国网泰宁县供电公司李宽宏、林金树等：基于信号包络与希尔伯特边际谱的高阻接地故障检测方法

阅读提示：本文约6700字，建议收藏后阅读！

配电网高阻接地故障（HIF）信号具有失真性和随机性，故障特征微弱，难以被有效检测。为此，国网福建省电力有限公司泰宁县供电公司、国网福建省电力有限公司三明供电公司的李宽宏、林金树、江捷、朱少芬、肖中波在2024年第6期《电气技术》中撰文提出一种基于信号包络（SE）和希尔伯特边际谱（HMS）的HIF诊断方法。该方法对长时间尺度的零序电压提取SE和HMS，分别代表HIF的失真性和随机性特征。将这些特征转化为图像，利用ResNet18实现对HIF的检测。该方法的有效性已在10kV真型试验中得到验证，试验结果表明，该方法的HIF检测精度明显优于对比方法，尤其是在谐振接地系统中。

电网高阻接地故障（high-impedance fault, HIF）在电力系统中较难被检测，其故障信号微弱，具有失真性和随机性等特点，难以触发传统保护装置启动，甚至会进一步影响后续故障选线及故障选段等故障定位的准确率。同时，高阻接地故障常常导致电弧放电，产生能够点燃附近可燃物的高温，容易导致火灾或人身伤害事故。因此，迫切需要有效的解决方案来准确检测高阻接地故障，从而降低风险并避免潜在危害。

目前，主流的高阻接地故障诊断方法主要分为两大类：基于阈值的传统方法和基于人工智能的方法。传统的HIF检测方法通常先提取故障信号的时域特征、频域特征或时频域特征，然后根据特征量与经验公式整定合理的阈值，从而实现HIF检测。基于阈值的HIF识别方法具有清晰的物理意义，可解释性较强，但容易受到故障信号复杂性、场景变化等因素的影响，阈值设置是否合理直接影响设备对电力系统的保护能力，因此阈值法只适用于特定场景，难以兼顾可靠性与灵敏性。

随着人工智能技术的兴起，机器学习可以从海量数据样本中挖掘潜在特征，具有自学习能力，无需设定阈值。因此，国内外学者将人工智能技术应用于HIF诊断领域中，将其视为一种模式识别任务。人工智能方法通常将信号处理技术与人工智能算法相结合以构成HIF智能识别方法。有文献对故障线路的零序电流进行连续小波变换（continuous wavelet transform, CWT）得到特征量，再使用改进的LeNet-5网络进行对高阻接地故障的辨识，仿真结果表明该方法能够在不同中性点接地系统中准确识别HIF，但并没有使用实际工况的高阻故障数据进行测试。 有文献将一维变分原型自编码器作为特征提取器，对零序电流进行特征提取，利用提取到的特征量对分类器进行训练实现HIF辨识，结果表明该方法能够准确提取故障信号中的特征。

有文献获取故障波形奇异谱并提取相应奇异谱的参数作为特征向量，利用该特征向量训练多级支持向量机（support vector machine, SVM）以实现HIF识别，算法的物理仿真系统测试结果较优，但实验中的故障电阻值并不高。 有文献采用CWT提取故障零序电流的灰度图像作为卷积神经网络（convolutional neural network, CNN）的特征输入，训练该网络模型进行HIF检测。

有文献利用变分模态分解对零序电流提取多个本征模态分量，根据峭度准则选取敏感的模态分量，进而计算其图信号指标作为特征，最后使用随机森林进行分类达到识别HIF的目的，但算法对实际高阻接地故障的检测能力还有待验证。 有文献通过对母线三相电压和零序电压进行希尔伯特黄变换（Hilbert-Huang transform, HHT）带通滤波构造时频矩阵，对各频带求取标准差作为特征向量，进而利用K最邻近算法进行HIF识别。

有 文献采用局部特征尺度分解（local characteristic-scale decomposition, LCD）带通滤波构造主变低压侧电流波形的时频矩阵，求取各频带标准差作为特征向量，最后采用SVM作为分类器进行HIF分类识别。

本文提出一种基于信号包络（signal envelope, SE）与希尔伯特边际谱（Hilbert marginal spectrum, HMS）的高阻接地故障检测方案。

首先，通过10kV配电网真型试验系统做不同介质的高阻接地故障实验，得到故障零序电压及零序电流数据，基于其波形分析高阻接地故障零序信号的特征规律。其次，利用希尔伯特黄变换对零序电压故障波形进行长时间尺度的特征提取，包括信号包络及希尔伯特边际谱。然后，将信号包络及希尔伯特边际谱的灰度图输入训练好的ResNet18模型中，实现配电网高阻接地故障检测。最后，通过与现有方法进行对比来验证所提方法的准确性及对不同高阻故障场景的适应性。

1 配电网高阻接地故障特征分析

在10kV谐振接地配电网中，高阻接地故障是一种可能发生在架空线路中的独特的单相接地故障。当架空线接触到树枝、碎石、混凝土和沥青路面等高阻抗介质时，很容易产生电弧，从而导致HIF。HIF的故障电阻可达几百甚至几千欧姆，导致故障电流具有微弱、非线性、随机变化等特点。

配电网发生HIF时，由于电弧不稳定燃烧、故障馈线与接地介质接触不可靠及其他随机因素的影响，导致HIF的物理现象复杂，使HIF的识别难度增加。HIF典型特征如下。

1）故障电流微弱

HIF的接地介质通常为树枝、碎石、混凝土和沥青路面等，这类介质的导电性差，等效接地过渡电阻大，导致故障电流微弱，故障特征不明显，故障电流可能低于系统正常负荷电流的10%，典型HIF电流波形如图1所示。表1列出了配电网在不同接地介质下发生典型HIF时的故障电流。实验数据表明，当配电网发生HIF时，故障电流微弱，常规保护装置难以迅速切除故障。

图1 典型HIF电流波形

2）故障波形随机性强

HIF的发生常常伴随着电弧的熄灭与重燃，且故障导线与接地介质的接触容易受外界因素干扰，导致接地过程不稳定。因此，故障回路会处于间歇性导通状态，使故障电流在某一时刻突变，无明显的增减规律，呈现强随机性。

表1 常见介质下的故障电流

3）故障波形不对称和非线性畸变

故障波形不对称表现为故障电流正负半周的波形不对称。此外，由于接地介质的等效电阻多数为非线性且故障发生过程常常伴随着不稳定电弧，致使故障波形在过零点附近发生非线性畸变，即“零休”特征。

1.1 配电网高阻接地故障真实模型

由于现有的HIF现场记录有限且数据不足，同时考虑本文所提方法在实际工程应用中的有效性和可靠性，因此通过10kV配电网真型试验系统进行不同介质下的高阻接地故障实验，模拟各种场景下的HIF，以分析和验证本文所提方法的性能。

在真型试验系统中分别完成树枝接地、草地沙土接地、砖石接地与电缆弧光接地故障实验，图2所示为经砖石接地高阻故障实验，后文的HIF特征分析及模型训练均基于本真型试验系统所得数据完成。

图2 经砖石接地高阻故障实验

1.2 高阻接地故障零序电压波形特征分析

高阻接地故障的主要特征表现为波形畸变、随机性与间歇性，这些特征在故障电流中最为明显。而故障电流往往无法直接测量，因此通常使用测量点的零序电流来表示故障电流。但需要注意的是，随着测量点与故障点距离的增加，零序电流的高频振荡特征变得不明显。随着距离的增加，容性接地电流逐渐增大，由于故障馈线上各测量点的零序电流同时包含容性接地电流和故障电流，故容性接地电流可能淹没低幅值的故障电流。

现场的故障波形如图3所示，其中图3（a）为零序电压波形，图3（b）为零序电流波形，图3（c）为故障点故障电流波形。发生HIF时，零序电压的幅值缓慢增加，在此之后，测量点的零序电压和电流波形变为正弦并呈现线性关系。值得注意的是，前端的零序电流没有表现出任何不规则的特征，这表明故障电流的不规则已经在变电站出口或远离故障点的测量点被基本掩盖。因此，故障点和测量点之间的距离可能会使利用零序电流单一电气量的HIF诊断方法失效。

图3 现场故障波形

为了解决上述问题，本文选择零序电压作为研究目标，寻找有效的特征来实现对HIF的检测。在10kV真型试验系统中进行200 W 低故障电阻和3000W高故障电阻的单相接地故障，以及经砖石接地的高阻接地故障场景模拟。

需要注意的是，具有高故障电阻的单相接地故障与HIF之间存在显著差异，前者的过渡电阻固定，后者往往伴随着间歇性电弧。 不同故障的零序电压波形如图4所示，其中图4（a）为200W低故障电阻的单相接地故障零序电压波形，图4（b）为3000W高故障电阻的单相接地故障零序电压波形，图4（c）为经砖石接地的高阻接地故障零序电压波形。 在暂态过程中，低故障电阻的单相接地故障持续时间最短，并且零序电压呈现快速上升的趋势。

与之相反，高故障电阻的单相接地故障和高阻接地故障持续时间更长，并且零序电压持续缓慢上升。 在稳态过程中，具有固定故障电阻的单相接地故障的零序电压是规则、稳定的。 相反，由于阻抗的非线性和时变特性，经砖石接地的高阻接地故障的波形表现出随机特征。

由此可以推断，实际中HIF与两个故障电阻固定的理想单相接地故障之间的不同，体现在是否有间歇电弧产生的随机特性。 因此，需要较长时间尺度的数据来表现HIF的随机特征，并将其与其他情况区分开来。

通过上述HIF与固定故障电阻下单相接地故障的对比可以看出，可以利用长时间尺度的零序电压来观察HIF在稳态过程中的随机特性。然而，这种基于时域信号的分析并不能完全描述在频域中的高阻接地故障特性。因此，进行时频分析，并与第3.5节和第3.6节的结果来一同验证采用零序电压诊断HIF的有效性。

图4 不同故障的零序电压波形

2 高阻接地故障检测方法

2.1 希尔伯特黄变换原理

HHT是一种常见的信号分析方法，其过程为首先采用经验模态分解（empirical mode decomposition, EMD）将信号分解为若干个本征模态函数（intrinsic mode function, IMF）分量之和，然后对每个IMF分量进行HHT得到瞬时频率和瞬时幅值，从而得到该信号的Hilbert谱，它可以表示出信号完整的时间-频率分布。

2.2 配电网高阻接地故障特征提取

式（1）-（2）

2.3 配电网高阻接地故障检测算法

本文采用ResNet18分类器识别不同故障样本的SE和HMS图像特征，它是一种常用于图像识别 任务的深度神经网络，优点在于其残差学习结构可以帮助缓解梯度消失和爆炸的问题。 ResNet18分类器模型框架结构如图6所示，该模型以SE和HMS的一对灰度图像作为输入，然后为它分配“失真”“非失真”“随机”或“非随机”四个标签中的一个来表征输入图像，实现对故障样本的分类。

图5 原始信号及其信号包络与希尔伯特边际谱

图6 ResNet18分类器模型框架结构

2.4 配电网高阻接地故障检测流程

HIF检测流程如图7所示，具体步骤如下。

图7 HIF检测流程

1）训练与测试样本生成。利用10kV配电网真型试验系统模拟高阻接地故障，获取长时间尺度的故障零序电压样本数据，采样率为5kHz，数据长度为50个周波，即5000个采样点。

2）对零序电压进行HHT处理得到SE和HMS，随后将SE和HMS转换成灰度图像进行ResNet18分类。ResNet18提供失真与随机、失真与非随机、非失真与随机和非失真与非随机四种可能的预测结果。

3）基于ResNet18的输出结果进行判断，遵循以下规则：若结果为失真与随机，则确认为HIF；若出现另外三种组合中的任意一种情况，则继续判断下一次数据。

3 实验验证

3.1 真型试验系统

为验证算法准确性及保证HIF数据具有失真和随机特性，在10kV真型配电网中做不同介质的高阻接地故障实验，以此获取故障数据。真型试验系统拓扑结构及线路柜如图8所示，由4.9km电缆线 路1、9.7km电缆线路2、25km架空线路和17.35km架空线与电缆混合线路共四条馈线构成 。

图8 真型试验系统拓扑结构及线路柜

3.2 数据介绍

在10kV真型试验系统的9.7km电缆线路2分别进行HIF与单相接地故障实验，由量测设备获取HIF数据83组，包括树枝接地、草地沙土接地、砖石接地与电缆弧光接地故障四种类型；获取单相接地故障数据51组，由0.2k W、2k W和3k W三种不同大小的过渡电阻及0、30°、60°、90°四种故障初相角组合而成。采样频率为5kHz。所用数据为零序电压信号。数据集分布见表2。

表2 数据集分布

3.3 训练策略

将实验所得数据集进行划分，选取其中70%用于训练模型，30%用于测试。在配备3.2GHz英特尔 ® 酷睿 TM i7—8700 、16.00GB RAM和NVIDIA ® GeForce RTX—1060的计算机上运行。 使用Pytorch框架进行训练和测试，模型超参数见表3。 由于超参数是在训练之前设置的，因此选择正确的超参数对优化模型的性能至关重要。 本文采用试错法来确定所提方法在数据集上产生最佳性能的超参数。

表3 模型超参数

3.4 算法性能指标

在获得SE和HMS的灰度图像后，使用ResNet18进行HIF检测。ResNet18模型的训练过程和性能评估如图9所示，其中包括准确率曲线、损失曲线和混淆矩阵。在混淆矩阵中，缩写“D”“ND”“NR”和“R”分别对应“失真”“非失真”“非随机”和“随机”。检测结果表明，经过20轮训练后，ResNet18在测试集上的准确率达到0.97。混淆矩阵表明，ResNet18模型的输出与对应的真实接地情况相吻合。根据ResNet18的输出，能够判断疑似高阻接地故障。

图9 ResNet18的训练过程及性能评估

为解决配电网高阻接地故障的检测问题，本文所提方法采用SE和HMS来捕获HIF在长时间尺度内固有的随机性和畸变特性。有关长时间尺度信号在HIF识别中应用的研究有限，本文的研究工作可作为利用宏观尺度的零序电压数据捕获HIF独特的非线性与不稳定特征的一个实例。由于缺乏长时间尺度的实际故障波形，因此需要在实际配电网中进一步验证所提方法，以获得足够的宏观零序电压数据。配电网高阻接地故障领域的不断研究和实验有助于改进和优化模型的性能，最终确保其在实际现场应用中的有效性和可靠性。

式（3）-（5）

表4 ResNet18模型统计指标

3.5 不同噪声下的检测结果

环境噪声会使故障信号失真，配电网零序电压的信噪比没有统一标准，不同国家遵循各自的指导方针，但一些国际标准，如在2018年所提的IEEE分布式能源与相关电力系统接口互连和互操作性标准，要求与分布式能源连接的电力系统中零序电压信号的信噪比不应小于20dB。为评估本文所提方法的抗干扰性能，在零序电压信号中加入信噪比分别为20dB、25dB、30dB和35dB的高斯白噪声。 ResNet18对HIF的检测准确率受到噪声干扰的影响，较高的噪声水平会导致模型的准确率下降。 但是，从测试结果可以看出，在噪声干扰为20dB的情况下，模型准确率仍然可以达到0.9以上。

3.6 与其他方法对比

为了证明ResNet18在故障检测方面的优异特性，本文构建图像识别中常用的GoogLeNet和AlexNet模型，并将其与ResNet18在不同SE和HMS下的图像分类性能进行比较。不同模型检测结果的对比见表6。表6表明，尽管ResNet18需要更多的计算时间，但其在准确率方面明显优于其他模型。

表6 不同模型检测结果的对比

选取近期文献中的几种方法与本文所提方法进行对比。如前文所述，高阻接地故障检测方法可以分为两种：基于阈值的检测方法和基于人工智能的检测方法。本文所选的文献提出了基于阈值的方法，分别强调在时域、频域和时频域内进行信号分析。文献为最近发表，将其所提出的模型作为基于人工智能的检测算法，与本文提出的方法进行比较。不同方法的检测结果见表7。

表7 不同方法的检测结果

由表7可知，本文所提方法的准确率为0.965，优于其他四种方法。文献[17]采用闭开差分运算（closing opening difference operation, CODO）值作为检测HIF的阈值，但其准确率仅为0.635，与文献展示结果不一致。固定阈值依赖系统的正常运行状态，并且仅在特定分配系统中起作用。

基于阈值的检测方法，如文献和文献所述方法，其各自的阈值是自适应的，适用于大多数故障情况。值得注意的是，文献和文献中的阈值都进行了微调，以实现最佳性能。文献和文献的HIF检测准确率分别达到0.812和0.807，超过了文献所提方法的准确率，但仍然不如本文所提方法。

文献所提模型是基于人工智能的HIF检测算法，该模型是一个关注零序电流中过零现象的端到端模型。第1.2节的分析表明，远离实际故障点测量的零序电流可能比HIF实际故障电流表现出更少的特性，这正是该文献所提模型的准确率只有0.699的原因。

4 结论

本文提出了一种基于ResNet18框架的图像识别方法，利用SE和HMS来实现对HIF的检测。在确定故障时刻后，采集故障后50个周波的长时间尺度零序电压数据，使用HHT提取SE和HMS，该变换结果能够体现出HIF的失真性和随机性。最后，使用搭建好的ResNet18模型进行分类，实现对HIF的诊断。本文利用10kV真型配电网实验室的数据对所提方法进行验证，结果证明了本文方法的有效性。

未来将继续研究配电网高阻接地故障发生时刻的捕捉方法，对捕捉到的故障时刻前后长时间尺度的零序电压进行一次判断，为实际工程中部署算法的工业样机节省计算次数，以及为后续高阻接地故障定位提供先决条件，以全面提升现有方法的实用性和可靠性。

本工作成果发表在2024年第6期《电气技术》，论文标题为“基于信号包络与希尔伯特边际谱的高阻接地故障检测方法”。本课题得到国网福建省电力有限公司科技项目“具有增量学习功能的配电线路弧光接地故障人工智能识别方法研究”的支持。

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

抖音号

☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838