng)用提升了模型在不同電網(wǎng)結(jié)構(gòu)或故障類型間的適應(yīng)性和準(zhǔn)確性[2]。本文將深度學(xué)習(xí)技術(shù)應(yīng)用于超高壓電網(wǎng)故障波形的智能識(shí)別與分析，旨在構(gòu)建適應(yīng)電網(wǎng)特性的故障診斷模型，提高故障診斷效率和準(zhǔn)確性，為電網(wǎng)智能化升級(jí)提供理論和技術(shù)支持。

1 超高壓電網(wǎng)故障波形特點(diǎn)

超高壓電網(wǎng)故障波形的特點(diǎn)是其診斷與處理的核心挑戰(zhàn)，對(duì)這些特點(diǎn)的深入分析如下所示。1） 復(fù)雜性。故障波形受故障類型、、系統(tǒng)參數(shù)和環(huán)境因素等多種因素影響，導(dǎo)致其復(fù)雜多變。最新研究利用多源信息融合技術(shù)，例如基于圖論的電網(wǎng)拓?fù)浣Y(jié)構(gòu)和故障信息融合分析，更準(zhǔn)確地捕捉故障波形特征[3]。2） 非線性和非平穩(wěn)性。當(dāng)故障發(fā)生時(shí)，系統(tǒng)狀態(tài)急劇變化，波形呈非線性和非平穩(wěn)性。時(shí)頻分析方法，例如希爾伯特-黃變換（HHT）、短時(shí)傅里葉變換（STFT）以及自適應(yīng)濾波技術(shù)能夠更好地處理這些特性[4]。3）信息量大。故障波形包括大量信息，例如低頻穩(wěn)態(tài)分量和高頻暫態(tài)分量。大數(shù)據(jù)分析和云計(jì)算技術(shù)能夠構(gòu)建大規(guī)模故障波形數(shù)據(jù)庫(kù)，運(yùn)用數(shù)據(jù)挖掘技術(shù)提取有價(jià)值的故障特征。深度學(xué)習(xí)技術(shù)，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）在處理大規(guī)模波形數(shù)據(jù)方面表現(xiàn)出色，能夠自動(dòng)學(xué)習(xí)并提取故障特征，提高診斷準(zhǔn)確性和效率[5]。

2 超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)

2.1 技術(shù)框架

本文提出的超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)框架是一個(gè)綜合性的系統(tǒng)，包括數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練和故障診斷4個(gè)關(guān)鍵環(huán)節(jié)。該框架的設(shè)計(jì)充分考慮了超高壓電網(wǎng)故障波形的特性和深度學(xué)習(xí)技術(shù)在處理此類數(shù)據(jù)上的優(yōu)勢(shì)。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)中的關(guān)鍵步驟，主要包括去噪、歸一化和數(shù)據(jù)增強(qiáng)等。

2.2.1 去噪

小波變換能夠有效分離信號(hào)中的噪聲和有用信息，具體步驟如下所示。

第一，小波分解。對(duì)故障波形信號(hào)進(jìn)行多尺度小波分解，選擇合適的小波基和分解層級(jí)，將信號(hào)分解為一系列不同尺度下的細(xì)節(jié)系數(shù)（dj）和逼近系數(shù)（aj）。這些系數(shù)分別代表信號(hào)的高頻噪聲部分和低頻有用信號(hào)部分。

第二，閾值處理。對(duì)細(xì)節(jié)系數(shù)進(jìn)行閾值處理，采用軟閾值或硬閾值方法。設(shè)定一個(gè)閾值，處理過(guò)程如公式（1）所示。

閾值的選擇對(duì)去噪效果至關(guān)重要，過(guò)高的閾值可能導(dǎo)致信號(hào)失真，過(guò)低的閾值可能無(wú)法有效去除噪聲。

第三，小波重構(gòu)。利用處理后的細(xì)節(jié)系數(shù)和逼近系數(shù)aj進(jìn)行小波重構(gòu)，如公式（2）所示。

利用上述過(guò)程，能夠有效去除故障波形中的噪聲，為后續(xù)的特征提取和分類提供更干凈的數(shù)據(jù)。

2.2.2 歸一化

歸一化是為了將數(shù)據(jù)縮放到一個(gè)固定的范圍內(nèi)，通常為[0，1]，以提高算法的收斂速度和穩(wěn)定性，如公式（3）所示。

2.2.3 數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)能夠在原始數(shù)據(jù)上應(yīng)用多種變換操作以擴(kuò)展訓(xùn)練樣本集，常用的技術(shù)包括旋轉(zhuǎn)、翻轉(zhuǎn)、平移和縮放波形。這些變換操作創(chuàng)造出多樣化的訓(xùn)練樣本，增強(qiáng)了模型的魯棒性和泛化能力。

2.3 特征提取

針對(duì)超高壓電網(wǎng)故障波形的復(fù)雜性，本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征提取，以自動(dòng)學(xué)習(xí)故障波形的高級(jí)特征，克服了傳統(tǒng)方法中人工選取特征的局限性。具體技術(shù)框架如下所示。

2.3.1 卷積層

卷積層利用卷積操作提取輸入數(shù)據(jù)的特征，如公式（4）所示。

2.3.2 激活函數(shù)

2.3.3 池化層

2.3.4 特征提取流程

輸入層接收故障波形數(shù)據(jù)，卷積層應(yīng)用多個(gè)卷積核進(jìn)行卷積操作，激活層通過(guò)ReLU引入非線性，池化層進(jìn)行最大池化操作，全連接層將池化后的特征圖展平，進(jìn)而進(jìn)行特征提取和分類。

2.3.5 模型結(jié)構(gòu)

本文采用的CNN模型結(jié)構(gòu)為：輸入層接收故障波形數(shù)據(jù)，卷積層1（3*3卷積核，64個(gè)，ReLU激活函數(shù)），池化層1（2*2最大池化），卷積層2（3*3卷積核，128個(gè)，ReLU激活函數(shù)），池化層2（2*2最大池化），全連接層（256個(gè)神經(jīng)元，ReLU激活函數(shù)），輸出層根據(jù)故障類型數(shù)量設(shè)置神經(jīng)元數(shù)量，激活函數(shù)為Softmax。

2.4 模型訓(xùn)練

模型利用最小化損失函數(shù)更準(zhǔn)確地預(yù)測(cè)標(biāo)簽。為了優(yōu)化模型性能，本文采用采用的策略如下：進(jìn)行梯度裁剪以防止梯度爆炸，即設(shè)置梯度的最大值來(lái)限制梯度的大??；正則化（例如L2正則化）以防止過(guò)擬合；學(xué)習(xí)率調(diào)整，即動(dòng)態(tài)調(diào)整學(xué)習(xí)率以加速收斂。這些優(yōu)化方法有助于提高模型在分類任務(wù)中的準(zhǔn)確率。

2.5 故障診斷

將預(yù)處理后的故障波形輸入訓(xùn)練好的模型中，進(jìn)行故障類型智能識(shí)別。同時(shí)，結(jié)合故障特征分析，為運(yùn)維人員提供故障處理建議。

2.5.1 故障類型識(shí)別

利用訓(xùn)練好的模型，例如RNN或CNN，可以對(duì)輸入的故障波形進(jìn)行分類，從而識(shí)別故障類型。比較模型輸出與真實(shí)標(biāo)簽，以計(jì)算模型的識(shí)別準(zhǔn)確率，即當(dāng)模型預(yù)測(cè)結(jié)果與實(shí)際故障類型一致時(shí)，計(jì)入正確識(shí)別的次數(shù)。整體準(zhǔn)確率是正確識(shí)別的樣本數(shù)與總樣本數(shù)的比例。

2.5.2 故障特征分析

傅里葉變換能夠?qū)r(shí)域信號(hào)f（t）與復(fù)指數(shù)函數(shù)e-jωt相乘并積分，實(shí)現(xiàn)了信號(hào)從時(shí)域到頻域的轉(zhuǎn)換。這種轉(zhuǎn)換揭示了信號(hào)的頻率成分，以便分析信號(hào)的頻譜特性。因?yàn)椴煌墓收贤鶗?huì)在特定的頻率范圍內(nèi)產(chǎn)生特征性的變化，所以在故障特征分析中，頻率特征可以幫助識(shí)別故障的類型和嚴(yán)重程度。

2.5.3 故障定位

行波法能夠測(cè)量行波到達(dá)不同測(cè)量點(diǎn)的時(shí)間差，以確定故障。傳播速度v的準(zhǔn)確性對(duì)故障定位結(jié)果有直接影響。如果v的估計(jì)不準(zhǔn)確，會(huì)導(dǎo)致Δx的計(jì)算出現(xiàn)偏差，從而影響故障定位的精確度。因此，為了提高定位的準(zhǔn)確性，需要精確測(cè)量或估計(jì)行波在電網(wǎng)中的傳播速度。

2.5.4 故障處理建議

結(jié)合故障類型識(shí)別和特征分析的結(jié)果，可以為運(yùn)維人員提供故障處理建議。例如，對(duì)于短路故障，可以建議檢查線路絕緣情況；對(duì)于接地故障，可以建議檢查接地裝置的完好性。

3 實(shí)際應(yīng)用與效果驗(yàn)證

為了深入驗(yàn)證本文提出的超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)的實(shí)際應(yīng)用效果，在某省級(jí)超高壓電網(wǎng)進(jìn)行現(xiàn)場(chǎng)測(cè)試。下文將對(duì)實(shí)際應(yīng)用情況進(jìn)行詳細(xì)描述和效果分析，包括數(shù)據(jù)表格和性能對(duì)比圖。

3.1 實(shí)際應(yīng)用場(chǎng)景描述

本文選擇的典型超高壓電網(wǎng)故障場(chǎng)景包括單相接地故障、兩相短路故障、三相短路故障和斷線故障。測(cè)試數(shù)據(jù)源于超高壓電網(wǎng)的實(shí)際運(yùn)行記錄，包括不同故障類型、不同故障和不同時(shí)間段的故障波形數(shù)據(jù)。

3.2 數(shù)據(jù)準(zhǔn)備與模型訓(xùn)練

在數(shù)據(jù)準(zhǔn)備階段，本文從電網(wǎng)歷史故障數(shù)據(jù)中篩選出1000個(gè)故障樣本，包括800個(gè)訓(xùn)練樣本和200個(gè)測(cè)試樣本。每個(gè)樣本包括故障發(fā)生前、后的電流和電壓波形數(shù)據(jù)。數(shù)據(jù)預(yù)處理的具體應(yīng)用和模型訓(xùn)練過(guò)程如下所示。

3.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括3個(gè)步驟。1） 去噪。對(duì)電流和電壓波形進(jìn)行小波變換，移除信號(hào)中的噪聲部分，提高數(shù)據(jù)的信噪比。2） 歸一化。將去噪后的波形數(shù)據(jù)縮放到一定范圍內(nèi)，以加快模型訓(xùn)練的收斂速度，并提高模型的泛化能力。3） 數(shù)據(jù)增強(qiáng)。對(duì)原始波形數(shù)據(jù)進(jìn)行平移、縮放等變換，增加訓(xùn)練樣本的多樣性，從而提高模型的魯棒性。

3.2.2 模型訓(xùn)練

模型訓(xùn)練包括2個(gè)步驟。1） 特征提取。使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取電流和電壓波形中的特征。CNN能夠自動(dòng)學(xué)習(xí)波形的局部特征，為后續(xù)的分類提供有效的特征表示。2） 時(shí)序數(shù)據(jù)處理。結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM），處理由CNN提取出的特征序列。LSTM能夠捕捉波形數(shù)據(jù)中的時(shí)間依賴性，對(duì)識(shí)別故障波形的時(shí)間序列模式非常有效。

3.3 實(shí)際應(yīng)用效果分析

故障類型識(shí)別準(zhǔn)確率對(duì)比見(jiàn)表1。由表1可知，本文提出的超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)在故障類型識(shí)別方面表現(xiàn)出色，平均準(zhǔn)確率為95.5%。具體來(lái)說(shuō)，單相接地故障、兩相短路故障、三相短路故障和斷線故障的識(shí)別準(zhǔn)確率分別為96%、94%、98%和94%。這些數(shù)據(jù)表明，該方法在識(shí)別不同故障類型方面具有較高的準(zhǔn)確性和實(shí)用性。

故障定位精度對(duì)比如圖1所示，包括單相接地故障、兩相短路故障、三相短路故障和斷線故障。在所有故障類型中，本文方法的定位精度普遍高于傳統(tǒng)方法。特別是在三相短路故障中，本文方法地定位精度接近98%，優(yōu)于其他故障類型。傳統(tǒng)方法在斷線故障中的定位精度較低，僅為86%。

4 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的超高壓電網(wǎng)故障波形智能識(shí)別與分析技術(shù)，該技術(shù)在理論研究和實(shí)際應(yīng)用中均具有創(chuàng)新性和實(shí)用價(jià)值。該方法能夠有效識(shí)別和定位故障波形，具有較高準(zhǔn)確率和良好的定位精度，同時(shí)在實(shí)際應(yīng)用中具有穩(wěn)定性和魯棒性，為電網(wǎng)安全穩(wěn)定運(yùn)行提供了保障。未來(lái)，本文將繼續(xù)優(yōu)化模型結(jié)構(gòu)，提高泛化能力和適應(yīng)性；研究高效算法，以提升實(shí)時(shí)性；引入更多故障數(shù)據(jù)和先進(jìn)數(shù)據(jù)處理技術(shù)，以增強(qiáng)準(zhǔn)確性；并將研究成果集成到電網(wǎng)監(jiān)控系統(tǒng)中，以實(shí)現(xiàn)廣泛應(yīng)用。

參考文獻(xiàn)

[1]代書(shū)龍，朱鳳來(lái)，范冬春，等.單相故障類型自動(dòng)別邏輯優(yōu)化對(duì)高壓直流系統(tǒng)影響分析[J].云南電力技術(shù)，2023，51（4）：21-24，46.

[2]李海鋒，蔣慧敏，梁遠(yuǎn)升，等.基于故障電壓反波擬合殘差的柔性直流線路單端行波保護(hù)[J].電網(wǎng)技術(shù)，2023，47（12）：5120-5128.

[3]陳勇.基于GOOSE通信技術(shù)的高壓電網(wǎng)運(yùn)行故障定位方法研究[J].通信電源技術(shù)，2023，40（18）：213-215.

[4]王洪林，董春林，董俊，等.基于支持向量機(jī)增量學(xué)習(xí)算法的高壓電網(wǎng)短路故障自動(dòng)識(shí)別[J].電氣自動(dòng)化，2022，44（4）：34-36.

[5]高森.大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別方法[J].環(huán)境技術(shù)，2021，39（5）：227-231.