基于神经网络的输电线路故障诊断策略研究_黄仁珍.pdf

2023.04.DQGY 27PRODVCT AND TECHNIC产品与技术CHINA ELECTRICAL EQUIPMENT INDUSTRY输入的改进型卷积神经网络，能够对数据进行分层处理，提取多层特征，每个输入通道对应一个卷积层，在输入层实现特征融合9-10。针对输电线路正常调度停机时出现的故障误报问题，将故障数据和正常调度停机数据分别从不同的通道输入，分别得到其特征为S1和S2，并在输入层进行特征融合得到特征S。1.1 输入层对两个输入通道得到的特征S1和S2进行加权运算，得到全连接层全融合的特征S：（1）式中，1和2分别为与S1和S2相对应的权重参数，11-1和21-1分别为与S1和S2相对应的偏移参数，1和1分别为输入层的权重参数和偏移参数，f()为激活函数。1.2 批归一化层在进行神经网络的学习过程中，每次迭代运算得到数据的期望和标准差都需要进行归一化处理11：0 引言随着国家大力推进智能电网建设，输电线路的电压等级越来越高，输电距离越来越长、电网的故障现象越来越复杂1-2。当电网发生故障时，对故障进行快速、准确的诊断，对于提升电网的运行安全性、稳定性、可靠性具有重要意义3。基于数据驱动的故障诊断方法是当今的研究热点，通常由数据采集、数据预处理、故障特征提取和故障分类四个部分组成，其核心思想是基于电气数据进行学习，完成故障诊断4-5。本文基于神经网络技术构建输电线路故障诊断模型，利用多种不同工况下的电流数据，提取故障特征，并进行有效的分类识别，实现了输电线路故障的高效诊断6-7。1 改进型卷积神经网络输电线路电流具有一维特征，因此以一维卷积神经网络作为基础，在其中加入双通道输入、池化、多卷积等操作对网络结构进行升级，并在卷积层中加入批归一化层对其进行优化8。采用双通道黄仁珍（广西新电力投资集团藤县供电有限公司）基于神经网络的输电线路故障诊断策略研究摘要：随着智能电网的逐步发展，输电线路作为智能电网的重要组成部分，在智能电网的运行中发挥了重要作用，因此对输电线路的故障诊断技术进行研究意义重大。本文提出基于神经网络的输电线路故障诊断策略，首先对输电线路的电流数据进行预处理，然后对神经网络进行优化，并在卷积层中运用批归一化方法，对输电线路的电流数据进行故障特征提取和分类识别，由此便构建高精度的输电线路故障诊断模型。经过实际运用验证，本文提出的方法能够实现输电线路故障的有效诊断，具有一定的实用性，可以进行大规模推广应用。关键词：输电线路；神经网络；故障诊断电器工业202304设计排版.indd 352023.4.25 11:39:48 AMCHINA ELECTRICAL EQUIPMENT INDUSTRY2023.04.DQGY 28PRODVCT AND TECHNIC产品与技术（2）式中，x(k)为第k次迭代的输入数据；E(x(k)为第k次迭代输入数据的期望值；F(x(k)为第k次迭代输入数据的标准差值；x(k)为输出数据。批归一化处理后的输出数据为：y(k)=x(k)+(k)（3）利用批归一化处理能够最大限度实现每层输入量的同一化，从而提高模型迭代的收敛速度与计算精度12。改进后的卷积神经网络能够得到数据不同层面的局部特征参数，再将局部特征参数逐级向上传递，最后在全连接层进行局部特征参数的整合，从而得到最终的全局特征参数。2 输电线路故障诊断策略2.1 数据预处理方法输电线路具有庞大的数据涵盖量，不同维度、不同量纲、不同指标的数据无法进行集中处理提取故障信息，所以必须进行电流数据的预处理，以实现数据的同一化处理：X=(X-X)(X)（4）其中，X为输入的特征参数；X为与输入特征参数相对应的期望值；(X)为与输入特征参数相对应的标准差值；X为进行预处理后的数据。2.2 故障诊断模型为了更好地实现输电线路故障特征数据和正常调度停电特征数据的提取，基于电流数据的特点，对基于改进型的卷积神经网络的故障诊断模型进行设计，输入通道1中配置64个卷积核，其尺寸为3，经过极限池化处理后维缩减为原先的1/2，由此便得到故障数据的特征S1；输入通道1中配置32个卷积核，其尺寸为3，经过极限池化处理后维缩减为原先的1/2，由此便得到故障数据的特征S2；最后在输入层得到S：S=S1 +S2 （5）为了提高故障的诊断效率，在故障诊断模型中配置三个卷积层、两个批归一化层、三个池化层；其中前两个卷积层配置64个卷积核，第三个卷积层配置32个卷积核，其尺寸为3，移动步长设置为1，池化层的池化参数设置为2，批归一化层的动态期望值参数设置为0.8。故障诊断模型完成训练学习后，再利用BP反向传导对权重参数和偏移参数进行修正，从而完成最终的训练学习。通过卷积和池化操作将特征数据进行深度处理，再根据回归模型对故障和正常调度停机进行辨识与分类。2.3 模型训练步骤改进型卷积神经网络的训练学习过程分为三个步骤实现：1）将多维度、多量纲、多指标的数据进行同一化处理；2）利用训练集的数据进行训练学习以改进卷积神经网络，对故障诊断模型的参数进行初始化，利用BP反向传导修正权重参数和偏移参数，进行迭代运算，达到要求后完成计算；3）根据回归模型，结合训练集的输出，完成对故障和正常调度停机的辨识与分类。如果神经网络的训练精度满足要求，则保存网络模型；如果神经网络的训练精度不满足要求，则重新设置网络模型的参数。3 实例分析采用东北地区某市的电网电流数据，来说明进行故障诊断的具体流程，并对本文所提出方法的有效性和可行性进行验证。根据电力监控系统存储的电流数据信息提取五种状态的数据，具体包括设备线路短路故障、输电线路单相短路故障、输电线路三相短路故障、输电线路重合闸后的二次跳闸、正常调度停机误报。不同的状态下，电流的瞬态变化情况也是完全不同的，电流的冲击程度也是完全不一样的，电流大小和尺度都是完全不同的。设备线路短路故障与正常调度停机情况下的电流波形相似度很高，无法电器工业202304设计排版.indd 362023.4.25 11:39:48 AMCHINA ELECTRICAL EQUIPMENT INDUSTRY2023.04.DQGY 29PRODVCT AND TECHNIC产品与技术直接通过电流变化的差异进行区分，必须要通过输电线路故障诊断模型来完成辨识和区分。输电线路实际运行中，输电线路重合闸后的二次跳闸及输电线路三相短路故障出现的概率极低。为了保证输电线路故障诊断模型的训练学习效果，配置样本参数如表1所示。设备线路短路故障、输电线路单相短路故障、输电线路三相短路故障、输电线路重合闸后的二次跳闸的数据导入到卷积通道1，正常调度停机误报数据导入到卷积通道2中。表1 样本配置参数故障类型训练学习数据组测试数据组设备线路短路故障10050输电线路单相短路故障10050输电线路三相短路故障5020输电线路重合闸后的二次跳闸5020正常调度停机误报10050对全部的初始数据进行同一化处理，则能够通过对比不同量纲、不同维度、不同指标下电流数据的暂态特征和震荡特征。将经过同一化处理后的数据导入到基于改进卷积神经网络的故障诊断模型中，并加入优化算法来自主调整学习率加速运算的收敛，设置学习率为0.001，故障诊断模型的运算收敛效果如表2所示。采用基于改进型卷积神经网络的故障诊断模型进行8次试验，测试结果如表3所示。将输出的特征量以二维形式展现出来，如下图所示。所输出的特征量已经实现了完全分离，即能够对多种状态进行辨识与分类，由此，说明本文所提出的故障诊断策略能够基于电流数据提出特征量，从而实现故障状态与正常调度停机状态的区分。不同故障诊断模型的对比结果如表4所示。基于改进型卷积神经网络的故障诊断模型精度最高。表2 故障诊断模型运算收敛效果迭代次数训练学习数据测试数据50.2530.262100.1230.164200.0610.091300.0280.486400.0150.023500.0090.017600.0080.016700.0070.017800.0070.017900.0080.016表3 基于改进卷积神经网络故障诊断模型诊断结果测试序号训练学习数据准确度/%测试数据准确度/%训练学习时间/s197.96395.892145298.68296.981146399.39597.2891484100.0097.6251515100.0097.9561536100.0098.6721507100.0098.7821538100.0099.021149图 输出特征可视化展示4 结束语本文将卷积神经网络技术运用到输电线路的故障诊断中，并在运用前对卷积神经网络进行改进，由此便提出一种基于改进型卷积神经网络的输电线路故障诊断模型。与传统的神经网络相比，本文所提出的改进型卷积神经网络采用双通道输入、多个a：设备线路故障b：输电线路单相短路故障c：输电线路三相短路故障d：输电线路重合闸后的二 次跳闸e：正常调度停机误报损失函数值电器工业202304设计排版.indd 372023.4.25 11:39:48 AMCHINA ELECTRICAL EQUIPMENT INDUSTRY2023.04.DQGY 30PRODVCT AND TECHNIC产品与技术卷积池化层，并在其中加入批归一化层，从而实现对神经网络结构的优化，能够实现故障特征的自动提取，故障诊断精准度较高，能够达到97.962%，效果十分明显；通过对神经网络结构进行优化，能够实现对四种故障状态和正常调度停机状态的有效辨识，避免出现故障误报情况，实现高精度智能化的故障诊断。参考文献1 刘辉，李永康，高放，等.基于小波散射协同BiLSTM的输电线路故障诊断J.国外电子测量技术，2021，40（12）：165-172.2 石万宇，魏军强，赵云灏.基于改进麻雀算法-支持向量机的输电线路故障诊断J.浙江电力，2021，40（11）：38-45.3 王浩，杨东升，周博文，等.基于并联卷积神经网络的多端直流输电线路故障诊断J.电力系统自动化，2020，44（12）：84-92.4 齐金定，孙涛，单岩，等.基于支持向量机算法的输电线路故障诊断研究J.计算机与网络，2019，45（23）：68-71.5 颜肃，张玮亚，李宏仲，等.基于人工智能的输电线路故障快速诊断方法研究J.电力系统保护与控制，2019，47（19）：94-99.6 周华良，宋斌，安林，等.特高压输电线路分布式故障诊断系统研制及其关键技术J.电力系统保护与控制，2019，47（24）：115-122.7 吴笑民，曹卫华，王典洪，等.多支持向量机模型的输电线路故障诊断方法J.高电压技术，2020，46（3）：957-963.8 周华良，饶丹，宋斌，等.输电线路分布式故障诊断系统的信息安全防护设计及应用J.电力系统自动化，2019，43（15）：193-199.9 杨斌，贾汉坤，张泓磊，等.基于互近似熵的输电线路两相短路接地故障诊断J.黑龙江电力，2018，40（6）：530-536.10 李振璧，张坤，姜媛媛，等.基于变分模态分解与近似熵的输电线路两相接地故障诊断J.科学技术与工程，2018，8（5）：70-75.11 姜媛媛，刘朋，王康，等.基于变分模态分解和排列熵的输电线路故障诊断J.电子测量与仪器学报，2017，31（7）：1025-1030.12 廖志伟，岳苓，文福拴，等.基于规则网的高压输电线路故障诊断与保护动作性能评价J.电力建设，2016，37（2）：34-41.（收稿日期：2022-12-26）表4 不同故障诊断模型结果对比模型最高准确度/%最低准确度/%平均准确度/%改进型卷积神经网络模型98.97296.31597.962常规型卷积神经网络模型97.14595.12696.828支持向量机模型96.77594.92695.998R语言人工神经网络95.28393.87394.287电器工业202304设计排版.indd 382023.4.25 11:39:48 AM