基于门控循环单元神经网络的配电网故障选线

徐海燕，吴 浩 ，2，李 栋，陈 雷 ，邓思敬

（1.四川轻化工大学自动化与信息工程学院，自贡 643000；2.人工智能四川省重点实验室，自贡 643000）

关键字：配电网；故障选线；集成经验模态分解；灰狼算法；门控循环单元

在电力系统大力发展的情况下，配电网已成为提升电网智能化程度至关重要的环节，并且配电网的运行与用户的利益息息相关。在配电网中，单相接地故障是最易发生的故障类型，特别是在谐振接地系统中，由于消弧线圈的存在，会导致单相故障演变成为相间发展性的故障[1]。因此，为使系统能够稳定运行，提高系统的可靠性，有必要对故障线路进行选线并切除。

国内外学者对小电流接地系统的故障选线进行了大量研究，提出了5次谐波选线法[2]、相关性分析法[3]、零序电流系数比值法[4]、小波分析[5-8]等选线方法。在5次谐波分量下，故障线路与正常线路具有两种特性：①故障线路和正常线路的极性具有相反性；②故障线路5次谐波分量与正常线路5次谐波分量之和相等。文献[2]将多尺度排列熵与完备集合经验模态分解EMD（empirical mode decomposi⁃tion）进行结合，对监测故障后的5次谐波信号实现选线。文献[3]研究发现在暂态过程中，健全线路的零序电流具有较高的相似性，而与故障线路具有明显的差异，因此采用互近似熵表征线路之间的相似性，根据相似性完成选线。文献[4]分析了多种接地故障时的零序电流分布特征，构建了一套基于选线的比值体系。文献[7-8]对各线路暂态零序电流进行小波包分解，根据能量法提取能量较大的频段作为故障特征频段，对选取的特征频带分别采用不同的处理方法提取故障特征，从而实现选线；但当线路发生高阻接地时，故障线路的能量与正常线路之间的差异较小，不适用于高阻接地故障的场景。文献[9]通过构建线路零序电流与线路零序电压导数之间的相关系数进行选线；文献[10]根据暂态能量法对零序电流的能量函数进行定义实现选线，但文献[9-10]的方法均存在过渡电阻适应性较差的问题。

近年来，基于人工智能的现代信息处理技术不断被应用于故障选线中，提高了系统故障特征提取的精确度和可靠性[11-12]。文献[13]以特征频段上的能量和模极大值作为故障特征向量，利用支持向量机SVM（support vector machine）进行分类选线。文献[14-15]分别采用不同的智能算法对反向传播BP（back propagation）神经网络进行优化，并将优化后的神经网络应用于配电网故障选线中。但BP神经网络与SVM分类器在处理有延续性的时间序列方面存在不足，在采样频率较低及某些极端情况下易造成误判[16]。

针对以上问题，本文研究了一种基于集成经验模态分解EEMD（ensemble empirical mode decompo⁃sition）和灰狼算法GWO（grey wolf optimizer）寻优门控循环单元GRU（gated recurrent unit）神经网络超参数的故障选线方法，即EEMD-GGRU的配电网故障选线方法。利用GWO对GRU神经网络的部分超参数进行寻优，可有效解决人工确定超参数的效率及精确度低的问题。首先，利用EEMD将线路零序电流分解为不同频带下的本征模态分量IMF（in⁃trinsic mode function），根据相似性分析确定IMF的分解个数；然后，计算所选模态的能量值作为特征向量，以配电网线路标号作为分类目标，将数据集输入至优化后的GRU网络中，实现故障选线。

1 故障零序电流特性分析

对故障电流进行暂态分析时，本文采用谐振接地系统进行阐述。配电网发生故障时，常采用二阶等效电路对系统单相接地故障电流的暂态过程进行分析[17]，单相接地故障等效电路如图1所示。

图1 单相接地暂态等值电路Fig.1 Single-phase grounded transient equivalent circuit

与故障线路不同，健全线路的暂态部分仅由电容电流构成，因此可利用故障线路和非故障线路零序电流暂态过程的差异（幅值和振荡频率）作为选线的理论依据。

根据故障线路与非故障线路暂态过程存在的差异，本文采用EEMD算法对各线路零序电流的暂态过程进行分解，计算线路不同分量的能量值，利用GWO优化后的GRU网络实现故障选线。

2 基于EEMD分解及特征提取

2.1 EEMD原理

在EMD的基础上，将高斯白噪声添加到测试信号中对EMD的分解过程中模态混叠现象进行抑制，这种改进方法被称为EEMD[19]。加入高斯白噪声后，复杂信号被分解为多个平稳的IMF，可以应用于非线性非平稳数据的处理[20]。EEMD算法的实现过程如下。

2.2 特征提取

3 基于GWO寻优的GRU神经网络

3.1 GRU神经网络

在标准循环神经网络RNN（recurrent neutral network）的训练过程中存在梯度消失和梯度爆炸问题[21]。为克服这个问题，对RNN进行改进得到长短期记忆LSTM（long short-term memory）神经网络[22-23]，在RNN的隐藏层中添加输入门、遗忘门及输出门使RNN具有长期的记忆功能。LSTM网络结构如图2所示。

图2 LSTM神经网络结构Fig.2 Structure of LSTM neural network

图2中，从左往右的虚线框依次为遗忘门、输入门和输出门。遗忘门决定了哪些信息被遗忘，哪些信息被保留；输入门将保留信息进行输入；输出门输出信息。Ct-1、ht-1为上一个时刻的隐藏量；xt为t时刻的输入量；fi为遗忘门输出；Nt为输入门输入；为当前输入单元的状态；Ot为输出门输出；Ct、ht均为t时刻的输出。

但LSTM神经网络的内部结构复杂，模型的训练时间过长[24]，因此GRU对LSTM进行了简化，GRU中仅有更新门和重置门。其网络结构如图3所示。

图3 GRU神经网络结构Fig.3 Structure of GRU neural network

式中：zt、rt分别为更新门和重置门；xt为t时刻的输入量；ht-1为上一个时刻的隐藏状态量；为t时刻的候选隐藏状态量；wz、wr和wh为对应量权重参数；ht为t时刻的隐藏状态量，表示当前时刻的最终记忆；σ为sigmoid激活函数；tanh为双曲正切激活函数；*表示点乘。

相比于LSTM神经网络，GRU模型的内部结构简单、参数数量更少，以及计算效率更高、训练速度更快。

3.2 GWO优化GRU神经网络（GGRU）

在GRU神经网络中需要对多个超参数进行设置，相关超参数的取值对识别结果的精确度影响较大，使用优化智能算法对GRU的超参数进行自主寻优，能够提高搜索效率，省略人工调试的繁琐过程[25]。由于学习率是重要的参数之一，网络的学习效果会受学习率的影响，若轮回周期数量过大，可能导致网络对数据过拟合；若轮回周期数量过小，导致网络的学习时间不够。因此本文选用GWO优化算法对GRU超参数中的学习率及轮回周期次数进行寻优。

Mirjalili等提出的GWO[26]，其原理为对一组灰狼通过适应度值计算进行等级层次划分，设置适应能力最强的狼为α狼，适应能力稍弱于α狼的设置为β狼，将剩余的狼设置为σ狼。α狼、β狼和σ狼通过对猎物（最优解）进行定位计算向猎物逼近。

GWO优化GRU网络的主要步骤如下。

步骤1设置GRU网络中超参数的优化个数和取值范围。

步骤2设置GWO的种群数量、寻优参数个数、迭代次数等。

步骤3初始化所有狼的初始位置，并判断是否在取值范围内，若在取值范围内则无需调整；若超出最大值，则回到最大值边界。

步骤4根据式（7）计算初始种群与猎物之间的距离，确定猎物的位置，即

式中：g为迭代次数；s为灰狼位置；sp为猎物位置；c为系数；r1为0～1之间的随机数。

步骤5进行种群更新，重新计算与猎物的距离，同时更新适应度值，即

式中：μ为收敛向量；r2为0～1之间的随机数；a的初始值为2，与迭代次数呈线性递减的关系；dk为种群k与猎物之间的距离，k=α,β,γ；ci为第i个系数，i=1,2,3；μi为第i个收敛向量。

步骤6判断是否满足终止条件，若满足，则输出为最优的个体；若不满足，则继续迭代。

GGRU神经网络的流程如下。

图4 GGRU神经网络流程Fig.4 Flow chart of GGRU neural network

将GRU模型中的最大轮回周期次数和学习率作为优化对象，设置最大轮回周期次数的范围为[1，30]，学习率的范围设置为[0.000 1，0.01]；经过GWO优化后的最大轮回周期次数为11，学习率为0.004 7。

4 基于EEMD-GGRU的故障选线模型

4.1 GGRU神经网络搭建

GGRU神经网络的结构如图5所示。单独的GRU网络具有学习能力，但不能进行分类，因此在网络中加入具有判别能力的softmax模型。

图5 GGRU网络结构Fig.5 Structure of GGRU network

图5中，M0,M1,…,Mn为GGRU网络的输入层；第二层由GGRU层构成；然后是全连接层和softmax输出层。

4.2 基于EEMD-GGRU网络的故障选线流程

基于EEMD-GGRU网络故障选线模型，具体流程如图6所示。该模型首先使用训练集对网络进行训练，然后输入测试集进行网络性能测试。

图6 基于EEMD-GGRU网络选线模型Fig.6 Line selection model based on EEMD-GGRU network

5 配电网故障仿真分析

5.1 配电网故障仿真模型

采用PSCAD搭建如图7所示的配电网仿真模型进行本文选线算法的仿真验证。由图7可知，仿真模型中包含2条架空线路和2条电缆线路，线路的长度分别为15 km、10 km、18 km和6 km；线路正零序参数[27]如表1所示；R1、L1和C1分别为线路正序电阻、电感和电容；R0、L0和C0分别为线路零序电阻、电感和电容。

图7 配电网仿真模型Fig.7 Simulation model ofdistribution network

表1 单位长度线路参数Tab.1 Line parameters per unit length

假设线路L2发生单相接地故障，故障设置如下：①故障位置为距离母线3 km处；②故障接地电阻为0.01Ω；③故障初始角为15°。

故障线路与健全线路零序电流对比如图8所示。

图8 各线路零序电流Fig.8 Zero-sequence current of each line

5.2 样本获取

利用测量设备测量系统单相接地时的零序电流数据，使用EEMD分解系统各线路零序电流，计算IMF的能量值构成特征向量，对故障线路进行EEMD，图9为提取故障线路第一个滑动窗口的数据进行EEMD分解后的分解图。

图9 故障线路第一个滑动窗口分解Fig.9 Decomposition of the first sliding window of faulty line

为确定IMF的个数，原始信号分别与每一个分量进行相关性分析，提取3个与原始信号相关度系数最高的分量。

根据第2.2节中的滑动窗口设置，可获得16个窗口的数据，对每个窗口的数据进行EEMD分解，提取IMF，计算每个分量的能量值。因此1条线路的样本为1×48的矩阵，则4条线路构成的特征向量即为1×192的矩阵。

为获取故障数据集，本文设置了6种不同接地电阻、6种不同故障初始角和5种不同故障接地点（接地点距离母线的长度与全线长度的百分比），其参数设置如表2所示。因此每条线路可采集180组数据，4条线路可得到720组样本数据。

表2 故障参数Tab.2 Fault parameters

5.3 选线方法验证

根据第5.2节样本获取中的故障参数设置方式，获取720组数据进行本文算法的验证，对各条线路故障数据进行训练集和测试集的划分，验证算法的分类结果。基于训练集训练后，输入测试集后的测试结果如图10所示。

图10 GGRU网络测试集测试结果Fig.10 Test results ofGGRU network test set

由图10可知，GGRU神经网络能够准确地对故障线路进行分类。

5.4 随机测试

在实际工程中，故障具有一定随机性，其故障接地点或接地电阻也均具有不确定性，因此为了模拟实际工程中故障的随机性，选择线路的总长度，接地电阻为1 000Ω，故障初始角为150°来生成随机数。例如，将线路长度分别与2个[0 1]之间的随机数进行相乘便可得到2个随机故障接地点；同理可得到随机接地电阻和随机故障初始角，从而可得随机故障样本。随机故障接地点、接地电阻、初始角及测试结果如表3所示。

表3 随机测试结果Tab.3 Random test results

由表3的识别结果可以看出，在随机故障中，GGRU可以实现线路的正确分类。

6 算法性能分析

6.1 高阻接地测试

当谐振系统发生高阻接地故障时，暂态过程中故障特征不明显，使用判据进行选线时易造成误判。为验证该算法在系统发生高阻接地时的性能，根据第5.2节的样本获取方式，模拟配电网高阻接地故障，接地电阻依次设置为900Ω、1 200Ω、3 000Ω和5 000Ω，故障初始角设置为30°，故障接地点与第5.2节一致。提取故障特征数据集后输入至GGRU网络中，分类结果如图11所示。

图11 GGRU网络高阻接地识别结果Fig.11 Recognition results using GGRU network under high-resistance grounding fault

由图11可知，当系统发生单相高阻接地时，经过训练的GGRU网路可准确识别故障线路，该算法在系统高阻接地时也能够准确地进行选线。

6.2 噪声干扰测试

在实际工程中，大量电力设备会产生噪声数据，为验证该算法在噪声影响下的可靠性，系统发生故障时在测量所得零序电流信号中依次加入10～40 dB的噪声来模拟实际工程中的噪声干扰情况。原始波形及加入10 dB噪声波形如图12所示；通过EEMD分解计算的能量作为测试集输入GGRU进行测试，得到测试结果如表4所示。

图12 原始波形及加噪声波形Fig.12 Original waveform and noisy waveform

表4 噪声测试结果Tab.4 Noise test results

由表4测试结果分析可知，当线路在不同噪声环境下发生故障时，GGRU能准确地识别出故障线路，且当噪声高于30 dB时，GGRU能够达到100%的识别率，说明该算法受噪声影响较小。

6.3 数据随机丢失测试

实际应用中可能会发生测量数据丢失的情况，为验证该算法在数据随机丢失情况下的性能，对测量设备测量的零序电流数据进行随机丢失处理。以线路L1发生故障后出现数据丢失的情况为例，线路未发生数据丢失，以及发生数据随机丢失的波形如图13所示。

图13 数据未丢失及丢失情况下的波形Fig.13 Waveforms with or without data loss

每条线路进行10种不同故障情况下的仿真，测量每条故障线路的零序电流并进行数据随机丢失处理，根据第2.2节的特征提取方式构建特征向量，作为网络的测试集进行验证，验证结果如图14所示。

图14 数据随机丢失识别结果Fig.14 Recognition result with random data loss

由图14可以看出，在故障线路数据丢失的情况下，GGRU网络依然能够准确对故障线路进行识别。

6.4 间歇性弧光接地故障测试

间歇性弧光接地故障在实际故障中是常见的故障类型之一。为验证该算法在此类故障中的性能，假设配电网中线路L1发生间歇性弧光接地故障，故障电阻为200 Ω，故障点设置与第5.2节一致，故障初始角为30°，采用Mayr电弧模型进行间歇性弧光接地故障的测试。测试结果如图15所示。

图15 间歇性弧光接地故障测试结果Fig.15 Test results under intermittent arc ground fault

由图15可以看出，在电网发生间歇性弧光接地故障的情况下，算法依然能识别出故障线路。

6.5 消弧线圈不同补偿度测试

消弧线圈的补偿效应会减弱谐振接地系统中故障线路零序电流的幅值。为验证该算法在消弧线圈不同补偿度情况下的适用性，假设故障接地电阻为200 Ω，故障初始角为0°，故障点设置与第5.2节一致。设置不同消弧线圈的补偿度，仿真结果如表5所示。

表5 消弧线圈不同补偿度的选线结果Tab.5 Line selection results with different compensation degrees of arc suppression coils%

由表5可知，在消弧线圈补偿度不同的情况下，算法具有较好的准确率。

6.6 不同神经网络故障识别结果对比

为验证本文训练集和测试集在不同神经网络下的识别情况，将相同样本依次输入至BP神经网络、径向基神经网络RBF（radial basis function）、埃尔曼神经网络Elman（Elman network），各网络在不同样本种类下的分类结果如表6所示。

表6 不同神经网路的识别结果Tab.6 Recognition results based on different neural networks%

由表6结果分析可知，BP、RBF和Elman3种神经网络的准确率因样本种类不同而有很大的差异，相比之下，本文研究的GGRU神经网络能够准确地对故障线路进行识别，具有较好的稳定性和可靠性。

7 结论

本文利用EEMD对非线性非平稳数据处理的优势，对各线路零序电流进行模态分解构成特征向量。为减少设置GRU超参数的繁琐过程，采用GWO对GRU网络的超参数进行优化。通过GGRU网络将配电网故障选线转化为多分类问题。经仿真实验验证，该方法具有以下优点。

（1）经GWO优化的GRU网络基本不受故障接地点、接地电阻和初始角度的影响。

（2）算法在噪声、故障线路数据丢失、间歇性弧光接地，以及消弧线圈不同补偿度的情况下，依然能识别故障线路。

（3）经GWO算法优化后的GRU网络在系统发生高阻接地时也能有效地识别故障线路。