李宗峰，郭祥富，范 敏，夏嘉璐，董 軒

(1. 國網(wǎng)河南省電力公司電力科學(xué)研究院, 鄭州 450001；2. 國網(wǎng)河南省電力公司，鄭州 450001；3.重慶大學(xué) 自動(dòng)化學(xué)院，重慶 400044)

安全、可靠、優(yōu)質(zhì)、經(jīng)濟(jì)是電力系統(tǒng)運(yùn)行的基本要求。電力線路的安全可靠運(yùn)行關(guān)乎國民生產(chǎn)、人民生活的各個(gè)方面。在中國6～66 kV的中低壓配電網(wǎng)中廣泛采用了小電流接地系統(tǒng)，又稱中性點(diǎn)不直接接地系統(tǒng)(NUGS)[1]。

單相接地指的是小電流接地系統(tǒng)單相接地，單相接地故障是配電網(wǎng)系統(tǒng)中最常見的故障，約占配電網(wǎng)故障總數(shù)的80%。當(dāng)小電流接地系統(tǒng)發(fā)生單相接地故障時(shí)不形成低阻抗的短路回路，而是由線路對(duì)地電容形成高阻抗回路，短路電流非常小，同時(shí)線電壓依然保持對(duì)稱，短時(shí)間內(nèi)不會(huì)對(duì)負(fù)荷的連續(xù)供電造成一定的影響，可以帶故障運(yùn)行1～2 h。但是若發(fā)生單相接地故障時(shí)電網(wǎng)仍長期運(yùn)行，可能引起絕緣的薄弱環(huán)節(jié)被擊穿，發(fā)展成為相間短路，使事故擴(kuò)大，影響用戶的正常用電。同時(shí)弧光接地還會(huì)引起全系統(tǒng)過電壓，進(jìn)而損壞設(shè)備，破壞系統(tǒng)安全運(yùn)行，甚至將會(huì)進(jìn)一步帶來巨大的經(jīng)濟(jì)損失和惡劣的社會(huì)影響。所以需要在故障后第一時(shí)間內(nèi)準(zhǔn)確識(shí)別故障類型，為后續(xù)制定有針對(duì)性的故障處理措施提供可靠依據(jù)。

目前針對(duì)小電流系統(tǒng)的單相接地故障類型辨識(shí)的研究較多，根據(jù)特征量應(yīng)用途徑的不同，現(xiàn)有的識(shí)別方法可分為2類：一類是特征分析法，如：文獻(xiàn)[2]提出一種配電網(wǎng)高阻接地故障在線監(jiān)測與辨識(shí)方法，利用高阻接地故障時(shí)產(chǎn)生的高次諧波，作為高阻接地故障的判別依據(jù)；文獻(xiàn)[3]提出一種配電網(wǎng)單相電弧接地故障的辨識(shí)方法，認(rèn)為單相電弧接地故障相較金屬接地故障，其暫態(tài)過程持續(xù)存在，并提取高頻信號(hào)切片圖來識(shí)別單相電弧性故障；文獻(xiàn)[4]提出了高阻故障模型，并通過故障零序量的小波特征值識(shí)別高阻接地故障；文獻(xiàn)[5]結(jié)合零序等值網(wǎng)絡(luò)分析了配網(wǎng)高阻故障產(chǎn)生高頻分量的原因以及正常狀態(tài)對(duì)高頻分量的影響，提出了一種基于零序電壓小波包能量比的配電網(wǎng)單相高阻接地故障辨識(shí)方法；文獻(xiàn)[6]在分析小電阻接地系統(tǒng)發(fā)生接地故障時(shí)故障線路、非故障線路零序電流與中性點(diǎn)電流關(guān)系的基礎(chǔ)上，提出了一種基于中性點(diǎn)電流與線路零序電流投影量差動(dòng)的高阻接地故障判斷方法。

另一類識(shí)別方法是結(jié)合時(shí)頻分解與機(jī)器學(xué)習(xí)的智能方法，如：文獻(xiàn)[7]提出了離散小波變換和k近鄰機(jī)器學(xué)習(xí)算法的組合模型，以檢測和分類高阻單相接地故障；文獻(xiàn)[8]將人工智能技術(shù)運(yùn)用于故障類型識(shí)別中，提出了一種小電阻接地系統(tǒng)間歇性弧光過電壓分析方法，利用HHT算法，提取零序電壓的IMF分量，并采用支持向量機(jī)對(duì)間歇性弧光故障進(jìn)行識(shí)別；文獻(xiàn)[9]利用小波分析的方法從相電壓和電流數(shù)據(jù)中提取特征，并基于XGBoost模型對(duì)中性點(diǎn)不接地系統(tǒng)的3種狀態(tài)進(jìn)行辨識(shí)，分別是：無故障、接地故障和零線故障。文獻(xiàn)[10]首先根據(jù)各節(jié)點(diǎn)LOF值的大小實(shí)現(xiàn)智能配電網(wǎng)的故障檢測與定位，然后對(duì)故障處的三相電壓進(jìn)行小波變換，以三相電壓的小波奇異熵值建立SVM故障類型判別預(yù)測模型。

現(xiàn)有的研究成果在單相接地故障檢測中取得了一定效果，但大多只選取了配電網(wǎng)的部分特征，即某類故障的特有屬性來進(jìn)行分析，造成了對(duì)故障整體信息描述不充分，只能針對(duì)某一特定的故障類型進(jìn)行識(shí)別，并未對(duì)單相接地故障類型進(jìn)行全面綜合劃分，算法的通用性不足，不利于運(yùn)維人員制定有針對(duì)性的故障處理措施。

筆者考慮要對(duì)包括高阻接地故障與間歇弧光接地故障在內(nèi)的共7種類型的單相接地故障進(jìn)行綜合辨識(shí)，對(duì)此需要提取更加全面的故障特征。由于現(xiàn)場采集到的故障錄波數(shù)據(jù)特征維度高，采樣點(diǎn)數(shù)量較多，其中蘊(yùn)含了豐富的與故障類型強(qiáng)相關(guān)的復(fù)雜非線性特性，有利于故障類型辨識(shí)。而深度學(xué)習(xí)十分擅長從高維數(shù)據(jù)集中自動(dòng)學(xué)習(xí)復(fù)雜且有用的特征，相比于過去出現(xiàn)的很多優(yōu)秀的手動(dòng)特征提取器，比如：尺度不變特征變換(SIFT)，Gabor 濾波器和定向梯度直方圖(HOG)等，深度學(xué)習(xí)模型可以通過搭建不同的結(jié)構(gòu)、調(diào)整隱藏層的數(shù)量來學(xué)習(xí)得到不同性質(zhì)、不同層次的特征，可實(shí)現(xiàn)端到端的任務(wù)學(xué)習(xí)或者提取抽象特征用于下游任務(wù)的學(xué)習(xí)。

1 單相接地故障類型辨識(shí)方法總體流程

筆者提出的基于特征分解和深度學(xué)習(xí)的單相接地故障類型辨識(shí)方法的總體流程如圖1所示。配電網(wǎng)現(xiàn)場采集到的錄波數(shù)據(jù)是配電網(wǎng)實(shí)時(shí)狀態(tài)、運(yùn)行情況的“心電圖”，能為單相接地故障的類型辨識(shí)提供最直接、最準(zhǔn)確的依據(jù)。所以，考慮將配電網(wǎng)的故障錄波數(shù)據(jù)作為原始數(shù)據(jù)集。首先將其劃分為關(guān)鍵特征部分和非關(guān)鍵特征部分，并對(duì)關(guān)鍵特征部分進(jìn)行HHT變換，將重點(diǎn)關(guān)注的和故障類型強(qiáng)相關(guān)的特征從復(fù)雜信號(hào)中分離出來生成新的特征變量；同時(shí)為保證故障信息的完整性，并未將非關(guān)鍵特征部分直接舍棄，而是將其與關(guān)鍵特征部分的HHT變換結(jié)果進(jìn)行拼接；其次設(shè)計(jì)深度學(xué)習(xí)模型ResNet18對(duì)經(jīng)特征處理后的數(shù)據(jù)集進(jìn)行學(xué)習(xí)，辨識(shí)出具體的單相接地故障類型。

圖1 單相接地故障類型辨識(shí)方法總體流程Fig. 1 The overall process of single-phase grounding fault type identification method

2 基于HHT的配電網(wǎng)錄波數(shù)據(jù)的特征分解

HHT是一種具有自適應(yīng)的時(shí)頻分析方法，結(jié)果反映信號(hào)的頻域特征隨時(shí)間變化的規(guī)律。作為時(shí)頻域分析的重要手段，HHT既吸取了小波變換的多分辨率的優(yōu)勢，又克服了小波變換中選擇小波基困難的問題，可以對(duì)局部特征進(jìn)行反映，有利于提取復(fù)雜故障信號(hào)中的重要特征[11]。

HHT具體包括2個(gè)過程：經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和Hilbert變換。EMD是依據(jù)信號(hào)特點(diǎn)自適應(yīng)地把任意一個(gè)復(fù)雜信號(hào)分解為一系列本征模態(tài)函數(shù)(IMF, intrinsic mode function)。經(jīng)驗(yàn)?zāi)B(tài)分解后, 再對(duì)每一個(gè)IMF作Hilbert變換，繼而可求取每一個(gè)IMF的瞬時(shí)頻率和瞬時(shí)幅值。

EMD分解出的IMF分量需要滿足2個(gè)條件，分別是：在整個(gè)信號(hào)長度上，極值點(diǎn)的個(gè)數(shù)和過零點(diǎn)的個(gè)數(shù)相同或相差至多一個(gè)；在任意時(shí)刻，由極大值點(diǎn)形成的上包絡(luò)線和由極小值點(diǎn)形成的下包絡(luò)線的平均值為零，即上、下包絡(luò)線對(duì)稱于時(shí)間軸[12]。EMD的分解過程如圖2所示。

圖2 EMD的分解過程Fig. 2 Decomposition process of EMD

再對(duì)EMD分解出的IMF分量ci(t)依次進(jìn)行Hilbert變換，公式為

(1)

由原始的IMF分量和其對(duì)應(yīng)的Hilbert變換結(jié)果構(gòu)成的解析信號(hào)zi(t)為

(2)

其中，瞬時(shí)幅值表示為

(3)

θi(t)可根據(jù)下式求得

(4)

瞬時(shí)頻率表示為

(5)

特征x(t)的Hilbert譜表示為

(6)

式中，q表示分解出的IMF分量的個(gè)數(shù)。通過對(duì)故障錄波數(shù)據(jù)的關(guān)鍵特征進(jìn)行HHT變換，提取出其中隱藏的局部暫態(tài)特征：瞬時(shí)頻率、瞬時(shí)幅值、Hilbert譜。

3 ResNet18深度學(xué)習(xí)模型

深度學(xué)習(xí)通過構(gòu)建具有很多隱藏層的神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)更有用的特征，從而最終提升分類或回歸的準(zhǔn)確性。深度學(xué)習(xí)模型提取特征的能力主要是通過卷積層、激活操作、池化層等來實(shí)現(xiàn)的，其中起主要作用的是卷積層，卷積層中的卷積核等價(jià)于很多不同的濾波器，通過卷積層來對(duì)原始特征進(jìn)行“濾波”處理，從而實(shí)現(xiàn)數(shù)據(jù)集中特征的提取。

卷積層中涉及的卷積運(yùn)算由矩陣內(nèi)積和全加計(jì)算組成，如圖3所示。卷積計(jì)算的本質(zhì)是內(nèi)積運(yùn)算[13]。對(duì)于一維向量的卷積運(yùn)算，2個(gè)向量的內(nèi)積越大，則2個(gè)向量的相似度越高。而卷積計(jì)算實(shí)際上是將一維的內(nèi)積運(yùn)算推廣至二維平面，卷積核在滑移卷積時(shí)，其實(shí)就是提取和它相似的特征。卷積核的參數(shù)是根據(jù)數(shù)據(jù)集的標(biāo)簽來不斷地進(jìn)行修正。通過逐層地卷積運(yùn)算，不斷組合和抽象，就可以提取到一系列代表單相接地故障類型的復(fù)雜非線性特征。

圖3 卷積計(jì)算過程Fig. 3 Convolution calculation process

由前述理論可簡單推知深度學(xué)習(xí)網(wǎng)絡(luò)模型的層數(shù)越多，模型可以從數(shù)據(jù)中提取到更加抽象的特征，更有利于提高模型的準(zhǔn)確度。但根據(jù)研究學(xué)者的實(shí)驗(yàn)結(jié)果表明，當(dāng)網(wǎng)絡(luò)層數(shù)超出了一定范圍內(nèi)，隨著其的增加，梯度彌散問題嚴(yán)重制約了深度學(xué)習(xí)的性能，淺層網(wǎng)絡(luò)幾乎學(xué)不到任何知識(shí)。并且因?yàn)榫矸e核參數(shù)的盲目性、激活函數(shù)的抑制作用等，造成每做一次卷積運(yùn)算和對(duì)應(yīng)的激活操作都會(huì)在原始特征或上一步提取到的特征結(jié)果的基礎(chǔ)上浪費(fèi)掉一些信息。

Resnet網(wǎng)絡(luò)巧妙地利用了殘差連接的方式，很好地解決了深度網(wǎng)絡(luò)中模型退化的問題[14]。Resnet網(wǎng)絡(luò)中的殘差連接，在反向傳播時(shí)，每2個(gè)殘差塊之間不僅傳遞了梯度，還加上了求導(dǎo)之前的梯度，從而減小梯度彌散的可能性[15]。同時(shí)將上一步的處理結(jié)果直接拿到當(dāng)前時(shí)刻一并處理，減少了信息損失。

為此，筆者設(shè)計(jì)使用深度學(xué)習(xí)模型ResNet來學(xué)習(xí)經(jīng)特征變換后的數(shù)據(jù)集與故障類型之間的復(fù)雜抽象映射。

4 實(shí)驗(yàn)分析

4.1 訓(xùn)練集和測試集的建立

本研究使用的錄波數(shù)據(jù)來自國內(nèi)某真型試驗(yàn)場，其拓?fù)浣Y(jié)構(gòu)如圖4所示。試驗(yàn)時(shí)通過改變中性點(diǎn)的接地運(yùn)行方式、接地介質(zhì)種類、接地電阻大小等，得到不同類型的單相接地故障錄波數(shù)據(jù)。其中，中性點(diǎn)接地方式覆蓋不接地、經(jīng)消弧線圈接地和經(jīng)小電阻接地等主流形式；接地介質(zhì)包括經(jīng)間歇性弧光接地、經(jīng)穩(wěn)定弧光接地、經(jīng)泥土地接地、經(jīng)電阻接地等常見故障類型；接地電阻阻值選取了250、1 000、2 000、5 000 Ω等典型值。試驗(yàn)在3種接地運(yùn)行方式下各自產(chǎn)生420、600、240條故障錄波數(shù)據(jù)；錄波裝置的采樣頻率為10 kHz，采樣周期包含12 014個(gè)采樣點(diǎn)，每段錄波數(shù)據(jù)包含291個(gè)電氣量；數(shù)據(jù)分析時(shí)以8∶ 2的比例劃分訓(xùn)練集和測試集。

圖4 配電網(wǎng)拓?fù)鋱DFig. 4 Distribution network topology diagram

所用實(shí)驗(yàn)環(huán)境平臺(tái)條件為Windows10 X64 操作系統(tǒng)、Inter i5-7200，使用Python編程語言實(shí)現(xiàn)，ResNet18采用pytorch框架實(shí)現(xiàn)。

4.2 錄波數(shù)據(jù)的處理

由于每個(gè)完整的單相接地故障錄波數(shù)據(jù)樣本，并非在整個(gè)采樣階段都是處于故障狀態(tài)，還包含發(fā)生故障前的正常狀態(tài)，非永久性故障還包括故障發(fā)生后恢復(fù)正常的過渡狀態(tài)。為了使觀察對(duì)象更加明確并且減少分析的數(shù)據(jù)量，對(duì)處于故障狀態(tài)的錄波數(shù)據(jù)進(jìn)行截取。通過對(duì)錄波數(shù)據(jù)的觀察，截取的時(shí)間周期包含600個(gè)采樣點(diǎn)。

對(duì)幾種不同故障類型線路的母線零序電流3I0進(jìn)行EMD分解，并對(duì)比分解結(jié)果。

圖5中的(a)為間歇性弧光接地故障、(b)為經(jīng)250 Ω電阻接地故障、(c)為經(jīng)1 000 Ω電阻接地故障、(d)為經(jīng)2 000 Ω電阻接地故障、(e)為經(jīng)泥土接地故障、(f)為經(jīng)弧光電阻接地故障。通過對(duì)圖5觀察得出：不同故障類型線路的母線零序電流3I0的EMD分解結(jié)果存在著明顯的區(qū)別，具體表現(xiàn)在IMF分量的個(gè)數(shù)、波形以及殘差的波形都不盡相同，可作為后續(xù)故障類型辨識(shí)研究的故障特征之一。

圖5 EMD分解結(jié)果對(duì)比Fig. 5 Comparison of EMD decomposition results

對(duì)圖5中的間歇弧光接地故障線路(a)的IMF1分量進(jìn)行Hilbert變換，得到對(duì)應(yīng)的瞬時(shí)幅值和瞬時(shí)頻率曲線，如圖6所示。

圖6 IMF1的瞬時(shí)頻率和瞬時(shí)幅值Fig. 6 Instantaneous frequency and instantaneous amplitude of IMF1

通過上述實(shí)驗(yàn)結(jié)果表明，使用HHT有利于提取錄波數(shù)據(jù)的局部暫態(tài)特征，使得不同類型的單相接地故障之間的特征區(qū)分度更高。因此，對(duì)所有故障樣本的關(guān)鍵特征部分進(jìn)行HHT操作，由于EMD分解出的IMF分量個(gè)數(shù)不完全相等，為了保證特征數(shù)量的一致性，便于后續(xù)建模訓(xùn)練，對(duì)分解出的IMF分量個(gè)數(shù)少于設(shè)定閾值的用零來進(jìn)行填充，超出閾值部分的IMF分量則舍棄。其次再對(duì)IMF分量依次進(jìn)行Hilbert變換。經(jīng)過HHT變換后，5個(gè)關(guān)鍵特征的維度由(5，600)變換為(185，600)。

盡管非關(guān)鍵特征與單相接地故障類型間的關(guān)聯(lián)性很弱，但其仍包含了一些有用信息。對(duì)此，將關(guān)鍵特征部分經(jīng)過HHT變換后的結(jié)果與原始的非關(guān)鍵特征部分進(jìn)行拼接，拼接后的特征維度為(471，600)，使特征維度處于可接受范圍內(nèi)的同時(shí)也保證了故障信息的完整度。

為了使經(jīng)過特征處理后的數(shù)據(jù)樣本變成傳統(tǒng)意義上的“圖像樣本集”，便于后續(xù)使用卷積操作來提取特征，還需要將特征歸一化至(0，255)區(qū)間，并轉(zhuǎn)換為灰度圖。特征歸一化的公式為

(7)

式中，xmin表示該特征中的最小值，xmax表示該特征中的最大值。

4.3 ResNet18模型的參數(shù)設(shè)置

配電網(wǎng)采集得到的錄波數(shù)據(jù)經(jīng)過特征處理后，采用深度學(xué)習(xí)模型ResNet來對(duì)單相接地故障類型進(jìn)行辨識(shí)。根據(jù)特征數(shù)據(jù)集的特征數(shù)量和硬件環(huán)境情況，設(shè)置ResNet結(jié)構(gòu)為ResNet18，如圖7所示。

圖7 ResNet18的基本結(jié)構(gòu)Fig. 7 Basic structure of ResNet18

結(jié)合故障錄波數(shù)據(jù)的特性，在原始結(jié)構(gòu)的基礎(chǔ)上對(duì)其進(jìn)行了局部改動(dòng)，具體如下：1)為了與故障錄波數(shù)據(jù)的維度匹配，將第一層conv的卷積核修改為3×3；2)根據(jù)預(yù)期辨識(shí)的單相接地故障類別數(shù)量，調(diào)整模型最后一層(全連接層)的輸出維度。修改后的具體網(wǎng)絡(luò)參數(shù)如表1所示。

表1 ResNet18的模型參數(shù)

模型訓(xùn)練時(shí)，使用的損失函數(shù)為交叉熵?fù)p失函數(shù)。假設(shè)概率分布p為期望輸出，概率分布q為實(shí)際輸出，H(p,q)為交叉熵，其表達(dá)式為

(8)

4.4 實(shí)驗(yàn)結(jié)果分析

4.4.1 實(shí)驗(yàn)一

錄波數(shù)據(jù)的處理階段相當(dāng)于對(duì)樣本數(shù)據(jù)進(jìn)行特征工程操作。原始特征經(jīng)特征工程處理后表征能力變強(qiáng)，通過其訓(xùn)練得到的模型在未知數(shù)據(jù)上的性能表現(xiàn)可以達(dá)到更優(yōu)。

本實(shí)驗(yàn)對(duì)故障錄波數(shù)據(jù)的關(guān)鍵特征部分進(jìn)行HHT變換，通過實(shí)驗(yàn)結(jié)果驗(yàn)證了特征變換對(duì)于提高辨識(shí)模型的最終分類精度是有效的。基于表2中的3種錄波數(shù)據(jù)處理方式得到的樣本數(shù)據(jù)，分別運(yùn)用本文設(shè)計(jì)的深度學(xué)習(xí)模型ResNet18進(jìn)行訓(xùn)練和分類，對(duì)比分類精確度如圖8所示。

表2 3種錄波數(shù)據(jù)的處理方式

圖8 3種錄波數(shù)據(jù)處理方式的分類效果對(duì)比Fig. 8 Comparison of the classification effects of the three recording data processing methods

對(duì)比得出：不預(yù)先對(duì)特征進(jìn)行任何處理操作得到的特征1的分類精確度最低，為67.9%；將剩余的286個(gè)原始的電氣量直接舍去，僅對(duì)關(guān)鍵特征部分進(jìn)行了HHT變換得到的特征2，損失部分故障相關(guān)信息，但由于其將關(guān)鍵特征通過分解和變換提取出更有利于故障類型辨識(shí)的新特征，所以模型收斂后分類的精度優(yōu)于特征1，為83.1%。然而不同故障樣本的特征經(jīng)過EMD分解得到的IMF分量的個(gè)數(shù)不一致，對(duì)于分解個(gè)數(shù)低于設(shè)定閾值的采用補(bǔ)零方法進(jìn)行填充，由此造成特征矩陣稀疏，模型的精確度波動(dòng)比較大；而采用提出的特征處理方式得到的特征3結(jié)合前2種方式的優(yōu)勢，既提取了更有利于故障類型辨識(shí)的新特征，使特征維度處于可接受的范圍內(nèi)的同時(shí)也保證了故障信息的完整度，故障類型辨識(shí)的精度也是最優(yōu)的，模型收斂后的精確度為92.8%。

4.4.2 實(shí)驗(yàn)二

本實(shí)驗(yàn)對(duì)比分析了使用設(shè)計(jì)的ResNet18模型和使用傳統(tǒng)的深度CNN模型的預(yù)測分類效果。同樣以測試集的最終分類精確度Acc作為評(píng)價(jià)指標(biāo)，設(shè)置訓(xùn)練的epoch為500。使用本文設(shè)計(jì)的ResNet18模型和傳統(tǒng)的CNN模型的分類效果對(duì)比如圖9所示。由圖可以看出，ResNet18模型的精確度整體上都明顯優(yōu)于CNN模型。CNN模型從200個(gè)epoch之后沒有明顯的增長，保持在60%左右，當(dāng)epoch=283時(shí)，模型的精確度最高，為61.9%。CNN模型從訓(xùn)練初期到模型收斂，精確度變化曲線的波動(dòng)幅度較小。ResNet18模型在模型訓(xùn)練前期的精確度變化曲線的波動(dòng)較大，但隨著訓(xùn)練輪數(shù)的增加，波動(dòng)幅度逐漸減小。ResNet18模型和CNN模型因神經(jīng)網(wǎng)絡(luò)的深度和龐大的參數(shù)量，具有強(qiáng)大的擬合輸入與輸出之間復(fù)雜非線性關(guān)系的能力，區(qū)別在于ResNet18模型克服了CNN模型隨著模型深度增加，造成因梯度消失而導(dǎo)致的深度學(xué)習(xí)模型效果退化的問題。所以ResNet18模型的分類效果明顯優(yōu)于CNN模型，當(dāng)ResNet18模型收斂后，精確度保持在90%附近波動(dòng)，epoch=484時(shí)，模型的精確度最高，為92.8%。通過本實(shí)驗(yàn)驗(yàn)證了使用設(shè)計(jì)的ResNet18模型對(duì)于單相接地故障類型辨識(shí)的有效性。

圖9 ResNet18和CNN的分類效果對(duì)比Fig. 9 Comparison of classification effects between ResNet18 model and CNN model

4.4.3 實(shí)驗(yàn)三

本實(shí)驗(yàn)基于相同的樣本集，對(duì)比了文獻(xiàn)[10]中提出的方法：結(jié)合小波變換和SVM模型對(duì)多種單相接地故障類型進(jìn)行辨識(shí)，以及對(duì)比了單獨(dú)使用SVM模型和結(jié)合HHT和SVM模型對(duì)單相接地故障類型進(jìn)行綜合辨識(shí)的效果。其中SVM模型基于網(wǎng)格搜索法設(shè)定超參數(shù)，小波變換選擇的小波基函數(shù)是Daubechies(db5)小波。同樣以測試集的最終分類精確度Acc作為評(píng)價(jià)指標(biāo)，各種方法的辨識(shí)效果對(duì)比如表3所示。

表3 綜合辨識(shí)方法效果對(duì)比

對(duì)比得出：單獨(dú)使用SVM模型的辨識(shí)效果最差，精確度為79.5%。SVM模型利用核函數(shù)將特征映射到高維空間，并基于樣本與決策面間的距離最大化來進(jìn)行分類，但其難以挖掘樣本中的復(fù)雜非線性特征，并且其性能易受缺失數(shù)據(jù)影響，對(duì)參數(shù)和核函數(shù)的選擇也比較敏感，最終造成其辨識(shí)效果不佳。而將SVM模型與小波變換結(jié)合，利用小波變換的時(shí)頻多分辨率的特點(diǎn)，可以捕捉到更多關(guān)于單相接地故障類型的細(xì)節(jié)信息，相比于單獨(dú)使用SVM模型，辨識(shí)效果有明顯地提升，精確度為86.0%。但小波變換的性能也和所選擇的小波基函數(shù)直接關(guān)聯(lián)，不同的信號(hào)可能需要選擇不同的小波基函數(shù)，自適應(yīng)性能略顯不足。使用HHT替代小波變換與SVM模型結(jié)合，其辨識(shí)效果又在前一基礎(chǔ)上有一定提升，精確度為87.4%。而使用提出的辨識(shí)方法，結(jié)合了HHT的自適應(yīng)時(shí)頻分析能力和ResNet18模型提取抽象特征的能力，相比于其他辨識(shí)方法，辨識(shí)精確度最高，為92.8%。

5 總 結(jié)

筆者提出了一種融合特征分解和深度學(xué)習(xí)思想的單相接地故障類型辨識(shí)方法。首先采用希爾伯特-黃變換對(duì)配電網(wǎng)特征進(jìn)行初步處理，突出不同故障類型的特點(diǎn)；其次設(shè)計(jì)深度學(xué)習(xí)模型ResNet18學(xué)習(xí)故障事件的復(fù)雜非線性特征，最終辨識(shí)出故障類型結(jié)果。通過國內(nèi)某真型試驗(yàn)場采集到的錄波數(shù)據(jù)進(jìn)行驗(yàn)證，證明了本文提出的模型能準(zhǔn)確識(shí)別出多種單相接地故障的類型，具有較高的辨識(shí)精度和較強(qiáng)的魯棒性，通用性好，可為后續(xù)制定有針對(duì)性的故障處理措施提供可靠依據(jù)。