简介面向电力系统故障检测与保护控制领域的工程技术人员及高校电气专业研究生这份资料围绕小电流接地系统单相接地故障选线与定位难题提供融合稳态与暂态特征、采用BP神经网络的完整研究方案。资料以1个docx文档形式打包大小仅56KB内容涵盖零序电流基波/五次谐波法、EMD固有模态能量法等特征分析以及MATLAB仿真验证、Python代码实现、模型训练与实例数据评估等核心模块结构紧凑而层次分明。目前已有57人学习浏览。除论文梳理外文档中特别附带了可运行的Python代码及逐行解释覆盖数据准备与预处理、双任务BP网络构建、自定义损失函数和训练评估流程并探讨了EMD改进与变电站实测数据验证思路。读者可据此快速复现实验结合自身电网参数调整特征提取与模型更新策略为实际选线装置设计或算法改进提供直接参考。1. 小电流接地系统的单相接地故障选线为什么难从单一判据到多特征融合10kV配电网中单相接地故障占比超过70%而中性点不接地或经消弧线圈接地的系统在单相接地后故障电流只有几安培到几十安培三相线电压仍然对称保护不跳闸但电弧和过电压会持续威胁设备绝缘。选线难在故障信号本身太弱过渡电阻高时零序电流幅值进一步衰减消弧线圈补偿又会让故障线路的零序电流方向发生反转单一判据在这种工况下几乎必然失效。工程上的出路是把零序电流的幅值、相位、谐波分量、暂态能量等多个特征拼成向量再用BP神经网络学习特征到故障线路和故障距离的非线性映射。这套方案适合配网保护研发、故障录波分析、小电流选线装置调试的工程师下面从特征工程、网络设计、MATLAB实现到泛化验证逐步拆开讲。2. 特征工程先行零序电流多特征融合的输入向量与MATLAB数据预处理2.1 零序电流里值得融合的八个特征量多特征融合的核心不是把特征堆得越多越好而是让每个特征独立覆盖一类故障场景。比如基波幅值在低阻接地时区分度很好但高阻接地时信号衰减严重五次谐波在消弧线圈补偿后依然存在但受非线性负荷干扰首半波极性反映故障初相角附近的暂态过程却在电压过零点附近失效。把这些特征放在同一个输入向量里BP网络才能学会哪些特征在什么条件下可信。常见做法是取故障后一个周波20ms的零序电流I0和零序电压U0计算下列特征特征量提取方法对故障的响应特点基波幅值FFT取50Hz分量幅值故障线路明显增大高阻时衰减基波相位差电流与电压基波相位差故障线路超前健全线路滞后五次谐波幅值FFT取250Hz分量幅值消弧线圈补偿后仍有明显差异五次谐波相位差五次谐波电流与电压相位差受补偿度影响小稳定性好小波包能量占比db4小波3层分解高频节点能量占比反映暂态分量强度抗工频干扰首半波极性前5ms内电流电压乘积符号故障初相角大时可靠过零点失效有功分量电流与电压同相分量幅值消弧线圈并联中电阻后差异显著零序导纳基波电流幅值与电压有效值之比故障馈线导纳明显偏大这些特征中基波幅值、相位差、五次谐波属于稳态特征适合在故障持续期间稳定输出小波包能量和首半波极性属于暂态特征适合在故障发生后的头几个周波提取。把它们拼接成8维向量后送入BP网络等效于把五种不同原理的选线判据做了数据级融合比在判据层投票更细粒度。2.2 特征归一化与样本标签编码训练集该怎么组织BP网络的输入层直接接收特征向量但不同特征的量纲差异很大基波幅值可能是十几安培相位差是弧度小波包能量占比只有0到1。如果不做归一化梯度更新会被大数值特征主导小数值特征几乎学不到权重。常见做法是把每个特征映射到[-1, 1]用MATLAB的mapminmax一次完成。归一化的另一个要点是保存归一化参数。训练时对训练集调用[Xn, ps] mapminmax(X)得到的ps结构体在测试时用mapminmax(apply, X_test, ps)复用它防止测试样本被重新计算均值方差而造成数据泄漏。样本标签分两组。选线是分类任务用1-of-K编码4条馈线对应4维向量故障线路所在位置置1其余置0交给softmax输出层做概率分类。定位是回归任务把故障点到母线距离归一化到0到1之间用单节点线性输出层拟合。两组标签互不干扰但共用同一个特征提取流程。2.3 可运行代码特征提取函数与多工况训练集生成下面这个函数从零序电流和电压的采样序列中计算8维特征向量。代码用MATLAB实现假设采样率fs已知输入为故障后一个周波的采样点。function feat computeFeatures(i0, u0, fs) % 输入: i0/u0 为故障后20ms的零序电流/电压采样序列 % 输出: 8维特征向量 [I1, ph1, I5, ph5, E, polar, I_active, Y0] N length(i0); f0 50; win hanning(N); % 加窗抑制频谱泄漏 I_fft fft(i0 .* win); U_fft fft(u0 .* win); idx1 round(f0/fs*N) 1; % 基波对应的FFT下标 idx5 round(5*f0/fs*N) 1; % 五次谐波对应的下标 I1 abs(I_fft(idx1)) / N * 2; U1 abs(U_fft(idx1)) / N * 2; ph1 angle(I_fft(idx1)) - angle(U_fft(idx1)); I5 abs(I_fft(idx5)) / N * 2; ph5 angle(I_fft(idx5)) - angle(U_fft(idx5)); ph1 wrapToPi(ph1); % 相位映射到[-pi, pi] ph5 wrapToPi(ph5); wpt wpdec(i0, 3, db4); % db4小波包3层分解 node wpcoef(wpt, [3 1]); % 第3层第1节点(高频) allCoeff wpcoef(wpt); % 全部节点系数 totalE 0; for k 1:length(allCoeff) totalE totalE sum(allCoeff{k}.^2); end E sum(node.^2) / totalE; % 高频节点能量占比 [~, imax] max(abs(i0(1:round(N/4)))); % 前5ms内的最大采样点 polar sign(i0(imax) * u0(imax)); I_active sqrt(2) * mean(i0 .* u0) / sqrt(mean(u0.^2)); % 有功分量 Y0 I1 / (sqrt(2) * sqrt(mean(u0.^2))); % 零序导纳 feat [I1, ph1, I5, ph5, E, polar, I_active, Y0]; end参数说明fs必须与实际采样率一致常见录波装置是10kHz或20kHzFFT幅值计算除以N乘以2是幅值恢复加窗后存在栅栏效应实际工程中建议用fft配合插值算法这里简化处理。wpcoef返回的cell数组按节点顺序排列遍历求和得到全频带能量高频节点[3 1]对应8-16kHz频段的暂态分量该分量在故障瞬间幅值很大能弥补稳态特征在高阻接地时的不足。有了特征函数再写一个多工况数据生成脚本。现场数据不足时先用简化零序模型合成训练样本验证流程再替换成ATP/Simulink仿真或实际录波数据。function data gen_training_data(nSamples) % 生成训练样本: 随机故障线路、故障距离、过渡电阻、故障初相角 % 返回 data.X(Nx8), data.T_sel(Nx4), data.T_loc(Nx1), data.fault_line(Nx1) X zeros(nSamples, 8); T_sel zeros(nSamples, 4); T_loc zeros(nSamples, 1); fault_line zeros(nSamples, 1); for k 1:nSamples line randi([1 4]); % 故障线路编号 dist 0.2 0.7*rand(); % 标幺距离 0.2~0.9 Rf 0.5 500*rand(); % 过渡电阻 0.5~500 ohm phi 2*pi*rand(); % 故障初相角 0~2pi % 故障馈线特征: 电流大, 相位超前零序电压约60度 I1 25 * (1 - 0.3*dist) / (1 Rf/80); ph1 pi/3 0.15*randn(); I5 0.6 * I1 0.2*rand(); ph5 pi/6 0.2*randn(); E 0.4 0.3*rand(); polar 1; I_active 0.5 * I1 0.1*randn(); Y0 I1 / 10 0.02*rand(); if line ~ 1 % 这里生成的是被观察馈线的特征, 非故障时幅值很小 I1 0.15 * I1; ph1 -pi/2 - 0.3 - 0.2*rand(); I5 0.1 * I5; ph5 -pi/3 0.2*randn(); E 0.1 0.1*rand(); polar -1; I_active 0.02 * I1; Y0 I1 / 30 0.01*rand(); end X(k,:) [I1, ph1, I5, ph5, E, polar, I_active, Y0]; T_sel(k, line) 1; T_loc(k) dist; fault_line(k) line; end data struct(X, X, T_sel, T_sel, T_loc, T_loc, fault_line, fault_line); end这段代码的依据是零序电流随故障距离增加而衰减、随过渡电阻增大而减小、故障馈线电流显著大于健全馈线的物理规律。现场使用时把rand部分替换成仿真软件导出的特征矩阵即可。数据量方面1200到2000个样本对8输入的小网络足够样本数超过5000时trainlm的内存压力会明显增大可改用trainscg。3. BP神经网络结构图与训练参数选线和定位的双网络设计3.1 BP神经网络结构图输入层、隐层、输出层的尺寸确定在动手写代码前先把网络结构图在脑子里画清楚。输入层节点数等于特征维数也就是8。输出层分两个任务讨论选线是四分类输出层用4个节点配合softmax激活函数输出被解释为该馈线是故障线路的概率定位是回归输出层只有1个节点输出标幺故障距离。隐层层数和节点数是BP神经网络结构图里最需要斟酌的部分。对这个8输入的小规模问题一层隐层就够理论依据是单隐层前馈网络可以逼近任意连续函数。隐层节点数可以按sqrt(输入×输出)1~10的区间试凑8输入4输出开根号是5.66试下来12到20个节点都有我一般取15作为起点训练后观察验证集误差如果欠拟合就加节点如果验证误差先降后升就减节点。隐层节点太多会记住样本噪声太少又学不到特征交叉这个平衡只能靠训练曲线判断。定位网络输入同样是8输出1隐层节点数取12。选线和定位两个任务分开建网络而不是强行塞进一个多输出网络原因在于损失函数和输出层激活函数不同选线用交叉熵和softmax定位用均方误差和purelin分开训练各得其所。3.2 激活函数与训练算法trainlm和tansig为什么是默认组合隐层激活函数用tansig双曲正切几乎是标准做法它输出范围是[-1,1]和归一化后的输入同尺度梯度在零点附近最大收敛快。logsig输出范围是[0,1]在输入小于-3时梯度趋近于零容易产生饱和在这里没有必要用它。训练算法上MATLAB的trainlm即Levenberg-Marquardt算法是中小型BP网络的首选。它结合了梯度下降的全局搜索和高斯-牛顿法的局部快速收敛对几千个样本、几十个权重的网络通常几十步迭代就达到目标误差。它的缺点是内存占用与样本量平方增长样本超过1万时改用trainscg有截断共轭梯度更稳。学习率在trainlm中由算法内部自适应调整不需要手工设置但如果用traingd学习率通常从0.01起步过大会震荡过小会卡在局部极小。数据划分按MATLAB默认的0.7/0.15/0.15分为训练、验证、测试三组。验证组用于提前停止测试组不参与训练只在训练完成后评估真实泛化能力。这个默认配置对配网故障数据是合理的因为同类故障样本之间有相关性但不会强到让测试集失去意义。3.3 可运行代码创建选线网络与定位网络% 归一化 [Xn_train, ps] mapminmax(X_train, -1, 1); Xn_test mapminmax(apply, X_test, ps); % 选线网络: 8输入 - 15隐层(tansig) - 4输出(softmax) net_sel patternnet(15, trainlm); net_sel.layers{1}.transferFcn tansig; net_sel.layers{2}.transferFcn softmax; net_sel.trainParam.epochs 300; net_sel.trainParam.goal 1e-4; net_sel.trainParam.showWindow true; net_sel train(net_sel, Xn_train, T_sel_train); % 定位网络: 8输入 - 12隐层(tansig) - 1输出(purelin) net_loc fitnet(12, trainlm); net_loc.layers{1}.transferFcn tansig; net_loc.layers{2}.transferFcn purelin; net_loc.trainParam.epochs 300; net_loc.trainParam.goal 1e-4; net_loc train(net_loc, Xn_train, T_loc_train);参数说明patternnet创建分类网络输出层自动配置softmax和交叉熵损失标签格式必须是1-of-K矩阵且按列对齐所以训练数据传入时做了转置fitnet创建回归网络输出层purelin损失函数是MSE。内部自动做三路数据划分train命令运行后MATLAB会弹出训练窗口可以看到迭代次数、梯度、验证误差三条曲线验证误差连续6次不下降就提前停止。trainParam里epochs设300是对小网络的上限保护实际通常在几十次迭代内收敛goal设1e-4是目标误差训练误差达到该值会提前结束。两个网络训练完成后分别保存net_sel和net_loc到mat文件后续做在线选线和定位时用load加载即可不用每来一批录波数据就重新训练。4. 故障选线与定位的完整实现多特征融合BP网络的训练、测试与误差验证4.1 仿真工况设计故障距离、过渡电阻、故障初相角的覆盖训练样本要覆盖故障选线最头痛的几个边界条件否则数据再多也只是拟合记忆。故障距离从0.2到0.9标幺值均匀随机采样近端故障零序电流大远端故障信号衰减明显两类样本都要足量。过渡电阻是选线准确率的头号杀手0.5欧姆的金属性接地到500欧姆的高阻接地都要包含高阻样本占比建议不低于30%。故障初相角在0到360度内均匀采样让首半波极性特征的失效区间被网络明确感知它学到的是初相角接近零度时放弃暂态特征、主要依赖稳态特征的决策边界。消弧线圈补偿度这个维度可以加在数据生成里过补偿、欠补偿、全补偿三种状态分别设置相位偏移量。全补偿状态下故障线路的基波无功分量与健全线路几乎相同此时网络必须依赖五次谐波和暂态能量特征这正是多特征融合相对单一判据的优势所在。4.2 选线判据与输出解码从softmax概率到故障线路编号选线网络的输出是4维向量每个元素是softmax概率直接取最大值下标就可以得到故障线路编号。但实际工程里直接只看最大值有个隐患当四条馈线输出概率接近0.25时说明网络对当前工况没有把握这时候强行选线不如告警让运维人员介入。解码逻辑建议加一个置信度判断Y_sel net_sel(Xn_test); [prob_max, pred] max(Y_sel, [], 1); % 置信度阈值: 最大概率低于0.6时标记为无法判定 idx_uncertain prob_max 0.6; pred(idx_uncertain) 0; % 0表示不确定置信度阈值一般取0.6到0.7之间阈值越高误判越少但拒判率也高。配网现场允许少量拒判优先保证选了的就要选对所以把默认值定在0.65比较稳妥后续根据历史误选率调整。4.3 定位输出与误差评估从归一化距离还原为公里定位网络的输出是0到1之间的标幺距离还原成公里数要乘以线路总长度。比如一条架空馈线全长8.5公里输出0.43就对应3.66公里处。评估指标用平均绝对误差MAE和最大绝对误差不用均方误差因为均方误差对大误差的惩罚过重现场关心的是平均偏差多少公里、最差情况能不能接受。定位精度受特征信息量限制单端零序电流本质上是混叠信号只看一条馈线的特征时误差在百分之十到十五以内就算可用。要进一步提高定位精度可以增加各馈线出口电流的相对值特征用多馈线零序电流幅值比来辅助回归这个策略在分支较少的辐射状配网中很有效。4.4 端到端可运行代码训练、测试、混淆矩阵与拟合曲线下面把完整流程串成一个脚本覆盖数据生成、归一化、训练、测试和可视化。%% 多特征融合BP神经网络选线与定位主脚本 clc; clear; close all; rng(42); % 生成1400个样本 data gen_training_data(1400); X data.X; T_sel data.T_sel; T_loc data.T_loc; fault_line data.fault_line; % 80%训练 / 20%测试 n size(X,1); idx randperm(n); n_train round(n*0.8); X_train X(idx(1:n_train),:); X_test X(idx(n_train1:end),:); T_sel_train T_sel(idx(1:n_train),:); T_sel_test T_sel(idx(n_train1:end),:); T_loc_train T_loc(idx(1:n_train),:); T_loc_test T_loc(idx(n_train1:end),:); line_test fault_line(idx(n_train1:end)); % 归一化到[-1,1] [Xn_train, ps] mapminmax(X_train, -1, 1); Xn_test mapminmax(apply, X_test, ps); % 选线网络训练 net_sel patternnet(15, trainlm); net_sel.layers{1}.transferFcn tansig; net_sel.trainParam.epochs 300; net_sel.trainParam.goal 1e-4; net_sel train(net_sel, Xn_train, T_sel_train); % 定位网络训练 net_loc fitnet(12, trainlm); net_loc.layers{1}.transferFcn tansig; net_loc.trainParam.epochs 300; net_loc.trainParam.goal 1e-4; net_loc train(net_loc, Xn_train, T_loc_train); % 测试选线: 准确率 混淆矩阵 Y_sel net_sel(Xn_test); [~, pred_line] max(Y_sel, [], 1); acc mean(pred_line line_test) * 100; fprintf(选线准确率: %.2f%%\n, acc); figure; plotconfusion(T_sel_test, Y_sel); % 测试定位: MAE 最大误差 Y_loc net_loc(Xn_test); err abs(Y_loc - T_loc_test); fprintf(定位MAE: %.4f (标幺), 最大误差: %.4f\n, mean(err), max(err)); figure; plotregression(T_loc_test, Y_loc);代码逻辑说明plotconfusion输出测试集的混淆矩阵矩阵对角线的值越大代表每个故障线路被正确识别的比例越高非对角线数值集中在某个线路列时说明该线路的样本特征与其他线路混淆严重。plotregression画出定位网络输出的拟合曲线横轴是真实距离纵轴是预测距离散点越贴近45度对角线回归性能越好R值低于0.95需要增加隐层节点或补充特征。运行时的训练窗口如果显示验证误差在迭代中先降后升说明模型开始过拟合trainlm内置的提前停止会自动终止并返回验证误差最小时的网络。5. BP神经网络拟合曲线的验证技巧与泛化强化现场部署前的最后一步5.1 用BP神经网络拟合曲线和误差直方图定位欠拟合与过拟合训练结束后不要只看训练集误差重点看plotregression给出的测试集拟合曲线。R值大于0.99说明定位网络拟合得很好R在0.95到0.99之间说明特征信息量基本够用R低于0.9就要回去查特征工程。一个经常出现的现象是训练集R值0.998、测试集R值0.82差值这么大基本可以断定过拟合处理办法是减小隐层节点数同时检查归一化是否把测试数据的信息泄漏进ps结构。另一个直观工具是误差直方图figure; histogram(err, 30); xlabel(标幺距离误差); ylabel(样本数);误差分布接近零且集中在一个窄峰内说明网络稳定如果直方图出现多峰说明某些工况下系统误差偏大按过渡电阻分层绘制误差曲线定位是哪一个电阻区间撑开了误差尾巴。5.2 提前停止与数据扩充提升现场泛化能力的两条路提前停止的机制在MATLAB里是默认开启的但要注意它依赖验证集验证集样本太少时提前停止信号不可靠。数据生成脚本把样本量加到1400后验证集有210个样本足够产生稳定的停止信号。现场数据不足时可以用在合成数据中加入信噪比可调的噪声对特征向量做高斯扰动把每个故障样本复制三份各加不同程度噪声网络的抗干扰能力能明显提升这种方法等价于数据增强且对BP这类数据驱动模型非常有效。为了在库中提供一键生成待分析数据的代码你需要把第2章的computeFeatures函数与本章的训练脚本拼接成一个完整文件matlab数据文件里保留ps结构体、net_sel、net_loc三个变量。部署在线选线装置时实时计算8维特征调用mapminmax(apply, feat, ps)归一化再用net_sel和net_loc前向计算整个推理过程在普通工业控制器的CPU上耗时不足1毫秒。5.3 一个可复用的技巧用滑动窗口统计选线输出置信度现场录波数据常伴有间歇性电弧单周波的特征波动较大直接对每个周波做选线容易抖动。我一般会把连续5个周波的选线输出做一个滑动窗口统计每个周波得到一组4维概率向量窗口内5组概率取平均后再取argmax同时统计最大概率的均值作为置信度。这样即使某两个周波因为电弧熄灭特征异常窗口平均也能平滑掉。实测中这个做法能把间歇性接地工况的选线准确率提升百分之十以上而且实现成本只是几行缓冲区代码。电弧接地时暂态特征和小波包能量占比变化剧烈但基波幅值和五次谐波相对稳定窗口平均恰好让稳定的特征主导决策这正是多特征融合在工程落地时最值得保留的一段逻辑。本文还有配套的精品资源点击获取 基于BP神经网络多特征融合的小电流接地系统故障选线与定位
简介面向电力系统故障检测与保护控制领域的工程技术人员及高校电气专业研究生这份资料围绕小电流接地系统单相接地故障选线与定位难题提供融合稳态与暂态特征、采用BP神经网络的完整研究方案。资料以1个docx文档形式打包大小仅56KB内容涵盖零序电流基波/五次谐波法、EMD固有模态能量法等特征分析以及MATLAB仿真验证、Python代码实现、模型训练与实例数据评估等核心模块结构紧凑而层次分明。目前已有57人学习浏览。除论文梳理外文档中特别附带了可运行的Python代码及逐行解释覆盖数据准备与预处理、双任务BP网络构建、自定义损失函数和训练评估流程并探讨了EMD改进与变电站实测数据验证思路。读者可据此快速复现实验结合自身电网参数调整特征提取与模型更新策略为实际选线装置设计或算法改进提供直接参考。1. 小电流接地系统的单相接地故障选线为什么难从单一判据到多特征融合10kV配电网中单相接地故障占比超过70%而中性点不接地或经消弧线圈接地的系统在单相接地后故障电流只有几安培到几十安培三相线电压仍然对称保护不跳闸但电弧和过电压会持续威胁设备绝缘。选线难在故障信号本身太弱过渡电阻高时零序电流幅值进一步衰减消弧线圈补偿又会让故障线路的零序电流方向发生反转单一判据在这种工况下几乎必然失效。工程上的出路是把零序电流的幅值、相位、谐波分量、暂态能量等多个特征拼成向量再用BP神经网络学习特征到故障线路和故障距离的非线性映射。这套方案适合配网保护研发、故障录波分析、小电流选线装置调试的工程师下面从特征工程、网络设计、MATLAB实现到泛化验证逐步拆开讲。2. 特征工程先行零序电流多特征融合的输入向量与MATLAB数据预处理2.1 零序电流里值得融合的八个特征量多特征融合的核心不是把特征堆得越多越好而是让每个特征独立覆盖一类故障场景。比如基波幅值在低阻接地时区分度很好但高阻接地时信号衰减严重五次谐波在消弧线圈补偿后依然存在但受非线性负荷干扰首半波极性反映故障初相角附近的暂态过程却在电压过零点附近失效。把这些特征放在同一个输入向量里BP网络才能学会哪些特征在什么条件下可信。常见做法是取故障后一个周波20ms的零序电流I0和零序电压U0计算下列特征特征量提取方法对故障的响应特点基波幅值FFT取50Hz分量幅值故障线路明显增大高阻时衰减基波相位差电流与电压基波相位差故障线路超前健全线路滞后五次谐波幅值FFT取250Hz分量幅值消弧线圈补偿后仍有明显差异五次谐波相位差五次谐波电流与电压相位差受补偿度影响小稳定性好小波包能量占比db4小波3层分解高频节点能量占比反映暂态分量强度抗工频干扰首半波极性前5ms内电流电压乘积符号故障初相角大时可靠过零点失效有功分量电流与电压同相分量幅值消弧线圈并联中电阻后差异显著零序导纳基波电流幅值与电压有效值之比故障馈线导纳明显偏大这些特征中基波幅值、相位差、五次谐波属于稳态特征适合在故障持续期间稳定输出小波包能量和首半波极性属于暂态特征适合在故障发生后的头几个周波提取。把它们拼接成8维向量后送入BP网络等效于把五种不同原理的选线判据做了数据级融合比在判据层投票更细粒度。2.2 特征归一化与样本标签编码训练集该怎么组织BP网络的输入层直接接收特征向量但不同特征的量纲差异很大基波幅值可能是十几安培相位差是弧度小波包能量占比只有0到1。如果不做归一化梯度更新会被大数值特征主导小数值特征几乎学不到权重。常见做法是把每个特征映射到[-1, 1]用MATLAB的mapminmax一次完成。归一化的另一个要点是保存归一化参数。训练时对训练集调用[Xn, ps] mapminmax(X)得到的ps结构体在测试时用mapminmax(apply, X_test, ps)复用它防止测试样本被重新计算均值方差而造成数据泄漏。样本标签分两组。选线是分类任务用1-of-K编码4条馈线对应4维向量故障线路所在位置置1其余置0交给softmax输出层做概率分类。定位是回归任务把故障点到母线距离归一化到0到1之间用单节点线性输出层拟合。两组标签互不干扰但共用同一个特征提取流程。2.3 可运行代码特征提取函数与多工况训练集生成下面这个函数从零序电流和电压的采样序列中计算8维特征向量。代码用MATLAB实现假设采样率fs已知输入为故障后一个周波的采样点。function feat computeFeatures(i0, u0, fs) % 输入: i0/u0 为故障后20ms的零序电流/电压采样序列 % 输出: 8维特征向量 [I1, ph1, I5, ph5, E, polar, I_active, Y0] N length(i0); f0 50; win hanning(N); % 加窗抑制频谱泄漏 I_fft fft(i0 .* win); U_fft fft(u0 .* win); idx1 round(f0/fs*N) 1; % 基波对应的FFT下标 idx5 round(5*f0/fs*N) 1; % 五次谐波对应的下标 I1 abs(I_fft(idx1)) / N * 2; U1 abs(U_fft(idx1)) / N * 2; ph1 angle(I_fft(idx1)) - angle(U_fft(idx1)); I5 abs(I_fft(idx5)) / N * 2; ph5 angle(I_fft(idx5)) - angle(U_fft(idx5)); ph1 wrapToPi(ph1); % 相位映射到[-pi, pi] ph5 wrapToPi(ph5); wpt wpdec(i0, 3, db4); % db4小波包3层分解 node wpcoef(wpt, [3 1]); % 第3层第1节点(高频) allCoeff wpcoef(wpt); % 全部节点系数 totalE 0; for k 1:length(allCoeff) totalE totalE sum(allCoeff{k}.^2); end E sum(node.^2) / totalE; % 高频节点能量占比 [~, imax] max(abs(i0(1:round(N/4)))); % 前5ms内的最大采样点 polar sign(i0(imax) * u0(imax)); I_active sqrt(2) * mean(i0 .* u0) / sqrt(mean(u0.^2)); % 有功分量 Y0 I1 / (sqrt(2) * sqrt(mean(u0.^2))); % 零序导纳 feat [I1, ph1, I5, ph5, E, polar, I_active, Y0]; end参数说明fs必须与实际采样率一致常见录波装置是10kHz或20kHzFFT幅值计算除以N乘以2是幅值恢复加窗后存在栅栏效应实际工程中建议用fft配合插值算法这里简化处理。wpcoef返回的cell数组按节点顺序排列遍历求和得到全频带能量高频节点[3 1]对应8-16kHz频段的暂态分量该分量在故障瞬间幅值很大能弥补稳态特征在高阻接地时的不足。有了特征函数再写一个多工况数据生成脚本。现场数据不足时先用简化零序模型合成训练样本验证流程再替换成ATP/Simulink仿真或实际录波数据。function data gen_training_data(nSamples) % 生成训练样本: 随机故障线路、故障距离、过渡电阻、故障初相角 % 返回 data.X(Nx8), data.T_sel(Nx4), data.T_loc(Nx1), data.fault_line(Nx1) X zeros(nSamples, 8); T_sel zeros(nSamples, 4); T_loc zeros(nSamples, 1); fault_line zeros(nSamples, 1); for k 1:nSamples line randi([1 4]); % 故障线路编号 dist 0.2 0.7*rand(); % 标幺距离 0.2~0.9 Rf 0.5 500*rand(); % 过渡电阻 0.5~500 ohm phi 2*pi*rand(); % 故障初相角 0~2pi % 故障馈线特征: 电流大, 相位超前零序电压约60度 I1 25 * (1 - 0.3*dist) / (1 Rf/80); ph1 pi/3 0.15*randn(); I5 0.6 * I1 0.2*rand(); ph5 pi/6 0.2*randn(); E 0.4 0.3*rand(); polar 1; I_active 0.5 * I1 0.1*randn(); Y0 I1 / 10 0.02*rand(); if line ~ 1 % 这里生成的是被观察馈线的特征, 非故障时幅值很小 I1 0.15 * I1; ph1 -pi/2 - 0.3 - 0.2*rand(); I5 0.1 * I5; ph5 -pi/3 0.2*randn(); E 0.1 0.1*rand(); polar -1; I_active 0.02 * I1; Y0 I1 / 30 0.01*rand(); end X(k,:) [I1, ph1, I5, ph5, E, polar, I_active, Y0]; T_sel(k, line) 1; T_loc(k) dist; fault_line(k) line; end data struct(X, X, T_sel, T_sel, T_loc, T_loc, fault_line, fault_line); end这段代码的依据是零序电流随故障距离增加而衰减、随过渡电阻增大而减小、故障馈线电流显著大于健全馈线的物理规律。现场使用时把rand部分替换成仿真软件导出的特征矩阵即可。数据量方面1200到2000个样本对8输入的小网络足够样本数超过5000时trainlm的内存压力会明显增大可改用trainscg。3. BP神经网络结构图与训练参数选线和定位的双网络设计3.1 BP神经网络结构图输入层、隐层、输出层的尺寸确定在动手写代码前先把网络结构图在脑子里画清楚。输入层节点数等于特征维数也就是8。输出层分两个任务讨论选线是四分类输出层用4个节点配合softmax激活函数输出被解释为该馈线是故障线路的概率定位是回归输出层只有1个节点输出标幺故障距离。隐层层数和节点数是BP神经网络结构图里最需要斟酌的部分。对这个8输入的小规模问题一层隐层就够理论依据是单隐层前馈网络可以逼近任意连续函数。隐层节点数可以按sqrt(输入×输出)1~10的区间试凑8输入4输出开根号是5.66试下来12到20个节点都有我一般取15作为起点训练后观察验证集误差如果欠拟合就加节点如果验证误差先降后升就减节点。隐层节点太多会记住样本噪声太少又学不到特征交叉这个平衡只能靠训练曲线判断。定位网络输入同样是8输出1隐层节点数取12。选线和定位两个任务分开建网络而不是强行塞进一个多输出网络原因在于损失函数和输出层激活函数不同选线用交叉熵和softmax定位用均方误差和purelin分开训练各得其所。3.2 激活函数与训练算法trainlm和tansig为什么是默认组合隐层激活函数用tansig双曲正切几乎是标准做法它输出范围是[-1,1]和归一化后的输入同尺度梯度在零点附近最大收敛快。logsig输出范围是[0,1]在输入小于-3时梯度趋近于零容易产生饱和在这里没有必要用它。训练算法上MATLAB的trainlm即Levenberg-Marquardt算法是中小型BP网络的首选。它结合了梯度下降的全局搜索和高斯-牛顿法的局部快速收敛对几千个样本、几十个权重的网络通常几十步迭代就达到目标误差。它的缺点是内存占用与样本量平方增长样本超过1万时改用trainscg有截断共轭梯度更稳。学习率在trainlm中由算法内部自适应调整不需要手工设置但如果用traingd学习率通常从0.01起步过大会震荡过小会卡在局部极小。数据划分按MATLAB默认的0.7/0.15/0.15分为训练、验证、测试三组。验证组用于提前停止测试组不参与训练只在训练完成后评估真实泛化能力。这个默认配置对配网故障数据是合理的因为同类故障样本之间有相关性但不会强到让测试集失去意义。3.3 可运行代码创建选线网络与定位网络% 归一化 [Xn_train, ps] mapminmax(X_train, -1, 1); Xn_test mapminmax(apply, X_test, ps); % 选线网络: 8输入 - 15隐层(tansig) - 4输出(softmax) net_sel patternnet(15, trainlm); net_sel.layers{1}.transferFcn tansig; net_sel.layers{2}.transferFcn softmax; net_sel.trainParam.epochs 300; net_sel.trainParam.goal 1e-4; net_sel.trainParam.showWindow true; net_sel train(net_sel, Xn_train, T_sel_train); % 定位网络: 8输入 - 12隐层(tansig) - 1输出(purelin) net_loc fitnet(12, trainlm); net_loc.layers{1}.transferFcn tansig; net_loc.layers{2}.transferFcn purelin; net_loc.trainParam.epochs 300; net_loc.trainParam.goal 1e-4; net_loc train(net_loc, Xn_train, T_loc_train);参数说明patternnet创建分类网络输出层自动配置softmax和交叉熵损失标签格式必须是1-of-K矩阵且按列对齐所以训练数据传入时做了转置fitnet创建回归网络输出层purelin损失函数是MSE。内部自动做三路数据划分train命令运行后MATLAB会弹出训练窗口可以看到迭代次数、梯度、验证误差三条曲线验证误差连续6次不下降就提前停止。trainParam里epochs设300是对小网络的上限保护实际通常在几十次迭代内收敛goal设1e-4是目标误差训练误差达到该值会提前结束。两个网络训练完成后分别保存net_sel和net_loc到mat文件后续做在线选线和定位时用load加载即可不用每来一批录波数据就重新训练。4. 故障选线与定位的完整实现多特征融合BP网络的训练、测试与误差验证4.1 仿真工况设计故障距离、过渡电阻、故障初相角的覆盖训练样本要覆盖故障选线最头痛的几个边界条件否则数据再多也只是拟合记忆。故障距离从0.2到0.9标幺值均匀随机采样近端故障零序电流大远端故障信号衰减明显两类样本都要足量。过渡电阻是选线准确率的头号杀手0.5欧姆的金属性接地到500欧姆的高阻接地都要包含高阻样本占比建议不低于30%。故障初相角在0到360度内均匀采样让首半波极性特征的失效区间被网络明确感知它学到的是初相角接近零度时放弃暂态特征、主要依赖稳态特征的决策边界。消弧线圈补偿度这个维度可以加在数据生成里过补偿、欠补偿、全补偿三种状态分别设置相位偏移量。全补偿状态下故障线路的基波无功分量与健全线路几乎相同此时网络必须依赖五次谐波和暂态能量特征这正是多特征融合相对单一判据的优势所在。4.2 选线判据与输出解码从softmax概率到故障线路编号选线网络的输出是4维向量每个元素是softmax概率直接取最大值下标就可以得到故障线路编号。但实际工程里直接只看最大值有个隐患当四条馈线输出概率接近0.25时说明网络对当前工况没有把握这时候强行选线不如告警让运维人员介入。解码逻辑建议加一个置信度判断Y_sel net_sel(Xn_test); [prob_max, pred] max(Y_sel, [], 1); % 置信度阈值: 最大概率低于0.6时标记为无法判定 idx_uncertain prob_max 0.6; pred(idx_uncertain) 0; % 0表示不确定置信度阈值一般取0.6到0.7之间阈值越高误判越少但拒判率也高。配网现场允许少量拒判优先保证选了的就要选对所以把默认值定在0.65比较稳妥后续根据历史误选率调整。4.3 定位输出与误差评估从归一化距离还原为公里定位网络的输出是0到1之间的标幺距离还原成公里数要乘以线路总长度。比如一条架空馈线全长8.5公里输出0.43就对应3.66公里处。评估指标用平均绝对误差MAE和最大绝对误差不用均方误差因为均方误差对大误差的惩罚过重现场关心的是平均偏差多少公里、最差情况能不能接受。定位精度受特征信息量限制单端零序电流本质上是混叠信号只看一条馈线的特征时误差在百分之十到十五以内就算可用。要进一步提高定位精度可以增加各馈线出口电流的相对值特征用多馈线零序电流幅值比来辅助回归这个策略在分支较少的辐射状配网中很有效。4.4 端到端可运行代码训练、测试、混淆矩阵与拟合曲线下面把完整流程串成一个脚本覆盖数据生成、归一化、训练、测试和可视化。%% 多特征融合BP神经网络选线与定位主脚本 clc; clear; close all; rng(42); % 生成1400个样本 data gen_training_data(1400); X data.X; T_sel data.T_sel; T_loc data.T_loc; fault_line data.fault_line; % 80%训练 / 20%测试 n size(X,1); idx randperm(n); n_train round(n*0.8); X_train X(idx(1:n_train),:); X_test X(idx(n_train1:end),:); T_sel_train T_sel(idx(1:n_train),:); T_sel_test T_sel(idx(n_train1:end),:); T_loc_train T_loc(idx(1:n_train),:); T_loc_test T_loc(idx(n_train1:end),:); line_test fault_line(idx(n_train1:end)); % 归一化到[-1,1] [Xn_train, ps] mapminmax(X_train, -1, 1); Xn_test mapminmax(apply, X_test, ps); % 选线网络训练 net_sel patternnet(15, trainlm); net_sel.layers{1}.transferFcn tansig; net_sel.trainParam.epochs 300; net_sel.trainParam.goal 1e-4; net_sel train(net_sel, Xn_train, T_sel_train); % 定位网络训练 net_loc fitnet(12, trainlm); net_loc.layers{1}.transferFcn tansig; net_loc.trainParam.epochs 300; net_loc.trainParam.goal 1e-4; net_loc train(net_loc, Xn_train, T_loc_train); % 测试选线: 准确率 混淆矩阵 Y_sel net_sel(Xn_test); [~, pred_line] max(Y_sel, [], 1); acc mean(pred_line line_test) * 100; fprintf(选线准确率: %.2f%%\n, acc); figure; plotconfusion(T_sel_test, Y_sel); % 测试定位: MAE 最大误差 Y_loc net_loc(Xn_test); err abs(Y_loc - T_loc_test); fprintf(定位MAE: %.4f (标幺), 最大误差: %.4f\n, mean(err), max(err)); figure; plotregression(T_loc_test, Y_loc);代码逻辑说明plotconfusion输出测试集的混淆矩阵矩阵对角线的值越大代表每个故障线路被正确识别的比例越高非对角线数值集中在某个线路列时说明该线路的样本特征与其他线路混淆严重。plotregression画出定位网络输出的拟合曲线横轴是真实距离纵轴是预测距离散点越贴近45度对角线回归性能越好R值低于0.95需要增加隐层节点或补充特征。运行时的训练窗口如果显示验证误差在迭代中先降后升说明模型开始过拟合trainlm内置的提前停止会自动终止并返回验证误差最小时的网络。5. BP神经网络拟合曲线的验证技巧与泛化强化现场部署前的最后一步5.1 用BP神经网络拟合曲线和误差直方图定位欠拟合与过拟合训练结束后不要只看训练集误差重点看plotregression给出的测试集拟合曲线。R值大于0.99说明定位网络拟合得很好R在0.95到0.99之间说明特征信息量基本够用R低于0.9就要回去查特征工程。一个经常出现的现象是训练集R值0.998、测试集R值0.82差值这么大基本可以断定过拟合处理办法是减小隐层节点数同时检查归一化是否把测试数据的信息泄漏进ps结构。另一个直观工具是误差直方图figure; histogram(err, 30); xlabel(标幺距离误差); ylabel(样本数);误差分布接近零且集中在一个窄峰内说明网络稳定如果直方图出现多峰说明某些工况下系统误差偏大按过渡电阻分层绘制误差曲线定位是哪一个电阻区间撑开了误差尾巴。5.2 提前停止与数据扩充提升现场泛化能力的两条路提前停止的机制在MATLAB里是默认开启的但要注意它依赖验证集验证集样本太少时提前停止信号不可靠。数据生成脚本把样本量加到1400后验证集有210个样本足够产生稳定的停止信号。现场数据不足时可以用在合成数据中加入信噪比可调的噪声对特征向量做高斯扰动把每个故障样本复制三份各加不同程度噪声网络的抗干扰能力能明显提升这种方法等价于数据增强且对BP这类数据驱动模型非常有效。为了在库中提供一键生成待分析数据的代码你需要把第2章的computeFeatures函数与本章的训练脚本拼接成一个完整文件matlab数据文件里保留ps结构体、net_sel、net_loc三个变量。部署在线选线装置时实时计算8维特征调用mapminmax(apply, feat, ps)归一化再用net_sel和net_loc前向计算整个推理过程在普通工业控制器的CPU上耗时不足1毫秒。5.3 一个可复用的技巧用滑动窗口统计选线输出置信度现场录波数据常伴有间歇性电弧单周波的特征波动较大直接对每个周波做选线容易抖动。我一般会把连续5个周波的选线输出做一个滑动窗口统计每个周波得到一组4维概率向量窗口内5组概率取平均后再取argmax同时统计最大概率的均值作为置信度。这样即使某两个周波因为电弧熄灭特征异常窗口平均也能平滑掉。实测中这个做法能把间歇性接地工况的选线准确率提升百分之十以上而且实现成本只是几行缓冲区代码。电弧接地时暂态特征和小波包能量占比变化剧烈但基波幅值和五次谐波相对稳定窗口平均恰好让稳定的特征主导决策这正是多特征融合在工程落地时最值得保留的一段逻辑。本文还有配套的精品资源点击获取