基于AE和GRU神经网络的电缆早期故障检测和识别方法

徐子弘，季天瑶，邓伟民，夏候凯顺

(华南理工大学 电力学院，广东 广州 510641)

目前，随着电网容量的扩大以及城市用电规模的增加，地下电力电缆因体积小、安全性高和抗干扰性强等优点被广泛地应用于电能传输和电能分配[1-2]。然而，由于电缆长期敷设于地下，其绝缘部分易受到外界环境和运行时间等多种因素的影响而造成局部损坏，从而增大了潜在的故障隐患[3]。电力电缆早期故障是因局部绝缘受损而引发的间歇性电弧故障[4]。电缆早期故障持续时间短、幅值低，难以触发常规的保护装置，但间歇性的故障会持续恶化电缆的绝缘，最终导致电缆的永久性故障[5]；因此，从多种过流扰动中准确识别电缆早期故障，对于降低故障风险、保障电力系统安全稳定运行具有重要意义。

现阶段，国内外相关研究人员针对电缆早期故障检测展开了大量的研究工作。根据基本原理，这些方法可以分为基于信号处理的方法和基于人工智能的方法[6-8]。

文献[9]利用形态学梯度小波将相电流信号分解为近似信号和细节信号，其中细节信号用来检测暂态过电流扰动，近似信号用于识别故障信号。文献[4]提出了基于不同短路故障引起的暂态过程的小波判据来进行故障分类。文献[10]通过快速傅里叶变换分析扰动电压，然后根据电压的畸变程度进行故障识别。这些方法的准确度依赖于阈值的选取，但实际电力系统的运行情况复杂且存在不确定性，因此很难选择合适的阈值作为判别标准。

机器学习不受阈值的限制，因此被广泛应用于故障诊断领域[11]。但是传统的浅层网络结构难以学习数据的隐藏特征，而且分类器的性能高度依赖于人工提取的特征。深度学习是近年来机器学习的新兴领域，具有深度架构的网络能从原始数据中学习到复杂的非线性关系[11]。此外，通过深度学习提取的特征比人工提取的特征有更强的泛化能力[12-14]。文献[15]将经S变换后的电流信号作为特征向量，并通过堆叠自编码器(stacked autoencoder，SAE)对电缆早期故障进行检测。文献[16-17]通过小波变换提取信号特征，然后建立卷积神经网络识别早期故障和其他扰动信号。但是小波基函数的选取具有不确定性，而且难以从众多信号处理方法中选择最优特征提取器。

门控循环单元(gated recurrent unit，GRU)神经网络是长短期记忆(long short term memory，LSTM)神经网络的变体，它通过门结构有效地解决了循环神经网络(recurrent neural network，RNN)梯度消失和梯度爆炸的问题，而且比LSTM网络收敛速度更快[18]；因此，本文选取GRU神经网络作为故障分类器，提出基于自编码器(autoencoder,AE)和GRU神经网络的电缆早期故障的检测和识别方法。通过AE强大的特征提取能力对电缆单端采集的电流电压信号进行特征提取[19-20]，利用GRU神经网络能有效学习数据的长期依赖关系的特性，从多种过电流扰动信号中识别电缆早期故障。最后，通过与传统分类器方法进行对比，对所提出方法的优越性进行验证。

1 早期故障机理

电缆早期故障通常是由水分渗入电缆接头位置造成绝缘破损引起的。由于绝缘受损会导致绝缘击穿，产生电弧，而电弧热量产生的高压水蒸气会使电弧迅速熄灭，因此电缆早期故障也被称为自清除故障[21]。根据故障持续时间，早期故障可以分为半周波故障和多周波故障。半周波故障发生在电压峰值附近，在电流经过零点时消失；而多周波故障通常持续1～4个工频周期，电弧电阻呈现出典型的非线性特征。

建立准确的电弧模型是研究电缆早期故障特性的重要基础，目前学术界常用的电弧模型有Cassie电弧模型、Mayr电弧模型、控制论模型以及分段电弧电阻模型[8,22]。本文采用文献[23]提出的基于控制论的改进电弧模型，该电弧模型能够很好地反映电缆间歇性接地故障的特性。电弧结构如图1所示，其中：τs为改进后的电弧常数；Gs为稳态电导；β为常量系数；Is为故障稳态电流的幅值；l为电弧长度；Vs0为每厘米的弧隙压降；ih为电弧电流；r为电弧电阻。图1中各方框为仿真软件的运算模块。

图1 电弧模型Fig.1 Arc model

电弧方程为：

(1)

式中：t为时间；g为电弧电导。仿真波形如图2、图3所示。

图2 电弧电压和电弧电流波形Fig.2 Arc voltage and current waveforms

图3 电弧电阻波形Fig.3 Arc resistance waveforms

2 AE-GRU故障分类器

2.1 AE

AE是一种对称的3层神经网络模型，由输入层、隐藏层和输出层组成[24]。典型的AE结构如图4所示。

图4 AE结构Fig.4 Autoencoder structure

AE的训练由编码和解码2个部分组成，过程可表示为：

h=σ(W1x+b1)；

(2)

(3)

(4)

2.2 GRU模型结构

LSTM神经网络是升级的RNN。它有3种特殊的门结构，即输入门、输出门和遗忘门，通过输入门和遗忘门来实现对前一时刻状态信息的保留或丢弃，同时更新当前时刻的单元状态。LSTM神经网络通过这些特殊的门结构来存储和观察历史信息，从而使其能够学习具有长期时间依赖性的问题，而且能够有效解决普通RNN存在的梯度爆炸和梯度消失的问题[26]。

图5 GRU结构Fig.5 GRU structure

(5)

当前输入值xt和前一时刻隐含层状态信息ht-1共同决定了重置门rt和更新门zt的值，即：

rt=σ(Wr·[ht-1,xt])；

(6)

zt=σ(Wz·[ht-1,xt])；

(7)

Wr=Wrx+Wrh；

(8)

Wz=Wzx+Wzh.

(9)

式中：[ ]表示向量连接；Wrx和Wzx分别为当前输入与重置门以及更新门之间的权重；Wrh和Wzh分别为隐含层向量与重置门以及更新门之间的权重。

(10)

(11)

GRU的最终输出yt取决于当前时刻隐含层状态ht，即

yt=σ(Wo·ht)，

(12)

式中Wo为输出权重。由于GRU神经网络不再额外给出记忆状态，而是将输出结果作为记忆状态向后循环传递，因此减少了计算内存，提高了网络的训练速度[27]。

2.3 GRU诊断网络

本文以GRU神经网络作为故障分类器。该分类器将AE提取的特征数据作为输入，网络由多个GRU隐含层组成，前一隐含层的输出作为下一隐含层的输入，每一层的GRU之间有序排列并且彼此间相互连接。由于网络架构越深，从输入序列中挖掘隐藏信息的能力越强，因此构建包含大量GRU的故障分类器，网络结构如图6所示。

图6 GRU诊断网络Fig.6 GRU diagnosis network

隐含层最后一层的输出作为网络全连接层的输入，全连接层与softmax层相连。全连接层包含5个神经元，分别对应着3种故障情形和2种正常情形，其中输出最大值的神经元对应着当前电缆系统最可能的运行状态。通过softmax层对不同电缆故障和过流扰动的离散概率分布的梯度进行归一化，即

(13)

式中：i=1，2，…，5；si为发生第i种情况的概率；Vi为全连接层的第i个输出结果。因此故障诊断结果S可以表示为

S=argmax[s1,s2,…,s5].

(14)

基于AE和GRU神经网络的电缆早期故障识别方法的流程如图7所示。

图7 电缆早期故障识别方法的流程Fig.7 Flow chart of the identification method for cable incipient fault

3 GRU神经网络的优化及训练

GRU神经网络的优化是通过对隐含层单元数、小批量梯度下降个数以及迭代次数进行调整而使损失函数达到最小的过程，优化过程如下：

a) 隐含层单元数：深度的网络架构能够捕捉到数据更为复杂的特征，大于最优单元数的值通常不会显著提高网络的泛化能力，但会增加网络的训练时间。交叉验证集被用来选择隐含层单元数的最优值，当其他超参数不变时，隐含层单元数从64增加到200。当单元数被设置为64时，网络不能充分学习到信号的复杂特征，正确率低；当单元数被设置为200时，尽管正确率较高，但是增加了训练的迭代次数。经过实验，GRU神经网络的隐含层单元数设置为128，以实现正确率和收敛速度的平衡。

b) 小批量梯度下降：批量梯度下降法保证每轮迭代都能降低损失函数的值，增加了损失函数收敛到全局最优解的概率；但是每轮迭代时使用全部的样本进行参数更新，降低了网络的训练速度。随机梯度下降法每次只使用1个样本进行参数更新，加快了训练速度；但是增加了空间搜索过程的随机性，最终网络的收敛值通常不是全局最优解。小批量梯度下降法每次更新参数时只使用部分样本，兼顾以上2种方法的优点，即加快了网络的训练速度，又增强算法收敛的鲁棒性。在经过反复实验后，本文的小批量大小设置为64。

c) 训练代数：全部的训练集数据对模型进行1次完整的训练的过程称为1代训练，训练代数过低会导致欠拟合问题，如果训练代数过大则会导致过拟合问题。本文采用早期停止法来对网络的训练代数进行设置。早期停止法是在训练过程中追踪训练集外的样本误差，在损失函数收敛到全局最优解之前停止迭代过程，因此可以有效地避免训练过程中产生的欠拟合和过拟合问题。经实验后，本文的最大训练代数设置为150，以实现训练误差和正确率的平衡。

4 仿真研究

4.1 参数设置

在PSCAD/EMTDC环境下建立1个容量为50 MVA的35 kV/10 kV地下电缆早期故障系统仿真模型，采用小电阻接地方式，接地电阻为20 Ω。模型结构如图8所示，其中：us和is分别为电缆单端的电压和电流；uf和if分别为故障电压和故障电流；zload为负载；il为负载电流。电缆模型由2个Bergeron电缆元件组成，电缆总长设置为10 km，因此可以模拟故障发生在电缆不同位置、不同时刻的情形。在Bergeron电缆元件内设置电缆结构参数，电缆芯半径、电缆主绝缘半径、金属护层半径以及外绝缘半径依次被设置为0.02 m、0.04 m、0.043 m和0.045 m。

图8 电缆早期故障仿真模型Fig.8 Simulation model of cable incipient fault

电缆线路末端与负载相连，故障模块设置为单相短路接地(模块④)、电缆半周波早期故障和多周波早期故障(模块③)，同时考虑变压器励磁涌流(模块②)、电容器投切(模块①)引起的过电流扰动。电缆故障波形及外部扰动如图9所示。

图9 不同类型故障和扰动下的电缆电流波形Fig.9 Cable current waveforms under different types of faults and disturbances

在PSCAD/EMTDC中通过Multiple Run元件对故障接入时间进行设置，同时在电缆线路上以1 km为步长单位进行故障位置仿真，考虑到工程中电缆故障以单相故障为主，所以在故障仿真中，每次A相线路发生故障，其余相处于正常运行状态，采样频率为10 kHz。

每次仿真时，以电缆单端所测得的电流和电压信号为样本，经AE压缩后的样本维数为200[28]。仿真参数见表1。将样本按80%、10%和10%的比例划分训练集、交叉验证集和测试集，样本分布见表2。

表1 仿真参数设置Tab.1 Setting of parameters

表2 故障类型样本设置Tab.2 Setting of fault types

4.2 数据预处理

为了加快网络的收敛速度，对采集的信号样本采取数据均值归一化处理，

(13)

4.3 模型评估指标

采用准确率(accuracy，量符号为Dacc)、精确率(precision，量符号为Dprec)、召回率(recall，量符号为Dreca)和F1值，对本文所提出识别方法的分类效果进行衡量[29]，表3为混淆矩阵。

表3 混淆矩阵Tab.3 Confusion matrix

(14)

(15)

(16)

(17)

为评估算法的有效性，将GRU神经网络与K近邻算法(K-nearest neighbor algorithm，KNN)、BP神经网络、支持向量机(support vector machine，SVM)、概率神经网络(probabilistic neural network，PNN)进行比较，结果见表4。

表4 不同分类器的比较结果Tab.4 Comparison results of different classifiers %

分析表4可知，与传统的机器学习方法相比，基于深度学习的GRU神经网络在识别电缆早期故障的各项性能指标上有了明显的提高，其分类效果在各种分类器中最好。而在传统的机器学习方法中：KNN的精度最差，将大量的过电流扰动信号识别为电缆故障；PNN由于网络结构的特点在训练过程中会存在内存溢出的情况，因此不适用于构筑大型网络结构；BP神经网络采用全连接的方式限制了训练速度；SVM的效果较好，但总体上仍低于GRU神经网络。

5 结论

本文提出了一种基于AE和GRU神经网络的电缆早期故障的检测和识别方法，通过在仿真软件PSCAD/EMTDC中采集电缆早期半周波故障、多周波故障、单相短路接地、励磁涌流和电容投切的电流和电压信号，对所提出的方法进行验证。本文的主要贡献如下：

a)所提出的基于AE和GRU网络的方法能准确地从各类过电流扰动中识别电缆早期故障，准确程度到达97.6%，克服了传统分类器识别率低、分类效果差的缺点，提高了电缆供电系统的可靠性。

b)通过AE对电缆单端的信号进行特征提取，避免了传统信号处理方法复杂的阈值选择过程，通过参数的优化过程，提高了网络的准确率和收敛速度，防止了过拟合现象。

c)通过采用基于控制论的改进电弧模型，准确地模拟了早期电缆故障发生的各类情况，增强了本文所提出方法的可行性。

对于本文提出的基于AE结合GRU神经网络的电缆早期故障检测和识别方法，仿真证明了其应用与推广的可能性，未来需要进一步在实测波形中进行验证。