当前，我国风电的装机容量与发电量已多年位列全球第一，在实现“双碳”目标，构建新型电力系统背景下，风电势必会迎来进一步的发展。但是，我国风电场大多位于戈壁、海岸等环境较为恶劣的地区，集电线短路故障易发，而集电线线路短、连接风机多、风机间距小又使得自动化定位难度很大，易造成弃风窝电，使风电企业备受困扰。

风电场集电线结构特殊，故障定位困难，目前相关研究成果较少。从整体上看，风机影响、集电线分支及测点数目是集电线故障定位面临的几大难点，还需进一步研究以实现以上各点的有效统筹。

华北电力大学电气与电子工程学院丁嘉、朱永利，提出了一种图学习与零序分量相结合的新型层次化单相接地故障定位方案。

图1 模型训练、测试与应用流程

首先，计及集电线拓扑信息构建图数据，应用图卷积神经网络进行图分类建模判断集电线故障区域；然后，为克服样本不平衡的影响，结合迁移学习进行模型串联，并引入代价敏感机制后处理分类结果；最后，利用风电场接地方式与箱变接线特点，基于双端零序分量推导与风机无关的故障区域测距公式。

图2 风电场仿真模型

研究者指出，采用图数据表征集电线故障信息，应用图卷积神经网络（GCN）构建故障区域判断模型，可综合利用电气量信息与结构信息，使多点信息融合更充分，验证表明，模型正确率高于传统深度学习方法；同时，模型串联结合代价敏感学习能有效应对样本不平衡问题。

他们充分利用集电线零序特征较明显、零序网络不含风机的事实，推导出基于零序分量的风机无关测距公式，从而实现了较少测点下跨越多风机的故障测距，并且正确率较高。

研究者表示，该定位方案能够有效地实现含分支集电线的故障定位；并且整体方案只需在干线两端及各分支末端安装测点，所需测点少。该方案在测点数据不同步的条件下仍能够准确地实现故障定位，并且定位效果不受故障位置、过渡电阻和风速等因素的影响。

另外他们也注意到，图卷积神经网络存在过平滑问题，使其难以通过深度堆叠进一步提升特征提取能力；同时，本次研究在处理故障区域误判时仍需少量人工介入。以上问题有待于后续研究。

本工作成果发表在2023年第17期《电工技术学报》，论文标题为“图学习与零序分量相结合的风电场集电线单相接地故障定位”。本课题得到国家自然科学基金和中国国电集团公司科技项目的支持。