利用混合狼鸟优化器（Hybrid Wolf-Bird Optimizer）和大核注意力图卷积网络（Large-kernel Attention Graph Convolutional Network）改进微电网连接系统，以检测和分类输电线路故障
《Energy》：Improve MicroGrid Connected Systems with Hybrid Wolf-Bird Optimizer and Large-kernel Attention Graph Convolutional Network for Detecting and Classifying Transmission Line Faults
编辑推荐：
本文提出基于LKA-GCN网络与Wolf-Bird优化器（WBO）的微电网传输线故障检测与分类方法，采用Newton时间抽取小波变换（NTEWT）提取特征，通过优化模型参数提升分类准确率至99.93%，召回率98.87%，MAE仅0.13，显著优于传统ANN、CNN和DCNN模型。
B. Sathya | G.R. Venkatakrishnan | R. Jeya
电气与电子工程系，PSG技术学院，Peelamedu，哥印拜陀，泰米尔纳德邦，印度
摘要
在微电网系统中，输电线路故障可能导致严重的中断，如短路和停电，通常由绝缘失效、天气条件或物理损坏引起。及时准确的故障检测可以确保电网的稳定性和不间断的电力供应。本研究提出了一种改进的微电网连接故障检测和分类方法，该方法使用大核注意力图卷积网络（LKA-GCN），并通过一种新颖的Wolf-Bird优化器（WBO）进行优化。输入数据来自电力故障线检测数据集。一种有用的故障信号特征提取方法是牛顿时间提取小波变换（NTEWT）。LKA-GCN随后处理这些特征，将情况分类为“故障”和“无故障”两类。WBO用于微调网络的权重，以提高学习性能和泛化能力。所提出的策略已在MATLAB中实现，并与人工神经网络（ANN）、卷积神经网络（CNN）和深度CNN（DCNN）等现有方法进行了基准测试。评估结果表明，所提出的策略具有98.87%的高召回率、0.13的低平均绝对误差（MAE）和99.93%的出色准确率，证实了其在微电网连接系统的输电线路故障检测中的优越性能。
引言
随着工业4.0的到来，随着工业发展、技术进步和普遍的连接性，电力需求呈指数级增长[1]。这种发展导致了非常复杂和集成的输电网，需要复杂的监控和控制[2]。它们的稳定和高效运行是现代电网面临的最大挑战之一[3]。输电线路故障是可能导致电力传输中断并威胁系统稳定性的主要问题之一[4]。故障通常由环境因素（如雷电或树木倒塌）、设备故障、绝缘层破裂或操作员错误引起[5]。故障可能导致长时间停电、设备损坏以及对操作员和消费者的安全隐患[6]。故障通常被分类为单线对地（SLG）、线对线（LL）和三相线对地（LLL），每种情况都需要独特的保护方案[7]。现代保护方案利用数字继电器、通信网络和自动隔离来最小化停机时间并提高系统韧性[8]。可再生能源和分布式发电单元的整合进一步增加了系统的复杂性和故障多样性[9]。因此，形成强大且智能的故障检测和分类方法对于确保微电网集成输电系统的安全、可靠和连续运行至关重要[10]。
最近的研究探索了微电网连接电力系统中输电线路故障分类和检测的先进方法。
最近的研究中研究了多种微电网连接系统中输电线路故障检测和分类的方法。Goni等人[11]介绍了一种基于极端学习机（ELM）的方法，该方法能够快速、高精度地检测故障，并且训练时间短，但在不同电网条件下的泛化能力受到数据质量的限制。Thomas等人[12]提出了一种基于变压器的CNN，用于高阻抗和对称故障的检测和定位，具有有效的端到端学习能力，尽管模型的性能对配电系统数据的实际复杂性敏感。同样，Luo等人[13]设计了一种基于DCNN的UBDDM模型，用于检测输电线路中的微小缺陷，提高了复杂检查图像的准确性，而Hu等人[14]利用深度自编码器进行特征选择和数据清洗以提高可靠性，但其性能受到训练数据质量和故障模式复杂性的限制。
基于视觉的方法也得到了研究。Singh等人[15]使用无人机图像和伪原型网络进行可解释的故障检测，但结果取决于图像质量和环境条件。Lu等人[16]提出了一种基于差分进化的三阶段动态网络攻击模型，用于应对隐蔽的虚假数据注入攻击。Enjavimadar和Rastegar[17]提出了一种基于可靠性的电力分配网络维护日历，支持系统可靠性以及成本效益管理，但其有效性取决于正确的故障数据和动态网络条件。Shukla等人[18]通过Gramian角差场（GADF）将电压时间序列转换为图像，并使用自适应粒子群优化（APSO）优化的CNN进行分类。尽管分类性能准确，但由于收敛行为，跨故障类型的泛化能力受到限制。Khadse等人[19]使用磁场传感器和贝叶斯神经网络实现了非侵入式检测，但性能极度依赖于传感器位置。Fayazi等人[20]提出了一种无需通信的快速混合决策树和AI方法，用于交流/直流故障检测，但该方法过度依赖于系统配置的假设。
尽管取得了这些进展，但目前大多数技术仍存在一些局限性，如特征提取能力有限、对新故障类型的适应性差、依赖环境以及可扩展性不足。基于优化的方法存在收敛和泛化问题，而小规模模型或静态模型无法应对当代微电网连接系统的复杂性。这些方法强调了需要一种强大、自适应且高精度的故障检测机制，该机制结合了时空相关性和先进的优化技术，以实现无故障和最优的微电网运行。
本研究的目标是设计一种有效的输电线路故障检测和分类系统，具有高准确性、低延迟推理以及适应不同微电网场景的灵活性。为了克服现有方法的挑战，研究将大核注意力图卷积网络（LKA-GCN）与Wolf-Bird优化器（WBO）结合成一种新的混合架构，既能捕捉时空关系，又能优化网络参数以实现稳定的故障识别。LKA-GCN从电力信号中提取有信息量的模式，而WBO则实施混合全局搜索策略以优化权重。牛顿时间提取小波变换（NTEWT）提供了有效的信号分解，以便在具有挑战性的故障情况下进行稳健的特征提取。这种集成方法减少了对传感器位置、噪声和数据变化的敏感性，实现了高速、可靠且可扩展的故障检测，适用于现实世界的微电网部署。总体而言，与传统方法相比，所提出的方法在准确性、响应性和灵活性方面表现更佳。
本文的重要贡献如下：
- •
提出了一种结合LKA-GCN和WBO的混合技术，用于微电网传输系统中的可靠故障检测和分类。
- •
利用LKA-GCN识别局部和全局信号依赖性，以实现故障/无故障分类中的高效特征学习。
- •
使用WBO调整LKA-GCN参数，以最小化分类错误并最大化对不同故障类型的泛化能力。
- •
提高了对噪声环境、传感器故障和早期模型中的时间问题限制的鲁棒性。
本文的结构如下：第2部分概述了输电线路故障配置；第3部分详细介绍了所提出的算法；第4部分阐明了结果和讨论；第5部分对研究进行了总结。
电力系统中输电线路故障的配置
图1展示了电力系统中输电线路的故障位置和故障类型策略。随后，从电力故障线检测数据库接收数据。NTEWT从原始数据中确定故障信号，并区分故障状态和正常状态。提取的特征由经过LKA-GCN-WBO训练的深度学习模型分析，以正确识别和分类故障。这提高了系统的可靠性并减少了停机时间。
电力系统中输电线路故障的提出算法
本文介绍了LKA-GCN-WBO方法，该方法结合了LKA-GCN和WBO。使用NTEWT提取电力系统的故障信号。LKA-GCN用于识别输电线路的缺陷。WBO用于优化LKA-GCN的权重参数，以实现输电线路故障检测。
结果与讨论
使用LKA-GCN-WBO框架分析了电力系统的输电线路，并与包括ANN、CNN和DCNN在内的现有模型进行了比较，所有模型均在MATLAB中进行了模拟。在相似的条件下评估现有方法，以确保公平比较。表1展示了为平衡模型复杂性和效率而选择的超参数设置。21×21核捕获了广泛的空间特征，而GELU激活函数和优化的WBO参数促进了平滑
结论
本文提出了一种新的高效故障检测和分类方法，用于微电网连接系统，该方法使用LKA-GCN和WBO。该过程包括使用NTEWT进行有效且有用的特征提取，然后使用LKA-GCN进行故障和无故障分类，其中WBO优化了权重并增强了模型的学习和泛化能力。所提出的策略未在MATLAB中实现，并与ANN、CNN和DCNN进行了对比。所提出的模型表现更好，准确率为99.93%
CRediT作者贡献声明
R. Jeya：监督。
B. Sathya：撰写——原始草案。
G.R. Venkatakrishnan：监督。
伦理批准
本文不包含任何作者与人类参与者进行的研究。
数据可用性声明
本文不符合数据共享的条件，因为它不产生或分析任何新数据。
资金信息
政府、私营或非营利部门的资助机构没有为这项研究提供专门的资金。
利益冲突声明
?作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
