朱 晨，王 堯，謝振華，班云升，傅 炳，田 明

(1. 河北工業(yè)大學(xué) 省部共建電工裝備可靠性與智能化國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300130；2. 浙江省機(jī)電產(chǎn)品質(zhì)量檢測(cè)所有限公司，浙江 杭州 310051； 3. 國(guó)網(wǎng)冀北電力有限公司 廊坊供電公司，河北 廊坊 065000)

隨著全社會(huì)用電量的不斷攀升，電氣線路及用電設(shè)備故障造成的電氣火災(zāi)事故逐年增加[1]。據(jù)統(tǒng)計(jì)，低壓配電系統(tǒng)的電氣火災(zāi)約占火災(zāi)事故總數(shù)的30%，位居各類火災(zāi)原因之首[1-2]，其中超過(guò)40%的電氣火災(zāi)由電弧故障引起，電弧故障已成為低壓配電系統(tǒng)電氣火災(zāi)事故的主要誘因。根據(jù)故障電流形成原因及流通路徑，電弧故障可以分為串聯(lián)型、并聯(lián)型以及接地型3種，其中接地電弧故障可歸為并聯(lián)型電弧故障[3-5]。

并聯(lián)型電弧故障近似短路狀態(tài)，電弧電流相對(duì)較大，其特征明顯且不易受負(fù)載特性影響。串聯(lián)型電弧故障不僅受故障支路負(fù)載影響，而且還受到與之并聯(lián)的正常支路負(fù)載影響，因此，串聯(lián)型電弧故障比并聯(lián)型電弧故障更難識(shí)別，是國(guó)內(nèi)外學(xué)者關(guān)注的熱點(diǎn)[1-5]。

當(dāng)發(fā)生電弧故障時(shí)，電弧支路的電流波形發(fā)生畸變，并伴有高頻分量，同時(shí)負(fù)載端電壓波形也發(fā)生變化，這是傳統(tǒng)檢測(cè)方法的主要依據(jù)。Tisserand等[6]利用線電流的代數(shù)導(dǎo)數(shù)作為電弧故障檢測(cè)的特征量。Artale等[7]利用電弧故障電流線性調(diào)頻Z變換(chirp Z-transform, CZT)后的低頻諧波進(jìn)行電弧故障識(shí)別。劉曉明等[8]分析了不同負(fù)載條件下電弧電流處于零休期間電流高頻分量的變化規(guī)律，并將其作為判據(jù)進(jìn)行電弧故障診斷。王堯等[9]利用電弧電流變化率與其有效值的比值以及頻率為6～12 kHz的高頻電流信號(hào)進(jìn)行電弧故障識(shí)別，提出一種實(shí)用化交流電弧故障快速檢測(cè)算法。傳統(tǒng)方法能夠借助快速傅里葉變換(fast Fourier transform，F(xiàn)FT)、離散小波變換(discrete wavelet transform，DWT)等成熟算法進(jìn)行快速計(jì)算，便于微處理器硬件實(shí)現(xiàn)，但是，基于電弧電流時(shí)頻域特征的傳統(tǒng)檢測(cè)方法無(wú)法擺脫人為設(shè)置的電弧故障識(shí)別閾值的束縛，隨著低壓配電系統(tǒng)非線性負(fù)載占比越來(lái)越高，在某些工況下電路正常工作電流可能與電弧故障電流時(shí)頻域特征相近，容易引起誤判或漏判。

人工智能的發(fā)展為電弧故障診斷技術(shù)研究打開(kāi)了新的思路，依靠網(wǎng)絡(luò)模型訓(xùn)練能夠自動(dòng)建立電弧故障識(shí)別的邊界條件。馬少華等[10]分析了常用家電和辦公電器正常工作、碳化路徑電弧以及點(diǎn)接觸電弧等不同工況下的電流特征，并進(jìn)行了相空間重構(gòu)，結(jié)合電弧電流相空間平面圖的信息維數(shù)和零休時(shí)間建立支持向量機(jī)的識(shí)別模型。Yang等[11]采用電弧電流半波信號(hào)對(duì)應(yīng)的灰度圖像作為模型輸入，提出了一種基于時(shí)域可視化卷積神經(jīng)網(wǎng)絡(luò)的電弧故障識(shí)別方法。蘇晶晶等[12]提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)的電弧故障多變量判據(jù)診斷方法，利用EMD提取電弧故障電流時(shí)域特征，并用PNN進(jìn)行電弧故障診斷。郭鳳儀等[13]采用小波變換提取電弧故障電流高頻特征量，并用支持向量機(jī)進(jìn)行故障診斷。Liu等[14]采用DWT提取電流的時(shí)頻域特征，并采用徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行電弧故障識(shí)別。Siegel等[15]提出了一種具有3層隱藏層的全連接型神經(jīng)網(wǎng)絡(luò)，利用電弧電流預(yù)處理結(jié)果作為神經(jīng)網(wǎng)絡(luò)輸入量，所采用的數(shù)據(jù)預(yù)處理方法包括離散傅里葉變換、DWT以及梅爾頻率倒譜變換。Wang等[16]提出了一種基于時(shí)間和頻率混合分析和全連接神經(jīng)網(wǎng)絡(luò)(hybrid time and frequency analysis and fully-connected neural network，HTFNN)的電弧檢測(cè)算法。這些方法無(wú)須人為設(shè)定故障檢測(cè)閾值，并具有較高的電弧故障檢測(cè)精度，故障識(shí)別準(zhǔn)確率一般在95%以上，但是大多需要采用FFT、DWT等時(shí)頻域分析方法預(yù)先提取故障特征，在一定程度上仍然受到人為因素的影響。

針對(duì)現(xiàn)有人工智能電弧故障檢測(cè)方法的不足，本文中直接采用原始電流波形作為模型輸入，提出一種基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別方法。首先，搭建電弧故障試驗(yàn)平臺(tái)，采集并分析典型線性、非線性負(fù)載及其組合條件下電弧故障試驗(yàn)數(shù)據(jù)，建立故障電弧數(shù)據(jù)庫(kù)；其次，為了保證電弧故障識(shí)別準(zhǔn)確率，對(duì)AlexNet模型進(jìn)行改進(jìn)，并對(duì)網(wǎng)絡(luò)訓(xùn)練策略進(jìn)行優(yōu)化；最后，分別采用已知負(fù)載與未知負(fù)載電流信號(hào)對(duì)所提方法進(jìn)行試驗(yàn)驗(yàn)證。

1 串聯(lián)型電弧故障數(shù)據(jù)庫(kù)建立

1.1 串聯(lián)型電弧故障試驗(yàn)平臺(tái)與試驗(yàn)方案

根據(jù)國(guó)家標(biāo)準(zhǔn)GB/T 31143—2014《電弧故障保護(hù)電器(AFDD)的一般要求》設(shè)計(jì)了串聯(lián)型電弧故障試驗(yàn)平臺(tái)，如圖1所示。

MCU—微控制單元； RS232—串口；S1、S2—開(kāi)關(guān)。圖1 串聯(lián)型電弧故障試驗(yàn)平臺(tái)

該試驗(yàn)平臺(tái)由220 V/50 Hz交流電源、點(diǎn)接觸式電弧發(fā)生裝置、試驗(yàn)負(fù)載以及試驗(yàn)電流采集裝置等組成。試驗(yàn)平臺(tái)的試驗(yàn)線路包括正常負(fù)載與電弧負(fù)載2條支路，該試驗(yàn)線路既可以進(jìn)行單一負(fù)載(負(fù)載2)電弧試驗(yàn)，也可以開(kāi)展正常負(fù)載(負(fù)載1)與電弧負(fù)載(負(fù)載2)的并聯(lián)試驗(yàn)。

圖中試驗(yàn)電流數(shù)據(jù)采集是通過(guò)設(shè)計(jì)的電弧數(shù)據(jù)采集(data acquisition，DAQ)板采集電流互感器(current transformer，CT)輸出信號(hào)實(shí)現(xiàn)，其中DAQ板使用STM32H743單片機(jī)，采樣率為100 kHz，分辨率為16位。CT輸出信號(hào)首先進(jìn)入有源低通濾波器，信號(hào)帶寬被限制在50 Hz～20 kHz，然后被單片機(jī)模擬數(shù)字轉(zhuǎn)換器(analog-to-digital converter, ADC)采集，通過(guò)程序?qū)⑿盘?hào)數(shù)據(jù)整合后存儲(chǔ)于安全數(shù)碼(secure digital，SD)卡或通過(guò)內(nèi)置的RS-232串口實(shí)時(shí)傳輸?shù)絺€(gè)人計(jì)算機(jī)(personal computer，PC)上。DAQ板相較示波器而言，采集的電弧數(shù)據(jù)更趨近于實(shí)際微控制單元(microcontroller unit, MCU)運(yùn)行數(shù)據(jù)，有利于提高算法對(duì)電弧的識(shí)別準(zhǔn)確率。

由于交流電弧故障保護(hù)的應(yīng)用場(chǎng)合主要是家庭或辦公場(chǎng)所[17]，因此試驗(yàn)負(fù)載不限于國(guó)家標(biāo)準(zhǔn)GB/T 31143—2014中涵蓋的非線性負(fù)載，還包括常見(jiàn)家用電器如電磁爐、微波爐等。為了模擬更多的實(shí)際工況，本文中采集了組合負(fù)載電流數(shù)據(jù)。串聯(lián)型電弧故障試驗(yàn)負(fù)載參數(shù)及分類如表1所示。

表1 串聯(lián)型電弧故障試驗(yàn)負(fù)載參數(shù)及分類

通過(guò)電弧試驗(yàn)平臺(tái)分別采集每種負(fù)載20組正常和電弧故障狀態(tài)試驗(yàn)數(shù)據(jù)，共400組單一負(fù)載電流數(shù)據(jù)。同時(shí)，每種負(fù)載組合類型采集10組正常和電弧故障狀態(tài)試驗(yàn)數(shù)據(jù)，用于測(cè)試網(wǎng)絡(luò)對(duì)未知負(fù)載情況下的電弧識(shí)別準(zhǔn)確率。

1.2 串聯(lián)型電弧故障波形數(shù)據(jù)庫(kù)

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)需要大量的樣本數(shù)據(jù)，同時(shí)為了提高網(wǎng)絡(luò)模型的泛化能力，需要保證樣本數(shù)據(jù)的一致性，因此，需要對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理來(lái)建立數(shù)據(jù)集，處理過(guò)程包括以下3個(gè)步驟。

1)數(shù)據(jù)“清洗”。試驗(yàn)數(shù)據(jù)是由多個(gè)試驗(yàn)室在不同時(shí)間點(diǎn)采集，可能會(huì)導(dǎo)致電弧試驗(yàn)數(shù)據(jù)出現(xiàn)異常點(diǎn)。為了消除同類數(shù)據(jù)的不一致性，提高數(shù)據(jù)質(zhì)量，在訓(xùn)練前通過(guò)人為干預(yù)對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行“清洗”，即對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行人工篩選，刪除數(shù)據(jù)中的異常數(shù)據(jù)點(diǎn)。需要“清洗”的數(shù)據(jù)類型主要包括試驗(yàn)設(shè)備引起的電弧數(shù)據(jù)周期數(shù)偏少、由采集設(shè)備原因造成采集數(shù)據(jù)的空缺值等。

2)數(shù)據(jù)分割。深度學(xué)習(xí)算法訓(xùn)練和識(shí)別過(guò)程對(duì)數(shù)據(jù)格式有一定要求，最基本的要求是每條輸入數(shù)據(jù)的格式和大小必須保持一致，為此，需要對(duì)原始采樣數(shù)據(jù)進(jìn)行分割，以工頻周期為基本單位將其處理成等長(zhǎng)數(shù)據(jù)段。

考慮到電弧故障保護(hù)國(guó)家標(biāo)準(zhǔn)的要求，采用了有重疊的滑動(dòng)窗口進(jìn)行數(shù)據(jù)切割，數(shù)據(jù)窗口長(zhǎng)度為4個(gè)工頻周期(4×0.02 s)，數(shù)據(jù)窗口3個(gè)工頻周期(0.06 s)滑動(dòng)，即數(shù)據(jù)重疊率為25%，如圖2所示。這種數(shù)據(jù)切割方法可以滿足算法實(shí)時(shí)性要求，即串聯(lián)型電弧故障最小檢測(cè)時(shí)間為0.12 s，同時(shí)足夠多的數(shù)據(jù)也保證了算法訓(xùn)練與識(shí)別穩(wěn)定性和準(zhǔn)確度。

圖2 數(shù)據(jù)分割過(guò)程

首先利用MATLAB軟件讀取電流數(shù)據(jù)，然后從數(shù)據(jù)開(kāi)始位置截取4個(gè)周期的數(shù)據(jù)作為一個(gè)樣本，之后向后滑動(dòng)1個(gè)周期，再次截取4個(gè)周期的數(shù)據(jù)作為下一個(gè)樣本。直到滑動(dòng)到達(dá)文件末尾，并舍棄末尾處不足4個(gè)周期的數(shù)據(jù)。

3)數(shù)據(jù)標(biāo)注。經(jīng)過(guò)數(shù)據(jù)“清洗”、數(shù)據(jù)分割過(guò)程后，單一負(fù)載電弧故障數(shù)據(jù)和正常狀態(tài)數(shù)據(jù)各有5 000組。此時(shí)，數(shù)據(jù)均以后綴為.csv的文件存放于文件夾中。所有的正常狀態(tài)數(shù)據(jù)存放在標(biāo)注為“正常”的文件夾中，電弧故障狀態(tài)數(shù)據(jù)存放在標(biāo)注為“故障”的文件夾中。

對(duì)電弧數(shù)據(jù)進(jìn)行標(biāo)注主要是為了神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行下一步訓(xùn)練。利用MATLAB軟件將數(shù)據(jù)整理為數(shù)據(jù)集，數(shù)據(jù)集中的每一行數(shù)據(jù)對(duì)應(yīng)一個(gè)數(shù)據(jù)樣本，并在制作過(guò)程中同時(shí)進(jìn)行數(shù)據(jù)標(biāo)注，以數(shù)據(jù)文件所在文件夾為標(biāo)注依據(jù)，生成一個(gè)數(shù)組(有弧數(shù)據(jù)標(biāo)注為1，無(wú)弧數(shù)據(jù)標(biāo)注為0)。在神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，同時(shí)讀取數(shù)據(jù)集及其標(biāo)簽數(shù)據(jù)。以電阻負(fù)載、電磁爐負(fù)載為例，數(shù)據(jù)樣本標(biāo)注如圖3所示。

圖3 電阻負(fù)載及電磁爐負(fù)載標(biāo)簽樣本

經(jīng)過(guò)數(shù)據(jù)預(yù)處理過(guò)程，電弧故障電流數(shù)據(jù)集保留了原始電流信號(hào)的特征，減少了人為提取特征量過(guò)程中對(duì)經(jīng)驗(yàn)的依賴性。同時(shí)，經(jīng)過(guò)數(shù)據(jù)“清洗”過(guò)程，減少了噪聲對(duì)電弧電流的干擾，有利于提高識(shí)別模型的識(shí)別準(zhǔn)確率。

2 改進(jìn)的AlexNet模型

2.1 經(jīng)典網(wǎng)絡(luò)模型結(jié)構(gòu)對(duì)比

近年來(lái)，隨著人工智能技術(shù)的不斷發(fā)展，在分類問(wèn)題上人工智能的識(shí)別精度越來(lái)越高，識(shí)別準(zhǔn)確率已經(jīng)達(dá)到98%[18]。電弧故障的分類屬于簡(jiǎn)單的二分類問(wèn)題，因此可以采用人工智能的方法對(duì)此問(wèn)題進(jìn)行研究。本文中研究對(duì)比了不同網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)缺點(diǎn)，如表2所示。

OverFeat模型與AlexNet模型結(jié)構(gòu)相似，但增加了卷積核的個(gè)數(shù)，計(jì)算成本增加1.9倍。VGG-16模型共有16層，包括13個(gè)卷積層和3個(gè)全連接層。VGG-19模型與VGG-16模型相比，識(shí)別錯(cuò)誤率降低0.1%，但計(jì)算成本增加1.27倍。GoogleNet模型共有22層，包括3個(gè)卷積層、9個(gè)疊加的Inception模塊和1個(gè)全連接層。GoogleNet后續(xù)出現(xiàn)了更多的改良網(wǎng)絡(luò)模型，如Inception-v3、Inception-v4等。Inception-v3模型共有42層，識(shí)別錯(cuò)誤率比GoogleNet模型的低3%，但計(jì)算量增加2.5倍。Inception-v4模型的結(jié)構(gòu)更為復(fù)雜，識(shí)別錯(cuò)誤率降低0.4%。ResNet模型的一系列網(wǎng)絡(luò)都包括殘差模塊，因此又稱為殘差網(wǎng)絡(luò)。ResNet-50模型的網(wǎng)絡(luò)層次較多，累加次數(shù)達(dá)到了109數(shù)量級(jí)，而ResNet模型共有152層，與ResNet-50模型相比，識(shí)別錯(cuò)誤率降低1%，但是權(quán)重參數(shù)個(gè)數(shù)增加2.5倍，累加次數(shù)增加2.9倍。

表2 主流卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算參數(shù)

通過(guò)對(duì)主流卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)模型計(jì)算參數(shù)分析可知，雖然龐大而復(fù)雜的多層CNN結(jié)構(gòu)具有較強(qiáng)的學(xué)習(xí)能力和圖像識(shí)別能力；但是網(wǎng)絡(luò)層次較多，參數(shù)個(gè)數(shù)顯著增加，訓(xùn)練時(shí)所需要的樣本量巨大，不僅浪費(fèi)計(jì)算成本，還會(huì)因?qū)訑?shù)過(guò)多而過(guò)度地學(xué)習(xí)特征，強(qiáng)化噪聲特征，出現(xiàn)過(guò)擬合現(xiàn)象，對(duì)故障識(shí)別結(jié)果準(zhǔn)確性產(chǎn)生影響，因此，多層次CNN(如GoogleNet、VGG、ResNet等)網(wǎng)絡(luò)模型的優(yōu)勢(shì)在電弧故障診斷領(lǐng)域反而成為了劣勢(shì)。相較其他的多層次網(wǎng)絡(luò)，AlexNet模型較適合用于電弧故障診斷。典型CNN模型的優(yōu)缺點(diǎn)對(duì)比如表3所示。

表3 典型卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)缺點(diǎn)對(duì)比

2.2 AlexNet模型優(yōu)化

AlexNet模型包括5個(gè)卷積層及3個(gè)全連接層，網(wǎng)絡(luò)輸入為二維數(shù)組，輸出是分類的結(jié)果。AlexNet模型結(jié)構(gòu)如圖4所示。

圖4 AlexNet模型結(jié)構(gòu)

AlexNet模型的第1個(gè)卷積層包含96個(gè)尺寸(行數(shù)×列數(shù))為11×11的卷積核，第2個(gè)卷積層包含256個(gè)尺寸(行數(shù)×列數(shù))為5×5的卷積核，第3、4個(gè)卷積層分別包括384個(gè)尺寸(行數(shù)×列數(shù))為3×3的內(nèi)核，第5個(gè)卷積層具有256個(gè)尺寸為3×3的內(nèi)核，網(wǎng)絡(luò)的識(shí)別結(jié)果通過(guò)最后一個(gè)全連接層輸出。

雖然經(jīng)典AlexNet模型的網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，但具有2個(gè)較大的卷積核，模型參數(shù)數(shù)量大。相關(guān)研究表明，采用多個(gè)小尺寸卷積核堆疊代替大卷積核進(jìn)行特征提取，在不影響數(shù)據(jù)特征表達(dá)基礎(chǔ)上能夠減少網(wǎng)絡(luò)參數(shù)，加快網(wǎng)絡(luò)收斂速度，從而縮短訓(xùn)練時(shí)間，在連通性不變的情況下，效果顯著[19-21]。同時(shí)，GoogleNet模型中所使用的Inception模塊結(jié)構(gòu)，也可以通過(guò)小卷積核疊加替代大卷積核來(lái)提高分類精度，因此，為了減少模型參數(shù)，增強(qiáng)模型的非線性表達(dá)能力，提升識(shí)別精確度，本文中借鑒Inception系列模型思想，使用小卷積核代替大卷積核，對(duì)經(jīng)典AlexNet模型架構(gòu)進(jìn)行優(yōu)化。

經(jīng)典AlexNet模型有2個(gè)大卷積核，其中1個(gè)是尺寸為11×11的卷積核，用來(lái)提取圖像底層紋理等通用特征，與電弧故障電流特征關(guān)聯(lián)度不大，因此保留其參數(shù)與結(jié)構(gòu)。從卷積原理分析，使用尺寸為3×3的卷積核連續(xù)卷積2次可以達(dá)到1個(gè)尺寸為5×5的卷積核卷積1次提取特征的能力，即這2種卷積過(guò)程得到的結(jié)果都反映了原始圖像中相同像素時(shí)的特征。卷積核替代過(guò)程如圖5所示。

在卷積核移動(dòng)步長(zhǎng)為1的前提下，以n(n∈)表示堆疊的卷積核數(shù)目，卷積核堆疊后待訓(xùn)練參數(shù)個(gè)數(shù)為3×3×n，對(duì)應(yīng)的單個(gè)卷積核參數(shù)可表示為(2n+1)2，則卷積核替代前后訓(xùn)練權(quán)值比r可表示為

(1)

圖5 小尺寸卷積核代替大尺寸卷積核示意圖

由式(1)可知，1個(gè)尺寸為5×5的卷積核具有25個(gè)待訓(xùn)練權(quán)值，而使用2個(gè)步長(zhǎng)為1的尺寸為3×3的卷積核，權(quán)值個(gè)數(shù)降到18，節(jié)省了28%的計(jì)算成本。由于連續(xù)2次卷積過(guò)程均需要線性整流函數(shù)(rectified linear unit，ReLU)的激活，得到了比卷積核替代前更多的非線性特征表達(dá)，有利于更全面、精準(zhǔn)地提取電弧電流特征，提高電弧故障識(shí)別準(zhǔn)確率，因此將AlexNet模型中第2個(gè)卷積層中尺寸為5×5的卷積核用2個(gè)尺寸為3×3的卷積核替代。

通過(guò)上述分析，基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障檢測(cè)模型由6個(gè)卷積層、3個(gè)池化層和3個(gè)全連接層組成，電弧故障模型的輸入為電弧故障數(shù)據(jù)集，輸出為線路狀態(tài)，即“正常”或“故障”?；诟倪M(jìn)AleNet模型的串聯(lián)型電弧故障識(shí)別模型結(jié)構(gòu)如圖6所示。

3 基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別方法

3.1 改進(jìn)AlexNet模型的參數(shù)配置

對(duì)改進(jìn)AlexNet模型進(jìn)行參數(shù)配置。激活函數(shù)選用ReLU函數(shù)，使用dropout正則化，dropout率設(shè)置為0.5。權(quán)值更新優(yōu)化算法為隨機(jī)梯度下降(stochastic gradient descent，SGD)算法，初始學(xué)習(xí)率為0.01，若驗(yàn)證集的準(zhǔn)確率隨著迭代次數(shù)的增加不再變化，學(xué)習(xí)率降為之前數(shù)值的1/10，則損失函數(shù)為交叉熵?fù)p失函數(shù)。

圖6 基于改進(jìn)AleNet模型的串聯(lián)型電弧故障識(shí)別模型結(jié)構(gòu)

根據(jù)上述參數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，需要考慮批次尺寸(batch size)、學(xué)習(xí)率以及數(shù)據(jù)集的分割比例等參數(shù)的影響。批次尺寸是每一次梯度尋優(yōu)使用的隨機(jī)樣本量大小，關(guān)系到網(wǎng)絡(luò)的訓(xùn)練時(shí)間和識(shí)別準(zhǔn)確率，本文中擬選取20、40、60、80、100、120、140組7種批次尺寸的數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)間和識(shí)別準(zhǔn)確率的分析。學(xué)習(xí)率的大小決定網(wǎng)絡(luò)參數(shù)的更新幅度，網(wǎng)絡(luò)訓(xùn)練初始階段，較大的學(xué)習(xí)率有助于網(wǎng)絡(luò)快速收斂。隨著迭代次數(shù)的增加，網(wǎng)絡(luò)趨近于最優(yōu)點(diǎn)，可通過(guò)適當(dāng)減小學(xué)習(xí)率來(lái)降低參數(shù)更新幅度，使網(wǎng)絡(luò)收斂于最優(yōu)點(diǎn)。數(shù)據(jù)集的分割比例也會(huì)影響網(wǎng)絡(luò)的識(shí)別精度和泛化能力。對(duì)于批次尺寸、學(xué)習(xí)率和數(shù)據(jù)集的分割比例都需通過(guò)試驗(yàn)來(lái)獲取最優(yōu)值。

3.2 基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別流程

基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別流程如圖7所示。

圖7 基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別流程

電弧故障識(shí)別流程具體步驟如下：1)將采集到的電流信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，得到電弧故障數(shù)據(jù)集。將數(shù)據(jù)按照一定比例分為3組，分別作為訓(xùn)練集、驗(yàn)證集和測(cè)試集。2)網(wǎng)絡(luò)參數(shù)初始化，網(wǎng)絡(luò)模型隨機(jī)從訓(xùn)練集中提取一個(gè)樣本，從前向后依次計(jì)算得到輸出，通過(guò)反向傳播誤差，調(diào)整網(wǎng)絡(luò)參數(shù)并更新網(wǎng)絡(luò)模型。然后輸入下一個(gè)樣本，直至誤差達(dá)到最小，則輸出電弧故障識(shí)別模型。3)將測(cè)試集輸入電弧故障識(shí)別網(wǎng)絡(luò)模型得到識(shí)別準(zhǔn)確率，即可以對(duì)模型識(shí)別結(jié)果進(jìn)行評(píng)估。

4 試驗(yàn)驗(yàn)證

為了驗(yàn)證基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別方法的性能，在計(jì)算機(jī)隨機(jī)存儲(chǔ)器內(nèi)存為32 GB，配置了NVIDIA GeForce GTX 2070顯卡的情況下，分別訓(xùn)練優(yōu)化前、后的AlexNet模型并將電弧故障識(shí)別結(jié)果進(jìn)行對(duì)比分析。

4.1 已知負(fù)載電弧故障識(shí)別結(jié)果分析

分別選取20、40、60、80、100、120、140組樣本7種批次尺寸的數(shù)據(jù)，分析數(shù)據(jù)批次尺寸與訓(xùn)練時(shí)間及識(shí)別準(zhǔn)確率的關(guān)系，結(jié)果如圖8所示。由圖可以看出，當(dāng)批次尺寸增加時(shí)，電弧故障識(shí)別準(zhǔn)確率呈現(xiàn)先上升后下降的趨勢(shì)，訓(xùn)練時(shí)間呈現(xiàn)快速變短到緩慢變短的趨勢(shì)。批次尺寸為100組樣本時(shí)，識(shí)別準(zhǔn)確率最高，訓(xùn)練時(shí)間約為1.7 h，與批次尺寸為120組樣本時(shí)相比，雖然訓(xùn)練時(shí)間增加0.1 h左右，但準(zhǔn)確率提高約3%。批次尺寸從120組樣本增大到140組樣本時(shí)，電弧故障識(shí)別準(zhǔn)確率明顯下降。由于在訓(xùn)練時(shí)間波動(dòng)范圍較小時(shí)，要保證模型識(shí)別準(zhǔn)確率，因此綜合時(shí)間成本和電弧故障識(shí)別準(zhǔn)確率考慮，識(shí)別模型采用的批次尺寸為100組樣本。

(a)訓(xùn)練時(shí)間

(b)識(shí)別準(zhǔn)確率圖8 數(shù)據(jù)批次尺寸與訓(xùn)練時(shí)間及識(shí)別準(zhǔn)確率的關(guān)系

將樣本個(gè)數(shù)為10 000的數(shù)據(jù)集按不同比例分為訓(xùn)練集、驗(yàn)證集與測(cè)試集，并對(duì)其進(jìn)行驗(yàn)證，結(jié)果如圖9所示。由圖可以看出，不同數(shù)據(jù)集的電弧故障識(shí)別準(zhǔn)確率不同。隨著數(shù)據(jù)集中訓(xùn)練集所占比例的增加，測(cè)試集和驗(yàn)證集的識(shí)別準(zhǔn)確率曲線均呈現(xiàn)上升趨勢(shì)。以同一組數(shù)據(jù)集為研究對(duì)象，基于改進(jìn)AlexNet模型的串聯(lián)型電弧故障識(shí)別方法的準(zhǔn)確率較改進(jìn)前有所提升。其中，訓(xùn)練集數(shù)據(jù)個(gè)數(shù)與驗(yàn)證集數(shù)據(jù)個(gè)數(shù)之比為75∶15的數(shù)據(jù)集識(shí)別準(zhǔn)確率最高。改進(jìn)前的AlexNet穩(wěn)定時(shí)的驗(yàn)證集識(shí)別準(zhǔn)確率為92.08%，改進(jìn)后的AlexNet穩(wěn)定時(shí)驗(yàn)證集識(shí)別準(zhǔn)確率為99.89%，收斂速度較改進(jìn)前明顯提升。改進(jìn)AlexNet模型在不同數(shù)據(jù)集時(shí)電弧故障識(shí)別準(zhǔn)確率如表4所示。

改進(jìn)AlexNet模型在訓(xùn)練過(guò)程中學(xué)習(xí)率共有3次更新，如圖10所示。由圖可知，在迭代次數(shù)為47時(shí)學(xué)習(xí)率下降為0.001，在第71次迭代時(shí)學(xué)習(xí)率更新為0.000 1，此后到迭代次數(shù)為100時(shí)學(xué)習(xí)率保持不變。

(a)驗(yàn)證集

(b)測(cè)試集圖9 AlexNet模型與改進(jìn)AlexNet模型的 電弧故障識(shí)別準(zhǔn)確率

表4 改進(jìn)AlexNet模型在不同數(shù)據(jù)集時(shí)電弧故障識(shí)別準(zhǔn)確率

圖10 改進(jìn)AlexNet模型的學(xué)習(xí)率更新曲線

4.2 未知負(fù)載電弧故障識(shí)別結(jié)果分析

在實(shí)際應(yīng)用中，負(fù)載組合情況復(fù)雜，試驗(yàn)采集所有工況下的電流信號(hào)數(shù)據(jù)工作量巨大且不易實(shí)現(xiàn)，參與訓(xùn)練的數(shù)據(jù)集通常是有限的；但是，電弧故障識(shí)別模型應(yīng)具有一定的泛化能力，能夠準(zhǔn)確識(shí)別未參與模型訓(xùn)練的電弧故障電流信號(hào)，因此應(yīng)驗(yàn)證電弧故障識(shí)別模型對(duì)未知負(fù)載電弧故障的識(shí)別準(zhǔn)確率。為了直觀地觀察統(tǒng)計(jì)模型對(duì)電弧故障的誤識(shí)別、漏識(shí)別情況，采用組合負(fù)載試驗(yàn)數(shù)據(jù)作為未知負(fù)載測(cè)試集，對(duì)模型輸出結(jié)果進(jìn)行統(tǒng)計(jì)，將不同負(fù)載、不同狀態(tài)電流數(shù)據(jù)編號(hào)，如表5所示。其中編號(hào)1、7分別屬于同一負(fù)載條件下的正常狀態(tài)和電弧故障狀態(tài)數(shù)據(jù)，負(fù)載后標(biāo)記“電弧”為電弧發(fā)生的支路，其他數(shù)據(jù)同表中編號(hào)形式以此類推。

表5 未知負(fù)載測(cè)試集編號(hào)

基于改進(jìn)AlexNet的串聯(lián)型電弧故障識(shí)別方法對(duì)未知負(fù)載測(cè)試集的識(shí)別準(zhǔn)確率如表6所示。由表中數(shù)據(jù)可以看出，該方法的識(shí)別準(zhǔn)確率均在97.5%以上。雖然存在著一定的誤識(shí)別和漏識(shí)別情況，但

表6 未知負(fù)載測(cè)試集識(shí)別準(zhǔn)確率對(duì)比

從整體的識(shí)別結(jié)果來(lái)看，在不需要人為設(shè)置識(shí)別閾值的情況下，該方法能夠從已知負(fù)載電流數(shù)據(jù)中提取具有類別區(qū)分性的特征，對(duì)未知負(fù)載電弧故障具有較高的識(shí)別準(zhǔn)確率，能夠?qū)崿F(xiàn)非線性負(fù)載條件下電弧故障隨機(jī)特性主動(dòng)辨識(shí)。

5 結(jié)語(yǔ)

針對(duì)現(xiàn)有人工智能電弧故障檢測(cè)方法依賴人為數(shù)據(jù)預(yù)處理的不足，直接采用原始電流波形作為模型輸入，提出了一種基于改進(jìn)AlexNet模型的串聯(lián)型電弧故識(shí)別方法。搭建電弧故障試驗(yàn)平臺(tái)，采集并分析典型線性、非線性負(fù)載及其組合條件下電弧故障試驗(yàn)數(shù)據(jù)，通過(guò)數(shù)據(jù)“清洗”、數(shù)據(jù)分割，采用二維數(shù)據(jù)圖像形式建立了帶有正常與故障標(biāo)簽的電弧波形數(shù)據(jù)庫(kù)。借鑒Inception網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)對(duì)AlexNet模型結(jié)構(gòu)進(jìn)行改進(jìn)，采用尺寸為3×3的卷積核堆疊代替AlexNet模型中的尺寸為5×5的卷積核，在識(shí)別準(zhǔn)確率基本不變的情況下減少了28%的網(wǎng)絡(luò)參數(shù)。同時(shí)，采用SGD法優(yōu)化權(quán)值更新過(guò)程，減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間，并利用學(xué)習(xí)率自適應(yīng)調(diào)整訓(xùn)練策略加快了模型收斂速度。利用已知負(fù)載與未知負(fù)載電流信號(hào)對(duì)所提方法進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明，無(wú)論對(duì)于已知負(fù)載還是未知負(fù)載，該方法的識(shí)別準(zhǔn)確率均在97.5%以上，并且不依賴于人為提取的電弧故障特征，解決了非線性負(fù)載條件下電弧故障特征量提取困難的問(wèn)題，能夠?qū)崿F(xiàn)電弧故障準(zhǔn)確識(shí)別。