基于深度學習的配電網故障智能辨識模型研究

中圖分類號：TP18 文獻標志碼：A 文章編號：2095-2945（2025）13-0024-05

Abstract：With theadvancementof powersystem technologyandequipmentupgrades，theacumulationof poweroperation datahasbecomemoreandmoreregular.Duetothelimitationsoftradionalneuralnetworks，faultsamplescannotbeidetified well.Tothisnd，anintellgentidentificationmodelfordistrbutionnetworkfultsbasedoneeplaingisproposdistthe neuralnetworkarchitectureisdetermined;thenthemodelistrainedbycombiningthecorrspondingparameteroptimization algorithm;finally，thedeeplearningmodelfordistributionnetworkfaultidenificationcanbeobtained.Throughsimulation verification， the verification results prove the effectiveness of the proposed method.

Keyword：neuralnetwork；distributionnetwork；deeplearningmodel;parameteroptimizationalgorithm；inteligentfault identification

在配電網故障研究領域，研究內容通常包括故障預測、故障檢測以及系統恢復與重構等方面。在配電網的故障診斷過程中，關鍵是搜集檢測設備所提供的運行數據，以便對線路及其組件的故障情況進行監控。此過程包括故障的定位與性質判定-3]。故障檢測作為系統恢復與重構的基礎，對于保障配電網的穩定與安全運行起到了決定性的作用。運用精確且高效的故障檢測技術，可以大幅提高故障處理的效率，快速恢復用戶的正常用電，從而減少故障給社會帶來的不良影響4。鑒于此，研究快速且準確的配電網故障檢測技術就顯得極為重要。

在智能電網概念興起之前，配電網的故障診斷主要依靠人工進行現場檢查，尤其是在變電站區域。但是，這種檢測方式不僅效率不高，而且人力資源成本極高。隨著我國智能電網建設的推進，配電系統的自動化程度得到了顯著提升，實現了對配電網狀態的實時監測，從而能夠迅速了解系統的運行狀況8-。然而，隨著配電網規模的不斷擴展，傳統的故障檢測技術已無法高效應對監控系統中積累的大規模數據，導致了定位精度不足和診斷速度遲緩等問題

基于以上研究，本文采用GRU神經網絡，構建神經網絡深度學習模型，運用海量歷史樣本數據對基于GRU神經網絡的深度學習模型進行訓練，并借助所累積的歷史數據，持續地對模型進行調整和優化，得到需要的配電網故障辨識深度學習模型。

1配電網故障智能辨識深度學習模型整體架構

電力系統領域的持續發展與設備的更新換代，使得電力運行數據呈現出更加規律性的積累。同時，監測設備，如PMU的成本持續下降，使其在配電網中得到廣泛部署，預示著配電網可獲取的數據量將日益增多，數據的有效性也會穩步提升。

深度學習技術的關鍵在于自動特征提取與學習過程，它通過分層的網絡結構來捕捉層次化的特征信息，有效克服了傳統方法中人工選取特征的需求[13]。

深度學習通過構建深層神經網絡來模擬大腦的運作。深層神經網絡由一個輸入層、多個隱層和一個輸出層組成，每層包含多個神經元，這些神經元的連接有權重區分4。神經元仿照人類的神經細胞，而結點間的連接則模擬了神經細胞間的連接。深度學習模型的基本結構如圖1所示。

本文中深度學習模型的構建主要分為3部分，首先確定神經網絡架構，然后再結合參數優化算法來進行訓練，最后得到配電網故障辨識深度學習模型。

深度學習模型的具體思路如圖2所示：該模型分為離線訓練和在線決策2部分。在數據處理的初始階段，針對不同的類別進行聚類預處理。緊接著，針對每批歷史數據，設計并訓練獨立的深度學習模型。在進行決策時，首先確定輸人數據的類別，接著選擇與之匹配的模型進行計算分析。

離線訓練，也稱為批量學習，即在一個封閉的數據集上對模型進行迭代優化。該過程包括對整個數據集的多次遍歷，直至模型性能達到預定的閾值，如較低的誤差率或較高的準確度。此方法能夠充分利用現有數據集的全部信息，以訓練出泛化能力較強的模型。然而，其核心缺陷在于無法實時響應數據分布的變化，因此，當遭遇數據漂移時，必須定期對模型進行重新訓練以維持其性能。

在線決策，也稱為在線學習，允許模型在數據流持續到達時進行連續的學習和更新。此方法的特點是模型根據新數據的即時反饋調整其參數和權重，從而實現快速適應數據環境的變化。盡管在線決策具備高度的實時性和靈活性，但其對數據點的敏感性可能導致模型對噪聲或異常值過度反應，進而引發偏差累積問題。

在深度學習實踐中，離線訓練與在線決策的策略常常被聯合采用。具體而言，離線訓練為模型提供了一個穩固的知識基礎，而在線決策則確保了模型能夠與動態變化的數據環境保持同步。這種混合方法既發揮了離線訓練在模型泛化方面的優勢，又利用了在線決策在實時適應性上的長處，為深度學習模型在復雜多變的應用場景中提供了強大的支撐。

2配電網故障診斷模型

2.1循環神經網絡

循環神經網絡（RecurrentNeuralNetwork，RNN）作為一種深度學習模型，因其短期記憶功能而在眾多領域中得到了廣泛應用。這種網絡架構的獨特之處在于，其神經元具備雙重接收能力：一方面，它可以接收來自其他神經元的輸入信號；另一方面，它也能夠獲取并整合前一時刻自身的輸出信息。網絡中的信息流動呈現一種獨特的循環模式，這種模式構建了網絡獨有的循環性結構[，如圖3所示。

圖3中， δ （ ? ） 為激活函數，通常激活函數采用tanh函數，RNN神經元不僅能從外部接收信號，還能從前一時刻的自身輸出中獲取信息，構建了一個帶有循環連接的結構。由圖3可知，RNN的設計允許它存儲并利用歷史信息。在RNN中，每個神經元的當前輸出是依賴于之前所有時刻的輸出的，即神經元輸出 的計算 是基于歷史輸入的綜合考量，具體公式如下所示

式中： 和 分別代表2個輸入的權重參數， b 代表偏置項，隱藏狀態 由 和 與上一時刻的隱藏狀態 共同決定， 為神經元的輸出。

盡管循環神經網絡在處理時間序列數據方面具有顯著優勢，然而其固有的梯度消失問題嚴重制約了模型在長序列學習任務中的性能。針對這一問題，研究者們提出了一種引入門控機制的改進型循環神經網絡，稱之為門控循環單元（GRU）。

2.2 GRU神經網絡

GRU神經網絡通過引入門控機制，有效地解決了RNN在處理長時間序列時遇到的梯度消失問題，從而顯著增強了其預測長期序列數據的能力。通過引入門控機制，GRU的循環單元可以選擇性地保留或遺忘信息，這樣在現有信息的基礎上進行更新，能夠更有效地處理長序列的數據。

與傳統的循環神經網絡不同，GRU采用了門控循環神經網絡結構來取代簡單的tanh等激活函數，用于構建鏈式模型。GRU網絡通過整合輸入門與遺忘門為單一的更新門，并將遺忘門重組為更新門和重置門，同時簡化了記憶單元的設計，使其能夠直接進行計算并輸出結果。其結構如圖4所示，GRU在結構上進行了簡化，在保證預測效果的基礎上，訓練參數更少，并且在降低模型復雜程度的同時還具有較高的預測精度。

在圖4中， 和 分別象征著重置門和更新門。重置門用于確定前一時刻的狀態信息在當前候選狀態中的權重，重置門的值越小，表示前一時刻的信息在當前候選狀態中的寫入比例越低。另一方面，更新門用于決定前一時刻的狀態信息在當前狀態中保留的比例，更新門的值越大，前一時刻的狀態信息在當前狀態中保留得就越多。

依據所提供的GRU模型圖，網絡的前向傳播過程可以用以下公式來描述

式中： [ a ， b 符號用于表示向量的連接，而 則表示矩陣的乘積。

從前向傳播公式可以看出，需要學習的參數包括

其中，前面3個參數是通過拼接得到的（輸入向量也由拼接得到），因此在訓練過程中需要將它們分開進行處理

輸出層的輸入

輸出層的輸出

在計算出輸出層的輸出后，便能夠確定網絡中的傳播損失。具體而言，某一時刻單個樣本的損失可計算如下

則單個樣本在所有時刻的損失之和為

采用后向誤差傳播算法來學習網絡，首先需計算損失函數對各參數的偏導7

式中：各中間參數為

在求得所有參數的偏導數之后，便可以對它們進行更新。通過連續迭代此過程，直至損失值達到收斂狀態。

總體而言，GRU通過不同的門函數來保留重要特征，從而確保在傳播過程中不會丟失關鍵信息。

3配電網故障智能辨識深度學習模型的訓練策略

在電網故障預測模型中，所使用的輸入數據集包括在多個時間點記錄的電氣量以及系統運行狀態的相關數據，這些輸入數據構成了一個序列，可以用公式（27）來描述

該模型中， ，輸人變量考慮了電壓、電流、有功功率等電氣量數據，以及雷雨天氣的指示因素，其中雷雨天氣狀況則是通過獨熱編碼（One-HotEncod-ing）進行表征。

該模型的輸出結果為電網出現故障的概率預測，而其輸入序列數據由式（28）所描述

圖5展示了GRU網絡的訓練流程。依據既有的故障數據，比較模型預測值與實際故障結果之間的偏差，并通過本文應用的隨機梯度下降算法1對GRU網絡的權重進行迭代更新。

本文的故障智能識別深度學習模型訓練過程包括將故障數據和類型樣本輸入神經網絡進行監督學習。使用反向傳播算法作為權重更新策略，從輸出權重開始，反向更新網絡的所有權重，以擬合故障數據和故障類型輸入輸出之間的映射關系，減小預測輸出與實際輸出之間的差異，直到達到精度要求。

均方誤差（MSE）可以用來評價數據的變化程度，MSE值越小，表明預測模型對實驗數據的描述更精確19

研究表明，均方誤差作為訓練目標函數能夠有效提高深度學習模型的收斂性。

本文將均方誤差作為深度學習模型的目標函數，旨在訓練模型，即

式中 ∴ X 表示真實值； 表示模型決策值； R 表示樣本總個

數： ?r 表示第 r 個樣本。

平均絕對誤差（MAE）衡量的是預測值與實際值之間絕對誤差的平均水平，它提供了預測精度的一個更直接、更精確的指標。使用MAE作為深度學習模型的評估指標，可以有效評估模型的決策精度，即

4系統仿真設計

4.1 仿真實驗設計

為評估所設計的故障智能識別深度學習模型的性能，本文采用了隨州電網公司的故障分析報告。實驗數據包括電壓、電流及有功功率等多種電氣參數，有較強的代表性。在參數更新過程中，采用Adam算法，使參數更新更穩定，使GRU模型的收斂速度和預測精度方面有了顯著提升。同時，為了降低過擬合風險，將500維電力時序數據以合適的步長與步數進行分割，并將時序步數范圍[10，20，30，40，50，60，70，80，90]與時間步長范圍[5，10，15，20，25，30，45，50]進行配對，并對每組超參數訓練的模型進行性能評估并得到最優解。

經測試所得的組合最優解網絡參數見表1。

圖6展示了GRU模型在訓練過程中的損失變化曲線。當訓練迭代次數超過10次后，訓練集與驗證集的誤差趨于一致，這表明模型未出現過度擬合，并且訓練已達到最優狀態。

后將文中結果與其他主流電力數據診斷模型進行比較，如：支持向量機分類模型（SVM）反向傳播網絡（BPNN）、深度信念網絡（DBN）循環神經網絡（RNN），與GRU采用相同訓練集與同樣的K-Fold驗證方法，通過檢測準確率來驗證了模型的優越性與實用性。

4.2 實驗結果與討論

實驗結果表明，GRU模型的故障檢測性能與傳統方法進行對比，由圖7與表2可以看出，GRU模型的預測準確率明顯優于其他方法，達到了 9 1 . 9 % ，大大提高了模型的準確性。

明顯可以看出，SVM、DBN與BPNN在預測準確率方面有明顯不足。為提高預測準確率，捕捉電氣數據的時序特性至關重要。相比之下，GRU模型建立了當前時刻與前一時刻狀態間的線性依賴關系，有效緩解了梯度消失對預測精度的影響，與其他模型相比，準確性有了顯著提高。此外，基于門控循環單元網絡的電網故障診斷模型在訓練過程中需承擔顯著的計算負擔。因此，在將模型應用于新電網區域時，建議考慮遷移學習策略?？梢岳迷谄渌娋W區域預先訓練好的網絡權重作為新模型初始化的參數，這樣做有助于加速訓練過程并提升數據利用的效率。這樣可以有效減少訓練時間，并提升模型在新環境下的適應能力。

5結論

本文提出了一種基于深度學習的配電網故障智能辨識模型。仿真結果表明，使用方法可以顯著提高故障的檢測率，有效降低配電網故障發生頻率，為配電網的安全運行提供了可靠的技術支撐。

參考文獻：

[1]陽浩，趙歡，薛榮，等.基于邊緣計算的配電網故障檢測方法[J].電測與儀表，2022（60）：1-9.

[2]吳璐子，繆希仁，莊勝斌，等.含分布式電源配電網故障檢測與定位研究綜述[J].福州大學學報（自然科學版），2022，50（6）：751-759.

[3]洪翠，連淑婷，黃晟，等.基于改進經驗小波變換和改進多視角深度矩陣分解的直流配電網故障檢測方案[J].電力自動化設備，2022，42（6）：8-15，29.

[4] 曾宇，劉友波，高紅均，等.基于模型預測控制的高壓配電網負荷轉供與儲能電站協同運行[J].電網技術，2021，45（5）：1902-1911.

[5] JAMALI S，BAHMANYARA，RANJBAR S.Hybrid classifierforfaultlocationin activedis-tribution networks[J].Protectionand Control of Modern Power Systems，2020（5）：1-9.

[6]詹惠瑜，劉科研，盛萬興，等.有源配電網故障診斷與定位方法綜述及展望[J].高電壓技術，2022，49（2）：660-671.

[7]李永彪，羅清，李春明.配電網線路故障實時監測技術研究[J].電子世界，2020（20）：170-171.

[8]馬藝瑋，嚴冬，鄒密，等.新工科背景下電氣類專業的智能電網課程群建設改革[J].科技與創新，2022（2）：7-10.

[9]LIU X，CAI Z，FAN H，et al. Experimental studies onthe rtEthernet-based centralized fault management systemfor smart grids[J].Electric Power Systems Research，2020（181）：106163.

[10]吳建輝，劉偉，楊素梅，等.基于大數據的智能電網狀態遠程監測方法[J].自動化與儀器儀表，2020（3）：209-211.

[11]陳林凱.基于改進圖卷積網絡的配電網故障檢測研究[D].福州：福建工程學院，2023.

[12]葉迪.基于深度學習的 SCUC 決策方法研究[D].宜昌：三峽大學，2019.

[13]程梓.基于心電信號CNN及雙向GRU深度特征的集成學習情緒識別框架研究[D].廣州：華南理工大學，2019.

[14]李建偉，魏偉，陳沛然，等.農田有效灌溉面積的預測方法及應用[J].湖北農業科學，2013，52（9）：2157-2160.

[15] DE B T，VERBERT K，BABUSKA R.Railway Track CircuitFault Diagnosis Using Recurrent Neural Net -works [J].IEEETransactionsonNeuralNetworksamp;LearningSystems，2016，28（3）：523-533.

[16]楊熙，趙婧，朱峰.GRU神經網絡下電力輔助決策模型疑點數據檢測[J].電子設計工程，2024，32（19）：164-168.

[17]宋厚巖，王漢軍.基于GRU和 PCNN的電力知識抽取[J].計算機系統應用，2021，30（9）：200-205.

[18]鄭鵬程.基于GRU網絡的電網故障診斷方法研究[J].自動化技術與應用，2021，40（2）：11-15.

[19]周俊，馬建林，胡中波.杭長客專浙江段沉降預測精確度評價建議模式[J].安全與環境學報，2016.169（4）：38-42.