近日，我所在配电网早期故障检测研究上取得重要进展，相关成果以“Incipient Fault Detection in Power Distribution System: A Time-Frequency Embedded Deep Learning Based Approach”为题发表在学术期刊IEEE Transactions on Instrumentation and Measurement上。合肥工业大学为该论文的第一署名单位。
配电网将电力从输电系统输送到用户端，是人们生活和社会不可分割的一部分。配电系统的早期故障检测对于提高电网的可靠性至关重要。然而，由于早期故障信号的非平稳性、故障数据样本少以及故障的自我恢复等原因，使得配电系统中的早期故障检测成为一项巨大的挑战。现有的故障检测手段，通常是手动提取特征再根据设定的规则进行分类，严重依赖人工经验，且无法精确提取非平稳故障信号特征；或者是使用神经网络进行分类，但这要求大量训练数据，也缺乏对早期故障的非平稳性分析。
针对以上难题，我所开展了一系列研究。研究人员发现，在信号处理方法中，小波变换可以处理非平稳信号，提取时频特征，而长短时记忆神经网络（LSTM）可以对时间序列建模。在此基础上，研究人员独创性的将小波变换中的尺度参数和平移参数变为转变为可动态学习的形式，并将其嵌入到LSTM中，提出了Adaptive Time-Frequency Memory（AD-TFM）单元。这一单元能够从非平稳的早期故障信号中提取时频特征。此外，研究人员基于AD-TFM单元，进一步设计了一种带有注意力机制(Attention)的递归神经网络AD-TFM-AT，能够更加准确的提取的故障时频特征，实现早期故障分类。为了解决早期故障数据量少的问题，研究人员提出了两种数据增强方法——相位切换和时间滑动，可以有效扩大训练数据量，支持神经网络训练。实验证明，所提出得模型表现出最优检测性能，而数据增强方法有效提升模型训练结果。综上所述，这项研究结合信号处理方法和神经网络实现故障的非平稳性分析；通过改变故障数据结构和故障数据截取时刻，实现数据增强；为后续配电网早期故障检测提供一种新思路。
该工作得到国家自然科学基金、安徽省自然科学基金的资助。
论文链接：https://doi.org/10.48550/arXiv.2302.09332
（图文/罗欢）