基于小波AlexNet網(wǎng)絡(luò)的配電網(wǎng)故障區(qū)段定位方法

侯思祖，郭威，王子奇，劉雅婷

(華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003)

0 引 言

隨著一流配電網(wǎng)建設(shè)逐步推進(jìn)，電網(wǎng)的拓?fù)浣Y(jié)構(gòu)日益復(fù)雜，饋線分支較多，架空線和電纜線路相互混聯(lián)，難免會(huì)發(fā)生各種類型故障，若不能及時(shí)處理將會(huì)影響電力系統(tǒng)的安全穩(wěn)定運(yùn)行[1]，快速準(zhǔn)確定位故障點(diǎn)位置將有利于故障迅速排除，縮短停電時(shí)間，減少人工巡線的工作量[2]。目前，電力系統(tǒng)的故障機(jī)理較為復(fù)雜，數(shù)據(jù)規(guī)模龐大，現(xiàn)有的故障定位方法難以滿足定位準(zhǔn)確度的需求[3-4]。

傳統(tǒng)的配電網(wǎng)故障定位方法大致分為三種：行波法[5]，阻抗法[6]和注入信號(hào)法[7]。行波法對(duì)設(shè)備的采樣頻率要求較高，行波的波頭識(shí)別較為困難，線纜混合線路還涉及到波速轉(zhuǎn)換問(wèn)題[8]，且行波信號(hào)易受噪聲和電壓幅值波動(dòng)等因素的影響。阻抗法通過(guò)計(jì)算故障回路的阻抗尋找故障點(diǎn)位置，線路的多分支、過(guò)渡電阻的大小和系統(tǒng)負(fù)荷等因素都會(huì)影響該方法的準(zhǔn)確性。注入信號(hào)法通過(guò)檢測(cè)注入信號(hào)的路徑和特征完成故障定位，方法原理簡(jiǎn)單，但是對(duì)于間歇性電弧接地故障或高阻接地故障，該方法將會(huì)失效，并且所需設(shè)備昂貴，注入的信號(hào)也會(huì)對(duì)電網(wǎng)有一定的沖擊。文獻(xiàn)[9]構(gòu)建了開關(guān)函數(shù)及評(píng)價(jià)函數(shù)，將定位問(wèn)題轉(zhuǎn)換成旅行商問(wèn)題(Traveling Salesman Problem，TSP)，通過(guò)改進(jìn)蟻群算法對(duì)配網(wǎng)故障進(jìn)行全局搜索，在一定程度上提升了故障位置搜索效率，但是容易陷入局部最優(yōu)。文獻(xiàn)[10]根據(jù)健全線路與故障線路上故障點(diǎn)上下游三相電流突變量的特征實(shí)現(xiàn)配網(wǎng)故障定位，但是該方法不夠嚴(yán)謹(jǐn)，當(dāng)線路末端出現(xiàn)故障或線路發(fā)生高阻接地故障，定位方法將會(huì)出現(xiàn)誤判。文獻(xiàn)[11]以故障點(diǎn)上下游導(dǎo)納隨頻率變化的關(guān)系為基礎(chǔ)，通過(guò)上下游線路零序電流重心頻率的不同特性，完成配網(wǎng)故障定位，但實(shí)際中，準(zhǔn)確地提取重心頻率較為困難，且故障接地相角的大小會(huì)影響定位的準(zhǔn)確性。文獻(xiàn)[12]分析了相電流突變量與相電壓突變量的導(dǎo)數(shù)相關(guān)性，通過(guò)故障指示器實(shí)現(xiàn)配網(wǎng)故障區(qū)段定位，但需要較高精度的電流互感器才能獲取相電流的突變量。文獻(xiàn)[13]引入分級(jí)處理思想，通過(guò)人類進(jìn)化算法完成配網(wǎng)故障定位，但對(duì)于復(fù)雜電網(wǎng)，該方法的靈活性和實(shí)用性降低。文獻(xiàn)[14]利用全相位快速傅里葉變換頻譜校正提取測(cè)量點(diǎn)電壓電流的基波有效值和相位信息作為特征向量，通過(guò)極限梯度提升法建立故障定位器，實(shí)現(xiàn)故障測(cè)距，但小電流接地系統(tǒng)發(fā)生單相接地故障時(shí)，工頻電流的有效值變化較小，特別是過(guò)渡電阻較大時(shí)，基波的故障特征進(jìn)一步減弱，影響該方法的測(cè)距精度。文獻(xiàn)[15]利用量測(cè)的電壓電流相位特征，通過(guò)堆棧自編碼器(Stacked Auto-Encoder，SAE)進(jìn)行建模，實(shí)現(xiàn)故障測(cè)距。文獻(xiàn)[16]利用三相電流波形的特征，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)判斷故障區(qū)段，但沒有充分發(fā)揮CNN在圖像模式識(shí)別領(lǐng)域中的優(yōu)勢(shì)，且對(duì)于小樣本的訓(xùn)練集合，CNN易出現(xiàn)過(guò)擬合現(xiàn)象。上述方法多數(shù)是憑借該領(lǐng)域的研究經(jīng)驗(yàn)，分析故障特征與故障位置之間的關(guān)系，建立定位模型尋找故障點(diǎn)，容易受到人為因素的影響。

《新一代人工智能發(fā)展規(guī)劃》指出人工智能的發(fā)展是重大的戰(zhàn)略機(jī)遇。將新一代的人工智能引入電網(wǎng)的故障分析與定位已成為一種趨勢(shì)。深度學(xué)習(xí)作為新一代人工智能的代表，已在自然語(yǔ)言處理、數(shù)據(jù)挖掘、語(yǔ)音和圖像識(shí)別等領(lǐng)域有了卓越的成果。深度學(xué)習(xí)可以通過(guò)數(shù)據(jù)驅(qū)動(dòng)自主挖掘原始輸入向量的有效信息。配電網(wǎng)在不同位置發(fā)生故障，各區(qū)段的電壓電流信號(hào)將呈現(xiàn)出不同的工況信息[17]。配電網(wǎng)的故障定位問(wèn)題本質(zhì)上是一種分類問(wèn)題，可以利用深度學(xué)習(xí)在圖像識(shí)別中的優(yōu)勢(shì)實(shí)現(xiàn)故障定位。但配網(wǎng)的電量信號(hào)是一維時(shí)間序列，不具有圖像的性質(zhì)，不適合直接應(yīng)用深度學(xué)習(xí)。可以采用合適的信號(hào)處理方法，將電網(wǎng)的電量信號(hào)轉(zhuǎn)成具有圖像性質(zhì)的像素矩陣作為深度學(xué)習(xí)方法的輸入。目前，尚未見深度神經(jīng)網(wǎng)絡(luò)AlexNet在配電網(wǎng)故障定位方面的應(yīng)用研究。CNN雖然在圖像處理領(lǐng)域被廣泛應(yīng)用[18-19]，但其結(jié)構(gòu)的相關(guān)參數(shù)需要用大量具有標(biāo)簽的樣本數(shù)據(jù)才能得到，并且訓(xùn)練過(guò)程從零開始，需要較長(zhǎng)的訓(xùn)練時(shí)間和較大的計(jì)算資源。配電網(wǎng)故障定位的信號(hào)訓(xùn)練樣本數(shù)據(jù)集較少，若直接利用卷積神經(jīng)網(wǎng)絡(luò)，容易出現(xiàn)過(guò)擬合現(xiàn)象，影響故障定位的效果。遷移學(xué)習(xí)通過(guò)利用一個(gè)領(lǐng)域?qū)W習(xí)到的知識(shí)對(duì)另一個(gè)相似領(lǐng)域問(wèn)題進(jìn)行建模求解[20]。深度遷移學(xué)習(xí)可以在小樣本數(shù)據(jù)驅(qū)動(dòng)下完成建模，并且訓(xùn)練的速度和效率都有所提升[21]。因此，可以將深度遷移學(xué)習(xí)方式引入配電網(wǎng)故障區(qū)段定位中。

本文提出一種基于深度網(wǎng)絡(luò)遷移學(xué)習(xí)模型的配電網(wǎng)故障區(qū)段定位方法。以圖像模式識(shí)別的方式實(shí)現(xiàn)配電網(wǎng)故障區(qū)段定位。利用小波包變換(Wavelet Packet Transform，WPT)獲取配網(wǎng)各區(qū)段電量信號(hào)的時(shí)頻矩陣，通過(guò)顏色編碼將時(shí)頻矩陣轉(zhuǎn)成像素矩陣，像素矩陣是一種時(shí)頻譜圖，具有圖像性質(zhì)，能囊括當(dāng)前系統(tǒng)的工況信息。配網(wǎng)不同位置發(fā)生故障，像素矩陣也將包含不同的工況信息。通過(guò)微調(diào)的AlexNet網(wǎng)絡(luò)自主提取像素矩陣的特征作為預(yù)測(cè)變量。將自主提取的預(yù)測(cè)變量分別輸入到學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(Support Vector Machine，SVM)、樸素貝葉斯分類器(Naive Bayesian Machine，NBC)、極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)和門控循環(huán)單元(Gated Recurrent Unit，GRU)。通過(guò)混淆矩陣顯示配電網(wǎng)故障區(qū)段定位結(jié)果，確定了AlexNet-GRU模型擁有最佳的識(shí)別效果。該方法以數(shù)據(jù)驅(qū)動(dòng)方式實(shí)現(xiàn)配網(wǎng)故障特征自主提取與故障區(qū)段定位。

1 電量信號(hào)時(shí)頻信息提取

1.1 WPT分解重構(gòu)原理

傅里葉變換只能在整個(gè)時(shí)間軸上積分，利用信號(hào)的全局特征得到頻域信息，不能描述局部時(shí)間段的頻域特性[22]。傅里葉變換后，時(shí)間變量消失，不能提供信號(hào)的時(shí)頻分析，且傅里葉變換在分析突變或不平穩(wěn)信號(hào)時(shí)效果不理想。小波變換(Wavelet Transform，WT)是在克服傅里葉分析缺點(diǎn)的基礎(chǔ)上發(fā)展出來(lái)的，是信號(hào)時(shí)頻分析和處理的強(qiáng)有力工具，擁有數(shù)學(xué)顯微鏡的美譽(yù)。小波變換通過(guò)縮放和平移等運(yùn)算將原始信號(hào)分解為一系列小波系數(shù)，這樣可以獲得原始信號(hào)各頻率子段的頻率特征，實(shí)現(xiàn)對(duì)信號(hào)的多尺度細(xì)化分析，在時(shí)域和頻域均具有良好的局部化特征[23-24]，但是小波變換只對(duì)每次分解得到的低頻近似信號(hào)進(jìn)行分解，而對(duì)高頻細(xì)節(jié)信號(hào)沒有作任何處理，這使得信號(hào)的高頻特征沒有被更好的利用。相比小波變換，小波包變換不但對(duì)尺度空間進(jìn)行了分解，也對(duì)小波空間進(jìn)行了分解。由于配網(wǎng)發(fā)生故障后，故障信號(hào)中不但含有低頻成分，還會(huì)含有高頻成分。利用小波包變換可以實(shí)現(xiàn)對(duì)配網(wǎng)故障信號(hào)無(wú)泄漏、不重疊的全頻段正交分解，可以更有效地對(duì)電量信號(hào)進(jìn)行時(shí)頻局部化分析。

選擇合適的小波基函數(shù)對(duì)配網(wǎng)的故障信號(hào)進(jìn)行小波包分解與重構(gòu)，實(shí)現(xiàn)對(duì)電量信號(hào)的初步處理，小波包的分解和重構(gòu)表達(dá)式分別如式(1)和式(2)所示。

(1)

(2)

其中，p、q和d分別代表低通濾波器系數(shù)、高通濾波器系數(shù)和小波包分解系數(shù)；分解層數(shù)用k和l表示；小波包節(jié)點(diǎn)標(biāo)號(hào)用j和n表示。

1.2 電量信號(hào)的時(shí)頻信息

因?yàn)槔眯〔ò治鲂盘?hào)時(shí)，對(duì)高頻帶的分解會(huì)導(dǎo)致頻帶錯(cuò)亂，使各子頻帶的排列順序交錯(cuò)，因此對(duì)分解出來(lái)的結(jié)果需要按照頻率由低到高的順序重新排列。文獻(xiàn)[25]指出配電網(wǎng)信號(hào)瞬時(shí)頻率主要集中在0～3 kHz，采用db4小波作為小波基函數(shù)，對(duì)電量信號(hào)進(jìn)行4層小波包分解時(shí)效果最佳，可以得到信號(hào)最為細(xì)致的頻譜特征。本文的采樣頻率設(shè)為10 kHz，采用4層分解時(shí)，第4層分解結(jié)果可以得到16個(gè)不同的頻率的特征信號(hào)，按照中心頻率大小進(jìn)行重排，將0～3 125 Hz部分作為配網(wǎng)信號(hào)分析的頻帶，即取第4層分解結(jié)果的前5個(gè)子頻帶進(jìn)行重構(gòu)，將各子頻帶重構(gòu)的信號(hào)作為故障分析的數(shù)據(jù)矩陣，按照三相電壓、三相電流的順序，從上到下依次排列各信號(hào)分解出來(lái)的子頻帶。一個(gè)周期的采樣點(diǎn)數(shù)為200，為了抑制端點(diǎn)效應(yīng)，刪掉每行的前5個(gè)采樣點(diǎn)和后5個(gè)采樣點(diǎn)，則此時(shí)的時(shí)頻矩陣的大小為30×190。時(shí)頻矩陣是通過(guò)小波包分解電量信號(hào)得到的數(shù)據(jù)矩陣，并不具有圖像的性質(zhì)。采用MATLAB小波工具箱中的wcodemat函數(shù)對(duì)時(shí)頻矩陣E量化編碼，可將時(shí)頻矩陣的數(shù)據(jù)范圍轉(zhuǎn)換到[0, 255]之間。通過(guò)量化編碼，時(shí)頻矩陣由數(shù)據(jù)矩陣變換成具有圖像性質(zhì)的像素矩陣。將每個(gè)點(diǎn)的像素值根據(jù)大小轉(zhuǎn)為不同的顏色，所得結(jié)果如圖1所示，其中，每個(gè)像素點(diǎn)的像素值代表了經(jīng)小波包分解得到的數(shù)據(jù)矩陣的數(shù)值大小。時(shí)頻信息圖囊括了電量信號(hào)的低頻特征和高頻特征，并且在不同的區(qū)段發(fā)生故障，時(shí)頻信息圖也會(huì)具有不同的紋理特征和顏色分布。時(shí)頻信息圖蘊(yùn)含了豐富的配網(wǎng)工況信息，可以作為配網(wǎng)電量信號(hào)的標(biāo)識(shí)。但是，僅用肉眼，無(wú)法準(zhǔn)確地區(qū)分這些標(biāo)識(shí)，即無(wú)法準(zhǔn)確地定位故障區(qū)段。通過(guò)對(duì)小波包分解的結(jié)果量化編碼，配網(wǎng)的電量信號(hào)會(huì)以圖像形式的呈現(xiàn)，引入深度學(xué)習(xí)方法，將配網(wǎng)故障區(qū)段定位問(wèn)題轉(zhuǎn)換成圖像的智能分類問(wèn)題。

2 故障區(qū)段定位模型

2.1 AlexNet模型

2012年，文獻(xiàn)[26]設(shè)計(jì)了AlexNet神經(jīng)網(wǎng)絡(luò)模型，在ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)大賽上一舉奪魁，掀起了深度學(xué)習(xí)在各個(gè)領(lǐng)域應(yīng)用研究的熱潮。AlexNet網(wǎng)絡(luò)模型本質(zhì)上是一種卷積神經(jīng)網(wǎng)絡(luò)，模型結(jié)構(gòu)如圖2所示。從圖2可以看出，經(jīng)典的AlexNet模型包含了五個(gè)卷積層，三個(gè)池化層，三個(gè)全連接層和一個(gè)Softmax層。五個(gè)卷積層分別采用了96、256、384、384和256個(gè)不同大小的卷積核[27]對(duì)輸入數(shù)據(jù)執(zhí)行卷積運(yùn)算。此外，卷積層1和卷積層2利用了局部響應(yīng)歸一化操作。三個(gè)全連接層分別含有4 096、4 096和1 000個(gè)神經(jīng)元。第三個(gè)全連接層的神經(jīng)元個(gè)數(shù)與樣本類別保持一致，其輸出作為Softmax激活函數(shù)的輸入。Softmax激活函數(shù)以概率分布的形式確定樣本類別。

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，激活函數(shù)一般采用飽和非線性函數(shù)tanh函數(shù)，而AlexNet網(wǎng)絡(luò)采用線性整流單元(Rectified Linear Unit，ReLu)作為激活函數(shù)。相比tanh函數(shù)，ReLu函數(shù)更符合生物神經(jīng)元激活機(jī)理，能夠增強(qiáng)網(wǎng)絡(luò)的稀疏性，提升模型的訓(xùn)練速度，避免梯度消失情況。AlexNet模型引入了dropout技術(shù)，隨機(jī)抑制了某些神經(jīng)元，將被抑制神經(jīng)元的激活值置為0，提升了模型的泛化能力，有效地緩解了過(guò)擬合問(wèn)題。AlexNet網(wǎng)絡(luò)被提出以后，又出現(xiàn)了許多更深的神經(jīng)網(wǎng)絡(luò)，例如GoogleNet、R-CNN和VGG等優(yōu)秀的網(wǎng)絡(luò)模型。但是相比其它網(wǎng)絡(luò)模型，AlexNet網(wǎng)絡(luò)的模型結(jié)構(gòu)簡(jiǎn)單，易于訓(xùn)練，耗時(shí)短，對(duì)圖像具有較強(qiáng)的辨識(shí)能力[28]，適合在工程上應(yīng)用。

2.2 彩虹編碼

對(duì)小波包分解電量信號(hào)的結(jié)果量化編碼可以得到像素矩陣。像素矩陣是二維圖像，雖然可以直接作為CNN的輸入，但是配電網(wǎng)故障定位存在小樣本問(wèn)題，用于訓(xùn)練的故障數(shù)據(jù)較少，而CNN訓(xùn)練過(guò)程需要大量的訓(xùn)練樣本。深度遷移學(xué)習(xí)可以在小樣本數(shù)據(jù)驅(qū)動(dòng)下完成建模，因此本文通過(guò)小樣本的數(shù)據(jù)集對(duì)AlexNet網(wǎng)絡(luò)微調(diào)，可以避免超參數(shù)設(shè)置不當(dāng)?shù)葐?wèn)題。

為了完成配網(wǎng)故障定位任務(wù)，需要對(duì)經(jīng)典的AlexNet網(wǎng)絡(luò)最后一個(gè)全連接層的神經(jīng)元數(shù)量進(jìn)行調(diào)整，使其數(shù)目與待分類對(duì)象類別保持一致。AlexNet網(wǎng)絡(luò)輸入的圖像需要放縮到固定大小為227×227×3，對(duì)小波包分解結(jié)果量化編碼后的圖像是二維灰度圖像，不能直接放縮到227×227×3，但是可以對(duì)二維灰度圖像進(jìn)行彩虹編碼，生成RGB彩色空間，之后執(zhí)行放縮。彩虹編碼是一種偽彩色變換方法，通過(guò)函數(shù)關(guān)系映射，將圖像的灰度值映射到顏色漸變的彩色[29]，原理過(guò)程如圖3所示。其中，f(x,y)表示二維圖像點(diǎn)(x,y)處的灰度值；TR、TG、TB代表灰度級(jí)-彩色變換的傳遞函數(shù)；R(x,y)、G(x,y)、B(x,y)為RGB三基色的分量值。

圖3 灰度級(jí)-彩色變換原理

偽彩色編碼方式分為線性編碼和非線性編碼[30]，線性編碼方式操作簡(jiǎn)單，但是該編碼方式的適應(yīng)性較低；非線性編碼方式雖然有較強(qiáng)的適應(yīng)性，但是該方法較為復(fù)雜，計(jì)算量較大。彩虹編碼兼合了線性和非線性編碼方式的優(yōu)點(diǎn)，采用了分段線性編碼方式。彩虹編碼的RGB三基色的變換函數(shù)分別如式(3)～式(5)所示：

(3)

(4)

(5)

通過(guò)彩虹編碼可以將二維的灰度圖像轉(zhuǎn)換成擁有RGB顏色空間的三維圖像，實(shí)現(xiàn)彩色增強(qiáng)。對(duì)小波包分解結(jié)果量化編碼，將所得的像素矩陣通過(guò)偽彩色編碼升高至三維偽彩色圖，后續(xù)環(huán)節(jié)縮放到227×227×3作為AlexNet網(wǎng)絡(luò)的輸入。

2.3 GRU算法

門控循環(huán)單元(Gated Recurrent Unit，GRU)是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)的新變體[31]。LSTM可以有效地解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(Recursive Neural Network，RNN)的梯度消失和梯度爆炸的問(wèn)題，有堅(jiān)實(shí)的理論基礎(chǔ)，但是其模型結(jié)構(gòu)較為復(fù)雜，需要遺忘門、輸入門和輸出門三個(gè)門函數(shù)參與建模，參量數(shù)較多，收斂速度慢。GRU網(wǎng)絡(luò)簡(jiǎn)化了LSTM的模型結(jié)構(gòu)，只需要更新門和重置門兩個(gè)門函數(shù)就可以達(dá)到LSTM同等功能，削減了LSTM的參數(shù)量，節(jié)約了運(yùn)算時(shí)間[32-33]。圖4為GRU子單元網(wǎng)絡(luò)結(jié)構(gòu)，其中，t和t-1分別為當(dāng)前時(shí)刻和上一時(shí)刻；x和h分別表示輸入變量和狀態(tài)記憶變量；r、z和h′分別為重置門狀態(tài)、更新門狀態(tài)和候選隱藏狀態(tài)；“⊙”和“+”分別表示哈達(dá)瑪乘積和向量加法運(yùn)算；σ和tanh為激活函數(shù)。

圖4 GRU子單元網(wǎng)絡(luò)結(jié)構(gòu)

3 故障區(qū)段定位實(shí)現(xiàn)過(guò)程

利用小波包變換時(shí)頻雙域的優(yōu)勢(shì)，處理配電網(wǎng)的電量信號(hào)，通過(guò)量化編碼將分解結(jié)果轉(zhuǎn)成具有圖像性質(zhì)的像素矩陣。像素矩陣囊括了電量信號(hào)的時(shí)頻信息，是一張二維的灰度圖像，為適應(yīng)AlexNet網(wǎng)絡(luò)輸入樣本維度227×227×3的要求，采用彩虹編碼將灰度圖像轉(zhuǎn)成具有RGB顏色空間的三維偽彩色圖像。偽彩色圖的紋理特征、顏色分布等信息與配網(wǎng)工況密切相關(guān)。通過(guò)AlexNet網(wǎng)絡(luò)自主提取偽彩色圖中的特征作為預(yù)測(cè)變量，避免人工提取特征量的繁瑣過(guò)程，利用模式識(shí)別算法對(duì)預(yù)測(cè)變量進(jìn)行模式識(shí)別，即可實(shí)現(xiàn)配電網(wǎng)故障區(qū)段定位。故障區(qū)段定位實(shí)現(xiàn)流程如圖5所示。

圖5 故障區(qū)段定位流程

具體實(shí)現(xiàn)過(guò)程如下：

(1)采集各區(qū)段的三相電壓和三相電流信號(hào)，采樣頻率為10 kHz，截取故障后一個(gè)周期信號(hào)數(shù)據(jù)作為待分解信號(hào)；

(2)利用小波包變換對(duì)待分解信號(hào)進(jìn)行4層分解，將分解結(jié)果按照子頻帶由低頻到高頻順序排列，取第4層小波系數(shù)的前5個(gè)頻帶進(jìn)行重構(gòu)，獲得電量信號(hào)的時(shí)頻矩陣；

(3)對(duì)電量信號(hào)的時(shí)頻矩陣進(jìn)行量化編碼，獲得像素矩陣，然后，利用彩虹編碼對(duì)像素矩陣進(jìn)行升維處理，獲得RGB顏色空間的三維偽彩色圖像，并將偽彩色圖像進(jìn)行網(wǎng)格規(guī)范化壓縮處理至227×227×3；

(4)通過(guò)微調(diào)AlexNet網(wǎng)絡(luò)提取偽彩色圖像的特征，將AlexNet網(wǎng)絡(luò)第二個(gè)全連接層的輸出作為特征變量。

將AlexNet網(wǎng)絡(luò)提取的特征變量送入模式識(shí)別算法進(jìn)行訓(xùn)練，以模式識(shí)別的方式完成配電網(wǎng)故障區(qū)段定位。其中，模式識(shí)別算法的輸出為配電網(wǎng)各區(qū)段的標(biāo)簽，標(biāo)簽數(shù)據(jù)采用One-Hot編碼形式。

4 實(shí)驗(yàn)與分析

4.1 樣本配置

基于MATLAB/SIMULINK搭建輻射式中壓配電網(wǎng)模型，其拓?fù)浣Y(jié)構(gòu)如圖6所示，通過(guò)此模型采集故障樣本數(shù)據(jù)，采樣頻率為10 kHz。其中，區(qū)段1、區(qū)段2、區(qū)段3、區(qū)段4為架空線路，區(qū)段5～15為電纜線路。架空線參數(shù)：r1=0.178 Ω/km，l1=1.250×10-3H/km，c1=0.061×10-6F/km；r0=0.250 Ω/km，l0=4.560×10-3H/km，c0=0.038×10-6F/km；電纜線路參數(shù)：r1=0.278 Ω/km，l1=0.265×10-3H/km，c1=0.438×10-6F/km；r0=2.750 Ω/k，l0=1.118×10-3H/km，c0=0.390×10-6F/km。線路長(zhǎng)度為：L1=3 km，L2=2 km，L3=1 km，L4=2 km，L5=4 km，L6=3 km，L7=0.5 km，L8=3 km，L9=3 km，L10=3 km，L11=3 km，L12=3 km，L13=3 km，L14=3 km，L15=1 km。線路的末端負(fù)荷均設(shè)為0.6+0.3 MV·A。消弧線圈采用過(guò)補(bǔ)償方式，過(guò)補(bǔ)償度設(shè)為8%。

圖6 配電網(wǎng)拓?fù)浣Y(jié)構(gòu)模型示意圖

采用文獻(xiàn)[12]的區(qū)段劃分方式將整個(gè)配電系統(tǒng)劃分成15個(gè)區(qū)域，采用One-Hot編碼形式對(duì)15個(gè)區(qū)域配置標(biāo)簽，所得結(jié)果如表1所示。在各區(qū)段設(shè)置故障點(diǎn)，故障類型包括：?jiǎn)蜗嘟拥毓收?AG/BG/CG)、兩相短路故障(AB/AC/BC)、兩相接地故障(ABG/ACG/BCG)。故障合閘角包括：0°、30°、60°、90°、120°、150°。單相接地故障的過(guò)渡電阻取值區(qū)間為0～1 000 Ω，兩相接地故障的過(guò)渡電阻取值區(qū)間為0～10 Ω。

表1 區(qū)段編碼

對(duì)各區(qū)段故障后一個(gè)周期的三相電壓電流信號(hào)進(jìn)行小波包分解，取每個(gè)信號(hào)的前五個(gè)頻帶重構(gòu)作為故障分析的數(shù)據(jù)矩陣。為了抑制端點(diǎn)效應(yīng)，刪掉每行的前5個(gè)采樣點(diǎn)和后5個(gè)采樣點(diǎn)，各區(qū)段按照三相電壓、三相電流的順序，從上到下依次排列各信號(hào)分解出來(lái)的子頻帶。然后，按照區(qū)段編號(hào)依次拼接到一起，構(gòu)成該工況下時(shí)頻矩陣。對(duì)時(shí)頻矩陣進(jìn)行量化編碼和彩虹編碼，獲得維度為450×190×3的三維時(shí)頻信息偽彩色圖。以區(qū)段1，區(qū)段2，區(qū)段3，區(qū)段4發(fā)生AG故障為例，電量信號(hào)時(shí)頻信息偽彩色圖如圖7所示。通過(guò)本文提出的故障信號(hào)顏色編碼方式，可以將配網(wǎng)各區(qū)段電量信號(hào)融合到一張圖像中。不同區(qū)段發(fā)生故障，圖像的紋理參數(shù)和顏色分布等特征將會(huì)以不同的形式呈現(xiàn)，這些特征會(huì)與配網(wǎng)的工況信息密切相關(guān)，為實(shí)現(xiàn)配電網(wǎng)故障區(qū)段定位奠定基礎(chǔ)。但是，僅以肉眼，無(wú)法準(zhǔn)確通過(guò)辨識(shí)時(shí)頻信息圖確定故障區(qū)段，需借助深度學(xué)習(xí)方法自主完成圖像辨識(shí)。

圖7 電量信號(hào)的時(shí)頻信息偽彩色圖

由于整個(gè)配電系統(tǒng)被劃分成15個(gè)區(qū)域，需要修改AlexNet網(wǎng)絡(luò)最后一個(gè)全連接層的神經(jīng)元個(gè)數(shù)為15，為了加強(qiáng)學(xué)習(xí)，將權(quán)值系數(shù)和偏置系數(shù)設(shè)為20。因此，最終的AlexNet網(wǎng)絡(luò)各層參數(shù)配置如表2所示。

表2 修改的AlexNet網(wǎng)絡(luò)各層參數(shù)配置

圖2中，“Valid”表示不擴(kuò)充邊緣；“Same”表示擴(kuò)充邊緣，防止卷積后的圖像越來(lái)越小。訓(xùn)練網(wǎng)絡(luò)時(shí)，求解器采用Adam優(yōu)化算法，初始學(xué)習(xí)效率設(shè)為0.000 1，批量大小設(shè)置為30，最大訓(xùn)練周期50，每訓(xùn)練100次驗(yàn)證一次。

4.2 特征提取能力驗(yàn)證

為了驗(yàn)證AlexNet網(wǎng)絡(luò)提取時(shí)頻信息偽彩色圖特征變量的能力，引入傳統(tǒng)的CNN網(wǎng)絡(luò)與其對(duì)比。CNN網(wǎng)絡(luò)包含兩層卷積，兩層池化。訓(xùn)練樣本1 425個(gè)，驗(yàn)證樣本315個(gè)。分別采用Adam和SGDM兩種優(yōu)化器訓(xùn)練傳統(tǒng)的CNN網(wǎng)絡(luò)和AlexNet網(wǎng)絡(luò)，采用交叉熵作為損失函數(shù)。圖8為兩種模型整體的訓(xùn)練過(guò)程。

圖8 兩種模型整體訓(xùn)練過(guò)程

從圖8(a)可以看出，若采用SGDM優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡(luò)的訓(xùn)練樣本和驗(yàn)證樣本的正確率較低，損失函數(shù)函數(shù)值較大，說(shuō)明若采用SGDM優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡(luò)已經(jīng)不具備故障特征提取能力，而AlexNet網(wǎng)絡(luò)的訓(xùn)練樣本正確率逐漸上升，損失函數(shù)值逐漸減小，但是結(jié)果有所波動(dòng)。從圖8(b)可以看出，采用Adam優(yōu)化器，傳統(tǒng)的CNN網(wǎng)絡(luò)訓(xùn)練樣本的準(zhǔn)確率逐漸上升，但是曲線波動(dòng)較大，且驗(yàn)證樣本的準(zhǔn)確率低于AlexNet網(wǎng)絡(luò)驗(yàn)證樣本的準(zhǔn)確率。當(dāng)采用Adam優(yōu)化器時(shí)，AlexNet網(wǎng)絡(luò)的訓(xùn)練樣本和驗(yàn)證樣本正確率都穩(wěn)定達(dá)到100%，說(shuō)明網(wǎng)絡(luò)沒有出現(xiàn)過(guò)擬合現(xiàn)象，模型訓(xùn)練效果最優(yōu)，收斂速度最快。

表3列出了兩種模型具體參數(shù)對(duì)比情況，可以看出，AlexNet網(wǎng)絡(luò)的正確率和訓(xùn)練時(shí)間均優(yōu)于傳統(tǒng)的CNN網(wǎng)絡(luò)，且優(yōu)化器選擇Adam，效果最佳。

表3 兩種模型參數(shù)對(duì)比情況

為了進(jìn)一步驗(yàn)證AlexNet網(wǎng)絡(luò)從時(shí)頻偽彩色圖像中提取特征向量的能力，可以對(duì)各層結(jié)果進(jìn)行可視化。由于AlexNet網(wǎng)絡(luò)每層的輸出結(jié)果均是一個(gè)高維向量，不能直接觀察，可以引入流形學(xué)習(xí)中的t-SNE (t-distributed Stochastic Neighbor Embedding, t-SNE)維數(shù)約簡(jiǎn)算法[34]對(duì)高維非線性數(shù)據(jù)進(jìn)行降維可視化，圖9為輸入層和全連接層7特征可視化結(jié)果，其中，PC1和PC2分別表示第一主成分和第二主成分。

圖9 AlexNet網(wǎng)絡(luò)特征可視化結(jié)果

從圖9可以看出，原始各故障區(qū)段偽彩色圖像的特征相互交叉，難以區(qū)分該圖像所屬類別。經(jīng)過(guò)AlexNet網(wǎng)絡(luò)的卷積層、池化層等層級(jí)的運(yùn)算，全連接層7輸出的特征向量具有較高的辨識(shí)度，相同故障區(qū)段的特征向量聚集到了一起，不同故障區(qū)段的特征區(qū)分較為明顯。

4.3 不同算法定位結(jié)果

用AlexNet網(wǎng)絡(luò)挖掘訓(xùn)練樣本圖片和驗(yàn)證樣本圖片特征，構(gòu)造時(shí)序電量信號(hào)高緯度特征向量，作為模式識(shí)別算法的訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。

比較常見的模式識(shí)別方法，LVQ、NBC、ELM、SVM和GRU。取未參與訓(xùn)練的1 200張電量信號(hào)時(shí)頻信息偽彩色圖作為測(cè)試樣本，采用AlexNet網(wǎng)絡(luò)自主提取特征，將提取的特征用上述模式識(shí)別方式進(jìn)行分類，通過(guò)混淆矩陣對(duì)各模式識(shí)別方法進(jìn)行詳細(xì)的分析，所得結(jié)果如圖10所示，其中，對(duì)角線單元格數(shù)值表示正確的區(qū)段定位結(jié)果，非對(duì)角線單元格數(shù)值表示錯(cuò)誤的區(qū)段定位結(jié)果。從圖10可以看出，相比其它模式識(shí)別方法，GRU故障定位效果最好，只出現(xiàn)一個(gè)錯(cuò)誤判斷，準(zhǔn)確率可以達(dá)到99.92%，分析誤判原因，是由于相鄰區(qū)段被抽取出來(lái)的特征較為接近，造成誤判。

圖10 不同模式識(shí)別方法下混淆矩陣實(shí)驗(yàn)結(jié)果

表4列出了各模式識(shí)別正確率、測(cè)試時(shí)間和測(cè)試樣本容量，可以看出，ELM模型的測(cè)試時(shí)間最短，但是區(qū)段14發(fā)生故障時(shí)，識(shí)別率僅有82.5%。GRU模型的測(cè)試時(shí)間僅次ELM模型。但各故障區(qū)段識(shí)別正確率優(yōu)于ELM模型。SVM的綜合識(shí)別正確率與GRU模型較為接近，但是測(cè)試時(shí)間較長(zhǎng)。因此，通過(guò)GRU模型識(shí)別AlexNet網(wǎng)絡(luò)提取的特征，實(shí)現(xiàn)的配電網(wǎng)故障區(qū)段定位效果最佳。

表4 五種模式識(shí)別方法的對(duì)比

4.4 定位方法的適應(yīng)性

采集的實(shí)際信號(hào)或多或少存在噪聲，會(huì)使原始信號(hào)產(chǎn)生畸變，研究配電網(wǎng)故障區(qū)段定位在噪聲干擾情況下的適應(yīng)性十分必要[35-37]。在電壓電流信號(hào)上疊加不同信噪比噪聲，表5為故障區(qū)段定位結(jié)果。從表5可以看出，在電量信號(hào)含有信噪比為60 dB～30 dB的噪聲時(shí)，所提方法依然能準(zhǔn)確定位故障區(qū)段。可見，文中方法在配電網(wǎng)故障區(qū)段定位上有一定的抗噪能力，這是因?yàn)樾〔ò纸庑盘?hào)后，選擇了0～3 125 Hz部分作為信號(hào)分析的頻帶，削弱了噪聲的影響，并且AlexNet網(wǎng)絡(luò)的卷積與池化運(yùn)算也有一定的濾波效果。

表5 噪聲干擾下故障區(qū)段定位結(jié)果

5 結(jié)束語(yǔ)

本文提出一種深度網(wǎng)絡(luò)遷移學(xué)習(xí)的配電網(wǎng)故障區(qū)段定位方法，以圖像模式識(shí)別的方式實(shí)現(xiàn)故障區(qū)段定位，主要工作和結(jié)論如下：

(1)利用小波包變換和顏色編碼將各區(qū)段的電量信號(hào)融合到一張含有時(shí)頻信息的偽彩色圖像中。偽彩色圖像囊括了豐富的故障信息，其紋理特征、顏色分布等參量和配電網(wǎng)信號(hào)的變化有緊密的聯(lián)系。將電量信號(hào)轉(zhuǎn)成圖像，可以充分發(fā)揮深度學(xué)習(xí)的優(yōu)勢(shì)；

(2)通過(guò)AlexNet網(wǎng)絡(luò)和傳統(tǒng)CNN模型對(duì)比實(shí)驗(yàn)，證明了在自主提取偽彩色圖像的高維特征向量方面，AlexNet網(wǎng)絡(luò)的訓(xùn)練時(shí)間和穩(wěn)定性均優(yōu)于傳統(tǒng)的CNN模型；

(3)相比常見的模式識(shí)別方法，利用GRU網(wǎng)絡(luò)識(shí)別AlexNet網(wǎng)絡(luò)提取的特征，在測(cè)試時(shí)間和正確率等方面效果最佳；

(4)文中方法利用了深度學(xué)習(xí)模型結(jié)構(gòu)，可以自主提取故障特征，避免了人為干預(yù)，不需要專家經(jīng)驗(yàn)知識(shí)。測(cè)試結(jié)果表明，所提方法不受故障類型、故障時(shí)刻和過(guò)渡電阻的影響，并且在噪聲干擾和采樣時(shí)間不同步等方面依然具有良好適應(yīng)能力。