基于GAF与卷积神经网络的配电网故障选线新方法_雷静.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 2 期2023 年 2 月Vol.35 No.2Feb.2023基于 GAF 与卷积神经网络的配电网故障选线新方法雷静1，2，李晨婧3，郭亮1，王晓卫3，徐经民1，黄灿英4（1.国网江西省电力有限公司电力科学研究院，南昌 330006；2.国网江西省电力有限公司，南昌330006；3.西安理工大学电气工程学院，西安 710054；4.江西建设职业技术学院，南昌 330200）摘要：消弧线圈接地配电网的暂态零序电流特征和选线结果呈现复杂的非线性关系，传统选线方法不适用于弱故障特征提取。为提高配电网的故障选线准确性，提出了一种基于格拉米角场 GAF（Gramian angular field）与卷积神经网络 CNN（convolutional neural network）的故障选线新方法。首先对不同工况下的零序电流进行 GAF 变换，利用变换后的 GASF（Gramian angular summation field）和 GADF（Gramian angular difference field）特征图样本集训练 CNN，用于判定待测馈线是否故障。为提高选线方法的普适性，除了 10 kV 辐射状配电网样本库，另外建立了包含 3 种完全不同拓扑模型样本的混合库。最后，所提方法在辐射状模型库和混合库都得到了验证，判定结果证实了该方法的有效性和准确性。关键词：故障选线；零序电流；卷积神经网络；格拉米角场中图分类号：TM862文献标志码：A文章编号：1003-8930（2023）02-0053-10DOI：10.19635/ki.csu-epsa.001053Novel Fault Feeder Selection Method for Distribution Network Based on GAF andConvolution Neural NetworkLEI Jing1，2，LI Chenjing3，GUO Liang1，WANG Xiaowei3，XU Jingmin1，HUANG Canying4（1.Electric Power Research Institute，State Grid Jiangxi Electric Power Co.，Ltd，Nanchang 330006，China；2.State Grid Jiangxi Electric Power Co.，Ltd，Nanchang 330006，China；3.School of Electrical Engineering，Xi an University of Technology，Xi an 710054，China；4.Jiangxi College of Construction，Nanchang 330200，China）Abstract:In a distribution network under the arc suppression coil grounding fault，the transient zero-sequence currentcharacteristics and feeder selection results show a complex nonlinear relationship.As a result，the traditional fault feeder selection method is not suitable for the weak fault feature extraction.To improve the fault feeder selection accuracy indistribution network，a novel fault feeder selection method based on Gramian angular field（GAF）and convolution neural network（CNN）is proposed in this paper.First，the zero-sequence current under different operation conditions isprocessed by GAF transformation.Then，the transformed Gramian angular summation field（GASF）and Gramian angular difference field（GADF）feature graph sample sets are used to train CNN to determine whether a feeder is faulty ornot.In addition to the sample library of 10 kV radial distribution network，a hybrid library containing samples withthree completely different topology models is established to improve the universality of the feeder selection method.Finally，the proposed method is verified in both the radial model library and the hybrid library，and its effectiveness andaccuracy is confirmed by the judgment results.Keywords:fault feeder selection；zero-sequence current；convolutional neural network（CNN）；Gramian angular field（GAF）中国配电网大部分采用中性点经消弧线圈接地系统，即小电流接地系统1。根据统计，小电流接地系统发生单相接地故障的概率高达80%，而在消弧线圈的补偿下，故障特征弱，给配电网故障选线增加了一定困难。如果继续允许故障长时间运行，系统绝缘易受损害，造成故障范围扩大为两相短路。因此必须准确判断故障线路并及时切除，以免造成更严重的危害。收稿日期：2021-12-29；修回日期：2022-06-16网络出版时间：2022-08-09 08：34：03基金项目：国家自然科学基金资助项目（52177114）；国网江西省电力有限公司科技项目（521820210005）通信作者：王晓卫（1983），男，博士，副教授，研究方向为配电网接地故障处置、故障选线与区段定位。Email：雷静等：基于 GAF 与卷积神经网络的配电网故障选线新方法电 力 系 统 及 其 自 动 化 学 报54第 2 期配电网故障选线方法众多，包括相关分析法2-3、电压法4、导纳法5-6、注入信号法7和智能算法等。由于故障特征和选线结果呈现复杂的非线性关系，不能用一个准确的数学模型来描述，而智能算法无需人为设定线性关系，自动从数据中学习来调整参数，所以近些年来，智能算法被广泛应用于配电网接地故障选线。文献8将各馈线零序电流和相电流差进行小波变换，计算综合相关系数之后输入SVM进行学习分类，得到故障选线结果；文献9将HHT处理后的特征矩阵奇异值分解提取幅值和极性特征量，通过模糊聚类算法判定故障；文献10通过LCD、希尔伯特变换以及带通滤波算法获取时频矩阵，经过奇异值分解后利用SVM分类器选线；文献11利用改进欧式-动态弯曲距离法提取特征矩阵，再利用模糊C均值聚类实现选线。深度学习作为智能算法一个新的研究方向，在语音和图像处理方面颇有建树，近年来，卷积神经网络逐渐应用于电力系统故障判别，文献12利用卷积神经网络进行配电网故障区内区外定位，验证了卷积神经网络用于配网故障判别的可行性；文献13利用连续小波变换后的零序电流时频分量，转化为灰度图，输入卷积神经网络进行故障选线；文献14将原始一维零序电流波形拼接为新的特征图像，这种方法可以扩充样本库，提高神经网络训练的精度；文献15对传统GoogLeNet网络的结构进行改进，能更好地提取图像的特征进而提高网络分类正确率；文献16将零序电流进行S变换后，构造S变换相关度图形 SCF（S-transform correlation figure），再利用卷积神经网络提取SCF特征进行配电网故障选线。本文将一维零序电流序列利用GAF变换转化为二维特征图像，再输入卷积神经网络，提出一种基于格拉米角场和卷积神经网络的配电网故障选线方法，并对该方法利用单一样本库和含3种完全不同拓扑样本的混合库都进行验证，证明了该方法的正确性和干扰适应能力。1单相接地故障特征分析据现有文献可知，谐振接地系统发生单相接地故障后，半周波到一周波内故障接地电流会有暂态过程，此过程蕴含丰富的暂态信息，利用暂态过程的电气量进行分析，可以使故障特征的提取更有效。接地电流if表达式为if=iCt+iLt=()ICm-ILmcos(t+)+ICm|fsinsin(t)-coscos(ft)e-t+ILmcose-t/L（1）式中：第一项为稳态分量，后两项为暂态分量；iCt和iLt分别为暂态电流的电容Ct分量和电感Lt分量；ICm和ILm分别为电容Cm电流和电感Lm电流的初始值；f和分别为电流电容分量的振荡角频率和衰减系数；L为电感电流的衰减时间常数；为工频角频率；为故障初相角。由于电感电流补偿的滞后性，接地电容在零序电压作用下的充放电过程会产生显著的暂态过程，使故障馈线和健全馈线的零序电流波形有明显不同的暂态特征。为进一步分析发生单相接地故障后的物理特征，给出图1简化后接地故障零序等效网络，当发生单相接地故障时，流过健全馈线与故障馈线的电流具体如图所示，以其为例分析谐振接地配电网系统发生单相接地故障时的零序电流特征。图中，母线有n条出线，线路l发生单相接地故障，u0为母线零序电压。从图1可以看出，非故障线路p零序电流电压关系为|u0=1C0p0ti0pdti0p=C0pdu0dt（2）对于故障线路l，故障线路零序电流为i0l=-|p=1,plni0p+iL=-|p=1,plnC0pdu0dt+iL（3）由式（2）可知，健全馈线由于处在相同的零序电压之下，它们的零序电流表达式相同且波形拥有图 1单相接地时故障零序等效网络Fig.1Zero-sequence equivalent network under single-phase grounding fault线路1线路l线路p线路ni0lC01u0iLRC0li0fu0li0pC0pi0nC0ni01雷静等：基于GAF与卷积神经网络的配电网故障选线新方法55第 35 卷很强的相似性。另外，由式（3）可以看出，故障馈线的零序电流大小等于所有健全馈线零序电流与消弧线圈电流之和，其幅值远大于健全馈线；其次，两者之间的极性也近似相反。线路1故障各馈线零序电流如图2所示。如图2（a）所示，当线路l1发生单相接地故障时，l1的零序电流幅值几乎等于其他健全馈线零序电流幅值相加，并且l1的零序电流相位近似相反于其他健全馈线相位，这印证了上述故障馈线和健全馈线的特征。但是随着故障工况的变换，如图2（b）所示，故障馈线和健全馈线的相位不再严格相反，而且幅值规律也有所变化，所以需要提出一种可以适应多种故障工况的选线方法。2故障选线方法本文提出了一种基于格拉米角场和卷积神经网络的谐振系统配电网单相接地故障检测方法。将采集到的零序电流信号数据进行GAF变换，将生成的包含故障馈线和健全馈线特征差异的特征图GASF（Gramianangularsummationfield）/GADF（Gramian angular difference fiel