基于OCSSA-VMD-CNN-BiLSTM的配电网单相接地故障选线方法

摘 要：本文针对配电网发生单相接地故障时，难以保证故障选线方法的准确性与稳定性的问题，提出一种基于鱼鹰和柯西变异的麻雀优化算法-变分模态分解和卷积神经网络-双向长短时记忆神经网络的配电网单相接地故障选线方法。首先，利用改进的变分模态分解提取故障时各线路的零序电流信号的特征向量。其次，利用改进后卷积神经网络对特征向量进行数据挖掘和故障类型分类，达到故障选线的目的。最后，通过搭建不同运行方式的仿真模型验证所提故障选线方法的有效性，并与传统模型进行对比试验。仿真结果表明，所提模型能够准确识别故障线路。

关键词：配电网；单相接地故障；变分模态分解；卷积神经网络；双向长短时记忆神经网络

中图分类号：TM 712" " " " 文献标志码：A

目前，我国配电网普遍采用小电流接地系统且发生故障的情况多数源于配电线路单相接地，故障检测和选线方法是及时清除故障、保障配电网安全可靠运行的关键技术[1]。在配电网的中性点经消弧线圈接地系统中，如果发生单相接地故障，消弧线圈就会提供电感电流进行补偿，导致故障电流微弱，电磁状态受扰严重，影响故障选线准确性，使故障性质劣化，危及系统和人身安全[2]。为此，研究快速、可靠的故障选线方法并及时切除故障是保证配电网稳定可靠运行的有效途径。

本文提出了一种基于改进变分模态分解（variational mode decomposition，VMD）算法与卷积神经网络（convolutional neural networks，CNN）-双向长短时记忆神经网络（Bi-directional Long-Short Term Memory，BiLSTM）相结合的故障选线方法。利用鱼鹰和柯西变异的麻雀优化算法（Osprey and Cauchy mutation sparrow search algorithm，OCSSA）对VMD进行参数寻优，并处理故障电流信号。再利用故障电流信号训练CNN-BiLSTM模型，并设置变工况故障运行仿真模型，验证本文所提方法的有效性和抗干扰能力。

1 基于OCSSA的VMD优化模型

当配电网中性点经消弧线圈接地系统发生单相接地故障时，故障线路电流信号具有非平稳性、故障特征微弱等问题，需要高效准确地提取故障电流信号特征。VMD是一种具有非平稳和完全非递归特性的信号分解方法，可以自适应地将输入信号分解为一组具有不同中心频率和带宽的子信号，在处理复杂度高和具有不平稳性的信号过程中具有良好性能。VMD原理详见文献[3]。

VMD的信号分解成效依需要进行分解参数选取，其中模态个数K和惩罚参数α的设置对分解效果影响较大。K取值过大会导致过分解，反之则会欠分解；α取值过大，会造成频带信息丢失，反之会信息冗余。因此，本文引入OCSSA优化VMD的参数，以取得最优分解效果，准确提取各频带范围的模态分量。

SSA是一种基于麻雀种群觅食行为的元启发式优化算法[4]。在SSA中，在寻优过程中探索和解的迭代模拟麻雀的自然生态行为，将搜索空间范围内的待需求解看作麻雀种群中个体单元的空间位置，优化目标为寻找麻雀种群的最优觅食策略，根据种群个体在麻雀种群中发挥的作用，将种群个体分为探索者、跟随者和侦察者，群体间可以共享信息。该算法过程控制参数较少，求解效率高。但是SSA过分依赖上一代麻雀的位置更新策略，易导致寻优方向出现偏差，同时SSA过于关注当前解的局部性，容易陷入局部最优解。为此，本文提出一种基于鱼鹰和柯西变异策略的SSA改进算法。

在第一阶段的全局勘探策略中，用鱼鹰优化算法替换原始麻雀算法的探索者位置更新。利用鱼鹰向鱼的运动模拟方式来更新麻雀算法中探索者的位置更新方式。鱼鹰优化算法在第一阶段的全局勘探策略如公式（1）所示。

xi，jP1=xi，j+ri，j‧（SFi，j-Ii，j‧xi，j） " " " " "（1）

式中：xi，jP1为第i只鱼鹰在第一阶段的位置；xi，j为鱼鹰个体；ri，j为区间[1，2]的随机数；SFi，j为第i只鱼鹰所确定鱼的位置；Ii，j为集合{1，2}中的随机数。

柯西变异算法可以对麻雀位置更新中的个体进行扰动，从而扩大麻雀算法的搜索规模，进而提升算法跳出局部最优的能力。采用柯西变异策略替换原始麻雀算法的跟随者位置更新公式，其数学表达式如公式（2）所示。

xbest（t+1）=xbest（t）+xbest（t）×cauchy（0，1） " " "（2）

式中：xbest（t+1）为替换后的麻雀位置；xbest（t）为原始麻雀位置的最佳值；cauchy（0，1）为标准正态分布。

根据经验确定合适参数是VMD算法的局限之一，本文提出运用OCSSA算法寻找VMD最优参数。OCSSA算法搜索VMD分解最优参数的关键问题是确定一个适应度函数。适应度函数选取的优劣决定OCSSA寻优VMD参数的好坏。为了更好地提取信号的故障特征，本文将排列熵和互信息熵的复合指标作为适应度函数，对VMD参数进行寻优。

2 基于CNN-BiLSTM的故障选线模型

CNN是一种含有卷积计算和深度架构的前馈神经网络，能够自主高效地挖掘输入数据的时空特征，在故障诊断、图像识别和目标检测等领域具有良好的应用成效[5]。CNN的主要结构包括卷积层和池化层，其中卷积层可以有效提取输入数据的非线性局部特征，池化层可以有效压缩特征维数和参数数量，提升数据泛化能力和收敛速度。

为有效处理循环神经网络（recurrent neural networks，RNN）在训练过程中出现的梯度消失和梯度爆炸的问题，引入输入门、遗忘门与输出门3个门控单元构建长短时记忆神经网络（Long-Short Term Memory，LSTM）。LSTM循环单元的细胞状态由输入门、遗忘门与输出门共同控制，可以有效处理传输的数据，保持信息更新和传递，使LSTM在挖掘长数据特征中具有更优良的表现。

BiLSTM在传统LSTM的基础上再次进行优化改进[6]，将前向传播和后向传播相结合，从两端分别进行数据挖掘，最终将正、反2个方向的处理结果进行拟合，得到识别结果。

本文使用CNN和BiLSTM的串联结构对VMD分解后的故障信息进行处理，提取序列维度上的特征信息，达到故障选线的目的。

3 两阶段故障选线模型

单相接地的故障信号通常会受多种因素的干扰，例如故障合闸角、故障类型、过度电阻值和故障距离等，使零序电流信号具有非常复杂的非线性关系，影响故障选线结果的准确性。因此，本文从数据处理和数据挖掘2个角度对故障线路进行诊断。

本文基于OCSSA-VMD提取原始零序电流信号的数字特征，利用CNN-BiLSTM对提取的数字特征进行深度挖掘，以达到精确识别故障线路的目的。基于OCSSA-VMD和CNN-BiLSTM的两阶段配电网故障选线流程如图1所示。

该模型包括数据处理和故障线路诊断2个阶段，其具体流程包括以下4个步骤。1） 搭建配电网仿真模型，设置不同的故障工况，采集各线路的零序电流信号，采样频率为10 Hz，截取各线路故障后的2个周波作为待分析信号。2） 利用OCSSA优化后的VMD求解每条线路的模态数K和惩罚因子α的最优组合，再将各线路进行分解，得到各线路的数字特征，并按照线路顺序进行拼接。3） 将处理好的故障电流信号特征的测试集作为本文构建的神经网络模型输入信号，训练基于CNN-BiLSTM的故障选线模型。4） 利用处理好的故障电流信号特征的测试集验证故障选线模型的准确性与适用性。

4 算例分析

4.1 仿真模型

本文搭建了中性点经消弧线圈并联小电阻灵活接地系统的仿真模型，如图2所示，包括4条馈线，其中馈线L1为架空线路，长度为20 km；馈线L2、L3为电缆线路，长度分别为16 km、18 km；馈线L4为线缆混合线路，长度为20 km，架空线路长6 km，电缆长度为14 km。

4.2 数据样本构建

设置的场景包括不同故障线路、故障类型、故障合闸角和故障距离。对第4.1节搭建的模型进行仿真，生成海量、全面的故障样本数据集。具体设置情景见表1。

4.3 故障选线模型训练和验证

本文运用OCSSA优化后的VMD，将仿真得到的样本数据进行分解并拼接，再标记好相应的故障类型标签。将处理好的标签数据输入CNN-BiLSTM中进行训练。为了验证训练后神经网络模型在不同故障下选线效果的准确性，将测试集按照类别进行验证，所得故障选线准确率见表2。

4.4 预测模型对比试验

为进一步验证本文提出的OCSSA-VMD-CNN-BiLSTM故障选线模型的性能，将本文模型与CNN-BiLSTM模型、VMD-CNN-BiLSTM模型的故障选线效果进行比较。为保证对比试验的有效性，各试验模型的CNN结构均相同，LSTM和BiLSTM的单元数保持一致，将模型的训练次数、学习率、正则化参数以及学习率调整因子等参数均设置为同一标准。3种故障选线模型的比较结果如图3所示，其中，混淆矩阵的行代表真实的故障线路结果，混淆矩阵的列代表预测的故障线路结果。

由图3可知，CNN-BiLSTM模型、VMD-CNN-BiLSTM模型和OCSSA-VMD-CNN-BiLSTM模型均能在一定程度上识别不同故障工况下的故障线路，证明了深度学习算法在故障选线领域的良好性能。同时可知，OCSSA-VMD-CNN-BiLSTM模型的平均准确率最高，准确率为100%，验证了本文所提方法的优越性。

CNN结合BiLSTM的模型有效改进了训练模型的时序依赖性，解决了梯度消失或梯度爆炸的问题，利用正序和倒序时序特征提取，更充分地探索了数据特征的时空特性，提高了模型的拟合度。在训练中合理调节学习率因子，可以平衡模型的稳定性与收敛速度，使模型更好地适应数据的复杂特性，快速、准确地收敛到全局最优解，提高了模型的故障选线准确率。

此外，OCSSA算法也提升了VMD的分解效果。在VMD中引入OCSSA，增加了参数寻优的多样性，改进了寻优更新方式，扩大了算法的搜索范围，进一步提高了算法跳出局部最优的能力，从而提升了VMD的分解效果，可以更好地处理数据特征，为CNN-BiLSTM训练模型提供良好的训练数据。

5 结语

本文提出了一种基于OCSSA-VMD-CNN-BiLSTM的故障选线方法，经仿真验证，可得出以下3个结论。1） 利用OCSSA改进VMD可有效改进消除参数设置中随机性与偶然性问题，取得数据最优分解效果，为深度学习模型提供了丰富的故障特征。2） 本文构建的CNN-BiLSTM训练模型可高效挖掘输入数据的时空特征，准确、高效地识别故障线路。3） 通过仿真验证表明，本文模型在不同故障位置、不同故障合闸角等工况下均具有良好的故障选线准确率。

参考文献

[1]许欣，张颖.基于边缘计算和小波神经网络的配电网故障定位研究[J].电器与能效管理技术，2022（8）：33-38.

[2]袁嘉玮，焦在滨.基于零序信号全波形识别的小电流接地系统故障选线方法[J].电网技术，2024，48（2）：839-853.

[3]张博智，张茹，焦东翔，等.基于VMD-SAST的电能质量扰动分类识别方法[J].中国电力，2024，57（2）：34-40.

[4]赖钧杰，文小玲，张淇，等.基于改进麻雀搜索算法的直流微电网容量优化配置[J].太阳能学报，2023，44（8）：157-163.

[5]朱晋，程启明，程尹曼.基于CNN-GRU深度学习的模块化多电平矩阵变换器故障诊断[J/OL].南方电网技术，2024，36（16）：1-9[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231121.1001.006.html.

[6]杨建，常学军，姚帅，等.基于WT-CNN-BiLSTM模型的日前光伏功率预测[J/OL].南方电网技术，2023，54（6）：1-10[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231117.1656.010.html.