5G承载网下基于经验小波变换和卷积神经网络的配网故障诊断方法

于 洋, 王同文, 张 骏, 邵庆祝, 谢 民*, 张东岳, 孟凡上

(1.国网安徽省电力有限公司, 合肥 230022； 2.南京南瑞继保电气有限公司， 南京 211102；3.安徽大学电气工程与自动化学院， 合肥 230601)

及时、精确的故障诊断是合理调度规划和故障恢复的基础。配电网拓扑结构复杂、分支众多、具有非均匀性[1]，故障诊断有一定难度。近年来随着分布式可再生能源接入规模和渗透率不断提高，配电网潮流方向、电流故障等级都发生了较大变化[1]，需要高精度的故障诊断技术。

数据驱动的配电网故障诊断可根据数据来源分为两类，一类是基于保护和断路器开关量信息，包括专家系统[2]、人工神经网络(artificial neural network，ANN)[3]、Petri网[4]等；另一类是基于故障录波的电气类信息[5-8]，包括特征提取[6]、频域分解[7]、深度学习[8]等。在实际故障过程中保护和断路器存在误动和拒动，电网发生故障时首先是电流、电压等电气量予以反应，然后才是继电保护装置启动。因此与保护和断路器开关量相比，故障录波的电气量信息具有准确性、可靠性、连续性、时序逻辑性、冗余性等优点。文献[7]首先对三相线电流和零序电流进行离散小波变换(discrete wavelet transform，DWT)，然后进行基于人工神经网络的建模预测，进行电力系统故障辨识和故障定位。

原始数据的准确采集和有效传输对故障诊断的准确性和实时性具有重要的意义。但因通信传输通道不稳定、传输速率低、时延大等不足，导致保护和断路器信息可能出现误传或漏传[9]，录波数据也可能存在不完整、对时不准确的问题。为保障配电网系统的安全稳定，在高压输电层级普遍配置多种装备对输电网运行状态进行量测，并且先进的光纤通信技术的应用使输电系统电力信息实现互联互通。与输电网络相比，电压等级较低的配电网络虽然连接更多的设备，但没有同步实现光纤覆盖[10]。基于4G无线通信的配电网保护与故障诊断技术解决了光纤约束的问题，但是4G通信传输在通道质量、通道带宽、时间同步方面均有待提高[11]。5G无线通信网络的关键能力指标更为加强和丰富，在配电网系统中存在低时延高可靠性[12]、密集覆盖[13]、大容量高带宽[14]等多样化通信场景。其中配网故障诊断为5G通信技术应用中典型的低时延高可靠性场景。

现构建基于5G承载网络的分布式配电网故障诊断系统，建立数据丢包、网络时延问题模型，测试实际过流元件启动与接收两个网络时刻的网络时延。并在5G技术运用在电力通信背景下，提出了5G承载网络下基于EWT和CNN的配电网故障诊断方法。

1 5G承载网络构建与分析

1.1 5G承载网络的故障诊断试验架构

如图1所示，构建的承载网络是基于联通5G NSA/SA双模基站组网的电网业务试验测试环境，该试验的目的是依托5G公众网络，测试配电网站所终端(distribution terminal unit，DTU)终端之间平均时延。使用DTU终端对发数据包互测单向时延，记录本侧过流元件启动时刻和收到对侧过流元件启动时刻，测试过程中分别对试验两边的DTU终端、5GCPE、基站和传输节点进行抓包和分析。

无线接入网IP化(IP radio access network，IPRAN)；有源天线单元(active antenna unit，AAU)；室内基带处理单元(building base band unite，BBU)图1 5G承载网整体网络拓扑结构Fig.1 Topology of 5G network system

1.2 5G承载网络特性分析

与4G承载网络相比，5G承载网络[15]不仅考虑人与人互相通信，同时也充分考虑了人与物、物与物的连接和通信需求。实现电网各个环节设备和周围环境全面感知、信息快速采集和处理，及时发现和消除电力系统故障，降低风险发生率[16]。与4G无线通信相比，5G可实现10～100倍的连接设备密度、10～100倍的传输速率、3～5倍的频谱效率以及端到端时延能达到毫秒级[17]，具体指标如表1所示。

表1 4G与5G性能指标对比Table 1 Performance comparison between 4G and 5G

1.3 端到端时延分析与实验

目前获取5G时延的手段主要是靠人工ping 测试，同时记录包含无线、传输、核心网等多个环节的时延。试验记录本侧过流元件启动时刻、收到对侧过流元件启动时刻、网络时延，DTU1口和DTU2口接收数据试验记录如图2所示。

图2 DTU口接收数据延迟记录Fig.2 Time delay record of DTU port

2 经验小波变换

2.1 傅里叶谱分割

图3 傅里叶轴的分割Fig.3 Segmentation of the Fourier axis

2.2 经验小波变换

(1)

(2)

(3)

将5G承载网络传输得到的原始信号f(t)分解，提取出具有紧凑的支撑特性的傅立叶谱的AM-FM(amplitude modulation-frequency modulation)分量为

(4)

每个fi(t)是一个AM-FM函数，可以写成

fi(t)=Fi(t)cos[φi(t)],Fi(t),φi(t)>0

(5)

根据式(6)，可得

(6)

EWT分解可将故障状态下的电流按频域分布，提取特征信息。与目前已有文献[7]中使用的DWT相比，所引入的EWT算法可得到不同模态，既可以解决DWT存在的模态混叠问题，同时分解后得到的分量的数目更少，进而降低计算的难度[7]。

3 卷积神经网络

3.1 卷积神经网络

CNN作为一种典型的前馈神经网络，典型的CNN结构如图4所示，主要由输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成。卷积和池化过程可以提取输入数据中包含的拓扑结构特征[18-19]。

图4 CNN基本结构图Fig.4 The basic architecture diagrams of CNN

将EWT分解后的电流分量作为输入信号，应用CNN进一步进行故障特征提取，得出故障判断作为输出层结果。

3.2 CNN各层功能简介

卷积层是CNN的核心部分。卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出为

(7)

池化层在卷积层之后，主要对卷积层的输出进行降低特征空间大小，减少计算时间。采用最大值池化函数作为池化层函数，即

(8)

全连接层是一个传统的多层感知器，其主要功能是实现训练数据集进行分类，采用softmax函数作为全连接层的激活函数，即

(9)

式(9)中：zj为第j个神经元输出；k为总类别。

3.3 故障诊断流程

5G承载网络下，数据传输可靠性达99.999%，仿真实验中考虑丢包率为0.001%，网络时延如1.3节实验所示。对传输获得的原始信号，基于EWT进行频域分析与分解，再应用CNN模型对故障进行类型判断和识别。提出的EWT-CNN配电网故障诊断方法流程如图5所示，具体步骤如下：

图5 EWT-CNN故障诊断流程图Fig.5 EWT-CNN fault diagnosis flow chart

步骤1基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号。

步骤2样本信号EWT分解。EWT分解线路中电流信号，获得内禀模态函数(intrinsic mode function，IMF)分量。

步骤3IMF分量选择。若干个IMF分量通过峭度值分析，选择含有大量故障信息的IMF分量，形成样本数据集。

步骤4将样本数据集随机选择一部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试。

步骤5训练CNN。利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求。

步骤6故障诊断。利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。

4 算例仿真

本文算例采用的实验仿真模型如图6所示。分别设置线路L1～L3的4处位置K1～K4发生故障时，提取每条线路的电流信号。

图6 实验仿真模型Fig.6 Experimental simulation model

4.1 信号EWT分解

以线路L1在K1处发生三相短路故障为例，发生故障后线路L1的故障电流如图7所示。线路L1电流信号通过EWT分解，得到5个IMF分量，分解结果如图8所示。

图7 线路L1故障电流波形Fig.7 Zero sequence voltage waveform of line L1

图8 EWT分解结果Fig.8 EWT decomposition results

通过峭度计算，把含故障信息较多的IMF分量筛选出来作为故障特征。通过如图9所示的IMF分量峭度情况，可以看出IMF1分量比其他IMF分量拥有更加丰富故障特征信息，因此选择IMF1分量作为线路L1的故障特征信息。其他线路的故障特征提取如上述操作，将每条线路提取出的故障特征构造成特征向量，即

图9 各IMF分量峭度Fig.9 Kurtosis of each IMF component

Xi={imfi1,imfi2,…,imfij}

(10)

式(10)中：Xi为第i个故障样本的故障特征向量；imfij表示第i个故障样本中第j条线路的故障特征信息。

4.2 CNN诊断结果

合适的CNN模型参数，不仅能提高故障诊断精度，也能降低训练时间，所以实验了4种不同CNN模型参数的进行故障诊断。4种不同CNN模型各参数配置情况以及训练时间结果如表2所示，与表2相对应4种不同CNN模型的训练准确率曲线如图10所示。从表2和图10可以看出，虽然序号1的训练时间最短，但是训练准确率只有85.417%，在4种模型中最低。序号3的训练准确率为95.2%，此外训练时间达到780.346 s，训练时间过长。序号2和序号4的训练准确率分别为98.5%和99.2%，序号2的训练准确率比序号4的训练准确率高，此外序号4的训练时间也相比序号2短，因此采用序号2的CNN模型参数进行仿真实验。

图10 4种CNN模型训练准确率Fig.10 Training accuracy of 4 CNN models

表2 4种CNN模型参数配置及训练结果Table 2 Parameter configuration and training results of 4 CNN models

对于本文方法(EWT-CNN)、SVM和原始信号直接进行CNN诊断(CNN)，为了避免偶然误差的影响，每种方法都在相同训练样本和测试样本下进行20次仿真实验，实验结果如表3所示。可以看出本文方法(EWT-CNN)比其他方法故障诊断准确率高。

表3 3种方法对比实验结果Table 3 Three methods were used to compare the experimental results

EWT-CNN诊断准确率结果如图11所示，可以看出迭代18次后，故障诊断的准确率就能达到100%，诊断效果好。此外，从训练准确率曲线和测试准确率曲线可以看出本文方法具有很好的拟合效果，因此本文方法具有很好的鲁棒性和泛化能力。

图11 EWT-CNN诊断准确率Fig.11 Diagnostic accuracy of EWT-CNN

5 结论

在信息传输过程中电气量在准确性、抗干扰性方面具有开关量无法比拟的优点。提出的5G承载网络下的EWT-CNN配电网故障诊断方法，经过EWT处理后的数据，再进行卷积神经网络故障诊断，故障诊断精度高；通过峭度计算能很好确定出有效的IMF分量，构建故障特征数据，实现故障诊断，具有很高的故障诊断精度。综上，提出的5G承载网络下的EWT-CNN配电网故障诊断方法，一方面，为配电网故障诊断提供了一种有效地诊断技术；另一方面，在5G背景下，能够更好更快地实现故障诊断，对及时排除配电网故障和恢复供用电具有重要的意义。