基于深度卷積神經網絡的海上平臺接地選線方法

石 勇 侯 煒 陳 俊 李宇琦 趙健龍

（南京南瑞繼保電氣有限公司）

0 引言

海上采油平臺電力系統的穩定性可靠性是至關重要的，因距離較短被稱為微型電力系統，配電系統一般為不接地系統或消弧線圈過補償狀態，使用故障工頻電流和對應的無功功率無法用于故障選線［1－2］。為解決該問題，先后涌現出有功分量法、諧波法、注入信號法、殘流增量法、中電阻法、暫態無功功率法等選線方法［3－6］。受各種干擾因素的影響，以上方法使用的特征量具有很大模糊性和不確定性，導致這些選線算法準確率普遍不高。

傳統的神經網絡由于模型構建困難，存在學習樣本數量要求多、學習時間長等問題，無法用于實際應用中，以往神經網絡選線方法大多采用經處理后的特征量如五次諧波、穩態相位等特征進行訓練，特征選取不合適，導致選線準確率低，無法在實際工程中應用［7］。

BP神經網絡優點是網絡結構簡單，容易操作，但是存在兩個缺點，一是網絡結構不容易確定，二是在大樣本數據集中預測判別能力下降明顯。另外在訓練BP神經網絡時必須先人為地對圖片進行特征提取，在特征提取過程中必然導致一些信息的丟失，從根本上降低了BP神經網絡的預測能力。卷積神經網絡（Convolutional Neural Networks，CNN）是對BP神經網絡的改進。網絡的層數比BP神經網絡更深，網絡結構復雜，更適合處理圖像識別問題［8］。

本文通過基于Tensor Flow的深度卷積神經網絡框架，無需手動選取特征量，使用接地故障時刻波形圖像對深度卷積神經網絡進行訓練，訓練后使用測試組接地故障時刻波形圖像進行測試，根據現場測試及動模試驗得到的150多個波形，選出大約100個波形作為訓練組，50個波形作為測試組，選線準確率達到95.83%。

1 單相接地時的暫態過程

小電流接地系統在發生單相接地故障時，流過接地點的暫態電流由暫態的容性電流和暫態的感性電流組成，由于兩者的頻率和幅值顯著不同，在暫態過程中就不能相互補償［9］。

接地電流由穩態電流和暫態電容、電感電流疊加而成，其值為［2］：

式（1）中第二、三部分為暫態容性及感性電流。可簡化為：

根據暫態電流可計算出暫態零序功率：

不論電網的中性點是否經消弧線圈接地，暫態零序接地功率的幅值和頻率均主要由暫態電容電流所確定，其幅值、頻率和初始相角有關［9］。在接地發生的時刻，因接地相的對地電位降低，消弧線圈中電流不能突變，暫態電流特征為容性對地放電電流，非接地相對地電位抬高，流過的暫態電流為容性電流。因此從接地故障波形圖像中很容易根據暫態零序電流及開口三角電壓夾角的方向來區分是否為接地故障線路。

2 基于深度卷積神經網絡的選線方法

2.1 Tensor Flow深度學習框架

Tensor Flow 2.0是一個開源的機器學習平臺。和前版本比較，處理速度明顯提高、可移植于更多的平臺。Tensor Flow擁有多層級結構，可部署于各類服務器、PC終端和網頁，并支持GPU和TPU高性能數值計算，被廣泛應用于谷歌內部的產品開發和各領域的科學研究［10］。對于接地選線裝置開發，可以方便地在服務器或PC上將用于選線的神經網絡訓練好后再遷移到嵌入式接地選線裝置中。Tensor Flow的深度卷積神經網絡的優點是共享卷積核，對接地故障波形數據處理無壓力，減少了人工選取特征的步驟，只需要將處理好接地故障波形圖像文件輸入訓練好權重，就可以得到特征分類。

CNN是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一［10］。由于卷積神經網絡能夠進行平移不變分類，因此也被稱為“平移不變人工神經網絡”［11］。

CNN有三個重要的思想架構：

1）局部區域感知；

2）權重共享；

3）空間或時間上的采樣。

2.2 接地故障波形數據獲得

某電科院配電網戶外真型試驗場包括10kV試驗線路7條，其中1～4條采用集中參數柜模擬真實線路的分布式參數，5～7條為實際電纜線路。零序電流互感器變比為10／1，配置對地電容器柜2面用于調節對地電容電流。配置額定容量為400kVA預調式消弧線圈，電流調節范圍20～66A，通過有載分接開關等差調節。中性點不接地時投入5、7線，系統電容電流為9.11A，經消弧線圈接地時投入對地電容及3、5、7線，母線總電容電流為27.86A。消弧線圈檔位為31A，詳見下表。

表 接地故障測試時運行方式

戶外試驗場開關站內安裝接地選線裝置，將對地電容器及試驗3、5、7線的4路零序電流及母線零序電壓接入裝置進行錄波。

國網某真型試驗場測試母線接入8條線路，某現場變電站接入變電站Ⅱ母5條線路進行現場接地測試，具體參數不再贅述。

根據在該電科院真型實驗室、國網某真型實驗場及現場變電站接地測試獲得波形共計150余條接地故障波形，將其分為兩組：訓練波形100條、測試波形50條。為了保證客觀性，訓練波形中不包含測試波形，訓練及測試波形中分別包含經消弧線圈接地及不接地系統的金屬性接地故障、經500Ω、1000Ω、2000Ω過渡電阻接地故障及間歇性弧光接地故障波形各20%左右。

2.3 對接地故障波形進行預處理

原始接地故障波形圖像像素量較大，包含很多與接地特征無關的非特征信號，為了使圖形適合卷積神經網絡輸入要求，提高訓練及選線速度、精度，對模型進行訓練和測試前需對接地選線波形進行預處理，根據前面分析，接地時刻故障特征發生在接地瞬間，且衰減很快，因此選取接地瞬間3ms的波形，既可以提高訓練速度，也能具有高的選線準確率。

以線路2在電科院真型試驗場經500Ω過渡電阻接地波形為例，圖1為原始接地故障波形。U0為母線開口三角電壓，I02為接地線路零序電流，I01、I03、I04分別為正常線路的零序電流。波形中裝置采樣率為9.6kHz，每周波192點。

圖1 原始波形

為了方便卷積網絡識別波形及降低波形大小，將零序電壓和零序電流合并在同一個波形圖形中顯示。如圖2所示。

圖2 零序電流及電壓合并顯示波形

因暫態法只需要用到接地故障瞬間的量進行選線，為了加快學習效率，截取接地瞬間故障特征最明顯的大約3ms的暫態波形，如圖3所示。

圖3 故障瞬間零序電流及電壓暫態波形

為了減小學習樣本庫的體積，進一步對波形圖像像素進行壓縮和二值化處理，處理后波形如圖4所示。處理后每張波形圖像大小為28×28，只包含黑白兩種顏色。

圖4 二值化并壓縮后的波形

本條波形中含一條故障線路及三條非故障線路，可以形成四個訓練樣本，樣本的標簽為“0”時代表非故障線路，為“1”時代表故障線路。在tensor flow中使用tf.feature＿column API創建兩個集合，一個對應故障線路，一個對應非故障線路。

大量的訓練數據更有利于模型的學習，為了增加訓練數據樣本數量，對波形進行了左右平移模擬波形中不同暫態時刻，上下平移模擬波形中的直流分量，上下翻轉模擬波形極性相反的情況，不僅增加訓練數據的數量，而且使訓練模型更加具有魯棒性。經過擴展后的訓練數據共有10000個樣本。本文中的測試數據集采用二值化并壓縮處理后的波形，未經平移及翻轉。

2.4 暫態時間點準確選取算法

圖像預處理的關鍵是找到準確的暫態故障發生的時間點，對于標準正弦波，使用傅里葉算法需要至少10ms才能計算出故障發生時刻。

由于小電流接地系統零序網絡暫態對地等效以容性為主，因此在發生接地時零序電流突變較零度電壓突變快，特別是高阻接地故障，零序電壓呈現緩慢上升趨勢，以往使用零序電壓作為選線啟動判據時延時較大，很難準確定位故障發生初始時刻。

因此提出一種采用傅里葉及瞬時值變化率相結合的算法來確定準確故障發生時刻。

選取暫態時間點方法如下，單相接地故障中零序電壓瞬時值為u0（t），零序母線上四條支路的電流瞬時值為i01（t）、i02（t）、i03（t）、i04（t）。波形中橫坐標為時間t，縱坐標為瞬時值，為了選取接地瞬間波形，采用幅值與突變量混合檢測方法截取接地瞬間波形。首先，采用傅里葉變換計算U0的50Hz基波幅值為u0＿abs（t），當u0＿abs（t）中大于選線啟動電壓定值時，截取該時刻前1周波后1周波共2個周波40ms的數據。在40ms數據中，采用零序電壓及電流瞬時突變值算法找到波形發生瞬間3ms數據。

式（4）中，u0（t）為當前采樣點的零序電壓值；u0（t－1）為當前點前一個采樣點的零序電壓值。式（5）中，x為線路支路號；i0（t）為支路x當前采樣點的零序電流值；u0（t－1）為支路x當前點前一個采樣點的零序電流值。

通過傅里葉幅值選出的40ms數據窗數據中，當式（6）或式（7）任一條件滿足時，判定當前時間點t為故障發生時刻：

式中，Δu0＿set為零序電壓變化量定值；Δi0＿set為零序電流變化量定值。考慮到抗干擾，連續三個點t，t＋1及t＋2點的變化率均超過定值時，判斷第一個點t為故障發生起始點。取該點前1ms后2ms數據作為卷積神經網絡輸入。

兩個定值取值需要躲過正常運行時最大變化量，根據采樣率進行設置。

設正常運行時最大不平衡零序電壓幅值為U0un，瞬時值為U0uncos（ωt＋θU0un），正常運行時零序電壓變化率為：

離散化后為：

式中，fsample為采樣率，每周波24點采樣時為1200Hz，在ωt＋θI0un過零點時變化率為最大：

fsample為1200Hz時，Δu0max為0.26U0un，考慮到一定可靠系數，采樣率1200Hz時Δu0＿set設置為0.5U0un，根據現場運行經驗，不平衡電壓一般小于額定電壓1%。

支路零序電流變化率定值計算方法同零序電壓變化率，不再贅述。

對暫態時間點選取方法進行驗證，取真型試驗場經消弧線圈接地系統、不接地系統經2000Ω、10Ω過渡電阻接地波形，采用式 （4）和式 （5）計算Δu0（t）及Δi0x（t）如圖5所示。

圖5 不同類型接地故障零序電流及零序電壓變化率

（a）消弧線圈接地系統經2000Ω電阻接地

從圖5可以看出在接地瞬間高阻及金屬性接地通過變化率可以準確獲取接地時刻。

2.5 CNN算法實現流程

圖6是本文中用于接地選線所用深度卷積神經網絡的示例，采用卷積層與采樣層交替設置，卷積層提取出特征后再經采樣層組合形成更本質的規律，最后形成對接地故障波形的規律闡述。接地選線的波形經壓縮和處理后每張波形圖像是28×28大小按照TFrecord格式存儲在選線裝置內存中作為CNN的輸入。

圖6 接地選線用卷積神經網絡

將2.3節中預處理好的接地故障波形分為訓練、驗證和測試三組波形。各組波形中，將接地故障的波形和該波形是否為接地線路的標記一起合并形成一個預處理輸入層波形集合。從預處理層讀取接地故障波形文件到卷積層構建接地故障檢測神經網絡，然后對神經網絡進行訓練。當神經網絡訓練完成的時候，可以通過測試波形來檢查接地故障檢測神經網絡的準確度。

3 測試結果

神經網絡訓練的指標為接地故障檢測的準確率，首先使用訓練波形集對神經網絡進行訓練。神經網絡訓練好后再使用測試波形集進行測試。測試采用了前文所述深度卷積神經網絡。

本文中將10000個樣本分為100次，每次100個樣本進行訓練，每訓練10次輸出一個訓練準確率，使用訓練波形樣本對神經網絡進行60次訓練后使用測試波形樣本對神經網絡進行測試，訓練準確率100%，接地故障檢測的準確率為81.94%，測試效果如圖7所示。

圖7 60次訓練后選線準確率

對數據進行100次訓練后的神經網絡使用測試數據集進行測試，訓練的準確率99%，選線故障檢測的準確率為95.83%，模型訓練結果如圖8所示。

圖8 100次訓練后選線準確率

由此可見，當訓練數據越多，接地故障檢測的準確率越高，卷積神經網絡模型的健壯性就越高。僅使用100條現場及真型試驗得到的波形進行訓練，就可以使選線準確率超過95%。

4 結束語

針對單相接地故障選線準確率低的問題，本文提出了利用幅值及瞬時值變換率算法獲取故障發生時間點，并將時間點前1ms后2ms數據通過Tensor Flow中的深度卷積神經網絡模型進行識別的選線方法，測試中僅使用少量波形訓練就可以獲得很高的準確度，如使用更多的波形進行訓練，可以獲得更高的準確率，作為接地選線裝置的輔助判據，Tensor Flow可以方便地移植到嵌入式裝置中，具有廣泛的研究及推廣前景。