圖學習與零序分量相結合的風電場集電線單相接地故障定位

丁 嘉 朱永利

圖學習與零序分量相結合的風電場集電線單相接地故障定位

丁 嘉 朱永利

（華北電力大學電氣與電子工程學院 保定 071003）

由于風電場集電線線路短、連接風機多且風機間距小，傳統行波測距等故障定位方法難以適用。為此該文提出一種圖學習與零序分量相結合的新型層次化單相接地故障定位方案。首先，計及集電線拓撲信息構建圖數據，應用圖卷積神經網絡進行圖分類建模判斷集電線故障區域；然后，為克服樣本不平衡的影響，結合遷移學習進行模型串聯，并引入代價敏感機制后處理分類結果；最后，利用風電場接地方式與箱變接線特點，基于雙端零序分量推導與風機無關的故障區域測距公式。所提方案可跨越風機實現定位，并能克服數據不同步的影響，所需測點少，適用于含分支集電線。仿真表明，圖卷積神經網絡相對傳統深度網絡判斷正確率更高，模型串聯結合代價敏感機制可有效克服樣本不平衡影響；故障區域判斷與測距效果不受故障位置、過渡電阻和風速的影響。

風電場 集電線 單相接地故障 故障定位 圖卷積神經網絡 零序分量 樣本不平衡 數據不同步

0 引言

當前，我國風電的裝機容量與發電量已多年位列全球第一[1]，在實現“雙碳”目標，構建新型電力系統背景下，風電勢必會迎來進一步的發展。但是，我國風電場大多位于戈壁、海岸等環境較為惡劣的地區，集電線短路故障易發[2]，而集電線線路短、連接風機多、風機間距小又使得自動化定位難度很大，易造成棄風窩電，使風電企業備受困擾。

目前故障定位技術的研究多集中在輸配電線路，主流定位方法包括故障分析法[3-7]、行波法[8-11]、人工智能法[12-15]。文獻[5]基于FTU(feeder terminal unit)告警信息，利用整數線性規劃有效地實現了主動配電網的故障區段定位；但是一條集電線會連接十幾臺風機，因此所含區段眾多，且單條集電線一般在10 km左右，實施類似方案需在有限長線路上安裝大量FTU，風電企業一般較難接受。文獻[11]通過計算故障行波零模與線模分量到達時間之差確定配電網故障區段，然后利用傳統行波法進行故障測距；但是由于電源密集接入，風機間距小，應用行波法跨風機測距會導致行波折反射頻繁，在風機間測距又面臨所需裝置多、測距相對誤差過大等問題。文獻[12-15]分別采用模糊C均值聚類算法、卷積神經網絡、AdaBoost-Elman集成神經網絡實現了輸配電網故障線路識別與多端直流、特高壓直流輸電線的故障定位。人工智能技術有著優秀的自主學習、復雜特征提取及非線性表達能力，雖然面臨小樣本學習及模型泛化能力的挑戰，但其能依靠大數據自主形成輸入輸出映射關系，實現“端到端”模型構建，這一優勢使其非常適用于解決復雜機理問題，因此其在故障定位領域有廣泛應用空間，研究意義重大。

風電場集電線結構特殊，故障定位困難，目前相關研究成果較少。文獻[16-17]在風機之間分布式安裝測點，以避免風機對故障測距的影響，成功實施了風機間的單端阻抗法測距與單端行波法測距。然而，上述方案需在線路上安裝大量測點，同時也面臨前文所述風機間行波測距的難點。文獻[2]注意到集電線零序電流遠大于風機電流的事實，近似認為各風機提供的故障電流相等，基于對風機電流的估計改進了傳統單端阻抗法，通過逐段搜索實現了跨越風機的故障測距。文獻[18]采用極限梯度提升算法建立回歸模型，同樣能夠跨越風機完成集電線故障測距；作者依靠人工智能算法的學習、表達能力擬合風機特性，較好地解決了風機影響難以表征的問題，為在集電線故障測距中消除風機影響提供了新的思路。同時，文獻[2,18]只需在集電線首端安裝測點；但是，當它們應用于含分支集電線時會出現偽根。從整體上看，風機影響、集電線分支及測點數目是集電線故障定位面臨的幾大難點，還需進一步研究以實現以上各點的有效統籌。

針對以上難點，本文將圖學習理論與零序分量相結合實施故障定位。首先分析了風電場的特點。然后基于圖學習理論構建圖卷積神經網絡基模型，在基模型的基礎上結合多級分類模型串聯與代價敏感學習形成完整故障區域判斷模型。進一步，利用風電場零序特征較明顯、零序網絡不含風機的事實，從零序分量出發實現故障區域的故障測距。另外，為避免故障區域誤判造成定位失敗，文章還設計了故障區域誤判處理機制。最后，搭建仿真模型驗證該方案性能，并與其他方案進行了比較。

1 風電場特點

風電場典型拓撲結構如圖1所示。風機在多點密集接入集電線，且集電線長度有限[17]，一般在10 km左右，因此相鄰風機間距很小[2,18]。集電線往往由架空線、電纜混合構成，但電纜很短，長則幾百米，短則十幾米。同時，與風機相連的箱式變壓器（簡稱箱變）高壓側采用三角形聯結以限制諧波與零序電流的流入[2,19]，滿足風電場安全性及風機性能指標，目前風電場廣泛采用中性點經電阻接地的接地方式[2]，通過主變壓器（簡稱主變）或接地變壓器（簡稱接地變）實現接地。另外，某些集電線可能含有分支，但是分支數目要遠少于配電網，分支拓撲也更為簡單，典型含分支的集電線如圖1集電線2。

圖1 風電場拓撲結構

電力系統中單相接地故障占絕大多數[20]，本文只針對單相接地進行定位。由于電纜短路故障往往為三相故障，且風電場中電纜很短，因此單相接地故障定位僅針對架空線即可。為實現集電線尤其是含分支集電線的故障定位，本文在故障集電線跳閘后首先判斷出故障區域，圖1含分支集電線可分為干線（藍色部分）、分支1（橙色部分）、分支2（綠色部分）共三個區域；之后再針對故障區域進行故障測距。對于不含分支的集電線，直接測距即可。

2 基于圖神經網絡的故障區域判斷方法

現有可跨越風機測距的方案[2,18]應用于含分支集電線時會出現偽故障點，原因在于其只利用了干線首端測點的電壓電流信息，而不同區域的故障可能在干線首端產生相同電壓電流。因此本文在測距前先行判斷故障區域以排除偽故障點。然而，由上述分析也可知，僅依靠干線首端電壓電流測點不能實現故障區域的判斷。

實際上，當干線首端故障信息相同時，其他位置會存在差異化信息，因此本文適當增加測點，通過多點信息融合進行信息互補來識別不同區域的故障?？紤]到在集電線末端風機箱變處安裝測點相較集電線中間段在工程實現上更方便，且新增測點少，同時契合后續故障測距量測需求，本文在干線首端測點的基礎上只在干線與各分支末端增加測點。隨著測量技術的發展，即使是在線路上安裝的同步相量測量裝置目前也已被研制[21]，所以上述測點配置的硬件需求能得到滿足，且實現成本不高。

風機不同于傳統電源，其故障特性特殊[22-23]，且集電線為密集風電源接入結構，所接電源數目遠多于配電網；同時，新增測點位于線路末端，相比于線路中部的測點可獲取的故障信息有限，所以直接建立各測點所測電氣量與故障區域的解析關系十分不易。因此，本文借助深度學習強大的數據挖掘、特征提取與“端到端”模型構建能力，增強多點信息融合深度，充分挖掘可獲取量所含故障信息，無需建立解析關系即能實現故障區域判斷。

2.1 圖神經網絡

圖神經網絡是一種新興深度網絡，以其優秀的圖數據處理能力備受青睞，目前已被應用在機械、電氣設備故障診斷等領域[24-25]。該網絡的處理對象是圖，圖由節點及連接節點的邊構成，其中邊表征節點間的連接關系，節點與邊都可以擁有自己的屬性。相較一般圖像，圖不僅能表征屬性信息，還能表征各節點之間的連接關系即結構信息。

對于風電場故障區域判斷來講，一方面風電場中含分支集電線屬于樹狀輻射型網，是一個天然的圖結構；另一方面，采用圖的表征方式在使電氣量屬性信息得以利用的同時，可以借助圖的結構信息，通過節點間的消息傳遞充分挖掘各處電氣量信息之間的依賴關系，這一特點與本文所采用的多點信息融合思想非常契合，能夠有效加深多點信息之間的融合度，反映更豐富的故障特征。所以，本文將故障區域判斷建模成圖分類問題，應用作為圖神經網絡之一的圖卷積神經網絡（Graph Convolutional Network, GCN）實現故障區域判斷。目前關于GCN在風電場集電線故障定位方面的研究尚未見報道。

2.1.1 圖卷積神經網絡

GCN的核心是圖卷積層，圖卷積層可使圖節點對自身特征與鄰居節點特征進行聚合生成新的節點。一般圖卷積層表示為

2.1.2 圖池化

本文的故障區域判斷為圖分類問題，因此需要采用圖池化機制對圖卷積層學習到的節點特征進行全局融合，生成圖表示特征。本文應用文獻[26]提出的自注意力池化層參與實現全局信息提取。

自注意力池化層能充分利用圖結構信息，同時有著合理的時間、空間復雜度，其首先通過圖卷積按照式（2）自適應學習節點重要度（式（2）實際上是令式（1）的為1，1、0分別為-1、1所得）；然后按照TopK機制只保留前個節點（為池化率（0≤≤1），為節點總數），更新圖的結構。

式中，為節點重要度矩陣；為自注意力池化層的權重系數。

2.2 圖數據與故障區域判斷基模型的構建

2.2.1 圖的構建

節點與邊是圖的兩大要素，為了應用圖數據處理方法解決故障區域判斷問題，需要對節點、邊的物理意義進行規定，構建圖數據。

本文中干線首端測點需測量三相電壓電流相量，其余測點測量三相電壓相量。規定每個測點為一個節點，并取干線首端節點的屬性信息為三相電壓電流及正、負零序電壓電流的有效值，其他節點為三相電壓及正、負零序電壓的有效值，這樣可有效地消除相量不同步的影響。節點屬性即為故障特征量。

由于本文并沒有在分支與干線的連接點處配置測點，因此節點之間的邊不能直接根據集電線的路徑定義。為此，本文引入“投影”的概念，也就是將分支末端的測點等效地沿分支向干線移動直至到達干線。投影時最終所到達的位置即為該測點在干線上的投影點。投影后，按照干線的路徑容易得到分支末端測點的投影點與干線首末端測點之間的連接關系，以此作為實際測點間的連接關系來確定節點間的邊，得到表征邊的鄰接矩陣。圖1所示含分支集電線的投影過程及結果如圖2所示。

圖2 圖的構建

2.2.2 基模型的構建

在圖卷積層、自注意力池化層的基礎上，采用圖3所示網絡結構作為故障區域判斷的基模型，模型輸入為2.2.1節所得圖數據，輸出為故障區域類別。

自注意力池化層可以對節點特征進行融合，但還未徹底生成圖表示特征，因此添加讀出層，采用最大值池化與均值池化對圖池化層得到的新圖進行一次性聚合，輸出表征整圖屬性的圖表示特征。然后輸入全連接層構成的多層感知機完成圖分類。

圖3 基模型結構

2.3 計及樣本不平衡問題的故障區域判斷模型

由工程實際可知，有時風電場會存在集電線干線遠長于分支的情況，這就會導致在樣本分布相近的情況下干線故障樣本遠多于各類分支故障樣本，從而出現樣本不平衡問題。若直接使用原始樣本集（即樣本集中每個故障區域單獨作為一個類別），并單純采用基模型構建故障區域判斷模型，會導致模型存在很大的偏向性，分類結果會偏向于樣本數目更多的類別。為解決該問題，本文一方面重構原始樣本集，進行模型串聯，另一方面引入代價敏感學習，使用代價矩陣對分類結果進行調整。

2.3.1 串聯分類模型的構建

盡管一條分支的故障樣本相對于干線來講數量差距較大，但若將所有分支的故障樣本整合為分支故障這一類，就可以在一定程度上減輕樣本不平衡。并且，不同分支都屬于集電線的分支部分，存在共同特征，如，對于各分支末端節點的投影點，干線首末端節點總是分別位于其上游、下游；不同于干線故障，各分支故障時，干線末端節點總不是零序電壓最大的節點。因此，將各分支的故障樣本歸為一類是合理的。基于上述思想構成分支故障樣本集，使其與干線故障樣本集一起進行分支故障、干線故障二分類，得到初級分類器。

之后，僅使用分支故障樣本集，將分支1故障～分支故障（為一條集電線上分支的總數）各作為一類，形成次級分類器。次級分類器的構建是基于分支之間的差異性，如不同分支末端的節點到其他節點的路徑不同、不同分支故障時各節點之間負序、零序電壓的大小關系不同。上述兩級分類器均采用基模型網絡結構，二者構成串聯分類模型，共同完成故障區域的最終判斷。

相對于其他深度網絡，GCN的樣本需求量相對較少，更能適應樣本規模較少的情況[25]，但是在建立次級分類器時，由于分支較短，故障樣本數目過于有限，GCN仍然容易出現過擬合、模型性能不佳等問題。因此，本文進一步引入遷移學習。遷移學習是指將在源域上學習到的知識應用到另一相似領域即目標域中的機器學習方法[27]，其可以解決目標域中樣本不足所導致的無法有效建模問題。

本文借助遷移學習使用訓練完成的初級分類器輔助后續次級分類器的構建。因為兩個分類器任務性質相近，所以采用遷移學習能夠使次級分類器在小樣本下取得很好的效果。本文此處應用的是模型微調形式的遷移學習，即首先建立次級分類器的結構，除輸出層外其余部分均與初級分類器結構相同；然后，以初級分類器訓練所得參數初始化次級分類器（不含輸出層），并采用分支故障樣本進行訓練，調整次級分類器的全局參數。

2.3.2 代價敏感學習

經過上述處理，樣本不平衡可以得到一定程度的解決，但是當所有分支的長度之和與干線相比還是相差較大或各分支之間長度相差較大時，初級或次級分類器還會存在一定偏向性。因此進一步引入代價敏感學習，利用代價矩陣糾正模型的偏向性。

代價敏感學習是指在機器學習中，為不同類別賦予不同誤分類代價，主要用于不同類別誤分后果嚴重性不同的分類問題[28-29]。當認為少數類的誤分后果比多數類更嚴重時，就可使用代價敏感學習解決樣本不平衡問題。代價敏感學習的核心是代價矩陣，以二分類為例的代價矩陣見表1。表中，1與0分別表示正、負類，(,)為類別的實例被誤分為類別的代價(,=0, 1)，一般可令對角線元素為0，只設置非對角線元素以簡化矩陣。

表1 二分類問題的代價矩陣

Tab.1 Cost matrix of binary classification

本文采用后處理形式的代價敏感學習，其基于貝葉斯風險理論對訓練完成后的分類模型進行分類結果的后處理[29]。首先應用前文建立的圖神經網絡得到輸入樣本對應的類別概率，然后結合代價矩陣通過式（3）確定最終分類類別。

式中，為輸入樣本；()為的輸出類別；為所有類別構成的集合；(|)為屬于類別的后驗概率；argmin表示取最小值對應的類別。式（3）的含義在于計及各類別誤分類代價后選擇總誤分類代價最小的分類結果作為最終類別。

2.3.3 故障區域判斷模型的建立

模型串聯與代價敏感學習實質上是分別從樣本集角度、分類結果后處理角度應對樣本不平衡問題。前者相對來講更為本質，后者容易損失多數類的正確率。因此當干線、分支故障樣本數量相差較大時，應先進行模型串聯，若串聯后模型仍有較大偏向性，再考慮在某一級或兩級模型中引入代價敏感學習。當干線、各分支故障樣本數量相近時，直接使用基模型即可。為了保持方案的完整性，后文所述方案均進行模型串聯，并在兩級模型中均引入代價敏感學習。綜上所述，可得故障區域判斷模型的訓練、測試與應用流程如圖4所示。

圖4 模型訓練、測試與應用流程

1）獲取測點量測信息，形成節點屬性；對實際集電線拓撲進行投影操作，形成鄰接矩陣。

2）構建初級分類器所需樣本集，并對該樣本集進行訓練集、測試集劃分。在劃分時，首先按照干線故障、分支1～分支故障共+1類進行分層劃分；然后，分別將所得訓練集、測試集中各類分支故障樣本整合為分支故障一個類別。

3）由步驟2）所得訓練集、測試集中的分支故障樣本分別構成次級分類器所需的訓練集、測試集。由于步驟2）進行了+1層的分層劃分，本步驟所得樣本集相當于進行了層的劃分。

4）搭建初級分類器，首先設置隱含層神經元數目、迭代次數、求解器、初始學習率、學習率衰減系數、代價矩陣等超參數；然后進行訓練、測試。

5）搭建次級分類器，首先設置輸出層神經元數目、迭代次數、求解器、初始學習率、學習率衰減系數、代價矩陣等超參數；然后以初級分類器訓練所得參數初始化次級分類器，并進行訓練、測試。

3 基于零序分量的故障測距方法

如前所述，風機故障特性復雜，但風機箱變高壓側采用三角形聯結使風機并不參與構建風電場零序網絡。因此利用零序分量測距無需考慮風機影響，有獨特優勢。另外，當前風電場廣泛采用中性點經電阻接地，在出現單相接地時此類系統零序電流較大[30]，遠大于中性點不接地系統[2]，因此零序特征較為明顯，可安裝零序電流保護切除故障[30-31]，并且目前在風電場中已有研究成功地實現了基于零序電流的故障檢測[32]。由此可見，利用零序分量進行風電場故障測距既有獨特優勢，又切實可行。

由于線路對地電容會給零序分量帶來一定影響，因此為提高故障測距的準確性，也將對地電容考慮在內。具體考慮方式為，將故障集電線的總對地電容各取二分之一等效在干線首端、故障區域末端。假設圖1所示風電場的f點出現單相接地故障，可得相應零序網絡如圖5。圖1虛線框內為f點故障時參與零序網絡構成的故障集電線范圍，即故障區域末端至干線首端的集電線。

根據圖5，采用干線首端或故障區域末端電氣量均可計算出故障點零序電壓，并且兩者所得故障點零序電壓相等，由此可得

為避免測距準確性受到數據不同步的影響，對式（4）等號兩邊同時取模值二次方，可得

對式（5）進行整理可得

式中，Real、Imag分別表示取相量的實部、虛部。式（6）為實系數一元二次方程，采用解析法可解得兩個實數解，結合的大小限制，就能獲得符合實際的值，完成故障區域的故障測距。

近日，Nutrien公布了2018年第三季度財務報告?！暗谌径龋琋utrien取得了穩定的經營業績，零售利潤同比增長10%。而營養品生產業務報告了更高的產量、利潤率和顯著降低的成本。我們還在戰略重點上取得了重大進展，包括提高股息和協同目標、完成股票回購計劃以及完成出售阿拉伯鉀肥公司(APC)股份。我們仍將繼續從出售的股權投資中獲得50億美元的凈收入。由于市場基本面強勁，合并協同效應加速，Nutrien也提高了年度指引。我們將繼續保持良好的定位，以提供強勁的長期股東回報?！盢utrien總裁ChuckMagro說道。

由于測距誤差的存在，對于靠近故障區域首末端的一些故障，所得測距結果可能會超出故障區域的實際范圍。本文定義故障區域首端到干線首端的線路長度至故障區域末端到干線首端的線路長度為故障區域的準確測距范圍；并將準確測距范圍的下限減、上限加，得到故障區域的有效測距范圍。當測距結果位于上述兩測距范圍的下限（上限）之間時，表明實際故障點位于故障區域首端（末端）附近。根據后文仿真結果，再計及實際存在的線路參數誤差、測量誤差等，可取=150 m。

為盡可能減小線路參數與相量計算誤差，可通過現場實測獲取線路參數實際值；同時可采用羅氏線圈電流互感器測量電流，誤差能控制在1%左右。

4 故障區域誤判處理機制

前文故障區域判斷模型在絕大多數情況下能夠保證判斷的準確性，但是對于區域分界點即干線-分支連接點附近的故障來講，由于它們所產生的故障信息差異較小，可能出現故障區域誤判。為此，本文進一步設計了故障區域誤判處理機制。

若故障區域判斷結果為干線故障，且故障測距后現場人員并未在計算所得故障位置（稱作原始故障位置）及其附近查找到故障，則表明實際故障區域為某一分支。此時對所有分支按照其與原始故障位置的距離（該距離是指分支與干線的連接點到原始故障位置的距離）進行升序排序；依序假設故障點位于某分支上進行測距，并檢查測距結果的有效性，即檢查測距結果是否位于相應分支的有效測距范圍內；若測距結果有效且現場人員由測距結果能夠查找到故障點，則定位結束，反之重新假設故障位于下一分支，重復以上步驟，直到獲得有效測距結果且能夠查找到故障點。

若故障區域判斷結果為某分支故障，且故障測距后測距結果無效，或測距結果有效但是現場人員未能在判斷所得分支（稱作原始分支）上查找到故障，則表明實際故障區域為干線或其他某分支。首先假設干線故障進行測距，若在干線上能查找到故障點，則定位結束；否則，對原始分支以外的分支按照其與原始分支的距離（該距離是指其余分支與干線的連接點到原始分支與干線的連接點的距離）進行升序排序。依序假設故障點位于某分支進行測距，并檢查測距結果的有效性。若測距結果有效且現場人員按照測距結果能夠查找到故障點，則定位結束；反之重新假設下一分支故障。重復以上步驟，直到獲得有效測距結果且可以查找到故障點。

5 仿真驗證及分析

使用PSCAD/EMTDC參照某實際風電場結構搭建如圖6所示的仿真模型。

圖6 風電場仿真模型

本文以圖6所示集電線1為研究對象，構建其對應圖數據時所得投影結果如圖7所示。圖6中，主變壓器額定電壓為220 kV/35 kV/10.5 kV，在中壓側經67.3 Ω電阻接地。集電線1前端通過400 m電纜接入升壓站，其上連接有11臺雙饋風機，均經箱變、100 m電纜與架空線相連接。每臺風機額定功率為2 MW，額定風速為11 m/s，端電壓為0.69 kV。集電線1采用LGJ 120/25型號架空線，其含有三條分支，線路參數及干線、各分支的長度分別見表2、表3。

圖7 仿真模型對應投影結果

表2 架空線參數

Tab.2 Parameter of the over-head line

表3 架空線長度

Tab.3 Length of the over-head line

5.1 故障區域判斷

5.1.1 樣本集的形成與模型超參數設置

圖6所示集電線1包含干線、分支1～3共四個區域。建立故障區域判斷樣本集時，各故障樣本的圖結構相同，所含節點的屬性取值不同。本文在集電線上每隔100 m左右設置一個故障點，并且每個故障點設置0、50、100、150、200 Ω的過渡電阻，同時為盡可能地反映風電場實際運行狀況，又設置了額定風速、低風速運行場景，對應風速分別為11、7.5 m/s，最終得到包含1 040組樣本的樣本集。上述樣本集只包含A相接地故障，對于B或C相接地，可通過轉相等效為A相接地。對所得樣本集按照4:1的比例劃分得到訓練集、測試集。

在上述樣本集中，干線故障與分支故障樣本數之比為7:1，分支故障中分支1～3的故障樣本數之比為8:3:2。由此可知，各類故障之間存在明顯樣本不平衡，且干線、分支故障之間的不平衡也較嚴重，各分支之間的不平衡較弱，同時考慮到各分支并不直接相連，可分性強，因此在模型串聯的基礎上進一步只針對初級分類器使用代價敏感學習即可，后文準確的分類結果可驗證該處理方式的合理性。

5.1.2 判斷效果與分析

次級分類器其他超參數取值如下：優化器初始學習率為0.005，權重衰減系數為0.000 1。

采用五折交叉驗證分析初級分類器與次級分類器的分類性能，所得各級分類器五條訓練集損失曲線的平均值曲線如圖8所示，初級分類器各折測試集的分類結果如圖9所示。另外得到次級分類器各折測試集中各類別的分類正確率均為100%。

圖8 分類器訓練集損失曲線

圖9 初級分類器的測試集分類結果

由圖8可以看到，各級分類器在訓練時都能較好地收斂，模型性能不斷提升。由圖9以及次級分類器的分類正確率可知，所得故障區域判斷模型較為準確，干線故障、分支故障的平均正確率都接近100%，判斷效果不受樣本不平衡的影響。這表明所提方法能夠作為一種有效的故障區域判斷方法。進一步，分析初級分類器各折測試集誤分的故障樣本可知，所有出現誤判的故障均是干線、分支上最靠近干線-分支連接點的故障。這些故障位于干線、分支的分界點周圍，故障特征十分相近，因此出現誤判。但是，這些誤判在第4節所提誤判處理機制的輔助下都會得到糾正，最終仍能準確定位故障。另外，針對不平衡樣本下的分類器，靈敏度（Sensitive）、特效度（Specificity）、AUC（area under curve）值能夠較好地對其性能做出評價，上述靈敏度與特效度即本文各類故障的正確率。進一步計算各折所得模型的AUC值，其中最大值為1，最小為0.99，可見所提模型擁有較好的分類性能。

前文形成的訓練集、測試集含有不同故障位置、過渡電阻、風速下的故障樣本，因此本文所構建的故障區域判斷模型針對不同故障位置、過渡電阻、風速下的故障都是有效的，上述測試集準確的分類結果驗證了此有效性。另外，由于模型所需輸入量僅為電壓電流有效值，因此故障區域判斷效果不被數據不同步影響。

5.1.3 與單一分類模型的對比

為了驗證模型串聯對解決樣本不平衡問題的有效性，在不引入代價敏感學習的情況下，對比單一分類模型與串聯分類模型的分類正確率。單一分類模型直接采用基模型，一次性實現干線與各分支的分類。使用相同的訓練集、測試集對其進行參數選擇、訓練與測試，所得分類結果如圖10所示。計算兩模型的干線故障總平均正確率（等于干線故障平均正確率）、分支故障總平均正確率（即所有分支平均正確率的平均值），所得結果見表4。

圖10 單一分類模型的測試集分類結果

表4 總平均正確率對比

Tab.4 Comparison of the total average accuracy

由圖10可知，由于各類樣本數量不平衡，僅使用單一分類模型時，多數類的正確率高，少數類的正確率低，分支1～3的平均正確率分別只有95%、83.3%、65%，最終干線故障總平均正確率為99.9%，而分支故障總平均正確率僅為81.1%。由表4對比可知，通過樣本整合、模型串聯，分支故障總平均正確率提升了12%。因此可以看出，存在樣本不平衡時，僅建立單一分類模型并不能獲得滿意的分類效果，而模型串聯能夠有效提升分支故障分類正確率，起到了緩解樣本不平衡的作用。

5.1.4 與不含代價敏感學習的對比

模型串聯能夠在一定程度上緩解樣本不平衡，但是由于分支總長與干線長度仍存在較大差距，不加處理時，由表4可知，干線、分支故障總平均正確率分別為100%、93.1%，依然存在一定偏向性。

當引入代價敏感學習對分類結果進行調整時，由圖9可知，初級分類器的干線故障、分支故障平均正確率分別為99.5%、99.2%，計及100%的次級分類器分類正確率，可知分支故障總平均正確率為99.2%。比較可得，在代價敏感學習的干預下，干線故障總平均正確率下降0.5%，但是分支故障總平均正確率提升了6.1%。由此可見，在模型串聯的基礎上進一步應用代價敏感學習，能夠很好地克服樣本不平衡的影響。

5.1.5 與傳統深度神經網絡的對比

為對比GCN與傳統深度神經網絡的性能，搭建全連接層構成的傳統深度神經網絡（Deep Neural Network, DNN）。構建DNN的樣本集時，將各測點所獲電壓電流有效值整合為一個特征向量。DNN所用訓練集、測試集包含的故障場景都與GCN一致。另外，同樣使用DNN搭建串聯分類模型，并引入代價敏感學習。五折交叉驗證時DNN初級分類器的各折測試集分類正確率如圖11所示；另外，DNN次級分類器的各折測試集分類正確率都為100%。

圖11 DNN初級分類器的測試集分類結果

與5.1.2節GCN的分類結果比較可得，雖然兩種網絡的次級分類器分類正確率都為100%，但是對于圖9與圖11所示的初級分類器分類結果，在兩種網絡干線故障平均正確率相當的情況下，GCN的分支故障平均正確率更高，接近100%，DNN在第二折的分支故障正確率僅為92.3%。另外，各折所得DNN模型的AUC值中，最大值為1，最小為0.97，而前文所述本文模型的最小AUC值為0.99。因此從整體來看，GCN效果更佳。這主要得益于GCN計及風電場拓撲結構，利用了更豐富的故障信息，使得干線、分支故障的可分性更好。

5.2 故障測距

5.2.1 不同故障位置下的故障測距

在圖6所示集電線1的不同位置設置A相接地故障，過渡電阻均為0 Ω，風機均運行在額定工況下。所提測距方法的測距結果見表5。

由表5可知，以上故障位置的測距誤差均小于70 m，這表明針對不同位置的單相接地，本文都能準確實現故障測距。還可以看到，相對于干線故障，分支故障的測距誤差稍大，其主要與第3節所采用的電容等效方式有關。當分支故障時，故障區域末端即為故障分支末端，干線-故障分支連接點至干線末端之間的線路為主要的旁支線路（即不位于干線首端與故障區域末端之間的線路）。由于故障分支較短，因此相比于干線首端，主要旁支線路更靠近故障區域末端，且該部分線路較長，對地電容較大，所以兩端均分電容的等效誤差稍大，增大了測距誤差。相比之下，干線故障時，故障區域末端為干線末端，旁支線路為各分支，而各分支都較短，此時電容等效誤差較小，因此測距誤差更小。

表5 不同故障位置下的測距結果

Tab.5 Localization result under different fault locations

5.2.2 不同過渡電阻下的故障測距

額定風速下，分別在干線、分支2上各選一個故障位置設置A相接地，各故障點處均設置0、50、150、200 Ω的過渡電阻，所得結果見表6。

表6 不同過渡電阻下的測距結果

Tab.6 Localization result under different values of fault resistance

由表6可知，測距誤差隨著過渡電阻的變化并沒有出現較大波動，都維持在較低數值，這表明本文所提測距方法的性能不被過渡電阻影響。這主要是因為本文測距方法基于雙端量構建，在測距公式中消除了過渡電阻。

5.2.3 不同風速下的故障測距

風速不同、風機的輸出功率不同，有可能會對測距性能造成影響。因此分別設置7.5 m/s與11 m/s的風速，在干線、分支2上模擬過渡電阻為0 Ω的A相接地。所得測距結果見表7。

表7 不同風速下的測距結果

Tab.7 Localization results under different values of wind speed

由表7可知，兩故障點在額定風速及低風速下測距誤差都較為接近且數值較小。這表明風速并不會對所提測距方法的性能造成影響。其原因在于本文測距公式采用零序分量推導，零序電壓電流的大小取決于故障時的零序網絡，而風機并不參與零序網絡的構成，因此測距效果與風機運行狀況無關。

5.2.4 數據不同步狀況下的故障測距

在干線、分支2上模擬額定風速下過渡電阻為0 Ω的A相接地，并以干線首端測點為參考，在干線末端、分支2末端測點所得數據中加入2°、10°、50°、90°的不同步角。所得測距結果見表8。

表8 數據不同步下的測距結果

Tab.8 Localization result with asynchronous data

由表8可知，對于不同大小的不同步角，干線、分支故障的測距誤差都一直保持恒定，測距結果均沒有被影響。因此可知，數據不同步不會對本文測距方法造成不利影響。這得益于本文測距公式由相量模值相等原則建立，能較好地消除不同步角的影響。

5.2.5 測距方法對比

本文測距方法屬于阻抗法測距，因此與文獻[2]所提方法進行對比。在干線上共設置兩處A相接地，故障距離分別為9 074.37 m、9 434.37 m，風速均為額定風速，過渡電阻為0 Ω。所得測距誤差如圖12所示。

圖12 測距誤差對比

由圖12可知，對于上述故障，雖然兩種方法的測距誤差都在100 m以內，但是相比較而言，本文所提測距方法的準確性高于文獻[2]。因為本文方法基于風電場零序分量構建，能夠天然地將風機影響排除在外，所以測距準確性較高；文獻[2]雖然引入假設，較好地估計了風機電流，但是與實際仍存在一定誤差，降低了測距準確性。

5.3 故障區域誤判的處理

為驗證本文誤判處理機制的有效性，分別假設某分支2故障誤判為干線故障、某干線故障誤判為分支2故障、某分支1故障誤判為分支2故障，應用所提處理機制進行處理，所得結果見表9。以上各故障場景下故障類型均為A相接地，過渡電阻均為0 Ω，風速均為額定值。由于圖6中集電線1共有四個區域，因此最多只需重新測距3次。

表9 故障區域誤判處理結果

Tab.9 Result of the misidentification processing mechanism of faulty area

注：表中括號內為重新測距時的假設故障區域；\表示所得故障距離不在對應故障區域的有效測距范圍內；表示所得故障距離在對應故障區域的有效測距范圍內，但在對應故障區域上查找不到故障點；√表示所得故障距離在對應故障區域的有效測距范圍內，且對應故障區域上可查找到故障點；—表示不再執行相應測距。

由表9可知，無論是干線誤判還是分支誤判，按照所提誤判處理機制最終都能成功地確定正確的故障區域，并得到準確測距結果，同時本文設定的故障假設順序也使得并非所有誤判都需對其余所有區域進行重新測距，因此糾錯效率較高。以上表明，所提誤判處理機制可以有效地糾正前期故障區域誤判結果，確保了故障定位整體方案的有效性。

5.4 測量誤差的影響

為驗證測量誤差對所提方案的影響，在測試集中對各特征量隨機增加-5%～5%的測量誤差后進行測試，所得干線故障（總）平均正確率為97.6%，分支故障總平均正確率為97.0%。同時，對干線上故障距離2 413.87 m處、分支2上故障距離2 753.52 m處的A相接地進行測距時，均分別在干線首端測點與故障區域末端測點添加-5%、5%的測量誤差，所得測距誤差分別為92.63 m、125.08 m。由上述結果可知，測量誤差確實會降低所提方案的定位精度，但是最終定位誤差仍在可接受范圍內。隨著測量技術的進步，測量誤差的影響可進一步減小。

6 結論

本文將圖學習與零序分量相結合實現了風電場集電線單相接地故障定位，主要結論如下：

1）采用圖數據表征集電線故障信息，應用GCN構建故障區域判斷模型，可綜合利用電氣量信息與結構信息，使多點信息融合更充分，驗證表明，模型正確率高于傳統深度學習方法；同時，模型串聯結合代價敏感學習能有效應對樣本不平衡問題。

2）充分利用集電線零序特征較明顯、零序網絡不含風機的事實，推導出基于零序分量的風機無關測距公式，從而實現了較少測點下跨越多風機的故障測距，并且正確率較高。

3）所提定位方案能夠有效地實現含分支集電線的故障定位；并且整體方案只需在干線兩端及各分支末端安裝測點，所需測點少。

4）所提定位方案在測點數據不同步的條件下仍能夠準確地實現故障定位，并且定位效果不受故障位置、過渡電阻和風速等因素的影響。

另外注意到，GCN存在過平滑問題，使其難以通過深度堆疊進一步提升特征提取能力；同時，本文在處理故障區域誤判時仍需少量人工介入。以上問題有待于后續研究。

[1] 王恰. 中國風電產業40年發展成就與展望[J]. 中國能源, 2020, 42(9): 28-32, 9.

Wang Qia. Achievements and prospects of China’s wind power industry development for 40 years[J]. Energy of China, 2020, 42(9): 28-32, 9.

[2] 王賓, 任萱. 中性點經小電阻接地風電場集電線路單相接地故障測距研究[J]. 中國電機工程學報, 2021, 41(6): 2136-2144.

Wang Bin, Ren Xuan. Single-line-to-ground fault location in wind farm collection line with neutral point grounding with resistor[J]. Proceedings of the CSEE, 2021, 41(6): 2136-2144.

[3] 劉鑫, 滕歡, 梁夢可, 等. 基于電流偏差2-范數的有源配電網故障距離定位[J]. 電工技術學報, 2019, 34(增刊2): 720-728.

Liu Xin, Teng Huan, Liang Mengke, et al. Fault location of active distribution network based on current deviation 2-norm[J]. Transactions of China Electrotechnical Society, 2019, 34(S2): 720-728.

[4] 王守鵬, 趙冬梅, 商立群, 等. 基于線路分段參數的非全程同塔雙回線故障定位算法[J]. 電工技術學報, 2017, 32(20): 261-270.

Wang Shoupeng, Zhao Dongmei, Shang Liqun, et al. Fault location algorithm for non-complete double-circuit lines on the same tower based on line segmentation parameters[J]. Transactions of China Electrotechnical Society, 2017, 32(20): 261-270.

[5] 李振釗, 王增平, 張玉璽, 等. 基于升維線性規劃的主動配電網故障區段定位方法[J]. 電力系統自動化, 2021, 45(24): 122-132.

Li Zhenzhao, Wang Zengping, Zhang Yuxi, et al. Fault location method of active distribution network based on ascending dimension linear programming[J]. Automation of Electric Power Systems, 2021, 45(24): 122-132.

[6] 王小君, 任欣玉, 和敬涵, 等. 基于μPMU相量信息的配電網絡故障測距方法[J]. 電網技術, 2019, 43(3): 810-817.

Wang Xiaojun, Ren Xinyu, He Jinghan, et al. Distribution network fault location based on μPMU information[J]. Power System Technology, 2019, 43(3): 810-817.

[7] 張健磊, 高湛軍, 陳明, 等. 考慮復故障的有源配電網故障定位方法[J]. 電工技術學報, 2021, 36(11): 2265-2276.

Zhang Jianlei, Gao Zhanjun, Chen Ming, et al. Fault location method for active distribution networks considering combination faults[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2265-2276.

[8] 鄧豐, 徐帆, 曾哲, 等. 基于多源暫態信息融合的單端故障定位方法[J]. 電工技術學報, 2022, 37(13): 3201-3212.

Deng Feng, Xu Fan, Zeng Zhe, et al. Single-ended fault location method based on multi-source transient information fusion[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3201-3212.

[9] 于華楠, 馬聰聰, 王鶴. 基于壓縮感知估計行波自然頻率的輸電線路故障定位方法研究[J]. 電工技術學報, 2017, 32(23): 140-148.

Yu Huanan, Ma Congcong, Wang He. Transmission line fault location method based on compressed sensing estimation of traveling wave natural frequencies[J]. Transactions of China Electrotechnical Society, 2017, 32(23): 140-148.

[10] 鄧豐, 梅龍軍, 唐欣, 等. 基于時頻域行波全景波形的配電網故障選線方法[J]. 電工技術學報, 2021, 36(13): 2861-2870.

Deng Feng, Mei Longjun, Tang Xin, et al. Faulty line selection method of distribution network based on time-frequency traveling wave panoramic waveform[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2861-2870.

[11] 胡明峰, 劉洋, 華斌. 量測裝置優化配置下的分布式配電網故障定位方法[J]. 電網技術, 2021, 45(7): 2616-2622.

Hu Mingfeng, Liu Yang, Hua Bin. Distributed fault location for distribution networks under optimal configuration of measuring devices[J]. Power System Technology, 2021, 45(7): 2616-2622.

[12] 張大海, 張曉煒, 孫浩, 等. 基于卷積神經網絡的交直流輸電系統故障診斷[J]. 電力系統自動化, 2022, 46(5): 132-145.

Zhang Dahai, Zhang Xiaowei, Sun Hao, et al. Fault diagnosis for AC/DC transmission system based on convolutional neural network[J]. Automation of Electric Power Systems, 2022, 46(5): 132-145.

[13] 喻錕, 胥鵬博, 曾祥君, 等. 基于模糊測度融合診斷的配電網接地故障選線[J]. 電工技術學報, 2022, 37(3): 623-633.

Yu Kun, Xu Pengbo, Zeng Xiangjun, et al. Grounding fault line selection of distribution networks based on fuzzy measures integrated diagnosis[J]. Transactions of China Electrotechnical Society, 2022, 37(3): 623-633.

[14] 王浩, 楊東升, 周博文, 等. 基于并聯卷積神經網絡的多端直流輸電線路故障診斷[J]. 電力系統自動化, 2020, 44(12): 84-92.

Wang Hao, Yang Dongsheng, Zhou Bowen, et al. Fault diagnosis of multi-terminal HVDC transmission line based on parallel convolutional neural network[J]. Automation of Electric Power Systems, 2020, 44(12): 84-92.

[15] 邢超, 高敬業, 畢貴紅, 等. 基于集成神經網絡的特高壓直流輸電線路初始電壓行波小波變換模極大值比單端測距方法[J]. 電力自動化設備, 2022, 42(11): 128-134.

Xing Chao, Gao Jingye, Bi Guihong, et al. Single-ended location method based on integrated neural network for modulus maximum ratio of traveling wave wavelet transform of initial voltage of UHVDC transmission lines[J]. Electric Power Automation Equipment, 2022, 42(11): 128-134.

[16] 彭華, 朱永利, 袁勝輝. 風電場集電線路單相接地故障組合測距[J]. 儀器儀表學報, 2020, 41(9): 88-97.

Peng Hua, Zhu Yongli, Yuan Shenghui. Combined fault location for single-phase grounding of wind farm collection line[J]. Chinese Journal of Scientific Instrument, 2020, 41(9): 88-97.

[17] 張科, 朱永利, 鄭艷艷, 等. 風電場輸電線路單相接地故障定位研究[J]. 太陽能學報, 2020, 41(5): 114-120.

Zhang Ke, Zhu Yongli, Zheng Yanyan, et al. Fault location of single-phase earth in transmission lines of wind farm[J]. Acta Energiae Solaris Sinica, 2020, 41(5): 114-120.

[18] 彭華, 朱永利. 基于apFFT頻譜校正和XGBoost的風電場集電線路單相接地故障測距[J]. 電工技術學報, 2020, 35(23): 4931-4939.

Peng Hua, Zhu Yongli. Single phase grounding fault location for power lines of wind farm based on apFFT spectrum correction and XGBoost algorithm[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4931-4939.

[19] Hoerauf R. Considerations in wind farm grounding designs[J]. IEEE Transactions on Industry Applications, 2014, 50(2): 1348-1355.

[20] 馬偉, 裘愉濤, 丁冬, 等. 基于阻尼最小二乘法的單相接地故障定位方案[J]. 電網技術, 2018, 42(9): 3049-3054.

Ma Wei, Qiu Yutao, Ding Dong, et al. Single-phase grounding fault location scheme based on levenberg-marquarat algorithm[J]. Power System Technology, 2018, 42(9): 3049-3054.

[21] 謝瀟磊, 劉亞東, 孫鵬, 等. 新型配電網線路P MU裝置的研制[J]. 電力系統自動化, 2016, 40(12): 15-20, 52.

Xie Xiaolei, Liu Yadong, Sun Peng, et al. Development of novel PMU device for distribution network lines[J]. Automation of Electric Power Systems, 2016, 40(12): 15-20, 52.

[22] 袁冰, 王賓, 陸元園, 等. 風電場并網線路單相接地故障單端測距誤差特性分析[J]. 電力系統保護與控制, 2016, 44(19): 63-69.

Yuan Bing, Wang Bin, Lu Yuanyuan, et al. Error analysis of single-end fault location for single-line-to-ground fault in transmission line with wind farm connection[J]. Power System Protection and Control, 2016, 44(19): 63-69.

[23] 王晨清, 宋國兵, 遲永寧, 等. 風電系統故障特征分析[J]. 電力系統自動化, 2015, 39(21): 52-58.

Wang Chenqing, Song Guobing, Chi Yongning, et al. Fault characteristics analysis of wind power system[J]. Automation of Electric Power Systems, 2015, 39(21): 52-58.

[24] Zhang Dingcheng, Stewart E, Entezami M, et al. Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network[J]. Measurement, 2020, 156: 107585.

[25] 張翼, 朱永利. 圖信號與圖卷積網絡相結合的局部放電模式識別方法[J]. 中國電機工程學報, 2021, 41(18): 6472-6481.

Zhang Yi, Zhu Yongli. A partial discharge pattern recognition method combining graph signal and graph convolutional network[J]. Proceedings of the CSEE, 2021, 41(18): 6472-6481.

[26] Lee J, Lee I, Kang J. Self-attention graph pooling[C]//Proceedings of the 36th International Conference on Machine Learning, Long Beach, USA, 2019: 1-10.

[27] 陳劍, 杜文娟, 王海風. 基于對抗式遷移學習的含柔性高壓直流輸電的風電系統次同步振蕩源定位[J]. 電工技術學報, 2021, 36(22): 4703-4715.

Chen Jian, Du Wenjuan, Wang Haifeng. Location method of subsynchronous oscillation source in wind power system with VSC-HVDC based on adversarial transfer learning[J]. Transactions of China Electrotechnical Society, 2021, 36(22): 4703-4715.

[28] Correa Bahnsen A, Aouada D, Ottersten B. Example-dependent cost-sensitive decision trees[J]. Expert Systems with Applications, 2015, 42(19): 6609-6619.

[29] Bahnsen A C, Stojanovic A, Aouada D, et al. Cost sensitive credit card fraud detection using Bayes minimum risk[C]//2013 12th International Conference on Machine Learning and Applications, Miami, FL, USA, 2014: 333-338.

[30] 曾德輝, 王鋼, 李海鋒, 等. 小電阻接地配電網多回線故障分析與自適應零序電流保護[J]. 電力自動化設備, 2019, 39(5): 45-52.

Zeng Dehui, Wang Gang, Li Haifeng, et al. Fault analysis of multi-feeder grounding fault and self-adaptive zero-sequence current protection scheme for low-resistance grounding distribution network[J]. Electric Power Automation Equipment, 2019, 39(5): 45-52.

[31] 陳福鋒, 趙謙, 蘭金波, 等. 風電場匯流線路同步采樣及差動保護[J]. 電力系統自動化, 2013, 37(14): 19-24.

Chen Fufeng, Zhao Qian, Lan Jinbo, et al. Synchronous sampling and differential protections of collector lines in wind farms[J]. Automation of Electric Power Systems, 2013, 37(14): 19-24.

[32] Wang Bin, Ni Jiang, Geng Jianzhao, et al. Arc flash fault detection in wind farm collection feeders based on current waveform analysis[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(2): 211-219.

A Fault Localization Scheme for Single-Phase-to-Ground Faults on Collecting Lines in Wind Farms Combining Graph Learning and Zero-Sequence Components

Ding Jia Zhu Yongli

（School of Electrical and Electronic Engineering North China Electric Power University Baoding 071003 China）

In wind farms, collecting lines are short with a large number of wind turbines connected to it, and fault characteristics of wind turbines are different from those of traditional power sources, so dense connection of special power sources is the typical characteristic of collecting lines. The elimination of influence of wind turbines, applicability of collecting lines with line branches and reduction of measurement points are key challenges faced by the fault localization for collecting lines. Given these above challenges, it is difficult for the fault localization method in transmission and distribution networks to apply in wind farms, and the existing fault localization method of collecting lines cannot effectively address all these challenges. Therefore, a new hierarchical fault localization scheme for single-phase-to-ground faults on collecting lines combining graph learning and zero-sequence components is proposed, which can achieve precise fault localization across wind turbines with the applicability of collecting lines containing line branches considered and a few measurement points used.

Firstly, the graph data is constructed according to electrical information at measurement points and collecting line topology, and GCN (graph convolution neural network) is used as base-models for graph classification modeling to obtain the identification model of faulty areas which consists of a primary classifier and a secondary classifier; in the process of identification model construction, in order to overcome the impact of sample imbalance, multiple classifier models are connected in series with transfer learning combined, and cost sensitive learning based on Bayes minimum risk is also introduced to post-process classification results. Then, considering the neutral-point grounding type of wind farms and the winding connection characteristic of box-type transformers, a wind-turbine-independent fault distance calculation formula is derived based on zero-sequence components, and thus the fault point in faulty areas can be obtained by zero-sequence components. Besides, a misidentification processing mechanism for faulty areas is also proposed to correct the misidentification which occurs rarely. This above proposed fault localization scheme does not require strict data synchronization, can take into account both of structural and attribute information of collecting lines to identify the faulty area with limited fault data provided by a few measurement points, and can overcome influence of wind turbines to achieve the fault distance calculation.

Verification results show that with the graph data constructed, faulty areas can be effectively identified by GCN, and the identification accuracy of all faulty areas reaches over 99%, which is higher than traditional DNN (deep neural network); besides, in the process of dealing with sample imbalance, model series connection increases the total average accuracy of branch faults by 12%, and further this above accuracy achieves another 6.1% improvement with cost sensitive learning introduced, which verifies the feasibility of the sample imbalance treatment strategy in this paper. The fault distance calculation method proposed for faulty areas can overcome the influence of fault locations, fault resistance, wind speed and data asynchronization, and errors of fault distance is no more than 150 m. In addition, the proposed misidentification processing mechanism is also proved to be effective and efficient in correcting misidentification of faulty areas.

Wind farm, collecting line, single-phase-to-ground fault, fault localization, graph convolutional neural network, zero-sequence component, sample imbalance, asynchronous data

TM76

10.19595/j.cnki.1000-6753.tces.221031

國家自然科學基金（51677072）和中國國電集團公司科技項目（GDDL-KJ-2017-02）資助。

2022-06-06

2023-04-30

丁 嘉 男，1997年生，博士研究生，研究方向為電力線故障定位。E-mail：jia_ding_0132@163.com（通信作者）

朱永利 男，1963年生，教授，博士生導師，研究方向為電力設備故障診斷、電力設備大數據分析與智能電網等。E-mail：yonglipw@163.com

（編輯 赫蕾）