1、2023 年4 月 电 工 技 术 学 报 Vol.38 No.8 第 38 卷第 8 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Apr.2023 DOI:10.19595/ki.1000-6753.tces.211990 基于时序卷积残差网络的主动配电系统线路短路故障诊断方案 褚 旭1 鲍泽宏1 许立强2 严亚兵2（1.湖南大学电气与信息工程学院 长沙 410082 2.国网湖南省电力有限公司电力科学研究院 长沙 410007）摘要 主动配电系统结构复杂、控制灵活，线路短路故障特征微弱，亟须适应性强、精度高的诊断方法。该文提出一种基于时
2、序卷积残差网络的主动配电系统线路短路故障诊断方案。该方案根据故障前后各特征通道之间在对应时刻的强相关性，利用时序卷积核沿时间轴方向卷积，提升感受野，减少信息损失，并利用残差网络的短接特性、深层挖掘故障特征，构建基于时序卷积（T-Conv）的残差网络模型。所提出的主动配电系统线路短路故障诊断方案融合故障检测、故障选型、故障定位功能，并将输出结果通过 AND 布尔算子结合，进一步提升故障诊断可信度。利用所搭建 10 kV 主动配电系统电磁暂态模型进行仿真验证，与现有同类型方法进行对比，结果表明所提故障诊断方案诊断精度高、计算速度快、无需附加信号处理算法，可直接端到端构建诊断模型。关键词：主动配电系
3、统 故障诊断 时序卷积 残差网络 中图分类号：TM75 0 引言 配电系统直接面向负荷，实现电能分配，是电力系统的核心环节1。为促进可再生能源消纳、推动能源结构转型，分布式电源（Distributed Generator,DG）大 量 接 入 输 配 电 终 端 形 成 主 动 配 电 系 统（Active Distribution System,ADS），其可实现系统全方位的可观、可控，并将成为未来应对 DG 并网、实现双碳目标的重要技术措施2-3。高比例的 DG 接入与传统配电网相比，网络结构复杂、分支众多，且逐步由单源辐射型向多源辐射型转变4-6，其中，逆变类电源由于限流控制导致故障电流
4、幅值与正常工况差异较小，再加之消弧线圈的补偿作用与高阻接地故障对故障特征的削弱作用7，将导致传统利用电流幅值的方法诊断可靠性与定位精度受到极大影响，严重情况将造成山火灾害、人畜触电事故，安全隐患较大。及时准确地进行故障检测、分类、定位，有助于 ADS 降低故障恢复决策难度、指导故障检修操作顺序、增强系统运行安全性8。配电系统线路短路故障诊断方案从原理上主要分为故障特征分析法9-19、人工智能算法20-27两大类。其中，故障特征分析法物理意义明确、可解释性强，但需专家经验，建模困难，诊断方案复杂度高；而人工智能算法无需复杂公式推导，依据数据学习建立诊断模型，虽可解释性差，但模型构建相对简单、判别
5、结果精度高，近年来得到广泛关注。基于故障特征分析，故障检测主要利用模态分解算法9-10、波形畸变特征11；故障定位主要利用行波到达时差12-13、主动信号注入14-15、暂态波形相似度16。此外，文献17利用开关变位信息及相量测量装置信息识别故障区段。文献18-19构建故障分支矩阵，以矩阵元素变化特征确定故障分支。基于人工智能算法，故障检测主要利用支持向量机20-21；故障定位主要利用卷积神经网络模型22、图卷积网络模型23、图注意力网络模型24、循环神经网络25；对于故障选型，文献26使用人工神经网络进行分类判别；文献27利用希尔伯特黄变换处理信号后送入卷积神经网络进行判别。综上所述，现有故
6、障诊断方案所针对诊断功能较为单一、未考虑多功能的融合，且针对不同类型的故障诊断场景，需要根 国网湖南省电力有限公司科技项目（5216A522000N）、国网湖南省电力有限公司电力科学研究院资助项目（5216A5210036）和湖南省自然科学基金项目（2020JJ5056）资助。收稿日期 2021-12-10 改稿日期 2022-07-02 第 38 卷第 8 期 褚 旭等 基于时序卷积残差网络的主动配电系统线路短路故障诊断方案 2179 据故障机理差异设计不同的诊断方案；特别对于人工智能类方法，由于所用模型特征挖掘能力不足，普遍需要额外信号处理方法进行人为特征提取，以辅助后续诊断模型判别，增加
7、了环节误差的累计。此外，上述方案多针对传统配电系统，应用于 ADS时诊断精度难以保证，造成误诊断或漏诊断，因此，亟须构建多功能、精度高、适应性强的 ADS 故障诊断方案。针对上述问题，本文提出了一种基于时序卷积残 差 网 络（Time-sequence convolution Residual Network,T-ResNet）的主动配电系统故障诊断方案，用于实现配电线路短路故障的检测、选型与定位。首先，利用时序卷积（Time-sequence Convolution,T-Conv）层替换残差网络中的传统图像卷积层，形成基于时序卷积的轻量化残差网络改进结构，以高效提取 ADS 故障信号的复杂、
8、抽象、微弱特征；然后，通过修改模型输出层结构，构建可实现故障选型、定位多功能融合的故障诊断模型，并将选型、定位判别结果利用 AND 布尔算子结合，能够在实现故障检测功能的同时提高可信度，指导工作人员及时发现异常、检修故障，加速系统恢复；最后，通过仿真和实验对所提方案的可行性和有效性进行了验证。1 时序卷积残差网络核心组件与原理 神经网络层数加深有利于学习、表征更多电气量非线性复杂数据特征，从理论上将获得更优的诊断模型，但由于梯度消失问题，模型训练难度随层数增加而大幅度增长。残差网络是一种特殊的卷积神经网络28，其通过引入网络层间短接线、生成回退机制，较好地解决了深层神经网络的梯度消失问题，进而
9、保证每层网络层都可获得足够的梯度用以更新自身参数，降低了模型训练难度29。针对电力系统时序信号所组成的特征矩阵，其在特征轴各通道间表现出强相关性，故障信息含量丰富。但传统图像卷积核感受野普遍较小，在沿特征轴方向横向卷积、特征变换后会在一定程度上割裂各通道间对应时刻的相关性，造成信息损失。此外，横向卷积增加核滑窗次数，使得计算运算过程臃肿、耗费计算资源较高。为避免上述问题，本文利用时序卷积核替代残差网络的传统图像卷积核，在提升感受野的基础上沿时间轴方向进行卷积，横向涵盖所有特征通道，以提升横向感受野、最大程度挖掘特征信息，构建基于时序卷积的轻量化残差网络诊断模型，直接端到端建立故障电气量与系统诊
10、断结果之间的非线性映射。时序残差网络核心组件主要包含短接线以及时序卷积层、批归一化（Batch Normalization,BN）层、修正线性激活单元（Rectified Linear Unit,ReLU）等权重层，如图 1 所示，具体实际诊断模型可通过堆叠、组合这些核心组件实现。图 1 时序残差网络核心组件 Fig.1 Core components of T-ResNet 1.1 短接线 如图 1 所示，通过在内部权重层的输入和输出之间添加短接机制，进而可实现层数回退功能。输入x通过权重层后得到特征变换后的输出()xF，与输入x进行对应元素的相加运算，得到最终输出()xH，即 ()()xx
11、x=+HF（1）由于上述短接机制，网络内部权重层学习由()xH转换成学习()xx-H的过程，且在反向传播时，梯度可以更快速、完整地传播至靠近输入的网络层，有利于网络参数训练。1.2 时序卷积层 时序卷积原理如图2所示，每个时序卷积核横向伸缩宽度以自适应匹配输入特征通道数目，保证感受野覆盖至所有特征通道 j，充分融合通道之间的特征信息，且省去卷积核横向平移的计算过程，节省计算时间、提升计算效率。纵向根据电气量故障暂态时序形态特征与采样频率设定核尺寸及步长大小，并沿时间轴i滑动向下卷积，依次挖掘时间轴上的故障局部特征，并将每次滑窗计算结果依次映射至新的特征图谱矩阵中；多个不同的卷积核（1,2,n）
12、共同构成时序卷积层，多方位提取突变细节信息，并将信号局部特征投射到不同的空间，形成包含不同特征信息的时序特征序列，最后将上述序列沿特征通道 j 方向拼接，形成涵盖各种特征信息的特征图谱，并送入下 2180 电 工 技 术 学 报 2023 年 4 月 图 2 时序卷积原理 Fig.2 Principle of time-sequence convolution 层网络处理。上述时序卷积层处理后的特征信号传递公式为 1(,)(,),connijLLLLiji s ji jji jxfxKb-+|=|+|M（2）式中，Lijx为网络第L层的输出；1Lijx-为第 L 层的输入；nijM为每个时序卷
13、积核矩阵；s 为指定步长下每次沿时间轴进行卷积运算时相对于初始索引位置计算窗口所需移动的距离；K 为时序卷积核；b 为偏置；()f.为激活函数；con为将多个卷积核计算结果按特征轴方向进行拼接。1.3 批归一化层 BN层可将数据映射到同一分布，降低网络对超参数敏感度、提升网络性能和收敛速度30，定义为 1211111miimmiiiixxmxxxmm=-=+-+|?（3）式中，m为每批样本数；x和x?分别为经网络数据标准化自适应缩放平移前后的输入和输出；、分别为缩放、平移参数，由网络反向传播算法自动优化。1.4 修正线性激活单元 ReLU能够增加模型的非线性程度，有助于模型学习复杂数据特征、避
14、免梯度弥散现象31，定义为 ininReLU()max(0,)xx=（4）式中，xin为ReLU的输入。由式（4）可得，ReLU对负数全部抑制为0，正数得以保留，具有单侧抑制、相对宽松的取值边界的特性。2 基于时序卷积残差网络的故障诊断方案 2.1 样本矩阵数据归一化 为实现故障诊断功能，需使用样本对其进行离线训练。需要注意的是，训练数据仅由蕴含故障信息丰富、最大程度保留原始故障特征的每个支路电网侧三相电压、电流及负序、零序分量构成，无需经过复杂的信号处理，最大程度提取故障信息，输入样本矩阵为 abc,1abc,2abc,3abc,150abc,1abc,2abc,3abc,150nabc,1
15、nabc,2nabc,3nabc,1500,10,20,30,150 .mmmmmmmmmmmmmmmmiiiiuuuuiiiiiiii|=|XT|（5）式中，m 为各个配电分支编号（如L1b0、L2b0、L6b2支路）；iabc,ti、iabc,tu、inabc,ti、i0,ti分别为三相电流、电压、负序、零序电流分量在t时刻的瞬时值；t取较短时窗下涵盖故障前后突变信息最明显的150个采样点（即故障前50个点、故障后100个点）。为减小单位数量级差异、突出数据变化特征，提升网络收敛速度、判别精度，需对输入数据 X 的每个电气量通道进行max-min数据归一化操作，有 dddddmin()ma
16、x()min()ijjijjjxxxxx-=-（6）式中，dijx和dijx分别为归一化前后的电气量通道元素；max(djx)、min(djx)分别为该电气量通道下数据最大、最小值。2.2 基于时序残差网络的故障诊断模型 故障诊断问题包含故障检测、故障选型、故障定位三个子问题，故障选型与故障定位分别经由单独的T-ResNet进行处理，依据神经元输出方式不同而实现差异化功能，且故障选型、故障定位环节通过任务内嵌可实现故障检测、判别正常状态与故障状态。其中，以故障选型模型为例，网络结构如图3所示。第 38 卷第 8 期 褚 旭等 基于时序卷积残差网络的主动配电系统线路短路故障诊断方案 2181 图 3 T-ResNet 故障选型任务模型 Fig.3 T-ResNet fault selection task model 该网络主要由预处理、遍历采样、特征变换2、全局池化、输出六部分组成，且模型中各个卷积层内核皆使用时序卷积核形成时序卷积层。其中，遍历采样、下采样的时序残差模块（Time-sequence convolution Residual Block,T-ResBlock）由两个时序