基于BiLSTM的電壓暫降原因辨識方法研究

蘇婷婷，彭賀翔，王燦，李波，廖凱，劉世峰

(1.西南交通大學，四川 成都611756；2.國網湖南省電力有限公司電力科學研究院，湖南 長沙410007；3.湖南大道電氣設備有限公司，湖南 岳陽414022)

0 引言

電壓暫降是現代電力系統中常見的電能質量問題之一[1－3]，影響繼電器、可編程邏輯控制器等設備的正常運行，從而導致產品品質下降，帶來巨大的經濟損失[4－6]。電壓暫降原因的準確辨識是綜合治理電壓暫降的重要前提，為電網－用戶責任劃分、工廠選址等提供有效參考[7]。

電壓暫降原因辨識的兩個主要步驟分別是電壓暫降特征選取、分類器構建[8]。電壓暫降特征選取，顧名思義就是提取具有良好表現力的電壓暫降特征。文獻[9]提出一種基于特征值綜合法的電壓暫降原因辨識方法，根據三相電壓的不平衡度和二次諧波電壓含量，結合馬氏距離與概率神經網絡，實現復合暫降源的辨識。文獻[10]提出一種基于監測點電壓有效值的識別方法，該方法從暫降幅值、暫降結束時的電壓跳變、三相電壓不平衡度等方面綜合考量對比，設定相應閾值，從而識別暫降源的類型。但是隨著分布式電源、儲能、電動汽車的并網規模日益增大，電網的結構更加復雜，電壓暫降經由各級變壓器等元件傳播，其特征會發生顯著變化[11]，導致不同類型暫降的特征范圍之間存在交疊，閾值選取困難。一般來說，增加特征類別可以提高辨識準確率，但分類器的輸入維度過大，可能導致分類器參數選取困難、過擬合、計算量增大等問題。所以，特征間的冗余問題不得忽視。文獻[12]提出一種基于主成分分析(Principal Component Analysis，PCA)的特征約簡方法，使用該方法對提取的原始電壓暫降特征指標進行約簡處理，有效抑制特征間的相關性。近年來，深度學習在電力系統中的應用成為研究熱點。深度學習具有強大的數據挖掘能力，克服傳統機器學習泛化能力弱的缺點[13]。文獻[14]通過將卷積注意力模塊融入改進輔助分類生成對抗網絡，提高電壓暫降原因辨識模型的性能。文獻[15]提出一種基于深度置信網絡(Deep Belief Network，DBN)的電壓暫降原因辨識方法，該方法將暫降信號壓縮成固定大小作為網絡的輸入，利用DBN網絡的特征自提取能力實現電壓暫降特征的提取，辨識各類暫降源。與文獻[12]對比，文獻[14]和文獻[15]不需要人工選取特征類別，但網絡提取的特征不具有物理意義，模型復雜、調試困難，不適合直接應用于現場監測終端，并且未考慮輸入特征之間的依賴關系。

本文提出一種基于BiLSTM的電壓暫降原因辨識方法。該方法首先構建原因辨識綜合特征指標作為BiLSTM的輸入，然后訓練BiLSTM網絡，實現電壓暫降擾動源的分類和識別。通過與DBN、支持向量機(Support Vector Machines，SVM)、決策樹(Decision Tree，DT)方法之間進行對比仿真，驗證了所提方法的有效性與準確性。

1 典型電壓暫降擾動源分析

電壓暫降是指電力網絡某節點的工頻電壓均方根值快速下降至額定電壓的90%～10%的電能質量現象。引起電壓暫降的原因有很多，本質為流經系統阻抗的電流突然增大，導致臨近節點的電壓暫時跌落。不同的電壓暫降原因對治理具有顯著影響，在此主要分析短路故障、大容量電機啟動和變壓器投運引起的電壓暫降現象，總結其波形變化規律，為后續電壓暫降原因辨識奠定基礎。

1.1 短路故障引起的電壓暫降特征

短路故障是引起系統中電壓暫降的主要原因之一，其中單相接地故障引起的暫降事件占總事件的66%以上。

單相接地故障、兩相相間短路故障、兩相短路接地故障引起的電壓暫降均為不對稱暫降，三相短路故障引起的暫降為對稱暫降。由線路短路引起的電壓暫降深度和持續時間主要受故障類型、故障距離、短路阻抗以及故障切除時間等因素影響，其波形如圖1所示。

圖1 不同類型短路故障引起的電壓暫降波形

1.2 感應電機啟動引起的電壓暫降

感應電機作為現代生產行業中應用最廣泛的電機，是電力系統中重要的負荷之一。大容量感應電動機啟動瞬間，轉子靜止，定子側產生正常工作時幾倍的啟動電流，該電流在流經網絡阻抗時產生分壓，引起公共節點處電壓下降。

由感應電機啟動引起的電壓暫降一般為對稱暫降，此類暫降發生瞬間，三相電壓快速下降至最低點后緩慢恢復。暫降深度和持續時間與電機容量、電網短路容量、電機慣性等因素有關，其波形如圖2所示。

圖2 大容量感應電機啟動引起的電壓 暫降波形

1.3 變壓器投運引起的電壓暫降

電力變壓器是電力系統重要的基礎設備。變壓器投運時，由于鐵芯的磁飽和特性，變壓器終端會產生較大的激磁涌流，導致公共節點的電壓下降。

由于三相電壓的初相角始終相差120°，變壓器鐵芯的磁飽和程度也不相同，此類暫降為不對稱暫降。各相電壓快速下降到不相同的最低點后緩慢上升，暫降深度、恢復時間與投運時的電壓初相角以及變壓器鐵芯剩磁等因素有關。其仿真波形如圖3所示。

圖3 變壓器投運引起的電壓暫降波形

由上述分析可知，不同原因造成的暫降具有不同的特征。為實現電壓暫降的原因辨識，需要構建有效的特征指標作為分類識別的依據[16]。

2 電壓暫降原因辨識特征指標構建

2.1 電壓暫降時域特征提取

選取5個能夠突出暫降波形變化差異的時域特征參數，構成時域特征向量FTd，如式(1)所示。不同原因引起的暫降會使得FTd呈現出不同的數據特點。

①均值FMean:電壓暫降期間電壓幅值的平均值，短路故障引起的電壓暫降電壓均值較小，其他兩種原因引起的電壓暫降電壓均值較大。均值計算公式如下:

②方差FStd:電壓暫降期間電壓幅值偏離其均值的程度，短路故障引起的電壓暫降方差較小，其他兩種原因引起的電壓暫降方差較大。方差計算公式如下:

③波形因數FFfa:表示暫降波形變化的平坦程度，對矩形暫降和非矩形暫降有良好的區分效果。波形因數計算公式如下:

④斜度FSkew:電壓暫降波形的非對稱程度，短路故障引起的電壓暫降斜度較低，其他兩種原因引起的電壓暫降斜度明顯。斜度計算公式如下:

⑤峭度FKur:電壓信號在暫降發生時的頻率變化，變壓器投運引起的電壓暫降波形峭度大，其他兩種原因引起的電壓暫降波形峭度小。峭度計算公式如下:

2.2 電壓暫降時頻域特征提取

S變換是一種可逆的時頻分析方法，適用于分析具有突變特性的非平穩信號。基于S變換熵理論，首先對電壓暫降信號進行S變換，其次提取基于S變換能量熵作為電壓暫降時頻域特征。S變換能量熵體現電壓暫降信號在時域和頻域上的能量分布信息[17]。

2.2.1 S變換基本原理

信號x(t)的一維連續S變換S(τ，f)為:

式中，ω(τ－t，f)為高斯窗口，τ為控制高斯窗口在t軸上位置的參數；f為頻率。

將連續信號x(t)離散化，得到離散序列x[k]。則S變換的離散形式可表示為:

式中，N為x[k]長度；k＝0，1，2，…，N－1。

對電壓暫降信號進行S變換后，得到S矩陣。S矩陣是一個二維的復時頻矩陣，矩陣的行表示頻率、列表示采樣點。

2.2.2 S能量熵提取

對S矩陣的元素進行求模，得到S模時頻矩陣，記為矩陣Dm×n。將矩陣D等行分為3個部分，并基于熵理論對不同頻段構成的矩陣進行分析，提取S變換能量熵特征FE1、FE2、FE3。利用3個S能量熵可構成時頻域特征向量FFd，如式(11)所示。

S能量熵計算公式如下:

對發生暫降時各相電壓的5個時域特征及3個時頻域特征進行提取，最終構成電壓暫降原因辨識特征向量。

3 基于BiLSTM的電壓暫降原因辨識

BiLSTM是循環神經網絡的一種改進形式，可以保持輸入特征之間的依賴關系，適用于電能質量信號的分類與辨識。BiLSTM由雙層長短期記憶神經網絡(Long Short Term Memory，LSTM)組合而成，網絡結構如圖4所示。h1表示前向的LSTM，h2表示后向的LSTM。這種雙層結構可以同時提取輸入序列的前向和后向的數據關系，拼接成一個輸出。

圖4 BiLSTM網絡結構模型

LSTM神經元的結構如圖5所示，x(t)表示在t時間步的輸入；分別表示遺忘門、輸入門和輸出門在t時間步的輸出；h(t－1)、h(t)分別表示LSTM神經元在t－1和t時間步的隱藏層輸出狀態；c(t－1)、c(t)分別表示LSTM神經元在t－1和t時間步的記憶單元；σ為Sigmoid函數，tanh為雙曲正切函數。

圖5 LSTM神經元結構

遺忘門控制c(t－1)中需要保留的信息，并傳遞到下一時刻的記憶單元c(t)中。輸出Of(t)的表達式如下:

式中:W xf表示輸入與遺忘門之間的權重矩陣；W hf表示隱藏層和遺忘門之間的權重矩陣，b of為遺忘門的偏移向量。

輸入門控制x(t)中需要傳遞給t時間步記憶單元c(t)的信息，其輸出Oi(t)為:

式中，W xi表示輸入與輸入門之間的權重矩陣；W hi表示隱藏層和輸入門之間的權重矩陣，b oi為輸入門的偏移向量。

t時間步的記憶單元c(t)是t－1與t時間步LSTM單元狀態的信息組合，其表達式為:

式中，·*表示矩陣中對應的元素相乘；W xc表示t時間步輸入x(t)的權重矩陣；W hc表示h(t－1)的權重矩陣；b c表示記憶單元的偏移向量。

輸出門控制t時間步記憶單元狀態c(t)流入t時間步隱藏層輸出h(t)的信息，其輸出Oy(t)如式(16)所示。此時，h(t)由輸出門Oy(t)和記憶單元c(t)共同決定，如式(17)所示。

式中，W xy表示輸入與輸出門之間的權重矩陣；W hy表示隱藏層和輸出門之間的權重矩陣，b oy為輸出門的偏移向量。

LSTM通過引入3個門控結構(遺忘門、輸入門和輸出門)，選擇性地保留或遺忘過去時刻的信息，解決傳統RNN梯度消失和梯度爆炸的問題。LSTM為單向神經網絡，僅能使用當前時間步t之前的信息，而BiLSTM可以充分利用過去和未來的信息，輔助網絡做出更有效的決策。

綜上所述，基于BiLSTM的電壓暫降原因辨識方法主要包括以下5個步驟:①建立含分布式電源的電壓暫降仿真模型，獲取電壓暫降原始數據集；②對電壓暫降原始數據進行預處理，包括數據歸一化、計算電壓有效值、提取暫降數據段；③分別提取電壓暫降的時域特征和時頻域特征，構建不同類型電壓暫降綜合特征指標向量，并將樣本劃分為訓練集和測試集；④建立BiLSTM網絡，使用訓練集對BiLSTM網絡進行訓練；⑤利用訓練好的BiLSTM網絡對測試集進行電壓暫降原因辨識，驗證該方法的有效性。

4 仿真驗證與結果分析

4.1 電壓暫降樣本獲取與特征提取

采用Matlab平臺搭建含分布式電源的電壓暫降仿真模型，如圖6所示。圖6中F為故障位置，S為電壓暫降測量點。設置采樣率為5 kHz，仿真總時長為1 s，暫降持續時間取值范圍為(0.01 s，0.5 s)。通過調節短路故障類型、暫降持續時間及系統短路阻抗，獲得單相接地(C1)、兩相短路(C2)、三相短路(C3)樣本各100組；通過調節感應電機的額定電壓、電流和容量，獲得感應電機啟動(C4)樣本80組；通過調節變壓器的額定容量、線路負荷，獲得變壓器投運(C5)樣本80組。

圖6 電壓暫降仿真模型

對獲得的電壓暫降原始樣本進行預處理，將數據歸一化，計算其電壓有效值，并提取電壓幅值小于0.9 p.u.大于0.1 p.u.的暫降數據段；求取電壓暫降特征，形成電壓暫降原因辨識綜合特征向量，并將樣本隨機按照8∶2比例劃分為訓練集和測試集。

4.2 電壓暫降原因辨識結果及分析

采用的BiLSTM網絡共有4層，分別為輸入層、BiLSTM層、全連接層和輸出層。輸入層負責輸入樣本集和標簽集，輸入維度為1；BiLSTM層設置50個隱藏單元，用于提取輸入樣本的特征；全連接層匯總BiLSTM層提取的特征信息；輸出層通過利用特征信息，獲得樣本的概率分布，并輸出其預測標簽。

4.2.1 評價指標

電壓暫降的原因辨識是一個多分類問題，因此選用多分類問題中的準確率(acc)、精確率(prc)、召回率(rec)和F1值作為分類結果的評價指標。評價指標如式(18)—(21)所示。

式中，TP為分類正確的樣本數量；TN為不屬于此類別且沒有被分到此類別的樣本數量；FP表示不屬于此類別但被分到此類別的樣本數量；FN表示屬于此類別但被分到其他類別的樣本數量。

準確率表示分類正確的樣本占被分類總樣本的比重；精確率又稱作查準率，表示預測為此類別的樣本中真實為此類別樣本的比重；召回率又稱為查全率，表示真實為此類別樣本中被預測為此類別樣本的比重；F1值為精準率和召回率的加權平均。對于電壓暫降原因辨識，準確率、精確率、召回率和F1值越大，說明辨識效果越好。

4.2.2 仿真結果及分析

電壓暫降原因辨識結果的混淆矩陣如圖7所示。橫坐標表示樣本的預測類別，縱坐標表示樣本的實際類別，對角線表示被正確分類樣本的數量，非對角線表示被錯誤分類樣本的數量。

圖7 混淆矩陣

根據混淆矩陣，求解指標見表1。其中，一組實際類別為C1的樣本被預測為C4，除此組樣本預測錯誤外，實際類別為C2、C3、C4、C5的樣本均被正確預測。由式(18)～ (21)計算可得，樣本C1、C2、C3和C5的辨識精確率為100%；C2、C3、C4和C5的召回率均為100%；每個樣本的F1值均大于95%。電壓暫降原因辨識結果的整體準確率為98.91%。

表1 基于BiLSTM的電壓暫降原因辨識結果%

為了進一步驗證本算法具有較好的辨識性能，將本算法與其他算法作比較，辨識結果見表2。

表2 不同電壓暫降辨識方法仿真結果對比 %

由表2可知，與其他方法相比，基于BiLSTM的電壓暫降原因辨識方法辨識準確率和F1值均高于其他方法，驗證了該方法的有效性。

5 結語

本文提出一種基于BiLSTM的電壓暫降原因辨識算法，實現不同類型的電壓暫降分類，并進行仿真驗證，得到如下結論:

1)提取電壓暫降時域特征并結合S變換提取電壓暫降時頻域特征，構建電壓暫降原因辨識綜合指標，具有較好的識別精度。

2)基于BiLSTM的電壓暫降原因辨識方法的準確率達到98.91%，高于其他方法，驗證了該方法的有效性和準確性。

本文將電壓暫降分為5類，未考慮復合型電壓暫降的辨識，這是本課題的進一步研究方向。