基于人工神经网络的配电网小电流接地选线方法研究

简介针对小电流接地故障选线难、传统方法易误判的问题这份专业研究文献以人工神经网络为核心结合改进遗传算法对BP网络的初始权重与结构进行优化并从故障行波零模特性分析入手完整梳理了小电流接地故障特征、建模思路与选线流程。PDF中包含110 kV/35 kV配电系统实例通过常规神经网络与改进神经网络的对比展示其输出误差更低、正确选线率更高的实验结果可供电力系统工程师、配电网运维人员及电力方向研究生参考也可作为开展故障选线、数据建模与机器学习应用研究的方法示例。资源为单文件PDF格式压缩包仅约360KB适合快速下载与阅读目前已有113人学习。读者可获得从故障特征分析到算法改进、仿真对比验证的完整技术链条对理解神经网络在电力系统故障诊断中的应用具有直接帮助。1. 小电流接地选线方法研究人工神经网络要解决的不只是选错线配电网发生单相接地后系统还能带故障运行一段时间但故障点不切除电弧和过电压可能逐步扩大成相间短路。小电流接地选线的难点在于故障电流只有几安到几十安稳态特征容易被消弧线圈补偿和过渡电阻淹没。人工神经网络进入这个领域核心思路是把选线从传统阈值判据和比幅比相变成一种从零序电流暂态特征到故障线路判别的非线性映射。这篇标题指向的研究本质上就是为配网选线训练一个能辨识微弱故障特征的分类器。它不是万能药但在弧光接地、高阻接地场景下准确率往往好于传统方法。适合配网运检、继保整定以及做接地选线课题的工程师沿着这条路复现实验并逐步推向现场。2. 把选线问题翻译成神经网络问题特征、标签与数据生成要让人工神经网络做选线第一件事不是选网络结构而是先想清楚输入是什么、输出是什么、训练样本从哪来。选线问题的输入不是原始三相电压电流全波形而是一系列能刻画故障线路与健全线路差异的特征量输出则通常编码成每条馈线是否为故障线路。这一步如果没做对后面用再复杂的网络也很难救回来。2.1 小电流接地系统的故障特征稳态量靠不住暂态量才是主料中性点不接地或经消弧线圈接地系统发生单相接地后故障线路的零序电流等于所有健全线路对地电容电流之和方向从线路流向母线健全线路的零序电流是自身对地电容电流方向从母线流向线路。这个方向关系是传统比幅比相法的基础。但消弧线圈投入后故障线路零序电流会被感性电流补偿幅值大幅下降方向在过补偿状态下甚至反相位所以稳态法在这里经常失效。稳态量不可靠可用的主料是暂态量。故障初相角接近90度时暂态电容电流峰值可以达到稳态值的几倍到十几倍频率集中在几百赫兹到几千赫兹而且故障线路与健全线路在暂态电流的幅值和极性上有明显差异。人工神经网络要学的正是这种短时窗内的非线性规律。常见的做法是先提取暂态零序电流多个维度的特征再作为输入。下表是我在复现选线论文时常用的特征组合特征量物理含义对故障线路的区分度零序电流暂态幅值故障瞬间的首峰值故障线路远大于健全线路暂态零序电流极性首半波方向和母线侧零序电压对比故障线路与健全线路极性相反暂态能量零序电流平方在故障后几个周波内的积分比幅值更抗噪声区分度稳定5次谐波分量消弧线圈补偿后故障馈线特征谐波过补偿时仍有明显差异小波包频带能量各频带内的能量分布不同馈线分支对高频衰减不同特征不是越多越好。我遇到过把几十个统计量全部塞给网络的情况结果训练时间变长、泛化能力变差。选特征的原则是每个特征都要有明确的物理含义最好能对应传统选线判据里的一个现象。这样即使神经网络内部是黑匣子至少你能解释为什么这组输入可能有效。2.2 输入特征选择与归一化别把相位特征给归一化没了神经网络对输入量级非常敏感。暂态幅值的数值可能是几十安培而谐波占比是0到1的小数如果不做归一化幅值特征会主导梯度其他特征基本失效。常见做法是每一维特征单独做标准化。用sklearn的话就是StandardScaler把每一列变成均值0、标准差1。但相位和极性这类周期性特征不能直接做min-max标准化。一个典型翻车例子把两条馈线的零序电流相位差归一化一条是350度、另一条是10度两者实际只差20度但归一化到0-1后数值距离接近0.94模型会认为它们截然不同。正确的做法是相位特征用正弦和余弦变换展开成两个分量或者直接用复数表示的实部虚部。如果是极性特征保留正负号不要把符号特征和幅值特征合并到同一列做标准化。幅值类特征可以标准化但要注意保留各馈线间相对大小关系。如果逐条馈线独立标准化故障线路和健全线路的幅值差异就被抹掉了。正确做法是在同一个故障事件下先把所有馈线特征放在一起做分布标准化或者只缩放整体尺度而不改变相互比例。这个细节经常被忽略却是训练出有效模型的前提。2.3 训练标签怎么打选线不是多分类是多输出二分类从模式识别角度看选线有两条路。一条是把N条馈线当成N个类别输出层用softmax让模型从N条中选一条。另一条是训练N个二分类器或者一个多输出的网络每路输出代表该馈线是否为故障线路最后用阈值和规则决定报警哪条。我更推荐多输出二分类方案原因有两个。第一实际系统可能没有故障选线结果对应的标签比如故障点在母线侧时所有馈线都不是故障线路softmax会被迫在错误类别中选择。第二现场需要知道模型对每条馈线的置信度多路sigmoid输出可以给每条馈线独立的概率方便后续仲裁。但多输出二分类带来了样本不平衡问题。一条馈线故障时其余健全馈线的标签都是0正负样本比例可能是1:9甚至1:20。常见做法不是粗暴欠采样而是为每条馈线的输出单独计算损失比如二元交叉熵时用pos_weight调高正样本权重或者按故障事件组织样本确保每个batch里包含一个故障馈线和多个健全馈线的特征。标签必须来自可靠来源仿真环境直接读故障模块设置现场数据只能靠故障录波和人工巡检记录确认不能拿未确认的报警信息当标签。3. 神经网络选线怎么选网络BP、RBF还是概率神经网络确定了输入输出之后下一个问题是选什么网络。很多初学者一上来就上大模型但小电流接地选线的样本量通常是几百到几千条故障事件特征维度不到几十维复杂网络很容易过拟合。基于论文和工程实践常见的选择是BP神经网络、径向基RBF网络以及概率神经网络PNN。三者各有适用场景没有绝对优劣。3.1 BP神经网络非线性映射够用但收敛与隐层节点数是玄学BP神经网络多层感知机是选线论文里最常见的结构。三层结构就足够逼近绝大多数选线决策面输入层对应特征维度隐层一到两层输出层对应每条馈线的故障概率。隐层节点数的选择没有严格公式我常用的经验是先设成输入特征数的1.5到2倍再逐步缩小观察验证集准确率的变化。也有人用sqrt(输入维度输出维度)1到10之间的数然后做网格搜索。BP网络训练时有几个关键参数需要关注。学习率过高会震荡过低会长时间不收敛常见做法是初始学习率0.001到0.01配合自适应优化器比如Adam。激活函数方面隐层一般用ReLU或者tanh输出层如果是二分类概率用sigmoid。正则化系数alpha也重要太小会让权重增长过大太大则模型过于平滑导致边界样本分不清。这部分调试经验很玄学同一个参数在A数据集上有效换B故障特征就不行。我的建议是记录每次网格搜索的参数组合和验证指标不要只靠直觉。3.2 RBF与PNN噪声环境下概率输出更靠谱径向基RBF网络的隐层节点对应一个个径向基函数中心训练时用聚类算法确定中心位置再学习输出层权重。相比BPRBF的训练更稳定不容易陷入局部最优而且对局部特征敏感。在过渡电阻较高、噪声较大的场景RBF的鲁棒性通常优于BP。缺点是当样本类别不均衡时聚类中心容易被大样本类别占据需要额外处理类别权重。概率神经网络PNN是一种基于Parzen窗估计的监督网络它不需要传统意义上的反向传播训练每个训练样本都作为一个核函数中心。预测时它用各类别样本的核密度估计来计算待测样本属于每个类别的后验概率。这个特点对选线非常有价值输出本身就是概率值且对异常样本会给出较低置信度不像BP会强行给一个高输出。PNN的代价是预测速度与训练样本数量成正比样本量超过几万时实时性可能吃紧另外平滑因子sigma需要调参sigma太小会过拟合太大会把概率抹平。如果你要复现论文里的对比实验我的建议是BP和PNN都做一套。很多选线论文里PNN或RBF在噪声场景下表现更好而BP在纯净仿真数据上准确率可能更高。两者可以互为验证也能避免一种网络表现差就否定整个方向的误判。3.3 从网络输出到选线结果阈值、置信度与防误动策略无论用哪种网络最后都要面对一个工程问题输出概率怎么变成报警或跳闸指令。一条馈线概率0.7另一条0.3能否判断第一条故障如果阈值设0.9会不会漏选常见做法是启动判据加概率阈值双确认。启动判据沿用传统零序电压越限零序电压超过额定相电压15%左右才启动选线程序。启动后取所有馈线输出概率的最大值要求它同时满足两个条件超过固定阈值比如0.6到0.8之间并且比第二高概率至少高出某个差值比如0.15。这样设计可以避免两条馈线概率接近时贸然出结果。另外如果全部概率都低于阈值宁可输出疑似母线接地或数据异常也不要强行选线。下面是一个我常用的事件判定规则表条件动作零序电压越限且最大概率 0.75选该馈线为故障线路零序电压越限且最大概率 0.60 且第二概率差 0.20选该馈线标记置信度中等零序电压越限但最大概率 0.60不选线提示检查数据与启动判据最大概率 0.75 但前两条馈线概率差很小报多馈线疑似故障需要人工复核阈值不能拍脑袋定。最好在验证集上画出ROC曲线选择约登指数最大或误动率可接受的阈值点。注意阈值和网络权重要分开调阈值只能使用验证集数据确定不能使用训练集否则会高估现场表现。4. 复现一篇选线研究论文的落地路径从仿真建模到训练验证这一部分是整条落地路线中最耗时的环节。论文里的方法可以被复现但工程训练数据不会从天上掉下来。常见做法是先用仿真生成大量带标签数据再用少量现场录波做迁移验证。下面是我实际走过一遍的流程。4.1 搭建一个最小配电网仿真系统三条馈线起步最小可用的仿真系统至少要有电源、降压变压器、三条馈线、负荷、消弧线圈和故障模块。馈线用π型集中参数模型表示长度取2到10公里参数参考典型10kV架空线。消弧线圈装在母线中性点补偿度按过补偿10%设置。故障模块可以设置在馈线1、2、3的不同位置故障点越靠近母线零序电流特征越容易区分越靠近线路末端特征越弱。仿真采样率至少做到10kHz这样能记录到暂态高频成分。每个故障事件持续0.1到0.2秒故障发生时刻随机分布在电压过零到峰值之间的不同初相角上过渡电阻分别设0、50、100、200、500和1000欧姆。每次仿真记录母线零序电压和各馈线零序电流波形并保存故障线路标签。样本数量上三条馈线每个位置每种过渡电阻跑20次左右基本能覆盖网络训练的最低需求后续增加分支数再扩样本。4.2 特征提取与网络训练一个可以直接跑的最小实现这里给出一个基于Python sklearn的最小训练脚本。它适合做第一步可行性验证不需要GPU一台普通电脑就能跑通。特征提取部分已经在前面准备好脚本直接从csv文件读特征矩阵。import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neural_network import MLPClassifier from sklearn.metrics import confusion_matrix # 特征矩阵 X: 每一行代表某次故障事件中一条馈线的特征 # 特征列按顺序: # 0: 零序电流暂态幅值 # 1: 暂态能量 # 2: 相位sin # 3: 相位cos # 4: 5次谐波占比 # 5: 小波包高频频带能量 # 标签 y: 1 表示该馈线是故障线路, 0 表示健全线路 df pd.read_csv(fault_features.csv) X df.iloc[:, :-1].values y df.iloc[:, -1].values event_ids df[event_id].values # 用于按故障事件分组 # 注意: 这里先用普通随机划分做快速验证 # 实际应使用 GroupKFold 按 event_ids 分组切分, 防止同事件样本泄漏 train_idx, test_idx train_test_split( np.arange(len(df)), test_size0.3, random_state42 ) # 标准化: 只用训练集拟合 scaler, 再转换测试集 scaler StandardScaler() X_train scaler.fit_transform(X[train_idx]) X_test scaler.transform(X[test_idx]) # 多层感知机: 两个隐层, 节点数先用默认经验值 clf MLPClassifier( hidden_layer_sizes(16, 8), activationrelu, solveradam, alpha1e-4, max_iter1000, random_state42, ) clf.fit(X_train, y[train_idx]) # 输出混淆矩阵, 不要只看准确率 y_pred clf.predict(X_test) print(Confusion Matrix:) print(confusion_matrix(y[test_idx], y_pred))逻辑说明代码按行随机划分训练测试集只是快速看看模型能不能收敛。特征标准化这里只放了一次实际如果按事件分组应该先划分事件、再在训练事件上拟合scaler。MLPClassifier的hidden_layer_sizes(16,8)表示两个隐层节点分别16和8alpha1e-4是L2正则系数用来抑制过拟合。max_iter1000是最大迭代次数如果没收敛会打印警告这时候需要加大迭代次数或适当提高学习率。这个脚本的结果不能直接用作论文数据因为它忽略了同一次故障事件内多条馈线样本之间的相关性。正确做法是使用GroupKFold把同一个event_id的样本全部放在同一个折叠内这样测试集中的故障事件对模型完全是新的。下面的训练阶段建议直接切换到分组交叉验证。4.3 验证指标按事件统计选线准确率而不是按样本样本层面的准确率会给人假象。假设系统有11条馈线某条线路发生故障模型正确判定了这条线路但还误判了一条健全馈线。按样本数计算模型预测了11个标签其中10个正确准确率90.9%看起来不错但按事件计算最终选线结果变成了输出两条馈线或者如果规则取概率最大可能误选那条健全馈线事件准确率就是0%。所以选线模型的评价指标要按故障事件来设计。每一个故障事件中模型的输出是一组各馈线概率经过决策规则得到一个选线结果与实际故障线路对比。统计三类指标选线准确率正确选线事件数/总故障事件数、漏选率未输出任何线路或输出错误线路、误选率选到非故障线路。如果只有三条馈线起步至少也要把准确率、召回率和误选率分开记录。这是论文复现和现场验收最关键的一步数据预处理做得再好指标定义错了也白搭。5. 避坑与常见问题准确率卡在90%的五个真实原因人工神经网络选线在仿真里跑出98%的准确率不算难难的是换一套数据后依然稳定。如果你复现过程中遇到准确率上不去或忽高忽低的情况大概率是下面这些坑中的一种。每一条都是我用血泪经验换来的。5.1 训练集98%测试集70%先查样本泄漏现象训练时的验证集准确率接近完美但一旦用新工况或现场数据验证准确率直接跌到70%以下。原因上一节提到的按行随机切分把同一个故障事件下所有馈线的样本同时放进了训练集和测试集。模型在训练时已经见过同事件样本的关联模式测试时就等于开卷考试。解决用GroupKFold或按event_id手动切分。我的习惯是先按故障位置和线路分组保证测试集的故障事件完全不参与训练。另外迁移验证时必须用新的故障时刻和过渡电阻组合不能复用训练生成的数据。5.2 归一化把方向特征抹掉故障线路概率无区分度现象特征加入归一化之后故障线路和健全线路的输出概率接近选线规则失灵。原因把相位差或极性特征和幅值特征放在一起标准化了。方向特征本质是周期量或符号量standard scaler会把350度和10度映射成距离很远的值而方向相近的样本反而被拉散网络学不到规律。解决方向特征先做sin、cos变换或者用量化后的类别编码。每个故障事件内各馈线方向特征要相对母线零序电压做差再进入网络。标准化时只缩放幅值类特征不要动方向类特征。5.3 消弧线圈补偿状态一变模型全部失效现象在过补偿10%工况下训练出来的模型换到欠补偿5%工况时准确率从95%变成50%。原因补偿状态直接改变零序电流的分布和相位关系网络训练时只见过一种消弧线圈参数相当于只学会了一组边界条件。解决训练数据中同时覆盖欠补偿、全补偿和过补偿补偿度从5%到15%均匀取步长。如果现场消弧线圈可调档最好采集实际档位对应的录波数据加入样本库。模型投用前用另一组补偿度下的仿真数据做一次盲测。5.4 高阻接地漏选暂态弱特征需要小波级输入现象金属性接地时选线准确率很高过渡电阻超过500欧姆就开始漏选或误选。原因高阻接地时暂态幅值和能量都被电阻拉低信号接近噪声水平。手工统计特征里幅值和能量已经失去区分度模型只能按噪声的随机性乱猜。解决把原始零序电流做小波包分解选择高频细节系数的能量作为补充特征。这类特征对高阻接地仍有一定稳定性。另一个思路是在数据生成时对高阻故障欠采样并加权重让网络更关注难样本。采样率不足10kHz的高阻数据建议直接弃用不要参与训练。5.5 softmax假自信与阈值失灵现象模型对任何输入都会输出一条概率最大馈线有时明明没有故障零序电压只是轻微波动模型也报出一条高概率线路。原因输出层用了softmax强制所有输出概率相加等于1。即使所有馈线的真实故障概率都是0softmax也会把较小的数拉高让最大概率显得自信。解决改成多路sigmoid输出每条馈线独立判断。决策规则增加绝对阈值和相对差值双重条件同时添加无故障训练样本。还有一种做法是在输出层之后加一个拒判分支当所有概率低于阈值时直接输出暂不建议选线。6. 把论文方法变成现场能用的选线辅助事件级验证技巧如果你已经跑通上面的流程下一步就是让模型接受现场数据的考验。这里有一个关键习惯不要用单条馈线样本做评价而是用完整故障事件做评估。6.1 事件级滑窗评估用故障事件而不是样本行做测试把连续录波数据按启动判据切成片段每个片段是一个候选故障事件。对每个事件内所有馈线提取特征得到多组输出概率再按决策规则生成一条选线结果。与现场记录比对时只判定这一个事件是否选对。我一般会做一个简单的统计表格列出每个事件的时间、模型输出概率、阈值判定结果和实际故障线路人眼扫一遍就能发现问题。6.2 用现场录波反演仿真模型参数给网络补上现场味现场数据少是必然的但仿真模型可以校核到接近现场。取一组典型故障录波调整馈线长度、负荷水平、消弧线圈阻尼率让仿真输出的暂态幅值和衰减时间和录波对得上。校核后的仿真系统能生成更多高可信样本显著提高模型泛化能力。这个过程不需要很多数学工具直接用波形图对照即可但对耐心的要求很高。6.3 保留传统判据仲裁别让神经网络单独拍板即使模型在测试中准确率很高也不建议直接用它驱动跳闸。神经网络在选线场景里适合做辅助决策输出结果和传统比幅比相法、谐波法做三取二仲裁。当神经网络和传统方法结论冲突时优先输出异常待查而不是强行选线。这个习惯救过我一次现场零序互感器极性接反模型输出全线反转差点误跳一条重要负荷专线还好保留了传统判据仲裁事后用录波修正了模型输入。做选线准确率很重要但不误动更重要。希望帮到你。本文还有配套的精品资源点击获取