基于贝叶斯优化随机森林输电线路故障识别方法

2024-12-06赵岩孙江山

中国新技术新产品 2024年8期

摘要：针对输电线路线路故障精度低的问题，本文提出一种贝叶斯优化随机森林（Random Forest，RF）的输电线路故障识别方法。通过经验模态分解提取故障特征，构成特征集，采用贝叶斯优化RF来挖掘特征集与短路故障类型之间的关系。结果表明，TPE-RF能快速优化超参数，提高诊断精度，避免过渡电阻、故障初始角的影响。

关键词：输电线路；故障识别；经验模态分解；贝叶斯优化；RF算法

中图分类号：TM 75" " " " " " " 文献标志码：A

高压输电线路发生短路故障会对经济、工业生产和消费用电等造成重大影响。因此，快速、准确地辨识短路故障类型和发生故障的位置能够加快故障线路检修速度，减少故障带来的经济损失[1-2]。

本文提出了一种基于贝叶斯优化随机森林的输电线路故障识别方法（Tree-structured Parzen Estimator-Random Forest，

TPE-RF）。通过经验模态分解（Empirical Mode Decomposition，EMD）提取数据，得到固有模态函数（Intrinsic Mode Function， IMF），提取样本熵，构成特征集。结合改进的RF算法训练并测试特征样本集，识别输电线路短路故障具体类型。仿真结果表明，该方法可以高效识别输电线路的短路故障类型。

1 特征提取

1.1 EMD

EMD是一种自适应的信号处理方法，特别适合处理非平稳和非线性的信号数据。通过EMD，可以将复杂的信号分解为1组IMF分量[3]。这些IMF分量能说明信号的内在结构和动态特性，并分析非线性、非稳定的信号。当处理复杂信号时，这种分解方法优势突出，效果明显，因此在许多领域都应用广泛。

1.2 样本熵

样本熵是一种度量信号复杂性的工具，能够说明信号序列的结构[4]。使用样本熵能够更精确、高效地提取故障信号的特征信息，为后续的诊断和分析提供有力支持。

2 贝叶斯优化的随机森林模型

机器学习能够充分挖掘非线性、混叠严重的故障信号的敏感特征，并剔除虚假特征，因此在国内外输电线路故障诊断领域逐渐成为研究热点。

2.1 随机森林

随机森林是一种基于决策树的集成学习算法，通过构建多个决策树并综合它们的分类结果来分类[5]。与单一决策树相比，随机森林具有分类精度更高、稳定性更好和抗噪声能力更强等优点。在训练过程中，随机森林中的每个决策树都是独立构建的，以增加模型的多样性，降低过拟合风险。综合多个决策树的分类结果，利用随机森林进一步提高分类精度。随机森林还保留了多值分类的特性，因此特别适合解决多值分类问题。在随机森林中的每个决策树不是利用弱学习器来逐步提高模型的性能的，而是独立构建的，因此，与其他方法（例如 Boosting）相比，当面对数据噪声时，随机森林的稳定性更好，其可以通过引入随机性来避免过拟合问题，并提高模型的泛化能力。综上所述，随机森林是一种强大而有效的分类器，适合处理多值分类问题。

设原始训练集X={（x1，y1），（x2，y2），（xN，yN）}，xm=[xm1，xm2，xmn]为第m个训练样本，n为xm中特征值个数，xm为训练样本，ym为类别标签。利用Bootstrap方法从原始训练样本集Xj（j=1，2，…n，）中随机抽取多个训练样本子集，构建决策树模型hj（x），获得1组决策树组成的分类器{h1（x），h2（x），h3（x），hj（x）}（j=1，2，…n）。当测试样本输入训练好后的分类器时，这组决策树对样本类别进行投票，以确定其最终分类。通过这种方式，随机森林整合多个决策树的优势，提高了分类的准确性和稳定性。其分类决策如公式（1）所示。

（1）

式中：hj（x）为第j棵决策树；I{·}为示性函数，当括号中的表达式满足条件时，其值为1，否则为0；y为样本的类别标签；f（x）为第j棵决策树的分类结果；n为决策输个数。

2.2 贝叶斯优化的随机森林

在机器学习过程中，由于模型参数直接影响训练效果，因此参数设置十分重要，须在训练前设置RF的参数，例如树的最大深度、每个决策树的最大叶子数量和学习率等。如果参数复杂，就会导致其可能的组合更多，人工调参更费时、费力且不一定能够挖掘合适的组合，贝叶斯算法调参迭代次数少，速度快，能快速找到模型最佳参数组合。为了提高模型性能，本文采用贝叶斯算法。贝叶斯[6]算法流程执行步骤如下。步骤一：设置待优化参数范围并初始化。为了保证算法稳健、准确，需要对RF的各参数设定一个合理的取值范围。步骤二：估计概率密度，计算增益期望（Excepted Improvement，EI）。确定参数范围后，估计概率密度。该步骤

的核心是通过采集函数来计算EI，EI反映参数组合的性能。步骤三：利用最佳参数组合训练预测模型。将EI值最大的参数组合输入RF预测模型中进行训练。步骤四：精度验证与算法迭代。步骤五：评估预测结果的精度是否满足预期。如果满足，算法就可以终止；如果不满足，就需要返回步骤二重新开始，直至找到满足精度要求的最佳参数组合为止。

2.3 评价指标

为了准确评估模型的分类性能，本文采用准确率（Accuracy）作为评价指标，计算过程如公式（2）所示。

（2）

式中：TP（真正）为将正类样本预测为正类的数量；TN（真负）为将负类样本预测为负类的数量；FP（假正）为将负类样本预测为正类的数量；FN（假负）为将正类样本预测为负类的数量。

公式（2）结果越接近1，模型的准确度越高。

2.4 短路故障类型识别算法流程

TPE-RF故障类型识别方法包括以下4个执行步骤。步骤一：收集原始数据，为了方便计算，符合数据输入的要求，预先对数据进行归一化处理。步骤二：通过经验模态分解，提取已归一化数据，计算样本熵，构成特征集，并按照一定比例分成训练集与测试集。步骤三：将训练集数据作为输入，训练TPE-RF模型，使其能够学习并识别数据中的模式和特征。步骤四：将测试集数据输入已经训练好的TPE-RF模型中，得到模型的识别结果。这个结果可以用于评估模型的性能和准确度，进一步优化模型参数或结构。

3 仿真分析

3.1 输电线路案例

基于Simulink环境搭建输电线路仿真模型，输电线路结构如图1所示。正序参数：电阻为1.648×10-2 Ω/km，电抗为1.348 mH/km，电容为8.68×10-3 μF/km。零序参数：电阻为0.3 Ω/km，电感为3.639 mH/km，电容为6.166×10-3 μF/km。

本文从输电线路仿真中选取过渡电阻、故障位置、故障类型和故障角度进行故障仿真。故障参数设置见表1。

短路故障类型为单相接地短路故障、相间短路故障、两相接地短路故障和三相接地短路故障，用标签识别不同类别的短路故障，类别标签见表2。

3.2 特征提取

在电力系统中，当线路发生故障导致跳闸时，会产生一系列电弧和各次谐波。本文采用EMD方法，深入分析线路两端的电流波形。EMD能够将复杂的电流波形分解为多个IMF分量，这有助于更细致地研究电流波形的特点，准确识别故障。在仿真试验部分，利用Simulink模型模拟瞬时性故障和永久性故障。为了保证研究的准确性，选取从故障发生至合闸前的故障相电流作为分析的电流信号。在MATLAB软件中，利用EMD分解这些信号，得到多个IMF分量。

以故障相角差为15°的金属性接地故障为例，当故障点位于距离首段50%的位置时，利用EMD深入分解瞬时性故障和永久性故障的电流信号，结果如图2所示。前7个IMF分量已经包括原始数据的大部分信息。因此，以这7个IMF分量作为原始信号的代表，计算样本熵，构建特征集。采用该方法不仅提高了故障识别的准确性，还为电力系统中的故障诊断提供一种有效的分析手段。

3.3 故障类型识别结果

本文提出TPE-RF模型，诊断结果如图3所示。横轴为测试样本编号，纵轴为故障对应编号，模型准确率高达98.85%。

3.4 TPE-RF模型验证分析

为了验证TPE-RF故障识别模型的稳定性，本节验证了4种类型的短路故障在不同过渡电阻和不同故障初始角状态中的情况，验证结果见表3。

3.4.1 不同故障初始角验证分析

从表3可以看出，TPE-RF模型在各故障相角范围内均能准确识别短路故障类型，这说明TPE-RF模型的鲁棒性较强，能够适应不同的故障相角条件并识别故障类型。这个结果表明，当处理输电线路故障时，TPE-RF模型能够有效地克服故障相角的影响。

3.4.2 不同过渡电阻验证分析

不同过渡电阻测试集验证结果见表4，从表4可以看出，TPE-RF模型在各过渡电阻范围内均能准确准确识别短路故障类型。这表明TPE-RF模型具有较强的鲁棒性，能够适应不同的过渡电阻条件并识别故障类型。这个结果表明，TPE-RF模型在处理输电线路故障的过程中，能够最大程度地减少过渡电阻的影响。

4 结论

本文提出了一种基于TPE-RF的输电线路故障识别方法。该方法准确率更高，达到98.85%。研究表明，基于TPE-RF的输电线路故障识别模型对短路故障识别中的过渡电阻、初始故障角都有显著影响，它适应性良好，能够准确识别输电线路短路故障的类型。

参考文献

[1]宋国兵，陈哲鸿，侯俊杰，等.基于电荷量变化特征的高压直流线路纵联保护[J].电力系统及其自动化学报，2020，32（10）：9-16.