基于融合模型的單相接地故障類型辨識方法

李宗峰，郭祥富，范 敏，夏嘉璐，董 軒

(1. 國網河南省電力公司電力科學研究院, 鄭州 450001；2. 國網河南省電力公司，鄭州 450001；3.重慶大學 自動化學院，重慶 400044)

安全、可靠、優質、經濟是電力系統運行的基本要求。電力線路的安全可靠運行關乎國民生產、人民生活的各個方面。在中國6～66 kV的中低壓配電網中廣泛采用了小電流接地系統，又稱中性點不直接接地系統(NUGS)[1]。

單相接地指的是小電流接地系統單相接地，單相接地故障是配電網系統中最常見的故障，約占配電網故障總數的80%。當小電流接地系統發生單相接地故障時不形成低阻抗的短路回路，而是由線路對地電容形成高阻抗回路，短路電流非常小，同時線電壓依然保持對稱，短時間內不會對負荷的連續供電造成一定的影響，可以帶故障運行1～2 h。但是若發生單相接地故障時電網仍長期運行，可能引起絕緣的薄弱環節被擊穿，發展成為相間短路，使事故擴大，影響用戶的正常用電。同時弧光接地還會引起全系統過電壓，進而損壞設備，破壞系統安全運行，甚至將會進一步帶來巨大的經濟損失和惡劣的社會影響。所以需要在故障后第一時間內準確識別故障類型，為后續制定有針對性的故障處理措施提供可靠依據。

目前針對小電流系統的單相接地故障類型辨識的研究較多，根據特征量應用途徑的不同，現有的識別方法可分為2類：一類是特征分析法，如：文獻[2]提出一種配電網高阻接地故障在線監測與辨識方法，利用高阻接地故障時產生的高次諧波，作為高阻接地故障的判別依據；文獻[3]提出一種配電網單相電弧接地故障的辨識方法，認為單相電弧接地故障相較金屬接地故障，其暫態過程持續存在，并提取高頻信號切片圖來識別單相電弧性故障；文獻[4]提出了高阻故障模型，并通過故障零序量的小波特征值識別高阻接地故障；文獻[5]結合零序等值網絡分析了配網高阻故障產生高頻分量的原因以及正常狀態對高頻分量的影響，提出了一種基于零序電壓小波包能量比的配電網單相高阻接地故障辨識方法；文獻[6]在分析小電阻接地系統發生接地故障時故障線路、非故障線路零序電流與中性點電流關系的基礎上，提出了一種基于中性點電流與線路零序電流投影量差動的高阻接地故障判斷方法。

另一類識別方法是結合時頻分解與機器學習的智能方法，如：文獻[7]提出了離散小波變換和k近鄰機器學習算法的組合模型，以檢測和分類高阻單相接地故障；文獻[8]將人工智能技術運用于故障類型識別中，提出了一種小電阻接地系統間歇性弧光過電壓分析方法，利用HHT算法，提取零序電壓的IMF分量，并采用支持向量機對間歇性弧光故障進行識別；文獻[9]利用小波分析的方法從相電壓和電流數據中提取特征，并基于XGBoost模型對中性點不接地系統的3種狀態進行辨識，分別是：無故障、接地故障和零線故障。文獻[10]首先根據各節點LOF值的大小實現智能配電網的故障檢測與定位，然后對故障處的三相電壓進行小波變換，以三相電壓的小波奇異熵值建立SVM故障類型判別預測模型。

現有的研究成果在單相接地故障檢測中取得了一定效果，但大多只選取了配電網的部分特征，即某類故障的特有屬性來進行分析，造成了對故障整體信息描述不充分，只能針對某一特定的故障類型進行識別，并未對單相接地故障類型進行全面綜合劃分，算法的通用性不足，不利于運維人員制定有針對性的故障處理措施。

筆者考慮要對包括高阻接地故障與間歇弧光接地故障在內的共7種類型的單相接地故障進行綜合辨識，對此需要提取更加全面的故障特征。由于現場采集到的故障錄波數據特征維度高，采樣點數量較多，其中蘊含了豐富的與故障類型強相關的復雜非線性特性，有利于故障類型辨識。而深度學習十分擅長從高維數據集中自動學習復雜且有用的特征，相比于過去出現的很多優秀的手動特征提取器，比如：尺度不變特征變換(SIFT)，Gabor 濾波器和定向梯度直方圖(HOG)等，深度學習模型可以通過搭建不同的結構、調整隱藏層的數量來學習得到不同性質、不同層次的特征，可實現端到端的任務學習或者提取抽象特征用于下游任務的學習。

1 單相接地故障類型辨識方法總體流程

筆者提出的基于特征分解和深度學習的單相接地故障類型辨識方法的總體流程如圖1所示。配電網現場采集到的錄波數據是配電網實時狀態、運行情況的“心電圖”，能為單相接地故障的類型辨識提供最直接、最準確的依據。所以，考慮將配電網的故障錄波數據作為原始數據集。首先將其劃分為關鍵特征部分和非關鍵特征部分，并對關鍵特征部分進行HHT變換，將重點關注的和故障類型強相關的特征從復雜信號中分離出來生成新的特征變量；同時為保證故障信息的完整性，并未將非關鍵特征部分直接舍棄，而是將其與關鍵特征部分的HHT變換結果進行拼接；其次設計深度學習模型ResNet18對經特征處理后的數據集進行學習，辨識出具體的單相接地故障類型。

圖1 單相接地故障類型辨識方法總體流程Fig. 1 The overall process of single-phase grounding fault type identification method

2 基于HHT的配電網錄波數據的特征分解

HHT是一種具有自適應的時頻分析方法，結果反映信號的頻域特征隨時間變化的規律。作為時頻域分析的重要手段，HHT既吸取了小波變換的多分辨率的優勢，又克服了小波變換中選擇小波基困難的問題，可以對局部特征進行反映，有利于提取復雜故障信號中的重要特征[11]。

HHT具體包括2個過程：經驗模態分解(EMD)和Hilbert變換。EMD是依據信號特點自適應地把任意一個復雜信號分解為一系列本征模態函數(IMF, intrinsic mode function)。經驗模態分解后, 再對每一個IMF作Hilbert變換，繼而可求取每一個IMF的瞬時頻率和瞬時幅值。

EMD分解出的IMF分量需要滿足2個條件，分別是：在整個信號長度上，極值點的個數和過零點的個數相同或相差至多一個；在任意時刻，由極大值點形成的上包絡線和由極小值點形成的下包絡線的平均值為零，即上、下包絡線對稱于時間軸[12]。EMD的分解過程如圖2所示。

圖2 EMD的分解過程Fig. 2 Decomposition process of EMD

再對EMD分解出的IMF分量ci(t)依次進行Hilbert變換，公式為

(1)

由原始的IMF分量和其對應的Hilbert變換結果構成的解析信號zi(t)為

(2)

其中，瞬時幅值表示為

(3)

θi(t)可根據下式求得

(4)

瞬時頻率表示為

(5)

特征x(t)的Hilbert譜表示為

(6)

式中，q表示分解出的IMF分量的個數。通過對故障錄波數據的關鍵特征進行HHT變換，提取出其中隱藏的局部暫態特征：瞬時頻率、瞬時幅值、Hilbert譜。

3 ResNet18深度學習模型

深度學習通過構建具有很多隱藏層的神經網絡模型來學習更有用的特征，從而最終提升分類或回歸的準確性。深度學習模型提取特征的能力主要是通過卷積層、激活操作、池化層等來實現的，其中起主要作用的是卷積層，卷積層中的卷積核等價于很多不同的濾波器，通過卷積層來對原始特征進行“濾波”處理，從而實現數據集中特征的提取。

卷積層中涉及的卷積運算由矩陣內積和全加計算組成，如圖3所示。卷積計算的本質是內積運算[13]。對于一維向量的卷積運算，2個向量的內積越大，則2個向量的相似度越高。而卷積計算實際上是將一維的內積運算推廣至二維平面，卷積核在滑移卷積時，其實就是提取和它相似的特征。卷積核的參數是根據數據集的標簽來不斷地進行修正。通過逐層地卷積運算，不斷組合和抽象，就可以提取到一系列代表單相接地故障類型的復雜非線性特征。

圖3 卷積計算過程Fig. 3 Convolution calculation process

由前述理論可簡單推知深度學習網絡模型的層數越多，模型可以從數據中提取到更加抽象的特征，更有利于提高模型的準確度。但根據研究學者的實驗結果表明，當網絡層數超出了一定范圍內，隨著其的增加，梯度彌散問題嚴重制約了深度學習的性能，淺層網絡幾乎學不到任何知識。并且因為卷積核參數的盲目性、激活函數的抑制作用等，造成每做一次卷積運算和對應的激活操作都會在原始特征或上一步提取到的特征結果的基礎上浪費掉一些信息。

Resnet網絡巧妙地利用了殘差連接的方式，很好地解決了深度網絡中模型退化的問題[14]。Resnet網絡中的殘差連接，在反向傳播時，每2個殘差塊之間不僅傳遞了梯度，還加上了求導之前的梯度，從而減小梯度彌散的可能性[15]。同時將上一步的處理結果直接拿到當前時刻一并處理，減少了信息損失。

為此，筆者設計使用深度學習模型ResNet來學習經特征變換后的數據集與故障類型之間的復雜抽象映射。

4 實驗分析

4.1 訓練集和測試集的建立

本研究使用的錄波數據來自國內某真型試驗場，其拓撲結構如圖4所示。試驗時通過改變中性點的接地運行方式、接地介質種類、接地電阻大小等，得到不同類型的單相接地故障錄波數據。其中，中性點接地方式覆蓋不接地、經消弧線圈接地和經小電阻接地等主流形式；接地介質包括經間歇性弧光接地、經穩定弧光接地、經泥土地接地、經電阻接地等常見故障類型；接地電阻阻值選取了250、1 000、2 000、5 000 Ω等典型值。試驗在3種接地運行方式下各自產生420、600、240條故障錄波數據；錄波裝置的采樣頻率為10 kHz，采樣周期包含12 014個采樣點，每段錄波數據包含291個電氣量；數據分析時以8∶ 2的比例劃分訓練集和測試集。

圖4 配電網拓撲圖Fig. 4 Distribution network topology diagram

所用實驗環境平臺條件為Windows10 X64 操作系統、Inter i5-7200，使用Python編程語言實現，ResNet18采用pytorch框架實現。

4.2 錄波數據的處理

由于每個完整的單相接地故障錄波數據樣本，并非在整個采樣階段都是處于故障狀態，還包含發生故障前的正常狀態，非永久性故障還包括故障發生后恢復正常的過渡狀態。為了使觀察對象更加明確并且減少分析的數據量，對處于故障狀態的錄波數據進行截取。通過對錄波數據的觀察，截取的時間周期包含600個采樣點。

對幾種不同故障類型線路的母線零序電流3I0進行EMD分解，并對比分解結果。

圖5中的(a)為間歇性弧光接地故障、(b)為經250 Ω電阻接地故障、(c)為經1 000 Ω電阻接地故障、(d)為經2 000 Ω電阻接地故障、(e)為經泥土接地故障、(f)為經弧光電阻接地故障。通過對圖5觀察得出：不同故障類型線路的母線零序電流3I0的EMD分解結果存在著明顯的區別，具體表現在IMF分量的個數、波形以及殘差的波形都不盡相同，可作為后續故障類型辨識研究的故障特征之一。

圖5 EMD分解結果對比Fig. 5 Comparison of EMD decomposition results

對圖5中的間歇弧光接地故障線路(a)的IMF1分量進行Hilbert變換，得到對應的瞬時幅值和瞬時頻率曲線，如圖6所示。

圖6 IMF1的瞬時頻率和瞬時幅值Fig. 6 Instantaneous frequency and instantaneous amplitude of IMF1

通過上述實驗結果表明，使用HHT有利于提取錄波數據的局部暫態特征，使得不同類型的單相接地故障之間的特征區分度更高。因此，對所有故障樣本的關鍵特征部分進行HHT操作，由于EMD分解出的IMF分量個數不完全相等，為了保證特征數量的一致性，便于后續建模訓練，對分解出的IMF分量個數少于設定閾值的用零來進行填充，超出閾值部分的IMF分量則舍棄。其次再對IMF分量依次進行Hilbert變換。經過HHT變換后，5個關鍵特征的維度由(5，600)變換為(185，600)。

盡管非關鍵特征與單相接地故障類型間的關聯性很弱，但其仍包含了一些有用信息。對此，將關鍵特征部分經過HHT變換后的結果與原始的非關鍵特征部分進行拼接，拼接后的特征維度為(471，600)，使特征維度處于可接受范圍內的同時也保證了故障信息的完整度。

為了使經過特征處理后的數據樣本變成傳統意義上的“圖像樣本集”，便于后續使用卷積操作來提取特征，還需要將特征歸一化至(0，255)區間，并轉換為灰度圖。特征歸一化的公式為

(7)

式中，xmin表示該特征中的最小值，xmax表示該特征中的最大值。

4.3 ResNet18模型的參數設置

配電網采集得到的錄波數據經過特征處理后，采用深度學習模型ResNet來對單相接地故障類型進行辨識。根據特征數據集的特征數量和硬件環境情況，設置ResNet結構為ResNet18，如圖7所示。

圖7 ResNet18的基本結構Fig. 7 Basic structure of ResNet18

結合故障錄波數據的特性，在原始結構的基礎上對其進行了局部改動，具體如下：1)為了與故障錄波數據的維度匹配，將第一層conv的卷積核修改為3×3；2)根據預期辨識的單相接地故障類別數量，調整模型最后一層(全連接層)的輸出維度。修改后的具體網絡參數如表1所示。

表1 ResNet18的模型參數

模型訓練時，使用的損失函數為交叉熵損失函數。假設概率分布p為期望輸出，概率分布q為實際輸出，H(p,q)為交叉熵，其表達式為

(8)

4.4 實驗結果分析

4.4.1 實驗一

錄波數據的處理階段相當于對樣本數據進行特征工程操作。原始特征經特征工程處理后表征能力變強，通過其訓練得到的模型在未知數據上的性能表現可以達到更優。

本實驗對故障錄波數據的關鍵特征部分進行HHT變換，通過實驗結果驗證了特征變換對于提高辨識模型的最終分類精度是有效的。基于表2中的3種錄波數據處理方式得到的樣本數據，分別運用本文設計的深度學習模型ResNet18進行訓練和分類，對比分類精確度如圖8所示。

表2 3種錄波數據的處理方式

圖8 3種錄波數據處理方式的分類效果對比Fig. 8 Comparison of the classification effects of the three recording data processing methods

對比得出：不預先對特征進行任何處理操作得到的特征1的分類精確度最低，為67.9%；將剩余的286個原始的電氣量直接舍去，僅對關鍵特征部分進行了HHT變換得到的特征2，損失部分故障相關信息，但由于其將關鍵特征通過分解和變換提取出更有利于故障類型辨識的新特征，所以模型收斂后分類的精度優于特征1，為83.1%。然而不同故障樣本的特征經過EMD分解得到的IMF分量的個數不一致，對于分解個數低于設定閾值的采用補零方法進行填充，由此造成特征矩陣稀疏，模型的精確度波動比較大；而采用提出的特征處理方式得到的特征3結合前2種方式的優勢，既提取了更有利于故障類型辨識的新特征，使特征維度處于可接受的范圍內的同時也保證了故障信息的完整度，故障類型辨識的精度也是最優的，模型收斂后的精確度為92.8%。

4.4.2 實驗二

本實驗對比分析了使用設計的ResNet18模型和使用傳統的深度CNN模型的預測分類效果。同樣以測試集的最終分類精確度Acc作為評價指標，設置訓練的epoch為500。使用本文設計的ResNet18模型和傳統的CNN模型的分類效果對比如圖9所示。由圖可以看出，ResNet18模型的精確度整體上都明顯優于CNN模型。CNN模型從200個epoch之后沒有明顯的增長，保持在60%左右，當epoch=283時，模型的精確度最高，為61.9%。CNN模型從訓練初期到模型收斂，精確度變化曲線的波動幅度較小。ResNet18模型在模型訓練前期的精確度變化曲線的波動較大，但隨著訓練輪數的增加，波動幅度逐漸減小。ResNet18模型和CNN模型因神經網絡的深度和龐大的參數量，具有強大的擬合輸入與輸出之間復雜非線性關系的能力，區別在于ResNet18模型克服了CNN模型隨著模型深度增加，造成因梯度消失而導致的深度學習模型效果退化的問題。所以ResNet18模型的分類效果明顯優于CNN模型，當ResNet18模型收斂后，精確度保持在90%附近波動，epoch=484時，模型的精確度最高，為92.8%。通過本實驗驗證了使用設計的ResNet18模型對于單相接地故障類型辨識的有效性。

圖9 ResNet18和CNN的分類效果對比Fig. 9 Comparison of classification effects between ResNet18 model and CNN model

4.4.3 實驗三

本實驗基于相同的樣本集，對比了文獻[10]中提出的方法：結合小波變換和SVM模型對多種單相接地故障類型進行辨識，以及對比了單獨使用SVM模型和結合HHT和SVM模型對單相接地故障類型進行綜合辨識的效果。其中SVM模型基于網格搜索法設定超參數，小波變換選擇的小波基函數是Daubechies(db5)小波。同樣以測試集的最終分類精確度Acc作為評價指標，各種方法的辨識效果對比如表3所示。

表3 綜合辨識方法效果對比

對比得出：單獨使用SVM模型的辨識效果最差，精確度為79.5%。SVM模型利用核函數將特征映射到高維空間，并基于樣本與決策面間的距離最大化來進行分類，但其難以挖掘樣本中的復雜非線性特征，并且其性能易受缺失數據影響，對參數和核函數的選擇也比較敏感，最終造成其辨識效果不佳。而將SVM模型與小波變換結合，利用小波變換的時頻多分辨率的特點，可以捕捉到更多關于單相接地故障類型的細節信息，相比于單獨使用SVM模型，辨識效果有明顯地提升，精確度為86.0%。但小波變換的性能也和所選擇的小波基函數直接關聯，不同的信號可能需要選擇不同的小波基函數，自適應性能略顯不足。使用HHT替代小波變換與SVM模型結合，其辨識效果又在前一基礎上有一定提升，精確度為87.4%。而使用提出的辨識方法，結合了HHT的自適應時頻分析能力和ResNet18模型提取抽象特征的能力，相比于其他辨識方法，辨識精確度最高，為92.8%。

5 總 結

筆者提出了一種融合特征分解和深度學習思想的單相接地故障類型辨識方法。首先采用希爾伯特-黃變換對配電網特征進行初步處理，突出不同故障類型的特點；其次設計深度學習模型ResNet18學習故障事件的復雜非線性特征，最終辨識出故障類型結果。通過國內某真型試驗場采集到的錄波數據進行驗證，證明了本文提出的模型能準確識別出多種單相接地故障的類型，具有較高的辨識精度和較強的魯棒性，通用性好，可為后續制定有針對性的故障處理措施提供可靠依據。