基于深度卷积神经网络的海上平台接地选线方法

石 勇 侯 炜 陈 俊 李宇琦 赵健龙

（南京南瑞继保电气有限公司）

0 引言

海上采油平台电力系统的稳定性可靠性是至关重要的，因距离较短被称为微型电力系统，配电系统一般为不接地系统或消弧线圈过补偿状态，使用故障工频电流和对应的无功功率无法用于故障选线［1－2］。为解决该问题，先后涌现出有功分量法、谐波法、注入信号法、残流增量法、中电阻法、暂态无功功率法等选线方法［3－6］。受各种干扰因素的影响，以上方法使用的特征量具有很大模糊性和不确定性，导致这些选线算法准确率普遍不高。

传统的神经网络由于模型构建困难，存在学习样本数量要求多、学习时间长等问题，无法用于实际应用中，以往神经网络选线方法大多采用经处理后的特征量如五次谐波、稳态相位等特征进行训练，特征选取不合适，导致选线准确率低，无法在实际工程中应用［7］。

BP神经网络优点是网络结构简单，容易操作，但是存在两个缺点，一是网络结构不容易确定，二是在大样本数据集中预测判别能力下降明显。另外在训练BP神经网络时必须先人为地对图片进行特征提取，在特征提取过程中必然导致一些信息的丢失，从根本上降低了BP神经网络的预测能力。卷积神经网络（Convolutional Neural Networks，CNN）是对BP神经网络的改进。网络的层数比BP神经网络更深，网络结构复杂，更适合处理图像识别问题［8］。

本文通过基于Tensor Flow的深度卷积神经网络框架，无需手动选取特征量，使用接地故障时刻波形图像对深度卷积神经网络进行训练，训练后使用测试组接地故障时刻波形图像进行测试，根据现场测试及动模试验得到的150多个波形，选出大约100个波形作为训练组，50个波形作为测试组，选线准确率达到95.83%。

1 单相接地时的暂态过程

小电流接地系统在发生单相接地故障时，流过接地点的暂态电流由暂态的容性电流和暂态的感性电流组成，由于两者的频率和幅值显著不同，在暂态过程中就不能相互补偿［9］。

接地电流由稳态电流和暂态电容、电感电流叠加而成，其值为［2］：

式（1）中第二、三部分为暂态容性及感性电流。可简化为：

根据暂态电流可计算出暂态零序功率：

不论电网的中性点是否经消弧线圈接地，暂态零序接地功率的幅值和频率均主要由暂态电容电流所确定，其幅值、频率和初始相角有关［9］。在接地发生的时刻，因接地相的对地电位降低，消弧线圈中电流不能突变，暂态电流特征为容性对地放电电流，非接地相对地电位抬高，流过的暂态电流为容性电流。因此从接地故障波形图像中很容易根据暂态零序电流及开口三角电压夹角的方向来区分是否为接地故障线路。

2 基于深度卷积神经网络的选线方法

2.1 Tensor Flow深度学习框架

Tensor Flow 2.0是一个开源的机器学习平台。和前版本比较，处理速度明显提高、可移植于更多的平台。Tensor Flow拥有多层级结构，可部署于各类服务器、PC终端和网页，并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究［10］。对于接地选线装置开发，可以方便地在服务器或PC上将用于选线的神经网络训练好后再迁移到嵌入式接地选线装置中。Tensor Flow的深度卷积神经网络的优点是共享卷积核，对接地故障波形数据处理无压力，减少了人工选取特征的步骤，只需要将处理好接地故障波形图像文件输入训练好权重，就可以得到特征分类。

CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一［10］。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络”［11］。

CNN有三个重要的思想架构：

1）局部区域感知；

2）权重共享；

3）空间或时间上的采样。

2.2 接地故障波形数据获得

某电科院配电网户外真型试验场包括10kV试验线路7条，其中1～4条采用集中参数柜模拟真实线路的分布式参数，5～7条为实际电缆线路。零序电流互感器变比为10／1，配置对地电容器柜2面用于调节对地电容电流。配置额定容量为400kVA预调式消弧线圈，电流调节范围20～66A，通过有载分接开关等差调节。中性点不接地时投入5、7线，系统电容电流为9.11A，经消弧线圈接地时投入对地电容及3、5、7线，母线总电容电流为27.86A。消弧线圈档位为31A，详见下表。

表 接地故障测试时运行方式

户外试验场开关站内安装接地选线装置，将对地电容器及试验3、5、7线的4路零序电流及母线零序电压接入装置进行录波。

国网某真型试验场测试母线接入8条线路，某现场变电站接入变电站Ⅱ母5条线路进行现场接地测试，具体参数不再赘述。

根据在该电科院真型实验室、国网某真型实验场及现场变电站接地测试获得波形共计150余条接地故障波形，将其分为两组：训练波形100条、测试波形50条。为了保证客观性，训练波形中不包含测试波形，训练及测试波形中分别包含经消弧线圈接地及不接地系统的金属性接地故障、经500Ω、1000Ω、2000Ω过渡电阻接地故障及间歇性弧光接地故障波形各20%左右。

2.3 对接地故障波形进行预处理

原始接地故障波形图像像素量较大，包含很多与接地特征无关的非特征信号，为了使图形适合卷积神经网络输入要求，提高训练及选线速度、精度，对模型进行训练和测试前需对接地选线波形进行预处理，根据前面分析，接地时刻故障特征发生在接地瞬间，且衰减很快，因此选取接地瞬间3ms的波形，既可以提高训练速度，也能具有高的选线准确率。

以线路2在电科院真型试验场经500Ω过渡电阻接地波形为例，图1为原始接地故障波形。U0为母线开口三角电压，I02为接地线路零序电流，I01、I03、I04分别为正常线路的零序电流。波形中装置采样率为9.6kHz，每周波192点。

图1 原始波形

为了方便卷积网络识别波形及降低波形大小，将零序电压和零序电流合并在同一个波形图形中显示。如图2所示。

图2 零序电流及电压合并显示波形

因暂态法只需要用到接地故障瞬间的量进行选线，为了加快学习效率，截取接地瞬间故障特征最明显的大约3ms的暂态波形，如图3所示。

图3 故障瞬间零序电流及电压暂态波形

为了减小学习样本库的体积，进一步对波形图像像素进行压缩和二值化处理，处理后波形如图4所示。处理后每张波形图像大小为28×28，只包含黑白两种颜色。

图4 二值化并压缩后的波形

本条波形中含一条故障线路及三条非故障线路，可以形成四个训练样本，样本的标签为“0”时代表非故障线路，为“1”时代表故障线路。在tensor flow中使用tf.feature＿column API创建两个集合，一个对应故障线路，一个对应非故障线路。

大量的训练数据更有利于模型的学习，为了增加训练数据样本数量，对波形进行了左右平移模拟波形中不同暂态时刻，上下平移模拟波形中的直流分量，上下翻转模拟波形极性相反的情况，不仅增加训练数据的数量，而且使训练模型更加具有鲁棒性。经过扩展后的训练数据共有10000个样本。本文中的测试数据集采用二值化并压缩处理后的波形，未经平移及翻转。

2.4 暂态时间点准确选取算法

图像预处理的关键是找到准确的暂态故障发生的时间点，对于标准正弦波，使用傅里叶算法需要至少10ms才能计算出故障发生时刻。

由于小电流接地系统零序网络暂态对地等效以容性为主，因此在发生接地时零序电流突变较零度电压突变快，特别是高阻接地故障，零序电压呈现缓慢上升趋势，以往使用零序电压作为选线启动判据时延时较大，很难准确定位故障发生初始时刻。

因此提出一种采用傅里叶及瞬时值变化率相结合的算法来确定准确故障发生时刻。

选取暂态时间点方法如下，单相接地故障中零序电压瞬时值为u0（t），零序母线上四条支路的电流瞬时值为i01（t）、i02（t）、i03（t）、i04（t）。波形中横坐标为时间t，纵坐标为瞬时值，为了选取接地瞬间波形，采用幅值与突变量混合检测方法截取接地瞬间波形。首先，采用傅里叶变换计算U0的50Hz基波幅值为u0＿abs（t），当u0＿abs（t）中大于选线启动电压定值时，截取该时刻前1周波后1周波共2个周波40ms的数据。在40ms数据中，采用零序电压及电流瞬时突变值算法找到波形发生瞬间3ms数据。

式（4）中，u0（t）为当前采样点的零序电压值；u0（t－1）为当前点前一个采样点的零序电压值。式（5）中，x为线路支路号；i0（t）为支路x当前采样点的零序电流值；u0（t－1）为支路x当前点前一个采样点的零序电流值。

通过傅里叶幅值选出的40ms数据窗数据中，当式（6）或式（7）任一条件满足时，判定当前时间点t为故障发生时刻：

式中，Δu0＿set为零序电压变化量定值；Δi0＿set为零序电流变化量定值。考虑到抗干扰，连续三个点t，t＋1及t＋2点的变化率均超过定值时，判断第一个点t为故障发生起始点。取该点前1ms后2ms数据作为卷积神经网络输入。

两个定值取值需要躲过正常运行时最大变化量，根据采样率进行设置。

设正常运行时最大不平衡零序电压幅值为U0un，瞬时值为U0uncos（ωt＋θU0un），正常运行时零序电压变化率为：

离散化后为：

式中，fsample为采样率，每周波24点采样时为1200Hz，在ωt＋θI0un过零点时变化率为最大：

fsample为1200Hz时，Δu0max为0.26U0un，考虑到一定可靠系数，采样率1200Hz时Δu0＿set设置为0.5U0un，根据现场运行经验，不平衡电压一般小于额定电压1%。

支路零序电流变化率定值计算方法同零序电压变化率，不再赘述。

对暂态时间点选取方法进行验证，取真型试验场经消弧线圈接地系统、不接地系统经2000Ω、10Ω过渡电阻接地波形，采用式 （4）和式 （5）计算Δu0（t）及Δi0x（t）如图5所示。

图5 不同类型接地故障零序电流及零序电压变化率

（a）消弧线圈接地系统经2000Ω电阻接地

从图5可以看出在接地瞬间高阻及金属性接地通过变化率可以准确获取接地时刻。

2.5 CNN算法实现流程

图6是本文中用于接地选线所用深度卷积神经网络的示例，采用卷积层与采样层交替设置，卷积层提取出特征后再经采样层组合形成更本质的规律，最后形成对接地故障波形的规律阐述。接地选线的波形经压缩和处理后每张波形图像是28×28大小按照TFrecord格式存储在选线装置内存中作为CNN的输入。

图6 接地选线用卷积神经网络

将2.3节中预处理好的接地故障波形分为训练、验证和测试三组波形。各组波形中，将接地故障的波形和该波形是否为接地线路的标记一起合并形成一个预处理输入层波形集合。从预处理层读取接地故障波形文件到卷积层构建接地故障检测神经网络，然后对神经网络进行训练。当神经网络训练完成的时候，可以通过测试波形来检查接地故障检测神经网络的准确度。

3 测试结果

神经网络训练的指标为接地故障检测的准确率，首先使用训练波形集对神经网络进行训练。神经网络训练好后再使用测试波形集进行测试。测试采用了前文所述深度卷积神经网络。

本文中将10000个样本分为100次，每次100个样本进行训练，每训练10次输出一个训练准确率，使用训练波形样本对神经网络进行60次训练后使用测试波形样本对神经网络进行测试，训练准确率100%，接地故障检测的准确率为81.94%，测试效果如图7所示。

图7 60次训练后选线准确率

对数据进行100次训练后的神经网络使用测试数据集进行测试，训练的准确率99%，选线故障检测的准确率为95.83%，模型训练结果如图8所示。

图8 100次训练后选线准确率

由此可见，当训练数据越多，接地故障检测的准确率越高，卷积神经网络模型的健壮性就越高。仅使用100条现场及真型试验得到的波形进行训练，就可以使选线准确率超过95%。

4 结束语

针对单相接地故障选线准确率低的问题，本文提出了利用幅值及瞬时值变换率算法获取故障发生时间点，并将时间点前1ms后2ms数据通过Tensor Flow中的深度卷积神经网络模型进行识别的选线方法，测试中仅使用少量波形训练就可以获得很高的准确度，如使用更多的波形进行训练，可以获得更高的准确率，作为接地选线装置的辅助判据，Tensor Flow可以方便地移植到嵌入式装置中，具有广泛的研究及推广前景。