图1 时序残差网络核心组件
Fig.1 Core components of T-ResNet
摘要 主动配电系统结构复杂、控制灵活，线路短路故障特征微弱，亟须适应性强、精度高的诊断方法。该文提出一种基于时序卷积残差网络的主动配电系统线路短路故障诊断方案。该方案根据故障前后各特征通道之间在对应时刻的强相关性，利用时序卷积核沿时间轴方向卷积，提升感受野，减少信息损失，并利用残差网络的短接特性、深层挖掘故障特征，构建基于时序卷积（T-Conv）的残差网络模型。所提出的主动配电系统线路短路故障诊断方案融合故障检测、故障选型、故障定位功能，并将输出结果通过AND布尔算子结合，进一步提升故障诊断可信度。利用所搭建10 kV主动配电系统电磁暂态模型进行仿真验证，与现有同类型方法进行对比，结果表明所提故障诊断方案诊断精度高、计算速度快、无需附加信号处理算法，可直接端到端构建诊断模型。
关键词：主动配电系统 故障诊断 时序卷积 残差网络
配电系统直接面向负荷，实现电能分配，是电力系统的核心环节[1]。为促进可再生能源消纳、推动能源结构转型，分布式电源（Distributed Generator, DG）大量接入输配电终端形成主动配电系统（Active Distribution System, ADS），其可实现系统全方位的可观、可控，并将成为未来应对DG并网、实现双碳目标的重要技术措施[2-3]。高比例的DG接入与传统配电网相比，网络结构复杂、分支众多，且逐步由单源辐射型向多源辐射型转变[4-6]，其中，逆变类电源由于限流控制导致故障电流幅值与正常工况差异较小，再加之消弧线圈的补偿作用与高阻接地故障对故障特征的削弱作用[7]，将导致传统利用电流幅值的方法诊断可靠性与定位精度受到极大影响，严重情况将造成山火灾害、人畜触电事故，安全隐患较大。及时准确地进行故障检测、分类、定位，有助于ADS降低故障恢复决策难度、指导故障检修操作顺序、增强系统运行安全性[8]。
配电系统线路短路故障诊断方案从原理上主要分为故障特征分析法[9-19]、人工智能算法[20-27]两大类。其中，故障特征分析法物理意义明确、可解释性强，但需专家经验，建模困难，诊断方案复杂度高；而人工智能算法无需复杂公式推导，依据数据学习建立诊断模型，虽可解释性差，但模型构建相对简单、判别结果精度高，近年来得到广泛关注。基于故障特征分析，故障检测主要利用模态分解算法[9-10]、波形畸变特征[11]；故障定位主要利用行波到达时差[12-13]、主动信号注入[14-15]、暂态波形相似度[16]。此外，文献[17]利用开关变位信息及相量测量装置信息识别故障区段。文献[18-19]构建故障分支矩阵，以矩阵元素变化特征确定故障分支。基于人工智能算法，故障检测主要利用支持向量机[20-21]；故障定位主要利用卷积神经网络模型[22]、图卷积网络模型[23]、图注意力网络模型[24]、循环神经网络[25]；对于故障选型，文献[26]使用人工神经网络进行分类判别；文献[27]利用希尔伯特黄变换处理信号后送入卷积神经网络进行判别。综上所述，现有故障诊断方案所针对诊断功能较为单一、未考虑多功能的融合，且针对不同类型的故障诊断场景，需要根据故障机理差异设计不同的诊断方案；特别对于人工智能类方法，由于所用模型特征挖掘能力不足，普遍需要额外信号处理方法进行人为特征提取，以辅助后续诊断模型判别，增加了环节误差的累计。此外，上述方案多针对传统配电系统，应用于ADS时诊断精度难以保证，造成误诊断或漏诊断，因此，亟须构建多功能、精度高、适应性强的ADS故障诊断方案。
针对上述问题，本文提出了一种基于时序卷积残差网络（Time-sequence convolution Residual Network, T-ResNet）的主动配电系统故障诊断方案，用于实现配电线路短路故障的检测、选型与定位。首先，利用时序卷积（Time-sequence Convolution, T-Conv）层替换残差网络中的传统图像卷积层，形成基于时序卷积的轻量化残差网络改进结构，以高效提取ADS故障信号的复杂、抽象、微弱特征；然后，通过修改模型输出层结构，构建可实现故障选型、定位多功能融合的故障诊断模型，并将选型、定位判别结果利用AND布尔算子结合，能够在实现故障检测功能的同时提高可信度，指导工作人员及时发现异常、检修故障，加速系统恢复；最后，通过仿真和实验对所提方案的可行性和有效性进行了验证。
神经网络层数加深有利于学习、表征更多电气量非线性复杂数据特征，从理论上将获得更优的诊断模型，但由于梯度消失问题，模型训练难度随层数增加而大幅度增长。残差网络是一种特殊的卷积神经网络[28]，其通过引入网络层间短接线、生成回退机制，较好地解决了深层神经网络的梯度消失问题，进而保证每层网络层都可获得足够的梯度用以更新自身参数，降低了模型训练难度[29]。
针对电力系统时序信号所组成的特征矩阵，其在特征轴各通道间表现出强相关性，故障信息含量丰富。但传统图像卷积核感受野普遍较小，在沿特征轴方向横向卷积、特征变换后会在一定程度上割裂各通道间对应时刻的相关性，造成信息损失。此外，横向卷积增加核滑窗次数，使得计算运算过程臃肿、耗费计算资源较高。为避免上述问题，本文利用时序卷积核替代残差网络的传统图像卷积核，在提升感受野的基础上沿时间轴方向进行卷积，横向涵盖所有特征通道，以提升横向感受野、最大程度挖掘特征信息，构建基于时序卷积的轻量化残差网络诊断模型，直接端到端建立故障电气量与系统诊断结果之间的非线性映射。
时序残差网络核心组件主要包含短接线以及时序卷积层、批归一化（Batch Normalization, BN）层、修正线性激活单元（Rectified Linear Unit, ReLU）等权重层，如图1所示，具体实际诊断模型可通过堆叠、组合这些核心组件实现。
图1 时序残差网络核心组件
Fig.1 Core components of T-ResNet
如图1所示，通过在内部权重层的输入和输出之间添加短接机制，进而可实现层数回退功能。输入
通过权重层后得到特征变换后的输出
，与输入进行对应元素的相加运算，得到最终输出
，即
（1）
由于上述短接机制，网络内部权重层学习由转换成学习
的过程，且在反向传播时，梯度可以更快速、完整地传播至靠近输入的网络层，有利于网络参数训练。
时序卷积原理如图2所示，每个时序卷积核横向伸缩宽度以自适应匹配输入特征通道数目，保证感受野覆盖至所有特征通道j，充分融合通道之间的特征信息，且省去卷积核横向平移的计算过程，节省计算时间、提升计算效率。
纵向根据电气量故障暂态时序形态特征与采样频率设定核尺寸及步长大小，并沿时间轴
滑动向下卷积，依次挖掘时间轴上的故障局部特征，并将每次滑窗计算结果依次映射至新的特征图谱矩阵中；多个不同的卷积核（1,2,
,n）共同构成时序卷积层，多方位提取突变细节信息，并将信号局部特征投射到不同的空间，形成包含不同特征信息的时序特征序列，最后将上述序列沿特征通道j方向拼接，形成涵盖各种特征信息的特征图谱，并送入下层网络处理。
图2 时序卷积原理
Fig.2 Principle of time-sequence convolution
上述时序卷积层处理后的特征信号传递公式为
（2）
式中，
为网络第
层的输出；
为第L层的输入；
为每个时序卷积核矩阵；s为指定步长下每次沿时间轴进行卷积运算时相对于初始索引位置计算窗口所需移动的距离；K为时序卷积核；b为偏置；
为激活函数；
为将多个卷积核计算结果按特征轴方向进行拼接。
BN层可将数据映射到同一分布，降低网络对超参数敏感度、提升网络性能和收敛速度[30]，定义为
（3）
式中，
为每批样本数；和
分别为经网络数据标准化自适应缩放平移前后的输入和输出；
、
分别为缩放、平移参数，由网络反向传播算法自动优化。
ReLU能够增加模型的非线性程度，有助于模型学习复杂数据特征、避免梯度弥散现象[31]，定义为
（4）
式中，xin为ReLU的输入。由式（4）可得，ReLU对负数全部抑制为0，正数得以保留，具有单侧抑制、相对宽松的取值边界的特性。
为实现故障诊断功能，需使用样本对其进行离线训练。需要注意的是，训练数据仅由蕴含故障信息丰富、最大程度保留原始故障特征的每个支路电网侧三相电压、电流及负序、零序分量构成，无需经过复杂的信号处理，最大程度提取故障信息，输入样本矩阵为
（5）
式中，m为各个配电分支编号（如L1b0、L2b0、
、L6b2支路）；
、
、
、
分别为三相电流、电压、负序、零序电流分量在
时刻的瞬时值；取较短时窗下涵盖故障前后突变信息最明显的150个采样点（即故障前50个点、故障后100个点）。
为减小单位数量级差异、突出数据变化特征，提升网络收敛速度、判别精度，需对输入数据X的每个电气量通道进行max-min数据归一化操作，有
（6）
式中，
和
分别为归一化前后的电气量通道元素；max(
)、min()分别为该电气量通道下数据最大、最小值。
故障诊断问题包含故障检测、故障选型、故障定位三个子问题，故障选型与故障定位分别经由单独的T-ResNet进行处理，依据神经元输出方式不同而实现差异化功能，且故障选型、故障定位环节通过任务内嵌可实现故障检测、判别正常状态与故障状态。其中，以故障选型模型为例，网络结构如图3所示。
图3 T-ResNet故障选型任务模型
Fig.3 T-ResNet fault selection task model
该网络主要由预处理、遍历采样、特征变换×2、全局池化、输出六部分组成，且模型中各个卷积层内核皆使用时序卷积核形成时序卷积层。其中，遍历采样、下采样的时序残差模块（Time-sequence convolution Residual Block, T-ResBlock）由两个时序残差基本模块（Time-sequence convolution residual Basic Block, T-BasicBlock）构成，内部包含2个时序卷积层、2个批归一化层和2个ReLU激活函数层。
1）预处理。经max-min归一化后的样本数据作为模型输入，首先经预处理部分的时序卷积层充分计算输入的每个数据点、初步提取数据原始局部、细节特征，再经ReLU激活函数后，由池化层完成特征降维、特征抽取，数据经处理后保留最显著的特征，同时降低过拟合概率、提升特征提取鲁棒性。
2）遍历采样。由T-ResBlock1模块对样本进行遍历采样，进一步挖掘数据特征、避免信息流失。
3）特征变换。经由T-ResBlock2、T-ResBlock3模块进行特征变换至高维空间，更深层次地挖掘数据复杂、抽象的特征。为限制网络参数数目，采取加大卷积步长方式实现下采样功能。
4）全局池化。用全局平均池化层（Global Average Poolilng，GAP）[32]接收网络特征并进行特征降维，从而避免使用全连接层引起的巨量参数、模型臃肿问题。
5）输出。网络特征由全连接层（Dense）内的11个神经元（分别对应分类标签，包含1种正常类型与10种故障类型，例如：AG，BG，CG，ABG，ACG，BCG，AB，AC，BC和ABCG）进行接收，并经由Softmax激活函数将特征值映射为[0,1]的概率区间，选中其中最大值所对应的标签作为故障选型判别结果输出。
由于故障选型、故障定位同属分类任务，网络前部皆属于特征提取环节。针对任务目标不同，在经训练挖掘对应特征后，仅需对应个数的神经元分别输出每个类别的判别概率。因此基于T-ResNet的故障定位模型结构仅与上述选型任务的输出层不同，如图4所示。定位任务输出向量长度为13，包含1个正常状态和12条支路的故障状态，激活函数使用Softmax。
图4 故障定位任务模型
Fig.4 Fault location task model
基于上述模型，采用不同的损失函数进行网络参数训练。本文故障选型、故障定位任务使用交叉熵损失函数[33]。在此基础上优化器采用具有自适应学习率且稳定、收敛快的Adam[34]优化器进行网络权重更新。
基于T-Conv残差网络所构建主动配电系统故障诊断方案流程如图5所示。
图5 故障诊断方案流程
Fig.5 Flow chart of fault diagnosis program
2.3.1 离线训练
1）对仿真数据、历史故障录波数据进行标注和max-min数据预处理，完成数据集制作，并将数据集划分为训练集和测试集。
2）构建基于时序卷积残差网络的故障选型、故障定位模型，并配置训练的超参数，如本文取：初始学习率为0.001；批尺寸为512；训练次数对不同功能模型分别为110、80次。
3）对模型进行离线训练，查看模型是否收敛，并根据训练效果适当调整模型参数，提高模型性能。保存训练完毕且性能较好的诊断模型，用以后续在线故障诊断。
2.3.2 在线诊断
1）在任意时刻，采集各馈线分支电网侧三相电压、电流，同时为保证诊断程序快速启动，避免重复检测、耗费过多计算资源，本文利用电压突变量作为启动判据，有
（7）
式中，为当前采样点对应时刻；
为间隔周期数，本文取1；
为工频周期；ku为可靠系数，
；
为正常运行时电压突变量最大值。
若任意线路相电压满足上述启动判据要求，则计算各馈线电网侧负序、零序分量，并与三相电压、电流一起以判据启动时刻为基准，向前取50个采样点，向后取100个采样点（采样率10 kHz），分别送入T-ResNet故障选型模型、故障定位模型进行判别。
2）由于故障选型和故障定位额外考虑了系统正常状态的类别，因此对两者判别结果利用AND布尔算子结合作为故障检测模块，提高诊断可信度。对于故障类型和故障区段判别结果，若两者结果都为正常情况，则说明没有故障发生，继续重复步骤1）。反之，判断两者判别结果是否都为故障状态：若不是，则打印异常线路或故障类型状态信息报表，并输出给工作人员进行人工检测或增加辅助判据进行识别，确保诊断准确度、降低误判率；若都为故障状态，则说明系统发生故障，此时综合故障类型、定位判别结果，打印故障状态输出报表，以指导工作人员检修，加快故障恢复，提高系统安全运行可靠性。
本文测试与验证基于Intel Xeon E5-2678 v3和NVIDIA GeForce RTX 2080 Ti，样本数据来自PSCAD/EMTDC搭建如图6所示的典型10 kV主动配电系统模型，时序卷积残差网络模型基于Tensorflow框架搭建。
图6 10 kV主动配电系统结构模型
Fig.6 10 kV active distribution system model topology
典型主动配电系统结构模型如图6所示，包含配电变压器、母线、分布式电源、负荷、配电线路。其中，系统中性点经Z型变压器引出后经消弧线圈接地；配电线路采用电缆-架空混合式，O代表架空线，C代表电缆，馈线详细参数见表1；P1～P12为测量元件，用以测量电压、电流瞬时值；f1～f36为故障位置；包含直流侧三极电压源逆变器和LC滤波器的光伏电源（DG1）与直驱风机（DG2）分别连接至母线1、母线2；柴油机（DG3）连接至母线3，具体参数如文献[35]所示。为便于分析，忽略DG1与DG2的直流侧动态特性，只考虑逆变器控制策略，因此两者可由理想直流电源表示。DG1和DG2属于逆变型电源，均采用PQ控制策略，相当于受控电流源[35-36]，故障电流大小被限制为不超过额定电流的1.5倍。DG3属于电网直连型电源，类似传统同步发电机，在前几个故障期间，输出电压基本恒定，可等价为具有等效串联阻抗的恒定电压源[37]。此外，消弧线圈过补偿度取10%，因此其电感与电阻参数分别为0.077 14 H和0.727 03 Ω。
表1 馈线详细参数
Tab.1 Feeder details parameters
类型相序R/(Ω/km)L/(mH/km)C/(mF/km) 架空线正序0.0350.9780.012 零序0.4174.1310.007 电缆正序0.0430.2780.914 零序0.6260.7290.914
本文设定不同的故障馈线、故障位置、故障类型、负荷水平、过渡电阻、故障初相角进行模拟系统故障场景，具体故障案例模拟配置信息见表2，共计生成9 720个故障样本。
表2 故障案例模拟配置信息
Tab.2 Failure cases simulate configuration information
配置类型参数数量 故障支路L1b0, L2b0,, L6b212 故障类型(A/B/C)G, AB, AC, BC, (AB/AC/BC)G, ABCG10 相对故障位置(%)0, 50, 1003 过渡电阻/Ω0.01, 100, 1 0003 故障初相角/(°)0, 90, 1803 负荷/(MV·A)0.5+j0.25, 1+j0.5, 1.5+j0.753
此外，还构建了不同负荷下的正常样本。由于正常情况可控制条件变量较少，为避免训练时正常与故障样本数目差异巨大，因此采用在每种负荷情况下系统完全达到稳定的时刻为起点，依次向后以四分之三周期（150个点）的窗长并每隔6个测量点截取一次的方式进行滑窗167次，生成多组正常样本，具体正常样本信息见表3，共计生成1 002个正常样本。
表3 正常案例模拟配置信息
Tab.3 Normal case simulation configuration information
配置类型参数数量 负荷/ (MV·A)0.25+j0.125, 0.5+j0.25, 0.75+j0.375,1+j0.5, 1.25+j0.625, 1.5+j0.756 滑窗6个测量点/次167
对于上述10 722个数据样本，采样频率均为 10 kHz，本文将其打乱顺序后按8:2的比例随机分为训练集和测试集。其中训练集用于调整模型参数；测试集不参与训练，但用以测试模型性能、检测模型的是否存在过拟合，以保证模型良好的泛化能力。
合适的模型层数有利于充分挖掘故障特征、保证较高的分类正确率，但过多的层数会增加待训练的参数数量、增加计算负担，需通过对比选取合适的模型架构。本文以故障选型模型为例（定位模型类似，为节省篇幅此处不予展示），利用训练集数据针对不同T-ResBlock个数下的模型进行训练，获得模型在测试集上的效果和待参数量分别如图7所示和见表4，其中T1～T4分别表示1～4个T-ResBlock。
图7 不同T-ResBlock数目下的正确率、损失曲线对比
Fig.7 Comparison of accuracy and loss curves under different numbers of T-ResBlocks
表4 不同T-ResBlock数目待训练参数量
Tab.4 The number of parameters to be trained under different T-ResBlock numbers
模型T1T2T3T4 待训练参数量/1047.425.647.1119.7
由图7可知，模型在仅有1个T-ResBlock时，正确率、损失曲线振荡明显，在有限次数下难以收敛，而随着T-ResBlock数目增加，曲线收敛速度加快、逐渐稳定、光滑，因此，同样训练次数下，由不同个数T-ResBlock组成的模型收敛效果随堆叠的数目增加而逐渐变好。
但上述ResBlock堆叠并不是越多越好，由表4可知，随着T-ResBlock堆叠数目的增加，模型的待训练参数量也随之骤增，将导致模型训练难度逐渐加大、对硬件性能要求提升。综合考虑，本文选取3个T-ResBlock作为模型主干特征提取网络，构建T-ResNet故障诊断模型，并经反复实验调整后，所设定的模型具体结构参数见表5。
表5 T-ResNet模型结构详细参数
Tab.5 Detailed parameters of T-ResNet model structure
功能层核个数核尺寸步长自动填充 T-Conv6431否 Maxpool-21是 T-ResBlock16431是 6431是 T-ResBlock212832是 12831是 T-ResBlock312832是 12831是
基于T-ResNet的故障诊断模型在故障选型、故障定位两个任务的效果曲线如图8所示。可以看到两者分别从80次、50次迭代开始趋于收敛，但为保证模型效果稳定，本文分别取第110次、80次迭代的模型为故障选型、定位任务的诊断模型。
图8 不同任务下T-ResNet模型故障诊断效果曲线
Fig.8 Fault diagnosis effect of T-ResNet model under different tasks
从仿真结果可以看出，所提故障诊断方案可以在不同故障距离、故障电阻、故障初相角情况下都保持极高的诊断精度，对于故障选型、故障定位及两者输出结合形成故障检测任务判别正确率均可以高达100%，说明本文方法可以作为一种有效的ADS故障诊断方法。
为了更加清晰明了地分析各个类别下模型的诊断效果，本文引入混淆矩阵对全部数据样本的判别结果进行分析讨论，结果如图9所示。
图9 故障选型、定位模型混淆矩阵
Fig.9 Fault selection and location model confusion matrix
由图9可知，故障选型和故障定位的所有类别均能达到100%的判别率，表明T-ResNet模型具有较强的故障诊断能力。此外，由于故障检测功能的实现是由选型、定位模型输出是否都为正常情况决定的，可见两者模型在正常类别之间均没有漏判、误判现象发生，因此，在选型、定位输出融合、逻辑判断下的故障检测功能精度也达到100%且可信度较高，充分说明了本文所提故障诊断方案的有效性。
t-SNE是一种非线性降维算法[38]，适用于将高维数据进行降维可视化。本文利用t-SNE算法对故障选型与故障定位的原始数据和经网络处理后的数据进行降维，最终在二维平面的可视化对比结果如图10所示。
图10 t-SNE数据降维可视化图
Fig.10 Visualization of t-SNE data dimension reduction
图10中不同颜色与数字标号分别代表不同任务下的不同类别，对于故障选型即为1种正常情况与10种故障情况（例如：AG，BG，CG，ABG，ACG，BCG，AB，AC，BC和ABCG），对于故障定位即为1种正常情况与12条故障馈线；坐标轴无实际意义和量纲，仅表示降维后的数据点在同一平面上。图10a、图10c分别是故障选型与故障定位任务的原始样本集的t-SNE二维分布图，从图中可以看出不同类别样本混叠严重、同类别样本分布散乱且规律性差，是传统方法进行分类的难点，在一定程度上反映原始样本故障选型、定位任务具有较高的复杂度。图10b、图10d分别是故障选型与故障定位任务经T-ResNet网络处理后的样本数据的t-SNE降维分布图，从图中可以看出不同类别聚群效果明显、规律性强且每类直接都存在较明显的分隔界限，证明本文模型具有极高的故障诊断精度。
为了验证本文模型相对于其他诊断模型的在“端到端”训练建模条件下的自适应诊断性能优势，遂统一控制实验条件，利用当前典型的几种同类型故障诊断方法中的诊断模型[25-27]（注意：仅使用相同的网络模型，某些方案附加的信号处理算法并未考虑），在无需人工干预特征提取的实验条件下，用本文数据训练测试对比各个诊断网络模型的性能。由于多数方案实现功能单一，未充分考虑实现各个诊断功能，为对比所需本文将其统一视作对应的分类任务进行测试，用“*”表示对应方案未考虑当前功能。各自模型根据可实现的故障功能不同，对应按照选型、定位、检测功能分别训练110次、80次、80次后，对应诊断精度、计算效率见表6。
表6 与其他同类型诊断模型端到端建模性能效果对比
Tab.6 Comparison of end-to-end modeling performance with other diagnostic models
诊断模型诊断精度对比计算效率对比 分类正确率(%)检测精度(%)训练过程诊断过程 平均每次迭代用时/s单个样本计算时间/ms 故障选型故障定位故障检测选型定位检测选型定位检测 本文方法10010010033—74.876.50.2 RNN[25]*52.0530.48*70.12*34*5*83.882.4*64.9 ANN[26]9.87*7.83*51.122*2*361.4*63.3*59.3 CNN[27]52.45*55.22*90.712*3*464.2*67.1*53.6
由表6可知，除本文外其他模型功能单一、配置不完备，皆没有同时考虑实现故障检测、故障选型、故障定位三种故障诊断功能，仅本方案实现统一完整故障诊断功能。此外，在诊断精度方面，四种方法中基于人工神经网络（Artificial Neural Network, ANN）的网络模型在主动配电系统各诊断任务上效果不佳、精度较低，较之其他方案差距较大，主要原因是由于其属于浅层网络，针对ADS复杂故障特征表征及学习能力弱，并且网络巨额的待训练参数均集中于输入层，由反向BP算法求解的梯度信息经中间几层隐含层传播至首层时已经很小，大量参数无法得到有效更新，因此训练所得模型“端到端”建模效果最差，无法进行的有效故障诊断；卷积神经网络（Convolutional Neural Networks, CNN）和循环神经网络（Recurrent Neural Network, RNN）为深度学习网络，特征学习能力相对较好，但诊断精度仍处于较低水平，原因在于：对于CNN，其网络内部无BN层控制层间数据归一化，各层间数据分布相差较大，梯度数值变换剧烈，模型振荡，难以在有限训练次数下完成收敛；对于RNN，其能够学习时间序列方向上的依赖关系，但梯度在向过去时间传播的连乘过程下逐渐累积，呈现指数级增加，导致模型内部参数每次更新幅度较大，模型得不到收敛，训练极其困难，性能较差；此外，两者网络特征提取能力不足，且未使用额外人工信号处理手段对数据进行辅助训练，仅依靠本文所用原始电气量数据无法充分挖掘ADS抽象故障信息，也将致使诊断效果较差。本文方法故障检测、故障选型、故障定位诊断精度均高于前者所述方案，精度均高达100%，主要得益于本文利用时序卷积核使得特征通道感受野获得大幅度提升，特征信息得以最大程度挖掘，在此基础上利用残差网络短接特性，增加网络深度、提升特征表征能力，并且利用BN层归一化层间数据分布，使层间信息数值更稳定，防止深度网络梯度弥散现象、降低模型训练难度，直接“端到端”地建立初始电气量数据与诊断目标的非线性映射，在无需固化人工特征、减少环节误差累计的基础上实现高精度故障诊断功能。
在计算效率方面，可见RNN单个样本计算所需时间较多，处于60～90 ms之间，原因是其属于串行计算，网络内部信息传播都依赖前一时序的计算结果，极大地减慢了序列数据处理速度；对于ANN，由于较为简单的网络模型导致计算效率较高，仅需50～70 ms，但浅层网络却极大地限制了诊断精度；对于本文方法和CNN，可见单个样本计算时间较少，皆处于50～80 ms之间，主要原因是由于其本质都是卷积运算，相对于RNN的串行运算，可使用GPU中的多个流处理器进行并行运算，因此速度较快。虽然本文方法相较文献[27]的CNN模型单个样本计算时间稍长，但考虑本文网络层数更多、复杂度更高，因此与同层CNN相比计算效率仍然较高，主要原因是由于T-ResNet内部使用时序卷积核横向涵盖所有特征通道，对特定时刻进行卷积时，每次仅需一次卷积运算，计算效率较高，而CNN采用基于图像的卷积核，感受野较小，特定时刻对横向特征通道需多次滑窗计算，造成内部卷积运算时间增加，致使单个样本计算效率较低。此外，由于本文故障检测由选型、定位功能输出结果进行逻辑运算即可实现，因此不需训练专属分类器进行判别，大大节省了离线训练时间。
对于原始数据集，本文通过调整训练集所占比例，得到不同训练集比例下，模型在测试集下的诊断性能见表7。
表7 不同比例训练集效果对比
Tab.7 Effect comparison of different proportion training sets
训练集比例(%)分类正确率(%)检测精度(%) 故障选型故障定位故障检测 80100100100 5099.8099.9899.98 2599.6699.1799.90
由表7可知，在训练集比例为80%时判别效果最好，且随着训练集比例逐渐降低，发现模型分类正确率与检测精度都逐渐降低，训练样本数目与模型效果呈正相关性。虽然减少训练样本规模影响了本文方法的识别率，但识别能力依然可观，在训练集比例25%时，故障选型、故障定位功能仍能维持99%以上，且故障检测仍能保持99.9%，表明了该方法即使在少样本情况下也具有一定的适用性。在实际工程应用时，最佳训练集数目的选取应在遵循样本尽可能覆盖各种条件且各类别样本数目分布均衡的基础上，通过观察测试集的泛化性能是否满足预期，而考虑是否需进一步添加训练集样本数目，最终确定所需最小、最佳的训练集数目。
为验证模型对于噪声的鲁棒能力，本文对样本分别添加30 dB、40 dB不同信噪比的高斯白噪声，并对模型进行训练，所得模型在测试集下的诊断性能见表8。
表8 不同噪声影响下诊断效果对比
Tab.8 Comparison of diagnosis effect under different noise influence
信噪比/dB分类正确率(%)检测精度(%) 故障选型故障定位故障检测 3084.1882.3289.56 4093.9995.9588.11
由表8可知，样本信噪比越高，模型诊断性能越好，但随着信噪比降低，模型性能下降至83%左右，可见噪声对模型存在一定程度影响。针对此类问题，考虑对输入数据首先做数据去噪预处理后，再送入模型进行诊断，以提升信噪比方式保证模型诊断性能，作为后续进一步研究方向。
本文针对ADS配电线路的各种短路故障，提出一种基于时序卷积残差网络的主动配电系统故障诊断方案。用时序卷积核代替残差网络传统基于图像的卷积核，构建基于时序卷积残差网络的故障诊断模型，提出融合故障检测、故障选型、故障定位的主动配电系统故障诊断新方法，并将本文方法与同类型方法进行对比，主要工作和结论如下：
1）利用时序卷积核替代传统残差网络的图像卷积核，构建基于时序卷积的改进残差网络模型，该方法提升了特征通道横向感受野，最大程度地保留了各特征通道相关性，避免特征信息损失，使得ADS故障数据抽象、复杂的特征得以被挖掘。
2）通过修改时序残差网络末层所对应的输出向量长度，获得可实现故障选型、故障定位功能的故障诊断模型。将上述模型输出结果通过AND布尔算子结合，可实现故障检测功能并提升诊断可信度，形成融合故障检测、选型、定位功能的主动配电系统故障诊断方案。
3）实验结果表明，对于测试集下不同过渡电阻、故障位置、故障初相角情况下，本文所提基于时序卷积的故障诊断方案均具有诊断精度高、计算速度快的优点，并且无需专家经验，避免多工况故障信号特征筛选、时频域变换等繁琐流程，直接“端到端”构建诊断模型，实现免阈值诊断。
4）相比于基于RNN、ANN和CNN的功能单一、未考虑多功能组合的其他同类型诊断方法，本方法不仅能有效融合故障选型与故障定位功能，实现故障检测，且诊断精度、计算效率具有优势，精度均高达100%，且模型单次诊断时间仅需70～80 ms；此外，随着训练集样本比例降低，模型仍具有较高的诊断精度，表现出对不同样本规模的适应性和良好的泛化能力。
参考文献
[1] 刘树鑫, 卓裕, 李津, 等. 基于微型同步相量单元数据的配电线路故障测距方法[J]. 电气技术, 2020, 21(10): 63-70. Liu Shuxin, Zhuo Yu, Li Jin, et al. Distribution line fault location method based on micro-synchronous phasor unit data[J]. Electrical Engineering, 2020, 21(10): 63-70.
[2] 叶畅, 苗世洪, 刘昊, 等. 联盟链框架下主动配电网电力交易主体合作演化策略[J]. 电工技术学报, 2020, 35(8): 1739-1753. Ye Chang, Miao Shihong, Liu Hao, et al. Cooperative evolutionary game strategy for electricity trading stakeholders in active distribution network under consortium blockchain framework[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1739-1753.
[3] Giacomuzzi S, Langwasser M, de Carne G, et al. Smart transformer-based medium voltage grid support by means of active power control[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 285-294.
[4] 周念成, 谷飞强, 雷超, 等. 考虑合环电流约束的主动配电网转供优化模型[J]. 电工技术学报, 2020, 35(15): 3281-3291. Zhou Niancheng, Gu Feiqiang, Lei Chao, et al. A power transfer optimization model of active distribution networks in consideration of loop closing current constraints[J]. Transactions of China Electrotechnical Society, 2020, 35(15): 3281-3291.
[5] 贾贞, 张维, 彭松. 含分布式电源的配电网方向保护研究[J]. 电气技术, 2020, 21(5): 55-57, 67. Jia Zhen, Zhang Wei, Peng Song. Research on directional protection of distribution network with distributed power[J]. Electrical Engineering, 2020, 21(5): 55-57, 67.
[6] 杜云飞, 尹项根, 赖锦木, 等. 基于电能路由器的配电网稳定运行与故障恢复分层能量优化[J]. 电力自动化设备, 2022, 42(4): 154-164. Du Yunfei, Yin Xianggen, Lai Jinmu, et al. Hierarchical energy optimization based on electric energy router for distribution network in stable operation and fault recovery[J]. Electric Power Automation Equipment, 2022, 42(4): 154-164.
[7] 王建元, 朱永涛, 秦思远. 基于方向行波能量的小电流接地系统故障选线方法[J]. 电工技术学报, 2021, 36(19): 4085-4096. Wang Jianyuan, Zhu Yongtao, Qin Siyuan. Fault line selection method for small current grounding system based on directional traveling wave energy[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4085-4096.
[8] Lu Weining, Li Yipeng, Cheng Yu, et al. Early fault detection approach with deep architectures[J]. IEEE Transactions on Instrumentation and Measurement, 2018, 67(7): 1679-1689.
[9] Wang Xiaowei, Gao Jie, Wei Xiangxiang, et al. High impedance fault detection method based on variational mode decomposition and teager–Kaiser energy operators for distribution network[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6041-6054.
[10] 王晓卫, 高杰, 吴磊, 等. 柔性直流配电网高阻接地故障检测方法[J]. 电工技术学报, 2019, 34(13): 2806-2819. Wang Xiaowei, Gao Jie, Wu Lei, et al. A high impedance fault detection method for flexible DC distribution network[J]. Transactions of China Electrotechnical Society, 2019, 34(13): 2806-2819.
[11] 韦明杰, 石访, 张恒旭, 等. 基于零序电流波形区间斜率曲线的配电网高阻接地故障检测[J]. 电力系统自动化, 2020, 44(14): 164-171. Wei Mingjie, Shi Fang, Zhang Hengxu, et al. Detection of high impedance grounding fault in distribution network based on interval slope curves of zero-sequence current[J]. Automation of Electric Power Systems, 2020, 44(14): 164-171.
[12] 刘晓琴, 王大志, 江雪晨, 等. 利用行波到达时差关系的配电网故障定位算法[J]. 中国电机工程学报, 2017, 37(14): 4109-4115, 4290. Liu Xiaoqin, Wang Dazhi, Jiang Xuechen, et al. Fault location algorithm for distribution power network based on relationship in time difference of arrival of traveling wave[J]. Proceedings of the CSEE, 2017, 37(14): 4109-4115, 4290.
[13] Shi Shenxing, Zhu Beier, Lei Aoyu, et al. Fault location for radial distribution network via topology and reclosure-generating traveling waves[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6404-6413.
[14] Chen Baichao, Yu Na, Chen Bo, et al. Fault location for underground cables in ungrounded MV distribution networks based on ZSC signal injection[J]. IEEE Transactions on Power Delivery, 2021, 36(5): 2965-2977.
[15] 贾科, 李论, 宣振文, 等. 基于扰动注入的柔性直流配电网主动故障定位及其仿真研究[J]. 电力系统保护与控制, 2019, 47(4): 99-106. Jia Ke, Li Lun, Xuan Zhenwen, et al. Study on fault location method and simulation for VSC-DC distribution network based on disturbance injection[J]. Power System Protection and Control, 2019, 47(4): 99-106.
[16] 李泽文, 刘基典, 席燕辉, 等. 基于暂态波形相关性的配电网故障定位方法[J]. 电力系统自动化, 2020, 44(21): 72-79. Li Zewen, Liu Jidian, Xi Yanhui, et al. Fault location method for distribution network based on transient waveform correlation[J]. Automation of Electric Power Systems, 2020, 44(21): 72-79.
[17] 邢晓东, 石访, 张恒旭, 等. 基于同步相量的有源配电网自适应故障区段定位方法[J]. 电工技术学报, 2020, 35(23): 4920-4930. Xing Xiaodong, Shi Fang, Zhang Hengxu, et al. Adaptive section location method for active distribution network based on synchronized phasor measurement[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4920-4930.
[18] 邓丰, 李欣然, 曾祥君, 等. 基于多端故障行波时差的含分布式电源配电网故障定位新方法[J]. 中国电机工程学报, 2018, 38(15): 4399-4409, 4640. Deng Feng, Li Xinran, Zeng Xiangjun, et al. A novel multi-terminal fault location method based on traveling wave time difference for radial distribution systems with distributed generators[J]. Proceedings of the CSEE, 2018, 38(15): 4399-4409, 4640.
[19] 谢李为, 李勇, 罗隆福, 等. 基于距离矩阵与分支系数的配电网故障定位方法[J]. 中国电机工程学报, 2020, 40(7): 2180-2191, 2397. Xie Liwei, Li Yong, Luo Longfu, et al. Fault location method for distribution networks based on distance matrix and branch coefficient[J]. Proceedings of the CSEE, 2020, 40(7): 2180-2191, 2397.
[20] Ghaderi A, Mohammadpour H A, Ginn H L, et al. High-impedance fault detection in the distribution network using the time-frequency-based algorithm[J]. IEEE Transactions on Power Delivery, 2015, 30(3): 1260-1268.
[21] Baghaee H R, Mlakić D, Nikolovski S, et al. Support vector machine-based islanding and grid fault detection in active distribution networks[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(3): 2385-2403.
[22] Guo Moufa, Gao Jianhong, Shao Xiang, et al. Location of single-line-to-ground fault using 1-D convolutional neural network and waveform concatenation in resonant grounding distribution systems[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-9.
[23] Chen Kunjin, Hu Jun, Zhang Yu, et al. Fault location in power distribution systems via deep graph convolutional networks[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(1): 119-131.
[24] 李佳玮, 王小君, 和敬涵, 等. 基于图注意力网络的配电网故障定位方法[J]. 电网技术, 2021, 45(6): 2113-2121. Li Jiawei, Wang Xiaojun, He Jinghan, et al. Distribution network fault location based on graph attention network[J]. Power System Technology, 2021, 45(6): 2113-2121.
[25] Li Wenchu, Liu Yanli, Li Ying, et al. Series arc fault diagnosis and line selection method based on recurrent neural network[J]. IEEE Access, 2020, 8: 177815-177822.
[26] Aslan Y, Yağan Y E. Artificial neural-network-based fault location for power distribution lines using the frequency spectra of fault data[J]. Electrical Engineering, 2017, 99(1): 301-311.
[27] Guo Moufa, Yang N C, Chen Weifan. Deep-learning-based fault classification using Hilbert–Huang transform and convolutional neural network in power distribution systems[J]. IEEE Sensors Journal, 2019, 19(16): 6905-6913.
[28] Zhao Minghang, Zhong Shisheng, Fu Xuyun, et al. Deep residual networks with adaptively parametric rectifier linear units for fault diagnosis[J]. IEEE Transactions on Industrial Electronics, 2021, 68(3): 2587-2597.
[29] He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, USA, 2016: 770-778.
[30] Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]//International Conference on Machine Learning, Lille, France, 2015: 1-11.
[31] Glorot X, Bordes A, Bengio Y. Deep sparse rectifier neural networks[C]//International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, USA, 2011: 315-323.
[32] Lin Min, Chen Qiang, Yan Shuicheng, Network in network[C]//International Conference on Learning Representations, Banff, Canada, 2013: 1-9.
[33] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.
[34] Kingma D, Lei B J. Adam: a method for stochastic optimization[C]//International Conference on Learning Representations, San Diego, USA, 2015: 1-15.
[35] He Lili, Shuai Zhikang, Chu Xu, et al. Waveform difference feature-based protection scheme for islanded microgrids[J]. IEEE Transactions on Smart Grid, 2021, 12(3): 1939-1952.
[36] Shuai Zhikang, Shen Chao, Yin Xin, et al. Fault analysis of inverter-interfaced distributed generators with different control schemes[J]. IEEE Transactions on Power Delivery, 2018, 33(3): 1223-1235.
[37] Shuai Zhikang, Huang Wen, Shen Chao, et al. Characteristics and restraining method of fast transient inrush fault currents in synchronverters[J]. IEEE Transactions on Industrial Electronics, 2017, 64(9): 7487-7497.
[38] Maaten L, Hinton G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008, 9(86): 2579-2605.
Abstract The fault characteristics of active distribution system (ADS) are weak due to its complex structure and flexible control strategy, so the diagnosis method with strong adaptability and high precision is urgently needed. This paper examines a new fault diagnosis scheme for lines of active power distribution system founded on a time-sequence convolution residual network, which is used to detect, select and locate short circuit fault. According to the strong correlation between each feature channel signals measured at corresponding time of pre-fault and post-fault period, a residual network model based on time-sequence convolution (T-Conv) is built. For the proposed T-Conv residual network model, each time-sequence convolution kernel transverse telescopic width based on the number of adaptive features matching the input channel, ensure the receptive field lateral coverage to all the characteristics of the channel, to fully mix the channel between the features of information, enhance the receptive field, reducing the loss of information, and save the calculation process of convolution kernels lateral translation, save calculation time and improve calculation efficiency. The kernel size and step size are set according to the temporal morphological characteristics of fault transient and sampling frequency, and convolved downward along the time axis. The fault local features on the time axis are successively mined, mutation details are extracted from multiple directions, and complex, abstract and weak features of ADS fault signals are extracted efficiently. Furthermore, the short nature of residual network is used to generate a backoff mechanism to solve the problem of gradient disappearance in deep neural networks. Thus, each network layer can obtain enough gradients to update its parameters, which reduces the difficulty of model training. Fault selection and fault location belong to both classification tasks, and the front part of the network belongs to feature extraction. After mining corresponding features through training, only the corresponding number of neurons are needed to output the discriminant probability of each category according to the different task objectives. Therefore, this paper realizes fault selection and fault location functions by modifying the structure of the output layer of the model. In addition, the fault detection function can be realized and the reliability of fault diagnosis can be further improved by considering the normal category and combining with Boolean operator in the selection and location discrimination results. The fault diagnosis scheme results guide the staff to find abnormalities and repair faults in time, accelerate system recovery, and form an active fault diagnosis scheme for the distribution system that integrates fault detection, selection, and location functions. Finally, an electromagnetic transient model of 10 kV active distribution system is built using EMTDC. Experimental results show that for different transition resistance, fault location and fault initial Angle, this article proposed fault diagnosis scheme based on time-sequence convolution were diagnosed with high precision, fast computing speed, the advantages of without expert experience, avoid working condition of fault signal feature selection, time and frequency domain transformation, such as complicated process, direct "end-to-end" build a diagnosis model, implement exemption threshold diagnosis. Compared with other similar diagnosis methods based on recurrent neural network (RNN), artiflcal neutral networks (ANN) and convolutional neutral networks (CNN), which have single function and do not consider multi-function combination, this method effectively integrates and realizes the functions of fault detection, fault selection and fault location, and has advantages in diagnosis accuracy and calculation efficiency. In addition, as the proportion of training set samples decreases, the model still has high diagnostic accuracy, showing adaptability to different sample sizes and good generalization ability.
Keywords: Active distribution system, fault diagnosis, time-sequence convolution, residual network
DOI:10.19595/j.cnki.1000-6753.tces.211990
中图分类号：TM75
国网湖南省电力有限公司科技项目（5216A522000N）、国网湖南省电力有限公司电力科学研究院资助项目（5216A5210036）和湖南省自然科学基金项目（2020JJ5056）资助。
收稿日期 2021-12-10
改稿日期 2022-07-02
褚 旭 女，1988年生，博士，副教授，研究方向为交流/直流输配电系统故障诊断、控制与保护策略。E-mail：xu.chu@hnu.edu.cn
鲍泽宏 男，1997年生，硕士，研究方向为基于特征及数据驱动的主动配电系统故障诊断方案。E-mail：baozehongyjs@hnu.edu.cn（通信作者）
（编辑 赫 蕾）