深度学习在单相接地故障识别的应用

杨晨 YANG Chen；蒋昊松 JIANG Hao-song；董晓峰 DONG Xiao-feng；李容 LI Rong；任睿 REN Rui；郑坤承 ZHENG Kun-cheng；杨立璠 YANG Li-fan；曹宇 CAO Yu

（①国网江苏省电力有限公司苏州供电分公司，苏州 215000；②施耐德电气（中国）有限公司，上海 200000；③达特利克斯数据分析有限责任公司，卡尔斯鲁厄 76133）

0 引言

在配电网中，通常采取中性点不接地或经过消弧线圈或经高电阻接地方式，统称为小电流接地系统。小电流接地系统具有供电可靠性高，故障电流对设备冲击小的特点，因而应用广泛。但是，单相接地故障检测和选线一直是个“世界难题”。

单相接地故障检测的难点在于故障特征不显著。①流经接地点的电流等于线路分布电容电流，数值较小，如果再经过中性点消弧线圈补偿，则接地电流更加微弱（≤10A）；②瞬时性故障燃弧持续时间非常小（<200ms）；③配电网的接地故障有很大比例（>20%）是导线坠地、树线放电、人体触电等高阻接地形态。此外，还要区别出来健康线路还是故障线路（选线），区别出来上游故障还是下游故障（选段）。

传统接地故障检测装置（包括各类保护装置和选线装置）的算法都是基于电流和电压波形的时域信号的故障特征信息提取，归纳为显性的公式表达，但是由于观察到的现象和理论推导得到条件相当有限，无法描述可能隐含的规律；公式中不可避免地依赖于多个门槛值，通常是通过大量的仿真和少量的真实故障录波来确定这些门槛值，却难以找到合适的门槛值来匹配所有故障场景。

长期以来，传统的接地检测装置的正确动作率只有70%左右，难以胜任新型配电网的发展要求，需要一种创新的解决方案。

1 深度学习机理概述

深度学习（Deep Learning，DL）是机器学习的一个子领域，机器学习又是人工智能的一个分支。深度学习是在神经网络的基础上发展起来的，但是和神经网络有着显著的区别，深度学习汲取了80 年代神经网络的经验，在诸如权重的初始化、非线性激活函数、反向传播等方面做出了改进。深度学习有别于之前神经网络的两个标志性特征为：海量的训练数据和多层网络。

深度学习按照学习方式可以分为监督学习和无监督学习。本文采用监督学习模式，需要对数据集进行人工标注，学习网络根据学习的结果和人工标注结果进行对比，然后对网络的参数进行修正，直到准确率达到设定的目标为止。

深度学习性能提升的一个关键的原因还在于计算机硬件的提升可以使用更多层次的网络来进行梯度下降，这也是“深度”学习的名称由来。另外一个使得深度学习能够得到广泛应用的原因是传感器，特别是摄像头的大规模部署，使得今天采集数据比几十年前容易很多。

2 DL 在接地故障识别中的应用

深度学习在其他领域已经有很多应用，但是用在电力系统继电保护领域还是一个新的探索。选取接地故障识别作为一个合适的切入点，基于如下几点考虑：①小电流接地选线目前选线正确率仍旧不高，传统的算法难以有所突破，需要一种创新性的解决方案。②小电流接地选线对时效性要求不高，允许人工智能算法在嵌入式设备上运算较长时间。③小电流接地选线本质上是一个波形识别问题，属于图像识别的范畴。深度学习在图像识别的理论和应用已经比较成熟。

2.1 深度学习网络类型的选择

挑选合适的学习网络类型需要考虑三个主要因素：应用目标匹配性、训练难易度和部署到嵌入式设备硬件上的计算成本。

本文研究的课题是基于电流和电压的时域信号做判断。所以这个时序信号识别的问题可以转变为一维的图像识别问题，可以通过观察信号波形做出正确识别。

本文采用卷积-长短期记忆（Convolutional LSTM 或ConvLSTM）学习网络架构，把卷积神经网络（CNN）与循环神经网络（RNN）的思想融合。ConvLSTM 关键表达式如式（1）所示，其中，“*”表示卷积运算符，“°”表示哈达玛乘积符：

卷积神经网络在图像识别上有很成功的例子，识别能力甚至已经超过了人的识别能力。长短期记忆网络（Long Short Term Memory，LSTM）对于时序信号的识别有很多成功的例子。实践中，采用一个多层一维卷积来实现接地故障识别目标，然后开始简化模型的层数和相应的卷积核数量，经过多个迭代优化过程，获得计算复杂度与识别准确度均衡最优的模型。

2.2 模型的训练和调校

2.2.1 构建数据集 本文采用由电力系统仿真工具生成数据集用于模型训练、调校和测试。配网系统模型参考行业标准，仿真网络的示意图如图1 所示。该配电网为单端辐射网络，一条母线上带有6 条10kV 馈线。每条馈线的长度在0-30km 之间可变，电缆和架空线的混合比例可变。变压器采用两种接地方式：不接地，和消弧线圈接地，消弧线圈设为根据电容电流自动调整为10%过补偿。故障点设在每条馈线上的近端（靠近电源侧）或远端（靠近负荷侧），以及母线上。

图1 仿真EMTP/ATP 网络的示意图

为了使仿真的结果尽量涵盖所有工况，我们对仿真网络的参数进行了尽可能多的调整，力争涵盖所有具有代表性和甚至极端的情况。在图1 所示的网络中，我们将下列参数作为变量（见表1）。

表1 仿真网络的变量

2.2.2 训练和调校 经过上述的EMTP/ATP 和MATLAB 协同仿真，构成180 万个故障波形的数据集，其中区内（正向）和区外（反向）故障各占50%。

数据集的70%作为训练用例输入给训练网络，训练网络按照初始化的参数开始调整。数据集的10%作为调整用例，数据集的20%作为测试用例。

卷积层用来提取特征，如形状、电流电压的大小、出现的相对时间等；全连接层用来对提取到的特征进行假设，尝试提取出对结果有影响的特征；激活层对全连接层的数值计算结果进行非线性处理，避免某个非常大的数值对结果产生过度的权重；输出层将激活层的结果归一化到一个向量空间，供判别区内和区外故障采样率为k=48、每次采样范围为N=1 个周期，接地故障方向性检测神经网络的卷积层包含的卷积核的数量为2，即n =2，卷积核1 和2的大小为5×5，处理损失函数采用交叉熵损失函数：

激活层采用Sigmoid 激活函数，把输出值压缩在0～1之间，用于表示某个分类的概率，其表达式如下：

对于区外（反向）故障电流信号样本，其真实标签向量为[1，0]，表示该样本是区外（反向）故障电流信号的概率为1，是区内（正向）故障电流信号的概率为0；对于区内（正向）故障电流信号样本，其真实标签向量应该为[0，1]，表示该样本是区外（反向）故障电流信号的概率为0，是区内（正向）故障电流信号的概率为1。

将某一个训练样本M1 提供给接地故障方向性检测神经网络。已知M1 的是区外（反向）故障电流信号样本，其真实标签向量为[1，0]。

由接地故障方向性检测神经网络输出对应于M1 的标签向量结果为[0.4，0.6]，也就是说，此时的接地故障方向性检测神经网络认为样本M1 是区外故障的概率为40%，且是区内故障的概率为60%。这说明此次接地故障方向性检测神经网络对样本M1 的分类是比较错误的。

通过式（2）可以定量计算损失函数L=0.91，远大于设定的门槛值0.01，表明接地故障方向性检测神经网络此次学习不满足学习目标。

接地故障方向性检测神经网络根据反向传播算法更新其参数，这些参数包括卷积层的卷积核1 和2 的大小为5×5 的权重矩阵、第一全连接层的大小为20×44 的权重矩阵W1，第二全连接层的大小为2×20 的权重矩阵W2。

更新完成后，将训练样本M2 提供给接地故障方向性检测神经网络，然后再执行对训练样本M2 的特征提取、分类、处理损失计算等。直到处理损失L<0.01，训练结束。

训练完成后，将得到卷积层的对应于2 个卷积核的确定的2×5×5 的权重矩阵、第一全连接层的对应于权重矩阵W1 的确定的20×44 权重矩阵、以及第二全连接层的对应于权重矩阵W2 的确定的2×20 权重矩阵，与先前设定的神经网络结构、损失函数、激活函数等，共同构成训练好的小电流接地选线神经网络。

2.3 AI 算法嵌入式部署

当深度学习网络的结构和参数在Python 环境中完成训练和调校后，可以提取出一个用于判别的参数网络。相比学习过程需要的海量计算资源，判别网络需要的计算资源大为减少。通过C/C++将此网络移植到传统的继电保护装置硬件平台上，即可完成AI 算的嵌入式部署。

图2 给出了算法整体框架图。启动器和确认器采用传统的判断逻辑，判别器应用前述的深度学习网络自动寻找公式和参数矩阵。

图2 含有AI 的算法框图

2.3.1 数据预处理 尽管采用了对预处理要求较低的ConvNet 网络，但是为了提高深度学习网络的执行效率，输入的数据需要预处理。

本方案截取故障开始后的第一个周波（20ms）的数据传递给学习网络，因为故障的暂态特征主要出现在这个时间窗内。

将三相电流的突变量传递给学习网络，即故障时的电流减去正常负荷电流。这样的处理可以避免故障发生前不同的负荷水平带来的影响，也有助于避免分布式电源的影响。

2.3.2 启动器 采用零序电流突变量门槛值来检测故障开始，将深度学习网络要判别的情况限定在接地故障已经发生的窗口内。

因为采用零序电流突变量来启动，所以即便系统在正常运行中有一些零序电流，也可以采用非常低的门槛值，以便尽可能灵敏地检测到故障。我们采用零序电流的采样值突变量启动，启动值考虑了装置的内部二次CT 和现场零序一次CT 的采样精度，设置得尽可能低，保证了尽可能灵敏和快速的启动，保证能够抓取到故障暂态刚开始波形。

2.3.3 识别器 识别器是实施AI 算法的主体。只有在启动之后，深度学习网络才会投入工作，避免在正常工况占用过多的计算资源。经过上面的处理，深度学习网络只需专注处理区内（正向）故障和区外（反向）故障的二分类问题即可，而不用判别是否发生了一个真的接地故障。并且三相电流经过突变量的处理去除了负荷电流的影响，也能够更好地帮助深度学习网络专注于故障识别本身。

2.3.4 确认器 识别器的接地故障识别结果需要采用残余电压来确认故障，只有经过确认的故障识别结果才会输出。确认器采用设定的残余电压门槛值来确认故障。这样可以把故障检测机制设置的尽量灵敏，但是又避免了误动作。当下游的变压器上电时，因为系统不接地，所以励磁涌流中不含有零序分量，即便有，也是因为断路器合闸不同步造成的，通常在几毫秒内就消失了。因为确认器会在一段时间（可设）后才确认残余电压是否仍旧高于门槛值，所以可以躲过这个时间而避免误动。

2.4 验证测试

部署了AI 算法的保护装置进行黑盒测试。采用了RelaySimTest 重新搭建模型，生成20000 个测试用例，总体的识别正确率在99.5%以上。在第三方试验室对保护装置进行了测试时，960 个测试用例全部正确动作，动作时间均在60ms 以内。

AI 算法的优势还体现在耐受过渡电阻能力上。当过渡电阻达到5000 欧姆时，仍能准确判断出区内（正向）故障。

在测试时，加入了白色噪声模拟采样环节带来的干扰，AI 算法判别的正确率仍旧在99%以上。在高次谐波测试环节，谐波含量为基波的6%，模拟接地故障132 次，装置仍旧100%正确判别。

3 总结

将深度学习应用于小电流接地系统的接地故障识别和选线领域，可以取得以往传统算法无法达到的准确率。AI 算法和传统继电保护装置/选线装置相结合，明显提升了装置性能。

仍应清醒地认识到，AI 算法引入到电力系统继电保护领域还是探索阶段。采用深度学习开发的保护算法仍旧有待进一步验证，包括采取挂网试运行、真型试验等方式；研发人员也将不断地探索更多的人工智能算法开发方式，如增加算法的可解释性、新的学习模式（如迁移学习、在线学习等）；运行、维护单位也应积累相关的运行管理经验，应对新技术带来的变化。