基于LSTM模型的配电网单相接地故障辨识方法

邵庆祝，郭霖徽，刘亚东，谢民，戴长春，王同文，张骏，丛子涵

(1.国网安徽省电力有限公司，安徽 合肥 230022；2.上海交通大学 电子信息与电气工程学院，上海 200240)

在社会经济和电网建设的不断发展中，用户对供电可靠性的要求越来越高，预计到2020年，电网的供电可靠率将建设达到99%以上[1]。配电网直接连接用户电网，其线路故障是用户停电的主要原因，快速对故障进行定位并及时处理，对提高用户用电的可靠性意义重大。

我国配电网大部分的中性点接地方式为小电流接地，故障分量微弱，故障定位较为困难。近年来，基于暂态法的配电网线路故障定位技术能够较好地判别单相接地故障，但是仅能将故障定位至一定的区间，难以实现故障点排查[2]。随着深度学习理论和计算硬件水平的不断发展，深度学习能够更有效地挖掘数据信息，在智能推荐、自然语言处理和图像识别中都取得了极大的成果，并在电力系统的故障诊断、设备监测等方面应用中得到很好的效果[3-7]。以深度学习理论为工具，充分利用配电网实时累积的丰富故障数据，对各种接地故障实现类型辨识，能够为工作人员巡线工作提供更加具体、详实的信息，从而提高故障巡线、定位、排除的效率。

对配电网线路故障辨识的研究主要有2类：一类为线路单相接地、相间短路以及多相接地[8-9]；另一类为对接地故障具体类型的辨识，如水阻接地、沙地接地等。深度学习理论的不断进步以及配电网监测设备的不断低成本化，使得目前缺乏监测数据、无法有效挖掘故障类型信息的局面得到改善，对各类型接地故障具体类型的辨识提供了理论和实际支持[10-11]。在线路故障类型辨识方面，文献[12]分析了动物导致的配电网线路故障特征，提出预防措施，但缺乏对多种典型故障类型的研究。文献[13]从波形角度对由动物、雷击、树3种原因导致的故障进行特征识别，从故障波形出发探讨了判据的可行性。文献[14]从时域、频域以及电弧特征角度对动物、树木、车辆、雷电、设备老化5种波形进行了初步研究和分类。然而目前各故障类型辨识缺乏典型数据，相关研究均从故障过程的波形特征出发，手工提取特征对故障进行分类，但特征提取难度大、耗时长且繁琐。相比而言，利用深度学习对故障特征自动提取和辨识有更明显的效率优势[15-16]。

由于配电网线路所处的环境较为复杂，发生接地故障时，接地介质的不同导致故障特征复杂多样；同时部分故障发生时往往伴随着电弧，进一步增加了故障的复杂程度。因此，可先将故障先分类为含电弧故障以及不含电弧故障的2种类型，再进一步实现具体的故障类型辨识。本文基于深度学习理论，通过电弧特征将故障类型进行标记，并构建基于长短期记忆网络(long short-term memory，LSTM)模型的辨识网络，将故障分类为含电弧故障和不含电弧故障2种类型；在此基础上，分别对2种故障构建分类器，对故障类型进行详细辨识。

1 配电网线路接地故障波形

配电网线路接地故障中，接地处的介质往往不同，并且不同介质或同种介质在不同天气下(如干沙地在雨天为湿沙地)的物理性质差异将导致是否有电弧产生。以往对电弧往往使用微分方程描述，但是计算繁杂，一般只适用于具体条件下的电弧特性研究[17]。当接地较为可靠且没有电弧产生时，故障电流的谐波分量较小，畸变程度较低，仍然保持正弦形态；而不可靠接地过程中有电弧产生，电弧在电压过零点附近熄灭，待电压再次上升到一定程度后重燃。2种故障电流的具体形态如图1所示。配电网中部分接地故障中会出现高阻电弧[18-20]，即接地过渡电阻值高且同时伴有电弧现象，表明故障接地可靠程度较弱。因此，不可靠接地故障伴随电弧的发生，其放电过程的随机性较高；可靠接地故障没有电弧随之发生，介质物理性质较为稳定，非线性程度低。

图1 2类故障电流Fig.1 Two kinds of fault currents

配电网的覆盖面积大，架设环节复杂，接地故障发生在不同的介质表面，并且不同天气(晴、雨天)情况使得各种介质的导电性质发生变化，形成更加多样化的故障接地类型。常见的接地故障有湿沙地接地、干沙地接地、湿土地接地、干土地接地以及湿水泥地接地。

2 深度学习模型理论

2.1 LSTM结构的深度学习网络

LSTM是循环神经网络(recurrent neural network，RNN)的一种[21-22]，以最简单的RNN为例，其结构如图2所示。

图2 简单RNN网络结构Fig.2 Structure of a simple RNN

该网络主要由1个输入层、1个隐藏层和1个输出层构成。除了空间结构联系外，RNN引入了时间状态反馈环节。对于输入量时间序列x=(x1,x2,…,xt)，在t时刻的输入为xt，此刻对应隐藏层状态为St，网络输出值为ot，相关计算式如下：

ot=σ(VSt) .

(1)

St=f(Uxt+WSt-1) .

(2)

式中：V为隐含层和隐含层之间的连接权值；σ为输出层单元的激活函数；U为输入层和隐含层之间的连接权值；St-1为t-1时刻的隐藏层状态；W为t时刻输入的权重矩阵；f为隐藏层激活函数。由式(1)和(2)可得

(3)

由此可知，各个时刻的输入量通过状态输出St来影响下一时刻的输出，即ot受xt，xt-1，xt-2，xt-3…的影响，影响的时间步长可通过网络结构来设置。

随着网络层数量的增加，典型RNN的性能并不满足长序列建模的精度，因为无法解决梯度消失的问题。在原有RNN结构的基础上，LSTM引入门控单元来描述即时信息和历史信息之间的时间相关性[23-24]，LSTM的结构如图3所示。

图3 LSTM结构示意图Fig.3 LSTM structure diagram

如图3所示，对输入的时间序列x，设当前时刻的输入为xt，上一时刻的输入为xt-1，以此类推，前n时刻的输入为xt-n，上一时刻门控单元的状态为Ct-1，则对当前输入的响应输出为ht，此时刻的门控单元状态为Ct。与RNN的简单回馈不同，门控单元含有遗忘门、输入门和输出门，具体计算分别如下：

ft=σ(Wf·[ht-1,xt]+bf) .

(4)

it=σ(Wi·[ht-1,xt]+bi) .

(5)

(6)

ot=σ(Wo·[ht-1,xt]+bo) .

(7)

在LSTM中，遗忘门决定Ct-1对Ct的影响程度，输入门决定xt对Ct的影响程度，输出门控制Ct对ht的影响程度；遗忘门、输入门、输出门的状态结果共同决定单元的当前状态及响应输出值，即：

(8)

ht=ot∘tanh(Ct) .

(9)

式中符号∘表示相同形状向量对应元素相乘。

相较于其他深度模型，循环结构网络模型在时序结构上能将时间序列变量的前后输入值在时间维度上关联起来，比一般深度神经网络(deep neural network，DNN)模型等多了时间关系，更适合于对时间序列变量的处理。电力系统本身具有明显的周期特征，接地故障波形是1个强时间序列，其前后输入具有极大的关联性，因此采用LSTM结构模型来构建特征辨识网络。

2.2 故障辨识流程

根据以上分析，故障辨识流程如图4所示。

图4 故障辨识流程Fig.4 Fault identification process

具体辨识步骤如下：

a) 进行真型故障实验，采集故障数据。

b) 构建和训练LSTM结构的电弧特征辨识网络，将故障分为含电弧和不含电弧2类。

c) 对含电弧和不含电弧的2类故障，构建和训练多层神经网络分类器，对具体故障进行分类。

3 故障辨识方法

通过在某10 kV配电网真型实验场中设置接地故障，进行配电网单相接地故障模拟实验。采集故障电流、电压波形作为算法的训练样本及算法的检验样本的部分来源。

3.1 故障实验平台

故障实验原理线路如图5所示，本真型实验场使用的各类设备均与实际配电线路一致，因此可以确保实验数据与工程实际数据相契合。线路末端接入电容以模拟配电网负荷，保证一定的运行电流；将母线与不同种类的接地介质相连，形成接地回路；于接地前后安装故障录波装置，对接地点处的电压、电流波形进行测量；故障录波装置的采样率为20 kHz，每种情景下的接地故障实验采集20组波形。

图5 接地故障实验接线图Fig.5 Connection diagram of grounding fault experiment

实验共设置7种不同的接地情况，用于模拟配电网发生单相接地故障时的典型场景，分别为湿土地、干土地、湿沙地、干沙地、湿水泥地、树枝以及水。其中干沙地和干土地用于模拟晴朗天气下的接地故障，而湿沙地、湿土地、湿水泥地用于模拟雨天的接地故障。在实验前，通过引出线将故障相与柱状金属钎相连，将金属钎垂直插入接地介质，然后将母线充电至10 kV，闭合断路器开关形成接地故障。干土地与干沙地的实验最先进行，实验结束后用灌溉喷头模拟雨水，待介质的湿润程度达到一定值后，按照相同的实验步骤进行雨天情景的接地故障实验。

3.2 构建及训练故障辨识网络

3.2.1 构建基于LSTM结构的电弧辨识网络

对本文所研究的故障辨识对象，先对故障零序电流中的电弧特征进行辨识。由于故障实验中每种类型的接地故障样本数量对深度网络训练是不充分的，考虑到接地故障在稳态期间波形周期性的规律特点，将训练样本的长度限制为1个周波，通过将故障稳态期间故障波形截取为多个长度为1个周期的零序电流波形作为单个样本数据，增加训练样本数目。由于弧光接地故障的电弧放电随机性极大，与其他波形相比而言难以提取其周期，因此在本节研究中不将弧光接地故障数据纳入训练样本。网络训练框架为Tensorflow1.10与TFLearn，编程语言为python3.6。

3.2.1.1 构建训练样本数据

在实际配电网监测中心获得部分已知故障的波形数据，将实验波形及实际配电网工程数据作为样本，截取故障稳态期间的单位周波零序电流作为单个样本数据，共获得700组故障波形，其训练标签为是否为不含电弧接地故障，即0-1分类标签。将700组样本数据中的200组作为故障验证数据，其余500组作为网络训练数据。

3.2.1.2 构建并网络

LSTM的时间步长设置为10，则1个含有400个采样点的波形，输入规模则为40。其中输入层特征规模为40，LSTM中隐层神经网络结构为30×10；为防止过拟合，引入dropout层，keep_prob值设为0.8；分类输出层由1层LSTM网络和Softmax网络层组成，输出数量为2；网络训练的学习速度为0.001，网络求解最优方法为adam优化算法；损失函数为二分类对数损失函数(binary_crossentropy)，损失率

(10)

式中：yi为输入实例xi的真实类别；Pi为分类器对xi的输出类别为正的概率；N为故障样本数量。对所有样本的对数损失表示为对每个样本对数损失的平均值，对于完美的分类器，对数损失为0。由于时间步长设置为20，将输入样本重构为400×20×20的张量，与LSTM结构的输入层相对应。

3.2.1.3 输出网络结果及验证

采用准确率γ来评价网络的分类性能，准确率为：对每一个随机样本，所预测结果与其实际类型相同的可能概率，即正确分类的样本数量除以所有的样本数量，即

(11)

式中：Npos为正类样本被准确分类的数量；Nneg为负类样本被准确分类的数量。训练集正确率变化曲线如图6所示，在训练集上收敛速度快，分类准确率平均达到了95%以上。

图6 网络拟合正确率变化曲线Fig.6 Network fitting correct rate curve

3.2.2 构建多层神经网络分类器

由于接地电弧的存在，故障在接地过程的伏安特性尤为复杂。含电弧电流在零休现象附近，电弧电流通道电阻变大，但是当弧后剩余电流出现时，电弧的电导性质变得更加不明确。因此，在对故障类型进行含电弧故障与不含电弧接地故障辨识的基础上，分别以2类故障中的具体接地类型为分类目标，构建神经网络分类器进行辨识，具体步骤如下。

3.2.2.1 构建训练样本数据

对任一故障数据，结合故障相电压和故障电流计算单个周波内接地电阻的有效值，计算公式如下：

(12)

式中：u为故障相电压；i为故障电流；k为单周波内的第k个采样点；R为接地过渡电阻。

同样地，通过截取故障稳态期间的单位周波数据作为单个样本，其样本标签为具体接地故障类型，如干沙地接地、干土地接地、树枝接地等，即多类别标签。将样本数据随机抽取20%作为故障验证数据，其余作为网络训练数据。

3.2.2.2 构建并网络

构建6层网络分类模型，输入层节点数量为400，往后层数节点规模依次为100、80、40、12和Nclass。单元较多和层数较深时需要放置过拟合，前3层均引入dropout的keep_prob参数，参数设置为0.8；之后输出层由Softmax网络层组成，输出数量取决于分类目标数量Nclass，其中不含电弧的接地故障包括湿土地、湿沙地、湿水泥、水阻4种，因此Nclass=4；含电弧的接地故障包括干土地、干沙地、树枝，因此Nclass=3。；网络训练的学习速度为0.001；网络求解最优方法为adam优化算法；损失函数为多分类对数损失函数(categorical_crossentropy)，公式为

(13)

式中：N为样本输入数量；M为待分类的类别数量；yij表示对xi是否分类准确，即j是否为xi的真实类别；pij为网络分类器对xi的输出(即属于类别j)的概率值。

3.2.2.3 输出网络结果并进行验证

采用正确率来评价分类器性能，计算公式为

(14)

式中Ntrue,j为第j类样本被准确分类的数量。

图7所示为故障分类器损失函数图，由图7可知，分类器损失函数较快下降到稳定值，2个故障分类器均能较快收敛。

3.3 辨识结果分析

3.3.1 含电弧与不含电弧故障分类结果

表1为基于LSTM结构的网络分类结果。由表1可知：基于LSTM结构的分类器对不含电弧接地故障的分类准确度较高，可达100%；对含电弧接地故障的分类正确率则略低，但仍然可认为分类方法有很高的可用性，与文献[7]中的辨识成功率(92.4%)以及文献[13]中的辨识成功率(90%)相比，优势明显。

图7 故障分类器损失函数曲线Fig.7 Fault classifier loss function curves

故障类别样本数量/组判断正确数/组判断正确率/%不含电弧接地故障400400100含电弧接地故障30029197

3.3.2 各类型接地故障辨识结果

表2为具体各类型接地故障的神经网络分类情况。由表2可知：对各类型接地故障的分类准确度差别较大，最低为80%，最高可达97%；网络对不同接地故障的分类性能与样本分布、网络结构以及网络参数均相关。另外，与其他6种接地类型相比，树枝接地的辨识准确性相对较低，而其他均在85%以上。结合树枝接地的特性，可以认为是由于故障电弧可能引起树枝水分大量蒸发，甚至造成燃烧，从而使得树枝接地的随机程度和非线性程度大大增加，导致样本的检测成功率偏低。分类结果表示分类器的性能达到可用状态。

表2 对具体各类型接地故障的神经网络分类Tab.2 Classification of ground faults based on neural network

4 结束语

本文截取各类型接地故障数据波形并整理形成数据集，通过构建LSTM来对故障电流是否存在电弧“零休”畸变进行判断，区分故障为含电弧故障还是不含电弧故障；在此基础上，以故障电阻有效值序列为输入量，进一步构建神经网络分类器，对更具体的接地故障实现辨识。

LSTM对含电弧故障的分类性能较好，但是在对具体故障类型辨识上还有不足。针对所研究故障类型，对数据样本进行测试，证明该方法能够以较高的准确率对配电网故障进行辨识。本文对网络进行训练和测试的样本数据均来自于实验站的实验数据，由于我国领土面积大，不同地区的土壤、降水等环境因素存在一定差异，因此需要结合当地实际的电网运行数据对辨识模型进行进一步的训练和改善，从而提高辨识方法的辨识水平和精确度。