陳臣鵬, 陳仕龍, 畢貴紅, 高敬業(yè), 趙 鑫, 李 璐

(昆明理工大學(xué) 電力工程學(xué)院，云南 昆明 650500)

0 引 言

永富直流輸電系統(tǒng)是我國(guó)近期建成的省內(nèi)直流輸電系統(tǒng)[1]，因其逆變側(cè)電源較弱為弱交流系統(tǒng)，若不及時(shí)清除受端交流系統(tǒng)發(fā)生的故障，會(huì)打破換流站的無(wú)功功率平衡，繼而導(dǎo)致?lián)Q相失敗，連續(xù)的換相失敗可能會(huì)造成輸送功率中斷，進(jìn)而導(dǎo)致潮流大規(guī)模轉(zhuǎn)移到交流線(xiàn)路，嚴(yán)重危害系統(tǒng)的安全。輸電線(xiàn)路則是高壓直流輸電系統(tǒng)的另一重要組成部分，因其輸電距離遠(yuǎn)，運(yùn)行環(huán)境惡劣，故障發(fā)生概率高。在弱受端直流輸電系統(tǒng)中，逆變側(cè)交流系統(tǒng)故障與直流線(xiàn)路故障引起的電壓跌落，信號(hào)變化十分相似，難以區(qū)分，若不加以區(qū)分將嚴(yán)重危害系統(tǒng)安全。因此，正確地診斷出交流系統(tǒng)故障和直流線(xiàn)路故障對(duì)提升弱受端直流輸電系統(tǒng)的安全穩(wěn)定至關(guān)重要[2]。

高壓直流輸電系統(tǒng)故障涵蓋了海量的故障數(shù)據(jù)，故障診斷需要從諸多電氣量中快速分析出故障關(guān)聯(lián)特征，準(zhǔn)確判斷出故障類(lèi)型。傳統(tǒng)的故障診斷通?；谌斯ば盘?hào)處理提取故障特征，利用小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和變分模態(tài)分解(VMD)等技術(shù)對(duì)原始信號(hào)進(jìn)行求解分析。文獻(xiàn)[3]首先分析了故障電壓反行波在線(xiàn)路上的傳播特征差異，其次利用小波變換提取高頻電壓反行波特征，從而診斷出直流電網(wǎng)輸電線(xiàn)路的區(qū)內(nèi)外故障。文獻(xiàn)[4]采用經(jīng)驗(yàn)?zāi)B(tài)分解與分形理論關(guān)聯(lián)維數(shù)相結(jié)合的方法進(jìn)行電壓信號(hào)故障分析及特征量提取，結(jié)合極限學(xué)習(xí)機(jī)，實(shí)現(xiàn)高壓輸電線(xiàn)路不同故障類(lèi)型診斷。

上述方法中的信號(hào)分析方法、特征提取方法、故障診斷模型的選擇均缺乏適應(yīng)性和通用性。對(duì)于日趨復(fù)雜化的高壓直流輸電系統(tǒng)而言，擺脫理論分析和人工提取各電氣量故障特征的過(guò)程是十分關(guān)鍵的。深度學(xué)習(xí)為故障診斷提供了新的途徑，摒棄人工提取故障信號(hào)特征的過(guò)程，利用深度學(xué)習(xí)精確挖掘海量數(shù)據(jù)中的深層抽象特征[5-6]。

文獻(xiàn)[7]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取交直流輸電系統(tǒng)原始故障特征，通過(guò)人工逐步調(diào)整模型結(jié)構(gòu)，實(shí)現(xiàn)故障分類(lèi)診斷。文獻(xiàn)[8]利用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)捕捉和提取故障前后的復(fù)雜時(shí)序特征，構(gòu)建電網(wǎng)故障診斷模型，確定故障時(shí)刻和故障區(qū)域。上述方法將信號(hào)分析的方法與深度學(xué)習(xí)結(jié)合，能夠有效完成故障診斷任務(wù)?？梢钥闯?，深度學(xué)習(xí)方法能夠迅速準(zhǔn)確地提取數(shù)據(jù)中隱含的深層特征[9]，非常適合用于數(shù)據(jù)量大且復(fù)雜的高壓直流輸電系統(tǒng)故障診斷。

運(yùn)用壓縮感知(CS)理論可以提高模型的診斷效率，壓縮感知理論可以利用采樣點(diǎn)較少的壓縮信號(hào)通過(guò)非線(xiàn)性重建算法完美地重建原始信號(hào)[10-12]，壓縮信號(hào)在壓縮域中能反映原始信號(hào)的整體特性。文獻(xiàn)[13]用壓縮感知原理獲得采樣點(diǎn)較少的壓縮信號(hào)，實(shí)現(xiàn)基于壓縮信號(hào)的直流電網(wǎng)故障準(zhǔn)確定位。文獻(xiàn)[14]運(yùn)用貝葉斯壓縮感知理論，求解高頻瞬態(tài)電流壓縮信號(hào)，利用所求壓縮信號(hào)取得較高的故障定位準(zhǔn)確性。

綜合以上算法，本文提出一種基于壓縮感知、麻雀搜索算法(SSA)和并聯(lián)CNN-LSTM相結(jié)合(CS-SSA-CNN-LSTM)的弱受端直流輸電系統(tǒng)故障診斷方法，主要對(duì)永富高壓直流輸電系統(tǒng)中的直流線(xiàn)路單相接地、交流系統(tǒng)單相接地、兩相接地和三相接地四種故障類(lèi)型進(jìn)行診斷，旨在作為常規(guī)故障診斷方法的補(bǔ)充。模型舍棄了信號(hào)分析法人工選取特征的繁雜過(guò)程，首先搭建永富仿真模型采集原始數(shù)據(jù)，將原始數(shù)據(jù)應(yīng)用壓縮感知原理壓縮采樣，在壓縮域中直接提取故障特征和識(shí)別，可以提高網(wǎng)絡(luò)的計(jì)算效率。隨后直接利用并聯(lián)CNN提取壓縮域中數(shù)據(jù)的深層抽象特征，并聯(lián)的不同尺寸的卷積核可以提取不同尺度的波形特征。進(jìn)一步利用LSTM提取其故障波形的時(shí)序特征。最后通過(guò)SSA確定并聯(lián)CNN-LSTM的模型結(jié)構(gòu)及參數(shù)，完成故障特征的學(xué)習(xí)和故障類(lèi)型的識(shí)別。試驗(yàn)表明，該模型有自適應(yīng)選擇參數(shù)能力和優(yōu)秀的特征提取能力，可以處理交直流輸電系統(tǒng)中的復(fù)雜多維特征，能夠準(zhǔn)確可靠地診斷出故障類(lèi)型，在故障診斷領(lǐng)域具有較好的適用性。

1 算法與優(yōu)化原理

1.1 壓縮感知原理

壓縮感知是將原始信號(hào)亞采樣壓縮后，根據(jù)壓縮信號(hào)利用重構(gòu)算法得到恢復(fù)信號(hào)的過(guò)程。壓縮感知的過(guò)程中，x為N維原始信號(hào)，x本身不稀疏，但在某一變換域ψ下是一個(gè)k稀疏的向量[15]，表示為

x=ψs

(1)

式中：s為x在變換域ψ下的稀疏信號(hào)，除了k個(gè)非零值以外，其余值均為零或接近零。

將N維原始信號(hào)x通過(guò)觀測(cè)矩陣φ投影到M(M?N)維上，得到觀測(cè)信號(hào)y，表示為

y=φx=φψs=θs

(2)

式中：y為M維觀測(cè)信號(hào);φ為M×N維測(cè)量矩陣，θ=φψ為傳感矩陣[16]。

為了保證觀測(cè)時(shí)不丟失信息，傳感矩陣θ應(yīng)滿(mǎn)足有限等距約束(RIP)條件。傳感矩陣θ滿(mǎn)足RIP另一個(gè)等價(jià)條件是稀疏矩陣ψ和測(cè)量矩陣φ不相關(guān)，所以運(yùn)用與稀疏矩陣ψ不相關(guān)的測(cè)量矩陣φ對(duì)原始信號(hào)進(jìn)行壓縮觀測(cè)時(shí)，即可通過(guò)稀疏信號(hào)s對(duì)原始信號(hào)x進(jìn)行重構(gòu)恢復(fù)[17]。

而獨(dú)立同分布的高斯隨機(jī)矩陣與其他矩陣一般不相關(guān)，故選擇一個(gè)M×N獨(dú)立同分布的高斯矩陣作為觀測(cè)矩陣φ即可滿(mǎn)足RIP條件。在離散余弦變換域(DCT)對(duì)稀疏基ψ進(jìn)行構(gòu)建，為稀疏基ψ分配N(xiāo)×N空間，再將長(zhǎng)度為N的DCT系數(shù)進(jìn)行逆離散余弦變換，獲得其對(duì)應(yīng)于x的分布，即獲得了N×N的稀疏基矩陣ψ。在弱受端直流輸電系統(tǒng)中，存在大量監(jiān)測(cè)設(shè)備信號(hào)及高頻復(fù)雜信號(hào)。壓縮信號(hào)在大幅度減小測(cè)量數(shù)的前提下保留著原始數(shù)據(jù)的特征，有利于壓縮感知理論在各類(lèi)型復(fù)雜數(shù)據(jù)上的應(yīng)用。

1.2 CNN原理

CNN由于其強(qiáng)大的空間特征提取能力，廣泛應(yīng)用于圖像識(shí)別領(lǐng)域。典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包含輸入層、卷積層、池化層、全連接層和輸出層[18]。

圖1 CNN的結(jié)構(gòu)

卷積層通過(guò)卷積核遍歷輸入矩陣進(jìn)行內(nèi)積運(yùn)算，提取輸入矩陣的故障特征。卷積核的大小與提取的故障特征有著較強(qiáng)關(guān)聯(lián)，較大的卷積核可以提高卷積層提取特征的效率；較小的卷積核能夠提取到更精細(xì)的特征[19]。

池化層可以降低故障特征圖的尺寸，從而減小模型參數(shù)規(guī)模。一般使用最大池化或平均池化，將感知域中的值合并為單個(gè)值，即最大值或平均值。這在一定程度上減小了數(shù)據(jù)的計(jì)算量，減輕了模型的過(guò)擬合現(xiàn)象[20]。

全連接層首先整合卷積層和池化層提取的特征，將網(wǎng)絡(luò)末端的池化層展開(kāi)成一維向量，再把該向量作為輸入，最后建立該向量與最終輸出之間的全連接網(wǎng)絡(luò)。

CNN能夠挖掘不同圖像之間的潛在差別，也常用于診斷圖像類(lèi)的故障數(shù)據(jù)。弱受端直流輸電系統(tǒng)的故障診斷就是判斷輸入數(shù)據(jù)的故障性質(zhì)，故障類(lèi)別主要包括直流線(xiàn)路故障和交流系統(tǒng)故障。顯然故障診斷是一個(gè)多分類(lèi)問(wèn)題，適合利用CNN對(duì)故障數(shù)據(jù)進(jìn)行空間特征提取。

1.3 LSTM原理

長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的其中一種。隱含層的輸入同時(shí)包括了輸入層的輸出和上一時(shí)刻隱含層的輸出。利用這種結(jié)構(gòu)，網(wǎng)絡(luò)對(duì)過(guò)去的數(shù)據(jù)產(chǎn)生記憶狀態(tài)，并建立不同時(shí)段故障數(shù)據(jù)之間的依賴(lài)關(guān)系，因此能更好地處理時(shí)間序列問(wèn)題[21-24]。LSTM的結(jié)構(gòu)如圖2所示。參數(shù)更新的數(shù)學(xué)表達(dá)式如下：

(3)

圖2 LSTM的結(jié)構(gòu)

式中：ft決定遺忘門(mén)信息的保留或丟棄；xt為當(dāng)前輸入；it為即將更新的值；Ct和Ct-1分別為細(xì)胞當(dāng)前時(shí)刻和上一時(shí)刻狀態(tài)；ht和ht-1分別為當(dāng)前時(shí)刻和上一時(shí)刻的隱藏狀態(tài)；Wf、Wi、Wc、Wo為不同權(quán)重；bf、bi、bC、bo為不同的偏置系數(shù)；σ為Sigmoid函數(shù)。

由于LSTM神經(jīng)網(wǎng)絡(luò)包含記憶單元，可以將故障前與故障后發(fā)生的事聯(lián)系起來(lái)，據(jù)此得出結(jié)論，因此能夠挖掘樣本在時(shí)間上的相關(guān)性信息，適合捕捉和提取故障前后的復(fù)雜時(shí)序特征，有利于提高弱受端直流系統(tǒng)的故障診斷準(zhǔn)確率。

1.4 SSA原理

Xu等[25]受麻雀覓食行為的啟發(fā)提出了SSA。算法將麻雀種群分為發(fā)現(xiàn)者和加入者，二者身份動(dòng)態(tài)變化，當(dāng)一只麻雀變?yōu)榘l(fā)現(xiàn)者，必有一只麻雀變?yōu)榧尤胝遊26]。種群有可能遭遇捕食者，察覺(jué)捕食者的偵察者麻雀占種群的10%～20%。給定每只麻雀的初始位置和適應(yīng)度。發(fā)現(xiàn)者在搜尋食物時(shí)，若該區(qū)域安全，種群可以隨機(jī)覓食，若區(qū)域有捕食者，種群迅速往安全區(qū)域轉(zhuǎn)移。加入者若覺(jué)察發(fā)現(xiàn)者的食物更好，就會(huì)前往搶奪，如果搶奪成功，就會(huì)獲得發(fā)現(xiàn)者的食物，否則繼續(xù)監(jiān)視發(fā)現(xiàn)者覓食[27-28]；偵察者能夠發(fā)現(xiàn)捕食者，當(dāng)麻雀處在種群邊緣時(shí)容易遭遇捕食者，則向安全區(qū)域靠攏，當(dāng)種群中心的麻雀察覺(jué)到危險(xiǎn)時(shí)，則向附近其他麻雀靠攏，種群中加入者、發(fā)現(xiàn)者和偵察者的具體位置更新參考文獻(xiàn)[29]。運(yùn)用SSA對(duì)模型參數(shù)進(jìn)行尋優(yōu)，有利于構(gòu)建最佳的故障診斷模型結(jié)構(gòu)，進(jìn)一步減少人為設(shè)定參數(shù)帶來(lái)的誤差。

2 弱受端直流輸電系統(tǒng)數(shù)據(jù)樣本仿真

2.1 時(shí)序數(shù)據(jù)仿真

弱受端直流輸電系統(tǒng)發(fā)生不同類(lèi)型的故障期間，測(cè)量點(diǎn)所得的電氣量包含不同的特征，據(jù)此可實(shí)現(xiàn)不同故障類(lèi)型的診斷。利用PSCAD/EMTDC仿真軟件搭建±500 kV永富弱受端直流輸電系統(tǒng)故障仿真模型，生成模型訓(xùn)練和測(cè)試所需的大量故障數(shù)據(jù)樣本。本文研究的永富直流輸電系統(tǒng)模型如圖3所示，左右兩側(cè)交流系統(tǒng)分別為永仁換流站和富寧換流站。圖3中元件的參數(shù)如表1所示。

直流輸電線(xiàn)路故障和交流系統(tǒng)故障是弱受端直流輸電系統(tǒng)中常見(jiàn)的故障。如圖3所示，在正極直流線(xiàn)路配置測(cè)量點(diǎn)。在直流線(xiàn)路處設(shè)置單相接地故障，通過(guò)改變故障距離(變化步長(zhǎng)為50 km)、過(guò)渡電阻(0.01～400 Ω，變化步長(zhǎng)為40 Ω)等參數(shù)共計(jì)得到100組故障樣本。在逆變側(cè)交流系統(tǒng)分別設(shè)置單相接地、兩相短路接地和三相接地故障，通過(guò)改變過(guò)渡電阻(0.01～400 Ω，變化步長(zhǎng)為4 Ω)得到300組故障樣本。測(cè)量裝置的采樣頻率設(shè)置為10 kHz，數(shù)據(jù)窗長(zhǎng)度設(shè)置為400 ms，共計(jì)4 000個(gè)采樣點(diǎn)，裝置記錄正極直流線(xiàn)路的電壓udc，得到滿(mǎn)足并聯(lián)CNN-LSTM模型輸入的訓(xùn)練和測(cè)試數(shù)據(jù)X，輸出為四種故障類(lèi)型Y，分別對(duì)應(yīng)直流線(xiàn)路故障fdc，交流系統(tǒng)單相接地fac1、兩相接地fac2和三相接地fac3：

(4)

圖3 永富直流輸電系統(tǒng)

因此，原始數(shù)據(jù)輸入矩陣的大小為4 000×1，輸出為四種故障類(lèi)型。

表1 永富模型元件參數(shù)

2.2 數(shù)據(jù)預(yù)處理

本文將原始數(shù)據(jù)進(jìn)行歸一化處理，映射為區(qū)間[-1,1]內(nèi)的值，使得故障特征在樣本矩陣中均勻分布。歸一化過(guò)程如下：

(5)

式中：X*為歸一化后的值；X為原始數(shù)據(jù)；Xmin和Xmax分別為原始樣本中最小值與最大值。

歸一化后再以7…3的比例劃分為訓(xùn)練集(280組)和測(cè)試集(120組)。舍棄小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解和相模變換后人工提取故障特征的過(guò)程，直接利用深度學(xué)習(xí)模型對(duì)原始采集數(shù)據(jù)進(jìn)行特征挖掘。

3 CS-SSA-CNN-LSTM模型仿真

3.1 故障診斷模型與流程

故本文結(jié)合二者的優(yōu)點(diǎn)建立并聯(lián)CNN-LSTM故障診斷模型，如圖4所示。先通過(guò)雙支路卷積分別提取輸入矩陣的內(nèi)在特征，再將特征融合后輸入LSTM網(wǎng)絡(luò)，充分挖掘故障數(shù)據(jù)在時(shí)序上的特征，最后建立特征與各種故障間的關(guān)系。

圖4 故障診斷模型

圖5 故障診斷流程圖

并聯(lián)CNN-LSTM模型中，兩路卷積核的大小和數(shù)量、池化層的大小、LSTM神經(jīng)元個(gè)數(shù)、Dropout層的丟棄率、學(xué)習(xí)率和batch size等直接影響模型的診斷精度，需要求解合適的模型參數(shù)，以提高模型在輸電系統(tǒng)故障診斷方面的適用性。通過(guò)SSA對(duì)模型結(jié)構(gòu)和訓(xùn)練參數(shù)進(jìn)行優(yōu)化，免除了人工選取參數(shù)環(huán)節(jié)，避免了人為造成的不確定性因素，強(qiáng)化了模型的自適應(yīng)選擇參數(shù)能力?；贑S-SSA-CNN-LSTM的故障診斷流程如圖5所示。

3.2 壓縮倍數(shù)的選擇

弱受端直流輸電系統(tǒng)實(shí)測(cè)電氣信號(hào)數(shù)據(jù)量大且復(fù)雜，若直接利用原始數(shù)據(jù)訓(xùn)練模型，計(jì)算量將十分龐大，冗長(zhǎng)的原始數(shù)據(jù)內(nèi)含有細(xì)微噪聲，會(huì)被卷積網(wǎng)絡(luò)過(guò)度捕捉，影響模型的診斷精度。圖6為永富直流系統(tǒng)在某一過(guò)渡電阻下發(fā)生故障時(shí)的電壓變化，具體對(duì)應(yīng)逆變側(cè)交流系統(tǒng)發(fā)生單相接地、兩相接地、三相接地和直流線(xiàn)路故障時(shí)的電壓變化。發(fā)生不同故障時(shí)，由于受到過(guò)渡電阻的影響，測(cè)量點(diǎn)所測(cè)得的故障電壓較為相似，故障特征不明顯，診斷難度較大。

圖6 永富直流系統(tǒng)發(fā)生不同故障時(shí)的電壓變化

為提高模型的診斷效率和準(zhǔn)確率，利用壓縮感知算法對(duì)原始電氣信號(hào)進(jìn)行亞采樣壓縮，將數(shù)據(jù)長(zhǎng)度縮短數(shù)倍，壓縮感知過(guò)程如圖7所示。壓縮倍數(shù)過(guò)大會(huì)丟失原始數(shù)據(jù)的特征，壓縮倍數(shù)過(guò)小則會(huì)因數(shù)據(jù)長(zhǎng)度過(guò)長(zhǎng)而導(dǎo)致模型過(guò)度提取細(xì)微噪聲信號(hào)，進(jìn)而影響準(zhǔn)確率。合適的壓縮倍數(shù)會(huì)在不丟失特征的前提下提高計(jì)算效率和準(zhǔn)確率。

本文將原始數(shù)據(jù)壓縮10倍、15倍和20倍后分別放入CNN模型進(jìn)行訓(xùn)練并診斷，診斷結(jié)果見(jiàn)表2。觀察得知壓縮15倍時(shí)診斷效果最佳，故后續(xù)試驗(yàn)將壓縮倍數(shù)設(shè)為15倍。圖8為永富直流系統(tǒng)發(fā)生不同故障時(shí)電壓在壓縮域中的變化，圖8(a)為逆變側(cè)發(fā)生單相接地和兩相接地時(shí)電壓在壓縮域中的變化，圖8(b)為逆變側(cè)發(fā)生三相接地和直流線(xiàn)路故障時(shí)電壓在壓縮域中的變化。原始4 000×1的輸入矩陣經(jīng)266×4 000的觀測(cè)矩陣φ壓縮后大小變?yōu)?66×1。

圖7 壓縮感知過(guò)程

表2 不同壓縮倍數(shù)時(shí)CNN的診斷精度

圖8 永富直流系統(tǒng)發(fā)生不同故障時(shí)電壓在壓縮域中的變化

3.3 模型參數(shù)尋優(yōu)

SSA優(yōu)化并聯(lián)CNN-LSTM模型的參數(shù)設(shè)置：種群規(guī)模N為5；優(yōu)化迭代次數(shù)為10；發(fā)現(xiàn)者個(gè)數(shù)pnum為1；預(yù)警值為0.8；需要優(yōu)化10個(gè)參數(shù)，故優(yōu)化維度為10維。其中，10個(gè)參數(shù)的取值范圍如下：學(xué)習(xí)率的范圍是0.001～0.01；batch size的范圍是1～100；雙支路卷積核的大小范圍是1～10，卷積核數(shù)量的范圍是1～20；雙支路池化核大小范圍是2～10；LSTM神經(jīng)元數(shù)量范圍為1～100；Dropout層的丟棄率范圍是0.1～0.9；以測(cè)試集的診斷誤差為適應(yīng)度函數(shù)。CS-SSA-CNN-LSTM的最優(yōu)適應(yīng)度變化迭代過(guò)程如圖9所示，可以看出SSA在參數(shù)尋優(yōu)過(guò)程中展現(xiàn)出良好的全局搜索能力。優(yōu)化后的CNN-LSTM模型具體參數(shù)如表3所示。預(yù)測(cè)模型的其他主要參數(shù)如表4所示。

圖9 適應(yīng)度變化曲線(xiàn)

表3 SSA優(yōu)化后的模型參數(shù)

表4 預(yù)測(cè)模型的其他參數(shù)

SSA優(yōu)化后的模型在迭代2 000次的過(guò)程中，準(zhǔn)確率迅速上升并且收斂于100%，損失函數(shù)也迅速下降并收斂于0，如圖10所示，說(shuō)明本文所建立的模型在弱受端直流輸電系統(tǒng)故障診斷方面的可行性。

圖10 模型準(zhǔn)確率和損失值

3.4 不同模型故障診斷試驗(yàn)結(jié)果對(duì)比分析

將并聯(lián)CNN-LSTM模型與傳統(tǒng)CNN模型和LSTM模型的診斷效果進(jìn)行對(duì)比。傳統(tǒng)的CNN模型主要由輸入層、卷積層、池化層、全連接層和輸出層組成，卷積核大小和數(shù)量分別為1×4和8。LSTM模型由序列輸入層、LSTM層、Dropout層、全連接層和輸出層組成，LSTM神經(jīng)元個(gè)數(shù)取73個(gè)，Dropout層丟棄率取20.38%。三者具體診斷結(jié)果分別繪制混淆矩陣，如圖11所示，隨機(jī)劃分的測(cè)試集中直流線(xiàn)路故障有26組，交流系統(tǒng)單相接地、兩相接地和三相接地故障分別有31組、30組和33組，將診斷結(jié)果與真實(shí)標(biāo)簽作對(duì)比。由于傳統(tǒng)CNN模型無(wú)法提取數(shù)據(jù)的時(shí)序性特征，將5組單相接地故障錯(cuò)誤診斷為了直流線(xiàn)路故障，精度為95.833 3%。

圖11 不同模型故障診斷結(jié)果混淆矩陣

LSTM模型雖然能提取時(shí)序性特征，但由于深層特征挖掘不充分，將1組直流線(xiàn)路故障錯(cuò)誤診斷為了單相接地故障，將3組兩相接地故障錯(cuò)誤診斷為了單相接地故障，精度為96.666 7%。

并聯(lián)CNN-LSTM模型則充分挖掘數(shù)據(jù)的深層特征和時(shí)序性特征，診斷結(jié)果與真實(shí)標(biāo)簽完全對(duì)應(yīng)，準(zhǔn)確率達(dá)100%。從結(jié)果來(lái)看，該模型在弱受端直流輸電系統(tǒng)中的故障診斷效果優(yōu)于傳統(tǒng)方法。

4 結(jié) 語(yǔ)

本文提出了一種基于CS-SSA-CNN-LSTM的弱受端直流輸電系統(tǒng)故障診斷模型，解決了故障數(shù)據(jù)過(guò)多，難以充分挖掘數(shù)據(jù)的特征導(dǎo)致機(jī)器學(xué)習(xí)效果不佳的問(wèn)題。通過(guò)算例仿真得到的主要結(jié)論如下：

(1) 該模型通過(guò)壓縮感知算法亞采樣壓縮原始數(shù)據(jù)，選擇合適的壓縮倍數(shù)，在不丟失特征的前提下提高計(jì)算效率和準(zhǔn)確率。

(2) 針對(duì)壓縮域故障數(shù)據(jù)，結(jié)合CNN和LSTM二者的優(yōu)點(diǎn)，應(yīng)用雙支路卷積和LSTM模型充分挖掘數(shù)據(jù)的深層特征和時(shí)序性特征。

(3) 應(yīng)用SSA優(yōu)化出了充分適應(yīng)算例的模型結(jié)構(gòu)，免除了人工選取參數(shù)環(huán)節(jié)，提高了模型在輸電系統(tǒng)故障診斷方面的適用性。