很多电气专业的学生第一次把机器学习和电力系统结合起来练手选的都是“输电线路故障诊断”这个题目。原因很直接这类项目的数据能通过仿真批量生成问题本质是一个标准的分类问题结果又能用准确率这种直观指标来评价跑通了还自带一套“人工特征经典神经网络”的组合拳比单纯背理论公式要有获得感得多。我见过不少同学下载过“BP神经网络输电线路故障诊断”这类压缩包解压出来往往就是一堆数据文件加一个或者几个py文件。标题写得很好听——“解压缩可直接运行”但真正能一次性顺利跑出来的人其实比想象中少。不是代码有问题而是环境配置、数据格式、依赖版本这些前置细节会卡住不少人。这篇文章我就以这类项目为对象把从数据集到训练再到诊断评估的完整链条拆开讲一遍重点回答三个问题这套代码背后的故障诊断原理是什么、每个环节在做什么、如果跑不通该从哪里排查。1. 输电线路故障诊断的本质一个11类分类问题1.1 故障类型识别模型在电力系统里的角色输电线路是电力系统里最容易发生故障的元件雷击、风偏、外力破坏、绝缘老化都可能导致短路故障。故障发生之后继电保护装置需要在极短时间内判断“发生了什么”然后决定是跳闸、重合闸还是闭锁。传统做法是用保护装置内部的逻辑判断回路基于电流电压的幅值、相位、序分量关系去识别故障类型。人工编写这类判断规则需要处理大量边界情况故障点在线路首端和末端时电气量大小不同过渡电阻从0欧到几十欧变化时零序电流幅度差异很大这些都会让规则表变得异常复杂。数据驱动的故障诊断思路则完全不同。它把故障识别看成一种模式分类问题——采集故障前后的电压电流信号提取特征用一个训练好的分类器直接输出故障类型。BP网络就是这类思路里最经典的实现方式之一。对于初学者来说它的价值在于结构简单、原理清晰、实现门槛低同时又足够完成一个11类别分类任务。1.2 11类故障到底是怎么来的输电线路短路故障按相别组合可以分成四大类单相接地短路、两相短路、两相接地短路、三相短路。每一类里面再细分故障相就有了完整的11个类别故障类别具体类型数量正常运行无故障1单相接地AG、BG、CG3两相短路AB、BC、CA3两相接地ABG、BCG、CAG3三相短路ABC1BP网络在这里做的事情就是根据输入的电压电流特征判断当前样本属于这11类中的哪一类。注意这里判断的是“故障类型”而不是“故障位置”。故障测距是另一个问题属于回归任务本文的代码不涉及。很多初学者容易把两者混在一起实际上类型识别和距离定位虽然都用故障数据但建模思路完全不同。1.3 BP网络的原理用一次训练迭代说清楚BP网络全称是反向传播神经网络核心结构是输入层、一个或多个隐藏层、输出层。它的训练过程可以拆成两个交替进行的步骤。前向传播输入特征向量从左到右经过每一层的加权求和与激活函数变换最终在输出层得到每个类别的预测概率。代码里通常用softmax作为输出层激活函数把输出值映射成11个概率所有概率之和为1。反向传播把预测结果和真实标签之间的差异计算成损失值常用交叉熵损失然后利用链式求导法则从输出层往前逐层计算每个权重对该损失的影响程度也就是梯度。最后按梯度的反方向微调权重让损失值变小。可以用一个生活化的类比来理解把网络训练想象成一个人蒙着眼睛下山损失函数就是山的海拔高度当前位置就是一组权重参数梯度告诉你哪个方向是下坡学习率决定你每一步迈多大。BP网络做的就是不断重复“感知方向、迈出一步”这个过程直到走到山谷底部——也就是损失函数收敛。对于输电线路故障诊断这个任务训练数据是仿真生成的故障样本特征向量描述的是故障瞬间的电气量特征标签是11种运行状态。BP网络要学习的就是从“电气量特征空间”到“故障类别空间”的非线性映射。2. 故障样本从哪来数据集生成与特征提取2.1 仿真样本Simulink里批量生成故障数据压缩包里附带的数据集正常情况下不是从变电站录波装置里拿的真实数据而是用仿真软件生成的。最常用的工具是MATLAB Simulink搭建一个双端电源的输电线路模型线路中间设置一个三相故障模块然后批量跑仿真。批量生成样本的思路是这样固定系统模型不变改变三个关键参数——故障位置、过渡电阻、故障初相角。比如故障位置取线路全长的10%、20%、30%一直到90%过渡电阻取0欧、5欧、20欧、50欧故障初相角取0度、30度、60度、90度每个组合都跑一次仿真记录故障发生后一个周波内的三相电压和电流波形。把参数组合遍历一遍几千个样本就出来了。这一步的原理是不同故障条件下电压电流波形会呈现不同特征模型需要通过多样本学习才能覆盖实际运行中可能遇到的各种情况。如果样本只有故障位置固定、过渡电阻为0的极端情况训练出来的模型在实际场景中几乎没有泛化能力。2.2 特征提取为什么代码里用FFT提取基波仿真生成的是原始采样波形不能直接把几千个采样点都塞进BP网络。原因有两个一是特征维度太高会导致网络参数量过大训练效率低二是原始采样点包含大量相邻点之间的冗余信息对分类贡献有限。实际项目中普遍采用的做法是先用快速傅里叶变换FFT提取故障后一个周波内电压电流信号的基波分量得到基波幅值和相位角然后组合成特征向量。以三相电压和三相电流为例每相提取基波幅值和相位角得到12个特征再叠加零序电压和零序电流的幅值一共14维左右这组特征就完全够用了。用基波分量的物理依据是电力系统在稳态运行和稳态短路条件下电压电流主要由50Hz基波分量主导故障类型的不同主要体现在基波幅值的分布关系和相位差异上。至于故障暂态过程中的高次谐波和非周期分量在特征提取阶段往往会被滤除或忽略如果要做暂态保护或者行波测距那是另一套特征提取方案。特征选择是整个项目中影响准确率最关键的一环比网络结构选择的影响还要大。网络结构不好可以从头再调特征选错了输入信息里根本没有区分两类故障的物理量再好的网络也学不出正确边界。2.3 标签编码与数据集格式数据集文件常见的格式有两种一种是CSV或Excel表格每一行是一个样本前面若干列是特征值最后一列是故障类型标签另一种是MAT文件里面存着特征矩阵和标签矩阵。压缩包附带的代码会负责把数据文件读进来转成NumPy数组然后进行标签编码——把字符串形式的故障类型名称比如AG、BC映射成0到10的整数编号。标签编码这一步容易被忽略但它直接影响模型训练。如果拿原始字符串直接喂给网络会报类型错误如果用普通的整数编码而不做处理则需要配合稀疏交叉熵损失函数使用。代码里通常会先把标签转成整数再用to_categorical转成one-hot向量再配合categorical_crossentropy损失函数训练。原理上one-hot是把“第几类”这种离散信息表达成网络输出层能够计算梯度的连续向量。3. Python代码拆解从数据读取到模型评估3.1 主程序整体结构压缩包里的代码无论是一个单文件还是拆成多个模块核心流程都是相同的五步读取数据、预处理、划分训练集和测试集、训练BP网络、评估结果。理解了这条主线不管代码是keras写还是sklearn写你都能顺着往下读。3.2 数据读取与预处理数据读取这一步代码里通常长这样import pandas as pd import numpy as np data pd.read_csv(dataset/fault_data.csv) X data.iloc[:, :-1].values y data.iloc[:, -1].values print(特征矩阵尺寸:, X.shape) print(样本标签数量:, y.shape)读取之后要做两件关键事情。第一件是归一化。电压和电流的量纲不同电压是kV级别电流是kA级别如果直接放进网络数值大的特征会在梯度计算中占据绝对主导地位导致数值小的特征完全学不到。归一化的目的就是把所有特征压缩到接近的量纲范围内让每个特征对梯度的贡献大致均匀。常见做法有两种# MinMax归一化映射到[0,1] from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() X_scaled scaler.fit_transform(X) # StandardScore标准化均值为0方差为1 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X)第二件是把数据集划分成训练集和测试集。常用的比例是7:3或者8:2用train_test_split完成from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X_scaled, y, test_size0.3, random_state42, stratifyy )stratify参数的作用是按类别比例抽样保证训练集和测试集里每一类故障样本的占比与原始数据一致。如果不加这个参数某些小类别可能全部落入训练集或测试集导致评估结果失真。3.3 BP网络的构建与训练两种常见实现这类项目里BP网络有两种主流实现方式。第一种是用Keras代码核心部分如下from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.utils import to_categorical y_train_onehot to_categorical(y_train, num_classes11) y_test_onehot to_categorical(y_test, num_classes11) model Sequential([ Dense(32, activationrelu, input_shape(X_train.shape[1],)), Dense(32, activationrelu), Dense(11, activationsoftmax) ]) model.compile( optimizeradam, losscategorical_crossentropy, metrics[accuracy] ) history model.fit( X_train, y_train_onehot, epochs200, batch_size32, validation_data(X_test, y_test_onehot), verbose1 )第二种是用scikit-learn的MLPClassifierfrom sklearn.neural_network import MLPClassifier clf MLPClassifier( hidden_layer_sizes(32, 32), activationrelu, solveradam, max_iter500, random_state42 ) clf.fit(X_train, y_train)两种写法本质上是同一个模型。区别在于Keras更灵活能自定义每一层的细节训练过程中可以方便地监控loss曲线sklearn封装程度更高代码更短适合快速验证思路。压缩包里的代码用哪一种都不奇怪你只需要看import语句就能判断。隐藏层节点数选32是一个在精度和训练成本之间比较折中的选择。实际项目里建议以特征维度为参考做调整特征维度是14隐藏层节点数取30到50之间通常都能取得不错的表现不需要刻意追求很大的网络。数据量只有几千条的故障诊断任务网络规模过大会带来过拟合风险而不是提升精度。3.4 评估与可视化准确率不是唯一指标训练完成后代码里通常会有评估部分输出测试集整体准确率并画出混淆矩阵和loss曲线。from sklearn.metrics import accuracy_score, classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns # 用Keras模型预测 y_pred np.argmax(model.predict(X_test), axis1) # 用sklearn模型预测 # y_pred clf.predict(X_test) acc accuracy_score(y_test, y_pred) print(测试集准确率: {:.2f}%.format(acc * 100)) print(classification_report(y_test, y_pred)) # 混淆矩阵 cm confusion_matrix(y_test, y_pred) plt.figure(figsize(10, 8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues) plt.xlabel(预测类别) plt.ylabel(真实类别) plt.savefig(confusion_matrix.png, dpi300)单看准确率很多这类项目都能做到95%以上但准确率高不代表模型可靠。混淆矩阵能告诉你哪些类别之间容易互相认错这比一个笼统的准确率数字有价值得多。比如两相短路和两相接地短路混淆说明特征中缺乏区分这两类的关键物理量这时候要回去检查特征提取方案而不是继续调网络参数。loss曲线同样是训练过程的体检报告。训练集loss持续下降而验证集loss先降后升是典型的过拟合信号训练集和验证集loss都降不下去则要怀疑是特征表达力不足或者网络容量不够。4. 解压缩即可运行环境准备和完整步骤4.1 环境配置清单标题说“可直接运行”但直接运行的前提是环境匹配。根据代码的import语句不同需要安装的依赖会有差异。我建议新建一个独立虚拟环境避免污染系统Python也方便复现。conda create -n bp_fault python3.8 conda activate bp_fault pip install numpy pandas matplotlib scikit-learn # 如果代码用了TensorFlow再加一行 pip install tensorflow-cpuPython版本建议3.8或3.9这两个版本对TensorFlow和scikit-learn的兼容性都很稳定。不需要配置GPU这种千级样本的小型BP网络在CPU上跑完全没压力一个训练周期几十秒就结束了。很多人在这一步浪费了时间想着去装CUDA和cuDNN实际完全没有必要。4.2 目录结构与运行顺序解压之后先看目录结构。典型的项目结构长这样BP_fault/ ├── dataset/ │ ├── fault_data.csv │ └── readme.txt ├── main.py ├── model.py ├── predict.py └── requirements.txt运行顺序通常是先跑训练脚本生成模型文件再跑预测脚本对新的测试样本做诊断。有些项目把训练和预测写在一个文件里直接运行主文件就会输出所有结果。建议运行前先打开主文件确认数据集路径是不是写死的绝对路径。如果代码里写的是C:\\Users\\abc\\Desktop\\data.csv这种绝对路径换机器之后需要改成相对路径否则会报FileNotFoundError。判断方法很简单看代码里加载数据那一行用的是相对路径还是绝对路径。4.3 终端运行与预期结果环境配置完成后在项目根目录执行python main.py如果一切正常终端会输出类似这样的训练日志每轮迭代的loss值、验证集准确率、最终测试集准确率、混淆矩阵图片保存路径。整个训练过程大约几十秒到几分钟取决于迭代次数和数据量。运行结束后项目目录下会多出模型权重文件比如model.h5或者model.pkl这些是训练产物后续预测脚本会加载它们。有些项目还会生成loss曲线图图片名称通常是classification_report.png。4.4 常见运行报错和处理报错信息原因解决方案ModuleNotFoundError: No module named tensorflow缺少TensorFlow依赖执行pip install tensorflow-cpuFileNotFoundError: data.csv数据集路径不对改为相对路径确认代码和数据在同一工作目录UnicodeDecodeError数据文件编码问题读取时指定encodinggbk或utf-8Data cardinality is ambiguous训练输入和标签样本数不一致检查是不是划分训练集之后没有对齐索引h5py版本与TensorFlow版本冲突h5py版本过高或过低安装指定版本pip install h5py3.7.0我在实际帮人排查时发现八成运行失败都集中在环境依赖和路径问题真正代码逻辑出错的比例很低。5. 实测中踩过的坑和调参经验5.1 不固定随机种子两次训练结果差异很大BP网络初始化权重是随机的数据划分也是随机的。如果不固定随机种子同样的数据集、同样的网络结构两次训练出来的准确率可能差2到3个百分点。这不是bug是神经网络随机性的正常表现。解决方案是在代码开头固定随机种子保证实验可复现import numpy as np import tensorflow as tf np.random.seed(42) tf.random.set_seed(42)如果你用的是sklearn的MLPClassifier它的接口里有random_state参数在构造模型时设置好就行。做实验对比不同方案时固定随机种子是基本素养。不固定的话你无法判断准确率差异是来自方案本身的优劣还是来自随机初始化运气。5.2 学习率设置不当loss变nanKeras里用Adam优化器时默认学习率是0.001对这个任务规模来说基本是安全的。但有些人喜欢自己调优化器参数把学习率调到0.1以上训练几轮之后loss直接变成nan权重大面积溢出。遇到这种情况第一反应应该是降低学习率而不是怀疑数据有问题。把学习率降到0.01再试通常就能恢复正常。还有一种情况是数据归一化没做好特征值范围过大梯度计算时数值不稳定同样会触发nan。排查顺序应该是先确认归一化再调学习率。5.3 隐藏层节点数不是越多越好我曾见过有人把隐藏层节点数调到512想“让网络更强大”。在小数据集上这种做法的直接结果是训练集准确率接近100%测试集准确率反而下降过拟合了。隐藏层节点数和数据量要匹配。2000个样本、14维特征的任务每层30到50个神经元已经足够表达决策边界。一个可用的经验起点是取输入维度和输出类别数的平均值再乘以2左右。隐藏层层数方面两层隐藏层已经很有余量三层以上在这个任务规模上收益很小反而增加训练时间和过拟合风险。5.4 混淆矩阵里的秘密哪些类别容易认错我在这类项目里反复观察到两个容易混淆的组合。第一个是两相短路和两相接地短路之间的混淆。它们的主要区别在于是否存在零序分量——两相短路没有零序两相接地短路有零序。如果特征工程阶段没有加入零序电压或零序电流特征网络很难区分这两类。第二个是单相接地故障中不同故障相的混淆尤其是过渡电阻较大时。过渡电阻大意味着故障特征不明显各相电气量差异变小模型判断难度天然增加。这属于数据本身的物理特性不是调参能解决的。如果你在跑完代码后发现准确率没有达到理想水平不要急着改网络结构先看混淆矩阵集中在哪几类然后回到特征提取环节补充相应的物理量特征。这个排查思路比盲目调整epoch和神经元数量有效得多。5.5 训练集比例和类别均衡数据不平衡是这类项目里很容易踩的坑。如果仿真时11类样本数量差距过大网络会倾向于预测样本量多的类别导致少数类准确率很低。检查方法很简单import collections print(collections.Counter(y))如果发现类别不均衡优先考虑过采样复制少数类样本或者调整train_test_split时使用stratify参数。理想情况下仿真数据是可控的应该在生成样本阶段就保证每类样本数量基本一致。6. 从Demo级项目到实际工程应用差距在哪里6.1 仿真数据和现场录波数据的差异跑通这个项目之后要清醒地认识到一个问题仿真数据训练出来的模型直接拿去做现场故障诊断效果大概率不理想。原因有几个仿真数据是理想情况没有考虑互感器饱和、噪声干扰、采样不同步等因素现场录波数据里包含衰减的非周期分量和高次谐波特征提取方法需要调整更关键的是仿真模型中的线路参数和系统运行方式都是确定的而实际电网的运行方式会动态变化故障前功率角、负荷水平等因素都会影响故障电气量的特征。从仿真到工程应用中间还隔着一大截。6.2 模型选型的边界BP网络依然有效但不是万能的BP网络在这个任务中的定位是一个合理的基线模型并不是最优模型。对比来看支持向量机SVM在样本量较小的情况下往往训练更快、精度更高尤其适合特征维度不高的小数据集CNN能直接从原始波形提取特征省去人工特征工程但需要更多数据支撑LSTM擅长处理时间序列在利用故障暂态过程方面有一定优势。选择哪种模型取决于你的核心限制条件。如果只有一个几千条样本的数据集要求快速跑通并解释原理BP网络是最合适的选择如果追求更高准确率且不介意增加代码复杂度SVM是性价比很高的升级如果工作场景有大量真实故障数据再考虑深度学习方案。技术选型没有绝对的好坏只有是否匹配当前条件。6.3 从故障类型识别到故障定位一个自然的扩展方向类型识别只是故障诊断的第一层。实际工程里保护人员更关心故障发生的位置——是在线路首端、中间还是末端因为不同位置的故障对系统稳定性的影响截然不同。故障定位可以建模为一个回归问题输入同样是故障时的电压电流特征输出是故障距离百分比。BP网络也适用只需要把输出层从11个节点的softmax改成1个节点的线性输出损失函数换成均方误差MSE。如果你已经跑通了本文的故障分类代码做这个扩展就是很自然的下一步。我自己实测下来用同样的特征做故障定位误差可以控制在百分之几的范围内作为入门级实现已经足够。最后再分享一点我在实际使用中的体会跑通这个压缩包里的代码只是起点真正有价值的动作是把它拆开、改一遍、再装回去。换一组故障数据试试删掉一个特征看看准确率怎么变化把隐藏层从两层改成三层观察过拟合现象这些尝试花费的时间不多但对理解BP网络和故障诊断之间的关系远比重复跑十遍代码更有帮助。
BP神经网络输电线路故障诊断：从原理到代码实现
很多电气专业的学生第一次把机器学习和电力系统结合起来练手选的都是“输电线路故障诊断”这个题目。原因很直接这类项目的数据能通过仿真批量生成问题本质是一个标准的分类问题结果又能用准确率这种直观指标来评价跑通了还自带一套“人工特征经典神经网络”的组合拳比单纯背理论公式要有获得感得多。我见过不少同学下载过“BP神经网络输电线路故障诊断”这类压缩包解压出来往往就是一堆数据文件加一个或者几个py文件。标题写得很好听——“解压缩可直接运行”但真正能一次性顺利跑出来的人其实比想象中少。不是代码有问题而是环境配置、数据格式、依赖版本这些前置细节会卡住不少人。这篇文章我就以这类项目为对象把从数据集到训练再到诊断评估的完整链条拆开讲一遍重点回答三个问题这套代码背后的故障诊断原理是什么、每个环节在做什么、如果跑不通该从哪里排查。1. 输电线路故障诊断的本质一个11类分类问题1.1 故障类型识别模型在电力系统里的角色输电线路是电力系统里最容易发生故障的元件雷击、风偏、外力破坏、绝缘老化都可能导致短路故障。故障发生之后继电保护装置需要在极短时间内判断“发生了什么”然后决定是跳闸、重合闸还是闭锁。传统做法是用保护装置内部的逻辑判断回路基于电流电压的幅值、相位、序分量关系去识别故障类型。人工编写这类判断规则需要处理大量边界情况故障点在线路首端和末端时电气量大小不同过渡电阻从0欧到几十欧变化时零序电流幅度差异很大这些都会让规则表变得异常复杂。数据驱动的故障诊断思路则完全不同。它把故障识别看成一种模式分类问题——采集故障前后的电压电流信号提取特征用一个训练好的分类器直接输出故障类型。BP网络就是这类思路里最经典的实现方式之一。对于初学者来说它的价值在于结构简单、原理清晰、实现门槛低同时又足够完成一个11类别分类任务。1.2 11类故障到底是怎么来的输电线路短路故障按相别组合可以分成四大类单相接地短路、两相短路、两相接地短路、三相短路。每一类里面再细分故障相就有了完整的11个类别故障类别具体类型数量正常运行无故障1单相接地AG、BG、CG3两相短路AB、BC、CA3两相接地ABG、BCG、CAG3三相短路ABC1BP网络在这里做的事情就是根据输入的电压电流特征判断当前样本属于这11类中的哪一类。注意这里判断的是“故障类型”而不是“故障位置”。故障测距是另一个问题属于回归任务本文的代码不涉及。很多初学者容易把两者混在一起实际上类型识别和距离定位虽然都用故障数据但建模思路完全不同。1.3 BP网络的原理用一次训练迭代说清楚BP网络全称是反向传播神经网络核心结构是输入层、一个或多个隐藏层、输出层。它的训练过程可以拆成两个交替进行的步骤。前向传播输入特征向量从左到右经过每一层的加权求和与激活函数变换最终在输出层得到每个类别的预测概率。代码里通常用softmax作为输出层激活函数把输出值映射成11个概率所有概率之和为1。反向传播把预测结果和真实标签之间的差异计算成损失值常用交叉熵损失然后利用链式求导法则从输出层往前逐层计算每个权重对该损失的影响程度也就是梯度。最后按梯度的反方向微调权重让损失值变小。可以用一个生活化的类比来理解把网络训练想象成一个人蒙着眼睛下山损失函数就是山的海拔高度当前位置就是一组权重参数梯度告诉你哪个方向是下坡学习率决定你每一步迈多大。BP网络做的就是不断重复“感知方向、迈出一步”这个过程直到走到山谷底部——也就是损失函数收敛。对于输电线路故障诊断这个任务训练数据是仿真生成的故障样本特征向量描述的是故障瞬间的电气量特征标签是11种运行状态。BP网络要学习的就是从“电气量特征空间”到“故障类别空间”的非线性映射。2. 故障样本从哪来数据集生成与特征提取2.1 仿真样本Simulink里批量生成故障数据压缩包里附带的数据集正常情况下不是从变电站录波装置里拿的真实数据而是用仿真软件生成的。最常用的工具是MATLAB Simulink搭建一个双端电源的输电线路模型线路中间设置一个三相故障模块然后批量跑仿真。批量生成样本的思路是这样固定系统模型不变改变三个关键参数——故障位置、过渡电阻、故障初相角。比如故障位置取线路全长的10%、20%、30%一直到90%过渡电阻取0欧、5欧、20欧、50欧故障初相角取0度、30度、60度、90度每个组合都跑一次仿真记录故障发生后一个周波内的三相电压和电流波形。把参数组合遍历一遍几千个样本就出来了。这一步的原理是不同故障条件下电压电流波形会呈现不同特征模型需要通过多样本学习才能覆盖实际运行中可能遇到的各种情况。如果样本只有故障位置固定、过渡电阻为0的极端情况训练出来的模型在实际场景中几乎没有泛化能力。2.2 特征提取为什么代码里用FFT提取基波仿真生成的是原始采样波形不能直接把几千个采样点都塞进BP网络。原因有两个一是特征维度太高会导致网络参数量过大训练效率低二是原始采样点包含大量相邻点之间的冗余信息对分类贡献有限。实际项目中普遍采用的做法是先用快速傅里叶变换FFT提取故障后一个周波内电压电流信号的基波分量得到基波幅值和相位角然后组合成特征向量。以三相电压和三相电流为例每相提取基波幅值和相位角得到12个特征再叠加零序电压和零序电流的幅值一共14维左右这组特征就完全够用了。用基波分量的物理依据是电力系统在稳态运行和稳态短路条件下电压电流主要由50Hz基波分量主导故障类型的不同主要体现在基波幅值的分布关系和相位差异上。至于故障暂态过程中的高次谐波和非周期分量在特征提取阶段往往会被滤除或忽略如果要做暂态保护或者行波测距那是另一套特征提取方案。特征选择是整个项目中影响准确率最关键的一环比网络结构选择的影响还要大。网络结构不好可以从头再调特征选错了输入信息里根本没有区分两类故障的物理量再好的网络也学不出正确边界。2.3 标签编码与数据集格式数据集文件常见的格式有两种一种是CSV或Excel表格每一行是一个样本前面若干列是特征值最后一列是故障类型标签另一种是MAT文件里面存着特征矩阵和标签矩阵。压缩包附带的代码会负责把数据文件读进来转成NumPy数组然后进行标签编码——把字符串形式的故障类型名称比如AG、BC映射成0到10的整数编号。标签编码这一步容易被忽略但它直接影响模型训练。如果拿原始字符串直接喂给网络会报类型错误如果用普通的整数编码而不做处理则需要配合稀疏交叉熵损失函数使用。代码里通常会先把标签转成整数再用to_categorical转成one-hot向量再配合categorical_crossentropy损失函数训练。原理上one-hot是把“第几类”这种离散信息表达成网络输出层能够计算梯度的连续向量。3. Python代码拆解从数据读取到模型评估3.1 主程序整体结构压缩包里的代码无论是一个单文件还是拆成多个模块核心流程都是相同的五步读取数据、预处理、划分训练集和测试集、训练BP网络、评估结果。理解了这条主线不管代码是keras写还是sklearn写你都能顺着往下读。3.2 数据读取与预处理数据读取这一步代码里通常长这样import pandas as pd import numpy as np data pd.read_csv(dataset/fault_data.csv) X data.iloc[:, :-1].values y data.iloc[:, -1].values print(特征矩阵尺寸:, X.shape) print(样本标签数量:, y.shape)读取之后要做两件关键事情。第一件是归一化。电压和电流的量纲不同电压是kV级别电流是kA级别如果直接放进网络数值大的特征会在梯度计算中占据绝对主导地位导致数值小的特征完全学不到。归一化的目的就是把所有特征压缩到接近的量纲范围内让每个特征对梯度的贡献大致均匀。常见做法有两种# MinMax归一化映射到[0,1] from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() X_scaled scaler.fit_transform(X) # StandardScore标准化均值为0方差为1 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X)第二件是把数据集划分成训练集和测试集。常用的比例是7:3或者8:2用train_test_split完成from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X_scaled, y, test_size0.3, random_state42, stratifyy )stratify参数的作用是按类别比例抽样保证训练集和测试集里每一类故障样本的占比与原始数据一致。如果不加这个参数某些小类别可能全部落入训练集或测试集导致评估结果失真。3.3 BP网络的构建与训练两种常见实现这类项目里BP网络有两种主流实现方式。第一种是用Keras代码核心部分如下from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.utils import to_categorical y_train_onehot to_categorical(y_train, num_classes11) y_test_onehot to_categorical(y_test, num_classes11) model Sequential([ Dense(32, activationrelu, input_shape(X_train.shape[1],)), Dense(32, activationrelu), Dense(11, activationsoftmax) ]) model.compile( optimizeradam, losscategorical_crossentropy, metrics[accuracy] ) history model.fit( X_train, y_train_onehot, epochs200, batch_size32, validation_data(X_test, y_test_onehot), verbose1 )第二种是用scikit-learn的MLPClassifierfrom sklearn.neural_network import MLPClassifier clf MLPClassifier( hidden_layer_sizes(32, 32), activationrelu, solveradam, max_iter500, random_state42 ) clf.fit(X_train, y_train)两种写法本质上是同一个模型。区别在于Keras更灵活能自定义每一层的细节训练过程中可以方便地监控loss曲线sklearn封装程度更高代码更短适合快速验证思路。压缩包里的代码用哪一种都不奇怪你只需要看import语句就能判断。隐藏层节点数选32是一个在精度和训练成本之间比较折中的选择。实际项目里建议以特征维度为参考做调整特征维度是14隐藏层节点数取30到50之间通常都能取得不错的表现不需要刻意追求很大的网络。数据量只有几千条的故障诊断任务网络规模过大会带来过拟合风险而不是提升精度。3.4 评估与可视化准确率不是唯一指标训练完成后代码里通常会有评估部分输出测试集整体准确率并画出混淆矩阵和loss曲线。from sklearn.metrics import accuracy_score, classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns # 用Keras模型预测 y_pred np.argmax(model.predict(X_test), axis1) # 用sklearn模型预测 # y_pred clf.predict(X_test) acc accuracy_score(y_test, y_pred) print(测试集准确率: {:.2f}%.format(acc * 100)) print(classification_report(y_test, y_pred)) # 混淆矩阵 cm confusion_matrix(y_test, y_pred) plt.figure(figsize(10, 8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues) plt.xlabel(预测类别) plt.ylabel(真实类别) plt.savefig(confusion_matrix.png, dpi300)单看准确率很多这类项目都能做到95%以上但准确率高不代表模型可靠。混淆矩阵能告诉你哪些类别之间容易互相认错这比一个笼统的准确率数字有价值得多。比如两相短路和两相接地短路混淆说明特征中缺乏区分这两类的关键物理量这时候要回去检查特征提取方案而不是继续调网络参数。loss曲线同样是训练过程的体检报告。训练集loss持续下降而验证集loss先降后升是典型的过拟合信号训练集和验证集loss都降不下去则要怀疑是特征表达力不足或者网络容量不够。4. 解压缩即可运行环境准备和完整步骤4.1 环境配置清单标题说“可直接运行”但直接运行的前提是环境匹配。根据代码的import语句不同需要安装的依赖会有差异。我建议新建一个独立虚拟环境避免污染系统Python也方便复现。conda create -n bp_fault python3.8 conda activate bp_fault pip install numpy pandas matplotlib scikit-learn # 如果代码用了TensorFlow再加一行 pip install tensorflow-cpuPython版本建议3.8或3.9这两个版本对TensorFlow和scikit-learn的兼容性都很稳定。不需要配置GPU这种千级样本的小型BP网络在CPU上跑完全没压力一个训练周期几十秒就结束了。很多人在这一步浪费了时间想着去装CUDA和cuDNN实际完全没有必要。4.2 目录结构与运行顺序解压之后先看目录结构。典型的项目结构长这样BP_fault/ ├── dataset/ │ ├── fault_data.csv │ └── readme.txt ├── main.py ├── model.py ├── predict.py └── requirements.txt运行顺序通常是先跑训练脚本生成模型文件再跑预测脚本对新的测试样本做诊断。有些项目把训练和预测写在一个文件里直接运行主文件就会输出所有结果。建议运行前先打开主文件确认数据集路径是不是写死的绝对路径。如果代码里写的是C:\\Users\\abc\\Desktop\\data.csv这种绝对路径换机器之后需要改成相对路径否则会报FileNotFoundError。判断方法很简单看代码里加载数据那一行用的是相对路径还是绝对路径。4.3 终端运行与预期结果环境配置完成后在项目根目录执行python main.py如果一切正常终端会输出类似这样的训练日志每轮迭代的loss值、验证集准确率、最终测试集准确率、混淆矩阵图片保存路径。整个训练过程大约几十秒到几分钟取决于迭代次数和数据量。运行结束后项目目录下会多出模型权重文件比如model.h5或者model.pkl这些是训练产物后续预测脚本会加载它们。有些项目还会生成loss曲线图图片名称通常是classification_report.png。4.4 常见运行报错和处理报错信息原因解决方案ModuleNotFoundError: No module named tensorflow缺少TensorFlow依赖执行pip install tensorflow-cpuFileNotFoundError: data.csv数据集路径不对改为相对路径确认代码和数据在同一工作目录UnicodeDecodeError数据文件编码问题读取时指定encodinggbk或utf-8Data cardinality is ambiguous训练输入和标签样本数不一致检查是不是划分训练集之后没有对齐索引h5py版本与TensorFlow版本冲突h5py版本过高或过低安装指定版本pip install h5py3.7.0我在实际帮人排查时发现八成运行失败都集中在环境依赖和路径问题真正代码逻辑出错的比例很低。5. 实测中踩过的坑和调参经验5.1 不固定随机种子两次训练结果差异很大BP网络初始化权重是随机的数据划分也是随机的。如果不固定随机种子同样的数据集、同样的网络结构两次训练出来的准确率可能差2到3个百分点。这不是bug是神经网络随机性的正常表现。解决方案是在代码开头固定随机种子保证实验可复现import numpy as np import tensorflow as tf np.random.seed(42) tf.random.set_seed(42)如果你用的是sklearn的MLPClassifier它的接口里有random_state参数在构造模型时设置好就行。做实验对比不同方案时固定随机种子是基本素养。不固定的话你无法判断准确率差异是来自方案本身的优劣还是来自随机初始化运气。5.2 学习率设置不当loss变nanKeras里用Adam优化器时默认学习率是0.001对这个任务规模来说基本是安全的。但有些人喜欢自己调优化器参数把学习率调到0.1以上训练几轮之后loss直接变成nan权重大面积溢出。遇到这种情况第一反应应该是降低学习率而不是怀疑数据有问题。把学习率降到0.01再试通常就能恢复正常。还有一种情况是数据归一化没做好特征值范围过大梯度计算时数值不稳定同样会触发nan。排查顺序应该是先确认归一化再调学习率。5.3 隐藏层节点数不是越多越好我曾见过有人把隐藏层节点数调到512想“让网络更强大”。在小数据集上这种做法的直接结果是训练集准确率接近100%测试集准确率反而下降过拟合了。隐藏层节点数和数据量要匹配。2000个样本、14维特征的任务每层30到50个神经元已经足够表达决策边界。一个可用的经验起点是取输入维度和输出类别数的平均值再乘以2左右。隐藏层层数方面两层隐藏层已经很有余量三层以上在这个任务规模上收益很小反而增加训练时间和过拟合风险。5.4 混淆矩阵里的秘密哪些类别容易认错我在这类项目里反复观察到两个容易混淆的组合。第一个是两相短路和两相接地短路之间的混淆。它们的主要区别在于是否存在零序分量——两相短路没有零序两相接地短路有零序。如果特征工程阶段没有加入零序电压或零序电流特征网络很难区分这两类。第二个是单相接地故障中不同故障相的混淆尤其是过渡电阻较大时。过渡电阻大意味着故障特征不明显各相电气量差异变小模型判断难度天然增加。这属于数据本身的物理特性不是调参能解决的。如果你在跑完代码后发现准确率没有达到理想水平不要急着改网络结构先看混淆矩阵集中在哪几类然后回到特征提取环节补充相应的物理量特征。这个排查思路比盲目调整epoch和神经元数量有效得多。5.5 训练集比例和类别均衡数据不平衡是这类项目里很容易踩的坑。如果仿真时11类样本数量差距过大网络会倾向于预测样本量多的类别导致少数类准确率很低。检查方法很简单import collections print(collections.Counter(y))如果发现类别不均衡优先考虑过采样复制少数类样本或者调整train_test_split时使用stratify参数。理想情况下仿真数据是可控的应该在生成样本阶段就保证每类样本数量基本一致。6. 从Demo级项目到实际工程应用差距在哪里6.1 仿真数据和现场录波数据的差异跑通这个项目之后要清醒地认识到一个问题仿真数据训练出来的模型直接拿去做现场故障诊断效果大概率不理想。原因有几个仿真数据是理想情况没有考虑互感器饱和、噪声干扰、采样不同步等因素现场录波数据里包含衰减的非周期分量和高次谐波特征提取方法需要调整更关键的是仿真模型中的线路参数和系统运行方式都是确定的而实际电网的运行方式会动态变化故障前功率角、负荷水平等因素都会影响故障电气量的特征。从仿真到工程应用中间还隔着一大截。6.2 模型选型的边界BP网络依然有效但不是万能的BP网络在这个任务中的定位是一个合理的基线模型并不是最优模型。对比来看支持向量机SVM在样本量较小的情况下往往训练更快、精度更高尤其适合特征维度不高的小数据集CNN能直接从原始波形提取特征省去人工特征工程但需要更多数据支撑LSTM擅长处理时间序列在利用故障暂态过程方面有一定优势。选择哪种模型取决于你的核心限制条件。如果只有一个几千条样本的数据集要求快速跑通并解释原理BP网络是最合适的选择如果追求更高准确率且不介意增加代码复杂度SVM是性价比很高的升级如果工作场景有大量真实故障数据再考虑深度学习方案。技术选型没有绝对的好坏只有是否匹配当前条件。6.3 从故障类型识别到故障定位一个自然的扩展方向类型识别只是故障诊断的第一层。实际工程里保护人员更关心故障发生的位置——是在线路首端、中间还是末端因为不同位置的故障对系统稳定性的影响截然不同。故障定位可以建模为一个回归问题输入同样是故障时的电压电流特征输出是故障距离百分比。BP网络也适用只需要把输出层从11个节点的softmax改成1个节点的线性输出损失函数换成均方误差MSE。如果你已经跑通了本文的故障分类代码做这个扩展就是很自然的下一步。我自己实测下来用同样的特征做故障定位误差可以控制在百分之几的范围内作为入门级实现已经足够。最后再分享一点我在实际使用中的体会跑通这个压缩包里的代码只是起点真正有价值的动作是把它拆开、改一遍、再装回去。换一组故障数据试试删掉一个特征看看准确率怎么变化把隐藏层从两层改成三层观察过拟合现象这些尝试花费的时间不多但对理解BP网络和故障诊断之间的关系远比重复跑十遍代码更有帮助。
