智能配電網(wǎng)中的故障檢測與自愈系統(tǒng)研究

摘要：傳統(tǒng)電力系統(tǒng)的接地故障檢測和自我修復手段往往因反應遲緩和精度不高而受到挑戰(zhàn)。通過構建一相接地故障識別框架，核心在于聚焦于零序電流這一關鍵指標，對零序電流信號進行了多維度的處理，將其轉化為時域、頻域和小波域的特性向量，并借助隨機森林算法賦予這些特征不同的權重。然后，利用LightGBM算法對這些經(jīng)過分類的特征向量進行深度學習訓練，從而實現(xiàn)精確的故障預測。該算法能有效抵御過渡電阻和初始相位角變化對預測結果的影響，準確性表現(xiàn)達到98.9%，遠超其他比較算法。

關鍵詞：廣域信息小波分析隨機森林故障檢測

ResearchonFaultDetectionandSelf-HealingSysteminIntelligentDistributionNetwork

XIAOZhifeng

TongyuCountyPowerSupplyCompanyofStateGridJilinElectricPowerCo.，Ltd.，Baicheng，JilinProvince，137200China

Abstract：Thetraditionalgroundingfaultdetectionandselfrepairmethodsinpowersystemsareoftenchallengedduetoslowresponseandlowaccuracy.Byconstructingauniqueframeworkforidentifyingonephasegroundingfaults，withafocusonthe keyindicatorofzerosequencecurrent，thisarticleprocessedthezerosequencecurrentsignalinmultipledimensions，，convertingitintocharacteristicvectorsinthetimedomain，frequencydomain，andwaveletdomain，andassigningdifferentweightstothesefeaturesusingRandomForestAlgorithm.Then，theLightGBMalgorithmisusedtoperformdeeplearningtrainingontheseclassifiedfeaturevectors，inordertoachieveaccuratefaultprediction.Thisalgorithmcaneffectivelyresisttheinfluenceoftransitionresistanceandinitialphaseanglechangesonthepredictionresults，withanaccuracyperformanceof98.9%，farexceedingothercomparativealgorithms.

KeyWords：Wide-areainformation;Waveletanalysis;Randomforest;Faultdetection

電力網(wǎng)絡的自我修復機制主要涉及定位電網(wǎng)故障區(qū)段并隔絕，以確保非故障區(qū)域的穩(wěn)定供電。在各種故障類型中，接地故障是最普遍的一種。我國的配電網(wǎng)常常采用中性點不接地的方式，即小電流接地的防護策略。面對單相接地故障，電路特性表現(xiàn)為電壓對稱且線性，故障電流微小，達不到預設的故障標準，導致后端設備因過壓而短路，進而加劇故障規(guī)模。因此，對單相接地故障的識別和消除至關重要。

1智能配電網(wǎng)及其自愈能力

1.1智能配電網(wǎng)的特點

智能配電網(wǎng)是現(xiàn)代系統(tǒng)的重要組成部分，它利用信息化、自動化和智能化技術，實現(xiàn)了配電網(wǎng)的高效運行和管理。智能配電網(wǎng)通過信息化技術實現(xiàn)了配電網(wǎng)數(shù)據(jù)的實時采集和處理，通過在配電網(wǎng)中部署大量的傳感器和監(jiān)測設備，可以實時收集配電網(wǎng)的運行數(shù)據(jù)，包括電壓、電流、功率等信息[1]。這些數(shù)據(jù)的實時采集和處理，使得配電網(wǎng)的運行狀態(tài)可以實時監(jiān)控，有助于及時發(fā)現(xiàn)和解決配電網(wǎng)中的問題。

1.2自愈能力的重要性

自愈能力作為智能配電網(wǎng)的關鍵特性，它顯著有別于傳統(tǒng)配電網(wǎng)。在智能配電網(wǎng)中，一旦監(jiān)測到故障發(fā)生，系統(tǒng)能夠迅速啟動自愈機制，自動識別故障點，并采取措施將故障區(qū)域與其他非故障區(qū)域隔離開來[2]。這一過程無需人工干預，完全由系統(tǒng)自動完成。隔離故障點之后，智能配電網(wǎng)會立即啟動恢復供電流程，通過重新配置電力流向，使得非故障區(qū)域能夠盡快恢復供電。這種快速響應和自動處理的能力，大幅減少了停電的時間和范圍。此外，智能配電網(wǎng)的自愈能力還包括了自我診斷和自我修復的功能，實時監(jiān)測運行狀態(tài)，對潛在的故障進行預警，并及時進行調整和修復，以防止故障的發(fā)生。

2接地故障檢測模型

2.1零序電流特征提取算法

通過深入探討零序電流的特性，可據(jù)此定位故障點，首要任務即是對這些特性進行全面的提煉。電信號可劃分為基本頻率和高次諧波，本研究關注的是信號在時間域、頻域和小波域的特性[3]。（1）時間域特性揭示了信號的直觀屬性，以時間作為衡量尺度，選取了電流和電壓的平均值、標準偏差、峰值和波形系數(shù)作為關鍵指標。（2）頻域特性方面，當配電網(wǎng)線路出現(xiàn)故障，信號的頻譜會有所變化，頻域分析有助于故障檢測。此處選取的特征包括頻譜功率和相位變化參數(shù)。（3）小波域特性利用小波分析對復雜信號進行全方位解析，避免信息丟失。采用三層小波包絡分析算法，能獲取8個不同的子信號頻段。

2.2隨即森林算法特征權重排序

集成學習概念下的隨機森林算法運用了眾多獨立決策樹的集體智慧來執(zhí)行分類任務。隨機森林的運作流程可劃分為兩個階段：模型構建與類別判定。假定隨機森林所處理的故障特征樣本庫為。首先，運用Bootstrap抽樣技術從原數(shù)據(jù)中抽取新的子集，隨后在每個子集上獨立培養(yǎng)決策樹模型，由此產(chǎn)生一系列的決策樹分類器[4]。當樣本經(jīng)過這些分類器時，每個分類器將依據(jù)其判斷結果賦予樣本一定的權重，最后，所有權重被匯總并根據(jù)最大權重的類別作為最終的輸出決策。

2.3基于LightGBM的故障分析算法

LightGBM（LightGradientBoostingMachine）全稱為輕量級梯度提升機，源于梯度提升決策樹（GradientBoostingDecisionTree，GBDT）的概念，構建了一個創(chuàng)新的框架。與常規(guī)算法側重于正負樣本權重的差異不同，決策樹系列的LightGBM運用前向分布算法，致力于減少前一輪迭代的誤差，從而遵循梯度下降的路徑。盡管GBDT主要適用于離散數(shù)據(jù)，并依賴一階導數(shù)優(yōu)化損失函數(shù)，導致運算順序性強，LightGBM采用了Histogram策略。這一策略通過深度學習方法模擬各節(jié)點的演化，不僅能夠利用并行內(nèi)核加速計算，還顯著提升了數(shù)據(jù)處理效率。若用監(jiān)督學習的數(shù)據(jù)集來表示，LightGBM的目標是找出一個函數(shù)映射，以最小化模型損失函數(shù)的期望值，其計算方式見式（1）。

2.4故障分析模型

本研究的算法實施分為三個核心環(huán)節(jié)：預備數(shù)據(jù)處理、樣本權重評估及故障解析。在預備數(shù)據(jù)處理階段，首先獲取原始數(shù)據(jù)，接著運用時域、頻域和小波域的分析手段對數(shù)據(jù)進行細分，生成多元特性[5]。隨后，樣本權重評估部分利用隨機森林策略對這些多元特性進行排序操作。最后，故障解析模塊依賴于LightGBM工具，對多源數(shù)據(jù)特性進行深入探究，以得出最終的故障預測區(qū)域。

3實驗分析

3.1實驗環(huán)境

在MatlabSimulink環(huán)境下構建了高壓輸電線路的仿真模型，針對特定地理區(qū)域的500kV線路。設定線路的等效電容為10nF，并設定電流采樣頻率為10kHz[6]。模型中包含了三條線路，其長度分別為：第一線路150km，第二線路130km，第三線路200km。為了評估模型在故障識別方面的效能，設計了一系列故障條件，生成多樣化的樣本集以增強檢測精度。依據(jù)電流信號的特性，考慮了不同的初始相位、過渡電阻和故障位置進行組合。表1列出了用于訓練的故障參數(shù)詳細信息。

3.2算法測試

在研究中，在表1中探索了多元變量，包括多種相位角配置、差異性的過渡電阻以及故障發(fā)生的具體位置。當電力傳輸線路遭遇地線故障時，電流動態(tài)特性會發(fā)生顯著變化。過渡電阻的微妙調整會潛在地干擾故障檢測的精確度。為了深入理解這一影響，先進行詳盡定量分析，在此過程中，挑選了XGBoost、SVM和CNN這三種先進的算法作為基準進行性能比較。實驗數(shù)據(jù)和結果如表2所示。

如表2所示，本文提出的算法能確保在700Ω以下的線路識別精度，即使對于過渡電阻高達1000.2Ω的線路，錯誤判斷率也能保持在0.5%以內(nèi)。與其他列示的算法比較，本算法的誤判率更低?？紤]到實際線路的過渡電阻通常不超過1000Ω，表明本文算法具備出色的抗干擾性能。在后續(xù)實驗中，選擇100Ω作為試驗的過渡電阻。

通過將模擬獲得的故障距離實例導入算法模型進行評估，以證實各種算法在各類電流相位和故障定位上的預測精度。采取隨機方式確定故障發(fā)生的間距和起始相位，利用50輪測試的平均值來量化故障檢測的準確性。實驗結果對比如表3所示。

從表3的數(shù)據(jù)可以觀察到，本研究提出的算法在故障識別上的精確度十分出色，平均準確率達到98.9%，相對比其他算法分別提高了1.3%、2.4%和0.8%。這顯示出通過整合特征分類工具RF與故障預測工具LightGBM，本文算法能顯著增強原有故障檢測的準確性。

4結語

本文構建了一種融合隨機森林與LightGBM的電力線路故障診斷及恢復策略。該方法專注于單相接地故障，深入探討了零序電流模型，并執(zhí)行了電流信號的剖析。借助隨機森林算法對特征矢量實施排序和分類操作，運用LightGBM模型進行故障預測。仿真實驗顯示，提出的算法在各種運行條件下均能實現(xiàn)高精度的故障識別，并展現(xiàn)出良好的抗干擾性能。

參考文獻

[1]周鑫，羅燕萍，戎駿，等.基于多源大數(shù)據(jù)的智能配電網(wǎng)停電故障分析與優(yōu)化配置研究[J].自動化與儀器儀表，2024（3）：101-105.

[2]DUYL，DUONGB，CAON，etal.FLISRApproachforSmartDistributionNetworksUsingE-TerraSoftware—ACaseStudy[J].Energies，2018，11（12）：3333.

[3]SAPONUTZOGLOUN，LAGOJ，RAISONB.Faultdiagnosisinlowvoltagesmartdistributiongridsusinggradientboostingtrees[J].ElectricPowerSystemsResearch，2020，182：106254.

[4]鄒彬，李瑋，韓俊.基于Multi-Agent的智能配電網(wǎng)自愈系統(tǒng)研究[J].自動化與儀器儀表，2020（10）：145-148.

[5]胡偉，周敏.多源智能配電網(wǎng)自愈控制關鍵技術研究[J].科技與創(chuàng)新，2023，2（18）：1-4，9.

[6]MDENFC，KAKUEFJV，BOUMTA，etal.Faultdetectionandclassificationusingdeeplearningmethodandneuro‐fuzzyalgorithminasmartdistributiongrid[J].TheJournalofEngineering，2023，2023（11）：e12324.