智能配電網中的故障檢測與自愈系統研究

摘要：傳統電力系統的接地故障檢測和自我修復手段往往因反應遲緩和精度不高而受到挑戰。通過構建一相接地故障識別框架，核心在于聚焦于零序電流這一關鍵指標，對零序電流信號進行了多維度的處理，將其轉化為時域、頻域和小波域的特性向量，并借助隨機森林算法賦予這些特征不同的權重。然后，利用LightGBM算法對這些經過分類的特征向量進行深度學習訓練，從而實現精確的故障預測。該算法能有效抵御過渡電阻和初始相位角變化對預測結果的影響，準確性表現達到98.9%，遠超其他比較算法。

關鍵詞：廣域信息小波分析隨機森林故障檢測

ResearchonFaultDetectionandSelf-HealingSysteminIntelligentDistributionNetwork

XIAOZhifeng

TongyuCountyPowerSupplyCompanyofStateGridJilinElectricPowerCo.，Ltd.，Baicheng，JilinProvince，137200China

Abstract：Thetraditionalgroundingfaultdetectionandselfrepairmethodsinpowersystemsareoftenchallengedduetoslowresponseandlowaccuracy.Byconstructingauniqueframeworkforidentifyingonephasegroundingfaults，withafocusonthe keyindicatorofzerosequencecurrent，thisarticleprocessedthezerosequencecurrentsignalinmultipledimensions，，convertingitintocharacteristicvectorsinthetimedomain，frequencydomain，andwaveletdomain，andassigningdifferentweightstothesefeaturesusingRandomForestAlgorithm.Then，theLightGBMalgorithmisusedtoperformdeeplearningtrainingontheseclassifiedfeaturevectors，inordertoachieveaccuratefaultprediction.Thisalgorithmcaneffectivelyresisttheinfluenceoftransitionresistanceandinitialphaseanglechangesonthepredictionresults，withanaccuracyperformanceof98.9%，farexceedingothercomparativealgorithms.

KeyWords：Wide-areainformation;Waveletanalysis;Randomforest;Faultdetection

電力網絡的自我修復機制主要涉及定位電網故障區段并隔絕，以確保非故障區域的穩定供電。在各種故障類型中，接地故障是最普遍的一種。我國的配電網常常采用中性點不接地的方式，即小電流接地的防護策略。面對單相接地故障，電路特性表現為電壓對稱且線性，故障電流微小，達不到預設的故障標準，導致后端設備因過壓而短路，進而加劇故障規模。因此，對單相接地故障的識別和消除至關重要。

1智能配電網及其自愈能力

1.1智能配電網的特點

智能配電網是現代系統的重要組成部分，它利用信息化、自動化和智能化技術，實現了配電網的高效運行和管理。智能配電網通過信息化技術實現了配電網數據的實時采集和處理，通過在配電網中部署大量的傳感器和監測設備，可以實時收集配電網的運行數據，包括電壓、電流、功率等信息[1]。這些數據的實時采集和處理，使得配電網的運行狀態可以實時監控，有助于及時發現和解決配電網中的問題。

1.2自愈能力的重要性

自愈能力作為智能配電網的關鍵特性，它顯著有別于傳統配電網。在智能配電網中，一旦監測到故障發生，系統能夠迅速啟動自愈機制，自動識別故障點，并采取措施將故障區域與其他非故障區域隔離開來[2]。這一過程無需人工干預，完全由系統自動完成。隔離故障點之后，智能配電網會立即啟動恢復供電流程，通過重新配置電力流向，使得非故障區域能夠盡快恢復供電。這種快速響應和自動處理的能力，大幅減少了停電的時間和范圍。此外，智能配電網的自愈能力還包括了自我診斷和自我修復的功能，實時監測運行狀態，對潛在的故障進行預警，并及時進行調整和修復，以防止故障的發生。

2接地故障檢測模型

2.1零序電流特征提取算法

通過深入探討零序電流的特性，可據此定位故障點，首要任務即是對這些特性進行全面的提煉。電信號可劃分為基本頻率和高次諧波，本研究關注的是信號在時間域、頻域和小波域的特性[3]。（1）時間域特性揭示了信號的直觀屬性，以時間作為衡量尺度，選取了電流和電壓的平均值、標準偏差、峰值和波形系數作為關鍵指標。（2）頻域特性方面，當配電網線路出現故障，信號的頻譜會有所變化，頻域分析有助于故障檢測。此處選取的特征包括頻譜功率和相位變化參數。（3）小波域特性利用小波分析對復雜信號進行全方位解析，避免信息丟失。采用三層小波包絡分析算法，能獲取8個不同的子信號頻段。

2.2隨即森林算法特征權重排序

集成學習概念下的隨機森林算法運用了眾多獨立決策樹的集體智慧來執行分類任務。隨機森林的運作流程可劃分為兩個階段：模型構建與類別判定。假定隨機森林所處理的故障特征樣本庫為。首先，運用Bootstrap抽樣技術從原數據中抽取新的子集，隨后在每個子集上獨立培養決策樹模型，由此產生一系列的決策樹分類器[4]。當樣本經過這些分類器時，每個分類器將依據其判斷結果賦予樣本一定的權重，最后，所有權重被匯總并根據最大權重的類別作為最終的輸出決策。

2.3基于LightGBM的故障分析算法

LightGBM（LightGradientBoostingMachine）全稱為輕量級梯度提升機，源于梯度提升決策樹（GradientBoostingDecisionTree，GBDT）的概念，構建了一個創新的框架。與常規算法側重于正負樣本權重的差異不同，決策樹系列的LightGBM運用前向分布算法，致力于減少前一輪迭代的誤差，從而遵循梯度下降的路徑。盡管GBDT主要適用于離散數據，并依賴一階導數優化損失函數，導致運算順序性強，LightGBM采用了Histogram策略。這一策略通過深度學習方法模擬各節點的演化，不僅能夠利用并行內核加速計算，還顯著提升了數據處理效率。若用監督學習的數據集來表示，LightGBM的目標是找出一個函數映射，以最小化模型損失函數的期望值，其計算方式見式（1）。

2.4故障分析模型

本研究的算法實施分為三個核心環節：預備數據處理、樣本權重評估及故障解析。在預備數據處理階段，首先獲取原始數據，接著運用時域、頻域和小波域的分析手段對數據進行細分，生成多元特性[5]。隨后，樣本權重評估部分利用隨機森林策略對這些多元特性進行排序操作。最后，故障解析模塊依賴于LightGBM工具，對多源數據特性進行深入探究，以得出最終的故障預測區域。

3實驗分析

3.1實驗環境

在MatlabSimulink環境下構建了高壓輸電線路的仿真模型，針對特定地理區域的500kV線路。設定線路的等效電容為10nF，并設定電流采樣頻率為10kHz[6]。模型中包含了三條線路，其長度分別為：第一線路150km，第二線路130km，第三線路200km。為了評估模型在故障識別方面的效能，設計了一系列故障條件，生成多樣化的樣本集以增強檢測精度。依據電流信號的特性，考慮了不同的初始相位、過渡電阻和故障位置進行組合。表1列出了用于訓練的故障參數詳細信息。

3.2算法測試

在研究中，在表1中探索了多元變量，包括多種相位角配置、差異性的過渡電阻以及故障發生的具體位置。當電力傳輸線路遭遇地線故障時，電流動態特性會發生顯著變化。過渡電阻的微妙調整會潛在地干擾故障檢測的精確度。為了深入理解這一影響，先進行詳盡定量分析，在此過程中，挑選了XGBoost、SVM和CNN這三種先進的算法作為基準進行性能比較。實驗數據和結果如表2所示。

如表2所示，本文提出的算法能確保在700Ω以下的線路識別精度，即使對于過渡電阻高達1000.2Ω的線路，錯誤判斷率也能保持在0.5%以內。與其他列示的算法比較，本算法的誤判率更低。考慮到實際線路的過渡電阻通常不超過1000Ω，表明本文算法具備出色的抗干擾性能。在后續實驗中，選擇100Ω作為試驗的過渡電阻。

通過將模擬獲得的故障距離實例導入算法模型進行評估，以證實各種算法在各類電流相位和故障定位上的預測精度。采取隨機方式確定故障發生的間距和起始相位，利用50輪測試的平均值來量化故障檢測的準確性。實驗結果對比如表3所示。

從表3的數據可以觀察到，本研究提出的算法在故障識別上的精確度十分出色，平均準確率達到98.9%，相對比其他算法分別提高了1.3%、2.4%和0.8%。這顯示出通過整合特征分類工具RF與故障預測工具LightGBM，本文算法能顯著增強原有故障檢測的準確性。

4結語

本文構建了一種融合隨機森林與LightGBM的電力線路故障診斷及恢復策略。該方法專注于單相接地故障，深入探討了零序電流模型，并執行了電流信號的剖析。借助隨機森林算法對特征矢量實施排序和分類操作，運用LightGBM模型進行故障預測。仿真實驗顯示，提出的算法在各種運行條件下均能實現高精度的故障識別，并展現出良好的抗干擾性能。

參考文獻

[1]周鑫，羅燕萍，戎駿，等.基于多源大數據的智能配電網停電故障分析與優化配置研究[J].自動化與儀器儀表，2024（3）：101-105.

[2]DUYL，DUONGB，CAON，etal.FLISRApproachforSmartDistributionNetworksUsingE-TerraSoftware—ACaseStudy[J].Energies，2018，11（12）：3333.

[3]SAPONUTZOGLOUN，LAGOJ，RAISONB.Faultdiagnosisinlowvoltagesmartdistributiongridsusinggradientboostingtrees[J].ElectricPowerSystemsResearch，2020，182：106254.

[4]鄒彬，李瑋，韓俊.基于Multi-Agent的智能配電網自愈系統研究[J].自動化與儀器儀表，2020（10）：145-148.

[5]胡偉，周敏.多源智能配電網自愈控制關鍵技術研究[J].科技與創新，2023，2（18）：1-4，9.

[6]MDENFC，KAKUEFJV，BOUMTA，etal.Faultdetectionandclassificationusingdeeplearningmethodandneuro‐fuzzyalgorithminasmartdistributiongrid[J].TheJournalofEngineering，2023，2023（11）：e12324.