基于物理信息神经网络的谐振接地系统故障选线方法

摘要

针对谐振接地配电网单相接地故障中，高阻接地与强测量噪声导致瞬态特征极其微弱、传统选线方法灵敏度不足以及纯深度学习模型缺乏物理可解释性的问题，提出一种基于物理信息神经网络的自适应故障选线方法。构建了“数据流”与“物理流”并行的双分支网络架构，将健全线路固有的暂态零序电容微分方程作为物理约束嵌入损失函数，并引入可学习参数自适应辨识线路实际电容。利用自动微分技术规避了传统数值求导“噪声放大”的灾难，通过提取各线路拟合后的物理残差并结合最大值比较算子，实现对故障线路违背纯电容物理拓扑的有效证伪与精准锁定。结果表明，在涵盖5 kΩ超高阻、电压过零点及10 dB强高斯白噪声等450组极端复杂工况下，所提方法的选线准确率在仿真条件下均达到100%，显著优于传统5次谐波法与1D-CNN模型，为配电网保护提供了一种兼具高物理可解释性与极强抗噪鲁棒性的解决方案。

关键词

谐振接地系统 / 单相接地故障 / 物理信息神经网络 / 故障选线 / 自动微分

基金资助

安徽省高校自然科学基金重点项目（Kj2021A0471）