电气技术

y_OEM	y_DEM	结果
故障	故障	故障（可靠）
非故障	非故障	非故障（可靠）
故障	非故障	不可靠
非故障	故障	不可靠

y_OEM	y_DEM	结果
故障	故障	故障（可靠）
非故障	非故障	非故障（可靠）
故障	非故障	不可靠
非故障	故障	不可靠

线路类型	序分量	电阻值/ (Ω/km)	电感值/ (mH/km)	电容值/ (μF/km)
架空线路	正序	0.170 0	1.200 0	0.009 7
零序	0.230 0	5.480 0	0.006 0
电缆线路	正序	0.270 0	0.255 0	0.339 0
零序	2.700 0	1.019 0	0.280 0

线路类型	序分量	电阻值/ (Ω/km)	电感值/ (mH/km)	电容值/ (μF/km)
架空线路	正序	0.170 0	1.200 0	0.009 7
零序	0.230 0	5.480 0	0.006 0
电缆线路	正序	0.270 0	0.255 0	0.339 0
零序	2.700 0	1.019 0	0.280 0

样本类型	初相位	故障电阻	仿真模型	样本数
高阻接地	0°, 30°, 60°, 90°, 120°, 150°	300Ω~3kΩ	Emanuel	1 613
电容投切		三相电容器	690
负荷投切	不平衡负载	690
励磁涌流	空载变压器	507

样本类型	初相位	故障电阻	仿真模型	样本数
高阻接地	0°, 30°, 60°, 90°, 120°, 150°	300Ω~3kΩ	Emanuel	1 613
电容投切		三相电容器	690
负荷投切	不平衡负载	690
励磁涌流	空载变压器	507

实际标签	预测标签
HIF	TN	FP	UC
非故障	FN	TP

实际标签	预测标签
HIF	TN	FP	UC
非故障	FN	TP

模型	平均检测时间/ms	P_FD/%	P_FA/%	准确率/%
XGBC (T=6.25ms)	6.250	3.03	2.86	97.07
Catboost (T=6.25ms)	6.250	2.88	2.74	97.20
CNN (T=6.25ms)	6.250	2.27	2.02	97.87
GRU (T=6.25ms)	6.250	1.97	2.42	98.07
XGBC (T=10ms)	10.000	1.82	1.91	98.13
Catboost (T=10ms)	10.000	1.52	1.55	98.47
CNN (T=10ms)	10.000	1.37	1.55	98.53
GRU (T=10ms)	10.000	0.91	0.83	99.13
本文模型	3.905	0.15	1.43	99.13

模型	平均检测时间/ms	P_FD/%	P_FA/%	准确率/%
XGBC (T=6.25ms)	6.250	3.03	2.86	97.07
Catboost (T=6.25ms)	6.250	2.88	2.74	97.20
CNN (T=6.25ms)	6.250	2.27	2.02	97.87
GRU (T=6.25ms)	6.250	1.97	2.42	98.07
XGBC (T=10ms)	10.000	1.82	1.91	98.13
Catboost (T=10ms)	10.000	1.52	1.55	98.47
CNN (T=10ms)	10.000	1.37	1.55	98.53
GRU (T=10ms)	10.000	0.91	0.83	99.13
本文模型	3.905	0.15	1.43	99.13

时间窗/ms	不确定样本数	正确结果数	误判数	准确率/%
3.75	100	1 396	4	99.71
5.00	45	1 447	8	99.45
6.25	19	1 472	9	99.39
7.50	11	1 477	12	99.19
8.75	11	1 477	12	99.19
10.00	0	1 487	13	99.13

时间窗/ms	不确定样本数	正确结果数	误判数	准确率/%
3.75	100	1 396	4	99.71
5.00	45	1 447	8	99.45
6.25	19	1 472	9	99.39
7.50	11	1 477	12	99.19
8.75	11	1 477	12	99.19
10.00	0	1 487	13	99.13

基于时序自适应方法的配电网高阻接地故障检测模型

PDF下载

林系紊 , 林建新

电气技术 | 研究与开发 2025,26(4): 7-12

收起

电气技术 | 研究与开发 2025, 26(4): 7-12

基于时序自适应方法的配电网高阻接地故障检测模型

全屏

林系紊, 林建新

作者信息

福建省新能源发电与电能变换重点实验室（福州大学电气工程与自动化学院），福州 350108

林系紊（1999—），男，福建省福鼎市人，硕士研究生，主要研究方向为配电网高阻接地故障深度学习检测。

Sequence-adaptive high impedance fault detection model

Xiwen LIN, Jianxin LIN

Affiliations

Fujian Key Laboratory of New Energy Generation and Power Conversion (College of Electrical Engineering and Automation, Fuzhou University), Fuzhou 350108

出版时间: 2025-04-15

文章导航

摘要

收起

高阻接地故障（HIF）的故障电流幅值较小且易与开关事件混淆，导致HIF检测难度较大。现有研究主要基于固定时间窗口的数据进行检测，往往难以兼顾HIF检测准确性和快速性。鉴于此，本文提出一种时序自适应HIF检测模型。首先，将故障馈线的零序电流数据制成变长数据训练集；然后，结合代价敏感系数法，利用变长数据训练门控循环单元（GRU）模型，使模型具有倾向性；最后，将两个倾向性相反的GRU模型集成为一个组合模型进行HIF检测。在PSCAD/EMTDC仿真平台的测试结果表明，本文所提HIF检测模型的检测准确率可以达到99.13%，且检测速度相对于固定时间窗口的方法提高了至少37.52%。本文方法通过延迟决策提高了HIF检测的准确性，并降低了因不及时检测导致伤害的风险。

关键词

代价敏感 / 时序自适应 / 高阻接地故障（HIF） / 变分模态分解（VMD）

Abstract

收起

High impedance fault (HIF) is difficult to detect because of the low fault current amplitude and they can be easily confused with switching events. Existing HIF detection methods mainly rely on fixed time-window data. However, a fixed decision time often fails to balance the accuracy and speed of HIF detection. Thus, a sequence-adaptive HIF detection model is proposed in this paper. Firstly, zero-sequence current data of the faulty feeder are processed into variable-length training set. Then, a gated recurrent unit (GRU) model is trained based on variable-length data and cost-sensitive coefficient method to construct biased models. Two GRU models with opposite propensities are combined into an evaluation model. The test results on the PSCAD/EMTDC simulation platform show that the detection accuracy rate of this proposed model can reach 99.13%, and the detection speed is improved by at least 37.52% compared to the fixed time-window method. Delayed decision-making improves the accuracy of HIF detection and reduces the risk of harm.

Key words

cost-sensitive / sequence-adaptive / high impedance fault (HIF) / variational mode decomposition (VMD)

引用本文

林系紊, 林建新. 基于时序自适应方法的配电网高阻接地故障检测模型. 电气技术, 2025 , 26 (4) : 7 -12 .

Xiwen LIN, Jianxin LIN. Sequence-adaptive high impedance fault detection model[J]. Electrical Engineering, 2025 , 26 (4) : 7 -12 .

正文

收起

0 引言

收起

中压配电网结构复杂，与居民区紧密相连。由于运行条件恶劣^[1]，中压配电网容易发生高阻接地故障（high impedance fault, HIF）。当架空线路的导线断裂或下垂触碰到具有高阻抗特性的材料表面（如沙土、草地和树枝等）时，就会发生高阻接地故障，其产生的燃弧和击穿现象^[2]会释放大量能量，可能引发火灾和人身触电事故^[3]。高阻接地故障的故障电流具有幅值小、非线性的特点，因此高阻接地故障相对于其他接地故障更难检测。

对于高阻接地故障，现有的一些传统HIF识别方法主要基于HIF波形的零序分量^[4]、电流各次分量^[5]或波形特征^[6]、波形畸变^[7]来进行故障特征分析和判据构造，通过设置阈值或指标进行HIF识别。然而，传统方法对暂态特征的提取能力较弱，阈值和指标的选择灵活性差且极度依赖人工经验。当故障电阻较大时，故障电流的幅值非常小，仅依赖单一阈值很难区分HIF和正常运行工况。

近年来，人工智能和深度学习技术迅速发展。深度学习凭借强大的特征提取能力和对复杂情况的适应能力，被应用于配电网故障检测中。现有机器学习检测方法的主要思路为：首先对故障信号进行特征提取，然后将故障特征输入机器学习算法进行分类。特征提取方法包括离散小波变换（discrete wavelet transform, DWT）^[8]、连续小波变换^[9]、经验模态分解（empirical mode decomposition, EMD）^[6]、S变换^[10]等。早期的机器学习检测算法主要基于浅层学习技术，如K最邻近算法（k-nearest neighbor, KNN）^[11]、支持向量机（support vector mechine, SVM）^[12]、随机森林（random forest, RF）^[13]等。

现有的检测方法主要采用固定时间延迟，这种方法并不适用于所有故障。在本文中，电流幅值较小的HIF被定义为临界故障，其他故障被定义为非临界故障。非临界故障的电流较大，因此热量积累更迅速，即使决策时间较短，也能实现快速检测。与非临界故障相比，HIF电流与开关事件电流相似，因此临界故障的特征在早期并不明显，检测结果可靠性不足。此外，HIF电流较弱，在短期内造成的损害有限，因而允许更长的检测时间，以便捕获更多故障信息，实现更精准的评估。综上所述，不同严重程度的故障需要采用不同的检测时间，以确保故障检测的准确性和快速性。

为了解决上述问题，本文提出一种基于时序自适应方法和代价敏感系数（cost-sensitive coefficient, CSC）法的配电网高阻接地故障检测模型，该模型兼顾检测准确性和速度，可以根据故障的严重程度自适应地检测HIF：对于特征明显的故障，采用短时间评估；对于特征不明显的故障，通过延长采样时间来提高检测准确性。

1 时序自适应高阻接地故障检测模型

收起

1.1 门控循环单元模型

门控循环单元（gated recurrent unit, GRU）是传统循环神经网络（recurrent neural network, RNN）的一个变体。GRU可以缓解梯度消失问题，优化训练速度，降低过拟合的风险，从而提高HIF检测的准确性。在HIF的时序数据处理中，不同时刻的序列特征具有相关性，因此本文采用GRU作为基分类器来探索时间序列数据内部的相关性。

1.2 评估模型

单一检测模型的泛化性较弱，容易出现过拟合的情况，集成模型的检测准确性和泛化性比单一模型更优。为了区分临界情况和非临界情况，基于集成学习训练一个高可靠性评估模型。一个样本的可靠性评估结果基于基础模型预测结果重叠的部分。

集成模型由两个倾向性模型组成，这两个倾向性模型是基于代价敏感系数方法，使用相同的训练集训练而成。其中，一个模型在预测时较保守，倾向于判定为故障情况，本文将其定义为保守评估模型（defensive evaluation model, DEM），另一个模型倾向于判定为正常运行工况，定义为激进评估模型（offensive evaluation model, OEM）。可靠性评估规则见表1，其中y_DEM为保守评估模型的预测标签，y_OEM为激进评估模型的预测标签。

模型的倾向可以通过修改损失函数来调整。DEM的损失函数L_DEM为

（1）${{L}_{\text{DEM}}}\text{ =}\sum\limits_{n=1}^{N}{\left[ -{{w}_{D}}{{y}^{(n)}}\ln {{{{y}'}}^{(n)}}-\left( 1-{{y}^{(n)}} \right)\ln \left( 1-{{{{y}'}}^{(n)}} \right) \right]}$

式中：${{y}^{(n)}}$为第n个训练样本真实运行状态；${{{y}'}^{(n)}}$为第n个训练样本运行状态的预测概率；${{w}_{D}}$为HIF样本的权重，其值大于1；N为训练集样本的数量。HIF样本的标签为0，正常运行工况样本的标签为1。

在式（1）中，故障样本在DEM中被赋予比非故障样本更高的权重。因此，DEM对故障样本的拟合程度更强，更倾向于将一个样本判定为故障，此时正常运行工况的分类准确率会更高。

以相同方法构建OEM的损失函数L_OEM如式（2）所示。在OEM中，非故障样本被赋予更高的权重。

（2）${{L}_{\text{OEM}}}\text{ =}\sum\limits_{n=1}^{N}{\left[ -{{y}^{(n)}}\ln {{{{y}'}}^{(n)}}-{{w}_{\text{O}}}\left( 1-{{y}^{(n)}} \right)\ln \left( 1-{{{{y}'}}^{(n)}} \right) \right]}$

式中，w_O为正常运行工况样本的权重，其值与w_D相同。

本文采用代价敏感系数来表示模型的倾向程度。CSC的值与${{w}_{\text{D}}}$和${{w}_{\text{O}}}$相同。CSC值越大，两个模型的倾向性越强。

1.3 时序自适应模型

在HIF的早期阶段，检测结果不够可靠，通过延迟决策，可以提取更多与故障相关的信息，从而增强结果的可靠性。为了完成时序自适应评估过程，本文构建一个时序自适应检测模型。时序自适应模型能够根据对应时间长度的数据自适应地评估样本的可靠性，然后在每个决策周期输出结果。因此，需要将时间序列数据处理成变长数据。如果判定结果足够可靠，则输出该结果，否则进入下一个采样周期。随着时间的推移，电弧在故障点会积累大量的热量，因此决策时间不可无限延长。为了避免因某些临界样本可靠性不足而导致决策时间过度延长，本文设定一个时间阈值T。当采样时间达到阈值T时，使用一个没有倾向性的公正的分类器来对剩余样本进行决策并输出结果。公正的分类器基于完整时间窗数据训练集进行训练。高阻接地故障时序自适应检测流程如图1所示。

在每个评估周期，可变长度数据由相应的可靠性评估模型处理。非临界情况可以在早期阶段被检测出来。然而，在早期时间步骤中，临界情况的检测结果不够可靠，通过延长临界样本的决策时间来提高检测结果的可靠性。此外，通过使用并行结构，可以显著减少计算时间并提高准确性。

每个评估模型通过并行计算集成一个DEM和一个OEM。每个周期的DEM和OEM均基于对应周期的数据独立训练，因此要为模型训练生成可变长度的训练集。可变长度数据生成过程如图2所示。

图2中，t为决策周期数，$x_{t}^{\text{(}n\text{)}}$和$y_{t}^{\text{(}n\text{)}}$分别为第t决策周期第n个样本的数据矩阵和标签。从HIF发生到第一个决策周期的数据作为第一个周期的训练集。随着采样的进行，第二个时间步骤的数据与第一个决策周期的训练数据结合，作为第二个决策周期的训练数据。因此，由HIF出现到第t个决策周期的数据作为最终的时序数据。最终，训练出T-1个DEM、T-1个OEM和一个公正分类器。将上述分类器集成到一个集成评估模型中，构建完整的高阻接地故障时序检测模型。

2 数据处理

收起

2.1 变分模态分解

本文采用HIF发生后的故障线路零序电流数据作为初始特征。故障早期的零序电流包含大量的时变信息。变分模态分解（vatiational mode decom- position, VMD）是处理非线性信号和挖掘时变信息的有力工具，因此本文采用VMD来挖掘更多的时变信息。

电流数据被分解为K个本征模态函数（intrinsic mode functions, IMFs）。通过引入拉格朗日乘数$\lambda \text{(}t\text{)}$，分解可以被视为一个无约束优化问题，如式（3）所示。

（3）$\begin{matrix} & L\left( \left\{ {{u}_{k}} \right\},\left\{ {{\omega }_{k}} \right\}\text{,}\lambda (t) \right)= \\ & \alpha \sum\limits_{k=1}^{K}{\left\| {{\partial }_{t}}\left\{ \left[ \delta (t)+\frac{j}{\pi t} \right]\begin{matrix} {} \\ * \\\end{matrix}{{u}_{k}}(t) \right\}{{e}^{j{{\omega }_{k}}t}} \right\|}_{2}^{2}+ \\ & \left\| f(t)-\sum\limits_{k=1}^{K}{{{u}_{k}}(t)} \right\|_{2}^{2}+\left\langle \lambda (t),f(t)-\sum\limits_{k=1}^{K}{{{u}_{k}}(t)} \right\rangle \\ \end{matrix}$

式中：${{u}_{k}}(t)$和${{\omega }_{k}}$分别为第k个模态函数及其中心频率；$\alpha $为二次惩罚因子，它可以增强函数的收敛性；${{\partial }_{t}}$表示求偏导；$\delta (t)$为狄拉克函数；*为卷积运算；$f(t)$为输入信号。

2.2 数据标准化

为了降低电流幅值对故障检测准确率的影响，将本征模态函数进行标准化处理，处理过程为

（4）$x=\frac{\hat{x}-\mu }{\sigma }$

式中：$\hat{x}$为初始特征；$\mu $为本征模态函数的平均值；$\sigma $为本征模态函数的标准差。

3 仿真算例

收起

3.1 HIF电弧模型

Emanuel模型广泛应用于高阻接地电弧模拟研究中，它可以很好地模拟高阻接地故障电弧的不对称现象和“零休”特性。Emanuel模型结构如图3所示，该模型包含两个阻值不同的可变电阻器，以及两个反并联的直流电源和两个反并联的二极管。两个可变电阻器用于模拟电弧的不对称特性，二极管和直流电源用于模拟“零休”特性。

3.2 10kV配电网仿真模型

为模拟HIF和正常运行工况，基于PSCAD/ EMTDC平台构建一个中性点经小电阻接地的10kV配电网，系统的频率为50Hz，采样频率为4kHz。该系统的拓扑结构如图4所示，其中r为中性点等效零序电阻，L为中性点等效零序电感，F₁~F₁₈代表故障点，线路首端均安装有零序电流互感器。该10kV配电网线路参数见表2，样本仿真参数见表3。用于模型训练的初始特征是故障馈线的零序电流，通过零序电流VMD获得4个本征模态函数作为数据集。

基于上述模型和参数，制作3 500个样本，包括1 613个HIF样本和1 887个正常运行工况样本。正常运行工况样本包含690个电容投切样本、690个负荷投切样本和507个励磁涌流样本。数据集按照3:1:3的比例划分为训练集、验证集和测试集。

3.3 CSC值的影响

为了确定最有效的CSC值，在训练过程中为模型配置不同的CSC值，根据模型的性能确定最优值。对于时序自适应高阻接地故障检测模型，其综合性能应基于准确性和检测时间进行评估。基于表1的可靠性评估规则，得到组合模型的可靠性评估结果见表4，其中TN、FP、FN、TP均为确定样本，UC为不确定样本。本文采用的性能评估指标包括不确定样本的比例P_UC、准确率P_acc、HIF样本误判率P_FD和正常运行工况样本误判率P_FA。上述指标的计算方法如式（5）~式（8）所示。

（5）${{P}_{\text{UC}}}\text{=}\frac{{{U}_{\text{C}}}}{{{T}_{\text{P}}}\text{+}{{T}_{\text{N}}}\text{+}{{F}_{\text{P}}}\text{+}{{F}_{\text{N}}}\text{+}{{U}_{\text{C}}}}\times 100 \%$

（6）${{P}_{\text{acc}}}\text{=}\frac{{{T}_{\text{P}}}\text{+}{{T}_{\text{N}}}}{{{T}_{\text{P}}}\text{+}{{T}_{\text{N}}}\text{+}{{F}_{\text{P}}}\text{+}{{F}_{\text{N}}}}\times 100 \%$

（7）${{P}_{\text{FD}}}\text{=}\frac{{{F}_{\text{P}}}}{{{T}_{\text{N}}}\text{+}{{F}_{\text{P}}}}\times 100 \%$

（8）${{P}_{\text{FA}}}\text{=}\frac{{{F}_{\text{N}}}}{{{T}_{\text{P}}}\text{+}{{F}_{\text{N}}}}\times 100 \%$

式中，T_N、F_P、F_N、T_P和U_C分别为真负类、假正类、假负类、真正类和不确定样本的数量。

第一个周期（对应3.75ms）不同CSC值下模型的性能如图5所示，是基于验证集数据得到。根据图5，随着CSC值的增大，验证集中不确定样本的比例和确定样本的准确率都有所提高；当CSC值大于6时，虽然不确定样本的比例增加，但确定样本的准确率并未提高。不确定样本数量增加，模型会在更晚的周期做出决策，不利于故障的快速检测，因此为平衡准确性和快速性，本文取CSC值为6。

3.4 仿真算例验证

本文所提时序自适应高阻接地故障检测模型中的DEM、OEM和公正分类器3种基分类器的网络结构均相同。每个基分类器由3个线性层、2个GRU层和1个softmax输出层组成。GRU层有4个神经元；第一个线性层有4个输入神经元、128个输出神经元；第二个线性层有128个输入神经元、256个输出神经元；第三个线性层有256个输入神经元、2个输出神经元。使用Adam优化器对参数进行优化调整。对模型进行300轮训练。首个决策周期为3.75ms，每个决策周期之间的时间间隔为1.25ms，最大决策时间阈值T=10ms。

将本文所提模型与几种固定观测窗口的人工智能检测模型进行对比，包括分布式梯度增强库（XGboost classifier, XGBC）^[14]、卷积神经网络（convolutional neural network, CNN）^[15]、分类提升（Catboost）^[16]和GRU模型，并检验其在6.25ms和10ms观测窗口下的表现。不同模型的检测性能见表5，其中平均检测时间t_avg的计算方式为

（9）${{t}_{avg}}=\frac{\sum\limits_{n=1}^{N}{{{t}^{(n)}}}}{N}$

式中，${{t}^{(n)}}$为第n个样本的检测时间。

本文的时序自适应方法共设置6个决策周期，每个周期的评估结果见表6。

通过比较表5和表6可知，除了GRU模型外，本文所提模型比固定观测窗口的模型具有更高的准确率。与6.25ms固定时间窗的方法相比，本文模型的平均检测时间减少了37.52%，与10ms的方法相比则减少了60.95%，这是因为本文模型的检测时间可以根据HIF的严重程度进行自适应调整。本文模型可以及时检测出非临界故障，由于应用了高可靠性评估规则，本文模型可以减少对临界故障的误判。因此，通过模型结构的多维度改进，可以提升检测模型的整体性能。

4 结论

收起

本文提出了一种时序自适应高阻接地故障检测模型，以平衡HIF检测的准确性和快速性。该模型能够自适应且准确地区分HIF和正常运行工况，其性能在PSCAD/EMTDC仿真平台中得到了验证。

1）本文基于代价敏感系数方法训练了两种具有倾向性的GRU模型。通过修改特定类别的误分类损失，可以改变模型的倾向性。

2）本文提出了一个组合评估模型，通过增加CSC值可以增强检测结果的可靠性。然而，这同样会导致不确定样本的比例增加。当CSC值设定为6时，该模型在PSCAD/EMTDC仿真平台中的准确率可以达到99.13%。

3）所提出的模型可以时序自适应地检测HIF，在检测的准确性和速度之间取得了良好的平衡。

基金

收起

福建省自然科学基金(2022J01113)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

姚福星, 苗世洪, 涂青宇, 等. 考虑强对流天气的乡镇配电网树线矛盾风险预警及优化处理[J]. 电工技术学报, 2023, 38(22): 6188-6203.

[2]

钟逸涵, 邓丰, 史鸿飞, 等. 基于动态电阻串联的高阻接地故障精确建模[J]. 电工技术学报, 2024, 39(7): 2046-2059.

[3]

李君, 何敏, 黄守道, 等. 基于相位差的小电阻接地有源配电网接地故障保护算法[J]. 电工技术学报, 2024, 39(23): 7418-7429.

[4]

Jie

, LIU

Yinliang

, LI

Chengxin

, et al. An FTU-based method for locating single-phase high- impedance faults using transient zero-sequence admittance in resonant grounding systems[J]. IEEE Transactions on Power Delivery, 2022, 37(2): 913-922.

[5]

WANG

Xiaowei

, GAO

Jie

, WEI

Xiangxiang

, et al. Faulty feeder detection under high impedance faults for resonant grounding distribution systems[J]. IEEE Transactions on Smart Grid, 2023, 14(3): 1880-1895.

[6]

唐钧益, 曾肖枫, 高伟. 一种基于经验模态分解和局部极大值点数的配电网高阻接地故障检测方法[J]. 电气技术, 2024, 25(6): 14-23.

[7]

袁涛, 杨庆, 周桐, 等. 基于零序电流非线性畸变特性的弧光高阻接地初期故障辨识方法[J/OL]. 中国电机工程学报, 1-12 [2024-12-24]. https://doi.org/10.13334/j.0258-8013.pcsee.232806.

[8]

刘科研, 詹惠瑜, 谭云耀, 等. 基于改进极限学习机的配电网高阻接地故障检测方案[J]. 电网技术, 2023, 47(5): 1886-1896.

[9]

王康, 高伟, 杨耿杰. 基于高频分量的配电网高阻接地故障识别[J]. 电气技术, 2022, 23(2): 61-66, 87.

[10]

ZENG

Xiaofeng

, GAO

Wei

, YANG

Gengjie

. High impedance fault detection in distribution network based on S-transform and average singular entropy[J]. Global Energy Interconnection, 2023, 6(1): 64-80.

[11]

刘炳南, 郭谋发, 陈永往. 基于KNN的配电网高阻接地故障识别[J]. 电气技术, 2019, 20(1): 18-23.

[12]

张君琦, 杨帆, 郭谋发. 配电网高阻接地故障时频特征SVM分类识别方法[J]. 电气技术, 2018, 19(3): 37-43.

[13]

肖启明, 郭谋发. 基于变分模态分解与图信号指标的配电网高阻接地故障识别算法[J]. 电气技术, 2021, 22(5): 50-55.

[14]

柯亮, 李波, 廖凯, 等. 基于XGBoost的配电网高阻接地故障检测方法[J]. 电力系统保护与控制, 2024, 52(6): 88-98.

[15]

GUO

Moufa

, LIU

Wenli

, GAO

Jianhong

, et al. A data- enhanced high impedance fault detection method under imbalanced sample scenarios in distribution net- works[J]. IEEE Transactions on Industry Applications, 2023, 59(4): 4720-4733.

[16]

高伟, 何文秀, 郭谋发, 等. 基于实测不均衡小样本的配电网高阻接地故障检测方法[J/OL]. 高电压技术, 1-11 [2024-12-24]. https://doi.org/10.13336/j.1003-6520.hve.20231972.

2025年第26卷第4期

PDF下载

119

引用本文

BibTeX

文章信息

接收时间：2024-11-18
首发时间：2025-12-02
出版时间：2025-04-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-11-18
修回日期：2024-12-03

基金

福建省自然科学基金(2022J01113)

作者信息

福建省新能源发电与电能变换重点实验室（福州大学电气工程与自动化学院），福州 350108

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dqjs/CN/1202649046281314750

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

y_OEM	y_DEM	结果
故障	故障	故障（可靠）
非故障	非故障	非故障（可靠）
故障	非故障	不可靠
非故障	故障	不可靠

y_OEM

y_DEM

结果

故障

故障（可靠）

非故障

非故障（可靠）

故障

非故障

不可靠

非故障

故障

不可靠

线路类型	序分量	电阻值/ (Ω/km)	电感值/ (mH/km)	电容值/ (μF/km)
架空线路	正序	0.170 0	1.200 0	0.009 7
零序	0.230 0	5.480 0	0.006 0
电缆线路	正序	0.270 0	0.255 0	0.339 0
零序	2.700 0	1.019 0	0.280 0

线路类型

序分量

电阻值/
(Ω/km)

电感值/
(mH/km)

电容值/
(μF/km)

架空线路

正序

0.170 0

1.200 0

0.009 7

零序

0.230 0

5.480 0

0.006 0

电缆线路

正序

0.270 0

0.255 0

0.339 0

零序

2.700 0

1.019 0

0.280 0

样本类型	初相位	故障电阻	仿真模型	样本数
高阻接地	0°, 30°, 60°, 90°, 120°, 150°	300Ω~3kΩ	Emanuel	1 613
电容投切		三相电容器	690
负荷投切	不平衡负载	690
励磁涌流	空载变压器	507

样本类型

初相位

故障电阻

仿真模型

样本数

高阻接地

0°, 30°, 60°, 90°, 120°, 150°

300Ω~3kΩ

Emanuel

1 613

电容投切

三相电容器

690

负荷投切

不平衡负载

690

励磁涌流

空载变压器

507

实际标签	预测标签
HIF	TN	FP	UC
非故障	FN	TP

实际标签

预测标签

HIF

非故障

不确定

HIF

非故障

模型	平均检测时间/ms	P_FD/%	P_FA/%	准确率/%
XGBC (T=6.25ms)	6.250	3.03	2.86	97.07
Catboost (T=6.25ms)	6.250	2.88	2.74	97.20
CNN (T=6.25ms)	6.250	2.27	2.02	97.87
GRU (T=6.25ms)	6.250	1.97	2.42	98.07
XGBC (T=10ms)	10.000	1.82	1.91	98.13
Catboost (T=10ms)	10.000	1.52	1.55	98.47
CNN (T=10ms)	10.000	1.37	1.55	98.53
GRU (T=10ms)	10.000	0.91	0.83	99.13
本文模型	3.905	0.15	1.43	99.13

模型

平均检测
时间/ms

P_FD/%

P_FA/%

准确率/%

XGBC (T=6.25ms)

6.250

3.03

2.86

97.07

Catboost (T=6.25ms)

6.250

2.88

2.74

97.20

CNN (T=6.25ms)

6.250

2.27

2.02

97.87

GRU (T=6.25ms)

6.250

1.97

2.42

98.07

XGBC (T=10ms)

10.000

1.82

1.91

98.13

Catboost (T=10ms)

10.000

1.52

1.55

98.47

CNN (T=10ms)

10.000

1.37

1.55

98.53

GRU (T=10ms)

10.000

0.91

0.83

99.13

本文模型

3.905

0.15

1.43

99.13

时间窗/ms	不确定样本数	正确结果数	误判数	准确率/%
3.75	100	1 396	4	99.71
5.00	45	1 447	8	99.45
6.25	19	1 472	9	99.39
7.50	11	1 477	12	99.19
8.75	11	1 477	12	99.19
10.00	0	1 487	13	99.13

时间窗/ms

不确定样本数

正确结果数

误判数

准确率/%

3.75

100

1 396

99.71

5.00

1 447

99.45

6.25

1 472

99.39

7.50

1 477

99.19

8.75

1 477

99.19

10.00

1 487

99.13