基于深度學習的高壓輸電線雙極短路故障檢測

王尚文

（國網湖北省電力公司，武漢 430000）

雙極短路故障是指電力系統中的2 個相間導體（通常是直流輸電線路）發生短路，此類故障通常發生在直流輸電線路上，會對設備和系統造成嚴重的損壞和影響。雙極短路故障電流具有高頻分量，對電力系統的保護產生了挑戰。隨著電網規模的不斷增加，對故障檢測速度也提出了更高地要求，所以研究全新的故障檢測方案[1-2]，快速檢測并消除高壓輸電線雙極短路故障具有十分重要的研究價值。

國內相關專家給出了一些比較高的研究成果，例如文獻[3]優先在時域內提取故障特征，通過多重同步變換壓縮完成故障檢測；文獻[4]提出了基于方向自適應檢測器的輸電線路設備檢測方法。通過IoU-L1 計算目標檢測頭的損失函數，最終借助自適應檢測器完成故障檢測；文獻[5]利用雙路殘差框架提取電力線目標的主干和邊緣特征，將全部特征在不同尺度上展開深度整合，最終實現檢測。由于上述幾種方法具有一定的局限性，提出一種基于深度學習的高壓輸電線雙極短路故障檢測方法。

1 方法

本文以電壓和相角為輸入，對雙極短路故障數據歸一化處理，獲取全新的時間序列，統一化高維時空樣本序列實現降維處理，降低故障檢測難度。基于此，采用改進的ITD 對全部數據分解處理，在深度學習中的高壓輸電線雙極短路故障檢測技術框架，輸入分解后的故障數據，獲取最終的故障檢測結果。

1.1 雙極短路故障數據預處理

假設隨機變量I 服從正態逆高斯分布，則可以將其表示為

式中：α 為陡度參數；β 為樣本數據對應的位置參數；ω 為規模參數；ψ 為對稱參數。

隨機變量對應的密度函數Znig（I，α，β，ω，ψ）可以表示為

假設對單一母線展開電壓監測，獲取的電壓波動特征并不是十分明顯，并且繼電保護要求在最短的時間內完成故障識別，這樣會出現采樣數據和信息量不足的情況。所以，綜合考慮高壓輸電線數據的特點，將母線的電壓幅值以及相角作為整體輸入，使得到的故障檢測結果更加準確。以下對全部數據展開預處理，詳細的操作步驟如下所示：

在時間序列數據內，由于電壓和相角兩者的取值范圍存在差異，假設直接對數據降維處理[6-7]，會出現樣本數據分布均勻的情況，進而對分析結果準確性產生影響。設定電壓為u（i），相角為p，通過公式（3）將電壓和相角轉換為電壓實部，使兩者量綱和取值范圍完全一致，在保留有效信息的基礎上，實現數據歸一化處理：

通過上述操作可以有效降低由于各種干擾因素導致的樣本偏差，提高樣本分布的均衡性。

由于電力系統具有時空特性，需要組建高壓輸電線雙極短路故障樣本，設定t 時刻第n 根母線的電壓實部（t）和虛部（t），b 為最大時間采樣點，通過公式（5）將兩者整合，獲取全新的時間序列(un：

將全部母線的特征時間拓展為一個含有全部母線信息的高維時空樣本序列z，如公式（6）所示：

為了統一全部數據的格式，需要對公式（6）中的樣本序列展開降維處理，如公式（7）所示：

式中：z（xyk）為降維處理后的樣本序列。

1.2 雙極短路故障檢測

降維處理后的故障數據樣本序列能夠有效簡化故障檢測算法，使得研究方法適用于較大數據量。因此在完成數據預處理后[8-9]，采用改進的ITD 對全部數據分解處理，詳細的操作步驟如下所示：

（1）確定高壓輸電線數據s（t）內的全部極值點H（t）和對應的時刻，通過定義算子提取分段線性基線L（x），如公式（8）所示：

式中：［βk，βk+1］為連續極值點間隔區間。

（2）提取不同區域高壓輸電線的控制點，通過鏡像對稱延拓展法分別向左右2 個端點擴展時間序列，進而得到如公式（9）所示的左右端極值點zx和zy：

（3）采用三次埃爾米特插值擬合全部極值點，將基線信號在原始信號中分離出來，進而獲取lx（t）：

重復上述操作，直至lx（t）迭代形成一個PRC 分量，將PRC 在原始數據中劃分處理，即可得到一個全新的數據ly（t），最終通過改進的ITD 分解完成特征值提取。

在深度學習中的高壓輸電線雙極短路故障檢測技術框架可以劃分為2 類，分別為兩階段檢測器和單階段檢測器。為了獲取更加精準的高壓輸電線雙極短路故障檢測結果，引入深度學習算法中的CenterNet 展開檢測，對應的網絡架構如圖1 所示。

圖1 網絡架構示意圖Fig.1 Schematic diagram of network architecture

輸入數據經過DLA-SE 特征提取網絡獲取特向量[10-11]，同時對不同目標中心點展開訓練，獲取目標邊界框。根據數據標簽將其輸入到對應的網絡結構內，輸出與之對應的特征向量。

在關鍵點預測分支中，優先計算低分辨率的等價值Y（x，y，z），如公式（11）所示：

式中：?p為關鍵點總數。

提取不同類型高壓輸電線雙極短路故障特征的峰值點，進而得到對應的邊界框，假設峰值點大于設定的鄰域點數量，則保留該峰值點。邊界框由模型預測獲取的關鍵點、偏離量和尺寸全部是在指定位置形成的，后續不需要展開NMS 處理，即可直接通過關鍵點獲取目標邊界框的方法，有效提升深度神經網絡的綜合性能。利用公式（12）給出目標邊界框ψ 表達式：

根據DLANet，可以在網絡內加入全新的注意力機制，在網絡指定階段完成上采樣和可變性卷積操作，有效提取高壓輸電線雙極短路故障特征[12]，同時建立特征網絡DLA-SE。SE 模塊在深度神經網絡中占據十分重要的地位，使其可以持續關注信息量最大的特征通道，并且將無利用價值的特征通道直接刪除。詳細的組成結構如圖2 所示。

圖2 SE 模塊結構示意圖Fig.2 Structure diagram of SE module

分析深度神經網絡的組成結構，進而融合不同層次的全部特征信息。通過深度神經網絡可以層劃分為多個不同的塊，將數值相同的塊整合形成一個階段。結合上述分析，給出深度神經網絡訓練的詳細操作步驟：

（1）將網絡權值展開初始化處理Ithd，對應的計算式為

（2）全部輸入經過不同層的向前傳播，進而獲取網絡的輸出值ω（x，y），如公式（14）所示：

式中：f 為全部元素值；m 和n 均為常數；ψm，n為輸入元素值；（b）為樣本標記空間。

（3）通過公式（15）計算得到網絡輸出和目標輸出之間的誤差Cr：

（4）假設經過計算獲取的誤差值高于設定的期望值，則直接將誤差值返回至網絡內，得到不同層之間的誤差。根據新的誤差完成網絡權值ω 更新，如公式（16）所示：

在完成訓練后，通過改進的ITD 分解提取特征值，將重構獲取的電流信號分解為PRC 分量，將全部PRC 分量按照從小到大的順序排列，選取取值比較大的PRC 分量篩選出對應的特征，將篩選獲取的特征和原始數據數據融合處理P，獲取融合特征矩陣，如公式（17）所示：

將融合特征矩陣內的全部特征輸入到深度神經網絡內，最終實現高壓輸電線雙極短路故障檢測。

2 實驗結果與分析

為了驗證所提基于深度學習的高壓輸電線雙極短路故障檢測方法的有效性，構建了500 kV 高壓輸電線路的仿真模型，線路總長100 m。實驗中，設置在測量點處進行正短路或負短路實驗，在實際線路中，通過控制開關或刀閘進行不同位置短路實驗。在不同測試條件下，優先分析所提方法的測試結果，如表1 所示。

表1 不同測試環境下所提方法的高壓輸電線雙極短路故障檢測性能分析Tab.1 Performance analysis of bipolar short circuit fault detection of high-voltage transmission lines using the proposed method under different test environments

通過表1 可以看出，在不同工作環境下，采用所提方法可以準確掌握電流幅值和檢測量峰值的變化情況，充分證明所提方法具有良好的檢測性能。

在整定值不同的情況下，分析各個方法的高壓輸電線雙極短路故障檢測時間變化情況，對比方法為文獻[3]提出的基于多重同步壓縮變換的短路故障檢測方法和文獻[4]提出的基于方向自適應檢測器的短路故障檢測方法。具體實驗結果如圖3 所示。

圖3 不同方法的高壓輸電線雙極短路故障平均檢測時間實驗結果對比Fig.3 Comparison of test results of average detection time of bipolar short circuit fault of high-voltage transmission lines with different methods

通過圖3 能夠看出，在整定值不斷增加的情況下，各個方法對應的高壓輸電線雙極短路故障平均檢測時間均呈直線下降趨勢。相比另外2 種檢測方法，所提方法所花費的平均檢測時間明顯更低，說明所提方法可以以更快的速率完成高壓輸電線雙極短路故障檢測。

為了進一步測試不同方法的有效性，需要采用不同方法展開高壓輸電線雙極短路故障檢測，詳細的實驗測試結果如圖4 所示。

圖4 不同方法的高壓輸電線雙極短路故障檢測結果對比Fig.4 Comparison of detection results of bipolar short circuit fault of high-voltage transmission lines by different methods

通過分析圖4 中的實驗數據可知，采用所提方法可以準確檢測出高壓輸電線雙極短路故障；而另外兩種方法在檢測過程中由于受到各方面因素干擾，導致高壓輸電線雙極短路故障檢測結果并不準確，還需要進一步改進和完善。

為了進一步驗證所提方法的檢測性能，將漏檢率作為測試指標，詳細的實驗結果如圖5 所示。

圖5 不同檢測方法的高壓輸電線雙極短路故障漏檢率實驗結果對比Fig.5 Comparison of test results of leakage rate of bipolar short circuit fault of high-voltage transmission lines with different detection methods

綜合分析圖5 中的實驗數據可以看出，采用所提方法對高壓輸電線雙極短路故障過程中出現漏檢的概率明顯更低一些，說明所提方法可以獲取準確度更高的高壓輸電線雙極短路故障檢測結果。

3 結語

由于高壓輸電線結構復雜，若出現故障十分不利于電子元器件的工作環境，因此提出可靠的高壓輸電線保護策略具有十分重要的研究意義。為此，提出一種基于深度學習的高壓輸電線雙極短路故障檢測方法。經過大量實驗測試證明，采用所提方法可以有效提升高壓輸電線雙極短路故障檢測結果的準確性，降低漏檢率，提升檢測效率，有效確保高壓輸電線的平穩運行。由于受到多方面因素影響，所提方法仍然存在一定的缺陷和不足，后續將對其展開更加深入的研究，進一步擴大研究范圍，使其可以被應用于多個不同的研究領域。