基于轻量化CNN的配电网故障识别研究.pdf

现有基于深度学习的配电网故障识别算法普遍存在结构复杂、参数较多、计算量大等问题。基于此，本文对卷积神经网络（Convolutional Neural Networks，CNN）模型应用深度可分离卷积进行轻量化改进，并进一步采用倒残差结构优化，提高模型的特征表达能力，结合变分模态分解（Variational mode decomposition，VMD）预处理，提出VMD-LCNN模型（VMD and Lightweight CNN）。该模型首先应用VMD分解提取故障信号特征，然后输入到轻量化CNN中，最后对故障类型进行识别。试验结果表明，该模型的有效性和可行性。关键词：配电网；故障识别；CNN；轻量化；VMD配电网是将电能从输电网传输到最终用户的重要组成部分，如果出现故障可能会导致电力中断、安全事故和经济损失等问题。借助现代智能化技术对配电网进行实时监测和故障识别，可以提高配电网的可靠性和稳定性，对于保障电力供应的稳定性和可靠性，具有重要的现实意义1。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 提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。文献 3 基于长短期记忆神经网络（LongShortTermMemory，LSTM），针对电气故障进行了分类。深度学习网络性能较好，特别适于配备大量传感器的配电网，但是在运行中由于参数较多，运行时间过长，给云计算平台带来很大压力。因此，客观上需要对深度学习网络进行轻量化改进。本文基于常用的 CNN 神经网络，进行轻量化改进，结合VMD（VariationalModalDecomposition）4进行数据预处理，提出 VMD-LCNN 模型，进行配电网故障分类。1 Vmd-Lcnn 模型配电网故障所产生的信号如果直接使用可能导致噪声过多以及特征不够明显，因此在进行轻量化 CNN 模型训练之前需要先将数据进行预处理。本文利用 VMD 分解对信号进行模态分解，将最后得到的矩阵数据作为轻量化 CNN 的输入数据。在 VMD 分解之后，应用轻量化 CNN 模型进行数据的训练和故障识别。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5。一般情况下，普通卷积的计算量是深度可分离卷积的8到9倍，因此采用深度可分类卷积可以大大提升计算速度和效率。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，本文在轻量化 CNN 模型中加入了倒残差结构(InvertedResiduals)。该结构主要变化通道数，实现数据的降维和升维。和标准的残差结构相比，调换了降维和升维的顺序，并将标准卷积替换成逐通道卷积。这种结构可以有效提高模型的特征表征能力。同时，最后一层采用线性层，可使准确率更高，模型更小。本文提出的配电网故障识别 VMD-LCNN 模型如图1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 VMD 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识别。186 EPEM 2023.7 下电力安全Power Security图1 配电网故障识别示意图2 算例分析VMD-LCNN 模型的样本数据通过 MATLAB/SIMULINK 仿真平台生成。首先在平台搭建10kv配电网模型，设置故障点位置；然后获取故障发生前后一周的三相电流、三相电压和零序电压数据；通过 VMD 分解预处理之后生成故障信号特征矩阵；最后输入轻量化 CNN 模型中进行训练与测试。在 MATLAB/SIMULINK 搭建的10kV 配电网模型如图2所示，其中 L1L2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。这里，随机选取20%作为测试集。图2 matLaB/SimuLink 配电网模型2.1 生成故障信号特征矩阵根据 VMD 原理，对生成的数据集进行 VMD分解。VMD 通过变分约束条件，自适应地将输入信号 X（t）同时分解为 K 个有限带宽的本征模式分量 uk（t），同时最小化所有模式分量的带宽之和。将信号 X（t）通过 VMD 分解后获得的矩阵为。（1）在式（1）中，HX（t）是对 X（t）VMD 分解后得到的矩阵，k 是对信号进行 VMD 分解的层数，n是 X（t）中采样点的个数，u（k,n）是 X（t）分解后第 k 个模态分量的第 n 个采样点的数值。将仿真得到的三相电压、三相电流和零序电压均进行 VMD 分解，其中三相电压和三相电流进行三层模态分解，零序电压进行四层模态分解，最后得 到 的 矩 阵 分 别 为：HIA、HIB、HIC、HUA、HUB、HUC、HU0。将得到的这几个矩阵自上而下组成新的矩阵 W：（2）获得矩阵 W 后，对 W 进行归一化处理。将故障的信号数据都转换为改矩阵后即可作为轻量化CNN 模型的训练样本。2.2 性能分析文中进行两类对比分析，一是在提出的轻量化CNN 模型上，进行常用的预处理技术对比，包括小波变换、EMD（EmpiricalModeDecomposition，经验模态分解）和 VMD。二是基于常用的 CNN 模型 LeNet 和 VGG，对 比 LeNet、VGG、VMD-LCNNI（深度可分离卷积）和 VMD-LCNNII（深度可分离卷积+倒残差）的性能（包括识别率、参数量和训练时间）进行对比分析。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，学 习 率 为1e-3。LeNet、VGG、VMD-LCNNI、VMD-LCNNII 的参数设置分别见表1至表4。2023.7 下 EPEM 187电力安全Power Security表1 Lenet 模型参数网络层名称结构参数conv2d30,（5,75）maxpooling2d（2,2）,strides=2conv2d60,（5,75）maxpooling2d（2,2）,strides=2flattendense750dense128dense10表2 VGG 模型参数网络层名称结构参数conv2d64,（3,15）maxpooling2d（2,2）conv2d128,（3,15）conv2d128,（3,15）maxpooling2d（2,2）conv2d256,（3,15）conv2d256,（3,15）conv2d256,（3,15）maxpooling2d（2,2）conv2d512,（3,15）conv2d512,（3,15）conv2d512,（3,15）maxpooling2d（2,2）Flattendense4096dense10表3 Vmd-Lcnni 模型参数网络层名称结构参数Separableconv2d64,（15,35）,relu池化层（2,2）dropout 层0.2Separableconv2d64,（15,35）,relu池化层（2,2）dropout 层0.2dense120dense84dense10表4 Vmd-Lcnnii 模型参数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）2.2.1预处理对比本文对比常用的三种预处理技术，即小波变换、EMD 和 VMD。EMD 与 VMD 类 似，通 过原始信号极值点连出包络图，再通过平均值获得瞬时平均位置，在此基础上提取信号的本征模态函数。但是 EMD 分解拟合极值包络线的过程中，需要前后至少5个极值点才可进行有效的插值拟和，并且对于端点无法准确的判断极大值或极小值点，因此 EMD 易产生端点效应。而且 EMD 在密集模态下容易相互作用，因此经常导致产生模态混叠的情况。而在 VMD 中，通过镜像延拓的方式成功避免了 EMD 中出现的端点效应，因此在模态数选取合适的情况下能够有效的避免模态混叠。表5给出三种预处理技术的性能对比。可以看出，这三种技术均能提升识别率。其中，VMD 和小波变化的效果最明显，VMD 的性能最好。表5 预处理技术对比预处理方式无小波变换emdVmd准确率（%）82.5690.1487.0290.712.2.2常用算法对比在 算 法 对 比 分 析 中，四 类 模 型（LeNet、VGG、VMD-LCNNI、VMD-LCNNII）分 别 对经过 VMD 分解后的信号进行训练，最后对识别准确率、参数量、训练时间进行对比，具体见表5和图3所示。图3 模型性能对比图首先在准确率上，VMD-LCNNI 的准确率相对而言最低，其他3个模型都超过了90%，VGG 和LeNet 则达到了92%，可以看出深度可分离卷积对于准确率的损失比较大，但是加入倒残差结构后可以成功的将准确率提高回正常的水平。从参数量上来看，VGG 的参数量是最多的，通过表6可知道数据达到了2亿以上。如此庞大的参数量，会对设备造成严重负担。LeNet 相比之下小188 EPEM 2023.7 下电力安全Power Security一点，参数量在4000万左右，仅有 VGG 参数的1/6。而使用了深度可分离卷积的 VMD-LCNNI 和VMD-LCNNII 的参数仅有 LeNet 参数量的1/10，VGG 参数量的1/100。可以看出，轻量化的效果十分有效。表6 模型对比分析模型名称识别准确率/%参数量（106）训练时间/sVGG92.98247.742085.3Lenet92.8641.73413.7Vmd-Lcnn 78.547.73842.8Vmd-Lcnn 90.712.29388.7从训练时间分析，VGG 由于模型的层数深，计算量大，因此训练时间较长，100次批量的训练所要消耗的时间达到了接近半个小时。而相对的，LeNet 的模型比较简单，层数较少，因此训练时间仅有413s。VMD-LCNNI 在参数上拥有比较大的优势，但是在训练时间上依然比较大。但是通过倒残差结构优化后，VMD-LCNNII 虽然拥有与VGG 不相上下的结构层数，但是计算量大大减少，因此最后的训练时间甚至比仅有7层的 LeNet 更少，达到388s。由此可以看出轻量化 CNN 在参数量和训练时间缩减的同时，仍然可保持模型的高准确率。3 结论本 文 基 于 MATLAB/SIMULINK 平 台 搭 建10kV 配电网模型，应用 VMD-LCNN 模型进行故障识别，取得了较好的性能。针对该模型，可以得出以下结论：一是 VMD 分解能够有效提升信号特征，消除端点效应，有利于数据集的训练和测试。二是轻量化 CNN 采用深度可分离卷积代替传统卷积，可以有效减小模型的参数数量，降低内存空间的占用，加快模型训练速度。加入倒残差结构后还可以进一步提升模型的识别性能。进一步地，在该模型基础上，可考虑增加故障定位的识别功能。同时，还可以对 VMD 算法进行改进，提升其对特征的表达能力。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齐振兴,张倩,等.基于特征迁移和深度学习的配电网故障定位 J.科学技术与工程,2022,33.3Han SR,Kim YS.A fault identification method using LSTM for a closed-loop distribution system protective relayJ.International Journal of Electrical Power&Energy Systems.2023,148.4K.Dragomiretskiy and D.Zosso,Variational Mode Decomposition J.IEEE Transactions on Signal Processing,2014,3.5 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.（上接175页）对电网中其他电气设备造成连锁故障反应，从而造成现场人身事故、大型突发性公共安全事故、电力系统瘫痪事故等。为解决此方面问题，提高我国电力行业的可持续发展能力，本文通过放电信号滤波处理、变压器局部放电信号特征提取、变压器局部放电在线检测结果去噪，引进小波分析技术，设计针对变压器局部放电的在线检测方法。完成设计后，通过设计对比试验，证明本文设计的方法可以在排除外界噪声干扰的条件下，精准检测到变压器局部放电信号。为实现将此方法在电力相关领域内推广应用，可在后续的工作中，加大对本文设计方法的测试，旨在通过此种方式，掌握该方法的优势与不足，为后续相关工作的规范化实施提供进一步的指导与技术支持。参考文献1 何宇航,丁理杰,等.基于宽频带声电检测的变压器现场局部放电诊断及定位方法 J.四川电力技术,2022,5.2王伟,梁聪,等.0.1Hz 超低频与振荡波电压下热缩和冷缩电缆附件典型缺陷局部放电对比研究 J.绝缘材料,2022,10.3吴云杰,张宏亮,等.252kV GIS 局部放电特高频信号在直线和 L 型结构中传播特性的试验研究J.高压电器,2022,7.4 董曼玲,寇晓适,等.交直流复合电压下变压器油中金属微粒聚集特性和局部放电特性研究 J.绝缘材料,2022,10.5 马星河,孔卫东,等.一种基于 S_VMD与 Sdr_SampEn的局部放电信号去噪方法 J.电力系统保护与控制,2022,18.