基于融合深度特征的含分布式电源配电网智能故障检测
时间：2023-04-25 14:10:05 来源：千叶帆 本文已影响人
安天瑜， 马 煜， 高 阳， 杨博文， 魏家和
(1. 国家电网东北电力调度控制中心，辽宁 沈阳 110179; 2. 国网辽宁沈阳供电公司调度控制中心，辽宁 沈阳 110052;3. 沈阳工程学院，辽宁 沈阳 110015)
含分布式电源配电网是分布式发电设备、储能设备、负荷以及其他设备集成在一起的小型电网系统[1]。近年来，随着含分布式电源配电网系统发电效率、电能质量和可靠性的提高，相关应用引起了工业界的广泛关注。故障信息能否及时检测对含分布式电源配电网的控制和运行至关重要，当含分布式电源配电网发生故障时，其保护系统执行保护动作前需要确定故障类型、不平衡故障中的故障相序和故障位置。确定故障类型和故障相序有利于故障隔离，从而提高系统的可靠性，而确定故障位置可以显著减少后续服务恢复的工作量[2]。
目前，含分布式电源配电网故障检测方法主要通过对线路电压、电流进行定量分析来实现。由于含分布式电源配电网故障检测过程中包含很多难以用传统数学方法描述的问题，导致传统的检测方法具有局限性。近年来，越来越多的研究采用数据驱动的方法（如决策树和随机森林等）进行含分布式电源配电网故障检测[3-4]；
数字信号处理方法（如离散傅里叶变换和离散小波变换等）被应用于对输入信号进行“预处理”，以便更好地提取时频特性进行分析[5]；
其他机器学习技术（如支持向量机和k近邻算法）也被用于故障检测[6-7]。
然而，在含分布式电源配电网故障检测方面还存在一定的研究空白。一些现有的研究不能提供故障类型信息，因此无法正确地触发单相跳闸动作。而且现有的故障定位检测工作主要集中在直流含分布式电源配电网，虽然交流含分布式电源配电网故障定位检测通常可以通过行波或基于注入的算法来实现，但是行波算法[8]会受到反射波检测和辨别问题的影响。同时，基于注入的算法[9]局限于相对地故障，仅适用于径向拓扑网络，环形拓扑网络的故障检测方法还相对欠缺[10]。
针对目前含分布式电源配电网故障检测方法中故障类型判断不够精确、故障无法定位的问题，以及故障检测不实时的缺点，本文提出了一种基于融合深度特征的含分布式电源配电网智能故障检测方法。所提故障检测方法结构图如图1所示，该方法以同步相量测量单元（phasor measurement unit，PMU）在一个周期内采样的三相支路电流大小作为输入数据，对电流测量值进行离散小波变换（discrete wavelet transformation，DWT）处理，提取其时频域特征。然后将特征与测量值作为融合深度特征一起输入到三个深度神经网络(deep neural networks，DNN)中，分别进行故障类型分类、故障相序识别和故障定位。
图1 含分布式电源配电网故障检测方法结构图
DWT是一种数字信号处理技术，它可以将时间序列转换为相互正交的数据集，以提取数据的时频域隐藏特征[11]。因此，在本文提出的故障检测方法中，采用DWT预处理DNN的输入数据，以获取时频域隐藏特征。
1.1 连续和离散小波变换
小波是一种随时间变化的零均值函数。小波ψa,b(t)可以从它的母小波通过变换和缩放得到：
〈.,.〉——内积。
在不同a,b值下，可以得到一组小波系数s(t),ψ(t))。而DWT是在连续小波变换上通过离散a和b进 行的，通常将a，b设 为2的幂次：a=2j,b=2j×k,j,k∈Z，将离散值代入(1)式，得到：
最终DWT由下式得到：
其中dj,k是 级数为j，位置为k的小波细节系数。但是对于大多数信号s(t)，它的解析解不可求。而Mallet开发了一种多分辨率信号的分解技术，被广泛认为是计算DWT的标准方法，给定任意信号s(t)，在M级的多分辨率分解定义为：
式中：aM,k——M级的近似系数；
φ(t)——同伴扩展函数。
通过该变换，可以将s(t)分解为M级近似系数AM(t)和M级小波细节系数序列Dj(t)。
1.2 母小波与分解层级的选择
不同的小波具有各自独特的时频域特征，这会影响小波变换的特征提取能力。在以往的研究中，已经采用了许多小波族进行配电网故障检测，如coif(coiflets)、 db(daubechies)、 dmey(discrete meyer)、haar、bior(bior)、sym(symlets)。虽然在这些小波族中一定存在一个最佳的小波成员集，使得故障检测性能最佳，但测试所有的小波组合是不切实际的。因此，应该基于所分析数据的特征进行选择。
当数据包含足够的样本时，db族和sym族通常是首选，因为它们的鲁棒性与数据属性（如样本长度和样本数量）无关。在这种情况下，分解级别M比母小波的选择对系统性能的影响更大。与db族和sym族相比，其他族的母小波由于其滤波器长度较长，导致分解的水平较低，这可能会导致其特征提取能力相对较差。因此，本文使用db族和sym族的9个小波作为母小波来变换输入的支路电流信号。
除母小波外，分解级别也是影响信号分解性能的另一个重要参数。更高的分解级别可以提供对输入信号更详细的描述，但计算代价也会增加。每个小波分量理论上都有一个最大分解级别如式（6）所示，它由输入信号的长度和母小波的大小共同决定：
式中：L——最大分解级别；
N——输入信号的长度；
F——母小波的大小。
本文选择将分解级别M设置为最大分解级别来处理支路电流信号，并设置输入信号长度为64，使用的母小波及最大分解级别见表1。
表1 使用的母小波及分解级别
根据式（5），输入信号可以分解为一个近似系数和小波细节系数序列。因此，使用表1中选择的母小波，一个输入支路电流信号可以计算得到32个分解系数。
1.3 特征选择与提取
可以看出，每一个母小波利用式（5）的离散小波变换，都可以将一个输入信号序列分解为一系列系数aM,k和dj,k。在该方法中，选择合适的特征来表示输入信号是故障检测的关键，因此，本文选择分解系数的一系列统计特征来构造DNN的输入特征向量，所选统计特征为：系数的最大值、系数的最小值、系数的均值 μ {s}=E(s)、系数的标准差 σ (s)=E[(s-μ(s)2]1/2、系数的偏度E[((s-μ(s))/σ(s))3]、系数的能量，其中s表示分解系数aM,k或者dj,k。
因此，对于含分布式电源配电网系统运行的每个周期，可以计算出 32(系数)×6(特征)×3(相)=576个特征，以此构成了一个表征周期内功率动态的特征向量。接下来将该特征向量输入到构造好的DNN中，得到故障检测结果。
DNN是一种在输入和输出之间包含多层隐藏神经元的神经网络结构，在工程研究中广泛应用于复杂非线性系统的建模[12]。此外，由于DNN的计算只涉及简单的代数方程，计算速度较快，这使得DNN能够实现对问题的实时处理。
利用第一节中引入的时序支路电流测量值和提取的小波特征，本文构建了一种基于DNN的含分布式电源配电网故障检测方案，并将故障检测问题分为故障类型分类、故障相序识别和故障定位检测3个子问题，每个子问题都由一个独立的DNN处理。所提出的故障检测方法流程图如图2所示。在任意时刻，含分布式电源配电网中的保护继电器采集三相支路电流的大小，并将其输入到故障检测方案中。首先对测量值进行DWT处理，提取特征，然后将特征值和测量值输入到故障类型分类系统中。当检测到故障时，采用故障定位检测DNN来确定故障的位置。同时，如果故障属于不平衡故障，则采用故障相序识别DNN进行故障相序的识别。
图2 智能故障检测方法流程图
2.1 门控递归单元和全连接层
本文主要利用门控递归单元(gated recurrent unit，GRU)构造神经网络以处理微电网故障检测问题中的3个子问题。GRU是人工神经网络的现代变体，人工神经网络是最常用的数据挖掘和机器学习技术之一。由于其模型独立和计算效率高的特性，人工神经网络已被许多学科所采用。人工神经网络试图通过学习系统输入和输出之间的数学关系来模拟控制系统的模型。然而，典型的人工神经网络忽略了时域内输入数据的相关性，GRU和其他一些神经网络的设计就是为了克服这一缺点。通过在神经网络的隐藏层中引入额外的递归连接，GRU能够记忆之前的信息供以后使用，并捕获输入数据中的时间依赖性。
给定一个时间序列X=[x1,x2,···,xT]，GRU可以映射出一个输出值序列H=[h1,h2,···,hT]，其中每个输出值ht使用输入X中的所有元素计算，t∈[1,T]，T为时间序列的长度。这种映射是通过GRU内部结构来实现的，其内部结构可以表示为：
式中：rt、及zt——中间计算变量；
w和b矩阵——GRU的学习参数。
由式(10)可以看出，GRU利用初始值未知的学习参数模拟了输出ht和输入x1,x2,···,xT之间的关系。本文使用已知的输入和输出数据来调优学习参数以确定映射关系，这个过程称为训练。除了GRU之外，网络结构中另一个重要的神经网络层是全连接层，其由多个人工神经元组成，每个神经元利用输入数据计算输出如下式所示：
式中：x和y——输入和输出；
wd和bd——全连接层的学习参数；
actv(·)——激活函数。
2.2 深层神经网络结构
在提出的智能故障检测方法中，3个DNN分别用于故障类型分类、故障相序识别和故障位置定位。这些网络均由门控递归单元（GRU）和神经网络中标准的全连接层构成，由于3个DNN的输出不同，它们的结构也略有差异。
首先构建故障类型分类DNN。该网络将测量的三相时序电流和DWT提取的特征作为输入，判断给定的动态序列是否表示故障及其类型。本文考虑了4种类型的故障：单相对地故障(LG)、两相故障 (LL)、两相对地故障 (LLG)、三相对地故障(LLLG)。此外，由于该DNN应该区分故障和无故障情况，因此在输出中增加了一个无故障指示器，使其长度为5。
故障类型分类DNN模型如图3所示。在此DNN中，采用了4个GRU层和3个全连接层处理当前测量值和DWT特征。第一个GRU层用于将时间序列映射到高维空间，接下来的两个GRU层用于提取输入数据的时间依赖性，最后一个GRU层以一维向量表示依赖关系，并结合提取的DWT特征作为后续全连接层的输入。在最后的全连接层中，前两层抽象出故障类型特征，最后一层将抽象特征转换为故障类型。由于最后一层的激活函数为sigmoid函数，所以输出1×5向量的值均位于区间(0,1)。故障类型由向量中的最大值决定。假设第3个元素在输出向量中最大，那么就可以知道系统中出现了第3个输出所表示的类型的故障，如本文中为LLG。
故障相序识别和故障位置检测DNN如图4所示，除最后一层全连接层外，故障相序识别和故障位置检测DNN的结构与图3相同。当故障为不平衡故障(LG, LL, LLG)时，利用故障相序识别DNN检测故障的相。该DNN有一个长度为3的输出向量，其中每个元素代表一个相的故障状态。对于LG故障，将输出向量中对应值最大的相视为故障相序；
对于LL或LLG故障，将两个最大值的相视为故障相序。故障位置检测DNN从最后一个全连接层仅输出一个值，该值指示PMU装置在输电线路上的相对位置(百分比)。
图3 故障类型分类模型
图4 故障相序识别和故障位置检测模型
2.3 时间序列模拟和训练
为了将所构建的深度神经网络用于故障检测，需要离线训练其学习参数。训练数据由输入电流量和输出故障信息组成，这些数据可以从历史数据或不同操作事件的时间序列模拟中获得。输入电流值的测量排列为：
式中Ia,t,Ib,t,Ic,t分别表示测量周期内 a, b,c相 的第t级电流，t∈[1,64]。由于故障信息将会在3个DNN中显示，对于这3个不同的DNN，需要分别构建不同的输出，形式：
本文采用一个基于CERTS微电网系统的改进含分布式电源配电网系统进行仿真，如图5所示。所采用的含分布式电源配电网运行电压为0.48 kV,60 Hz，可支持并网或孤岛方式，由公共耦合点(PCC)开关控制。此外，环路切换开关使系统能够在径向或环形拓扑中切换运行。为了测试所提方法在含分布式电源配电网中不同类型分布式发电机（DG）上的性能，因此系统中使用了三种DG，即电池能量存储系统(DG-BESS)、光伏电源(DG-PV)和典型柴油同步发电机(DG-SG)。
如图5所示，系统共分配了4个负荷，在额定运行条件下，L-3和L-4的负荷为(90 kW, 45 kVar)，L-5的负荷为（90 kW，-40 kVar)，L-6的负荷为(90 kW，-20 kVar)。线路 12、34、56为 AWG2型，长度为68.58 m；
线路23为 AWG00型，长度 22.86 m；
CB为电路断路器。
图5 改进的含分布式电源配电网系统图
由于在系统中部署了多个DG，含分布式电源配电网可以在环形拓扑中运行，因此在电力线的两端都安装了数字保护继电器R。在附加电流互感器的帮助下，这些继电器以3.84 kHz的频率对支路电流进行采样。
本文进行了一系列的仿真来评估所提方法的故障检测性能（故障类型/相位分类准确度和位置检测准确度），使用CERTS含分布式电源配电网系统生成训练数据，并在不同的网络拓扑、并网模式、平衡和不平衡故障类型、故障电阻、故障线路、在线位置和负载下进行时间序列模拟。这些配置的详细信息见表2，共产生和模拟了98 060个故障案例。此外，还构造了多个非故障情况来训练参数。具体情况见表3，生成并模拟非故障情况3 570例。
表2 故障案例模拟的配置
表3 非故障案例模拟的配置
为了交叉验证和防止过拟合问题，本文将生成的故障和非故障案例按3:1的比例随机划分为训练集和测试集。用训练集训练神经网络的学习参数，用测试集评估训练后模型的故障检测准确度。在本文仿真最终训练完成的网络模型中，故障类型分类DNN的Adam优化器的学习率最优值为0.005，故障相位识别DNN和故障位置检测DNN的Adam优化器的学习率最优值均为0.01。
3.1 故障检测准确度
表4给出了所提方法的故障检测性能，总结了该方法中DNN可以直接获得的故障类型分类和故障相序识别的准确性。此外，还进一步提出了故障与非故障情况区分的准确性，以及预测故障位置的误差。
表4 改进的含分布式电源配电网系统故障检测准确度
从仿真结果可以看出，所提出的智能故障检测方法能够在绝大多数训练和测试案例中成功地检测出正确的故障信息。对于典型的故障/非故障检测性能，每个继电器都能达到99%以上的准确度，训练用例的总体准确度为99.60%，测试用例的总体准确度为99.32%。对于故障类型和故障相序分类，性能可能略差。尽管如此，在使用测试用例进行的这些测试中，该方法仍然可以提供令人满意的97.58%和97.84%的分类准确度。
3.2 与其他故障检测方法的比较
将所提出的方法与目前最先进的含分布式电源配电网故障检测方法的性能进行比较，结果如图6所示。
图6 与其他故障检测方法的比较
结果表明，该方法的性能优于现有的含分布式电源配电网故障检测方法。此外，所提出的方法可以提供预测的故障位置，这是比较的方法所不能提供的。
3.3 神经网络结构对检测准确度的影响
在上述两个实验中，本文采用的是如图3所示的DNN结构，它包含4个GRU层和3个全连接层。由于神经网络的层数也是影响系统性能的关键超参数之一，本节将对神经网络的层数进行测试，以研究故障检测准确度与DNN结构之间的关系。具体来说，用1～4个GRU层和1～4个全连接层对不同的DNN结构进行测试，比较它们的故障类型检测准确度。所有的结构都采用相同的训练数据进行训练，所有其他的模拟配置都是相同的。不同神经网络层下故障检测的准确度值见图7。
图7 不同神经网络层下故障检测的准确度
从结果可以看出，3个GRU层和2个全连接层对测试数据的故障类型检测信息最为准确。虽然更多的GRU层可能会提高训练准确度，但额外的层也可能会给网络模型带来过拟合问题，导致测试性能变差。
本文提出了一种基于融合深度特征的含分布式电源配电网智能故障检测方法。将PMU采集的支路电流量值作为输入，可以得到故障类型、相序和位置的详细信息，为含分布式电源配电网的保护和服务恢复提供了依据。本文通过最后的3个仿真实验测试了故障检测的准确性，并将其与目前最先进的故障检测方法进行了比较。仿真结果表明，该方法除了能更准确地分类故障类型外，还能预测出故障在输电线路沿线的位置。此外，由于DNN的计算效率高，整个故障检测过程可以实时进行，这在含分布式电源配电网故障诊断中有很大的实用价值。
猜你喜欢准确度分布式配电网配电网自动化的应用与发展趋势经济技术协作信息(2018年32期)2018-11-30幕墙用挂件安装准确度控制技术建筑科技(2018年6期)2018-08-30分布式光伏热钱汹涌能源(2017年10期)2017-12-20分布式光伏:爆发还是徘徊能源(2017年5期)2017-07-06动态汽车衡准确度等级的现实意义中国交通信息化(2016年5期)2016-06-06基于IEC61850的配电网数据传输保护机制电测与仪表(2016年5期)2016-04-22一款基于18位ADC的高准确度三相标准表的设计电测与仪表(2016年18期)2016-04-11配电网不止一步的跨越河南电力(2016年5期)2016-02-06基于DDS的分布式三维协同仿真研究雷达与对抗(2015年3期)2015-12-09基于CIM的配电网线损计算电测与仪表(2014年17期)2014-04-04 相关热词搜索：分布式，深度，融合，
