基于深度学习的高压输电线双极短路故障检测

王尚文

（国网湖北省电力公司，武汉 430000）

双极短路故障是指电力系统中的2 个相间导体（通常是直流输电线路）发生短路，此类故障通常发生在直流输电线路上，会对设备和系统造成严重的损坏和影响。双极短路故障电流具有高频分量，对电力系统的保护产生了挑战。随着电网规模的不断增加，对故障检测速度也提出了更高地要求，所以研究全新的故障检测方案[1-2]，快速检测并消除高压输电线双极短路故障具有十分重要的研究价值。

国内相关专家给出了一些比较高的研究成果，例如文献[3]优先在时域内提取故障特征，通过多重同步变换压缩完成故障检测；文献[4]提出了基于方向自适应检测器的输电线路设备检测方法。通过IoU-L1 计算目标检测头的损失函数，最终借助自适应检测器完成故障检测；文献[5]利用双路残差框架提取电力线目标的主干和边缘特征，将全部特征在不同尺度上展开深度整合，最终实现检测。由于上述几种方法具有一定的局限性，提出一种基于深度学习的高压输电线双极短路故障检测方法。

1 方法

本文以电压和相角为输入，对双极短路故障数据归一化处理，获取全新的时间序列，统一化高维时空样本序列实现降维处理，降低故障检测难度。基于此，采用改进的ITD 对全部数据分解处理，在深度学习中的高压输电线双极短路故障检测技术框架，输入分解后的故障数据，获取最终的故障检测结果。

1.1 双极短路故障数据预处理

假设随机变量I 服从正态逆高斯分布，则可以将其表示为

式中：α 为陡度参数；β 为样本数据对应的位置参数；ω 为规模参数；ψ 为对称参数。

随机变量对应的密度函数Znig（I，α，β，ω，ψ）可以表示为

假设对单一母线展开电压监测，获取的电压波动特征并不是十分明显，并且继电保护要求在最短的时间内完成故障识别，这样会出现采样数据和信息量不足的情况。所以，综合考虑高压输电线数据的特点，将母线的电压幅值以及相角作为整体输入，使得到的故障检测结果更加准确。以下对全部数据展开预处理，详细的操作步骤如下所示：

在时间序列数据内，由于电压和相角两者的取值范围存在差异，假设直接对数据降维处理[6-7]，会出现样本数据分布均匀的情况，进而对分析结果准确性产生影响。设定电压为u（i），相角为p，通过公式（3）将电压和相角转换为电压实部，使两者量纲和取值范围完全一致，在保留有效信息的基础上，实现数据归一化处理：

通过上述操作可以有效降低由于各种干扰因素导致的样本偏差，提高样本分布的均衡性。

由于电力系统具有时空特性，需要组建高压输电线双极短路故障样本，设定t 时刻第n 根母线的电压实部（t）和虚部（t），b 为最大时间采样点，通过公式（5）将两者整合，获取全新的时间序列(un：

将全部母线的特征时间拓展为一个含有全部母线信息的高维时空样本序列z，如公式（6）所示：

为了统一全部数据的格式，需要对公式（6）中的样本序列展开降维处理，如公式（7）所示：

式中：z（xyk）为降维处理后的样本序列。

1.2 双极短路故障检测

降维处理后的故障数据样本序列能够有效简化故障检测算法，使得研究方法适用于较大数据量。因此在完成数据预处理后[8-9]，采用改进的ITD 对全部数据分解处理，详细的操作步骤如下所示：

（1）确定高压输电线数据s（t）内的全部极值点H（t）和对应的时刻，通过定义算子提取分段线性基线L（x），如公式（8）所示：

式中：［βk，βk+1］为连续极值点间隔区间。

（2）提取不同区域高压输电线的控制点，通过镜像对称延拓展法分别向左右2 个端点扩展时间序列，进而得到如公式（9）所示的左右端极值点zx和zy：

（3）采用三次埃尔米特插值拟合全部极值点，将基线信号在原始信号中分离出来，进而获取lx（t）：

重复上述操作，直至lx（t）迭代形成一个PRC 分量，将PRC 在原始数据中划分处理，即可得到一个全新的数据ly（t），最终通过改进的ITD 分解完成特征值提取。

在深度学习中的高压输电线双极短路故障检测技术框架可以划分为2 类，分别为两阶段检测器和单阶段检测器。为了获取更加精准的高压输电线双极短路故障检测结果，引入深度学习算法中的CenterNet 展开检测，对应的网络架构如图1 所示。

图1 网络架构示意图Fig.1 Schematic diagram of network architecture

输入数据经过DLA-SE 特征提取网络获取特向量[10-11]，同时对不同目标中心点展开训练，获取目标边界框。根据数据标签将其输入到对应的网络结构内，输出与之对应的特征向量。

在关键点预测分支中，优先计算低分辨率的等价值Y（x，y，z），如公式（11）所示：

式中：∂p为关键点总数。

提取不同类型高压输电线双极短路故障特征的峰值点，进而得到对应的边界框，假设峰值点大于设定的邻域点数量，则保留该峰值点。边界框由模型预测获取的关键点、偏离量和尺寸全部是在指定位置形成的，后续不需要展开NMS 处理，即可直接通过关键点获取目标边界框的方法，有效提升深度神经网络的综合性能。利用公式（12）给出目标边界框ψ 表达式：

根据DLANet，可以在网络内加入全新的注意力机制，在网络指定阶段完成上采样和可变性卷积操作，有效提取高压输电线双极短路故障特征[12]，同时建立特征网络DLA-SE。SE 模块在深度神经网络中占据十分重要的地位，使其可以持续关注信息量最大的特征通道，并且将无利用价值的特征通道直接删除。详细的组成结构如图2 所示。

图2 SE 模块结构示意图Fig.2 Structure diagram of SE module

分析深度神经网络的组成结构，进而融合不同层次的全部特征信息。通过深度神经网络可以层划分为多个不同的块，将数值相同的块整合形成一个阶段。结合上述分析，给出深度神经网络训练的详细操作步骤：

（1）将网络权值展开初始化处理Ithd，对应的计算式为

（2）全部输入经过不同层的向前传播，进而获取网络的输出值ω（x，y），如公式（14）所示：

式中：f 为全部元素值；m 和n 均为常数；ψm，n为输入元素值；（b）为样本标记空间。

（3）通过公式（15）计算得到网络输出和目标输出之间的误差Cr：

（4）假设经过计算获取的误差值高于设定的期望值，则直接将误差值返回至网络内，得到不同层之间的误差。根据新的误差完成网络权值ω 更新，如公式（16）所示：

在完成训练后，通过改进的ITD 分解提取特征值，将重构获取的电流信号分解为PRC 分量，将全部PRC 分量按照从小到大的顺序排列，选取取值比较大的PRC 分量筛选出对应的特征，将筛选获取的特征和原始数据数据融合处理P，获取融合特征矩阵，如公式（17）所示：

将融合特征矩阵内的全部特征输入到深度神经网络内，最终实现高压输电线双极短路故障检测。

2 实验结果与分析

为了验证所提基于深度学习的高压输电线双极短路故障检测方法的有效性，构建了500 kV 高压输电线路的仿真模型，线路总长100 m。实验中，设置在测量点处进行正短路或负短路实验，在实际线路中，通过控制开关或刀闸进行不同位置短路实验。在不同测试条件下，优先分析所提方法的测试结果，如表1 所示。

表1 不同测试环境下所提方法的高压输电线双极短路故障检测性能分析Tab.1 Performance analysis of bipolar short circuit fault detection of high-voltage transmission lines using the proposed method under different test environments

通过表1 可以看出，在不同工作环境下，采用所提方法可以准确掌握电流幅值和检测量峰值的变化情况，充分证明所提方法具有良好的检测性能。

在整定值不同的情况下，分析各个方法的高压输电线双极短路故障检测时间变化情况，对比方法为文献[3]提出的基于多重同步压缩变换的短路故障检测方法和文献[4]提出的基于方向自适应检测器的短路故障检测方法。具体实验结果如图3 所示。

图3 不同方法的高压输电线双极短路故障平均检测时间实验结果对比Fig.3 Comparison of test results of average detection time of bipolar short circuit fault of high-voltage transmission lines with different methods

通过图3 能够看出，在整定值不断增加的情况下，各个方法对应的高压输电线双极短路故障平均检测时间均呈直线下降趋势。相比另外2 种检测方法，所提方法所花费的平均检测时间明显更低，说明所提方法可以以更快的速率完成高压输电线双极短路故障检测。

为了进一步测试不同方法的有效性，需要采用不同方法展开高压输电线双极短路故障检测，详细的实验测试结果如图4 所示。

图4 不同方法的高压输电线双极短路故障检测结果对比Fig.4 Comparison of detection results of bipolar short circuit fault of high-voltage transmission lines by different methods

通过分析图4 中的实验数据可知，采用所提方法可以准确检测出高压输电线双极短路故障；而另外两种方法在检测过程中由于受到各方面因素干扰，导致高压输电线双极短路故障检测结果并不准确，还需要进一步改进和完善。

为了进一步验证所提方法的检测性能，将漏检率作为测试指标，详细的实验结果如图5 所示。

图5 不同检测方法的高压输电线双极短路故障漏检率实验结果对比Fig.5 Comparison of test results of leakage rate of bipolar short circuit fault of high-voltage transmission lines with different detection methods

综合分析图5 中的实验数据可以看出，采用所提方法对高压输电线双极短路故障过程中出现漏检的概率明显更低一些，说明所提方法可以获取准确度更高的高压输电线双极短路故障检测结果。

3 结语

由于高压输电线结构复杂，若出现故障十分不利于电子元器件的工作环境，因此提出可靠的高压输电线保护策略具有十分重要的研究意义。为此，提出一种基于深度学习的高压输电线双极短路故障检测方法。经过大量实验测试证明，采用所提方法可以有效提升高压输电线双极短路故障检测结果的准确性，降低漏检率，提升检测效率，有效确保高压输电线的平稳运行。由于受到多方面因素影响，所提方法仍然存在一定的缺陷和不足，后续将对其展开更加深入的研究，进一步扩大研究范围，使其可以被应用于多个不同的研究领域。