简介这份资源面向电力系统研究人员、电网保护与控制工程师以及关注小电流接地系统故障检测的从业者聚焦单相接地故障的选线与定位难题。针对传统方法依赖单一故障特征易误判的痛点资源提出结合暂态与稳态信息、借助BP神经网络融合多种判据的思路先分析零序电流基波、五次谐波等稳态特征与固有模态能量等暂态特征再构建样本数据集训练网络完成选线与定位并结合内蒙古地区变电站实际数据验证有效性。包内共1个PDF文件约743KB内含完整论文与Python代码实现覆盖数据准备与预处理、BP神经网络模型构建、训练评估及预测示例便于读者复现实验、理解检测原理也可为开发更高效的故障检测算法提供参考。目前已有78人学习。1. 小电流接地选线为什么总翻车从零序电流到 BP 融合判据10kV 配电网里最让人头疼的故障不是那种一上来就跳闸的短路而是单相接地——故障电流小到只有几安培线路还能继续跑但如果不及时找到是哪条线、哪个位置弧光过电压能把绝缘一点点啃穿最后演变成相间短路。传统选线靠零序电流基波幅值比大小或者看五次谐波含量现场跑一圈下来你会发现有的变电站基波法准得离谱换个站就集体误判原因在于消弧线圈补偿度、线路长度、电缆架空混合比例全在变。这份资源的核心思路是不赌单一判据把稳态的基波/五次谐波和暂态的固有模态能量一起喂给 BP 神经网络让网络自己学权重同时输出故障线路编号和故障位置百分比。适合手里有录波数据、想从规则法切到数据驱动法的继保工程师也适合做电力系统故障诊断方向的研究生拿来复现和改结构。2. 稳态与暂态特征到底怎么提FFT 与 EMD 的代码级拆解2.1 基波与五次谐波FFT 提取的采样率陷阱稳态特征里最常用的两个量是零序电流的 50Hz 基波幅值和 250Hz 五次谐波幅值。基波法在消弧线圈未过补偿时有效五次谐波法在过补偿时反而更稳因为消弧线圈对五次谐波的补偿效果远不如基波。提取逻辑本身不复杂但对采样率和频率分辨率有硬要求。import numpy as np from scipy import fft class FeatureExtractor: def __init__(self, sampling_rate1000): # 采样率默认 1000Hz对应 Nyquist 频率 500Hz # 要覆盖 250Hz 五次谐波采样率至少 600Hz工程上取 1000~2000Hz self.sampling_rate sampling_rate def extract_steady_state(self, signal): 提取稳态特征基波(50Hz)和五次谐波(250Hz)幅值 n len(signal) yf fft.fft(signal) # 只取正频率部分频率分辨率 fs/n xf np.linspace(0, self.sampling_rate // 2, n // 2) # 基波分量找最接近 50Hz 的频点 fundamental_idx np.argmin(np.abs(xf - 50)) fundamental 2 / n * np.abs(yf[fundamental_idx]) # 五次谐波找最接近 250Hz 的频点 fifth_harmonic_idx np.argmin(np.abs(xf - 250)) fifth_harmonic 2 / n * np.abs(yf[fifth_harmonic_idx]) return np.array([fundamental, fifth_harmonic])这段代码里有两个参数直接决定特征质量。第一个是sampling_rate如果现场录波装置只给你 800Hz 采样250Hz 的频点勉强能采到但幅值衰减明显建议重采样到 2000Hz 以上再算。第二个是n也就是参与 FFT 的窗口长度n 越大频率分辨率越高但故障暂态过程很短窗口太长会把暂态混进稳态我一般取 2~3 个工频周期即 40~60ms 对应的点数。代码里2/n这个系数是单边谱幅值还原少乘了它算出来的幅值只有真实值一半这是新手最容易翻车的地方。2.2 固有模态能量EMD 分解后取哪个 IMF暂态特征用的是零序电流固有模态能量本质是对故障暂态信号做经验模态分解EMD得到若干本征模态函数IMF再算能量。论文里取的是最后一个 IMF 的能量这个选择有讲究——EMD 分解出来的 IMF 从高频到低频排列最后一个 IMF 通常对应信号趋势项或最低频振荡在接地故障暂态里它承载了与故障线路强相关的低频能量。from PyEMD import EMD def extract_transient(self, signal): 提取暂态特征固有模态能量 emd EMD() IMFs emd(signal) # 返回 shape 为 (n_imfs, n_samples) 的数组 # 每个 IMF 沿时间轴求平方和得到该模态的能量 energy np.sum(IMFs ** 2, axis1) # 取最后一个 IMF 的能量作为暂态特征 return energy[-1]实际跑的时候你会发现 EMD 有两个坑。一是端点效应信号首尾各有一小段分解失真如果故障点刚好在录波窗口边缘这个特征就不可信常见做法是加镜像延拓或者直接掐掉首尾各 10% 的数据。二是模态混叠当基波幅值远大于暂态分量时第一个 IMF 里会混进 50Hz 成分这时候取最后一个 IMF 反而避开了污染。如果你用 HHT 变换做时频分析思路类似但要注意 Hilbert 谱的边缘效应比 EMD 本身更严重。2.3 特征拼接与归一化量纲不统一会怎样稳态特征幅值可能在 0.1~5A 范围暂态能量可能是 0.01~2 的量级直接拼在一起送进网络梯度会被大量纲特征主导。所以拼接后必须做归一化论文里用的是 MinMaxScaler把每个特征独立缩放到 [0,1]。from sklearn.preprocessing import MinMaxScaler # 假设 steady 是 (n,2)transient 是 (n,1) X np.concatenate([steady, transient], axis1) scaler MinMaxScaler() X_scaled scaler.fit_transform(X)注意fit_transform只能在训练集上做验证集和测试集必须用训练集 fit 出来的 scaler 做transform否则就是数据泄露测试准确率会虚高。我见过有人把全部数据一起归一化再切分结果选线准确率报 98%换一组新数据直接掉到 60%血泪经验。3. 双任务 BP 网络怎么搭选线分类与定位回归的损失加权3.1 为什么不用两个独立网络选线和定位共享同一组输入特征故障线路的零序电流特征和故障位置的特征在物理上是耦合的——故障点越靠近母线暂态能量越集中选线特征也越明显。用两个独立网络等于放弃了这种耦合信息。论文的做法是一个共享底层 两个输出头底层学到的融合特征同时服务两个任务参数量也更少。import tensorflow as tf from tensorflow.keras.layers import Dense, BatchNormalization, Dropout class FaultDiagnosisModel(tf.keras.Model): def __init__(self, num_lines5): super().__init__() # 共享特征层 self.dense1 Dense(64, activationrelu) self.bn1 BatchNormalization() self.dropout1 Dropout(0.3) # 双任务输出头 self.line_selection Dense(num_lines, activationsoftmax, nameline_output) self.location Dense(1, activationsigmoid, namelocation_output) def call(self, inputs): x self.dense1(inputs) x self.bn1(x) x self.dropout1(x) line_prob self.line_selection(x) # 选线5 条线路的概率分布 location self.location(x) # 定位归一化到 [0,1] 的位置 return {line_output: line_prob, location_output: location}num_lines按变电站实际出线数改5 条线就写 512 条就写 12。Dropout(0.3)是防过拟合的样本少于 2000 条时可以加到 0.4~0.5。定位输出用 sigmoid 把值压到 [0,1]训练时标签要除以 100预测时再乘回 100 得到百分比。3.2 自定义损失函数分类和回归怎么加权选线是分类任务用交叉熵定位是回归任务用 MSE两个损失直接相加会有一个问题——交叉熵的量级通常比 MSE 大网络会偏向选线而忽略定位。论文里给定位损失乘了 0.1 的权重这个系数不是拍脑袋是试出来的。def custom_loss(y_true, y_pred): # y_true 形状 (batch, 2)第一列是线路编号第二列是位置百分比 true_line tf.cast(y_true[:, 0], tf.int32) pred_line y_pred[:, 0] # 选线损失稀疏交叉熵 line_loss tf.keras.losses.sparse_categorical_crossentropy( true_line, pred_line, from_logitsTrue) # 定位损失MSE location_loss tf.keras.losses.mse(y_true[:, 1], y_pred[:, 1]) return line_loss 0.1 * location_loss如果你发现训练后选线准但定位 MAE 一直在 20% 以上把 0.1 调到 0.3~0.5 再试。反过来如果定位准了选线乱跳说明分类损失被压制了调回 0.05。这个权重本质是在两个任务的梯度之间做平衡没有理论最优值只能根据你的数据分布试。3.3 训练流程与 EarlyStopping完整训练流程里数据划分、模型编译、回调都要配好。EarlyStopping的patience设 10 意味着验证损失连续 10 个 epoch 不下降就停避免过拟合。from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping model FaultDiagnosisModel(num_lines5) model.compile( optimizerAdam(0.001), loss{ line_output: sparse_categorical_crossentropy, location_output: mse }, metrics{ line_output: accuracy, location_output: mae } ) history model.fit( X_train, {line_output: line_labels, location_output: location_labels}, epochs200, batch_size32, validation_split0.2, callbacks[EarlyStopping(patience10, restore_best_weightsTrue)] )batch_size在样本少于 1000 时建议降到 16梯度更新更频繁收敛更稳。Adam(0.001)是默认学习率如果 loss 震荡厉害降到 0.0005。restore_best_weightsTrue保证训练结束后模型回到验证损失最低的那个 epoch不加这个参数你拿到的可能是过拟合后的权重。4. 避坑与排查从数据泄露到 EMD 端点效应4.1 选线准确率虚高但现场误判现象测试集选线准确率 95% 以上拿到变电站新录波数据一跑5 条线里错 3 条。原因训练集和测试集来自同一段连续录波故障工况高度相似模型学到了工况特征而不是故障特征。解决按时间切分数据集用前 70% 时间的数据训练后 30% 测试或者按不同故障类型金属性、弧光、经电阻分层抽样确保测试集里有训练集没见过的工况。4.2 定位 MAE 始终降不下来现象选线准确率能到 90%但定位 MAE 卡在 25% 不动。原因定位标签本身有问题——论文里定位标签是 5~100% 的均匀分布但实际故障位置往往集中在线路中后段均匀分布是模拟数据造的假象。解决用真实录波对应的故障测距结果做标签如果拿不到精确位置至少按线路长度分段做粗粒度分类别硬做回归。4.3 EMD 分解报错或能量特征全为零现象emd(signal)返回空数组或者算出来的能量全是 0。原因信号里有 NaN 或 Inf或者信号长度太短少于 100 个点EMD 无法分解。解决送进 EMD 之前先做np.nan_to_num清洗信号长度不够就补零到至少 256 点但补零会引入虚假模态更好的做法是保证录波窗口至少覆盖 3 个工频周期。4.4 五次谐波幅值比基波还大现象提取出来的五次谐波幅值超过基波明显违反物理规律。原因采样率不够导致频率混叠250Hz 的频点实际对应的是混叠后的低频分量。解决确认录波装置采样率低于 600Hz 的先做抗混叠滤波再重采样到 2000Hz 以上如果原始数据已经混叠这个特征直接弃用别硬修。4.5 模型保存后加载预测结果不一致现象训练完model.save保存重新加载后同一组输入预测结果变了。原因自定义损失函数和自定义层没有注册加载时用了默认实现。解决保存时用model.save(fault_model.h5)加载时加custom_objects参数把custom_loss和FaultDiagnosisModel传进去或者改用 SavedModel 格式model.save(fault_model)不依赖 Python 类定义。5. 从模拟数据到变电站实录波迁移学习与在线更新技巧论文里用的是模拟数据但真正落地必须过实录波这一关。我一般会分两步走先用模拟数据预训练一个基础模型再用变电站实录波做微调。微调时冻结底层特征提取层只训练最后三层学习率降到 0.0001这样既保留了模拟数据学到的通用特征又适配了具体变电站的线路参数。def transfer_learning(base_model, new_data, new_labels): # 冻结前若干层只微调输出头 for layer in base_model.layers[:-3]: layer.trainable False base_model.compile( optimizerAdam(0.0001), loss{line_output: sparse_categorical_crossentropy, location_output: mse}, metrics{line_output: accuracy, location_output: mae} ) base_model.fit(new_data, new_labels, epochs50, batch_size16, validation_split0.2) return base_model冻结层数取决于你的实录波数据量。如果新变电站只有几十条录波冻结到只剩输出头如果有几百条可以解冻最后 5 层。微调完一定要用留出的验证集跑一遍混淆矩阵看哪条线路容易被误判——通常是线路长度相近、零序电流幅值接近的那两条这种情况可以考虑加线路拓扑特征比如线路对地电容电流估值作为额外输入。另一个实战技巧是数据增强。现场录波不可能覆盖所有故障工况加噪声是最简单的扩充方式但噪声水平要控制好。def augment_fault_data(signals, noise_level0.05): 给原始信号叠加高斯噪声模拟不同信噪比工况 noisy_signals [] for sig in signals: noise np.random.normal(0, noise_level * np.max(np.abs(sig)), len(sig)) noisy_signals.append(sig noise) return noisy_signalsnoise_level取 0.05 对应约 26dB 信噪比现场录波一般在 30~40dB所以 0.02~0.05 比较合理。加完噪声要重新提特征、重新归一化不能拿原始特征直接加噪声。我习惯在训练前把增强数据混进训练集验证集保持纯净这样能真实反映模型在噪声下的泛化能力。最后说一个验证方法别只看准确率和 MAE画一张选线混淆矩阵和定位误差分布直方图。混淆矩阵能告诉你哪两条线容易混误差直方图能看出定位偏差是均匀分布还是集中在某一段。如果误差集中在 80%~100% 区间说明线路末端故障的暂态特征太弱需要考虑加行波测距做补充。从那以后我每次拿到新的录波数据都强制先跑一遍特征提取和可视化确认基波、五次谐波、模态能量的物理合理性再送进网络这一步省不得。希望帮到你。本文还有配套的精品资源点击获取