基于改进卷积神经网络的输电线路故障诊断方法

翟海保，王兴志，葛敏辉，杨争林，冯树海，刘宇航

〔1.国家电网公司华东分部，上海 200120; 2.中国电力科学研究院(南京)，江苏 南京 210003;3.上海电力大学 电气工程学院，上海 200090〕

0 引 言

电力系统中输电线路电压等级高，距离长，故障复杂。当发生故障时，如何高效准确地进行故障的识别和诊断，避免错报和误报，对提升电网的安全稳定性有重要意义[1]。

近年来基于数据驱动的故障诊断方法在电力系统方向中发展迅速[2-4]，方法一般包含四个部分：信号采集、数据处理、特征提取和故障分类[5-8]。核心是利用电网电气量数据与机器学习算法相结合应用到电网的故障诊断当中。文献[9]提出一种基于卷积神经网络的综合模型，使用多个相同结构、不同参数的卷积神经网络构建综合评价模型，对电力系统的稳态特征量进行综合评估。文献[10]针对电网保护设备误动和拒动的问题，构建了基于模糊C均值聚类的故障诊断模型，并通过计算故障可信度确定故障类型与位置。这些方法用于输电线路故障诊断时抗干扰能力不强。

为了解决告警系统误报率较高的问题，本文提出了基于改进卷积神经网络(CNN)的电网输电线路故障诊断模型，利用不同工况下的电流时序数据，有效对各种故障和正常调停进行识别与分类，提高了故障诊断的准确率。

1 改进CNN结构

针对输电线路电流数据为一维时序数据的特点，基于一维卷积神经网络结构，使用双通道输入和多卷积、池化操作对网络结构进行改进，并在卷积层中加入批归一化层，如图1所示。双通道输入的CNN可以提取输入数据不同层面的特征，两个输入通道有两个卷积层，且参数设置不同，各通道的输出在输入层将各部分特征融合。针对输电线路正常调停误报为故障这一问题，可以将故障数据和正常调停的数据分别输入两个卷积通道，故障数据的输出为特征S1，正常调停的输出特征S2，然后在输入层把两个通道的输出特征进行融合，得到S。

图1 改进CNN原理图

1.1 输入层

将两个卷积通道的输出S1和S2加权求和，在全连接层进行首尾相接融合为特征S，得到特征向量层。

(1)

1.2 批归一化层

在神经网络训练的过程中，通过计算每个批次数据的均值和标准差，将上层向量归一化[11]。批归一化计算如式(2)所示。

(2)

归一化后用可学习的参数增益γ(k)和偏置β(k)去拟合原先的分布，得到批归一化后的输出数据y(k)。

(3)

批归一化利用规范化和线性变换来降低模型中每层输入量分布的差异度，可以提高模型的计算速度与准确度。

改进的CNN可以通过双通道分别感知数据不同层面的局部特征量，再将局部的特征信息传递到更高层，最后在全连接层进行信息整合，获得全局的特征量。

2 电网输电线路故障诊断方法

2.1 数据预处理

多维的电网数据包括了庞大的电网信息，不同维度、不同指标和不同量纲的数据无法有效地提取故障信息，所以要将不同类型的电流数据进行预处理。本文对原数据使用Z-score标准化，减小各类数据的差异性，其计算公式如下：

(4)

利用Z-score标准化，将不同量级的数据转换成同一量级的数据，减小不同特征量之间的差异性。

2.2 基于改进CNN的故障诊断模型

为了更好地提取故障类型数据和正常调停数据特征，根据电流时序数据的维度特点[12]，设计基于改进CNN的故障诊断模型结构，如图2所示。卷积通道1中设置64个卷积核，卷积核尺寸固定为3，经最大池化后维度减半，得到输出S1；卷积通道2中设置32个卷积核，卷积核尺寸同样为3，经最大池化后维度减半，得到输出S2，然后在输入层得到S=S1⊕S2。

图2 基于改进CNN的故障诊断模型

为了提高模型性能且防止过拟合，本文构建三卷积层、两批归一化层和三池化层的网络结构，其中第一层卷积层设置64个卷积核，第二层与其一致，第三层卷积层设置32个卷积核，尺寸同样固定为3。根据经验，最大池化层池化因子取2，批归一化层的动态均值动量取0.8，卷积核的移动步长设置为1，池化层选择最大池化，可以更好地提取出电流的突变量。所有卷积、批归一化和池化层训练完成后，再利用BP反向传播算法进行权值和偏置的微调，完成训练。通过连续的卷积和池化操作将特征向量高度压缩提取，再结合soft-max回归模型对四种故障和正常调停进行识别与分类。

2.3 训练过程

改进CNN模型的训练过程分为三部分：

(1)将不同维度、不同量纲的数据进行标准化，本文选用Z-score标准化处理。

(2)用训练集数据训练改进卷积神经网络，初始化模型的参数，利用BP算法微调网络的权重与偏置，迭代计算，达到设定要求后结束。

(3)网络输出的分类向量作为输入soft-max分类器，结合测试集数据输出五种特征量并进行分类。最后检验网络的训练精度是否满足要求。若满足，则保存网络模型；若不满足，则重新设置网络参数。

3 算例分析

利用华东某地电网的5月～7月异常状态电流时序数据说明所提方法的具体诊断过程，并验证所提方法的可行性和有效性。

3.1 数据与样本

根据电网调度系统中月报和储存的异常工作状态信息提取五种异常状态电流时序数据，包括设备线路短路故障、单相线路短路故障、线路重合闸后再跳闸、三相线路短路故障和正常调停误报，如图3所示，每个样本包含故障前后共3 s内的电流变化过程，有3 000个采样数据点。

图3 五种异常状态电流时序数据

从图3可以看出，不同工作状态下的瞬时电流变化情况不同，产生冲击电流的大小和尺度也不同。设备线路短路和正常调停的电流变化情况极其相似，难以直接通过电流时序数据对两种情况进行区分，需要通过深度学习模型进行诊断。电力系统实际运行时，线路重合闸再跳闸和三相短路情况出现频率较少，同时为了保证模型训练效果，设置样本如表1所示。设备线路短路故障、单相线路短路故障、线路重合闸后再跳闸和三相线路短路故障数据输入到卷积通道1中，正常调停误报数据输入到卷积通道2中。

表1 样本安排

对所有的原始数据进行Z-score标准化，如图4所示为标准化后的390组样本数据。通过标准化，将不同量纲和维度的指标结合对比分析，凸显出不同工作状况下时序电流数据的瞬时变化特征和振荡特征。

图4 标准化后的样本数据

3.2 训练与测试

将处理后的数据输入到改进卷积神经网络中，采用Adam优化器[13]算法来自适应调整学习率来加速模型收敛。本文使用其默认参数，依据经验设置学习率lr为0.001，当迭代到60次时模型收敛，结果如图5所示。

图5 改进CNN训练过程

使用改进CNN的故障诊断模型进行6次试验，结果如表2所示，测试集最高准确度为98.998%，最低为95.753%，6次试验测试集平均准确度为97.583%，训练时间为83.67 s。

表2 基于改进CNN的故障诊断结果

利用可视化工具t-SNE[14]将输出特征量降维到二维平面展示，结果如图6所示。输出特征量已经表现出完全分离状态，可将五种状态有效地分类识别。可见，本文的网络模型能够从时序电流数据中提取出特征量，并且可以将调停误报的情况与其他故障状态区分。

图6 改进CNN输出特征可视化

3.3 与其他方法对比

本文构建传统CNN模型和浅层学习模型ANN和SVM作为对照组[15]，其参数和优化策略与改进CNN一致，评估结果如表3所示。从表3可以看到改进CNN模型的准确度最高，传统CNN与SVM的准确度差别不大。

表3 不同模型的诊断效果

在试验中，计算机处理器为英特尔i3 7100，内存为16GB的DDR3内存。迭代训练完成共计耗时83.67 s。如果将故障发生时前后共计3 s的数据输入训练好的模型中，输出特征向量并进行分类识别的总耗时约为37 ms。模型仅需要训练一次，网络计算速度可以满足在线实时诊断的需要。

4 结束语

本文将卷积神经网络用于输电线路故障诊断中，提出一种基于改进的卷积神经网络的智能故障诊断模型。

(1)相比与传统卷积神经网络。本文提出的改进的卷积神经网络具有双通道输入和多层卷积池化层，并加入批归一化层优化网络结构，可以自动提取故障特征，故障诊断识别准确率达到了97.583%，效果显著，优于浅层学习的评估性能。

(2)通过优化网络模型，可以将线路的五种异常工况有效地分类和识别，尤其是将调停误报与其他四种故障情况分离，避免误报现象，实现智能诊断。