基于CNN-LSTM算法的分布式電力系統故障識別模型研究

摘要：隨著現代電力系統的復雜性和規模不斷增加，分布式電力系統中故障識別與繼電保護的難度也逐步提升。鑒于此，提出了一種基于卷積神經網絡、長短期記憶網絡、通道自注意力機制的故障識別與繼電保護模型，利用其對分布式電力系統中的故障類型進行精確識別以達到繼電保護的作用。測試結果表明，信噪比為2"dB時，改進模型的檢測準確率為0.96，相較于傳統卷積神經網絡提高了31.51%。結果表明，該模型在不同信噪比下的識別準確率方面顯著優于傳統方法，為分布式電力系統的安全運行提供了技術支持。

關鍵詞：卷積神經網絡""""長短期記憶網絡""""電力系統""""故障識別""""繼電保護

中圖分類號：TM726"""""""""""文獻標識碼：A

Research"on"Distributed"Power"System"Fault"Identification"Model"Based"on"CNN-LSTM"Algorithm

XU"Maolin1"""WANG"Yuntao2""""QI"Jingyi1

1.Mengcun"Hui"Autonomous"County"Power"Supply"Branch，"State"Grid"Hebei"Electric"Power"Co.，"Ltd.，"Cangzhou，Hebei"Province，"061400"China;2."Ultra"High"Voltage"Branch"of"State"Grid"Jibei"Electric"Power"Co.，"Ltd.，，"Beijing，"102488"China

Abstract;"With"the"increasing"complexity"and"scale"of"modern"power"systems，"the"difficulty"of"fault"identification"and"relay"protection"in"distributed"power"systems"is"gradually"increasing."In"view"of"this，"a"fault"recognition"and"relay"protection"model"based"on"convolutional"neural"network，"long"short-term"memory"network，"and"channel"self"attention"mechanism"is"proposed"to"accurately"identify"fault"types"in"distributed"power"systems"to"achieve"relay"protection."The"test"results"show"that"when"the"signal-to-noise"ratio"is"2dB，"the"detection"accuracy"of"the"improved"model"is"0.96，which"is"31.51%"higher"than"that"of"traditional"convolutional"neural"networks."The"results"show"that"the"model"significantly"outperforms"traditional"methods"in"recognition"accuracy"under"different"signal-to-noise"ratios，"providing"technical"support"for"the"safe"operation"of"distributed"power"systems.

Key"Words："Convolutional"neural"network;"Long"Short-term"memory"network;"Power"system;"Fault"identification;"Relay"protection

隨著全球能源需求的迅速增長，電力系統的分布式化成為一種必然趨勢[1]。分布式電力系統具有資源利用率高、靈活性強等優勢，但其復雜性同時也顯著增加，使對系統進行故障識別和繼電保護面臨巨大挑戰[2]。尤其是在多源、多節點的分布式環境下，傳統的保護裝置和故障識別方法難以應對快速變化的電力數據特征和復雜的故障模式。近年來，隨著智能電網的發展，越來越多的研究集中在通過智能算法提升電力系統的可靠性和安全性上。目前，深度學習技術在電力系統中的應用正逐步拓展，特別是在故障診斷和保護機制的智能化方面[3]。卷積神經網絡（Convolutional"Neural"Network，CNN）因其在提取電力數據空間特征方面的優越性而受到廣泛關注，而長短期記憶網絡（Long"Short-Term"Memory，LSTM）則憑借其對時間序列數據的良好處理能力，逐漸被應用于動態故障分析。鑒于此，研究提出了一種結合CNN、LSTM與通道自注意力機制的故障識別與繼電保護模型CNN-LSTM-CAM，以期提高對復雜故障的識別準確性和系統的保護效率。研究旨在于一定程度上克服傳統模型的不足之處，為電力系統故障診斷提供一種更為全面和更具魯棒性的解決方案。

1"CNN-LSTM-CAM故障識別模型構建

CNN具備強大的特征提取能力，能夠自動從復雜的數據中學習多層次的特征表示。特別是在處理具有空間結構的電力數據時，能夠有效捕捉局部的空間關聯性[4]。因此，選取CNN作為故障識別模型的基礎結構。在CNN中，首先輸入層接收原始數據，通過卷積層提取局部空間特征。卷積層則使用濾波器在輸入數據上進行卷積操作，生成特征圖。隨后，池化層通過對特征圖進行下采樣，減少特征圖的尺寸，從而降低數據維度和計算量。最后，經過全連接層，網絡將提取的特征映射到輸出空間，實現最終的分類或識別任務。首先，卷積核計算見式（1）。

"""（1）

式（1）中：表示第層中第個神經元的輸出值，則表示其權重。表示第層的輸入數據，即上一層的特征圖，表示偏置項。表示激活函數。由于函數能夠處理深層網絡的能力，且能避免訓練過程中可能存在的梯度爆炸問題，研究選取其作為激活函數。同時為更加突出卷積特征圖中的顯著特征，因此研究選取最大池化進行特征計算。最后，全連接層能將輸出映射為歸一化概率分布，并輸出置信度，其表達式如下。

"""（2）

式（2）中：表示第層中第各神經元的輸出值；表示從第層中的第個神經元到第層中第個神經元的權重；表示第層中第個神經元的輸出值；表示第個神經元的偏置項。然而，雖然CNN可以很好地識別靜態數據中的模式，但在處理如電力系統中隨時間變化的動態數據時，效果往往不夠理想。因此，本研究將CNN與擅長處理和記憶長時間跨度的依賴關系的LSTM相結合，以在提取空間特征的基礎上，進一步捕捉時間序列中的趨勢和變化模式，從而提高故障識別的準確性和魯棒性[5]。

首先，CNN-LSTM模型通過卷積層對輸入數據進行特征提取。其次，通過池化層進行下采樣以減少數據維度。提取的空間特征隨后被輸入到LSTM層中，LSTM層負責捕捉特征中的時間序列信息，從而分析數據的動態變化。為防止過擬合，模型在全連接層之前應用了層。最后，經過全連接層的處理，通過層實現對故障類型的分類。此外，為進一步提高故障識別的精度和魯棒性，研究在CNN-LSTM中引入通道自注意力機制（Channel"Attention"Mechanism，CAM），以根據輸入數據的特征動態調整注意力分配，從而更好地適應不同的故障場景。同時，通過重點關注關鍵通道，可以有效減少不必要的信息處理，提高模型的適用性和靈活性。CAM模塊利用兩個全連接層和激活函數對全局平均池化的結果進行處理，生成通道注意力權重，其表達式見式（3）。

"""（3）

式（3）中：表示通道注意力權重向量；與均為激活函數；為函數；、分別表示第一個、第二個全連接層的權重矩陣；表示包含所有通道全局平均池化輸出的向量。隨后，將通道注意力權重與原始特征圖逐通道相乘，得到重加權的輸出特征圖，公式如下。

"""（4）

式（4）中：表示通道上的重加權后特征圖值；表示通道上的注意力權重；表示輸入特征圖在通道處的像素值。將所有重加權后的特征圖疊加后，得到最終的輸出特征圖。其中，為重加權后的輸出特征圖，包含所有經過通道注意力機制處理后的特征。根據以上計算，最終的CNN-LSTM-CAM模型架構如圖1所示。

圖1"CNN-LSTM-CAM故障診斷模型架構

首先，CNN-LSTM-CAM電纜故障診斷模型通過多個卷積層和最大池化層對輸入數據進行特征提取，然后通過激活函數進行非線性變換。在特征提取后引入通道自注意力機制，通過計算每個通道的重要性權重來增強關鍵特征的表達。接下來，利用LSTM層對序列特征進行時序分析，并通過全連接層進一步處理。最后，通過Softmax函數實現故障類型的分類。

2.基于CNN-LSTM模型的故障識別性能測試

為了驗證CNN-LSTM-CAM故障診斷模型的性能效果，本研究搭建了適當的實驗環境。實驗采用自建數據集，數據集包含多個電力系統的約3"000條實時監測數據，包括電壓、電流等關鍵參數。引入了CNN、LSTM、CNN-LSTM作為對比模型。實驗結果如圖2所示。

（a）不同噪聲環境下的檢測準確率""""""（b）不同噪聲環境下的檢測準確率

圖2"不同噪聲環境下的準確率與耗時測試

圖2（a）、圖2（b）分別是四種模型在不同噪聲環境下的故障檢測準確率測試與平均運行耗時測試。當噪聲增大為2"dB時，CNN、LSTM、CNN-LSTM、CNN-LSTM-CAM模型的檢測準確率分別為0.73、0.80、0.84、0.96，其檢測平均耗時分別為0.48"s、0.58"s、0.73"s、0.67"s。

3結論

針對分布式電力系統中的故障識別與繼電保護挑戰，研究提出了一種基于CNN-LSTM-CAM模型的電力系統故障檢測與繼電保護方法。該模型結合CNN、LSTM、CAM的優勢，通過對電力數據的空間特征和時間序列進行深入分析，旨在提高故障識別的準確性并優化繼電保護機制。性能測試結果表明，當環境噪聲為2"dB時，CNN-LSTM-CAM模型的檢測準確率為0.96，平均運行耗時為0.67"s。研究結果表明，該模型在不同環境噪聲下的識別準確率方面顯著優于傳統方法。未來研究將著眼于改進模型的計算效率，以進一步提高分布式電力系統的安全性與穩定性。

參考文獻

[1]盧有飛，馮國平，盧賓賓.基于關聯規則挖掘技術的電網故障風險要素分析[J].武漢大學學報，2024，57（6）：792-797.

[2]林園敏，王鑫，黃金釗，等.基于人工神經網絡的智能配網實時故障圖像識別系統[J].電網與清潔能源，2024，40（6）：130-136.

[3]劉曉軍，馬羽中，楊冬鋒，等.基于數據相關性分析的電網故障時刻確定與故障識別方法[J].電網技術，2022，46（4）：1529-1541.

[4]向蓉.基于機器學習算法的電力系統故障預測與安全評估[J].現代工業經濟和信息化，2024，14（7）：93-94.

[5]王福忠，任淯琳，張麗，等.基于改進LSTM-SVM的雙向DC-DC電力變換器故障診斷[J].河南理工大學學報，2024，43（5）：118-126.