基于深度学习的配网运维技术改进研究

王龙 戴兵兵 孔顺飞 龚沁宇 柏筱飞 胡海安 高萍

摘 要：为提高配网运维故障识别的准确率，结合变分模态分量（Variational Mode Decomposition，VMD）与信息熵，提出一种E-VMD配网运维故障信号特征提取方法；通过改进残差神经网络（ResNet）模型残差模块，设计了一种改进的ResNet模型；将E-VMD配网运维故障信号特征输入改进的ResNet模型中，实现配网运维故障的准确识别。仿真结果表明，所提方法可准确识别配网运维的单相接地、两相短路、三相短路故障，平均识别准确率达到100%，平均精确率为99.59%，平均召回率为100%，平均F1值为99.88%。相较于KNN模型和SVM模型，所提方法在各项性能指标上表现优异的性能，且具有良好的抗噪性能。

关键词：故障识别；配网运维；特征提取；ResNet算法；技术改进

中图分类号：TP399；TM76

文献标志码：A文章编号：1001-5922（2024）03-0173-04

Research on improvement of distribution network operation and maintenance technology based on deep learning

WANG Long，DAI Bingbing，KONG Shunfei，GONG Qinyu，BAI Xiaofei，HU Haian，GAO Ping

（State Grid Suzhou Power Supply Company，Suzhou 215000，Jiangsu，China）

Abstract：

To improve the accuracy of fault identification in distribution network operation and maintenance，a feature extraction method for E-VMD distribution network operation and maintenance fault signals was proposed by combining variational mode decomposition （VMD） and information entropy.An improved ResNet model was designed by improving the residual module of the Residual Neural Network （ResNet） model.The E-VMD distribution network operation and maintenance fault signal features were input into the improved ResNet model to achieve accurate identification of distribution network operation and maintenance faults.The simulation results showed that the proposed method could accurately identify single-phase grounding faults，two-phase short circuit faults，and three-phase short circuit faults in distribution network operation and maintenance.The average recognition accuracy reached 100%，the average accuracy was 99.59%，the average recall rate was 100%，and the average F1 value was 99.88%.Compared to the KNN model and SVM model，the proposed method exhibits excellent performance in various performance indicators and has good noise resistance.

Key words：Fault identification;distribution network operation and maintenance;feature extraction;resNet algorithm;technical improvements

配網运维故障准确识别是降低配网运维故障发生率的基础。目前，针对配网运维故障识别方法主要是基于深度学习的识别方法，如赵梓辰通过结合离散小波变换和模糊推理理论，提出一种基于深度学习的配网故障识别方法［1］；陈开等通过采用LSTM建立低压配电网告警信号分析模型，有效实现了配网运维故障的诊断与识别定位［2］；许可等通过分析主流配网故障类别，利用契比雪夫图卷积神经网络作为编码器，提出一种基于图卷积网络的配网故障识别方法［3］。通过上述研究可以发现，基于深度学习的配网故障识别方法在配网运维故障中取得了良好的成果，但郑聪等人认为现有方法在配网运维故障识别中的准确率仍有待进一步提高［4］。基于此，研究在采用深度学习算法的基础上，首先采用VMD算法对配网运维故障信号进行分解，然后基于信息熵对故障特征进行提取，最后采用改进的ResNet模型进行分类识别，以提高配网运维故障识别的准确率。

1 基本算法

1.1 VMD算法

VMD是一种时频分析方法，通过将输入信号x（t）分解为K个本征模态函数fBi，可将复杂信号分解成多个单分量信号，进而实现特征的提取，如式（1）［5］：

x（t）=∑mi=1fBi+∑Ki=m+1fBi+γ（t）  （1）

式中：m为低频有效分量的个数；γ（t）为其余分量。

然后，将模态函数fBi按照频率大小从低到高排列，可得到重构信号y～（t）［6］：

y～（t）=∑mi=1fBi

（2）

配网运维中，由于故障数据信号模态复杂，且具有非线性和非平稳的特点，研究采用VMD算法对该复杂信号进行分解［7］。

1.2 信息熵

信息熵是信息论中信息量的统计表述，其基本定义如式（3）［8］：

H（k）=－∑Nk=1pklog2（pk）（3）

式中：H（k）为信息熵；pk表示时间k的发生概率；N为类别数目。

基于信息熵，可有效描述配网运维故障信号的不确定性，故研究在VMD算法分解的信号特征基础上，利用信息熵进一步提取配网运维故障信号特征，并提出E-VMD配网运维故障特征提取方法。

1.3 ResNet模型

ResNet模型的核心组成部分是残差模块，其主要思路是将模块输入与模块输出相加，以保证模型增加残差模块后输出结果与增加残差模块前接近［11］。残差模块的实现分为两种情况，一是采用Hadamard积运算将卷积块输出与输入相加，构成残差块，这类情况适用于模型卷积块输入与输出形状一致；二是引入一个卷积核大小为1×1的卷积层对输入形状进行调整再相加，构成残差块，这类情况适用于模型卷积块输入与输出形状不一致。2种情况下残差模块的结构分别如图1（a）和图1（b）［12-13］。

ResNet模型具有优异的分类性能，被广泛应用于图像分类、目标检测和故障诊断领域。因此，研究选用该模型作为配网运维故障识别的基础模型。同时，为尽可能多的学习有效特征，提高ResNet模型对配网运维故障的识别准确率，研究对ResNet模型的残差模块进行了改进。

改进的ResNet模型残差模块结构如图2（a）所示。基于该残差模块，本文将ResNet模型结构设计为图2（b）所示。

首先，为实现数据特征压缩，利用放行卷积核提取数据特征。然后，为扩大特征的感受野，采用多种不同尺寸的横向和纵向卷积核提取特征。最后，为避免模型过拟合，引入“快捷链接”分支增强特征表征能力。

2 基于深度学习的配网运维识别

基于上述算法，为实现配网运维故障识别，研究首先结合信息熵与VMD算法，提出一种E-VMD特征提取方法，并利用E-VMD对采集的配网运维故障数据进行特征提取，然后采用改进的ResNet模型进行分类，即可实现配网运维故障识别。

（1）数据采集与预处理。收集整理配网运维故障数据，同时考虑到数据量纲不同，采用归一化方式对数据进行处理；

（2）故障特征提取。采用VMD分解预处理后的信号并选取前K个频带分量重构成放大的故障特征，然后在各频带上基于信息熵对故障特征进行提取；

（3）改进ResNet训练。将通过特征提取的数据输入改进ResNet模型中进行训练，待其预测输出与实际输出误差小于设定误差，或达到最大迭代次数时，保存模型。反之调整模型的权重偏差，继续训练；

（4）故障识别。将测试数据集输入保存的改进的ResNet模型中进行学习，其输出结果即为配网运维故障识别结果。

上述流程可用图3示意。

3 仿真实验

3.1 实验环境搭建

实验基于TensorFlow深度学习框架搭建所提模型，基于Python语言搭建网络，并在64位Windows10操作系统上运行。系统配置Intel 酷睿 i7 8700K CPU，NVIDIA RTX 3070Ti GPU。

3.2 数据来源及预处理

实验选用自主采集的配网运维中变压器10 kV侧的单相接地故障信号、二相短路故障信号、三相短路故障信号数据作为实验数据，共10 000个实验数据。考虑到采集的数据集中不同变量的量纲不同，为避免其对配网运维故障识别结果的影响，实验前对所有数据进行了归一化处理，归一化公式如式（4）［14］：

X=x－xminxmax－xmin（4）

式中：x、X分别表示归一化前后的数据；xmax、xmin分别表示归一化前数据的最大值和最小值。

为满足所提模型训练需求，将归一化后的数据按3∶1比例划分为训练集和测试集。

3.3 评价指标

实验选用准确率、精确率、召回率、F1值作为评估所提模型性能的指标，其计算方法［15-18］如下：

准确率=TP+TNTP+TN+FP+FN（5）

精准率=TPTP+FP（6）

召回率=TPTP+FN（7）

准确率=2×精确率×召回率精确率+召回率（8）

式中：TP表示真正例；TN表示真负例；FP表示假正例；FN表示假负例。

3.4 参数设置

本次实验设置所提模型的批处理大小为64，迭代批次为10，通过Adam算法进行优化［19］。

3.5 结果与分析

3.5.1 模型验证

为验证所提模型采用改进ResNet的有效性，研究分析了ResNet改進前后模型的识别准确率，结果如图3所示。

由图3可知，相较于改进前，改进后的ResNet识别准确率更高。由此说明，本文对ResNet的改进有效，一定程度上可提高所提模型对配网运维故障的识别准确率。

3.5.2 模型对比

为验证所提模型对配网运维故障识别的有效性，研究对比了所提模型与常用故障识别模型KNN（k-nearest neighbor）模型、SVM（support vector machine）模型，对不同配网运维故障的识别效果，结果如表1所示。

由表1可知，不同模型对配网运维故障的识别效果不同，其中，所提模型对配网运维单相接地故障、二相短路故障、三相短路故障的识别准确率、精确率、召回率和F1值均高于对比模型，平均识别准确率为100%，平均精确率为99.59%，平均召回率为100%，平均F1值为99.88%；相较于KNN模型和SVM模型，所提模型的各项性能指标均得到了不同程度的提升。

3.5.3 实例验证

为检验所提模型在实际配网运维中的故障识别效果，研究结合配网运行故障采集装置实际情况，接收的信号中包含有用信号和噪声信号，在实验数据中添加了10 dB的噪声模拟实际配网运维，并采用所提模型进行故障识别，结果如表2所示。

由表2可知，所提模型具有良好的抗噪性能，在10 dB噪声干扰下仍具有良好的配网运维故障识别性能，对单相接地故障、二相短路故障、三相短路故障的平均识别准确率为90.75%、平均识别精确率为92.75%，平均召回率为92.21%，平均F1值为91.22%。

4 结语

综上所述，所提的基于深度学习的配网运维识别技术，通过利用E-VMD算法提取配网运维故障信号特征，并采用改进的ResNet模型进行分类识别，实现了配网运维故障单相接地故障、二相短路故障、三相短路故障的准确识别，平均识别准确率达到100%，平均精确率为99.59%，平均召回率为100%，平均F1值为99.88%。相较于未使用E-VMD算法进行配网运维故障信号特征提取，以及改进前ResNet模型，所提模型具有更优异的配网运维故障识别准确率；相较于常用故障识别模型KNN模型和SVM模型，所提模型在准确率、精确率、召回率和F1值各项指标上均得到了不同程度的提升，且可用于实际配网运维故障识别中，在10 dB噪声干扰下仍具有良好的配网运维故障识别性能，平均识别准确率为90.75%、平均识别精确率为92.75%，平均召回率为92.21%，平均F1值为91.22%。

【参考文献】

［1］ 赵梓辰.一种基于离散小波变换和模糊推理的配电网故障识别方法研究［J］.电子测试，2021（17）：46-49.

［2］ 陈开，付振宇，吴超成，等.基于告警信号的低压配电网故障识别与定位［J］.电子设计工程，2022，30（1）：37-40.

［3］ 许可，范馨月，张恒荣.基于图卷积网络的配电网故障定位及故障类型识别［J］.实验技术与管理，2023，40（1）：26-30.

［4］ 郑聪，周海峰，郑东强，等.基于改进多元宇宙算法的主动配电网故障定位方法研究［J］.电力系统保护与控制，2023，51（2）：169-179.

［5］ 李宏扬，高丙朋.基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测［J］.太阳能学报，2023，44（8）：292-300.

［6］ 蒋田勇，喻晨宇，黄可，等.基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法［J］.中国公路学报，2023，36（7）：158-168.

［7］ 滕陈源，丁逸超，张有兵，等.基于VMD-Informer-BiLSTM模型的超短期光伏功率预测［J］.高电压技术，2023，49（7）：2961-2971.

［8］ 赵夫群，温静.基于信息熵和改进KMC的点云简化算法［J］.测绘工程，2023，32（5）：7-12.

［9］ 段艳慧，赵学胜，彭舒.基于信息熵的GlobeLand 30和WorldCover耕地破碎区一致性分析［J］.地球信息科学学报，2023，25（5）：1027-1036.

［10］ 胥婧雯，于红，张鹏，等.基于声音与视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+SENet［J］.大连海洋大学学报，2023，38（2）：348-356.

［11］ 刘宁，孙萍，冯宇平，等.基于ResNet18与胶囊网络结合的人脸表情识别［J］.青岛科技大学学报（自然科学版），2023，44（5）：109-114.

［12］ 韩争杰，牛荣军，马子魁，等.基于注意力机制改进残差神经网络的轴承故障诊断方法［J］.振动与冲击，2023，42（16）：82-91.

［13］ 蒋尚俊，易辉，李红涛，等.基于迁移学习与ResNet的太阳电池缺陷检测方法［J］.太阳能学报，2023，44（7）：116-121.

［14］ 刘永波，高文波，何鹏，等.基于改进ResNet50模型的自然环境下苹果物候期识别［J］.智慧农业（中英文），2023，5（2）：13-22.

［15］ 单巍，董璇，龚佳佳，等.基于Resnet18网络的红外图像行人危险动作识别［J］.河北师范大学学报（自然科学版），2023，47（3）：245-250.

［16］ 胥婧雯，于红，张鹏，等.基于声音与视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+SENet［J］.大连海洋大学学报，2023，38（2）：348-356.

［17］ 张文景，蒋泽中，秦立峰.基于弱监督下改进的CBAM-ResNet18模型识别苹果多种叶部病害［J］.智慧农业（中英文），2023，5（1）：111-121.

［18］ 汤武初，吕亚博，刘佳彬，等.基于特征融合和ResNet的滚动轴承故障诊断［J］.机电工程，2023，40（8）：1167-1175.

［19］ 莫海城.基于等值网络模型的电子设备故障智能分析诊断技术［J］.粘接，2023，50（9）：192-196.

［20］ 孙玉泰，谢占兰.基于粒子滤波状态估计的HGIS设备SF6气体故障诊断［J］.粘接，2023，50（7）：145-149.

收稿日期：2023-11-22；修回日期：2024-02-21

作者簡介：王 龙（1990-），男，硕士，工程师，研究方向：车辆设备管理；E-mail：wanglong_nuaa@126.com。

基金项目：浙江省科技厅“尖兵”“领雁”研发攻关计划项目（项目编号：2022C01SA371625）。

引文格式：

王 龙，戴兵兵，孔顺飞，等.基于深度学习的配网运维技术改进研究［J］.粘接，2024，51（3）：173-176.