一种多分支配电网故障定位方法

来源：《中国电力》2026年第1期

引文：

张玉敏, 王德龙, 张晓, 等. 基于多维故障特征提取的CNN-BiGRU-ATT多分支配电网故障定位. 中国电力, 2026, 59(1): 163-174.

ZHANG Yumin, WANG Delong, ZHANG Xiao, et al. CNN-BiGRU-ATT multi-branched distribution network fault location based on multi-dimensional fault feature extraction. Electric Power, 2026, 59(1): 163-174.

DOI: 10.11930/j.issn.1004-9649. 202507050

摘要

【目的】针对多分支配电网故障定位在微弱故障条件下故障特征提取困难的问题，提出了基于多维故障特征提取的卷积神经网络（convolution neural network，CNN）-双向门控循环单元（bidirectional gated recurrent unit，BiGRU）-注意力机制（attention mechanism，ATT）多分支配电网故障定位方法。

【方法】首先，分析不同故障位置和故障分支的行波特性，采用基于直线检测（line segment detector，LSD）的波头标定方法提取故障波头的坐标、幅值和斜率等信息，利用主成分分析法（principal component analysis，PCA）构造与故障位置成映射关系的多维故障特征空间；其次，构建CNN-BiGRU-ATT故障定位模型，深入挖掘时序特征和幅值特征与故障位置之间的关联；最后，结合分类与回归任务，分别实现故障区段定位与精准定位。在有限样本的情况下，区段定位准确率达99.6429%，精准定位误差55.77 m，跨工况误差最低2.95 m。

【结果】结果表明，该模型能有效关联多维故障特征与故障信息，较对比模型具有更优的故障定位精度稳定性与场景泛化能力。

研究背景

作为电力系统的末端，配电网的可靠运行直接影响电能质量，精确快速的故障定位是确保其可靠运行的关键。受限于结构复杂与分支节点众多，传统技术难以实现多分支配电网故障的准确定位。因此，研究多分支配电网的故障定位方法，对提升电力系统安全性与经济性具有重要意义。

数据驱动的深度学习算法在故障特征挖掘中展现出优越的特征提取能力和应用潜力，进而逐步引入到新能源场站、输电网、配电网等故障定位领域。然而，配电网分支复杂，短路故障特征多样，故障定位模型须具备更强特征挖掘与泛化能力。

随着配电网信息耦合度提升，故障特征呈现复杂非线性特性，深度学习可离线建模实现快速区段定位。单数据驱动方法大多依赖简单映射模型，特征挖掘不足，场景适应性差，难以实现辐射状分支网络的精确定位。

结语

为解决传统方法和现有数据驱动模型在特征关联建模与精准定位存在不足的问题，本文提出了一种基于多维故障特征提取的CNN-BiGRU-ATT多分支配电网故障定位方法。

由于本文所提方法基于行波传播特性，受系统运行工况影响较小，未来将重点考虑拓扑变化下的适用性，并结合仿真与实测数据进一步验证其在高渗透率分布式电源配电网中的适用性。

作者简介

张玉敏

张玉敏（1986），女，博士，副教授，硕士生导师，从事电力系统运行与控制研究；

张晓（1991），女，通信作者，硕士，中级实验师，从事微电网故障分析与保护配置研究。