5G承載網下基于經驗小波變換和卷積神經網絡的配網故障診斷方法

于 洋, 王同文, 張 駿, 邵慶祝, 謝 民*, 張東岳, 孟凡上

(1.國網安徽省電力有限公司, 合肥 230022； 2.南京南瑞繼保電氣有限公司， 南京 211102；3.安徽大學電氣工程與自動化學院， 合肥 230601)

及時、精確的故障診斷是合理調度規劃和故障恢復的基礎。配電網拓撲結構復雜、分支眾多、具有非均勻性[1]，故障診斷有一定難度。近年來隨著分布式可再生能源接入規模和滲透率不斷提高，配電網潮流方向、電流故障等級都發生了較大變化[1]，需要高精度的故障診斷技術。

數據驅動的配電網故障診斷可根據數據來源分為兩類，一類是基于保護和斷路器開關量信息，包括專家系統[2]、人工神經網絡(artificial neural network，ANN)[3]、Petri網[4]等；另一類是基于故障錄波的電氣類信息[5-8]，包括特征提取[6]、頻域分解[7]、深度學習[8]等。在實際故障過程中保護和斷路器存在誤動和拒動，電網發生故障時首先是電流、電壓等電氣量予以反應，然后才是繼電保護裝置啟動。因此與保護和斷路器開關量相比，故障錄波的電氣量信息具有準確性、可靠性、連續性、時序邏輯性、冗余性等優點。文獻[7]首先對三相線電流和零序電流進行離散小波變換(discrete wavelet transform，DWT)，然后進行基于人工神經網絡的建模預測，進行電力系統故障辨識和故障定位。

原始數據的準確采集和有效傳輸對故障診斷的準確性和實時性具有重要的意義。但因通信傳輸通道不穩定、傳輸速率低、時延大等不足，導致保護和斷路器信息可能出現誤傳或漏傳[9]，錄波數據也可能存在不完整、對時不準確的問題。為保障配電網系統的安全穩定，在高壓輸電層級普遍配置多種裝備對輸電網運行狀態進行量測，并且先進的光纖通信技術的應用使輸電系統電力信息實現互聯互通。與輸電網絡相比，電壓等級較低的配電網絡雖然連接更多的設備，但沒有同步實現光纖覆蓋[10]。基于4G無線通信的配電網保護與故障診斷技術解決了光纖約束的問題，但是4G通信傳輸在通道質量、通道帶寬、時間同步方面均有待提高[11]。5G無線通信網絡的關鍵能力指標更為加強和豐富，在配電網系統中存在低時延高可靠性[12]、密集覆蓋[13]、大容量高帶寬[14]等多樣化通信場景。其中配網故障診斷為5G通信技術應用中典型的低時延高可靠性場景。

現構建基于5G承載網絡的分布式配電網故障診斷系統，建立數據丟包、網絡時延問題模型，測試實際過流元件啟動與接收兩個網絡時刻的網絡時延。并在5G技術運用在電力通信背景下，提出了5G承載網絡下基于EWT和CNN的配電網故障診斷方法。

1 5G承載網絡構建與分析

1.1 5G承載網絡的故障診斷試驗架構

如圖1所示，構建的承載網絡是基于聯通5G NSA/SA雙模基站組網的電網業務試驗測試環境，該試驗的目的是依托5G公眾網絡，測試配電網站所終端(distribution terminal unit，DTU)終端之間平均時延。使用DTU終端對發數據包互測單向時延，記錄本側過流元件啟動時刻和收到對側過流元件啟動時刻，測試過程中分別對試驗兩邊的DTU終端、5GCPE、基站和傳輸節點進行抓包和分析。

無線接入網IP化(IP radio access network，IPRAN)；有源天線單元(active antenna unit，AAU)；室內基帶處理單元(building base band unite，BBU)圖1 5G承載網整體網絡拓撲結構Fig.1 Topology of 5G network system

1.2 5G承載網絡特性分析

與4G承載網絡相比，5G承載網絡[15]不僅考慮人與人互相通信，同時也充分考慮了人與物、物與物的連接和通信需求。實現電網各個環節設備和周圍環境全面感知、信息快速采集和處理，及時發現和消除電力系統故障，降低風險發生率[16]。與4G無線通信相比，5G可實現10～100倍的連接設備密度、10～100倍的傳輸速率、3～5倍的頻譜效率以及端到端時延能達到毫秒級[17]，具體指標如表1所示。

表1 4G與5G性能指標對比Table 1 Performance comparison between 4G and 5G

1.3 端到端時延分析與實驗

目前獲取5G時延的手段主要是靠人工ping 測試，同時記錄包含無線、傳輸、核心網等多個環節的時延。試驗記錄本側過流元件啟動時刻、收到對側過流元件啟動時刻、網絡時延，DTU1口和DTU2口接收數據試驗記錄如圖2所示。

圖2 DTU口接收數據延遲記錄Fig.2 Time delay record of DTU port

2 經驗小波變換

2.1 傅里葉譜分割

圖3 傅里葉軸的分割Fig.3 Segmentation of the Fourier axis

2.2 經驗小波變換

(1)

(2)

(3)

將5G承載網絡傳輸得到的原始信號f(t)分解，提取出具有緊湊的支撐特性的傅立葉譜的AM-FM(amplitude modulation-frequency modulation)分量為

(4)

每個fi(t)是一個AM-FM函數，可以寫成

fi(t)=Fi(t)cos[φi(t)],Fi(t),φi(t)>0

(5)

根據式(6)，可得

(6)

EWT分解可將故障狀態下的電流按頻域分布，提取特征信息。與目前已有文獻[7]中使用的DWT相比，所引入的EWT算法可得到不同模態，既可以解決DWT存在的模態混疊問題，同時分解后得到的分量的數目更少，進而降低計算的難度[7]。

3 卷積神經網絡

3.1 卷積神經網絡

CNN作為一種典型的前饋神經網絡，典型的CNN結構如圖4所示，主要由輸入層、隱含層、全連接層和輸出層組成，其中隱含層由卷積層和池化層組成。卷積和池化過程可以提取輸入數據中包含的拓撲結構特征[18-19]。

圖4 CNN基本結構圖Fig.4 The basic architecture diagrams of CNN

將EWT分解后的電流分量作為輸入信號，應用CNN進一步進行故障特征提取，得出故障判斷作為輸出層結果。

3.2 CNN各層功能簡介

卷積層是CNN的核心部分。卷積層由多個卷積核組成，實現信號特征自適應提取，卷積層的輸出為

(7)

池化層在卷積層之后，主要對卷積層的輸出進行降低特征空間大小，減少計算時間。采用最大值池化函數作為池化層函數，即

(8)

全連接層是一個傳統的多層感知器，其主要功能是實現訓練數據集進行分類，采用softmax函數作為全連接層的激活函數，即

(9)

式(9)中：zj為第j個神經元輸出；k為總類別。

3.3 故障診斷流程

5G承載網絡下，數據傳輸可靠性達99.999%，仿真實驗中考慮丟包率為0.001%，網絡時延如1.3節實驗所示。對傳輸獲得的原始信號，基于EWT進行頻域分析與分解，再應用CNN模型對故障進行類型判斷和識別。提出的EWT-CNN配電網故障診斷方法流程如圖5所示，具體步驟如下：

圖5 EWT-CNN故障診斷流程圖Fig.5 EWT-CNN fault diagnosis flow chart

步驟1基于5G承載網絡從配網獲得原始數據，提取故障區域各線路電流信號作為樣本信號。

步驟2樣本信號EWT分解。EWT分解線路中電流信號，獲得內稟模態函數(intrinsic mode function，IMF)分量。

步驟3IMF分量選擇。若干個IMF分量通過峭度值分析，選擇含有大量故障信息的IMF分量，形成樣本數據集。

步驟4將樣本數據集隨機選擇一部分作為訓練樣本集和測試樣本集，用于訓練CNN模型和故障診斷測試。

步驟5訓練CNN。利用訓練樣本集作為CNN的輸入進行訓練，調整CNN模型參數設置，直到訓練準確率滿足要求。

步驟6故障診斷。利用測試樣本作為輸入數據，測試訓練好的CNN模型，驗證該模型的有效性。

4 算例仿真

本文算例采用的實驗仿真模型如圖6所示。分別設置線路L1～L3的4處位置K1～K4發生故障時，提取每條線路的電流信號。

圖6 實驗仿真模型Fig.6 Experimental simulation model

4.1 信號EWT分解

以線路L1在K1處發生三相短路故障為例，發生故障后線路L1的故障電流如圖7所示。線路L1電流信號通過EWT分解，得到5個IMF分量，分解結果如圖8所示。

圖7 線路L1故障電流波形Fig.7 Zero sequence voltage waveform of line L1

圖8 EWT分解結果Fig.8 EWT decomposition results

通過峭度計算，把含故障信息較多的IMF分量篩選出來作為故障特征。通過如圖9所示的IMF分量峭度情況，可以看出IMF1分量比其他IMF分量擁有更加豐富故障特征信息，因此選擇IMF1分量作為線路L1的故障特征信息。其他線路的故障特征提取如上述操作，將每條線路提取出的故障特征構造成特征向量，即

圖9 各IMF分量峭度Fig.9 Kurtosis of each IMF component

Xi={imfi1,imfi2,…,imfij}

(10)

式(10)中：Xi為第i個故障樣本的故障特征向量；imfij表示第i個故障樣本中第j條線路的故障特征信息。

4.2 CNN診斷結果

合適的CNN模型參數，不僅能提高故障診斷精度，也能降低訓練時間，所以實驗了4種不同CNN模型參數的進行故障診斷。4種不同CNN模型各參數配置情況以及訓練時間結果如表2所示，與表2相對應4種不同CNN模型的訓練準確率曲線如圖10所示。從表2和圖10可以看出，雖然序號1的訓練時間最短，但是訓練準確率只有85.417%，在4種模型中最低。序號3的訓練準確率為95.2%，此外訓練時間達到780.346 s，訓練時間過長。序號2和序號4的訓練準確率分別為98.5%和99.2%，序號2的訓練準確率比序號4的訓練準確率高，此外序號4的訓練時間也相比序號2短，因此采用序號2的CNN模型參數進行仿真實驗。

圖10 4種CNN模型訓練準確率Fig.10 Training accuracy of 4 CNN models

表2 4種CNN模型參數配置及訓練結果Table 2 Parameter configuration and training results of 4 CNN models

對于本文方法(EWT-CNN)、SVM和原始信號直接進行CNN診斷(CNN)，為了避免偶然誤差的影響，每種方法都在相同訓練樣本和測試樣本下進行20次仿真實驗，實驗結果如表3所示。可以看出本文方法(EWT-CNN)比其他方法故障診斷準確率高。

表3 3種方法對比實驗結果Table 3 Three methods were used to compare the experimental results

EWT-CNN診斷準確率結果如圖11所示，可以看出迭代18次后，故障診斷的準確率就能達到100%，診斷效果好。此外，從訓練準確率曲線和測試準確率曲線可以看出本文方法具有很好的擬合效果，因此本文方法具有很好的魯棒性和泛化能力。

圖11 EWT-CNN診斷準確率Fig.11 Diagnostic accuracy of EWT-CNN

5 結論

在信息傳輸過程中電氣量在準確性、抗干擾性方面具有開關量無法比擬的優點。提出的5G承載網絡下的EWT-CNN配電網故障診斷方法，經過EWT處理后的數據，再進行卷積神經網絡故障診斷，故障診斷精度高；通過峭度計算能很好確定出有效的IMF分量，構建故障特征數據，實現故障診斷，具有很高的故障診斷精度。綜上，提出的5G承載網絡下的EWT-CNN配電網故障診斷方法，一方面，為配電網故障診斷提供了一種有效地診斷技術；另一方面，在5G背景下，能夠更好更快地實現故障診斷，對及時排除配電網故障和恢復供用電具有重要的意義。