深度學(xué)習(xí)在單相接地故障識別的應(yīng)用

楊晨 YANG Chen；蔣昊松 JIANG Hao-song；董曉峰 DONG Xiao-feng；李容 LI Rong；任睿 REN Rui；鄭坤承 ZHENG Kun-cheng；楊立璠 YANG Li-fan；曹宇 CAO Yu

（①國網(wǎng)江蘇省電力有限公司蘇州供電分公司，蘇州 215000；②施耐德電氣（中國）有限公司，上海 200000；③達(dá)特利克斯數(shù)據(jù)分析有限責(zé)任公司，卡爾斯魯厄 76133）

0 引言

在配電網(wǎng)中，通常采取中性點(diǎn)不接地或經(jīng)過消弧線圈或經(jīng)高電阻接地方式，統(tǒng)稱為小電流接地系統(tǒng)。小電流接地系統(tǒng)具有供電可靠性高，故障電流對設(shè)備沖擊小的特點(diǎn)，因而應(yīng)用廣泛。但是，單相接地故障檢測和選線一直是個“世界難題”。

單相接地故障檢測的難點(diǎn)在于故障特征不顯著。①流經(jīng)接地點(diǎn)的電流等于線路分布電容電流，數(shù)值較小，如果再經(jīng)過中性點(diǎn)消弧線圈補(bǔ)償，則接地電流更加微弱（≤10A）；②瞬時性故障燃弧持續(xù)時間非常?。?200ms）；③配電網(wǎng)的接地故障有很大比例（>20%）是導(dǎo)線墜地、樹線放電、人體觸電等高阻接地形態(tài)。此外，還要區(qū)別出來健康線路還是故障線路（選線），區(qū)別出來上游故障還是下游故障（選段）。

傳統(tǒng)接地故障檢測裝置（包括各類保護(hù)裝置和選線裝置）的算法都是基于電流和電壓波形的時域信號的故障特征信息提取，歸納為顯性的公式表達(dá)，但是由于觀察到的現(xiàn)象和理論推導(dǎo)得到條件相當(dāng)有限，無法描述可能隱含的規(guī)律；公式中不可避免地依賴于多個門檻值，通常是通過大量的仿真和少量的真實(shí)故障錄波來確定這些門檻值，卻難以找到合適的門檻值來匹配所有故障場景。

長期以來，傳統(tǒng)的接地檢測裝置的正確動作率只有70%左右，難以勝任新型配電網(wǎng)的發(fā)展要求，需要一種創(chuàng)新的解決方案。

1 深度學(xué)習(xí)機(jī)理概述

深度學(xué)習(xí)（Deep Learning，DL）是機(jī)器學(xué)習(xí)的一個子領(lǐng)域，機(jī)器學(xué)習(xí)又是人工智能的一個分支。深度學(xué)習(xí)是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的，但是和神經(jīng)網(wǎng)絡(luò)有著顯著的區(qū)別，深度學(xué)習(xí)汲取了80 年代神經(jīng)網(wǎng)絡(luò)的經(jīng)驗(yàn)，在諸如權(quán)重的初始化、非線性激活函數(shù)、反向傳播等方面做出了改進(jìn)。深度學(xué)習(xí)有別于之前神經(jīng)網(wǎng)絡(luò)的兩個標(biāo)志性特征為：海量的訓(xùn)練數(shù)據(jù)和多層網(wǎng)絡(luò)。

深度學(xué)習(xí)按照學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。本文采用監(jiān)督學(xué)習(xí)模式，需要對數(shù)據(jù)集進(jìn)行人工標(biāo)注，學(xué)習(xí)網(wǎng)絡(luò)根據(jù)學(xué)習(xí)的結(jié)果和人工標(biāo)注結(jié)果進(jìn)行對比，然后對網(wǎng)絡(luò)的參數(shù)進(jìn)行修正，直到準(zhǔn)確率達(dá)到設(shè)定的目標(biāo)為止。

深度學(xué)習(xí)性能提升的一個關(guān)鍵的原因還在于計算機(jī)硬件的提升可以使用更多層次的網(wǎng)絡(luò)來進(jìn)行梯度下降，這也是“深度”學(xué)習(xí)的名稱由來。另外一個使得深度學(xué)習(xí)能夠得到廣泛應(yīng)用的原因是傳感器，特別是攝像頭的大規(guī)模部署，使得今天采集數(shù)據(jù)比幾十年前容易很多。

2 DL 在接地故障識別中的應(yīng)用

深度學(xué)習(xí)在其他領(lǐng)域已經(jīng)有很多應(yīng)用，但是用在電力系統(tǒng)繼電保護(hù)領(lǐng)域還是一個新的探索。選取接地故障識別作為一個合適的切入點(diǎn)，基于如下幾點(diǎn)考慮：①小電流接地選線目前選線正確率仍舊不高，傳統(tǒng)的算法難以有所突破，需要一種創(chuàng)新性的解決方案。②小電流接地選線對時效性要求不高，允許人工智能算法在嵌入式設(shè)備上運(yùn)算較長時間。③小電流接地選線本質(zhì)上是一個波形識別問題，屬于圖像識別的范疇。深度學(xué)習(xí)在圖像識別的理論和應(yīng)用已經(jīng)比較成熟。

2.1 深度學(xué)習(xí)網(wǎng)絡(luò)類型的選擇

挑選合適的學(xué)習(xí)網(wǎng)絡(luò)類型需要考慮三個主要因素：應(yīng)用目標(biāo)匹配性、訓(xùn)練難易度和部署到嵌入式設(shè)備硬件上的計算成本。

本文研究的課題是基于電流和電壓的時域信號做判斷。所以這個時序信號識別的問題可以轉(zhuǎn)變?yōu)橐痪S的圖像識別問題，可以通過觀察信號波形做出正確識別。

本文采用卷積-長短期記憶（Convolutional LSTM 或ConvLSTM）學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，把卷積神經(jīng)網(wǎng)絡(luò)（CNN）與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的思想融合。ConvLSTM 關(guān)鍵表達(dá)式如式（1）所示，其中，“*”表示卷積運(yùn)算符，“°”表示哈達(dá)瑪乘積符：

卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上有很成功的例子，識別能力甚至已經(jīng)超過了人的識別能力。長短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）對于時序信號的識別有很多成功的例子。實(shí)踐中，采用一個多層一維卷積來實(shí)現(xiàn)接地故障識別目標(biāo)，然后開始簡化模型的層數(shù)和相應(yīng)的卷積核數(shù)量，經(jīng)過多個迭代優(yōu)化過程，獲得計算復(fù)雜度與識別準(zhǔn)確度均衡最優(yōu)的模型。

2.2 模型的訓(xùn)練和調(diào)校

2.2.1 構(gòu)建數(shù)據(jù)集 本文采用由電力系統(tǒng)仿真工具生成數(shù)據(jù)集用于模型訓(xùn)練、調(diào)校和測試。配網(wǎng)系統(tǒng)模型參考行業(yè)標(biāo)準(zhǔn)，仿真網(wǎng)絡(luò)的示意圖如圖1 所示。該配電網(wǎng)為單端輻射網(wǎng)絡(luò)，一條母線上帶有6 條10kV 饋線。每條饋線的長度在0-30km 之間可變，電纜和架空線的混合比例可變。變壓器采用兩種接地方式：不接地，和消弧線圈接地，消弧線圈設(shè)為根據(jù)電容電流自動調(diào)整為10%過補(bǔ)償。故障點(diǎn)設(shè)在每條饋線上的近端（靠近電源側(cè)）或遠(yuǎn)端（靠近負(fù)荷側(cè)），以及母線上。

圖1 仿真EMTP/ATP 網(wǎng)絡(luò)的示意圖

為了使仿真的結(jié)果盡量涵蓋所有工況，我們對仿真網(wǎng)絡(luò)的參數(shù)進(jìn)行了盡可能多的調(diào)整，力爭涵蓋所有具有代表性和甚至極端的情況。在圖1 所示的網(wǎng)絡(luò)中，我們將下列參數(shù)作為變量（見表1）。

表1 仿真網(wǎng)絡(luò)的變量

2.2.2 訓(xùn)練和調(diào)校 經(jīng)過上述的EMTP/ATP 和MATLAB 協(xié)同仿真，構(gòu)成180 萬個故障波形的數(shù)據(jù)集，其中區(qū)內(nèi)（正向）和區(qū)外（反向）故障各占50%。

數(shù)據(jù)集的70%作為訓(xùn)練用例輸入給訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)按照初始化的參數(shù)開始調(diào)整。數(shù)據(jù)集的10%作為調(diào)整用例，數(shù)據(jù)集的20%作為測試用例。

卷積層用來提取特征，如形狀、電流電壓的大小、出現(xiàn)的相對時間等；全連接層用來對提取到的特征進(jìn)行假設(shè)，嘗試提取出對結(jié)果有影響的特征；激活層對全連接層的數(shù)值計算結(jié)果進(jìn)行非線性處理，避免某個非常大的數(shù)值對結(jié)果產(chǎn)生過度的權(quán)重；輸出層將激活層的結(jié)果歸一化到一個向量空間，供判別區(qū)內(nèi)和區(qū)外故障采樣率為k=48、每次采樣范圍為N=1 個周期，接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)的卷積層包含的卷積核的數(shù)量為2，即n =2，卷積核1 和2的大小為5×5，處理損失函數(shù)采用交叉熵?fù)p失函數(shù)：

激活層采用Sigmoid 激活函數(shù)，把輸出值壓縮在0～1之間，用于表示某個分類的概率，其表達(dá)式如下：

對于區(qū)外（反向）故障電流信號樣本，其真實(shí)標(biāo)簽向量為[1，0]，表示該樣本是區(qū)外（反向）故障電流信號的概率為1，是區(qū)內(nèi)（正向）故障電流信號的概率為0；對于區(qū)內(nèi)（正向）故障電流信號樣本，其真實(shí)標(biāo)簽向量應(yīng)該為[0，1]，表示該樣本是區(qū)外（反向）故障電流信號的概率為0，是區(qū)內(nèi)（正向）故障電流信號的概率為1。

將某一個訓(xùn)練樣本M1 提供給接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)。已知M1 的是區(qū)外（反向）故障電流信號樣本，其真實(shí)標(biāo)簽向量為[1，0]。

由接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于M1 的標(biāo)簽向量結(jié)果為[0.4，0.6]，也就是說，此時的接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)認(rèn)為樣本M1 是區(qū)外故障的概率為40%，且是區(qū)內(nèi)故障的概率為60%。這說明此次接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)對樣本M1 的分類是比較錯誤的。

通過式（2）可以定量計算損失函數(shù)L=0.91，遠(yuǎn)大于設(shè)定的門檻值0.01，表明接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)此次學(xué)習(xí)不滿足學(xué)習(xí)目標(biāo)。

接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)根據(jù)反向傳播算法更新其參數(shù)，這些參數(shù)包括卷積層的卷積核1 和2 的大小為5×5 的權(quán)重矩陣、第一全連接層的大小為20×44 的權(quán)重矩陣W1，第二全連接層的大小為2×20 的權(quán)重矩陣W2。

更新完成后，將訓(xùn)練樣本M2 提供給接地故障方向性檢測神經(jīng)網(wǎng)絡(luò)，然后再執(zhí)行對訓(xùn)練樣本M2 的特征提取、分類、處理損失計算等。直到處理損失L<0.01，訓(xùn)練結(jié)束。

訓(xùn)練完成后，將得到卷積層的對應(yīng)于2 個卷積核的確定的2×5×5 的權(quán)重矩陣、第一全連接層的對應(yīng)于權(quán)重矩陣W1 的確定的20×44 權(quán)重矩陣、以及第二全連接層的對應(yīng)于權(quán)重矩陣W2 的確定的2×20 權(quán)重矩陣，與先前設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、激活函數(shù)等，共同構(gòu)成訓(xùn)練好的小電流接地選線神經(jīng)網(wǎng)絡(luò)。

2.3 AI 算法嵌入式部署

當(dāng)深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)在Python 環(huán)境中完成訓(xùn)練和調(diào)校后，可以提取出一個用于判別的參數(shù)網(wǎng)絡(luò)。相比學(xué)習(xí)過程需要的海量計算資源，判別網(wǎng)絡(luò)需要的計算資源大為減少。通過C/C++將此網(wǎng)絡(luò)移植到傳統(tǒng)的繼電保護(hù)裝置硬件平臺上，即可完成AI 算的嵌入式部署。

圖2 給出了算法整體框架圖。啟動器和確認(rèn)器采用傳統(tǒng)的判斷邏輯，判別器應(yīng)用前述的深度學(xué)習(xí)網(wǎng)絡(luò)自動尋找公式和參數(shù)矩陣。

圖2 含有AI 的算法框圖

2.3.1 數(shù)據(jù)預(yù)處理 盡管采用了對預(yù)處理要求較低的ConvNet 網(wǎng)絡(luò)，但是為了提高深度學(xué)習(xí)網(wǎng)絡(luò)的執(zhí)行效率，輸入的數(shù)據(jù)需要預(yù)處理。

本方案截取故障開始后的第一個周波（20ms）的數(shù)據(jù)傳遞給學(xué)習(xí)網(wǎng)絡(luò)，因?yàn)楣收系臅簯B(tài)特征主要出現(xiàn)在這個時間窗內(nèi)。

將三相電流的突變量傳遞給學(xué)習(xí)網(wǎng)絡(luò)，即故障時的電流減去正常負(fù)荷電流。這樣的處理可以避免故障發(fā)生前不同的負(fù)荷水平帶來的影響，也有助于避免分布式電源的影響。

2.3.2 啟動器 采用零序電流突變量門檻值來檢測故障開始，將深度學(xué)習(xí)網(wǎng)絡(luò)要判別的情況限定在接地故障已經(jīng)發(fā)生的窗口內(nèi)。

因?yàn)椴捎昧阈螂娏魍蛔兞縼韱?，所以即便系統(tǒng)在正常運(yùn)行中有一些零序電流，也可以采用非常低的門檻值，以便盡可能靈敏地檢測到故障。我們采用零序電流的采樣值突變量啟動，啟動值考慮了裝置的內(nèi)部二次CT 和現(xiàn)場零序一次CT 的采樣精度，設(shè)置得盡可能低，保證了盡可能靈敏和快速的啟動，保證能夠抓取到故障暫態(tài)剛開始波形。

2.3.3 識別器 識別器是實(shí)施AI 算法的主體。只有在啟動之后，深度學(xué)習(xí)網(wǎng)絡(luò)才會投入工作，避免在正常工況占用過多的計算資源。經(jīng)過上面的處理，深度學(xué)習(xí)網(wǎng)絡(luò)只需專注處理區(qū)內(nèi)（正向）故障和區(qū)外（反向）故障的二分類問題即可，而不用判別是否發(fā)生了一個真的接地故障。并且三相電流經(jīng)過突變量的處理去除了負(fù)荷電流的影響，也能夠更好地幫助深度學(xué)習(xí)網(wǎng)絡(luò)專注于故障識別本身。

2.3.4 確認(rèn)器 識別器的接地故障識別結(jié)果需要采用殘余電壓來確認(rèn)故障，只有經(jīng)過確認(rèn)的故障識別結(jié)果才會輸出。確認(rèn)器采用設(shè)定的殘余電壓門檻值來確認(rèn)故障。這樣可以把故障檢測機(jī)制設(shè)置的盡量靈敏，但是又避免了誤動作。當(dāng)下游的變壓器上電時，因?yàn)橄到y(tǒng)不接地，所以勵磁涌流中不含有零序分量，即便有，也是因?yàn)閿嗦菲骱祥l不同步造成的，通常在幾毫秒內(nèi)就消失了。因?yàn)榇_認(rèn)器會在一段時間（可設(shè)）后才確認(rèn)殘余電壓是否仍舊高于門檻值，所以可以躲過這個時間而避免誤動。

2.4 驗(yàn)證測試

部署了AI 算法的保護(hù)裝置進(jìn)行黑盒測試。采用了RelaySimTest 重新搭建模型，生成20000 個測試用例，總體的識別正確率在99.5%以上。在第三方試驗(yàn)室對保護(hù)裝置進(jìn)行了測試時，960 個測試用例全部正確動作，動作時間均在60ms 以內(nèi)。

AI 算法的優(yōu)勢還體現(xiàn)在耐受過渡電阻能力上。當(dāng)過渡電阻達(dá)到5000 歐姆時，仍能準(zhǔn)確判斷出區(qū)內(nèi)（正向）故障。

在測試時，加入了白色噪聲模擬采樣環(huán)節(jié)帶來的干擾，AI 算法判別的正確率仍舊在99%以上。在高次諧波測試環(huán)節(jié)，諧波含量為基波的6%，模擬接地故障132 次，裝置仍舊100%正確判別。

3 總結(jié)

將深度學(xué)習(xí)應(yīng)用于小電流接地系統(tǒng)的接地故障識別和選線領(lǐng)域，可以取得以往傳統(tǒng)算法無法達(dá)到的準(zhǔn)確率。AI 算法和傳統(tǒng)繼電保護(hù)裝置/選線裝置相結(jié)合，明顯提升了裝置性能。

仍應(yīng)清醒地認(rèn)識到，AI 算法引入到電力系統(tǒng)繼電保護(hù)領(lǐng)域還是探索階段。采用深度學(xué)習(xí)開發(fā)的保護(hù)算法仍舊有待進(jìn)一步驗(yàn)證，包括采取掛網(wǎng)試運(yùn)行、真型試驗(yàn)等方式；研發(fā)人員也將不斷地探索更多的人工智能算法開發(fā)方式，如增加算法的可解釋性、新的學(xué)習(xí)模式（如遷移學(xué)習(xí)、在線學(xué)習(xí)等）；運(yùn)行、維護(hù)單位也應(yīng)積累相關(guān)的運(yùn)行管理經(jīng)驗(yàn)，應(yīng)對新技術(shù)帶來的變化。