基于機(jī)器學(xué)習(xí)算法的電力系統(tǒng)故障診斷

姜澤苗 袁 喆

（國網(wǎng)山東省電力公司超高壓公司）

0 引言

在任何一個(gè)國家的發(fā)展中，能源都扮演著重要的角色。電能是最精煉的能源形式，被認(rèn)為比其他所有形式的能源都優(yōu)越，它清潔、無污染，并且易于從一個(gè)地方運(yùn)輸?shù)搅硪粋€(gè)地方。能源部門扮演著重要的角色，因?yàn)閷﹄娏Φ男枨蟪手笖?shù)級增長，這需要在電力部門進(jìn)行巨額投資，以滿足這一需求。這種由于電力需求的增加而增加的發(fā)電量，使我們的電力電路變得更加復(fù)雜。為了提供持續(xù)可靠的電能，系統(tǒng)中的故障應(yīng)在最短時(shí)間內(nèi)被切除。

不同類型不良條件的存在會導(dǎo)致各種類型的故障，從而導(dǎo)致電力系統(tǒng)故障。因此，當(dāng)系統(tǒng)的任何部分發(fā)生故障時(shí)，都會降低用戶端對電力系統(tǒng)的信任，為了提供可靠和不受干擾的潮流，電力部門必須熟練地對不同類型的故障進(jìn)行分類和檢測。準(zhǔn)確識別和確定系統(tǒng)中故障的發(fā)生將有助于快速恢復(fù)因故障引起的干擾［1-3］。計(jì)算方法具有快速響應(yīng)能力，隨著計(jì)算技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)中的故障分類和分析開辟了更廣泛的應(yīng)用和評估解決方案，近年來，人們對電力系統(tǒng)中不同路段即輸配電系統(tǒng)的故障分類進(jìn)行了大量的研究工作。其中一種方法是阻抗測量技術(shù)，使用單側(cè)阻抗測量方法來查找和檢測故障的位置。機(jī)器學(xué)習(xí)技術(shù)使用不同的算法從給定的輸入數(shù)據(jù)中進(jìn)行訓(xùn)練和理解，而不需要針對不同的故障進(jìn)行編程，能對所提供的大量數(shù)據(jù)進(jìn)行提取并將其用于訓(xùn)練。

1 技術(shù)性分析

電力系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，由于受到多種因素的影響，如天氣、負(fù)荷、設(shè)備狀況等，可能會出現(xiàn)各種故障，如短路、設(shè)備失效等。這些故障不僅會對電力系統(tǒng)造成損失，還會對市民的生活生產(chǎn)帶來影響。因此，對電力系統(tǒng)故障的診斷分析非常重要。

傳統(tǒng)的電力系統(tǒng)故障診斷方法主要依靠專家經(jīng)驗(yàn)和模型模擬，但這種方法存在缺陷，即對專家經(jīng)驗(yàn)依賴度高，不能發(fā)現(xiàn)復(fù)雜的故障類型。另外，由于電力系統(tǒng)的復(fù)雜性，使用傳統(tǒng)方法進(jìn)行分析和處理需要耗費(fèi)大量的時(shí)間和經(jīng)費(fèi)。機(jī)器學(xué)習(xí)技術(shù)的出現(xiàn)，為電力系統(tǒng)故障診斷分析提供了一種新的思路。目前，用于電力系統(tǒng)故障診斷分析的常見機(jī)器學(xué)習(xí)算法包括：支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、決策樹和隨機(jī)森林等。

支持向量機(jī)（SVM）是一種用于分類和回歸分析的算法。當(dāng)電力系統(tǒng)出現(xiàn)故障時(shí)，SVM可以對系統(tǒng)中的各類變量進(jìn)行分類預(yù)測，從而發(fā)現(xiàn)故障的產(chǎn)生原因。此外，SVM還可以處理大量的數(shù)據(jù)，同時(shí)避免過擬合問題。神經(jīng)網(wǎng)絡(luò)是一種常見的機(jī)器學(xué)習(xí)算法，它是一種由多個(gè)神經(jīng)單元組成的計(jì)算模型，類似于人腦的神經(jīng)網(wǎng)絡(luò)。通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以讓其自主學(xué)習(xí)并識別電力系統(tǒng)中的不同類型故障。此外，神經(jīng)網(wǎng)絡(luò)可以處理非線性數(shù)據(jù)，對于電力系統(tǒng)中復(fù)雜的故障類型有很好的處理效果。樸素貝葉斯是一種基于貝葉斯定理的分類器，該算法在電力系統(tǒng)故障診斷分析中，可以利用歷史數(shù)據(jù)的統(tǒng)計(jì)信息來估計(jì)故障發(fā)生的概率。與其他機(jī)器學(xué)習(xí)算法相比，樸素貝葉斯具有模型簡單、計(jì)算速度快的優(yōu)點(diǎn)。決策樹是一種基于樹形結(jié)構(gòu)的分類器。在電力系統(tǒng)故障診斷分析中，決策樹可以根據(jù)電力系統(tǒng)中各類變量的關(guān)系，構(gòu)建出一個(gè)樹形模型來預(yù)測故障類型。決策樹可以處理數(shù)據(jù)缺失和噪聲干擾的情況，對于電力系統(tǒng)中噪聲較多或者數(shù)據(jù)不完整的情況具有很好的處理效果。隨機(jī)森林是一種集成學(xué)習(xí)算法，它通過隨機(jī)選取一定數(shù)量的特征和樣本來構(gòu)建多個(gè)決策樹，然后將多個(gè)決策樹集成為一個(gè)強(qiáng)分類器。在電力系統(tǒng)故障診斷分析中，隨機(jī)森林可以通過多個(gè)決策樹的集成，提高模型的準(zhǔn)確性和穩(wěn)定性。

機(jī)器學(xué)習(xí)算法的出現(xiàn)為電力系統(tǒng)故障診斷分析帶來了新的機(jī)遇和挑戰(zhàn)。通過使用機(jī)器學(xué)習(xí)算法，我們可以更準(zhǔn)確、快速地發(fā)現(xiàn)電力系統(tǒng)中存在的各種故障，并及時(shí)采取有效措施予以解決。

2 系統(tǒng)及理論分析

2.1 系統(tǒng)分析

為了分析不同類型的故障，考慮了IEEE-14總線系統(tǒng)，該系統(tǒng)有14條總線、2個(gè)發(fā)電機(jī)、3個(gè)同步補(bǔ)償器和不同的負(fù)載［4-5］。借助14總線數(shù)據(jù)，根據(jù)給定的每單位值計(jì)算出每條總線之間的實(shí)際長度，然后在Matlab仿真中對14總線系統(tǒng)進(jìn)行建模。將系統(tǒng)電源連接到每個(gè)母線示波器上，得到不同類型故障的電壓和電流波形。

根據(jù)計(jì)算出的兩母線之間的線路長度，將線路分為三部分。短傳輸線：如果兩母線之間的線路長度小于80km，則稱該線路為短傳輸線，在這種情況下，我們忽略該線路的電容效應(yīng)。中等傳輸線：如果線路長度在80～200km之間，則稱為中等傳輸線，在這種情況下，考慮線路的容性效應(yīng)，忽略導(dǎo)電效應(yīng)。長傳輸線：如果線路長度超過200km，則稱為長傳輸線。

經(jīng)計(jì)算后，母線1和母線2之間的長度為120km，表示該線路為中等傳輸線。對于母線之間產(chǎn)生的不同類型故障（對稱和不對稱），使用三相故障。14母線系統(tǒng)的單線框圖如圖1所示。

圖1 IEEE-14母線單線框圖

（1）對稱故障

眾所周知，電力系統(tǒng)在正常運(yùn)行時(shí)是平衡的。在這種類型的故障中，系統(tǒng)在故障發(fā)生后仍然保持平衡狀態(tài)。三相接地故障屬于對稱故障類型，系統(tǒng)中有許多不同的因素導(dǎo)致故障，例如環(huán)境因素，如雨、閃電、雪、地震等。故障的計(jì)算和類型研究對于獲得電力系統(tǒng)中保護(hù)設(shè)備的額定值（如繼電器和斷路器的額定值）是非常重要的。對稱故障雖然發(fā)生的比較少，但卻是各類故障中最為嚴(yán)重的。

（2）不對稱故障

在對稱故障情況下，系統(tǒng)在故障發(fā)生后仍處于平衡狀態(tài)，而在非對稱故障情況下，系統(tǒng)在故障發(fā)生后處于不平衡狀態(tài)。由于系統(tǒng)在故障發(fā)生后變得不平衡，因此對不對稱故障的研究是借助森林定理進(jìn)行的，該定理認(rèn)為任何N相量不平衡系統(tǒng)都可以分為N-1相量平衡系統(tǒng)和1相量共相量系統(tǒng)。利用森林定理，將3相不平衡相量分為2相平衡相量和1相共相量。將不平衡電壓和電流分為3個(gè)序分量，稱為正、負(fù)和零序分量，系統(tǒng)中存在不同類型的不對稱故障，主要有以下幾種：

①單線接地故障：這是其中一相與地發(fā)生短路的故障，這種故障可能是由其中一相與地之間的絕緣斷開而引起的，也可能是由其中一相導(dǎo)體斷開并落在地上而引起的。在線對地（LG）故障的情況下，所有電流序列分量（正極、負(fù)極和零極）都相等，因此等效電路串聯(lián)。

②雙線接地故障：這種故障是指任意兩個(gè)相量與地之間發(fā)生短路。在雙線接地故障時(shí)，所有順序電壓相等，因此在制作等效圖時(shí)，所有序列分量并聯(lián)連接。

③線對線故障（LL）：在這種故障中，任何兩相導(dǎo)體都會短路，電流的零序分量始終為零。

2.2 理論分析

數(shù)據(jù)來自IEEE-14總線系統(tǒng)，通過對不同類型的故障進(jìn)行仿真，獲得該數(shù)據(jù)用于生成兩組數(shù)據(jù)集。該數(shù)據(jù)集分為兩部分，一個(gè)數(shù)據(jù)集包含75%的數(shù)據(jù)，另一個(gè)數(shù)據(jù)集包含25%的數(shù)據(jù)。第一組數(shù)據(jù)（75%）在機(jī)器學(xué)習(xí)算法SVM的幫助下進(jìn)行訓(xùn)練，第二組數(shù)據(jù)（25%）用于測試通過訓(xùn)練75%的數(shù)據(jù)獲得的算法是否能夠精確地對不同類型的故障進(jìn)行分類。

主要使用監(jiān)督學(xué)習(xí)算法，它是一種分類器，用于分離數(shù)據(jù)，以便可以輕松地將新的傳入數(shù)據(jù)放入其所屬的類別中。SVM在不同類別的數(shù)據(jù)之間建立邊界或直線，稱為超平面。該算法分為不同的部分，其中首先提取數(shù)據(jù)，然后制作數(shù)據(jù)集，在訓(xùn)練部分?jǐn)?shù)據(jù)（這里是75%）之后，測試剩余的數(shù)據(jù) （這里是25%），以檢查該系統(tǒng)是否可以對數(shù)據(jù)進(jìn)行分類并將其精確地放入所需的類別中。

3 實(shí)驗(yàn)分析

對IEEE-14總線的Matlab仿真模型和不同類型故障的數(shù)據(jù)提取進(jìn)行適當(dāng)標(biāo)注，結(jié)果見表。

表故障案例仿真參數(shù)

不同類型故障的電壓波形如圖2～5所示。其中，圖2為單線對地故障波形，從圖中可以看出，故障后電壓值幾乎為零，電流幾乎不變。同樣地，圖3為雙線對地故障波形，圖4為線對地故障波形，圖5為對稱故障波形。

圖2 單線對地故障波形

圖3 雙線對地故障波形

圖4 線對地故障波形

圖5 對稱故障波形

另外，在機(jī)器學(xué)習(xí)算法的幫助下，得到了SVM分類器的混淆矩陣，它基本代表了真實(shí)值和預(yù)測值之間的偏差，系統(tǒng)對故障的分類準(zhǔn)確率達(dá)到99.40%。如圖6所示，其中，AUC為曲線下面積，ROC為接受機(jī)工作特性曲線。

圖6 接受工作機(jī)特性曲線

接受機(jī)工作特性曲線基本上代表了SVM分類器在所有分類閾值處的性能。圖7為借助機(jī)器學(xué)習(xí)算法得到的散點(diǎn)圖，它代表了不同變量之間的關(guān)系。

圖7 SVM 分類器散點(diǎn)圖

4 結(jié)束語

本文利用機(jī)器學(xué)習(xí)算法對電力系統(tǒng)故障進(jìn)行分類，提出了基于支持向量機(jī)的故障類型和距離估計(jì)技術(shù)。該方法產(chǎn)生了10種不同類型的短路故障事件，需要快速、正確、徹底地進(jìn)行故障分類和定位評估。該技術(shù)的獨(dú)特之處在于利用暫態(tài)數(shù)據(jù)分析故障，利用小波包變換收集大量特征，采用前向特征選擇方法去除冗余特征，從而提高預(yù)測精度，利用支持向量機(jī)的優(yōu)化值，并考慮多種仿真條件來建立測試數(shù)據(jù)矩陣。利用IEEE-14總線測試系統(tǒng)對兩種場景進(jìn)行了測試，提取了不同場景下的電流和電壓波形。從得到的結(jié)果中扣除混淆矩陣、散點(diǎn)圖和ROC曲線，找出系統(tǒng)的精度和準(zhǔn)確度，得到的準(zhǔn)確率為99.40%，因此發(fā)現(xiàn)SVM分類器是性能、評估和故障分類的最佳分類器。