结合优化小波变换和CNN的配电网故障诊断研究.pdf

2023.7 下 EPEM 37电网运维Grid Operation结合优化小波变换和CNN的配电网故障诊断研究山东华科信息技术有限公司 杨会轩 苏 明 李 欣 张瑞照 刘金会摘要：本文提出一种结合优化小波变换和CNN卷积神经网络的故障诊断方法。首先对从配电网中获得的原始数据进行连续小波变换，得到时频矩阵，再由CNN卷积神经网络模型对故障进行类型判断和识别，从而实现配电网故障的诊断研究。关键词：小波变换；CNN卷积神经网络；前向传播；后向传播；配电网故障诊断在“3060双碳”目标驱动下，新能源利用得到快速发展，大量分布式电源不断接入配电网线路中，并且规模日渐扩大。分布式电源的接入不但改变了传统配电网线路的拓扑结构，而且配电网线路的自身结构也随之变得更加复杂。配电网的短路故障不仅影响了电力系统的正常运行，而且还会带来不必要的经济损失。由于新型配电网各线路的复杂性、特殊性，原有的配电网线路故障定位诊断方法和原有装备在实际的线路巡检中并不能取得理想的结果。然而，在一些相对偏远的地区，仍采用人工方式进行故障定位，不仅仅造成了人力资源的浪费，并且故障定位效率较低。与现在使用较为广泛的自动化智能化故障方法相比，人工故障定位方式修复周期很难保证，甚至可能会扩大故障范围。目前，配电网的故障诊断研究已成为国际上最热门的课题，主要有阻抗法、行波法和广域通通信3种。阻抗法根据故障电压和电流的大小，求出故障线路的阻抗，从而确定故障的位置，但由于路径阻抗、过渡电阻、线路负载等因素的影响，容易产生假故障点。行波法是通过分析故障信号由故障点到线路两端的传输时间来判断故障的具体位置，而由于配电网络的结构比较复杂，波阻抗的断续点较多，因此很难在行波信号中获得有效的数据信息。广域通信技术是利用故障指示器或自动化开关等设备，通过多个位置的测量数据来判断故障的位置，但是这种方式对通信的要求很高，而且当设定值不正确时，自动化开关和其他保护设备会发生误操作，从而使其灵敏度和可靠性问题很难得到统一1。因此，本文提出了一种结合优化小波变换和CNN 的配电网故障定位诊断方法，对从配电网中获得的原始数据进行连续小波变换，得到时频矩阵，再由 CNN 卷积神经网络模型对故障进行类型判断和识别，能够有效提高故障识别准确率，且速度快、稳定性好。1 连续小波变换小波变换的基本原理与 Fourier 变换很类似，同样地是信号通过一族函数来表示，而这一族函数则称之为小波函数系。设函数 L2（R）L1（R），同时，由 经过伸缩、平移的过程得到这一族函数：式中：a,b为分析小波（连续小波）；为母小波（基本小波）；而为改变小波形状的伸缩因子；b 为小波位移的平移因子。对于任意函数 f（t）L2（R）的连续小波变换则表示为以下计算：式中：的复共轭；而符号 f,a,b 是这两38 EPEM 2023.7 下电网运维Grid Operation者的内积，Wf（a,b）则表示尺度为 a、位置偏移为b 的小波函数的系数，即该小波函数与原信号相似度表示。其中，a 和 b 都是连续的变量，所以称之为连续小波变换2。2 卷积神经网络原理及优化算法研究CNN 即卷积神经网络包含卷积计算且具有深度结构（ConvolutionalNeuralNetwork），其中的人工神经元可以响应一定区域内的周围单元，因此称之为前馈型神经网络，在大规模的图像处理中具有很好的性能。卷积神经网络 CNN 由几个基本构建模块组成，其中基本层包括以下几个部分：预处理层（输入层）；卷积层；非线性激活层；池化层；全连接层；输出层。CNN 卷积神经网络的学习过程主要由前向传播（ForwardPropagation,FP）和 反 向 传 播（BackPropagation）两大模块组成。CNN 是通过多层网络构造的，而每层之间的神经元则通过权值共享的方式达到部分连接的目的，但是同一层的神经元则相互独立。权值在确定复杂的映射关系中起着决定性的作用，为 CNN 的自适应参数。其中前向传播的过程是输入信号由低层到高层的变换，可以实现对故障信号特征的自动提取并进行预分类。假设 CNN网络的第 l 层是卷积层，后面的层是池化层。第 l 层的公式如下：式中：xlj为第 l 层的第 j 个特征图，klij为卷积核的权值矩阵，f 为非线性激活函数，l 为网络中的第 l 层，Mj为输入特征图，blj表示在第 l 层输出第 j个特征图时所加的偏置。反向传播则是以最小化误差代价函数来调整各层网络之间的权值，使得预测的结果与实际的结果最相符，以此形成特征空间到故障空间的映射关系。CNN 经过前向传播操作获得的实际输出与期望输出的差值反向传递，再通过 BP 算法逐层调整每层网络之间的权值和偏置。通过将预分类的结果与期望的结果之间的误差通过反向传播来调节权值。此操作可建立故障特征空间与故障空间之间的映射，故障的精确分类由此实现。这里的误差代价函数选取了方差代价函数，对于单个样例（t,y），其代价函数计算公式如下：式中：tnk为第 n 个样本对应期望标签的第维；ynk表示第 n 个样本对应网络的第维的实际输出。为了减轻过拟合的现象，最终的代价函数一般会通过增加衰减项来控制权值的过拟合，从而通过参数控制过拟合作用的强度。在误差的反向传播过程中，常通过采用梯度下降法来通过不断的迭代过程，调整网络中自适应参数（W,b）得到一系列自适应卷积核，将各层的残差通过学习降低到最小限度，最后可得到更新后的卷核。下面公式中 为学习速率，控制残差反向传播的强度，接下来更新权值和偏置由 l 层到 l-1层4。本文提出的优化算法诊断过程为：首先对配电网传输过程中获得的原始信号数据，进行连续小波变换时频分析，然后采用 CNN 的故障模型来对配电网运行过程中产生的各类问题进行故障识别和故障诊断。Step1：从配电网中获得原始数据，提取故障区域各线路电流信号作为样本数据；Step2：对样本数据进行连续小波变换获取故障信号的时频表达，将其分为训练样本和测试样本，用于训练 CNN 模型和故障诊断的测试；Step3：初始化 CNN 模型，数据初始化：卷积核、偏置以及全连接层权值等，统一初始化为趋近于的随机数；预设参数：迭代次数和学习率等；Step4：训练 CNN 故障模型。把训练的样本集输入到 CNN 训练模型中；而后通过调整CNN 模型的各个参数配置，一直到符合训练的准确率为止；Step5：配电故障的诊断分析。把测试的样本数据输入到训练好的 CNN 故障模型中，而后分类识别、故障判断，最后以此来验证该故障模型的可行性。3 配电网故障定位技术面临的挑战现阶段，在我国的配电网络系统中，由于小电流接地的故障电流较弱、故障时电弧性能不稳定等因素，导致故障定位技术难以准确定位。而精准的故障定位技术的成功实施有以下几个先决条件。3.1 模型不准确在新型电力系统中，由于人工智能算法对实际输配电线路表达的不准确，导致算法模型不准确，比如分布电容和频变参数的描述。进一步讲，在中2023.7 下 EPEM 39电网运维Grid Operation压配电网中，模型不准确其分布电容、频变参数误差等不是主要因素，主要原因一是对配电线路结构表达不准确；并且一些复杂结构干扰，比如架空-电缆混联线路和不规则同杆架设的线路等。3.2 参数不准确在输配电线路的故障定位中，由于线路参数的非连续性，以及由于季节等原因导致的输配线路结构位置的改变而导致的参数偏差，就形成了参数的不准确。进一步讲，在中压配电网中，没有经过测量直接采用相关典型参数，典型参数有可能误差较大，从而不能准确地进行故障定位，这也是参数不准确。3.3 量测不足量测不足主要体现在以下三个部分：量测点配置不够、互感器误差较大和数据同步性能较差。其实在在输电线路的两端设置了保护级电流互感器（TA），同时输电线路中的变电站一般都有较完备的。配网只在馈线的前端设置了保护级电流互感器（TA）和一个继电器保护装置，而在配网的用户端和各个分支节点都没有设置保护级电流互感器（TA），而各个终端装置（FTU/DTU/TTU）虽然已具备录波功能，但是其数据的同步性能并不理想。在此基础上，现有的中压配电网量测系统不能为准确的故障定位提供技术支持。另外，即便改进了配电网的量测条件，也不可能实现在任意一条配电网线路上都装有 PUM 和保护级电流互感器（TA）的情况。所以实现准确的配电网故障定位，不可避免地会遇到算法模型不准、参数偏差大、量测不充分等问题5。4 配电网故障定位技术发展面临的机遇近年来，跟随着新型电力系统的不断完善，配电系统故障诊断技术的发展也迎来了一次千载难逢的机会，主要在以下几点较为突出。一是传感和检测技术的飞速发展。传感器与检测技术是推进新型配电系统技术发展的一个重要方面，尤其是大量新型传感器被应用到配电网络中。新型传感器价值主要体现在大量程、高带宽、高精度、小型化、非直接接触、价格低等方面，组成的传感器网络可以接入多源电气量、非电量测试数据等，为配网准确地进行故障检测提供了有利的环境。二是配电网信息化水平的提升。配电网系统通过提高数据的采集能力、配电数据质量和信息的共享能力，最终达到了高标准的配电网信息化水平。在提升数据的质量方面，不能仅仅是关注数据自身的取样速率，更重要的是数据的同步更新。采用工业控制网的信息同步技术，提高了配电系统的数据同步性能，尤其是在暂态量故障精确定位技术方面。三是人工智能与数据融合技术的发展。人工智能技术和多源数据融合技术的蓬勃发展，为实现多源信息的精准定位诊断奠定了技术基础，尤其是在D-PMU 等方面。由于决策树、D-S 证据理论、神经网络（ANN）和支持向量机（SVM）等信息化和智能化技术的不断发展，配电网络的故障精准诊断已日渐成熟。尤其是结合各种智能化技术，采用同构、异构数据的融合技术，对微小的故障进行精准识别和定位，提高故障的定位准确率5。5 结语智能配电网是新型电网中的最终一环，与用户紧密连接，所以能够更直观地体现出用户对供电质量和保障的需要。在我国，由于我国经济和社会的迅速发展，对用电的要求越来越高。为了提供越来越安全、可靠、高效地供电，针对配电网络中的各种问题进行深入研究很有必要。本文分别介绍了配电网定位诊断技术几类研究方法，阐述了小波变换和 CNN 神经网络的基本原理、技术特点等，提出的结合优化小波变换和 CNN 的配电网故障诊断方法，首先通过连续小波变换进行数据处理，然后采用 CNN 故障模型诊断，故障诊断精度高，对及时排除配电网故障和恢复供用电具有重要的意义。参考文献1 侯思祖,郭威,等.基于小波 AlexNet 网络的配电网故障区段定位方法 J.电测与仪表,2022,3.2 鄢仁武,林穿,等.基于小波时频图和卷积神经网络的断路器故障诊断分析 J.振动与冲击,2020,10.3宋霖.基于 CNN的滚动轴承故障诊断方法的研究 D.江苏：江南大学,2021.4陈仁祥,黄鑫,等.基于卷积神经网络和离散小波变换的滚动轴承故障诊断 J.振动工程学报,2018,5.5于力,焦在滨,等.基于 PMU的中压配电网精确故障定位方法及关键技术 J.电力系统自动化,2020,18.