做输电线路故障诊断的课题有些年头了我手头最离不开的素材之一就是一套像样的输电线路故障数据集。很多人觉得数据集就是堆波形文件存够数量就行但真正能支撑起故障分类、故障选线甚至故障定位工作的数据必须把单相接地故障、两相接地故障、两相间短路故障、三相间短路故障这些类型完整覆盖还得在故障位置、过渡电阻、故障起始角这些工程参数上铺开空间样本的组织方式也要经得起复现和验证。这篇文章就围绕这套数据集展开。我会先拆解四类故障的电气本质再讲数据集的构建思路和落地流程最后把我在实际使用过程中踩过的坑和处理办法一并交代清楚。无论你是做电力系统机器学习课题的研究生还是想验证线路保护逻辑的工程师这套数据集的用法和注意事项应该都能直接抄作业。1. 项目概述一套数据集四个故障家族1.1 数据集里到底装了什么先明确一个标准一套可用的输电线路故障数据集不是散乱的波形图也不是一张Excel表能概括的。它的最小单位是一个样本而每个样本至少包含三块内容。第一块是时序波形数据也就是故障前后三相电压和三相电流的采样序列。这个序列不是随便截一段就行的。我常用的采样率是10kHz在50Hz工频系统下意味着一个周波能采到200个点足够的时域分辨率才能看清故障瞬间的暂态突变。每个样本通常记录故障前几个周波和故障后几个周波比如故障前记录2个周波故障后记录5到8个周波这样既能捕捉到故障前的稳态特征也能完整观察故障后的暂态衰减过程。第二块是故障标签。一个规范的样本标签至少应该包含六项信息故障类型、故障相别、故障距离、过渡电阻、故障起始时间点以及系统当时的运行工况。很多初学者容易忽略后两项但恰恰是过渡电阻和故障起始角决定了这个样本是属于“容易分类”的还是“难到怀疑人生”的。第三块是系统快照。这套数据来自什么电压等级、线路长度多少、两侧系统等值阻抗多大、中性点接地方式是什么都要记录清楚。不用系统快照同样的波形特征在不同的系统参数下含义完全不同模型换一个场景直接失效也是常事。1.2 为什么四类故障必须分清从运行统计来看输电线路故障里单相接地占了绝大多数行业里常说百分之七八十以上都是单相接地但三相短路虽然发生率低造成的冲击却是最严重的。只看覆盖比例来设计数据集完全是本末倒置。很多模型在单相故障上能跑到99.5%的准确率一遇到两相间短路就掉到80%以下原因很简单训练数据里这两类样本数量太少。两相接地和两相相间短路在波形上又高度相似如果数据里没有充足的对比样本模型学到的就是“看起来不对称就当单相接地处理”。所以一套合格的数据集故障类型的覆盖必须是一家子整整齐齐单相接地、两相接地、相间短路、三相短路十种故障类别AG、BG、CG、ABG、BCG、CAG、AB、BC、CA、ABC一个都不能少。分类的粒度越细后续做保护逻辑验证、选线、定位的时候才越有底气。2. 故障本质拆解从波形看懂四种短路2.1 单相接地故障最常见却最容易漏掉的隐藏杀手单相接地说白了就是一相导线对地发生了短路可能是A相、B相或者C相。但它的电气特征和系统中性点接地方式关系极大这也是很多人建数据集时容易忽略的一个前提。110kV及以上的输电系统基本都是中性点直接接地。这个工况下单相接地故障的故障相电流会剧增零序电流很大保护能清楚地捕捉到“这一相不对劲”。但到了中压配电网那种中性点不接地或经消弧线圈接地的系统单相接地故障电流很小非故障相电压会升高到线电压水平接近正常相电压的1.732倍又呈现出完全不同的面貌。我见过不少做配电网故障诊断的研究者直接把高压输电线路的单相接地样本拿过去训练结果一塌糊涂。根源就是系统接地方式不一致故障特征根本对不上。真正难处理的单相接地是经过高阻接地的情况。过渡电阻50欧姆以上时故障相电流变化很小波形上几乎看不出异常只有零序分量存在微弱变化。我在数据生成时特意把过渡电阻扫到200欧姆目的就是逼着模型去学“微弱故障特征”。2.2 两相接地与相间短路不对称故障的两副面孔两相接地和两相间短路在名字上容易让新手混淆实际波形特征却是完全不同的两码事。两相接地比如ABG是A相和B相同时与大地形成短路回路。它的特征是两相故障电流幅值大且不对称非故障相C相电压通常升高零序电流分量很明显。有没有零序电流是和两相相间短路最核心的区分点。两相相间短路比如AB是A相和B相之间直接短接故障点不接地。这种情况下回路只在两相之间形成零序电流分量很小甚至为零。波形上看到的是两相电流反向增大、第三相基本维持原状的样子。一句话总结两相接地是“带地”的短路两相相间是不“带地”的短路在对称分量法里分别对应有零序和没有零序。这个物理区分如果能在特征提取时直接利用分类器基本不需要费太多力气。2.3 三相短路系统最怕的对称风暴三相短路ABC是所有故障类型里最严重的三相导线同时短接在一起。它的特征非常特殊三相电流都急剧增大三相电压大幅跌落但整体仍然保持对称。所以在对称分量法里三相短路基本不产生负序分量也不产生零序分量只有正序分量在猛涨。这个特点导致一个非常有意思的现象基于“不对称检测”的故障诊断算法往往最容易漏掉三相短路因为此时系统的对称性没有被破坏。我在初期实验里就吃过这个亏模型对不平衡故障判断得很准一遇到三相短路就判定成“正常波动”或者“对称扰动”误报率非常高。解决思路是除了看负序、零序分量还得看正序电流的幅值突变速率。三相短路时正序电流在几个毫秒内攀升到额定电流的数倍甚至十几倍这个变化速率是正常负荷波动不可能达到的。数据集的样本设计就要包含足够的这类突变信息模型才能学到“对称不等于正常”这个判断规则。3. 数据集的价值落点到底能拿来做什么3.1 机器学习故障分类与定位这套数据集最直接的应用就是训练故障诊断模型。输入是三相电压电流的时序窗口输出是十类故障标签之一这是标准的分类任务。我在实际项目里验证过1D-CNN或者Transformer类的模型直接把时序数据喂进去准确率能做到98%以上但前提是训练集的故障类型覆盖度和参数空间铺得足够开。除了故障类型分类数据集还能做故障定位。故障距离本身作为一个回归目标模型输入同样的波形窗口输出距离线路首端的公里数。这里需要强调一点用于分类的样本可以在故障距离上任意分布但用于定位的数据必须在10%、20%、30%一直到90%的位置上都有足够样本否则回归模型会把定位问题偷懒转变成“分区间猜数”看似平均误差小实质上毫无泛化能力。3.2 保护装置逻辑验证与定值校验做继电保护的工程师拿到这套数据集玩法完全不同。他们会把波形文件回放到保护测试仪里观察距离保护、纵联差动保护在当前定值条件下会不会正确动作、动作时间是多少、会不会误动或拒动。这个场景下数据集的标签不只是用来训练模型更重要的价值是提供一个“已知故障真相”的基准输入。故障发生在30%处理论上距离保护I段应该瞬时动作过渡电阻100欧姆以上时距离保护可能测距不准需要验证II段能不能可靠延时切除。每一类故障样本都对应一组保护行为预期这是测试逻辑最理想的输入来源。3.3 科研教学和算法横向对比高校和科研机构很难拿到真实故障录波数据原因不复杂真实录波涉及电网运行信息通常有获取门槛。这时候仿真生成的故障数据集就成了算法验证的主要基准。论文里做横向对比最怕的就是每个团队用自造数据、参数口径不一。如果有了一套公开的、参数透明、标签完备的数据集不同算法之间的横向对比才有意义。我见过不少新论文发布时附带自己的数据库链接里面就是故障波形、元数据、标签文件按统一格式组织的这已经成了电力AI方向的一个明显趋势。4. 数据集构建全流程从仿真模型到批量样本4.1 仿真平台与模型搭建要自己构建一套输电线路故障数据集首选的平台是PSCAD/EMTDC和MATLAB/Simulink。PSCAD在电磁暂态仿真上是老牌工具行波过程、分布参数线路模型这些细节它处理得很细腻MATLAB的优势是脚本化和接口方便批量控制仿真流程更顺手。我通常搭建的标准模型包括五部分。电源采用两端无穷大系统等值用电压源串阻抗表示输电线路采用分布参数模型一定要用频率相关模型不要偷懒用集中参数的PI型等值因为故障暂态中的高频成分和行波反射在PI模型里表现失真会对后续特征提取造成偏差故障模块负责在指定时刻、指定位置注入指定类型和过渡电阻的故障测量模块同步记录三相电压电流最后的控制脚本负责遍历参数并导出数据。这里有个非常关键的参数仿真记录时长和故障时刻的设置。我习惯在0.1s时投入故障持续0.06s总记录时长0.22s。故障时刻设得太早系统还没有完全进入稳态故障前的“基准波形”本身就不干净设得太晚则浪费仿真时间。提示线路模型一定要用分布参数模型频率相关的那种。PI模型在中低频潮流计算没问题但做故障暂态特征提取会明显失真最后吃亏的是模型训练效果。4.2 故障参数空间怎么设计构建数据集的核心不是仿真一个故障点而是设计一组能覆盖工程实际需求的参数空间。参数空间至少包含下面这些维度故障类型和相别的组合是数据集的骨架十种故障类别都要覆盖。故障位置建议在线路全长上均匀取点从10%到90%每隔10%取一个点这样定位任务有了连续变化的基础。过渡电阻是决定分类难度的关键参数我从0.1欧姆扫到200欧姆这个范围基本覆盖了金属性短路到高阻接地的工程区间。故障起始角也不能固定在一个值0度到360度每隔30度取一组因为故障时电压相位角不同暂态波形差异非常明显。这样算下来完整全遍历会组合爆炸每种类型做上万个样本不现实仿真时间成本太高。我的做法是先按正交原则手动铺开核心工况再用随机采样补充边缘工况。预防方案是保证每个故障类型下都有覆盖全位置、全过渡电阻区间的样本具体的组合允许随机化。这样做出来的数据集既不会出现类别死角也不会因为全遍历导致数据量失控。4.3 批量自动化生成与标签规范手动在图形界面里一个个点故障设置一辈子也点不完上千个样本。必须走批量自动化的路子。PSCAD可以通过Python接口控制仿真和输出MATLAB里则可以用sim命令循环调用Simulink模型。批量脚本要解决的问题有两个一是每次仿真结束后把CSV或MAT文件按命名规则落地二是把对应的故障标签写入统一的标签文件。我习惯用data_编号_故障类型_距离_过渡电阻这样的命名规范同时标签文件里完整记录id、故障类型、故障相别、故障距离、过渡电阻、故障起始采样点编号、采样率、系统参数等信息。故障起始采样点编号是个特别容易出错的细节。仿真输出的时间轴和采样序列是一一对应的故障起始时刻换算成采样点编号需要按照采样率精确计算。如果事先不知道故障在数据里的确切位置后续做窗口切割时全靠算法去检测故障起点很容易切偏直接带偏模型训练。# 伪代码示意批量仿真并记录标签 for fault_type in fault_types: for location in locations: for rf in r_values: fault_info { fault_type: fault_type, distance_km: location * line_length, rf_ohm: rf, start_sample: int(fault_start_time * sample_rate), end_sample: int(fault_end_time * sample_rate), } run_simulation(fault_info) export_waveform(fault_info) append_label(fault_info)5. 基于数据集的核心应用实践5.1 特征工程从原始波形到量化指标数据集拿到手第一步是特征工程。原始波形虽然信息完整但直接丢给传统机器学习模型维度太高、冗余太多。我一般先做两件事。第一件是计算对称分量。把三相电流经过对称分量变换得到正序、负序、零序分量这是一个电气意义上的“降维”能把三相不平衡信号拆解成有明确物理含义的三个序列。零序分量突出意味着有接地故障负序分量突出意味着系统处于不对称状态这对故障分类的指向性非常强。第二件是提取时频特征。故障暂态信号里藏着大量高频成分光看时域波形根本看不出来。小波变换或者S变换能把信号在时域和频域联合展开提取各频段的暂态能量。实际使用中小波包分解的分支能量分布对不同故障类型的区分度很好高频分量在故障后头几个毫秒的能量峰值往往就是区分两相间短路和两相接地的重要线索。5.2 模型选择与训练配置特征工程做好之后模型这部分就有两条路线。传统机器学习路线是把手工特征拼接成固定长度向量输入随机森林或者SVM。优点是训练快、可解释性强适合样本量不大、特征已经比较有效的情况。深度学习路线是把原始时序波形直接喂给网络1D-CNN擅长提取局部突变特征LSTM擅长捕捉时间依赖两种组合起来更是常见。深度学习对数据量要求高但省去了人工特征设计的环节。输入张量的组织方式很关键。我一般把三相电压和三相电流叠加成6通道的序列数据一个样本就是一个[batch, seq_len, 6]的张量seq_len就是采样点数。标签用one-hot编码映射到十类故障训练时按故障类型分层划分训练集和验证集避免同一条线路同一位置的样本同时出现在训练和验证里造成信息泄露式的虚高准确率。归一化处理也要注意。电流电压的绝对值随电压等级和线路参数变化很大跨数据集应用时必须做标幺化也就是以系统额定值为基准做除法把幅值压到0附近的标准区间。不做这一步模型对电压等级的泛化能力几乎为零。5.3 评估指标与结果解读分类模型训练完不能只看准确率。在故障诊断这个场景里更值得关注的是各类别的混淆矩阵。我在实际项目里总结经验最常发生的混淆是两相接地ABG和两相间短路AB之间的误判以及三相短路被误判成非故障状态。针对前一个混淆反馈到特征层面就是零序分量要被更充分地利用针对后一个混淆正序电流的突变速率要单独作为强特征或者通过数据增强的方式让模型见更多三相短路的样本。模型在测试集上跑出来的每一条漏判、误判记录都不要当噪声忽略它们往往直接告诉你物理特征和模型决策之间的关联是否有缺陷。故障定位评估则讲公里级误差。行业习惯以占线路全长的百分比来衡量比如测试集上平均定位误差3%以内算不错5%以内可用。定位误差如果持续偏高先检查故障位置的分布均衡性别急着调模型结构。6. 常见问题与排查实录6.1 样本不平衡问题仿真数据集的样本分布是人为可控的但很容易出现“跟着感觉走”导致的不平衡。比如为了贴近真实电网单相接地样本多建一些其他类型少量生成模型训练出来之后对单相接地的敏感度过高对其他故障几乎无感。解决思路不是简单做SMOTE过采样而是从源头控制生成比例。我在批量生成时严格按故障类型均分样本数每一类都生成同等数量。这种做法虽然和真实故障概率分布不一致但对于学习故障判别边界是最公平的。如果应用方有特定的先验需求可以在训练时引入类别权重模型自己会平衡样本比例。6.2 仿真数据与实测数据的分布鸿沟仿真数据最大的局限是太“干净”了。实测量测到的波形里充斥着背景噪声、谐波、互感器饱和畸变、开关操作干扰这些在纯仿真数据集里都是缺失的。模型在仿真数据上训练得很漂亮拿真实录波数据一测就崩是非常典型的问题。缓解手段有两个方向。一是在仿真阶段就主动加噪声模拟电流互感器测量误差和电磁干扰数据生成阶段加入白噪声和谐波分量让样本更贴近工程实际二是用真实录波样本做迁先在大规模仿真数据上预训练再用小批量实测数据微调模型。后一种方案在工程落地中效果最稳。哪怕只有几十条真实故障样本微调之后模型的现场表现提升也非常明显。6.3 窗口切割与标签对齐细节数据集使用中最隐蔽的坑在时间窗口的切割。有人直接拿整段录波做滑窗切块切出来的有不少窗口跨在故障起点左侧和右侧模型看到的特征混合了故障前稳态和故障后暂态标签又对不上训练过程直接乱掉。正确做法是按故障起始采样点编号精确对齐。我从故障起点往回取2个周波往后取4个周波构成一个长度为6个周波的标准窗口把这个窗口单独保存成样本。后续所有训练、验证都用这个标准窗口保证每个样本的语义一致。另外我还会额外保存一份未切割的完整波形文件当需要调整窗口长度、改变观察视野时不需要重新跑仿真直接重新切割即可。这个习惯在多次迭代实验中帮我省了非常多的时间。这轮数据集折腾下来我最大的体会是数据集真正的价值不在样本量堆到多少万条而是故障类型全覆盖、参数空间铺得开、标签精确到采样点、系统参数记录透明。任何一条缺失模型做到后面都会碰到难以解释的性能天花板。如果你也在构建类似的数据集强烈建议把原始录波和预处理后的样本分开存储仿真脚本和标签文件都用版本化管理。这样后面无论是调参还是补充样本整个流程都能顺着痕迹快速重建不至于推倒重来。