基于深度學習的輸配電線路運行故障檢測研究

劉志芬

（常州市晉陵集團變電工程公司）

0 引言

輸配電線路是現代社會中重要的基礎設施之一，承擔著電力傳輸和分配的重要任務。然而，由于各種因素的影響，如設備老化、電力負荷過載和外界干擾等原因，輸配電線路會出現各種故障，導致停電、設備損壞甚至安全事故。因此，對輸配電線路運行故障進行準確、及時的檢測和診斷具有重要意義［1］。隨著電力供應可靠性和安全性的要求不斷提高，傳統的人工巡檢和故障排除已經無法滿足對輸配電線路故障的檢測要求。因此，研究人員和電力公司對輸配電線路運行故障檢測的研究興趣日益增加。這種研究不僅能夠提高電力供應的可靠性和安全性，還能夠有效地提高能源利用效率、降低經濟損失，并推動智能電網的發展。在過去的幾年里，很多研究已經在輸配電線路運行故障檢測方面取得了重要的成果。例如文獻［2］提出的基于仿真模型的輸配電線路運行故障檢測方法以及文獻［3］提出的基于多旋翼無人機的輸配電線路運行故障檢測方法。但是這些方法存在檢測精度低、檢測效率不高的問題。因此，本文提出對輸配電線路運行故障檢測進行詳細研究，這將有助于提高電力供應的穩定性、保障性和可持續發展性，實現現代電力系統的智能化管理和運營。

1 輸配電線路運行故障檢測

1.1 輸配電線路運行的傳感器信號采集

將電流傳感器、電壓傳感器、溫度傳感器等安裝在輸配電線路的各個關鍵節點上，并通過傳感器對電流、電壓、功率和溫度等數據進行實時監測，然后將數據傳輸到主處理器或數據采集單元。具體的過程如下：

（1）傳感器安裝：電流傳感器、電壓傳感器和溫度傳感器等會被安裝在輸配電線路的關鍵節點上，這些關鍵節點包括主干線路、支線路、變壓器、電纜接頭等，以確保對電網運行狀態的充分感知［4-5］。

（2）實時監測系統：傳感器通過信號轉換器將測量到的電流、電壓和溫度等參數轉換為傳感器信號，并通過無線網絡或衛星通信等技術進行數據傳輸。將數據傳輸至中央處理器，中央處理器負責接收、存儲和處理傳感器所提供的數據。

在輸配電線路運行數據采集過程中，中央處理器接收到的傳感器信號如下：

式中，A(t)為傳感器信號傳輸信道增益，ω為頻率偏移參數，p(t)為傳感器運行信號，n(t)為高斯白噪聲，φ為相位偏移參數。

為了提高接收信號在數學計算和計算機存儲方面的適應性和操作便捷性，可采用采樣量化方法對接收的信號進行處理。通過選擇適當的采樣點數，可以使離散信號與原始信號更加接近，具體的實現過程如下：

將采樣間隔設置為Ts，按照這一采樣間隔對于中央處理器接收到的傳感器信號y(t)進行采樣處理。假設采樣點數量為l，接收的離散時間采樣矩陣用以下公式表示：

式中，yl為YD的第l個樣本點，采集到的傳感器信號樣本為Ⅰ/Q格式，即傳感器信號的實部和虛部構成信號數據集樣本。因此yl可以以復數形式表示，具體的計算公式如下：

式中，Il為傳感器信號數據樣本點yl的實數值，Ql為傳感器信號數據樣本點yl的虛數值，j為虛數單位。所以傳感器信號數據以以下形式存儲到中央處理器，以便進行后續分析，具體的存儲形式如下：

1.2 傳感器信號預處理

S變換是一種常用的信號分析工具，可將時域信號轉換為頻域表示。其在傳感器信號預處理中具有廣泛的應用［6-7］。對于上述所得的傳感器信號進行S變換處理，具體的處理公式如下：

式中，f為傳感器采樣頻率，g(t)為高斯窗函數，σ為尺度因子，τ為待測傳感器信號的時移因子。g(t)的計算公式為：

假設σ=這一公式成立，則公式（5）可以轉換為以下形式：

在對傳感器信號進行預處理的過程中，對S變換進行離散化處理，具體的處理公式如下：

式中，m為傳感器信號的時間采樣點，n為傳感器信號的頻率采樣點，T為采樣周期，N為采樣點總量。傳感器信號預處理結果用以下公式表示：

式中，k為離散系數，X為傳感器信號的離散傅里葉變換處理結果。

1.3 基于深度學習的運行故障檢測

卷積神經網絡是一種深度學習方法，由卷積層、池化層和全連接層等組件組成。卷積神經網絡架構如圖1所示。

圖1 卷積神經網絡架構

（1）輸入層

卷積神經網絡的首層被設定為輸入層，其主要任務是接收原始數據并進行預處理操作。主要由數據樣本x和標簽y組成，卷積神經網絡輸入用以下公式表示：

式中，n表示輸入樣本總量，xi表示第i個傳感器信號數據樣本，yi表示第i個傳感器信號數據樣本的標簽。

（2）卷積層

在卷積神經網絡中，卷積層是核心組件之一，其關鍵作用是從輸入數據中提取特征信息。利用卷積核提取傳感器信號數據樣本特征的過程如下：

式中，為第l個卷積層中第j個卷積核的權重，?為卷積運算符，為l-1層輸出第q個尺寸為m的特征圖，為第l個卷積層中第j個卷積核的偏置。

（3）池化層

池化層是卷積神經網絡中常用的一種層次結構，用于在卷積過程中對特征圖進行降采樣。其作用是減少特征圖的尺寸，同時保留關鍵特征信息，以降低模型的計算負荷，并且對輸入數據具有平移不變性和部分抗噪性能。本文所構建的卷積神經網絡由最大池化實現相關操作，最大池化的計算公式如下：

式中，Hin、Win為輸入特征圖的大小，k為池化窗口大小，Hout、Wout為輸出特征圖的大小，s為步幅。

（4）全連接層

全連接層的主要功能是特征提取和分類，該層輸出的輸配電線路運行特征用以下公式表示：

式中，xli-1為第l-1層第j個神經元的輸入，與blj分別為第l層第i個神經元到第l層的第j個神經元的權重和偏置。

（5）輸出層

卷積神經網絡的輸出層是網絡中的最后一層，其負責將前面層次提取的特征映射轉化為最終的輸出結果，以完成輸配電線路運行故障檢測。具體結果如下：

式中，eZi為卷積神經網絡中第i個節點的輸出值，C為輸配電線路運行特征數量，zk為輸配電線路運行故障特征向量。

2 實驗測試

2.1 實驗方案

為驗證基于深度學習的輸配電線路運行故障檢測方法的有效性，進行實驗測試。實驗選擇某一地區配置的實際電力系統數據作為數據集，其中包含正常數據和故障數據。該電力系統發電機額定功率為500kW，變壓器變比為0.4。使用型號為CT400-AQ的電流互感器，額定電流范圍為0-2000A，精度為0.5%，采樣速率為1kHz。使用型號為VT500-BQ的電壓互感器，額定電壓范圍為0-1000V，精度為0.2%，采樣速率為1kHz。使用512GB SSD固態硬盤進行數據存儲，共采集18064個數據，其中包含正常數據15504個，故障數據2560個。該數據集中包含短路故障、漏電故障、過載故障、接地故障和相間短路故障等。使用內存為32GB的戴爾公司Aliеnwаrе Aurorа R12臺式計算機，進行模型訓練和數據處理。

按照上述實驗背景，設置上述本文提出的基于深度學習的輸配電線路運行故障檢測方法為實驗組，文獻［2］提出的基于仿真模型的輸配電線路運行故障檢測方法和文獻［3］提出的基于多旋翼無人機的輸配電線路運行故障檢測方法作為對照組，對比分析故障檢測結果。實驗以故障類型、故障位置和檢測時間作為評價指標進行對比實驗。

2.2 實驗結果

選取過載故障、接地故障、相間短路故障三種故障類型各150個數據作為實驗樣本，分別采用所提方法、文獻［2］方法和文獻［3］方法對運行狀態下的不同故障類型進行檢測。三種類型的故障檢測結果如表1所示。

表1 三種故障類型檢測結果

觀察表1可知，所提方法對三種故障類型的識別率在98.7%~100%之間，文獻［2］方法對三種故障類型的識別率在85.3%~98.4%之間，文獻［3］方法對三種故障類型的識別率在82.6%~98.5%之間。所提方法的故障類型識別率始終高于文獻［2］方法和文獻［3］方法，說明所提方法可以準確識別故障類型，實現高準確度的故障檢測。

為進一步驗證所提方法的可靠性，采用所提方法、文獻［2］方法和文獻［3］方法對故障位置進行檢測實驗。三種方法的故障位置檢測結果如圖2所示。

圖2 三種方法的故障位置檢測結果

由圖2可知，文獻［2］方法和文獻［3］方法均不能檢測出全部的故障位置，而所提方法能夠檢測出全部的故障位置。這說明所提方法的故障位置檢出率較高，檢測效果更好。

選取故障檢測時間作為評價指標，統計所提方法、文獻［2］方法和文獻［3］方法的故障檢測時間。三種方法的故障檢測時間測試結果如表2所示。

表2 三種方法的故障檢測時間測試結果

由表2可知，隨著故障檢測樣本數量的增加，三種方法的故障檢測時間均不斷提高。但所提方法在故障檢測方面表現出較快的響應時間，并且能夠更準確地檢測和識別電力系統中的故障情況。

3 結束語

輸配電線路是供電系統中的重要組成部分，涉及電能的傳輸和分配。然而，由于各種因素的影響，輸配電線路可能會發生故障，導致停電、設備損壞或安全事故等問題，因此對輸配電線路的運行故障進行檢測具有重要作用。本文提出了基于深度學習的輸配電線路運行故障檢測方法，通過實驗證明該方法可以實現對于輸配電線路運行故障的精準快速檢測。所以本文研究可以監測線路的運行狀態，并提前發現潛在故障的跡象，及時采取改進設計或改進運維和維護策略等預防措施以防止設備損壞和事故發生，提高系統運行效率。未來的研究工作可以繼續推動故障檢測技術的發展和創新，確保電力系統能夠持續供給可靠的電力服務。