基于OCSSA-VMD-CNN-BiLSTM的配電網單相接地故障選線方法

摘 要：本文針對配電網發生單相接地故障時，難以保證故障選線方法的準確性與穩定性的問題，提出一種基于魚鷹和柯西變異的麻雀優化算法-變分模態分解和卷積神經網絡-雙向長短時記憶神經網絡的配電網單相接地故障選線方法。首先，利用改進的變分模態分解提取故障時各線路的零序電流信號的特征向量。其次，利用改進后卷積神經網絡對特征向量進行數據挖掘和故障類型分類，達到故障選線的目的。最后，通過搭建不同運行方式的仿真模型驗證所提故障選線方法的有效性，并與傳統模型進行對比試驗。仿真結果表明，所提模型能夠準確識別故障線路。

關鍵詞：配電網；單相接地故障；變分模態分解；卷積神經網絡；雙向長短時記憶神經網絡

中圖分類號：TM 712" " " " 文獻標志碼：A

目前，我國配電網普遍采用小電流接地系統且發生故障的情況多數源于配電線路單相接地，故障檢測和選線方法是及時清除故障、保障配電網安全可靠運行的關鍵技術[1]。在配電網的中性點經消弧線圈接地系統中，如果發生單相接地故障，消弧線圈就會提供電感電流進行補償，導致故障電流微弱，電磁狀態受擾嚴重，影響故障選線準確性，使故障性質劣化，危及系統和人身安全[2]。為此，研究快速、可靠的故障選線方法并及時切除故障是保證配電網穩定可靠運行的有效途徑。

本文提出了一種基于改進變分模態分解（variational mode decomposition，VMD）算法與卷積神經網絡（convolutional neural networks，CNN）-雙向長短時記憶神經網絡（Bi-directional Long-Short Term Memory，BiLSTM）相結合的故障選線方法。利用魚鷹和柯西變異的麻雀優化算法（Osprey and Cauchy mutation sparrow search algorithm，OCSSA）對VMD進行參數尋優，并處理故障電流信號。再利用故障電流信號訓練CNN-BiLSTM模型，并設置變工況故障運行仿真模型，驗證本文所提方法的有效性和抗干擾能力。

1 基于OCSSA的VMD優化模型

當配電網中性點經消弧線圈接地系統發生單相接地故障時，故障線路電流信號具有非平穩性、故障特征微弱等問題，需要高效準確地提取故障電流信號特征。VMD是一種具有非平穩和完全非遞歸特性的信號分解方法，可以自適應地將輸入信號分解為一組具有不同中心頻率和帶寬的子信號，在處理復雜度高和具有不平穩性的信號過程中具有良好性能。VMD原理詳見文獻[3]。

VMD的信號分解成效依需要進行分解參數選取，其中模態個數K和懲罰參數α的設置對分解效果影響較大。K取值過大會導致過分解，反之則會欠分解；α取值過大，會造成頻帶信息丟失，反之會信息冗余。因此，本文引入OCSSA優化VMD的參數，以取得最優分解效果，準確提取各頻帶范圍的模態分量。

SSA是一種基于麻雀種群覓食行為的元啟發式優化算法[4]。在SSA中，在尋優過程中探索和解的迭代模擬麻雀的自然生態行為，將搜索空間范圍內的待需求解看作麻雀種群中個體單元的空間位置，優化目標為尋找麻雀種群的最優覓食策略，根據種群個體在麻雀種群中發揮的作用，將種群個體分為探索者、跟隨者和偵察者，群體間可以共享信息。該算法過程控制參數較少，求解效率高。但是SSA過分依賴上一代麻雀的位置更新策略，易導致尋優方向出現偏差，同時SSA過于關注當前解的局部性，容易陷入局部最優解。為此，本文提出一種基于魚鷹和柯西變異策略的SSA改進算法。

在第一階段的全局勘探策略中，用魚鷹優化算法替換原始麻雀算法的探索者位置更新。利用魚鷹向魚的運動模擬方式來更新麻雀算法中探索者的位置更新方式。魚鷹優化算法在第一階段的全局勘探策略如公式（1）所示。

xi，jP1=xi，j+ri，j?（SFi，j-Ii，j?xi，j） " " " " "（1）

式中：xi，jP1為第i只魚鷹在第一階段的位置；xi，j為魚鷹個體；ri，j為區間[1，2]的隨機數；SFi，j為第i只魚鷹所確定魚的位置；Ii，j為集合{1，2}中的隨機數。

柯西變異算法可以對麻雀位置更新中的個體進行擾動，從而擴大麻雀算法的搜索規模，進而提升算法跳出局部最優的能力。采用柯西變異策略替換原始麻雀算法的跟隨者位置更新公式，其數學表達式如公式（2）所示。

xbest（t+1）=xbest（t）+xbest（t）×cauchy（0，1） " " "（2）

式中：xbest（t+1）為替換后的麻雀位置；xbest（t）為原始麻雀位置的最佳值；cauchy（0，1）為標準正態分布。

根據經驗確定合適參數是VMD算法的局限之一，本文提出運用OCSSA算法尋找VMD最優參數。OCSSA算法搜索VMD分解最優參數的關鍵問題是確定一個適應度函數。適應度函數選取的優劣決定OCSSA尋優VMD參數的好壞。為了更好地提取信號的故障特征，本文將排列熵和互信息熵的復合指標作為適應度函數，對VMD參數進行尋優。

2 基于CNN-BiLSTM的故障選線模型

CNN是一種含有卷積計算和深度架構的前饋神經網絡，能夠自主高效地挖掘輸入數據的時空特征，在故障診斷、圖像識別和目標檢測等領域具有良好的應用成效[5]。CNN的主要結構包括卷積層和池化層，其中卷積層可以有效提取輸入數據的非線性局部特征，池化層可以有效壓縮特征維數和參數數量，提升數據泛化能力和收斂速度。

為有效處理循環神經網絡（recurrent neural networks，RNN）在訓練過程中出現的梯度消失和梯度爆炸的問題，引入輸入門、遺忘門與輸出門3個門控單元構建長短時記憶神經網絡（Long-Short Term Memory，LSTM）。LSTM循環單元的細胞狀態由輸入門、遺忘門與輸出門共同控制，可以有效處理傳輸的數據，保持信息更新和傳遞，使LSTM在挖掘長數據特征中具有更優良的表現。

BiLSTM在傳統LSTM的基礎上再次進行優化改進[6]，將前向傳播和后向傳播相結合，從兩端分別進行數據挖掘，最終將正、反2個方向的處理結果進行擬合，得到識別結果。

本文使用CNN和BiLSTM的串聯結構對VMD分解后的故障信息進行處理，提取序列維度上的特征信息，達到故障選線的目的。

3 兩階段故障選線模型

單相接地的故障信號通常會受多種因素的干擾，例如故障合閘角、故障類型、過度電阻值和故障距離等，使零序電流信號具有非常復雜的非線性關系，影響故障選線結果的準確性。因此，本文從數據處理和數據挖掘2個角度對故障線路進行診斷。

本文基于OCSSA-VMD提取原始零序電流信號的數字特征，利用CNN-BiLSTM對提取的數字特征進行深度挖掘，以達到精確識別故障線路的目的。基于OCSSA-VMD和CNN-BiLSTM的兩階段配電網故障選線流程如圖1所示。

該模型包括數據處理和故障線路診斷2個階段，其具體流程包括以下4個步驟。1） 搭建配電網仿真模型，設置不同的故障工況，采集各線路的零序電流信號，采樣頻率為10 Hz，截取各線路故障后的2個周波作為待分析信號。2） 利用OCSSA優化后的VMD求解每條線路的模態數K和懲罰因子α的最優組合，再將各線路進行分解，得到各線路的數字特征，并按照線路順序進行拼接。3） 將處理好的故障電流信號特征的測試集作為本文構建的神經網絡模型輸入信號，訓練基于CNN-BiLSTM的故障選線模型。4） 利用處理好的故障電流信號特征的測試集驗證故障選線模型的準確性與適用性。

4 算例分析

4.1 仿真模型

本文搭建了中性點經消弧線圈并聯小電阻靈活接地系統的仿真模型，如圖2所示，包括4條饋線，其中饋線L1為架空線路，長度為20 km；饋線L2、L3為電纜線路，長度分別為16 km、18 km；饋線L4為線纜混合線路，長度為20 km，架空線路長6 km，電纜長度為14 km。

4.2 數據樣本構建

設置的場景包括不同故障線路、故障類型、故障合閘角和故障距離。對第4.1節搭建的模型進行仿真，生成海量、全面的故障樣本數據集。具體設置情景見表1。

4.3 故障選線模型訓練和驗證

本文運用OCSSA優化后的VMD，將仿真得到的樣本數據進行分解并拼接，再標記好相應的故障類型標簽。將處理好的標簽數據輸入CNN-BiLSTM中進行訓練。為了驗證訓練后神經網絡模型在不同故障下選線效果的準確性，將測試集按照類別進行驗證，所得故障選線準確率見表2。

4.4 預測模型對比試驗

為進一步驗證本文提出的OCSSA-VMD-CNN-BiLSTM故障選線模型的性能，將本文模型與CNN-BiLSTM模型、VMD-CNN-BiLSTM模型的故障選線效果進行比較。為保證對比試驗的有效性，各試驗模型的CNN結構均相同，LSTM和BiLSTM的單元數保持一致，將模型的訓練次數、學習率、正則化參數以及學習率調整因子等參數均設置為同一標準。3種故障選線模型的比較結果如圖3所示，其中，混淆矩陣的行代表真實的故障線路結果，混淆矩陣的列代表預測的故障線路結果。

由圖3可知，CNN-BiLSTM模型、VMD-CNN-BiLSTM模型和OCSSA-VMD-CNN-BiLSTM模型均能在一定程度上識別不同故障工況下的故障線路，證明了深度學習算法在故障選線領域的良好性能。同時可知，OCSSA-VMD-CNN-BiLSTM模型的平均準確率最高，準確率為100%，驗證了本文所提方法的優越性。

CNN結合BiLSTM的模型有效改進了訓練模型的時序依賴性，解決了梯度消失或梯度爆炸的問題，利用正序和倒序時序特征提取，更充分地探索了數據特征的時空特性，提高了模型的擬合度。在訓練中合理調節學習率因子，可以平衡模型的穩定性與收斂速度，使模型更好地適應數據的復雜特性，快速、準確地收斂到全局最優解，提高了模型的故障選線準確率。

此外，OCSSA算法也提升了VMD的分解效果。在VMD中引入OCSSA，增加了參數尋優的多樣性，改進了尋優更新方式，擴大了算法的搜索范圍，進一步提高了算法跳出局部最優的能力，從而提升了VMD的分解效果，可以更好地處理數據特征，為CNN-BiLSTM訓練模型提供良好的訓練數據。

5 結語

本文提出了一種基于OCSSA-VMD-CNN-BiLSTM的故障選線方法，經仿真驗證，可得出以下3個結論。1） 利用OCSSA改進VMD可有效改進消除參數設置中隨機性與偶然性問題，取得數據最優分解效果，為深度學習模型提供了豐富的故障特征。2） 本文構建的CNN-BiLSTM訓練模型可高效挖掘輸入數據的時空特征，準確、高效地識別故障線路。3） 通過仿真驗證表明，本文模型在不同故障位置、不同故障合閘角等工況下均具有良好的故障選線準確率。

參考文獻

[1]許欣，張穎.基于邊緣計算和小波神經網絡的配電網故障定位研究[J].電器與能效管理技術，2022（8）：33-38.

[2]袁嘉瑋，焦在濱.基于零序信號全波形識別的小電流接地系統故障選線方法[J].電網技術，2024，48（2）：839-853.

[3]張博智，張茹，焦東翔，等.基于VMD-SAST的電能質量擾動分類識別方法[J].中國電力，2024，57（2）：34-40.

[4]賴鈞杰，文小玲，張淇，等.基于改進麻雀搜索算法的直流微電網容量優化配置[J].太陽能學報，2023，44（8）：157-163.

[5]朱晉，程啟明，程尹曼.基于CNN-GRU深度學習的模塊化多電平矩陣變換器故障診斷[J/OL].南方電網技術，2024，36（16）：1-9[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231121.1001.006.html.

[6]楊建，常學軍，姚帥，等.基于WT-CNN-BiLSTM模型的日前光伏功率預測[J/OL].南方電網技術，2023，54（6）：1-10[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231117.1656.010.html.