基于TensorFlow 机器学习的交流输电线路故障辨识方法

张浩然

（广东省水利电力勘测设计研究院有限公司，广东 广州 510000）

1 三相交流线路故障识别研究现状

常见的电力输电系统短路故障主要分为四种故障类型，三相短路故障，两相相间短路故障，两相接地短路故障和单向接地短路故障。实际情况下单向接地短路是统计到的发生次数最多的故障类型，约占短路故障总发生次数的65%，但是危害性远不及三相短路故障，三相短路故障发生次数不到短路故障总发生次数的10%，然而三相短路故障一旦发生，如果处理不及时可能会造成严重的后果，甚至导致电力系统失去平衡发生解列。

2 传统故障类型识别方法

高压输电线路一旦发生各类故障，只有在查明故障原因、故障类型、故障位置等主要信息后，才能实施有效的维修和恢复手段。因此，故障类型识别一直是高压交流输电线路故障综合诊断系统中最重要的部分之一。通常情况下，三相短路故障对系统的危害性最大，其次是两相短路接地故障，单向接地短路的危害相对较小，但是短路持续时间越长，对系统的影响越深、危害越大，这就需要尽快确定线路发生故障的类型。

经过几十年来高压输电系统的发展，当前已经有一套较为成熟的高压交流线路故障类型识别方法。主要分为故障初期的相电流差突变量选相和稳定时期的稳态故障量选相。

2.1 相电流差突变量选相

突变量选相元件往往用在微机保护中的故障初期，选相元件通过测量两相电流工频变化率之差的幅值ΔIAB、ΔIBC、ΔICA，来确定故障相。当发生单向接地短路故障时，必然存在一个反应两个非故障相电流差突变量的选相元件不发生任何动作，由此可以确定发生接地短路故障是哪一相。

2.2 序分量选相元件

在非突变量元件启动或突变量元件启动40 ms后,如果故障相仍未选定而突变量已不能获得,需采用稳态序分量选相元件继续选相。对于故障点两侧的保护装置来说,假设负序(正序)和零序电流的分配系数C1m、C2m的相位相同,则满足以下关系[1]。

2.3 阻抗选相元件

距离保护通常由三个相间距离和三个接地距离元件实现。可根据距离保护各元件的动作情况决定故障类型[1-4]。

3 研究思路

传统的高压输电线路故障类型识别方法，原理上无论是相电流差突变量选相，还是基于稳态量的选相，在原理上都是通过设置一定的基准值来规定元件的动作，再根据一定的逻辑判断故障类型。实际情况下，发生故障后，根据各级二次设备的状态信息，以及电压电流等电气量的信息，通过运行维护人员的经验并基于一些逻辑分析来判断故障类型。但是不同运行方式下、不同故障类型、不同故障位置以及不同短路过渡电阻都会对各种故障信息造成影响，故障发生瞬间各种二次保护装置动作，大量信息生成，运行维护人员很难在短时间内通过经验从众多信息中快速准确的判断出故障类型。本文尝试通过TensorFlow 机器学习平台，搭建一个简单的基于人工神经网络（Artificial Neural Network-ANN）算法的训练模型，通过PSCAD/EMTDC 电磁暂态仿真软件，搭建一个3 发电机9 节点的220 kV 系统模型，仿真220 kV 交流输电线路的各种故障类型，并收集单端电气量故障数据用于训练。在训练过程中，依次加入故障类型、故障位置、故障点过渡电阻、故障切入合闸角等相关影响因素下的训练数据，通过不断调整模型参数与相关函数，以期得到一个能取得较好辨识结果的模型，并分析各种因素对于训练结果的影响，以及该方法的适用性。

4 模型搭建

本文使用PSCAD/EMTDC 电磁暂态仿真软件，进行交流输电线路系统的仿真，并仿真各种情况下的故障情况，收集相应故障数据，作为训练数据，同时收集测试数据用于检验故障类型识别机器学习平台的辨识情况。本文采用的是IEEE 3 发电机9 节点系统模型，为了便于针对输电线路的研究，将变压器转换为简单的恒定阻抗模型，发单机采用较为简单的二阶模型，负载也设置为恒定阻抗。主要用于研究输电线路发生各类短路时，线路本身的瞬时电流、电压数值等电气量的变化以及波形图[5]。

图1 IEEE 三发电机九节点模型

在机器学习工作站安装Anaconda 环境管理器，然后在Anaconda 上建立TensorFlow 环境。在TensorFlow 环境下对电气故障仿真数据进行特性提取与模型训练。用最简单的深度神经网络模型，即有两个隐藏层的神经网络模型。

本文对于神经网络模型引入函数库，训练数据的导入，定义数据格式，数据向量化，定义标签以及数据提取等训练过程代码不做展示[6-8]。

5 故障点设置

在PSCAD 模型中进行A 相短路接地、B 相短路接地、C 相短路接地、AB 两相短路接地、AC 两相短路接地、BC 两相短路接地、AB 两相相间短路、AC 两相相间短路、BC 两相相间短路、ABC 三相短路共十种故障类型的模拟仿真，并收集故障点电流电压数据作为训练学习数据。

6 不同故障位置下的故障类型辨识

针对PSCAD 中200 km 长的输电线路A，选取5 个分布点分别距离母线0 km，50 km，100 km，150 km，200 km 依次作为故障点。基本可以代表该线路可能发生故障的大多数情况，并在每个故障点分别设置上节提出的十种短路故障类型，其中故障切入线路的合闸角与过渡电阻都为系统默认值，0°合闸角和0.01 Ω 过渡电阻，即先不考虑这两种因素对故障类型辨识的影响。共收集到50 组故障数据作为训练数据，数据以TXT 文本格式储存。

测试数据随机选择输电线路A 距离母线距离分别为25 km，115 km，175 km 三个故障点的故障数据,其中故障切入线路的合闸角与过渡电阻都为系统默认值，0°合闸角和0.01 Ω 过渡电阻，共收集到30 组训练数据，并分别导入测试数据进行训练。测试数据位置的选取具有很强的随机性。

25 km 处十种故障类型辨识结果为，ABC 三相短路辨识概率0.999 77，AB 两相短路辨识概率0.937 18，AB 两相接地短路辨识概率0.995 60，AC两相短路辨识概率0.999 42，AC 两相接地短路辨识概率0.953 31，A 相接地短路辨识概率0.944 56，BC两相短路辨识概率0.999 81，BC 两相接地短路辨识概率0.994 22，B 相接地短路辨识概率0.999 91，C相接地短路辨识概率0.998 92，显示该神经网络精确度接近100%，故障辨识符合预期，即25 km 故障测试数据的十种故障类型被辨识出来。

经过50 次迭代训练，故障辨识误差被控制在小数点后两位。增加迭代次数，发现经过200 次迭代训练，该神经网络模型可以把误差控制在小数点后六位。同时该模型对于115 km，175 km 处的短路故障类型都做出了很好的判别。说明该神经网络可以很好的完成同一输电线路不同位置下的各种故障类型辨识。

7 故障过渡电阻的影响

故障过渡电阻是当线路发生相间短路或者短路接地故障时，短路电流从一相到另一相或者从一相到大地时经过的瞬间状态的电阻，属于一种接触电阻。故障过渡电阻通常对于距离保护有很大的影响，同时会影响故障判别。

首先收集一组测试数据，在线路B 上距离母线25 km，采用与之前测试样本不同的故障过渡电阻（150 Ω），分别设置十种短路故障，并收集故障数据，尝试增大训练数据的样本量和样本类型，再进行故障类型辨识。

为了扩大训练数据集，针对200 km 长的输电线路A，选取5 个分布点分别距离母线0 km，50 km，100 km，150 km，200 km 依次作为故障点。同时过渡电阻设为150 Ω，故障合闸角在没有考虑的情况下仍然设置为0°。得到50 组新的训练数据。然后将新的训练数据与50 组过渡电阻为0.01 Ω 的训练数据一起重新训练一个新的模型。

测试数据随机选择输电线路A 距离母线距离分别为25 km，115 km，175 km 3 个故障点的故障数据,其中故障切入线路的合闸角为系统默认值0°合闸角，但是过渡电阻设置为75 Ω，共收集到30 组测试数据，并分别导入测试数据进行训练。测试数据位置的选取和测试数据过渡电阻的选取仍然具有很强的随机性。

运行结果显示经过200 次迭代训练，该神经网络损失值降到1.0294×10-7，精确度accuracy ≈100%，平均辨识误差在在小数点后5 位，辨识结果矩阵是一个对角线各元素接近1 的矩阵，从模型运行结果分析，故障辨识符合预期，即25 km处75 Ω 过渡电阻的十种故障类型、115 km 处75 Ω过渡电阻的十种故障类型、175 km 处75 Ω 过渡电阻的十种故障类型被很好的辨识出来。

8 故障合闸角的影响

由于三相交流线路A、B、C 各相电气量以相差120°的周期往复，不同故障合闸角情况下的故障拥有显著不同的电气量故障特征。选取线路50 km,100 km,150 km 处，0 Ω 和150 Ω 过渡电阻，0°，18°，45°三种故障合闸角情况下的各短路类型共180 组故障数据作为训练数据，尝试辨识9°，27°两种故障合闸角下的故障类型。在PSCAD 仿真模型中，通过改变故障切入系统的时间来改变切入系统的合闸角。

对80 km 35 Ω 9°故障合闸角，170 km 80 Ω 27°故障合闸角的故障类型进行辨识，两次辨识的辨识精确度都很高，平均误差控制在小数点后3 位，故障测试数据的10 种故障类型被很好的辨识出来。说明在本文中辨识模型可以辨识出不同故障合闸角情况下的故障类型。

9 其他因素的影响

通常影响短路故障类型判断的因素还有故障发生时的系统运行情况，输电线路参数，系统功角等等。实际情况下，可以收集大量线路故障电气量实例，在考虑故障发生位置、故障过渡电阻、故障合闸角，系统功角，线路参数等的因素下，仍然将训练数据故障按照十种常见短路故障分类，再进行学习训练。

本文运用上文使用的训练数据，尝试辨识不同线路参数，不同过渡电阻，不同故障合闸角，不同运行情况下的线路故障类型。测试结果仍显示该神经网络模型可以准确的辨识出不同故障线路的故障类型。

10 结语

基于TensorFlow 机器学习平台，搭建了一个深度神经网络算法的线路故障类型识别模型。该识别模型工作方式与传统线路故障识别方法不同，无需经过复杂的逻辑计算，利用机器自主学习提取已发生的故障数据特征，能够较为准确的辨识出正常故障情况下的各种故障类型。在优化模型的过程中，通过增加合适的训练集和测试集数据，更换激活函数，增加迭代次数等方式，提高了该模型对不同类型的交流输电线路故障判别的辨识效果。