基于稀疏波形编码和简单卷积神经网络的故障馈线检测算法：该算法采用多尺度滤波器以及一层卷积层来进行故障识别

《CSEE Journal of Power and Energy Systems》：Faulty-Feeder Detection Based on Sparse Waveform Encoding and Simple Convolutional Neural Network with Multi-Scale Filters and One Layer of Convolution

　　针对中性点非有效接地配电网络中单相接地故障（SLG）检测效率低和易过拟合的问题，提出了一种基于稀疏波形编码和单层卷积神经网络的创新检测方法。首先，利用波形图像的稀疏特性设计波形编码方法，将原始波形压缩为仅含0和1的紧凑向量。其次，构建包含多尺度滤波器和注意力学习块的简化的CNN模型，通过单层卷积操作提取故障特征，显著降低计算复杂度。实验表明，该方法在噪声干扰和复杂拓扑网络中均能保持99.99%以上的检测准确率，且训练时间较传统方法减少约60%，验证了其高效性和鲁棒性。

　　在电力系统中，中性点非有效接地的配电网中存在一种被称为“故障馈线检测”的关键技术。这项技术的核心目标是快速准确地识别出发生故障的线路，从而保障电力供应的安全性与稳定性。在实际应用中，故障馈线检测的准确性和效率直接影响电力系统的运行质量与故障处理能力。然而，传统的故障馈线检测方法在面对复杂故障情况和干扰噪声时，往往存在识别效果不佳的问题，这限制了其在实际工程中的应用。

近年来，研究人员越来越多地采用复杂的数字信号处理技术以及深度神经网络（DNN）来提取和学习故障信号中的详细特征。这些方法虽然在某些情况下表现良好，但由于其模型结构复杂，计算成本高，且容易出现过拟合现象，因此在实际应用中难以满足对准确性和效率的双重要求。为了解决这些问题，本文提出了一种创新的波形编码方法，并设计了一个结构简单的卷积神经网络（CNN），旨在提升故障馈线检测的效率与准确性。

本文提出的波形编码方法基于波形信号的稀疏特性，将原始波形转化为紧凑的向量序列。这一编码过程通过分析波形在不同时间段内的特性，将波形信息压缩为包含0和1的简单向量。这种编码方式不仅大大减少了计算量，还使得波形特征更易于处理。通过将所有馈线的波形编码为向量矩阵，CNN可以有效地学习和比较不同馈线的波形特征，从而提高识别的准确性。

CNN模型采用了一个包含多尺度滤波器和注意力学习模块的单层卷积结构。这种设计使得模型在保持简洁性的同时，能够捕捉到不同尺度下的特征差异。同时，注意力学习模块通过权重调整，增强了模型对不同特征之间关系的识别能力，从而提高了对复杂故障情况的适应性。该模型在训练过程中仅需186秒/轮，且在训练数据和验证数据上均实现了接近完美的检测准确率，这表明其在实际应用中的计算效率和性能表现均优于传统方法。

实验部分采用PSCAD软件生成的仿真数据以及实际电力系统中的现场测试数据进行验证。仿真数据涵盖了不同拓扑结构、参数配置和故障场景下的配电网模型，其中包含了多种接地方式、故障位置和阻抗值。同时，现场测试数据来自多个变电站，这些数据反映了实际电网中复杂的故障情况，如间歇性电弧接地故障和高阻抗接地故障。实验结果表明，该方法在高噪声干扰和复杂故障场景下依然保持了极高的识别准确率，特别是在处理电弧接地故障和非接地配电网中的故障识别方面表现出色。

此外，该方法还展示了良好的拓扑结构适应性。即使训练数据中未包含某些拓扑结构的故障数据，模型依然能够在新的网络拓扑结构下准确识别故障馈线。这种泛化能力使该方法适用于不同规模和结构的配电网系统。同时，通过对比实验，可以发现传统的故障特征分析方法和基于深度学习的图像识别方法在面对高噪声或复杂故障时，识别准确率和效率都显著低于本文提出的基于稀疏波形编码和简单CNN的故障馈线检测方法。

该方法的另一个显著优势在于其对实际应用的适应性。对于实际电力系统中的故障检测任务，由于现场数据获取困难，通常依赖于仿真数据。本文提出的方法通过有效的波形编码策略，能够在减少计算负担的同时，准确提取故障信号的特征。因此，这种方法不仅适用于故障馈线检测，还可推广至其他涉及稀疏信号的故障诊断任务，如振动信号分析等。

综上所述，本文提出的方法通过将波形信号转化为稀疏向量，并结合简单的CNN结构，实现了对故障馈线的高效识别。这种方法不仅降低了计算成本和模型复杂度，还显著提升了识别的准确性，从而为电力系统的故障检测提供了一种新的解决方案。随着电力系统规模的不断扩大和对故障识别精度的更高要求，这种基于稀疏波形编码和简单CNN的故障馈线检测方法，将为实际工程应用提供更大的潜力与价值。