摘 要：本文針對(duì)配電網(wǎng)發(fā)生單相接地故障時(shí)，難以保證故障選線方法的準(zhǔn)確性與穩(wěn)定性的問(wèn)題，提出一種基于魚(yú)鷹和柯西變異的麻雀優(yōu)化算法-變分模態(tài)分解和卷積神經(jīng)網(wǎng)絡(luò)-雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障選線方法。首先，利用改進(jìn)的變分模態(tài)分解提取故障時(shí)各線路的零序電流信號(hào)的特征向量。其次，利用改進(jìn)后卷積神經(jīng)網(wǎng)絡(luò)對(duì)特征向量進(jìn)行數(shù)據(jù)挖掘和故障類型分類，達(dá)到故障選線的目的。最后，通過(guò)搭建不同運(yùn)行方式的仿真模型驗(yàn)證所提故障選線方法的有效性，并與傳統(tǒng)模型進(jìn)行對(duì)比試驗(yàn)。仿真結(jié)果表明，所提模型能夠準(zhǔn)確識(shí)別故障線路。

關(guān)鍵詞：配電網(wǎng)；單相接地故障；變分模態(tài)分解；卷積神經(jīng)網(wǎng)絡(luò)；雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TM 712" " " " 文獻(xiàn)標(biāo)志碼：A

目前，我國(guó)配電網(wǎng)普遍采用小電流接地系統(tǒng)且發(fā)生故障的情況多數(shù)源于配電線路單相接地，故障檢測(cè)和選線方法是及時(shí)清除故障、保障配電網(wǎng)安全可靠運(yùn)行的關(guān)鍵技術(shù)[1]。在配電網(wǎng)的中性點(diǎn)經(jīng)消弧線圈接地系統(tǒng)中，如果發(fā)生單相接地故障，消弧線圈就會(huì)提供電感電流進(jìn)行補(bǔ)償，導(dǎo)致故障電流微弱，電磁狀態(tài)受擾嚴(yán)重，影響故障選線準(zhǔn)確性，使故障性質(zhì)劣化，危及系統(tǒng)和人身安全[2]。為此，研究快速、可靠的故障選線方法并及時(shí)切除故障是保證配電網(wǎng)穩(wěn)定可靠運(yùn)行的有效途徑。

本文提出了一種基于改進(jìn)變分模態(tài)分解（variational mode decomposition，VMD）算法與卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）-雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Bi-directional Long-Short Term Memory，BiLSTM）相結(jié)合的故障選線方法。利用魚(yú)鷹和柯西變異的麻雀優(yōu)化算法（Osprey and Cauchy mutation sparrow search algorithm，OCSSA）對(duì)VMD進(jìn)行參數(shù)尋優(yōu)，并處理故障電流信號(hào)。再利用故障電流信號(hào)訓(xùn)練CNN-BiLSTM模型，并設(shè)置變工況故障運(yùn)行仿真模型，驗(yàn)證本文所提方法的有效性和抗干擾能力。

1 基于OCSSA的VMD優(yōu)化模型

當(dāng)配電網(wǎng)中性點(diǎn)經(jīng)消弧線圈接地系統(tǒng)發(fā)生單相接地故障時(shí)，故障線路電流信號(hào)具有非平穩(wěn)性、故障特征微弱等問(wèn)題，需要高效準(zhǔn)確地提取故障電流信號(hào)特征。VMD是一種具有非平穩(wěn)和完全非遞歸特性的信號(hào)分解方法，可以自適應(yīng)地將輸入信號(hào)分解為一組具有不同中心頻率和帶寬的子信號(hào)，在處理復(fù)雜度高和具有不平穩(wěn)性的信號(hào)過(guò)程中具有良好性能。VMD原理詳見(jiàn)文獻(xiàn)[3]。

VMD的信號(hào)分解成效依需要進(jìn)行分解參數(shù)選取，其中模態(tài)個(gè)數(shù)K和懲罰參數(shù)α的設(shè)置對(duì)分解效果影響較大。K取值過(guò)大會(huì)導(dǎo)致過(guò)分解，反之則會(huì)欠分解；α取值過(guò)大，會(huì)造成頻帶信息丟失，反之會(huì)信息冗余。因此，本文引入OCSSA優(yōu)化VMD的參數(shù)，以取得最優(yōu)分解效果，準(zhǔn)確提取各頻帶范圍的模態(tài)分量。

SSA是一種基于麻雀種群覓食行為的元啟發(fā)式優(yōu)化算法[4]。在SSA中，在尋優(yōu)過(guò)程中探索和解的迭代模擬麻雀的自然生態(tài)行為，將搜索空間范圍內(nèi)的待需求解看作麻雀種群中個(gè)體單元的空間位置，優(yōu)化目標(biāo)為尋找麻雀種群的最優(yōu)覓食策略，根據(jù)種群個(gè)體在麻雀種群中發(fā)揮的作用，將種群個(gè)體分為探索者、跟隨者和偵察者，群體間可以共享信息。該算法過(guò)程控制參數(shù)較少，求解效率高。但是SSA過(guò)分依賴上一代麻雀的位置更新策略，易導(dǎo)致尋優(yōu)方向出現(xiàn)偏差，同時(shí)SSA過(guò)于關(guān)注當(dāng)前解的局部性，容易陷入局部最優(yōu)解。為此，本文提出一種基于魚(yú)鷹和柯西變異策略的SSA改進(jìn)算法。

在第一階段的全局勘探策略中，用魚(yú)鷹優(yōu)化算法替換原始麻雀算法的探索者位置更新。利用魚(yú)鷹向魚(yú)的運(yùn)動(dòng)模擬方式來(lái)更新麻雀算法中探索者的位置更新方式。魚(yú)鷹優(yōu)化算法在第一階段的全局勘探策略如公式（1）所示。

xi，jP1=xi，j+ri，j?（SFi，j-Ii，j?xi，j） " " " " "（1）

式中：xi，jP1為第i只魚(yú)鷹在第一階段的位置；xi，j為魚(yú)鷹個(gè)體；ri，j為區(qū)間[1，2]的隨機(jī)數(shù)；SFi，j為第i只魚(yú)鷹所確定魚(yú)的位置；Ii，j為集合{1，2}中的隨機(jī)數(shù)。

柯西變異算法可以對(duì)麻雀位置更新中的個(gè)體進(jìn)行擾動(dòng)，從而擴(kuò)大麻雀算法的搜索規(guī)模，進(jìn)而提升算法跳出局部最優(yōu)的能力。采用柯西變異策略替換原始麻雀算法的跟隨者位置更新公式，其數(shù)學(xué)表達(dá)式如公式（2）所示。

xbest（t+1）=xbest（t）+xbest（t）×cauchy（0，1） " " "（2）

式中：xbest（t+1）為替換后的麻雀位置；xbest（t）為原始麻雀位置的最佳值；cauchy（0，1）為標(biāo)準(zhǔn)正態(tài)分布。

根據(jù)經(jīng)驗(yàn)確定合適參數(shù)是VMD算法的局限之一，本文提出運(yùn)用OCSSA算法尋找VMD最優(yōu)參數(shù)。OCSSA算法搜索VMD分解最優(yōu)參數(shù)的關(guān)鍵問(wèn)題是確定一個(gè)適應(yīng)度函數(shù)。適應(yīng)度函數(shù)選取的優(yōu)劣決定OCSSA尋優(yōu)VMD參數(shù)的好壞。為了更好地提取信號(hào)的故障特征，本文將排列熵和互信息熵的復(fù)合指標(biāo)作為適應(yīng)度函數(shù)，對(duì)VMD參數(shù)進(jìn)行尋優(yōu)。

2 基于CNN-BiLSTM的故障選線模型

CNN是一種含有卷積計(jì)算和深度架構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，能夠自主高效地挖掘輸入數(shù)據(jù)的時(shí)空特征，在故障診斷、圖像識(shí)別和目標(biāo)檢測(cè)等領(lǐng)域具有良好的應(yīng)用成效[5]。CNN的主要結(jié)構(gòu)包括卷積層和池化層，其中卷積層可以有效提取輸入數(shù)據(jù)的非線性局部特征，池化層可以有效壓縮特征維數(shù)和參數(shù)數(shù)量，提升數(shù)據(jù)泛化能力和收斂速度。

為有效處理循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）在訓(xùn)練過(guò)程中出現(xiàn)的梯度消失和梯度爆炸的問(wèn)題，引入輸入門(mén)、遺忘門(mén)與輸出門(mén)3個(gè)門(mén)控單元構(gòu)建長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）。LSTM循環(huán)單元的細(xì)胞狀態(tài)由輸入門(mén)、遺忘門(mén)與輸出門(mén)共同控制，可以有效處理傳輸?shù)臄?shù)據(jù)，保持信息更新和傳遞，使LSTM在挖掘長(zhǎng)數(shù)據(jù)特征中具有更優(yōu)良的表現(xiàn)。

BiLSTM在傳統(tǒng)LSTM的基礎(chǔ)上再次進(jìn)行優(yōu)化改進(jìn)[6]，將前向傳播和后向傳播相結(jié)合，從兩端分別進(jìn)行數(shù)據(jù)挖掘，最終將正、反2個(gè)方向的處理結(jié)果進(jìn)行擬合，得到識(shí)別結(jié)果。

本文使用CNN和BiLSTM的串聯(lián)結(jié)構(gòu)對(duì)VMD分解后的故障信息進(jìn)行處理，提取序列維度上的特征信息，達(dá)到故障選線的目的。

3 兩階段故障選線模型

單相接地的故障信號(hào)通常會(huì)受多種因素的干擾，例如故障合閘角、故障類型、過(guò)度電阻值和故障距離等，使零序電流信號(hào)具有非常復(fù)雜的非線性關(guān)系，影響故障選線結(jié)果的準(zhǔn)確性。因此，本文從數(shù)據(jù)處理和數(shù)據(jù)挖掘2個(gè)角度對(duì)故障線路進(jìn)行診斷。

本文基于OCSSA-VMD提取原始零序電流信號(hào)的數(shù)字特征，利用CNN-BiLSTM對(duì)提取的數(shù)字特征進(jìn)行深度挖掘，以達(dá)到精確識(shí)別故障線路的目的。基于OCSSA-VMD和CNN-BiLSTM的兩階段配電網(wǎng)故障選線流程如圖1所示。

該模型包括數(shù)據(jù)處理和故障線路診斷2個(gè)階段，其具體流程包括以下4個(gè)步驟。1） 搭建配電網(wǎng)仿真模型，設(shè)置不同的故障工況，采集各線路的零序電流信號(hào)，采樣頻率為10 Hz，截取各線路故障后的2個(gè)周波作為待分析信號(hào)。2） 利用OCSSA優(yōu)化后的VMD求解每條線路的模態(tài)數(shù)K和懲罰因子α的最優(yōu)組合，再將各線路進(jìn)行分解，得到各線路的數(shù)字特征，并按照線路順序進(jìn)行拼接。3） 將處理好的故障電流信號(hào)特征的測(cè)試集作為本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型輸入信號(hào)，訓(xùn)練基于CNN-BiLSTM的故障選線模型。4） 利用處理好的故障電流信號(hào)特征的測(cè)試集驗(yàn)證故障選線模型的準(zhǔn)確性與適用性。

4 算例分析

4.1 仿真模型

本文搭建了中性點(diǎn)經(jīng)消弧線圈并聯(lián)小電阻靈活接地系統(tǒng)的仿真模型，如圖2所示，包括4條饋線，其中饋線L1為架空線路，長(zhǎng)度為20 km；饋線L2、L3為電纜線路，長(zhǎng)度分別為16 km、18 km；饋線L4為線纜混合線路，長(zhǎng)度為20 km，架空線路長(zhǎng)6 km，電纜長(zhǎng)度為14 km。

4.2 數(shù)據(jù)樣本構(gòu)建

設(shè)置的場(chǎng)景包括不同故障線路、故障類型、故障合閘角和故障距離。對(duì)第4.1節(jié)搭建的模型進(jìn)行仿真，生成海量、全面的故障樣本數(shù)據(jù)集。具體設(shè)置情景見(jiàn)表1。

4.3 故障選線模型訓(xùn)練和驗(yàn)證

本文運(yùn)用OCSSA優(yōu)化后的VMD，將仿真得到的樣本數(shù)據(jù)進(jìn)行分解并拼接，再標(biāo)記好相應(yīng)的故障類型標(biāo)簽。將處理好的標(biāo)簽數(shù)據(jù)輸入CNN-BiLSTM中進(jìn)行訓(xùn)練。為了驗(yàn)證訓(xùn)練后神經(jīng)網(wǎng)絡(luò)模型在不同故障下選線效果的準(zhǔn)確性，將測(cè)試集按照類別進(jìn)行驗(yàn)證，所得故障選線準(zhǔn)確率見(jiàn)表2。

4.4 預(yù)測(cè)模型對(duì)比試驗(yàn)

為進(jìn)一步驗(yàn)證本文提出的OCSSA-VMD-CNN-BiLSTM故障選線模型的性能，將本文模型與CNN-BiLSTM模型、VMD-CNN-BiLSTM模型的故障選線效果進(jìn)行比較。為保證對(duì)比試驗(yàn)的有效性，各試驗(yàn)?zāi)Ｐ偷腃NN結(jié)構(gòu)均相同，LSTM和BiLSTM的單元數(shù)保持一致，將模型的訓(xùn)練次數(shù)、學(xué)習(xí)率、正則化參數(shù)以及學(xué)習(xí)率調(diào)整因子等參數(shù)均設(shè)置為同一標(biāo)準(zhǔn)。3種故障選線模型的比較結(jié)果如圖3所示，其中，混淆矩陣的行代表真實(shí)的故障線路結(jié)果，混淆矩陣的列代表預(yù)測(cè)的故障線路結(jié)果。

由圖3可知，CNN-BiLSTM模型、VMD-CNN-BiLSTM模型和OCSSA-VMD-CNN-BiLSTM模型均能在一定程度上識(shí)別不同故障工況下的故障線路，證明了深度學(xué)習(xí)算法在故障選線領(lǐng)域的良好性能。同時(shí)可知，OCSSA-VMD-CNN-BiLSTM模型的平均準(zhǔn)確率最高，準(zhǔn)確率為100%，驗(yàn)證了本文所提方法的優(yōu)越性。

CNN結(jié)合BiLSTM的模型有效改進(jìn)了訓(xùn)練模型的時(shí)序依賴性，解決了梯度消失或梯度爆炸的問(wèn)題，利用正序和倒序時(shí)序特征提取，更充分地探索了數(shù)據(jù)特征的時(shí)空特性，提高了模型的擬合度。在訓(xùn)練中合理調(diào)節(jié)學(xué)習(xí)率因子，可以平衡模型的穩(wěn)定性與收斂速度，使模型更好地適應(yīng)數(shù)據(jù)的復(fù)雜特性，快速、準(zhǔn)確地收斂到全局最優(yōu)解，提高了模型的故障選線準(zhǔn)確率。

此外，OCSSA算法也提升了VMD的分解效果。在VMD中引入OCSSA，增加了參數(shù)尋優(yōu)的多樣性，改進(jìn)了尋優(yōu)更新方式，擴(kuò)大了算法的搜索范圍，進(jìn)一步提高了算法跳出局部最優(yōu)的能力，從而提升了VMD的分解效果，可以更好地處理數(shù)據(jù)特征，為CNN-BiLSTM訓(xùn)練模型提供良好的訓(xùn)練數(shù)據(jù)。

5 結(jié)語(yǔ)

本文提出了一種基于OCSSA-VMD-CNN-BiLSTM的故障選線方法，經(jīng)仿真驗(yàn)證，可得出以下3個(gè)結(jié)論。1） 利用OCSSA改進(jìn)VMD可有效改進(jìn)消除參數(shù)設(shè)置中隨機(jī)性與偶然性問(wèn)題，取得數(shù)據(jù)最優(yōu)分解效果，為深度學(xué)習(xí)模型提供了豐富的故障特征。2） 本文構(gòu)建的CNN-BiLSTM訓(xùn)練模型可高效挖掘輸入數(shù)據(jù)的時(shí)空特征，準(zhǔn)確、高效地識(shí)別故障線路。3） 通過(guò)仿真驗(yàn)證表明，本文模型在不同故障位置、不同故障合閘角等工況下均具有良好的故障選線準(zhǔn)確率。

參考文獻(xiàn)

[1]許欣，張穎.基于邊緣計(jì)算和小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位研究[J].電器與能效管理技術(shù)，2022（8）：33-38.

[2]袁嘉瑋，焦在濱.基于零序信號(hào)全波形識(shí)別的小電流接地系統(tǒng)故障選線方法[J].電網(wǎng)技術(shù)，2024，48（2）：839-853.

[3]張博智，張茹，焦東翔，等.基于VMD-SAST的電能質(zhì)量擾動(dòng)分類識(shí)別方法[J].中國(guó)電力，2024，57（2）：34-40.

[4]賴鈞杰，文小玲，張淇，等.基于改進(jìn)麻雀搜索算法的直流微電網(wǎng)容量?jī)?yōu)化配置[J].太陽(yáng)能學(xué)報(bào)，2023，44（8）：157-163.

[5]朱晉，程啟明，程尹曼.基于CNN-GRU深度學(xué)習(xí)的模塊化多電平矩陣變換器故障診斷[J/OL].南方電網(wǎng)技術(shù)，2024，36（16）：1-9[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231121.1001.006.html.

[6]楊建，常學(xué)軍，姚帥，等.基于WT-CNN-BiLSTM模型的日前光伏功率預(yù)測(cè)[J/OL].南方電網(wǎng)技術(shù)，2023，54（6）：1-10[2024-08-22].http：//kns.cnki.net/kcms/detail/44.1643.TK.20231117.1656.010.html.