基于小波变换和轻量化CNN的配电网故障识别研究.pdf

2023.7 下 EPEM 27电网运维Grid Operation基于小波变换和轻量化CNN的配电网故障识别研究广东电网有限责任公司云浮供电局 颜恒生 赵宪中 侯梓浪 罗康宁 南京信息工程大学计算机学院 王逸飞摘要：配电网系统需要快速识别故障并隔离，现有基于卷积神经网络（Convolutional neural networks，CNN）的故障识别算法普遍存在结构复杂、参数较多以及计算量庞大等问题。本文采用深度可分离卷积和倒残差结构轻量化改进CNN，取得较好的实时性能。首先利用小波变换将故障信号分解为不同频段的子信号，然后提取特征作为轻量化CNN的输入，最后对故障类型进行识别。算例分析结果表明该算法的有效性和可行性。关键词：配电网；卷积神经网络；故障识别；小波变换；轻量化配电网故障在整个电力系统中占比较高，约占总故障的80%90%1。因此，对于配电网故障需要快速识别并隔离修复。目前，基于深度学习的配电网故障识别方法成为主流。文献 2 提出一种基于 CNN 的自适应识别电弧接地和电阻接地方法，将故障信号的时频谱图作为输入，自主提出故障特征量后 CNN 可以识别单相接地故障类型。文献 3 将 SVM 代替 CNN 中Softmax 分类器，构建 CNN-SVM 模型，取得了更高的识别率。上述算法普遍存在参数较多、计算量庞大、训练时间过长等问题。为了提高算法的实时性能，本文结合小波变换，提出轻量化 CNN 进行配电网故障识别，提升算法的运行速率并改善识别精度。1 配电网故障识别策略本文提出一种基于轻量化 CNN 的配电网故障识别策略。首先对故障信号进行小波变换预处理，将原始信号分解为不同频段的子信号，并将信号特征输入到轻量化 CNN 中，最后进行故障类型的识别。1.1 基于小波变换的预处理小波变换能够进行时频局部化，对于突变和非平稳信号，具有更好的表征能力。图1 三相电压 ua 的小波变换示意图本文采用 db4作为母小波函数，经过3次分解并重构。以某三相电压 UA为例，将信号分解为高频和低频两个部分，如图1所示。其中，图1（a）是原信28 EPEM 2023.7 下电网运维Grid Operation号 UA，图1（b）和图1（c）分别为小波分解后的低频、高频部分。经过采样之后，将两个子频带组成矩阵，见公式（1）。其中 X（t）为待分解信号，n 为信号长度。（1）第一行为信号分解后的高频部分，第二行是低频部分。对于配电网故障识别，输入的数据信号为7种，分别是三相电流（IA,IB,IC）、三相电压（UA,UB,UC）和零序电压（U0）。上述信号经过小波变换后，形成一个14n 的矩阵 Q：（2）进一步地，进行经过归一化处理，得到轻量化CNN 模型的样本数据。1.2 轻量化 CNN 模型本文提出的配电网故障识别算法是基于轻量化的CNN。即在原始 CNN 基础上，将深度可分离卷积策略代替传统卷积。为了进一步提高特征的表征能力，采用倒残差结构进行优化。深度可分离卷积是将普通卷积的一次性内积操作过程分为两次，第一次卷积用于过滤，第二层用于合并。图2展示了二者的区别。图2 深度可分离卷积和传统卷积的对比假设传统卷积中滤波器的大小为 DD，那么图2（a）中4个滤波器的参数量是12DD。图2（b）中的深度可分离卷积分为两步。第一步逐通道卷积，参数量仅有3DD。第二步逐点卷积中，每个滤波器的大小为11，因此参数总量是3DD+12，因此在参数量上，轻量化 CNN 具有显著的优势。从计算量的角度分析，和传统卷积相比，计算量降低很多。一般情况下，普通卷积的计算量是深度可分离卷积的89倍，因此采用深度可分类卷积可以大幅提升计算速度和效率。图3 配电网故障识别示意图虽然采用深度可分离卷积可以提高模型的计算效率，但是特征表达能力会有所下降。因此，本文还在轻量化 CNN 模型中加入了倒残差结构。表3中的 bottleneck 就是将倒残差结构组合在一起而成的一层模型，最后使用全局平均池（GlobalAveragePooling）来代替全连接层，来实现参数量，计算量和过拟合的减少。倒残差结构5，主要采用通道数的变化，实现数据的降维和升维，可以有效提高模型的特征表征能力。本文提出的配电网故障识别模型流程图如图3所示。首先通过仿真程序获取不同故障情况下的数据信息，应用小波分解提取数据特征，完成样本数据的获取；接着将训练集数据传入轻量化 CNN模型进行训练；最后应用该模型进行故障类型的2023.7 下 EPEM 29电网运维Grid Operation识别。2 轻量化 cnn 模型训练轻量化 CNN 模型的样本数据通过 MATLAB/SIMULINK 仿真获取。经过小波变换预处理之后，生成故障信号特征矩阵。然后输入轻量化 CNN 模型中进行训练。2.1 MATLAB/SIMULINK 故障样本获取首先在 MATLAB/SIMULINK 上搭建10kV 配电网，如图4所示。其中，L1、L2是2条馈线，F1F5是设置的故障点位置。在每个故障点设置故障类型为单相接地（AG，BG，CG）、两相短路（AB，AC，BC）、两相短路接地（ABG，ACG，BCG）和三相短路（ABC），设置故障过渡电阻为0，5，50，500，1000，1500，2000，故障初相角则每次随机生成，范围是1180。在这种设置下，每次只修改一个参数，最终生成2100个样本数据集。本文中随机选取20%作为测试集。图4 matLaB/SimuLink 配电网模型2.2 生成故障信号特征矩阵根据上文1.1中提到的方法，设置采样频率为10kHz。提取故障发生前后一周期的信号，频率为50Hz，对仿真得到的2100个样本数据集进行小波变换。小波分解的层数为3层，将高频和低频部分重组为故障信号特征矩阵，这里大小为14800。该矩阵作为轻量化 CNN 的输入数据。2.3 模型参数设置本文应用 Keras 框架搭建模型，使用 Adam优化器，训练批量设置为100，迭代次数设置为100次。在算法分析中，对比传统 CNN 模型、轻量化表1 cnn 模型参数表网络层名称结构参数conv2d32,(10,65),relu池化层(2,2)dropout 层0.2conv2d64,(10,35),relu池化层(2,2)dropout 层0.2conv2d128,(10,15),relu池化层(2,2)dropout 层0.2Flatten 层保存参数全连接层120,reludropout 层0.2全连接层84,relu输出层10,softmax表2 轻量化 cnn 模型 i 参数表网络层名称结构参数Separableconv2d15,(10,65),relu池化层(2,2)dropout 层0.2Separableconv2d15,(10,35),relu池化层(2,2)dropout 层0.2Separableconv2d15,(10,15),relu池化层(2,2)dropout 层0.2全连接层120,reludropout 层0.2全连接层84,relu输出层10,softmax表3 轻量化 cnn 模型 ii 参数表网络层名称结构参数conv2d32,(3,15),strides=2bottleneck16,(3,15),strides=1bottleneck24,(3,15),strides=2bottleneck32,(3,15),strides=2bottleneck64,(3,15),strides=2bottleneck96,(3,15),strides=1bottleneck160,(3,15),strides=2bottleneck320,(3,15),strides=1conv2d1280,(1,1),strides=1dropout0.3conv2d10,(1,1)30 EPEM 2023.7 下电网运维Grid OperationCNN 模型 I（深度可分离卷积）和轻量化 CNN 模型 II（深度可分离卷积+倒残差）。相应的参数设置分别见表1、表2和表3。表1是传统 CNN 的模型参数表，因此在卷积层使用的是普通卷积 Conv2D，Dropout 层的作用主要是缓解过拟合的发生，在一定程度上达到正则化的效果。表2是轻量化 CNN模型，相比于传统 CNN 的表1，最大的区别就是将 Conv2D 改为了 SeparableConv2D，也就是Keras 框架下的深度可分离卷积。表3在加入了倒残差结构后整体的模型结构和前两个模型相比有了比较大的变化，主要是由多个倒残差模型叠加而成的网络。3 算例分析为了验证文中提出的配电网故障识别模型，进行两类试验。试验一主要验证小波变换的作用。分别对比三类模型（CNN 原型、轻量化 CNN 模型 I、轻量化 CNN 模型 II）与小波变换组合的识别率。试验二对比分析三类模型（CNN 原型、轻量化 CNN模型 I、轻量化 CNN 模型 II）的识别率、参数量和训练时间。表4 轻量化 cnn 模型对比试验识别率（%）模型参数量（106）训练时间（s）cnn85.833,5401.49轻量 cnn模型 i80.950.2156.04轻量化cnn 模型 ii90.142.5231.35图5 小波变换前后结果差异通过图5可以很明显看出，小波变换可以明显提升模型的识别率。不使用小波变换而直接进行 CNN 原型，识别率仅有40%，使用小波变换对初始故障信号进行了分解之后，训练准确度提高到了85%，相比之前的准确度提高了一倍。由此可以看出，小波变换对于故障特征提取的有效性。表4给出了三类模型的对比分析。加入深度可分离卷积的轻量化 CNN 模型 I，参数量和训练时间都大大减少，但是模型的识别率和原 CNN 相比，下降4.88%。在 CNN 模型 I 的基础上，加入倒残差结构的 CNN 模型 II，虽然参数量和训练时间增加，但是对比原 CNN 模型依然具有时间和计算量上的优势，而且，识别率比 CNN 模型 I 提升9.19%，比 CNN 原型提升4.31%，因此有效提升了模型的类别表征能力。4 总结本 文 基 于 MATLAB/SIMULINK 平 台 搭 建10kV 配电网模型，提出包含深度可分离卷积和倒残差结构的轻量化 CNN 模型进行故障识别，并得出以下结论：一是利用小波变换对信号进行分解，可以有效地提取出信号的高频特征和低频特征，使得故障特征更加明显。二是轻量化 CNN 模型将原卷积层替换为深度可分离卷积，可以有效降低参数量和计算量，提高计算速度，减少模型的内存空间。三是轻量化 CNN 模型的倒残差结构能够有效优化模型的特征表达能力，提高故障识别率。本文提出的轻量化 CNN 模型虽然具有一定的计算和识别优势，但是仍有上升空间，可以进一步改进模型的内部结构。参考文献1 袁修广,黄纯.计及故障停电经济损失的配电网风险评估 J.电力系统及其自动化学报，2016,82 杨佳,陈勇,等.配电网单相接地故障类型 CNN识别方法研究 J.重庆理工大学学报(自然科学),2022,8.3吉兴全,陈金硕,等.基于 CNN-SVM 的配电网故障分类研究 J.智慧电力.2022,1.4 袁国铭,杨光,等.由粗到细的多级小波变换水下图像增强 J.光学精密工程,2022,22.5 屈景怡,刘畅.基于轻量化网络 MobileNetV2的航班延误预测模型J.信号处理,2022,5.