智能配电网中的故障检测与自愈系统研究

摘要：传统电力系统的接地故障检测和自我修复手段往往因反应迟缓和精度不高而受到挑战。通过构建一相接地故障识别框架，核心在于聚焦于零序电流这一关键指标，对零序电流信号进行了多维度的处理，将其转化为时域、频域和小波域的特性向量，并借助随机森林算法赋予这些特征不同的权重。然后，利用LightGBM算法对这些经过分类的特征向量进行深度学习训练，从而实现精确的故障预测。该算法能有效抵御过渡电阻和初始相位角变化对预测结果的影响，准确性表现达到98.9%，远超其他比较算法。

关键词：广域信息小波分析随机森林故障检测

ResearchonFaultDetectionandSelf-HealingSysteminIntelligentDistributionNetwork

XIAOZhifeng

TongyuCountyPowerSupplyCompanyofStateGridJilinElectricPowerCo.，Ltd.，Baicheng，JilinProvince，137200China

Abstract：Thetraditionalgroundingfaultdetectionandselfrepairmethodsinpowersystemsareoftenchallengedduetoslowresponseandlowaccuracy.Byconstructingauniqueframeworkforidentifyingonephasegroundingfaults，withafocusonthe keyindicatorofzerosequencecurrent，thisarticleprocessedthezerosequencecurrentsignalinmultipledimensions，，convertingitintocharacteristicvectorsinthetimedomain，frequencydomain，andwaveletdomain，andassigningdifferentweightstothesefeaturesusingRandomForestAlgorithm.Then，theLightGBMalgorithmisusedtoperformdeeplearningtrainingontheseclassifiedfeaturevectors，inordertoachieveaccuratefaultprediction.Thisalgorithmcaneffectivelyresisttheinfluenceoftransitionresistanceandinitialphaseanglechangesonthepredictionresults，withanaccuracyperformanceof98.9%，farexceedingothercomparativealgorithms.

KeyWords：Wide-areainformation;Waveletanalysis;Randomforest;Faultdetection

电力网络的自我修复机制主要涉及定位电网故障区段并隔绝，以确保非故障区域的稳定供电。在各种故障类型中，接地故障是最普遍的一种。我国的配电网常常采用中性点不接地的方式，即小电流接地的防护策略。面对单相接地故障，电路特性表现为电压对称且线性，故障电流微小，达不到预设的故障标准，导致后端设备因过压而短路，进而加剧故障规模。因此，对单相接地故障的识别和消除至关重要。

1智能配电网及其自愈能力

1.1智能配电网的特点

智能配电网是现代系统的重要组成部分，它利用信息化、自动化和智能化技术，实现了配电网的高效运行和管理。智能配电网通过信息化技术实现了配电网数据的实时采集和处理，通过在配电网中部署大量的传感器和监测设备，可以实时收集配电网的运行数据，包括电压、电流、功率等信息[1]。这些数据的实时采集和处理，使得配电网的运行状态可以实时监控，有助于及时发现和解决配电网中的问题。

1.2自愈能力的重要性

自愈能力作为智能配电网的关键特性，它显著有别于传统配电网。在智能配电网中，一旦监测到故障发生，系统能够迅速启动自愈机制，自动识别故障点，并采取措施将故障区域与其他非故障区域隔离开来[2]。这一过程无需人工干预，完全由系统自动完成。隔离故障点之后，智能配电网会立即启动恢复供电流程，通过重新配置电力流向，使得非故障区域能够尽快恢复供电。这种快速响应和自动处理的能力，大幅减少了停电的时间和范围。此外，智能配电网的自愈能力还包括了自我诊断和自我修复的功能，实时监测运行状态，对潜在的故障进行预警，并及时进行调整和修复，以防止故障的发生。

2接地故障检测模型

2.1零序电流特征提取算法

通过深入探讨零序电流的特性，可据此定位故障点，首要任务即是对这些特性进行全面的提炼。电信号可划分为基本频率和高次谐波，本研究关注的是信号在时间域、频域和小波域的特性[3]。（1）时间域特性揭示了信号的直观属性，以时间作为衡量尺度，选取了电流和电压的平均值、标准偏差、峰值和波形系数作为关键指标。（2）频域特性方面，当配电网线路出现故障，信号的频谱会有所变化，频域分析有助于故障检测。此处选取的特征包括频谱功率和相位变化参数。（3）小波域特性利用小波分析对复杂信号进行全方位解析，避免信息丢失。采用三层小波包络分析算法，能获取8个不同的子信号频段。

2.2随即森林算法特征权重排序

集成学习概念下的随机森林算法运用了众多独立决策树的集体智慧来执行分类任务。随机森林的运作流程可划分为两个阶段：模型构建与类别判定。假定随机森林所处理的故障特征样本库为。首先，运用Bootstrap抽样技术从原数据中抽取新的子集，随后在每个子集上独立培养决策树模型，由此产生一系列的决策树分类器[4]。当样本经过这些分类器时，每个分类器将依据其判断结果赋予样本一定的权重，最后，所有权重被汇总并根据最大权重的类别作为最终的输出决策。

2.3基于LightGBM的故障分析算法

LightGBM（LightGradientBoostingMachine）全称为轻量级梯度提升机，源于梯度提升决策树（GradientBoostingDecisionTree，GBDT）的概念，构建了一个创新的框架。与常规算法侧重于正负样本权重的差异不同，决策树系列的LightGBM运用前向分布算法，致力于减少前一轮迭代的误差，从而遵循梯度下降的路径。尽管GBDT主要适用于离散数据，并依赖一阶导数优化损失函数，导致运算顺序性强，LightGBM采用了Histogram策略。这一策略通过深度学习方法模拟各节点的演化，不仅能够利用并行内核加速计算，还显著提升了数据处理效率。若用监督学习的数据集来表示，LightGBM的目标是找出一个函数映射，以最小化模型损失函数的期望值，其计算方式见式（1）。

2.4故障分析模型

本研究的算法实施分为三个核心环节：预备数据处理、样本权重评估及故障解析。在预备数据处理阶段，首先获取原始数据，接着运用时域、频域和小波域的分析手段对数据进行细分，生成多元特性[5]。随后，样本权重评估部分利用随机森林策略对这些多元特性进行排序操作。最后，故障解析模块依赖于LightGBM工具，对多源数据特性进行深入探究，以得出最终的故障预测区域。

3实验分析

3.1实验环境

在MatlabSimulink环境下构建了高压输电线路的仿真模型，针对特定地理区域的500kV线路。设定线路的等效电容为10nF，并设定电流采样频率为10kHz[6]。模型中包含了三条线路，其长度分别为：第一线路150km，第二线路130km，第三线路200km。为了评估模型在故障识别方面的效能，设计了一系列故障条件，生成多样化的样本集以增强检测精度。依据电流信号的特性，考虑了不同的初始相位、过渡电阻和故障位置进行组合。表1列出了用于训练的故障参数详细信息。

3.2算法测试

在研究中，在表1中探索了多元变量，包括多种相位角配置、差异性的过渡电阻以及故障发生的具体位置。当电力传输线路遭遇地线故障时，电流动态特性会发生显著变化。过渡电阻的微妙调整会潜在地干扰故障检测的精确度。为了深入理解这一影响，先进行详尽定量分析，在此过程中，挑选了XGBoost、SVM和CNN这三种先进的算法作为基准进行性能比较。实验数据和结果如表2所示。

如表2所示，本文提出的算法能确保在700Ω以下的线路识别精度，即使对于过渡电阻高达1000.2Ω的线路，错误判断率也能保持在0.5%以内。与其他列示的算法比较，本算法的误判率更低。考虑到实际线路的过渡电阻通常不超过1000Ω，表明本文算法具备出色的抗干扰性能。在后续实验中，选择100Ω作为试验的过渡电阻。

通过将模拟获得的故障距离实例导入算法模型进行评估，以证实各种算法在各类电流相位和故障定位上的预测精度。采取随机方式确定故障发生的间距和起始相位，利用50轮测试的平均值来量化故障检测的准确性。实验结果对比如表3所示。

从表3的数据可以观察到，本研究提出的算法在故障识别上的精确度十分出色，平均准确率达到98.9%，相对比其他算法分别提高了1.3%、2.4%和0.8%。这显示出通过整合特征分类工具RF与故障预测工具LightGBM，本文算法能显著增强原有故障检测的准确性。

4结语

本文构建了一种融合随机森林与LightGBM的电力线路故障诊断及恢复策略。该方法专注于单相接地故障，深入探讨了零序电流模型，并执行了电流信号的剖析。借助随机森林算法对特征矢量实施排序和分类操作，运用LightGBM模型进行故障预测。仿真实验显示，提出的算法在各种运行条件下均能实现高精度的故障识别，并展现出良好的抗干扰性能。

参考文献

[1]周鑫，罗燕萍，戎骏，等.基于多源大数据的智能配电网停电故障分析与优化配置研究[J].自动化与仪器仪表，2024（3）：101-105.

[2]DUYL，DUONGB，CAON，etal.FLISRApproachforSmartDistributionNetworksUsingE-TerraSoftware—ACaseStudy[J].Energies，2018，11（12）：3333.

[3]SAPONUTZOGLOUN，LAGOJ，RAISONB.Faultdiagnosisinlowvoltagesmartdistributiongridsusinggradientboostingtrees[J].ElectricPowerSystemsResearch，2020，182：106254.

[4]邹彬，李玮，韩俊.基于Multi-Agent的智能配电网自愈系统研究[J].自动化与仪器仪表，2020（10）：145-148.

[5]胡伟，周敏.多源智能配电网自愈控制关键技术研究[J].科技与创新，2023，2（18）：1-4，9.

[6]MDENFC，KAKUEFJV，BOUMTA，etal.Faultdetectionandclassificationusingdeeplearningmethodandneuro‐fuzzyalgorithminasmartdistributiongrid[J].TheJournalofEngineering，2023，2023（11）：e12324.