基于雙向LSTM和注意力機(jī)制的輸電線路故障判別方法

李臨風(fēng)，饒丹，樊瑞，張恒，王軍，羅華煜，劉拯，徐廣輝

(國(guó)電南瑞科技股份有限公司，江蘇 南京 211106)

我國(guó)的輸電線路跨度大，距離遠(yuǎn)，發(fā)生故障后，為了盡快消除故障并恢復(fù)線路電力，需要及時(shí)定位故障位置，確定故障原因[1]。巡線人員通常參考保護(hù)測(cè)距的結(jié)果，采用人工巡檢和無人機(jī)巡視的方式確認(rèn)故障位置和故障原因[2]；但保護(hù)測(cè)距的精度差，范圍大，查找故障位置效率低下。分布式故障診斷系統(tǒng)可以有效解決以上問題。

分布式故障診斷系統(tǒng)由監(jiān)測(cè)終端、中心站和用戶系統(tǒng)組成[3]。監(jiān)測(cè)終端在桿塔導(dǎo)線上全線路間隔部署，實(shí)時(shí)采集工頻和行波電流波形，以無線的方式向中心站上送數(shù)據(jù)。中心站根據(jù)首個(gè)波頭時(shí)刻，使用測(cè)距算法[4-6]定位故障的具體位置，依靠半峰時(shí)間、幅頻特性、極性辨識(shí)故障的類別，并通過用戶系統(tǒng)向檢修單位發(fā)送診斷結(jié)果和故障告警。相比原有的站內(nèi)測(cè)距裝置，分布式故障診斷系統(tǒng)縮短了區(qū)間距離，克服了波形衰減的影響，增強(qiáng)了線路參數(shù)線性度，可提高輸電線路故障定位的精度和診斷分析準(zhǔn)確度。

根據(jù)GB/T 35721—2017《輸電線路分布式故障診斷系統(tǒng)》規(guī)定，分布式故障診斷系統(tǒng)應(yīng)具備故障辨識(shí)能力，應(yīng)能辨識(shí)雷擊故障和非雷擊故障，應(yīng)能辨識(shí)雷擊故障的反擊故障和繞擊故障。由于雷擊故障的反射波的極性與雷擊電流相反，疊加后行波峰值迅速衰減，雷擊故障電流的行波半峰時(shí)間一般不超過40 μs；因此，分布式故障診斷系統(tǒng)的當(dāng)前故障判別方法利用行波的半峰時(shí)間來判斷是否發(fā)生雷擊故障。在雷擊繞擊故障中，行波電流主要是閃絡(luò)前流過故障相的雷電電流，而雷擊反擊故障中，雷電電流先流經(jīng)地線再流經(jīng)線路，行波電流包括閃絡(luò)前流過地線的雷擊電流和閃絡(luò)后的雷擊電流，二者極性相反，行波波形上產(chǎn)生反極性脈沖；因此，故障判別方法通過判斷波形的極性來區(qū)分雷擊故障的類型。除雷擊故障之外，輸電線路常見的故障是單相接地故障，由于行波采樣頻率遠(yuǎn)高于工頻采樣頻率，可以認(rèn)為單相接地故障的行波電壓基本保持恒定，波形往往階躍至峰值后緩慢衰減，波尾的長(zhǎng)度較長(zhǎng)。實(shí)際運(yùn)行過程中，分布式故障診斷系統(tǒng)采集的大多是樹障、飄掛物等引起的線路異常放電的行波數(shù)據(jù)，這部分行波的幅值較小，一般低于100 A，呈現(xiàn)高阻抗接地特征；因此，故障判別方法通過行波幅頻特性來進(jìn)一步區(qū)分不同的非雷擊故障。由于監(jiān)測(cè)終端安裝在戶外且工作環(huán)境惡劣，線路中長(zhǎng)期存在高頻干擾和較強(qiáng)噪聲，故障點(diǎn)存在反射波和雷電的干擾，以及不同線路的機(jī)械特性差異較大，導(dǎo)致當(dāng)前的故障判別方法存在準(zhǔn)確率低、通用性差的問題；所以，中心站需要經(jīng)過人工復(fù)審才能輸出判別結(jié)果。人工復(fù)審的準(zhǔn)確率嚴(yán)重依賴工作人員的專業(yè)水平和工作效率，判斷結(jié)果存在主觀性；因此，提升故障判別方法的準(zhǔn)確率和自動(dòng)化，對(duì)于輸電線路巡檢工作意義重大。

文獻(xiàn)[7]根據(jù)電流的暫態(tài)特征識(shí)別直流線路的故障，文獻(xiàn)[8]根據(jù)故障電壓的分形算法區(qū)分區(qū)內(nèi)、外故障，文獻(xiàn)[9]利用小波變換模極大值和非故障相電流小波系數(shù)能量實(shí)現(xiàn)雷擊故障和普通短路故障的識(shí)別，文獻(xiàn)[10]利用模量變換和斜率分析來識(shí)別重型、輕型直擊雷和普通短路故障，文獻(xiàn)[11]論述了利用波尾長(zhǎng)度和快速傅里葉變換(fast Fourier transform，F(xiàn)FT)頻域特征判別是否雷擊，文獻(xiàn)[12]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)辨別各類接地故障和相間故障。以上方法中，用于區(qū)分故障類型的參數(shù)值往往受到線路特性的影響，整定困難，而且只能分辨特定的幾種故障，不具有普適性。

本研究遵循深度學(xué)習(xí)理論，利用自動(dòng)化仿真技術(shù)生成多類故障行波波形數(shù)據(jù)[13-14]，經(jīng)小波變換預(yù)處理[15-17]，構(gòu)建基于雙向長(zhǎng)短期記憶(bi-directional long short-term memory，Bi-LSTM)[18]和注意力機(jī)制[19-23]的神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確地將多種故障進(jìn)行分類。最后對(duì)多種判別方法進(jìn)行實(shí)驗(yàn)并比對(duì)實(shí)驗(yàn)結(jié)果，以證明本文方法的準(zhǔn)確性和可行性。

1 波形數(shù)據(jù)預(yù)處理

為了提高神經(jīng)網(wǎng)絡(luò)的構(gòu)建速度，避免機(jī)器學(xué)習(xí)算法無法收斂，需要對(duì)波形數(shù)據(jù)進(jìn)行預(yù)處理，并定位行波的波頭時(shí)刻，為系統(tǒng)的行波測(cè)距算法提供計(jì)算依據(jù)。

首先，利用小波閾值濾噪，防止噪聲影響訓(xùn)練結(jié)果。常用的閾值函數(shù)分為軟閾值函數(shù)和硬閾值函數(shù)2種：①在硬閾值函數(shù)中，絕對(duì)值小于閾值λ的點(diǎn)會(huì)被置0，不小于閾值λ的點(diǎn)則保持原值不變。通過硬閾值函數(shù)過濾噪聲，容易引起小波系數(shù)在閾值處的不連續(xù)，導(dǎo)致波形不夠平滑。②在軟閾值函數(shù)中，絕對(duì)值小于閾值λ的點(diǎn)會(huì)被置0，不小于閾值λ的點(diǎn)則被置為該點(diǎn)值與閾值的差。通過軟閾值函數(shù)過濾噪聲，信號(hào)容易出現(xiàn)邊緣模糊等失真現(xiàn)象。

本文方法應(yīng)用軟硬閾值折中的方法濾噪，兼顧兩者的優(yōu)點(diǎn)，小波系數(shù)

(1)

式中：j為小波分解的級(jí)數(shù)；β為系數(shù)，在本文方法中，β設(shè)為0.5；wj為輸入的小波系數(shù)；sgn為符號(hào)函數(shù)。

噪聲主要分布在低尺度的小波系數(shù)中，閾值設(shè)置過小會(huì)導(dǎo)致低尺度的小波系數(shù)中噪聲沒有過濾，閾值設(shè)置過大則導(dǎo)致高尺度系數(shù)的有效信息丟失。本文方法采用的動(dòng)態(tài)閾值

(2)

式中：c1為首層小波分解系數(shù)數(shù)列；m(|c1|)表示對(duì)c1中每個(gè)靈敏求絕對(duì)值，排序后取中間值；D為信號(hào)的尺寸；φ為層數(shù)。高尺度的閾值根據(jù)層數(shù)的增大以對(duì)數(shù)形式縮小，通過這種方式，充分過濾低尺度小波系數(shù)的噪聲，保留高尺度系數(shù)的有效信息。

其次，小波變換可以用于檢測(cè)波形的突變點(diǎn)。本文方法利用小波模極大值法定位行波的波頭：選用平滑函數(shù)的一階導(dǎo)數(shù)作為小波函數(shù)，通過小波變換，獲取輸出數(shù)據(jù)的極值位置，對(duì)應(yīng)原始波形的突變點(diǎn)，即每個(gè)波頭的起始點(diǎn)。

本文方法選用Symlet小波函數(shù)對(duì)行波進(jìn)行濾噪，選用B樣條函數(shù)對(duì)行波波頭進(jìn)行定位。小波變換處理前后的波形對(duì)比如圖1所示，其中紅色標(biāo)記點(diǎn)為首波頭開始時(shí)刻。

圖1 小波變換閾值濾噪和波頭定位

由圖1可見，本文方法的小波閾值濾噪法可抑制噪聲的干擾，保留波形特征，獲取行波測(cè)距算法所需的波頭起始位置。

為了使神經(jīng)網(wǎng)絡(luò)能夠提取統(tǒng)一的行波特征，需要保證波頭極性的一致性，如果波形中首個(gè)波頭的極性為負(fù)，則將波形數(shù)據(jù)逐點(diǎn)取反，同時(shí)對(duì)各點(diǎn)數(shù)據(jù)進(jìn)行歸一化處理，按比例縮放至0～1的值，統(tǒng)一量綱，加快模型收斂。

2 神經(jīng)網(wǎng)絡(luò)

近年來，神經(jīng)網(wǎng)絡(luò)由于具有強(qiáng)大的非線性擬合能力，被廣泛應(yīng)用于電力系統(tǒng)的各類場(chǎng)景。LSTM屬于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)，是以序列數(shù)據(jù)為輸入、在序列的演進(jìn)方向進(jìn)行遞歸的常用神經(jīng)網(wǎng)絡(luò)，常被應(yīng)用于機(jī)器翻譯、語音識(shí)別等時(shí)序信號(hào)的處理。行波波形屬于強(qiáng)時(shí)序信號(hào)，其前后數(shù)據(jù)具有極大的關(guān)聯(lián)性；因此，本文方法采用LSTM來提取行波的波形特征，構(gòu)建分類的神經(jīng)網(wǎng)絡(luò)。

圖2 LSTM結(jié)構(gòu)

LSTM在RNN的基礎(chǔ)上引入了門結(jié)構(gòu)，門由sigmoid神經(jīng)網(wǎng)絡(luò)和矩陣點(diǎn)乘運(yùn)算構(gòu)成，它可以選擇性地讓信息通過。每個(gè)LSTM單元中包含遺忘門、輸入門和輸出門，圖2中的fn、in和on分別為時(shí)刻n的遺忘門、輸入門和輸出門的結(jié)果，計(jì)算如下：

fn=σ(Wf·[hn-1,xn]+bf)，

(3)

in=σ(Wi·[hn-1,xn]+bi)，

(4)

(5)

(6)

on=σ(Wo·[hn-1,xn]+bo)，

(7)

hn=on*tanh(Cn).

(8)

式(3)—(8)中：[…,…]表示2個(gè)向量合并；“*”表示相同形狀向量的對(duì)應(yīng)元素相乘；Wf、Wi、Wc和Wo為權(quán)重矩陣；bf、bi、bc和bo為權(quán)重偏置。

LSTM通過門結(jié)構(gòu)保留了上一個(gè)時(shí)刻的部分信息，解決了RNN的梯度消失和爆炸的問題。

為了同時(shí)捕獲前后數(shù)據(jù)有價(jià)值的信息特征，本文方法使用2層相反方向的LSTM神經(jīng)網(wǎng)絡(luò)，捕捉雙向序列關(guān)系，這種結(jié)構(gòu)稱為Bi-LSTM。Bi-LSTM的輸出

Hn=[hf,n,hb,n].

(9)

式中：hf，n為前向LSTM層的輸出；hb，n為后向LSTM層的輸出。

行波的不同區(qū)域?qū)Σㄐ巫R(shí)別準(zhǔn)確率的影響有較大差別，運(yùn)維人員在判別行波類型的時(shí)候，往往更關(guān)注于行波的部分區(qū)域，比如波頭和波尾等。為了模擬人工判別行波的行為特征，提高神經(jīng)網(wǎng)絡(luò)對(duì)關(guān)鍵波形段的關(guān)注度，本文方法引入注意力機(jī)制。

注意力機(jī)制需要根據(jù)不同時(shí)刻波形的重要程度分配注意力權(quán)重，所以在神經(jīng)網(wǎng)絡(luò)中增加了隱藏層單元un，

un=tanh(WuHn+bu).

(10)

式中：Wu為隱藏層單元的權(quán)重；bu為隱藏層單元的權(quán)重偏置。利用均勻分布隨機(jī)的方法對(duì)參數(shù)矩陣Wu進(jìn)行參數(shù)初始化，以上一層的輸出向量Hn作為輸入，通過tanh激活函數(shù)獲得un。

將轉(zhuǎn)置的un與權(quán)重矩陣Wa的點(diǎn)積結(jié)果輸入至softmax激活函數(shù)fsoftmax進(jìn)行歸一化處理，獲取注意力向量an，

(11)

利用注意力向量an對(duì)行波不同時(shí)刻的時(shí)序特征分配權(quán)重，并加權(quán)求和，輸出狀態(tài)向量v，

(12)

式中N為行波數(shù)據(jù)按時(shí)刻分段的數(shù)量。

在神經(jīng)網(wǎng)絡(luò)上接入維數(shù)與分類數(shù)相同的全連接層，并利用softmax分類網(wǎng)絡(luò)生成(0,1)區(qū)間的類別概率分布的一維向量y，作為神經(jīng)網(wǎng)絡(luò)的最終輸出，

y=fsoftmax(Wyv+by).

(13)

式中：Wy為全連接層的權(quán)重；by為全連接層的權(quán)重偏置。

引入了注意力機(jī)制的Bi-LSTM(Bi-LSTM-attention)神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖3所示：輸入層從行波數(shù)據(jù)中截取分段數(shù)據(jù)，并將分段數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，Bi-LSTM層提取行波波形各個(gè)分段的特征，注意力機(jī)制層分配權(quán)重，最后由輸出層生成分類的概率結(jié)果。圖3中x1、x2……xN為分段數(shù)據(jù)，Cf，0、Cf，1……Cf，N-1為前向LSTM層的細(xì)胞狀態(tài)，Cb，1、Cb，2……Cb，N為后向LSTM層的細(xì)胞狀態(tài)。

圖3 Bi-LSTM-attention神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 方法實(shí)現(xiàn)

3.1 方法流程

本文方法所采用的故障判別方法流程如圖4所示。

圖4 故障判別方法流程

首先，通過故障仿真補(bǔ)充訓(xùn)練所需的行波數(shù)據(jù)；然后，經(jīng)過數(shù)據(jù)預(yù)處理(包括小波濾噪、歸一化、統(tǒng)一極性等步驟)獲取行波數(shù)據(jù)集；其次，將數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，利用測(cè)試數(shù)據(jù)集評(píng)估本文方法的性能；最后，將訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)部署在分布式故障診斷系統(tǒng)中，該神經(jīng)網(wǎng)絡(luò)可以結(jié)合系統(tǒng)的實(shí)際行波數(shù)據(jù)繼續(xù)訓(xùn)練，并根據(jù)終端上送的行波數(shù)據(jù)快速判別故障類型。

3.2 故障仿真

在分布式故障診斷系統(tǒng)的實(shí)際運(yùn)行過程中，終端采集上送的行波波形大部分是線路短暫的異常放電波形，這類故障通常不會(huì)引起線路的嚴(yán)重故障，而雷擊、接地故障等重要故障類別的行波數(shù)目較少，無法滿足訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)量要求。為了避免訓(xùn)練數(shù)據(jù)不平衡，本文方法利用電磁暫態(tài)仿真軟件PSCAD/EMTDC 4.6仿真故障波形文件。仿真軟件中系統(tǒng)如圖5所示，本文方法建立了多條220 kV輸電線路的仿真模型，并針對(duì)線路常見的幾種故障(雷擊繞擊故障、雷擊反擊故障、單相接地故障)進(jìn)行仿真。

圖5 線路故障的PSCAD仿真

雷擊故障中，輸電線路的結(jié)構(gòu)參數(shù)(包括線路高度、分裂導(dǎo)線、接地電阻)會(huì)對(duì)故障波形產(chǎn)生影響，所以本文方法選用暫態(tài)分析中精確度最高的頻率相關(guān)模型，模型包含3條導(dǎo)線和2條避雷線。雷擊脈沖采用雙指數(shù)函數(shù)波形，即

Is=I(e-αt-e-δt).

(14)

式中：Is為雷電電流；I為雷電的電流幅值；α、δ均為時(shí)間常數(shù)，由波頭時(shí)間和半峰值時(shí)間確定；t為雷擊后的時(shí)長(zhǎng)。

為了模擬雷電波在桿塔間的折反射和反擊繞擊，在線路中增加了上字型桿塔的仿真模型。

將模型的對(duì)地阻抗設(shè)置成高阻抗值，并將雷擊脈沖模型的輸出與桿塔的避雷線模型連接，由此模擬雷電電流通過避雷線流經(jīng)桿塔傳至地面，又因?qū)Φ刈杩惯^大而反射進(jìn)入線路形成的雷擊反擊行波；將雷擊脈沖模型的輸出與輸電導(dǎo)線模型相連，由此模擬雷擊電流繞過避雷線直接流入線路形成的雷擊繞擊行波電流；在單相導(dǎo)線上加入接地故障，由此模擬線路的單相接地故障。由于實(shí)際系統(tǒng)中分布式故障診斷終端使用的高速采樣芯片AD7626的采樣頻率為10 MHz，上送的行波數(shù)據(jù)的采樣時(shí)長(zhǎng)為1 200 μs，為了與實(shí)際系統(tǒng)保持一致，仿真的采樣頻率同樣設(shè)置為10 MHz，仿真時(shí)長(zhǎng)為1 200 μs，故障時(shí)間為仿真開始后100 μs。

經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)：在一定范圍內(nèi)手動(dòng)修改模型的部分參數(shù)，會(huì)引起故障行波發(fā)生形變，但不會(huì)改變故障的性質(zhì)；僅通過手動(dòng)修改模型的參數(shù)，無法在短時(shí)間內(nèi)獲取足夠的仿真波形數(shù)據(jù)。

為了獲取訓(xùn)練所需的波形，本文利用Python程序自動(dòng)生成批量的仿真波形：首先，選取故障相別、線路阻抗、接地阻抗、脈沖電流幅值、脈沖持續(xù)時(shí)間、初始相位和負(fù)荷等多個(gè)線路參數(shù)作為變量，通過建模經(jīng)驗(yàn)和手動(dòng)調(diào)試確定各參數(shù)合理的上下限和中值，生成符合正態(tài)分布變化的單維度的參數(shù)值序列，依次組合各維度的參數(shù)值序列生成參數(shù)組，從而獲取仿真所需的樣本參數(shù)組的集合；然后，基于PSCAD工程文件可讀可修改的特點(diǎn)，利用Python程序根據(jù)樣本參數(shù)組集合的數(shù)值自動(dòng)替換工程文件中對(duì)應(yīng)的線路參數(shù)，再通過PSCAD提供的Python API、自動(dòng)載入工程文件進(jìn)行仿真，并將仿真過程記錄的線路電流數(shù)據(jù)保存至.out文件；最后，從.out文件中讀取波形數(shù)據(jù)，轉(zhuǎn)化成標(biāo)準(zhǔn)格式的行波波形文件。

3.3 訓(xùn)練過程和結(jié)果分析

從分布式故障診斷系統(tǒng)的后臺(tái)中，按雷擊繞擊、雷擊反擊、異常放電、短路4種故障類型分別選取1 200個(gè)行波波形作為測(cè)試集。因后臺(tái)積累的雷擊和短路行波波形數(shù)據(jù)量不足，所以利用仿真生成的行波數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)集補(bǔ)齊至12 000個(gè)波形。在訓(xùn)練開始之前，通過小波變換對(duì)波形進(jìn)行預(yù)處理。

由于線路的折反射作用，1個(gè)行波數(shù)據(jù)中通常會(huì)有多個(gè)波頭，又由于終端最高采樣頻率為10 MHz，行波故障的波頭到波尾周期通常小于60 μs；所以，神經(jīng)網(wǎng)絡(luò)的輸入層截取了行波數(shù)據(jù)中每個(gè)波頭前后的采樣數(shù)據(jù)(波頭前100個(gè)采樣點(diǎn)，波頭后500個(gè)采樣點(diǎn))，將12 000個(gè)采樣點(diǎn)轉(zhuǎn)化成600×N型的波形分段矩陣。神經(jīng)網(wǎng)絡(luò)的輸出層將分類標(biāo)簽轉(zhuǎn)換為獨(dú)熱編碼的矩陣類型，方便后續(xù)輸出故障類型的判別結(jié)果。

本文方法選擇了基于梯度下降法的Adam(adaptive momentum estimation)優(yōu)化器作為網(wǎng)絡(luò)求解的最優(yōu)方法，損失函數(shù)采用交叉熵函數(shù)，批量大小設(shè)置為128，訓(xùn)練迭代次數(shù)設(shè)置為50次，每一輪迭代之前，會(huì)重新打亂訓(xùn)練集的順序。

在訓(xùn)練迭代過程中，神經(jīng)網(wǎng)絡(luò)常采用損失值來量化自身的分類性能，損失值

(15)

式中：M為隨機(jī)樣本的數(shù)量(本文中的隨機(jī)樣本即故障行波)；L為待分類的類別數(shù)目；ril表示第i個(gè)隨機(jī)樣本的分類是否準(zhǔn)確，即l是否為第i個(gè)隨機(jī)樣本的真實(shí)類別；pil為第i個(gè)隨機(jī)樣本是否屬于類別l的概率值。訓(xùn)練模型的主要目標(biāo)是通過不同的優(yōu)化方法來改變模型中的向量值，從而最小化模型的損失值。

利用argmax函數(shù)fargmax從第i個(gè)隨機(jī)樣本的計(jì)算結(jié)果向量yi中取概率最大的索引，即為該隨機(jī)樣本的判別類別。判別類別與實(shí)際類別Ri相同的概率，稱之為準(zhǔn)確率，即正確分類的樣本數(shù)量除以全部樣本的數(shù)量M。準(zhǔn)確率

(16)

式中F為指示函數(shù)，輸入為真時(shí)取值為1，輸入為假時(shí)取值為0。

網(wǎng)絡(luò)訓(xùn)練框架為基于Python3.7.9的tensorflow 2.3.0，訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)的損失值和準(zhǔn)確率的變化曲線如圖6所示。從圖6變化趨勢(shì)可以看出，訓(xùn)練集和測(cè)試集的損失值都在縮小，準(zhǔn)確率都在同步提升，直至趨于穩(wěn)定，證明網(wǎng)絡(luò)訓(xùn)練是非常有效的。

圖6 神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率和損失率曲線

注意力層的權(quán)重分配如圖7所示，其中位置是指維度與波形分段矩陣行數(shù)相同的注意力向量中各數(shù)據(jù)的位置。圖7證明了注意力機(jī)制加強(qiáng)了關(guān)鍵時(shí)刻的權(quán)重，弱化了相關(guān)性不大的波形起伏對(duì)判別結(jié)果的影響。

圖7 注意力機(jī)制的權(quán)重分配

為了準(zhǔn)確評(píng)估神經(jīng)網(wǎng)絡(luò)對(duì)各類故障的辨識(shí)能力，利用測(cè)試集制作了本文方法和常規(guī)方法故障判別結(jié)果(見表1)，方便觀察各類故障的識(shí)別率。表1中每一列表示故障波形的判別分類結(jié)果，對(duì)角線代表各類故障的正確判別數(shù)。

表1 2種算法的故障判別結(jié)果比較

由表1可見，相較于根據(jù)半峰時(shí)間、幅頻特性、極性辨識(shí)故障的常規(guī)方法，模型對(duì)雷擊繞擊故障和異物放電故障的識(shí)別準(zhǔn)確率較高，對(duì)于雷擊反擊和短路故障會(huì)有誤判，但也與平均準(zhǔn)確率接近。

3.4 方法性能評(píng)估

為了測(cè)試和對(duì)比多種神經(jīng)網(wǎng)絡(luò)的優(yōu)劣，本文方法采用同樣的數(shù)據(jù)集和訓(xùn)練流程構(gòu)建LSTM和Bi-LSTM神經(jīng)網(wǎng)絡(luò)，并利用這些神經(jīng)網(wǎng)絡(luò)對(duì)相同測(cè)試集進(jìn)行故障判別，最后計(jì)算并對(duì)比各類神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確率。

從表2的測(cè)試集內(nèi)準(zhǔn)確率數(shù)據(jù)可以看出，應(yīng)用深度神經(jīng)網(wǎng)絡(luò)能夠明顯改善故障判別的性能，本文提出的采用Bi-LSTM和注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)，在測(cè)試集內(nèi)表現(xiàn)良好，較原有的常規(guī)判別方法提升了9.85%的準(zhǔn)確率。

表2 不同方法在測(cè)試集內(nèi)的準(zhǔn)確率

由于分布式故障診斷系統(tǒng)收集的行波數(shù)據(jù)與訓(xùn)練集、測(cè)試集的行波數(shù)據(jù)有一定差異，實(shí)際系統(tǒng)的行波數(shù)據(jù)存在不同地域的行波差異大、波形噪聲干擾大、數(shù)據(jù)不平衡等問題，所以將上述4種方法以應(yīng)用的形式部署在分布式故障診斷系統(tǒng)中運(yùn)行，并結(jié)合實(shí)際的行波數(shù)據(jù)進(jìn)一步訓(xùn)練各類神經(jīng)網(wǎng)絡(luò)，辨識(shí)系統(tǒng)實(shí)時(shí)波形的故障類別，驗(yàn)證本文方法在實(shí)際系統(tǒng)中是否可用。

各種方法的準(zhǔn)確率數(shù)據(jù)見表3。本文所提的方法準(zhǔn)確率為96.79%，較原有的常規(guī)方法提升了13.70%，較LSTM神經(jīng)網(wǎng)絡(luò)提升了2.51%，較Bi-LSTM神經(jīng)網(wǎng)絡(luò)提升了1.37%。實(shí)際應(yīng)用的結(jié)果表明，注意力機(jī)制加強(qiáng)了神經(jīng)網(wǎng)絡(luò)對(duì)關(guān)鍵波段特征的提取能力，在分布式故障診斷系統(tǒng)的實(shí)際行波數(shù)據(jù)集上表現(xiàn)出更強(qiáng)的泛化能力，有效地提升了系統(tǒng)故障判別的準(zhǔn)確率。

表3 不同方法在分布式故障診斷系統(tǒng)中的準(zhǔn)確率

4 結(jié)束語

本文方法基于小波變換濾噪和深度神經(jīng)網(wǎng)絡(luò)的原理，利用PSCAD/EMTDC的自動(dòng)化仿真技術(shù)生成行波，構(gòu)建了一種基于Bi-LSTM和注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)。通過比對(duì)測(cè)試和實(shí)際應(yīng)用實(shí)踐證明，本文方法可以根據(jù)行波波形數(shù)據(jù)自動(dòng)判別輸電線路故障的類型，無需人工提取波形數(shù)據(jù)的特征，具有較高的判別準(zhǔn)確率和實(shí)用性。