基于改進卷積神經網絡的輸電線路故障診斷方法

翟海保，王興志，葛敏輝，楊爭林，馮樹海，劉宇航

〔1.國家電網公司華東分部，上海 200120; 2.中國電力科學研究院(南京)，江蘇 南京 210003;3.上海電力大學 電氣工程學院，上海 200090〕

0 引 言

電力系統中輸電線路電壓等級高，距離長，故障復雜。當發生故障時，如何高效準確地進行故障的識別和診斷，避免錯報和誤報，對提升電網的安全穩定性有重要意義[1]。

近年來基于數據驅動的故障診斷方法在電力系統方向中發展迅速[2-4]，方法一般包含四個部分：信號采集、數據處理、特征提取和故障分類[5-8]。核心是利用電網電氣量數據與機器學習算法相結合應用到電網的故障診斷當中。文獻[9]提出一種基于卷積神經網絡的綜合模型，使用多個相同結構、不同參數的卷積神經網絡構建綜合評價模型，對電力系統的穩態特征量進行綜合評估。文獻[10]針對電網保護設備誤動和拒動的問題，構建了基于模糊C均值聚類的故障診斷模型，并通過計算故障可信度確定故障類型與位置。這些方法用于輸電線路故障診斷時抗干擾能力不強。

為了解決告警系統誤報率較高的問題，本文提出了基于改進卷積神經網絡(CNN)的電網輸電線路故障診斷模型，利用不同工況下的電流時序數據，有效對各種故障和正常調停進行識別與分類，提高了故障診斷的準確率。

1 改進CNN結構

針對輸電線路電流數據為一維時序數據的特點，基于一維卷積神經網絡結構，使用雙通道輸入和多卷積、池化操作對網絡結構進行改進，并在卷積層中加入批歸一化層，如圖1所示。雙通道輸入的CNN可以提取輸入數據不同層面的特征，兩個輸入通道有兩個卷積層，且參數設置不同，各通道的輸出在輸入層將各部分特征融合。針對輸電線路正常調停誤報為故障這一問題，可以將故障數據和正常調停的數據分別輸入兩個卷積通道，故障數據的輸出為特征S1，正常調停的輸出特征S2，然后在輸入層把兩個通道的輸出特征進行融合，得到S。

圖1 改進CNN原理圖

1.1 輸入層

將兩個卷積通道的輸出S1和S2加權求和，在全連接層進行首尾相接融合為特征S，得到特征向量層。

(1)

1.2 批歸一化層

在神經網絡訓練的過程中，通過計算每個批次數據的均值和標準差，將上層向量歸一化[11]。批歸一化計算如式(2)所示。

(2)

歸一化后用可學習的參數增益γ(k)和偏置β(k)去擬合原先的分布，得到批歸一化后的輸出數據y(k)。

(3)

批歸一化利用規范化和線性變換來降低模型中每層輸入量分布的差異度，可以提高模型的計算速度與準確度。

改進的CNN可以通過雙通道分別感知數據不同層面的局部特征量，再將局部的特征信息傳遞到更高層，最后在全連接層進行信息整合，獲得全局的特征量。

2 電網輸電線路故障診斷方法

2.1 數據預處理

多維的電網數據包括了龐大的電網信息，不同維度、不同指標和不同量綱的數據無法有效地提取故障信息，所以要將不同類型的電流數據進行預處理。本文對原數據使用Z-score標準化，減小各類數據的差異性，其計算公式如下：

(4)

利用Z-score標準化，將不同量級的數據轉換成同一量級的數據，減小不同特征量之間的差異性。

2.2 基于改進CNN的故障診斷模型

為了更好地提取故障類型數據和正常調停數據特征，根據電流時序數據的維度特點[12]，設計基于改進CNN的故障診斷模型結構，如圖2所示。卷積通道1中設置64個卷積核，卷積核尺寸固定為3，經最大池化后維度減半，得到輸出S1；卷積通道2中設置32個卷積核，卷積核尺寸同樣為3，經最大池化后維度減半，得到輸出S2，然后在輸入層得到S=S1⊕S2。

圖2 基于改進CNN的故障診斷模型

為了提高模型性能且防止過擬合，本文構建三卷積層、兩批歸一化層和三池化層的網絡結構，其中第一層卷積層設置64個卷積核，第二層與其一致，第三層卷積層設置32個卷積核，尺寸同樣固定為3。根據經驗，最大池化層池化因子取2，批歸一化層的動態均值動量取0.8，卷積核的移動步長設置為1，池化層選擇最大池化，可以更好地提取出電流的突變量。所有卷積、批歸一化和池化層訓練完成后，再利用BP反向傳播算法進行權值和偏置的微調，完成訓練。通過連續的卷積和池化操作將特征向量高度壓縮提取，再結合soft-max回歸模型對四種故障和正常調停進行識別與分類。

2.3 訓練過程

改進CNN模型的訓練過程分為三部分：

(1)將不同維度、不同量綱的數據進行標準化，本文選用Z-score標準化處理。

(2)用訓練集數據訓練改進卷積神經網絡，初始化模型的參數，利用BP算法微調網絡的權重與偏置，迭代計算，達到設定要求后結束。

(3)網絡輸出的分類向量作為輸入soft-max分類器，結合測試集數據輸出五種特征量并進行分類。最后檢驗網絡的訓練精度是否滿足要求。若滿足，則保存網絡模型；若不滿足，則重新設置網絡參數。

3 算例分析

利用華東某地電網的5月～7月異常狀態電流時序數據說明所提方法的具體診斷過程，并驗證所提方法的可行性和有效性。

3.1 數據與樣本

根據電網調度系統中月報和儲存的異常工作狀態信息提取五種異常狀態電流時序數據，包括設備線路短路故障、單相線路短路故障、線路重合閘后再跳閘、三相線路短路故障和正常調停誤報，如圖3所示，每個樣本包含故障前后共3 s內的電流變化過程，有3 000個采樣數據點。

圖3 五種異常狀態電流時序數據

從圖3可以看出，不同工作狀態下的瞬時電流變化情況不同，產生沖擊電流的大小和尺度也不同。設備線路短路和正常調停的電流變化情況極其相似，難以直接通過電流時序數據對兩種情況進行區分，需要通過深度學習模型進行診斷。電力系統實際運行時，線路重合閘再跳閘和三相短路情況出現頻率較少，同時為了保證模型訓練效果，設置樣本如表1所示。設備線路短路故障、單相線路短路故障、線路重合閘后再跳閘和三相線路短路故障數據輸入到卷積通道1中，正常調停誤報數據輸入到卷積通道2中。

表1 樣本安排

對所有的原始數據進行Z-score標準化，如圖4所示為標準化后的390組樣本數據。通過標準化，將不同量綱和維度的指標結合對比分析，凸顯出不同工作狀況下時序電流數據的瞬時變化特征和振蕩特征。

圖4 標準化后的樣本數據

3.2 訓練與測試

將處理后的數據輸入到改進卷積神經網絡中，采用Adam優化器[13]算法來自適應調整學習率來加速模型收斂。本文使用其默認參數，依據經驗設置學習率lr為0.001，當迭代到60次時模型收斂，結果如圖5所示。

圖5 改進CNN訓練過程

使用改進CNN的故障診斷模型進行6次試驗，結果如表2所示，測試集最高準確度為98.998%，最低為95.753%，6次試驗測試集平均準確度為97.583%，訓練時間為83.67 s。

表2 基于改進CNN的故障診斷結果

利用可視化工具t-SNE[14]將輸出特征量降維到二維平面展示，結果如圖6所示。輸出特征量已經表現出完全分離狀態，可將五種狀態有效地分類識別。可見，本文的網絡模型能夠從時序電流數據中提取出特征量，并且可以將調停誤報的情況與其他故障狀態區分。

圖6 改進CNN輸出特征可視化

3.3 與其他方法對比

本文構建傳統CNN模型和淺層學習模型ANN和SVM作為對照組[15]，其參數和優化策略與改進CNN一致，評估結果如表3所示。從表3可以看到改進CNN模型的準確度最高，傳統CNN與SVM的準確度差別不大。

表3 不同模型的診斷效果

在試驗中，計算機處理器為英特爾i3 7100，內存為16GB的DDR3內存。迭代訓練完成共計耗時83.67 s。如果將故障發生時前后共計3 s的數據輸入訓練好的模型中，輸出特征向量并進行分類識別的總耗時約為37 ms。模型僅需要訓練一次，網絡計算速度可以滿足在線實時診斷的需要。

4 結束語

本文將卷積神經網絡用于輸電線路故障診斷中，提出一種基于改進的卷積神經網絡的智能故障診斷模型。

(1)相比與傳統卷積神經網絡。本文提出的改進的卷積神經網絡具有雙通道輸入和多層卷積池化層，并加入批歸一化層優化網絡結構，可以自動提取故障特征，故障診斷識別準確率達到了97.583%，效果顯著，優于淺層學習的評估性能。

(2)通過優化網絡模型，可以將線路的五種異常工況有效地分類和識別，尤其是將調停誤報與其他四種故障情況分離，避免誤報現象，實現智能診斷。