一二次融合電力環網箱接地定位算法設計

陳昊，李思焱，葛明明

（國網蕪湖供電公司，安徽蕪湖 241000）

建設現代供電服務體系、保障高可靠電力供應是電力企業的重要發展方向[1-2]。而電力環網箱是配電網中重要的電力設備，其具有靈活調整電網運行方式、保護與隔離故障、保障電力供應等關鍵作用[3-4]。但目前電力環網箱存在結構復雜且維護困難、兼容性差、占地面積較大等諸多缺點，并不符合智能配電網高速發展的趨勢[5-6]。

基于上述背景，一二次融合電力環網箱技術得到了廣泛關注[7-8]。研究學者們通過標準化與集成化設計，實現了電力環網箱中的一二次設備一體化，且融合了多種監測控制功能，從而整體提升了設備的智能化水平及可靠性程度。這使得利用一二次融合電力環網箱來實現配電網故障監測預警和精準定位成為可能。

因此，該文利用深度學習算法（Deep Learning，DL）分析處理一二次融合電力環網箱采集的故障電壓、電流信號，以實現對故障的精準定位。

1 一二次融合電力環網箱

一二次融合電力環網箱的電氣結構如圖1 所示。該設備主要包括開關本體及氣箱、電子式電壓/電流互感器、保護單元、通信單元、電能計量單元和控制單元。

圖1 一二次融合電力環網箱電氣結構

相比傳統電力環網箱，其具有以下優點：

1）集成芯片化DTU：采用的是高集成度SOPC 芯片（System-On-a-Programmable-Chip），其具備高性能處理及大容量邏輯單元，并具有集成測控、通信管理、就地保護、網格化保護與狀態監測等功能。

2）標準化設計：采用標準化航插設計，簡化了外部接線，從而實現了模塊化的即插即用，且其具備一體式機殼、防銹鋁材料，并可通過密封設計，滿足IP67 防護等級。

3）采用N2絕緣：該方式綠色環保，與其他幾種絕緣介質對比如表1 所示。

表1 不同絕緣介質性能對比

4）開關本體及操作機構一體化設計：采用真空斷路器與3PS（3 Position Switchgear，三工位開關）一體化設計，并利用固體絕緣技術，將隔離開關外的絕緣件與斷路器固封極柱整合成一體，斷路器、隔離開關及接地開關等相融合，使操作機構功能完善、布局合理且穩定可靠。

5）聯動結構、簡化操作：采用斷路器與隔離開關聯動、斷路器及接地開關聯動的程序化操作方式。

6）取電PT 安裝優化設計：取消PT 柜，并在進線單元中安裝取電PT，使其與進線單元融為一體，從而減小體積、降低成本。

2 基于EMD-CNN的接地定位算法

該文提出基于經驗模態分解（Empirical Mode Decomposition，EMD）[9-10]和卷積神經網絡（Convolutional Neural Networks，CNN）的一二次融合電力環網箱接地定位算法，框架如圖2 所示。利用一二次融合電力環網箱提取電壓、電流的原始數據；并經過數據預處理操作后，采用EMD 方法實現接地故障特征的提?。辉賹⑵渥鳛镃NN 故障診斷模塊的輸入，且通過海量數據樣本的自學習，進而實現對接地故障的快速診斷與精準定位。

圖2 接地定位算法框架

2.1 基于EMD的故障特征提取

EMD 是由黃鍔等研究人員提出的一種信號處理方法，因其能夠適應于非線性暫態信號的分析，故被廣泛用于故障診斷過程中原始故障信息的分析及處理[11-12]。

EMD 的基本原理是將原始信號分解為m個內涵模態分量（Intrinsic Mode Functions,IMF）和一個殘余項，公式如下：

式中，x(t) 為原始信號；IMFi(t) 為第i個IMF 分量；zm(t)為經過m次分解的殘余項。

判斷一個函數是否為IMF 函數，其需滿足以下兩個必要充分條件：

1）極值點、過零點個數相差少于一個；

2）上、下包絡線關于時間軸對稱。

EDM 分解算法流程主要包括以下步驟：

1）令z0(t)=x(t),i=1；

2）令y0(t)=zi-1(t),j=1；

3）搜尋yj-1(t) 的極大與極小值點，分別記為ymax,j-1(t)和ymin,j-1(t)；

4）根據ymax,j-1(t)和ymin,j-1(t)，采用三次樣條插值（Cubic Spline Interpolation）獲得上、下包絡線，并分別記為umax,j-1(t) 和umin,j-1(t)，并進一步計算平均包絡線：

5）yj(t)=yj-1(t)-uj-1(t)；

6）判斷yj(t) 是否為IMF 函數，若是，令IMFi(t)=yj(t)，且跳至下一步；否則令j=j+1，并跳至步驟3）；

7）zi(t)=zi-1(t)-IMFi(t)；

8）判斷zi(t)是否為單調函數，若是，則EMD 分解完成，zi(t)為殘余項；否則令i=i+1，并跳至步驟2）。

2.2 基于CNN的故障診斷算法

CNN 是一種深度學習神經網絡，其因具有局部連接、權值共享等優點，故被廣泛應用于各個領域[13-16]。CNN 算法結構如圖3 所示，主體結構包括輸入層、輸出層及隱藏層。其中，隱藏層根據不同操作類型又可分為卷積層、池化層與全連接層。

圖3 CNN算法結構

卷積層主要通過平移一個具有一定尺寸的卷積核，并不斷進行卷積操作從而得到其輸出數據。假設卷積核尺寸大小為M×N，則輸出表示如下：

式中，vj是大小為M×N的輸入數據塊經過卷積操作后的輸出結果；x=(m,n)，表示所處位置，且m∈[1,M],n∈[1,N]；hi為輸入數據；gij為輸入與輸出數據間的卷積核系數；C=M×N；?為卷積運算，其計算方法如下：

池化層通常處于卷積層之后，對卷積層的輸出加以篩選，過濾不重要的特征參數，并降低特征空間維數，以提高計算速度。池化層移動過程與卷積層類似，但其將卷積運算替換為最大化、取平均值等運算，且前者稱為最大值池化，后者稱為平均值池化，二者的公式表征如下：

式中，max(·)和avg(·)分別為最大化函數與平均值函數。

全連接層實現對輸入數據的分類，其計算過程如圖4 所示，可表示為：

圖4 全連接層計算過程

CNN 的訓練過程如圖5 所示，首先將數據樣本劃分為訓練數據與測試數據，并將訓練數據作為CNN 神經網絡的輸入；再根據網絡輸出與期望輸出間的誤差調整網絡結構及參數，直至網絡性能滿足要求；最后，利用測試數據驗證CNN 神經網絡的性能[17-18]。

圖5 CNN網絡訓練過程

3 算例分析

以某省電網實際配電線路的一二次融合電力環網箱為例，進行接地故障診斷及定位分析，從而驗證該文算法的正確性及有效性。

3.1 故障特征提取結果分析

通過一二次融合電力環網箱采集的電流數據，計算得到的零序電流如圖6 所示。從圖中可以看到，在接地故障發生之前，零序電流為0 A。而故障發生后，零序電流則發生了顯著變化。

圖6 故障零序電流

經過EMD 分解得到的5 個IMF 分量，如圖7 所示，其縱軸表示信號幅度數值，無物理意義。EMD實現了將故障零序電流信號分解為多個具有不同頻率的故障信號。隨著IMF 階數的增加，分量的頻率逐漸減小，不同頻率的分量也蘊含了與接地故障相關的故障信息。進一步將其作為CNN 模型的輸入，即可實現對故障特征與故障診斷的關聯分析。

圖7 基于EMD的故障特征提取結果

3.2 故障診斷定位結果分析

將所提EMD-CNN 算法與CNN、EMD-BPN 算法進行對比，結果如表2 所示。從表中可以看到，若采用CNN 網絡直接對故障信號進行分析學習，則訓練時間較長，且故障定位準確率較低。而采用EMD 分解算法來實現故障特征提取，能夠大幅減少訓練時間，并提高故障定位的準確率。

表2 不同算法性能對比

此外，比較EMD-BPN 和EMD-CNN 兩種算法可知，二者的訓練時間相差較小，但前者故障定位準確率低于90%，而后者可達到91.23%。這是因為CNN算法相比于BPN 算法，神經網絡層次更深，分析學習能力也較強，因此故障定位結果更為準確。

進一步，將該文算法應用于10 組實際數據的診斷，結果如表3 所示?？梢钥吹?，針對這10 組數據，該文算法均可準確定位故障位置，表明了該文算法能夠為故障的及時修復提供技術保障。

表3 實際應用效果分析

4 結束語

該文研究了深度學習算法在電力環網箱接地定位技術中的應用，提出了基于EMD-CNN 算法的故障定位算法。通過仿真分析表明，EMD 算法能夠分解故障信號中的不同頻率分量，并實現故障特征的提取，從而提高神經網絡模型的訓練速度；而CNN算法具有更深的網絡結構，因此其具備更強的學習分析能力，獲得的故障定位結果也更為準確。但該文僅針對接地故障開展了相關研究，至于如何使算法能夠適應兩相短路、斷相及局部放電等多類型故障，這將在下一步研究中開展。