張 揚， 劉艷麗

(遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105)

PSO優(yōu)化BP神經網絡的串聯(lián)故障電弧識別方法*

張 揚， 劉艷麗

(遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105)

運用db5小波對故障電弧信號進行4層分解，提取故障頻段能量譜作為特征量，建立BP神經網絡。用粒子群優(yōu)化(PSO)算法優(yōu)化BP神經網絡，從而快速準確地對故障電弧特征量進行擬合，用訓練后的神經網絡對故障電弧進行預測，達到了較好的預測識別效果，驗證了該串聯(lián)型故障電弧識別方法的有效性。

串聯(lián)故障電?。?db5小波； 能量譜； 粒子群優(yōu)化(PSO)算法；BP神經網絡

0 引 言

在現(xiàn)代電力系統(tǒng)中，觸點松動導致的虛連、電纜材料絕緣老化、接線操作不規(guī)范等都會導致供電線路中串聯(lián)型故障電弧的發(fā)生。串聯(lián)型故障電弧的電流的大小受連接的負載限制[1]，電路中的電流通常小于斷路器額定電流，在檢測過程中不易將其與正常操作電弧相區(qū)分。要達到迅速有效的保護，同時防止誤動作的發(fā)生，就要及時有效對故障電弧進行檢測。

BP神經網絡已經被廣泛用于故障電弧檢測應用中，但其收斂速度慢，精度差。因此，本文參照UL1699標準搭建了故障電弧發(fā)生裝置，分別以燈泡、電鉆、電磁爐、電風扇、電腦、三相電機作為負載獲取相關電流信號，根據(jù)串聯(lián)故障電弧電流異于正常工作電流特性(產生“零休”現(xiàn)象)，現(xiàn)象發(fā)生時產生較強高次諧波的特點，提出運用小波變換對電流信號進行四層分解。將能量譜作為特征量輸入到運用粒子群優(yōu)化(PSO)算法后的BP神經網絡進行訓練，得到最優(yōu)權值和閾值參數(shù)，將預測數(shù)據(jù)輸入到訓練好的系統(tǒng)中進行預測，得到了比較理想的預測效果。

1 故障電弧實驗

故障電弧實驗原理如圖1所示。實驗過程中，通過改變負載改變電流大小和波形，通過調節(jié)電極間距產生故障電弧，從而測得發(fā)生故障電弧時的電壓、電流信號波形。

圖1 故障電弧實驗原理圖Fig 1 Principle diagram of fault arc experiments

圖2為串聯(lián)故障電弧實驗平臺組成框圖[2]。

圖2 實驗平臺組成框圖Fig 2 Configuration block diagram of experimental platform

2 電流信號數(shù)據(jù)預處理

電流信號預處理流程圖如圖3所示。

圖3 電流信號預處理流程圖Fig 3 Preprocessing flow chart of current signal

2.1 閾值降噪處理

為消除故障電弧特征量提取過程中其他高頻噪聲信號帶來的干擾，在提取之前首先要對電流信號進行閾值降噪處理。應用Matlab中的ddencmp獲取電流信號在降噪過程中的默認閾值，利用wdencmp函數(shù)，選用db4小波包對信號進行6層分解，對信號進行閥值降噪[3]。以8×200 W燈泡負載情況下的電流信號為例，對降噪前后電流信號進行了對比，如圖4所示。

圖4 閾值降噪前后電流波形對比Fig 4 Comparison of current waveforms before and after threshold denoising

降噪后，電流波形中的“毛刺”明顯減少，但故障電弧產生的“平肩部”特征依然保留完好，達到了去除干擾噪聲，保留故障電弧特征信的目的。

2.2 小波變換

檢測識別故障電弧即利用故障電弧發(fā)生時產生信號的奇異性識別故障電弧。小波變換解決了傅里葉變換面臨的時域和頻域局部化的矛盾，因而,運用小波變換來提取信號的特征參量是有效的[4]。

本文利用db5小波變換，將故障電弧電流信號4層分解。以8×200 W燈泡負載為例，在線路正常狀態(tài)下和線路產生故障電弧狀態(tài)下電流信號的小波分解重構信號如圖5、圖6所示。

圖中可看到，線路中產生故障電弧后會摻雜有較明顯高頻信號，電流信號經小波變換后的各頻段信號不規(guī)則程度發(fā)生了變化。

2.3 構造能量譜特征向量

小波能量譜能反映各個頻段能量在總能量中所占的比例，因此,在故障電弧檢測識別中，經小波變換后還要構造能量譜特征向量作為BP神經網絡的輸入，從而準確識別故障電弧。

本文應用的是db5四層小波分解，能量譜特征向量為

P=[EA4/E,ED4/E,ED3/E,ED2/E,ED1/E]

(1)

式中EAn,EDn,E分別為第n層低頻信號能量、第n層高頻信號能量、總能量。

圖5 燈泡負載正常狀態(tài)小波細節(jié)信號Fig 5 Wavelet detail signal for bulb load under normal conditions

2.4 特征向量歸一化處理

在這里采用最大最小法進行向量歸一化處理，直接調用Matlab中的自帶函數(shù)mapminmax即可。

最大最小法函數(shù)形式如下

xk=(xk-xmin)/(xmax-xmin)

(2)

式中 xmin為數(shù)據(jù)序列中的最小值；xmax為序列中的最大值。

歸一化結束后，將電流能量譜特征向量分為訓練數(shù)據(jù)和預測數(shù)據(jù)2組， 訓練數(shù)據(jù)600個，預測數(shù)據(jù)600個。數(shù)據(jù)預處理過程得到的電流信號能量譜特征向量分別如表1～表3所示。

圖6 燈泡負載故障狀態(tài)小波細節(jié)信號Fig 6 Wavelet detail signal for bulb load under fault conditions

3 故障電弧檢測算法的基本原理

通過PSO算法對BP神經網絡的初始權值(wij，wjk)和閾值(aj，bk)進行優(yōu)化使其達到最優(yōu)，將歸一化后的能量譜特征向量作為BP神經網絡的輸入進行訓練，用訓練好的神經網絡對測試數(shù)據(jù)進行測試識別[5]。該算法流程圖如圖7所示。

表1 能量譜特征向量表1Tab 1 Energy spectrum feature vector list 1

表2 能量譜特征向量表2Tab 2 Energy spectrum feature vector list 2

表3 能量譜特征向量表3Tab 3 Energy spectrum feature vector list 3

3.1 BP神經網絡結構參數(shù)的確定

BP神經網絡是一種多層前饋神經網絡，在故障電弧的檢測過程正是要將線路的正常狀態(tài)與產生故障電弧的狀態(tài)區(qū)別開，因此，BP神經網絡可以應用到故障電弧的檢測識別中。

圖7 PSO算法優(yōu)化BP神經網絡流程圖Fig 7 Flow chart of BP neural network optimizing by PSO algorithm

根據(jù)能量譜特征向量表達式(1)可知BP神經網絡輸入層節(jié)點數(shù)為n1=number(P)=5。

由于預測結果為線性負載與非線性負載的正常與故障狀態(tài)，因此,輸出層節(jié)點數(shù)n3=4。工作狀態(tài)與輸出向量對照表如表4所示。

3.2 PSO算法優(yōu)化BP神經網絡

為使BP神經網絡能夠在較少的電流信號訓練數(shù)據(jù)條件下使網絡預測值誤差較小，實現(xiàn)較為準確快速的預測，引入PSO對神經網絡進行優(yōu)化。

由BP神經網絡結構可知，PSO空間維度D=56+9=65,即65維空間，設定種群規(guī)模為30，進化次數(shù)為100。

在每一次迭代過程中，粒子通過個體極值和全局極值更新自身的速度和位置，更新公式如下[6]

(3)

(4)

式中w為慣性權重；d=1,2,…,D；i=1,2,…,n；k為當前迭代次數(shù)；Vid為粒子的速度；加速度因子c1=c2=1.494 45；r1和r2為分布于[0,1]之間的隨機數(shù)。

表4 工作狀態(tài)與輸出向量對照表Tab 4 Comparison table of working state and output vector

4 串聯(lián)故障電弧識別分析

4.1 BP神經網絡訓練

為了對PSO優(yōu)化BP神經網絡的結果進行評估，本文中對BP神經網絡的訓練分為以下兩種情況：1)取各負載在正常工作和故障電弧兩種狀態(tài)下各50組(共600組)特征向量對未經PSO優(yōu)化的BP網絡進行訓練。2)取各負載在正常工作和故障電弧兩種狀態(tài)下各50組(共600組)特征向量對經過PSO優(yōu)化的BP網絡進行訓練。圖8為PSO優(yōu)化過程中最優(yōu)個體適應度變化過程。

圖8 最優(yōu)個體適應度值Fig 8 The optimal individual fitness value

測試方案如表5所示，每類情況各取25組經過預處理且異于訓練樣本的特征向量作為預測樣本輸入到經過以上訓練的兩種BP神經網絡，進行預測。

表5 測試方案Tab 5 Test scheme

4.2 測 試

應用隨機選取函數(shù)在數(shù)據(jù)預處理后得到的600個預測數(shù)據(jù)中選取100個輸入到2組BP神經網絡，對得到的輸出向量進行誤差率統(tǒng)計分析。

未經粒子群算法優(yōu)化的BP神經網絡，預測誤差如圖9(a)所示，最大值可達0.7。經PSO優(yōu)化的BP神經網絡，預測誤差如圖9(b)所示，最大值小于0.08。

圖9 BP神經網絡預測誤差Fig 9 Prediction error of BP neural network

由兩圖對比可知，經PSO優(yōu)化后的BP網絡預測誤差比未優(yōu)化BP網絡預測誤差小得多，最大能夠縮小10倍，因此更加適合對串聯(lián)故障電弧進行準確識別檢測。

5 結 論

本文結合小波分析、BP神經網絡、PSO算法、能量譜等理論提出了一種可以進行故障電弧識別檢測的方法。由預測結果可知:故障電弧高頻能量譜可以作為故障電弧的特征量，經PSO優(yōu)化的BP神經網絡算法可以更加有效地預測故障電弧的發(fā)生。

[1] Muller Peter,Tenbohlen Stefan,Maier Reinhard.Artificial low current arc fault for pattern recognition in low voltage switch-gear[C]∥Proceedings of 55th IEEE Holm Conference on Electrical Contaces,2009:14-20.

[2] UL standard for safety for arc fault circuit interrupters[S].2nd.ANSI UL1699,2008.

[3] 江天炎，李 劍,杜 林,等.粒子群優(yōu)化小波自適應閾值法用于局部放電去噪[J].電工技術學報，2012,27(5):77-83.

[4] 肖 遷，李文華，李志剛,等.基于改進的小波—BP神經網絡的風速和風電功率預測[J].電力系統(tǒng)保護與控制，2014,42(15):80-86.

[5] 程聲鋒，程小華，楊 露,等.基于改進粒子群算法的小波神經網絡在變壓器故障診斷中的應用[J].電力系統(tǒng)保護與控制，2014,42(19):37-42.

[6] 馬修元，段玉鋒.基于PSO—BP神經網絡的水焦?jié){管道壓降預測[J].中國電機工程學報，2012,32(5):54-60.

Series fault arc identification method based on BP neural network optimized by PSO*

ZHANG Yang， LIU Yan-li

(College of Electrical and Control Engineering,Liaoning Technical University,Huludao 125105,China)

By means of db5 wavelet,fault arc signal is decomposed into four layers,energy spectrum fault frequency band is extracted as characteristic quantity,establish BP neural network.Optimize BP neural network by particle swarm optimization(PSO)algorithm,so as to fastly and accurately fit fault arc characteristic quantity, fault arc is predicted by trained neural network,achieve good recognition effect,verify effectiveness of fault arc recognition method.

series fault arc; db5 wavelet; energy spectrum; particle swarm optimization(PSO)algorithm; BP neural network

10.13873/J.1000—9787(2016)07—0022—04

2015—11—06

國家自然科學基金資助項目(51277090)

TM 501

B

1000—9787(2016)07—0022—04

張 揚(1990-)，男，河北滄州人，碩士研究生，研究方向為礦山智能電器。