基于深度学习的输配电线路运行故障检测研究

刘志芬

（常州市晋陵集团变电工程公司）

0 引言

输配电线路是现代社会中重要的基础设施之一，承担着电力传输和分配的重要任务。然而，由于各种因素的影响，如设备老化、电力负荷过载和外界干扰等原因，输配电线路会出现各种故障，导致停电、设备损坏甚至安全事故。因此，对输配电线路运行故障进行准确、及时的检测和诊断具有重要意义［1］。随着电力供应可靠性和安全性的要求不断提高，传统的人工巡检和故障排除已经无法满足对输配电线路故障的检测要求。因此，研究人员和电力公司对输配电线路运行故障检测的研究兴趣日益增加。这种研究不仅能够提高电力供应的可靠性和安全性，还能够有效地提高能源利用效率、降低经济损失，并推动智能电网的发展。在过去的几年里，很多研究已经在输配电线路运行故障检测方面取得了重要的成果。例如文献［2］提出的基于仿真模型的输配电线路运行故障检测方法以及文献［3］提出的基于多旋翼无人机的输配电线路运行故障检测方法。但是这些方法存在检测精度低、检测效率不高的问题。因此，本文提出对输配电线路运行故障检测进行详细研究，这将有助于提高电力供应的稳定性、保障性和可持续发展性，实现现代电力系统的智能化管理和运营。

1 输配电线路运行故障检测

1.1 输配电线路运行的传感器信号采集

将电流传感器、电压传感器、温度传感器等安装在输配电线路的各个关键节点上，并通过传感器对电流、电压、功率和温度等数据进行实时监测，然后将数据传输到主处理器或数据采集单元。具体的过程如下：

（1）传感器安装：电流传感器、电压传感器和温度传感器等会被安装在输配电线路的关键节点上，这些关键节点包括主干线路、支线路、变压器、电缆接头等，以确保对电网运行状态的充分感知［4-5］。

（2）实时监测系统：传感器通过信号转换器将测量到的电流、电压和温度等参数转换为传感器信号，并通过无线网络或卫星通信等技术进行数据传输。将数据传输至中央处理器，中央处理器负责接收、存储和处理传感器所提供的数据。

在输配电线路运行数据采集过程中，中央处理器接收到的传感器信号如下：

式中，A(t)为传感器信号传输信道增益，ω为频率偏移参数，p(t)为传感器运行信号，n(t)为高斯白噪声，φ为相位偏移参数。

为了提高接收信号在数学计算和计算机存储方面的适应性和操作便捷性，可采用采样量化方法对接收的信号进行处理。通过选择适当的采样点数，可以使离散信号与原始信号更加接近，具体的实现过程如下：

将采样间隔设置为Ts，按照这一采样间隔对于中央处理器接收到的传感器信号y(t)进行采样处理。假设采样点数量为l，接收的离散时间采样矩阵用以下公式表示：

式中，yl为YD的第l个样本点，采集到的传感器信号样本为Ⅰ/Q格式，即传感器信号的实部和虚部构成信号数据集样本。因此yl可以以复数形式表示，具体的计算公式如下：

式中，Il为传感器信号数据样本点yl的实数值，Ql为传感器信号数据样本点yl的虚数值，j为虚数单位。所以传感器信号数据以以下形式存储到中央处理器，以便进行后续分析，具体的存储形式如下：

1.2 传感器信号预处理

S变换是一种常用的信号分析工具，可将时域信号转换为频域表示。其在传感器信号预处理中具有广泛的应用［6-7］。对于上述所得的传感器信号进行S变换处理，具体的处理公式如下：

式中，f为传感器采样频率，g(t)为高斯窗函数，σ为尺度因子，τ为待测传感器信号的时移因子。g(t)的计算公式为：

假设σ=这一公式成立，则公式（5）可以转换为以下形式：

在对传感器信号进行预处理的过程中，对S变换进行离散化处理，具体的处理公式如下：

式中，m为传感器信号的时间采样点，n为传感器信号的频率采样点，T为采样周期，N为采样点总量。传感器信号预处理结果用以下公式表示：

式中，k为离散系数，X为传感器信号的离散傅里叶变换处理结果。

1.3 基于深度学习的运行故障检测

卷积神经网络是一种深度学习方法，由卷积层、池化层和全连接层等组件组成。卷积神经网络架构如图1所示。

图1 卷积神经网络架构

（1）输入层

卷积神经网络的首层被设定为输入层，其主要任务是接收原始数据并进行预处理操作。主要由数据样本x和标签y组成，卷积神经网络输入用以下公式表示：

式中，n表示输入样本总量，xi表示第i个传感器信号数据样本，yi表示第i个传感器信号数据样本的标签。

（2）卷积层

在卷积神经网络中，卷积层是核心组件之一，其关键作用是从输入数据中提取特征信息。利用卷积核提取传感器信号数据样本特征的过程如下：

式中，为第l个卷积层中第j个卷积核的权重，∗为卷积运算符，为l-1层输出第q个尺寸为m的特征图，为第l个卷积层中第j个卷积核的偏置。

（3）池化层

池化层是卷积神经网络中常用的一种层次结构，用于在卷积过程中对特征图进行降采样。其作用是减少特征图的尺寸，同时保留关键特征信息，以降低模型的计算负荷，并且对输入数据具有平移不变性和部分抗噪性能。本文所构建的卷积神经网络由最大池化实现相关操作，最大池化的计算公式如下：

式中，Hin、Win为输入特征图的大小，k为池化窗口大小，Hout、Wout为输出特征图的大小，s为步幅。

（4）全连接层

全连接层的主要功能是特征提取和分类，该层输出的输配电线路运行特征用以下公式表示：

式中，xli-1为第l-1层第j个神经元的输入，与blj分别为第l层第i个神经元到第l层的第j个神经元的权重和偏置。

（5）输出层

卷积神经网络的输出层是网络中的最后一层，其负责将前面层次提取的特征映射转化为最终的输出结果，以完成输配电线路运行故障检测。具体结果如下：

式中，eZi为卷积神经网络中第i个节点的输出值，C为输配电线路运行特征数量，zk为输配电线路运行故障特征向量。

2 实验测试

2.1 实验方案

为验证基于深度学习的输配电线路运行故障检测方法的有效性，进行实验测试。实验选择某一地区配置的实际电力系统数据作为数据集，其中包含正常数据和故障数据。该电力系统发电机额定功率为500kW，变压器变比为0.4。使用型号为CT400-AQ的电流互感器，额定电流范围为0-2000A，精度为0.5%，采样速率为1kHz。使用型号为VT500-BQ的电压互感器，额定电压范围为0-1000V，精度为0.2%，采样速率为1kHz。使用512GB SSD固态硬盘进行数据存储，共采集18064个数据，其中包含正常数据15504个，故障数据2560个。该数据集中包含短路故障、漏电故障、过载故障、接地故障和相间短路故障等。使用内存为32GB的戴尔公司Aliеnwаrе Aurorа R12台式计算机，进行模型训练和数据处理。

按照上述实验背景，设置上述本文提出的基于深度学习的输配电线路运行故障检测方法为实验组，文献［2］提出的基于仿真模型的输配电线路运行故障检测方法和文献［3］提出的基于多旋翼无人机的输配电线路运行故障检测方法作为对照组，对比分析故障检测结果。实验以故障类型、故障位置和检测时间作为评价指标进行对比实验。

2.2 实验结果

选取过载故障、接地故障、相间短路故障三种故障类型各150个数据作为实验样本，分别采用所提方法、文献［2］方法和文献［3］方法对运行状态下的不同故障类型进行检测。三种类型的故障检测结果如表1所示。

表1 三种故障类型检测结果

观察表1可知，所提方法对三种故障类型的识别率在98.7%~100%之间，文献［2］方法对三种故障类型的识别率在85.3%~98.4%之间，文献［3］方法对三种故障类型的识别率在82.6%~98.5%之间。所提方法的故障类型识别率始终高于文献［2］方法和文献［3］方法，说明所提方法可以准确识别故障类型，实现高准确度的故障检测。

为进一步验证所提方法的可靠性，采用所提方法、文献［2］方法和文献［3］方法对故障位置进行检测实验。三种方法的故障位置检测结果如图2所示。

图2 三种方法的故障位置检测结果

由图2可知，文献［2］方法和文献［3］方法均不能检测出全部的故障位置，而所提方法能够检测出全部的故障位置。这说明所提方法的故障位置检出率较高，检测效果更好。

选取故障检测时间作为评价指标，统计所提方法、文献［2］方法和文献［3］方法的故障检测时间。三种方法的故障检测时间测试结果如表2所示。

表2 三种方法的故障检测时间测试结果

由表2可知，随着故障检测样本数量的增加，三种方法的故障检测时间均不断提高。但所提方法在故障检测方面表现出较快的响应时间，并且能够更准确地检测和识别电力系统中的故障情况。

3 结束语

输配电线路是供电系统中的重要组成部分，涉及电能的传输和分配。然而，由于各种因素的影响，输配电线路可能会发生故障，导致停电、设备损坏或安全事故等问题，因此对输配电线路的运行故障进行检测具有重要作用。本文提出了基于深度学习的输配电线路运行故障检测方法，通过实验证明该方法可以实现对于输配电线路运行故障的精准快速检测。所以本文研究可以监测线路的运行状态，并提前发现潜在故障的迹象，及时采取改进设计或改进运维和维护策略等预防措施以防止设备损坏和事故发生，提高系统运行效率。未来的研究工作可以继续推动故障检测技术的发展和创新，确保电力系统能够持续供给可靠的电力服务。