適用于深度學習訓練的配電網故障歷史樣本數據生成研究

中圖分類號：TP18 文獻標志碼：A 文章編號：2095-2945(2025)14-0063-0

Abstract:Withthedevelopmentofsmartgridanddeep learning technology，theuseof historicalfaultsamples fortraining hasbecomeapowerful meansoffaultdataprocessingindistributionnetworks.Thisstudyadoptsadynamiciterativestrategy: firstly，thedeeplearnigmodelisusedtoidentifythefaulttypesofthedistributionnetwork，andthekeydataissummarized andextractedfromtheidentificationprocessThen，throughacontinuousiterativeprocess，thehistoricalsampledatageerated each time is fed back into the model. Finally，a system model of 10kV line protection detection test is built in Matlab/Simulink， andasimulationtestexampleisbuiltforverification，andtheexperimentalresultsshowthatthemodelisefectiveandfeasible.

Keywords:distributionnetwork failures;faultdetection;deep leaming;dynamic iteration;historical sampledata

在當今信息化、智能化的時代背景下，配電網的自動化水平和智能化[1-2程度不斷提高，對故障診斷技術提出了更高的要求。深度學習作為一種強大的機器學習技術，具有自學習、自適應和高度抽象特征的能力，為配電網故障診斷提供了新的解決方案。然而，深度學習模型[3-性能優劣性很大程度取決于訓練數據的質量和數量。因此，如何生成適用于深度學習訓練的配電網故障歷史樣本數據，已經成為電力系統亟待解決的問題。

目前，配電網故障歷史樣本數據的記錄主要依賴于人工方式，這種方法存在諸多缺點。首先，人工記錄數據耗時耗力，效率低下，難以滿足大規模配電網的實時監控需求。其次，人工記錄容易受到主觀因素的影響，數據的準確性和一致性難以保證，這直接影響了后續深度學習模型訓練的效果。此外，人工記錄難以覆蓋所有可能的故障場景，導致樣本數據的多樣性和代表性不足，這限制了模型在處理復雜故障情況時的泛化能力。最后，隨著配電網規模的不斷擴大和復雜性的增加，人工記錄方法在數據管理、更新和維護方面也面臨著巨大的挑戰。因此，亟需發展自動化、智能化的配電網故障歷史樣本數據生成方法，以克服現有方法的局限，提升深度學習模型在故障診斷領域的應用潛力。

為了克服這一挑戰，本研究采取了一種動態迭代的策略：首先，應用深度學習模型對配電網中不同故障類型進行判別與分類8，并從判別結果中提煉出重要特征數據；其次，結合動態更新的思路，將每輪生成的新故障樣本持續回饋至模型訓練過程中，從而不斷擴展樣本庫規模，優化模型學習效果與診斷準確率。這種循環迭代的方法不僅能夠逐步豐富和優化故障樣本庫，還能夠使深度學習模型在故障診斷上的性能不斷提升，最終實現高精度和高可靠性的配電網故障診斷系統。最后，在Matlab/Simulink中搭建了 10kV 線路保護檢測試驗的系統模型，構建模擬試驗案例以進行有效性檢驗，結果顯示模型具備可實現性和實操性。

1配電網普遍故障種類

電力系統作為現代社會運轉的基石，其穩定運行至關重要。然而，在實際運行中，由于設備老化、自然災害、人為操作失誤等多種原因，電力系統時常會遭遇各種故障，不僅影響其自身的正常運行，還可能對經濟社會造成重大損失。在電力系統的故障類型中，短路故障是最為常見的一種，通常包括單相接地短路、兩相短路、兩相接地短路和三相短路，其會導致電流急劇增加，損壞電氣設備，甚至引發火災。此外，斷線故障也是電力系統中的一種常見故障，通常由導線斷裂、絕緣子損壞等原因造成。斷線故障會導致供電中斷，影響用戶的正常用電。除了上述2種主要故障類型外，電力系統中還可能發生其他類型的故障，如諧振故障、設備異常等，雖然這些故障發生的概率相對較低，但一旦發生，可能對電力系統的穩定運行造成嚴重影響。

在配電網傳輸線路中，普遍的金屬性故障可分成以下幾種類型：單相接地故障、兩相短路故障、兩相短路伴隨接地故障、三相短路故障以及三相短路同時接地故障。以上故障情況共計有4種基本類別和11種具體情形，如圖1所示。具體來看，圖1(a)是CN類型的單相接地故障，圖1(b)是BC類型的兩相短路故障情況，圖1(c)是BCN類型的兩相短路接地故障情況，圖1(d)是ABC類型的三相短路故障情況，圖1(e)是ABCN類型的三相短路接地故障情況。

如圖1所示，不同故障類型的根本原因在于故障點 A，B，C 以及接地位置之間的短路連接模式有所差異。

2基于深度學習的故障樣本生成模型

基于深度學習的故障樣本生成模型的核心目標在于精確識別配電網中發生的各種故障類型，以實現故障處理的高效性與準確性，從而為故障樣本數據的生成提供有效的技術支持。考慮到配電網運行環境的復雜多變，存在眾多因素可能對故障監測過程造成影響[1]。本研究采用深度學習技術對配電網中的故障進行檢測，通過對輸入的電壓、電流數據變化進行深入分析，以實現對故障類型的準確判斷。在此基礎上，模型將輸出故障類型，并記錄相應的數據，進而構建歷史故障樣本庫，再用歷史樣本數據進一步對模型進行訓練。基于深度學習的故障樣本生成流程圖如圖2所示。

3仿真模型

為了檢驗該深度學習故障類型樣本生成邏輯的合理性，在Matlab/Simulink仿真平臺構建了電力系統故障的仿真模型。在該模型中，當電力線路出現故障時，通過故障模塊對各類故障進行模擬。同時，采用示波器工具對故障期間的電壓和電流狀況進行監測。

采用深度學習模型對故障點分別模擬故障點發生單相接地故障、兩相短路故障、兩相短路伴隨接地故障、三相短路故障以及三相短路同時接地故障。同時記錄母線M三相電壓值、三相電流值。

圖3所示為 10kV 雙端供電系統，該仿真模型的詳細建模參數見表1。

在本研究中，使用Simulink軟件構建系統的仿真模型，具體展示如圖4所示。

該模型可以通過設置不同的故障相，以達到模擬系統在實際運行過程中可能遭遇的各類故障情況的目的。通過調節故障參數，能夠實現對不同故障場景的模擬。為了深入分析故障情況下的系統響應，采用了圖5和圖6所示的示波器模塊，對電壓和電流的變化進行了監測。監測數據可以用來進一步探討故障發生時系統的動態行為及其對電壓電流波形的影響。

4仿真結果

4.1單相接地故障

由圖7可以看出從0.02s發生故障后，A相電流急劇增大，遠超正常值，而B相和C相電流也略有增加但幅度不大。這表明故障導致了大量電流通過接地點流入大地，從而引起A相電流劇增。A相發生單相金屬性接地故障后，A相電壓迅速變為0V，而B、C相電壓增大到原來的1.5倍左右。B相或C相發生單相金屬性接地短路故障時也是類似情況。綜上所述，單相金屬性接地故障會導致故障相電壓降低，非故障相電壓升高；同時故障相電流劇增，非故障相電流略有增加。出現零序和負序，零序電流相位與故障相電流同相，零序電壓與故障相電壓反相。

WWWWWWW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (c） C相電流波形

x104

An

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (d) A相電壓波形 104

wW 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (e) B相電壓波形

sv

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (f）C相電壓波形

4.2 兩相短路故障

正常情況下，三相電壓應該是平衡的，每相電壓約為系統額定電壓，三相電流應該是平衡的，且大小與負載成正比，故障電流應該為 0A. 。兩相短路故障情況下的電流、電壓波形如圖8所示。

由圖8可以分析得到，在0.02s發生故障后，短路兩相故障電流增大，電壓降低，沒有零序(或者幅值很小）。2個故障相電流基本反相。非故障相電壓約為故障相電壓的2倍。

4.3兩相短路接地故障

正常情況下，A相、B相和C相的電壓應該都接近于系統額定電壓，且三相電壓之間相位相差 120^° 。三相電流應該是平衡的，即幅值相等且相位相差120^° 。故障電流應該為 0A 兩相短路接地故障情況下的電流、電壓波形如圖9所示。

104 VI WW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (a）A相電流波形 ×104 VAI V 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (b) B相電流波形 V 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (c) C相電流波形 104

An 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (d) A相電壓波形 x10<

An 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (e) B相電壓波形 x1ge

Nn 2 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (f）C相電壓波形

從圖9中可以看出，在發生兩相短路接地故障時，三相電壓和電流都出現了顯著的變化。具體表現在故障發生后，故障的兩相電流增大，電壓降低，出現零序負序。

4.4 三相短路故障

正常情況下，三相電壓應該保持平衡，每相電壓大約為系統線電壓的 倍，三相電流應該基本平衡，且幅值相對較小，反映了系統的正常負載電流，故障電流應該為0A 三相短路故障情況下的電流、電壓波形如圖10所示。

x104

A WWW 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (a) A相電流波形

A MW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (b) B相電流波形 104

A V 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (c) C相電流波形 ×104

An 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (d) A相電壓波形 104 A 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (e) B相電壓波形 ×104 A

N 1 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (f) C相電壓波形

由圖10可以看出，發生故障后三相電流增大，三相電壓降低；沒有零序和負序，零序負序分量很小。

4.5三相短路接地故障

在正常運行狀態下，三相電壓應維持均衡，各相電壓大致等于系統線電壓的 倍。同時，三相電流應呈現基本平衡，其幅值相對較低，即系統的標準負載電流。在無故障條件下，故障電流的預期值為零。

由圖11可以看出，發生該故障后三相電流增大，三相電壓降低。

×104 2

小 WW X 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (a) A相電流波形 ×104

A WWW 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s (b) B相電流波形 104

A 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 時間/s

5結論

本研究提出了一種利用深度學習技術生成配電網故障歷史樣本數據的新方法。通過訓練與檢驗該模型，驗證了其有效性和精確度。試驗結果表明，該模型能夠高效、準確地生成配電網故障歷史數據，展現了良好的可靠性和穩定性。此外，模型還展現出較強的泛化能力，適用于多樣的電力系統和故障場景。盡管如此，模型在處理復雜電力系統和特定故障類型時，其準確性和可靠性可能有所下降。鑒于此，未來的研究將致力于對該模型進行優化和升級，以增強其性能，更好地服務于電力系統的故障診斷與預測。

參考文獻：

[1]張或，周麗萍，陶鑫，等.智能配電網技術現狀與應用分析[J]科技與創新，2015(13)：153，156.

[2]李玄暉.新型電力系統背景下配電網數字化技術應用及發展[J].電子元器件與信息技術，2024，8(7):95-97，101.

[3]孟芷若.深度學習下配電網控碳方法研究[D].北京：華北電力大學（北京），2023.

[4]IanGood fellow.深度學習DeepLearning[M].北京：人民郵電出版社，2017.8.

[5]王麗霞，何正友，戴銘，等.一種電能質量擾動信號的分層識別新方法[J].電力系統自動化，2009，33（24)：65-69

[6]歐陽森，黃潤鴻.基于形態邊緣檢測的電能質量暫態擾動定位方法[J].電網技術，2012，36(4)：63-67.

[7]BENGIO Y. Learning deep architectures for AI [J]. Founda-tionsand Trends in Machine Learning，20O9，2(1):11-27.

[8]康文文.面向智能配電網的快速故障檢測與隔離技術研究[D].濟南：山東大學，2011.

[9]黃寧，武江斌，張彥兵，等.電力系統故障點觸發及故障類型控制的仿真建模[J]電力學報，2017，32（5)：392-396.

[10]范越，李永萊，舒印彪，等.新型電力系統平衡構建與安全穩定關鍵技術初探[J].中國電機工程學報，2025，45(1)：14-25.