基于門控循環單元神經網絡的配電網故障選線

徐海燕，吳 浩 ，2，李 棟，陳 雷 ，鄧思敬

（1.四川輕化工大學自動化與信息工程學院，自貢 643000；2.人工智能四川省重點實驗室，自貢 643000）

關鍵字：配電網；故障選線；集成經驗模態分解；灰狼算法；門控循環單元

在電力系統大力發展的情況下，配電網已成為提升電網智能化程度至關重要的環節，并且配電網的運行與用戶的利益息息相關。在配電網中，單相接地故障是最易發生的故障類型，特別是在諧振接地系統中，由于消弧線圈的存在，會導致單相故障演變成為相間發展性的故障[1]。因此，為使系統能夠穩定運行，提高系統的可靠性，有必要對故障線路進行選線并切除。

國內外學者對小電流接地系統的故障選線進行了大量研究，提出了5次諧波選線法[2]、相關性分析法[3]、零序電流系數比值法[4]、小波分析[5-8]等選線方法。在5次諧波分量下，故障線路與正常線路具有兩種特性：①故障線路和正常線路的極性具有相反性；②故障線路5次諧波分量與正常線路5次諧波分量之和相等。文獻[2]將多尺度排列熵與完備集合經驗模態分解EMD（empirical mode decomposi?tion）進行結合，對監測故障后的5次諧波信號實現選線。文獻[3]研究發現在暫態過程中，健全線路的零序電流具有較高的相似性，而與故障線路具有明顯的差異，因此采用互近似熵表征線路之間的相似性，根據相似性完成選線。文獻[4]分析了多種接地故障時的零序電流分布特征，構建了一套基于選線的比值體系。文獻[7-8]對各線路暫態零序電流進行小波包分解，根據能量法提取能量較大的頻段作為故障特征頻段，對選取的特征頻帶分別采用不同的處理方法提取故障特征，從而實現選線；但當線路發生高阻接地時，故障線路的能量與正常線路之間的差異較小，不適用于高阻接地故障的場景。文獻[9]通過構建線路零序電流與線路零序電壓導數之間的相關系數進行選線；文獻[10]根據暫態能量法對零序電流的能量函數進行定義實現選線，但文獻[9-10]的方法均存在過渡電阻適應性較差的問題。

近年來，基于人工智能的現代信息處理技術不斷被應用于故障選線中，提高了系統故障特征提取的精確度和可靠性[11-12]。文獻[13]以特征頻段上的能量和模極大值作為故障特征向量，利用支持向量機SVM（support vector machine）進行分類選線。文獻[14-15]分別采用不同的智能算法對反向傳播BP（back propagation）神經網絡進行優化，并將優化后的神經網絡應用于配電網故障選線中。但BP神經網絡與SVM分類器在處理有延續性的時間序列方面存在不足，在采樣頻率較低及某些極端情況下易造成誤判[16]。

針對以上問題，本文研究了一種基于集成經驗模態分解EEMD（ensemble empirical mode decompo?sition）和灰狼算法GWO（grey wolf optimizer）尋優門控循環單元GRU（gated recurrent unit）神經網絡超參數的故障選線方法，即EEMD-GGRU的配電網故障選線方法。利用GWO對GRU神經網絡的部分超參數進行尋優，可有效解決人工確定超參數的效率及精確度低的問題。首先，利用EEMD將線路零序電流分解為不同頻帶下的本征模態分量IMF（in?trinsic mode function），根據相似性分析確定IMF的分解個數；然后，計算所選模態的能量值作為特征向量，以配電網線路標號作為分類目標，將數據集輸入至優化后的GRU網絡中，實現故障選線。

1 故障零序電流特性分析

對故障電流進行暫態分析時，本文采用諧振接地系統進行闡述。配電網發生故障時，常采用二階等效電路對系統單相接地故障電流的暫態過程進行分析[17]，單相接地故障等效電路如圖1所示。

圖1 單相接地暫態等值電路Fig.1 Single-phase grounded transient equivalent circuit

與故障線路不同，健全線路的暫態部分僅由電容電流構成，因此可利用故障線路和非故障線路零序電流暫態過程的差異（幅值和振蕩頻率）作為選線的理論依據。

根據故障線路與非故障線路暫態過程存在的差異，本文采用EEMD算法對各線路零序電流的暫態過程進行分解，計算線路不同分量的能量值，利用GWO優化后的GRU網絡實現故障選線。

2 基于EEMD分解及特征提取

2.1 EEMD原理

在EMD的基礎上，將高斯白噪聲添加到測試信號中對EMD的分解過程中模態混疊現象進行抑制，這種改進方法被稱為EEMD[19]。加入高斯白噪聲后，復雜信號被分解為多個平穩的IMF，可以應用于非線性非平穩數據的處理[20]。EEMD算法的實現過程如下。

2.2 特征提取

3 基于GWO尋優的GRU神經網絡

3.1 GRU神經網絡

在標準循環神經網絡RNN（recurrent neutral network）的訓練過程中存在梯度消失和梯度爆炸問題[21]。為克服這個問題，對RNN進行改進得到長短期記憶LSTM（long short-term memory）神經網絡[22-23]，在RNN的隱藏層中添加輸入門、遺忘門及輸出門使RNN具有長期的記憶功能。LSTM網絡結構如圖2所示。

圖2 LSTM神經網絡結構Fig.2 Structure of LSTM neural network

圖2中，從左往右的虛線框依次為遺忘門、輸入門和輸出門。遺忘門決定了哪些信息被遺忘，哪些信息被保留；輸入門將保留信息進行輸入；輸出門輸出信息。Ct-1、ht-1為上一個時刻的隱藏量；xt為t時刻的輸入量；fi為遺忘門輸出；Nt為輸入門輸入；為當前輸入單元的狀態；Ot為輸出門輸出；Ct、ht均為t時刻的輸出。

但LSTM神經網絡的內部結構復雜，模型的訓練時間過長[24]，因此GRU對LSTM進行了簡化，GRU中僅有更新門和重置門。其網絡結構如圖3所示。

圖3 GRU神經網絡結構Fig.3 Structure of GRU neural network

式中：zt、rt分別為更新門和重置門；xt為t時刻的輸入量；ht-1為上一個時刻的隱藏狀態量；為t時刻的候選隱藏狀態量；wz、wr和wh為對應量權重參數；ht為t時刻的隱藏狀態量，表示當前時刻的最終記憶；σ為sigmoid激活函數；tanh為雙曲正切激活函數；*表示點乘。

相比于LSTM神經網絡，GRU模型的內部結構簡單、參數數量更少，以及計算效率更高、訓練速度更快。

3.2 GWO優化GRU神經網絡（GGRU）

在GRU神經網絡中需要對多個超參數進行設置，相關超參數的取值對識別結果的精確度影響較大，使用優化智能算法對GRU的超參數進行自主尋優，能夠提高搜索效率，省略人工調試的繁瑣過程[25]。由于學習率是重要的參數之一，網絡的學習效果會受學習率的影響，若輪回周期數量過大，可能導致網絡對數據過擬合；若輪回周期數量過小，導致網絡的學習時間不夠。因此本文選用GWO優化算法對GRU超參數中的學習率及輪回周期次數進行尋優。

Mirjalili等提出的GWO[26]，其原理為對一組灰狼通過適應度值計算進行等級層次劃分，設置適應能力最強的狼為α狼，適應能力稍弱于α狼的設置為β狼，將剩余的狼設置為σ狼。α狼、β狼和σ狼通過對獵物（最優解）進行定位計算向獵物逼近。

GWO優化GRU網絡的主要步驟如下。

步驟1設置GRU網絡中超參數的優化個數和取值范圍。

步驟2設置GWO的種群數量、尋優參數個數、迭代次數等。

步驟3初始化所有狼的初始位置，并判斷是否在取值范圍內，若在取值范圍內則無需調整；若超出最大值，則回到最大值邊界。

步驟4根據式（7）計算初始種群與獵物之間的距離，確定獵物的位置，即

式中：g為迭代次數；s為灰狼位置；sp為獵物位置；c為系數；r1為0～1之間的隨機數。

步驟5進行種群更新，重新計算與獵物的距離，同時更新適應度值，即

式中：μ為收斂向量；r2為0～1之間的隨機數；a的初始值為2，與迭代次數呈線性遞減的關系；dk為種群k與獵物之間的距離，k=α,β,γ；ci為第i個系數，i=1,2,3；μi為第i個收斂向量。

步驟6判斷是否滿足終止條件，若滿足，則輸出為最優的個體；若不滿足，則繼續迭代。

GGRU神經網絡的流程如下。

圖4 GGRU神經網絡流程Fig.4 Flow chart of GGRU neural network

將GRU模型中的最大輪回周期次數和學習率作為優化對象，設置最大輪回周期次數的范圍為[1，30]，學習率的范圍設置為[0.000 1，0.01]；經過GWO優化后的最大輪回周期次數為11，學習率為0.004 7。

4 基于EEMD-GGRU的故障選線模型

4.1 GGRU神經網絡搭建

GGRU神經網絡的結構如圖5所示。單獨的GRU網絡具有學習能力，但不能進行分類，因此在網絡中加入具有判別能力的softmax模型。

圖5 GGRU網絡結構Fig.5 Structure of GGRU network

圖5中，M0,M1,…,Mn為GGRU網絡的輸入層；第二層由GGRU層構成；然后是全連接層和softmax輸出層。

4.2 基于EEMD-GGRU網絡的故障選線流程

基于EEMD-GGRU網絡故障選線模型，具體流程如圖6所示。該模型首先使用訓練集對網絡進行訓練，然后輸入測試集進行網絡性能測試。

圖6 基于EEMD-GGRU網絡選線模型Fig.6 Line selection model based on EEMD-GGRU network

5 配電網故障仿真分析

5.1 配電網故障仿真模型

采用PSCAD搭建如圖7所示的配電網仿真模型進行本文選線算法的仿真驗證。由圖7可知，仿真模型中包含2條架空線路和2條電纜線路，線路的長度分別為15 km、10 km、18 km和6 km；線路正零序參數[27]如表1所示；R1、L1和C1分別為線路正序電阻、電感和電容；R0、L0和C0分別為線路零序電阻、電感和電容。

圖7 配電網仿真模型Fig.7 Simulation model ofdistribution network

表1 單位長度線路參數Tab.1 Line parameters per unit length

假設線路L2發生單相接地故障，故障設置如下：①故障位置為距離母線3 km處；②故障接地電阻為0.01Ω；③故障初始角為15°。

故障線路與健全線路零序電流對比如圖8所示。

圖8 各線路零序電流Fig.8 Zero-sequence current of each line

5.2 樣本獲取

利用測量設備測量系統單相接地時的零序電流數據，使用EEMD分解系統各線路零序電流，計算IMF的能量值構成特征向量，對故障線路進行EEMD，圖9為提取故障線路第一個滑動窗口的數據進行EEMD分解后的分解圖。

圖9 故障線路第一個滑動窗口分解Fig.9 Decomposition of the first sliding window of faulty line

為確定IMF的個數，原始信號分別與每一個分量進行相關性分析，提取3個與原始信號相關度系數最高的分量。

根據第2.2節中的滑動窗口設置，可獲得16個窗口的數據，對每個窗口的數據進行EEMD分解，提取IMF，計算每個分量的能量值。因此1條線路的樣本為1×48的矩陣，則4條線路構成的特征向量即為1×192的矩陣。

為獲取故障數據集，本文設置了6種不同接地電阻、6種不同故障初始角和5種不同故障接地點（接地點距離母線的長度與全線長度的百分比），其參數設置如表2所示。因此每條線路可采集180組數據，4條線路可得到720組樣本數據。

表2 故障參數Tab.2 Fault parameters

5.3 選線方法驗證

根據第5.2節樣本獲取中的故障參數設置方式，獲取720組數據進行本文算法的驗證，對各條線路故障數據進行訓練集和測試集的劃分，驗證算法的分類結果。基于訓練集訓練后，輸入測試集后的測試結果如圖10所示。

圖10 GGRU網絡測試集測試結果Fig.10 Test results ofGGRU network test set

由圖10可知，GGRU神經網絡能夠準確地對故障線路進行分類。

5.4 隨機測試

在實際工程中，故障具有一定隨機性，其故障接地點或接地電阻也均具有不確定性，因此為了模擬實際工程中故障的隨機性，選擇線路的總長度，接地電阻為1 000Ω，故障初始角為150°來生成隨機數。例如，將線路長度分別與2個[0 1]之間的隨機數進行相乘便可得到2個隨機故障接地點；同理可得到隨機接地電阻和隨機故障初始角，從而可得隨機故障樣本。隨機故障接地點、接地電阻、初始角及測試結果如表3所示。

表3 隨機測試結果Tab.3 Random test results

由表3的識別結果可以看出，在隨機故障中，GGRU可以實現線路的正確分類。

6 算法性能分析

6.1 高阻接地測試

當諧振系統發生高阻接地故障時，暫態過程中故障特征不明顯，使用判據進行選線時易造成誤判。為驗證該算法在系統發生高阻接地時的性能，根據第5.2節的樣本獲取方式，模擬配電網高阻接地故障，接地電阻依次設置為900Ω、1 200Ω、3 000Ω和5 000Ω，故障初始角設置為30°，故障接地點與第5.2節一致。提取故障特征數據集后輸入至GGRU網絡中，分類結果如圖11所示。

圖11 GGRU網絡高阻接地識別結果Fig.11 Recognition results using GGRU network under high-resistance grounding fault

由圖11可知，當系統發生單相高阻接地時，經過訓練的GGRU網路可準確識別故障線路，該算法在系統高阻接地時也能夠準確地進行選線。

6.2 噪聲干擾測試

在實際工程中，大量電力設備會產生噪聲數據，為驗證該算法在噪聲影響下的可靠性，系統發生故障時在測量所得零序電流信號中依次加入10～40 dB的噪聲來模擬實際工程中的噪聲干擾情況。原始波形及加入10 dB噪聲波形如圖12所示；通過EEMD分解計算的能量作為測試集輸入GGRU進行測試，得到測試結果如表4所示。

圖12 原始波形及加噪聲波形Fig.12 Original waveform and noisy waveform

表4 噪聲測試結果Tab.4 Noise test results

由表4測試結果分析可知，當線路在不同噪聲環境下發生故障時，GGRU能準確地識別出故障線路，且當噪聲高于30 dB時，GGRU能夠達到100%的識別率，說明該算法受噪聲影響較小。

6.3 數據隨機丟失測試

實際應用中可能會發生測量數據丟失的情況，為驗證該算法在數據隨機丟失情況下的性能，對測量設備測量的零序電流數據進行隨機丟失處理。以線路L1發生故障后出現數據丟失的情況為例，線路未發生數據丟失，以及發生數據隨機丟失的波形如圖13所示。

圖13 數據未丟失及丟失情況下的波形Fig.13 Waveforms with or without data loss

每條線路進行10種不同故障情況下的仿真，測量每條故障線路的零序電流并進行數據隨機丟失處理，根據第2.2節的特征提取方式構建特征向量，作為網絡的測試集進行驗證，驗證結果如圖14所示。

圖14 數據隨機丟失識別結果Fig.14 Recognition result with random data loss

由圖14可以看出，在故障線路數據丟失的情況下，GGRU網絡依然能夠準確對故障線路進行識別。

6.4 間歇性弧光接地故障測試

間歇性弧光接地故障在實際故障中是常見的故障類型之一。為驗證該算法在此類故障中的性能，假設配電網中線路L1發生間歇性弧光接地故障，故障電阻為200 Ω，故障點設置與第5.2節一致，故障初始角為30°，采用Mayr電弧模型進行間歇性弧光接地故障的測試。測試結果如圖15所示。

圖15 間歇性弧光接地故障測試結果Fig.15 Test results under intermittent arc ground fault

由圖15可以看出，在電網發生間歇性弧光接地故障的情況下，算法依然能識別出故障線路。

6.5 消弧線圈不同補償度測試

消弧線圈的補償效應會減弱諧振接地系統中故障線路零序電流的幅值。為驗證該算法在消弧線圈不同補償度情況下的適用性，假設故障接地電阻為200 Ω，故障初始角為0°，故障點設置與第5.2節一致。設置不同消弧線圈的補償度，仿真結果如表5所示。

表5 消弧線圈不同補償度的選線結果Tab.5 Line selection results with different compensation degrees of arc suppression coils%

由表5可知，在消弧線圈補償度不同的情況下，算法具有較好的準確率。

6.6 不同神經網絡故障識別結果對比

為驗證本文訓練集和測試集在不同神經網絡下的識別情況，將相同樣本依次輸入至BP神經網絡、徑向基神經網絡RBF（radial basis function）、埃爾曼神經網絡Elman（Elman network），各網絡在不同樣本種類下的分類結果如表6所示。

表6 不同神經網路的識別結果Tab.6 Recognition results based on different neural networks%

由表6結果分析可知，BP、RBF和Elman3種神經網絡的準確率因樣本種類不同而有很大的差異，相比之下，本文研究的GGRU神經網絡能夠準確地對故障線路進行識別，具有較好的穩定性和可靠性。

7 結論

本文利用EEMD對非線性非平穩數據處理的優勢，對各線路零序電流進行模態分解構成特征向量。為減少設置GRU超參數的繁瑣過程，采用GWO對GRU網絡的超參數進行優化。通過GGRU網絡將配電網故障選線轉化為多分類問題。經仿真實驗驗證，該方法具有以下優點。

（1）經GWO優化的GRU網絡基本不受故障接地點、接地電阻和初始角度的影響。

（2）算法在噪聲、故障線路數據丟失、間歇性弧光接地，以及消弧線圈不同補償度的情況下，依然能識別故障線路。

（3）經GWO算法優化后的GRU網絡在系統發生高阻接地時也能有效地識別故障線路。