趙啟承， 虞雁凌

(1.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，浙江 杭州 310014；2.浙江億安電力電子科技有限公司，浙江 杭州 311300)

0 引 言

隨著社會的飛速發(fā)展，電力設(shè)備與電力線路的規(guī)模不斷擴(kuò)大，隨之而來的火災(zāi)與觸電事故也時常發(fā)生，因此,電力設(shè)備的安全性成為目前電力行業(yè)所聚焦的熱點問題之一。目前,剩余電流保護(hù)設(shè)備與漏電電流檢測技術(shù)已獲得大量突破性進(jìn)展，但仍未能從根本上解決剩余電流保護(hù)設(shè)備正確投運(yùn)率較低問題。當(dāng)前絕大多數(shù)的剩余電流保護(hù)器主要是通過總剩余電流有效值的大小來判斷觸電事故的發(fā)生，對于觸電類型缺乏判別能力，當(dāng)剩余電流保護(hù)裝置的電氣環(huán)境受到影響時可能會引起誤動。此外，在一些特殊的場合下,電網(wǎng)的漏電電流有可能會使總剩余電流減小，從而造成剩余電流保護(hù)裝置拒動。要解決這些問題，預(yù)防觸電、漏電事故的發(fā)生，需要從剩余電流和生命體觸電電流兩方面來開發(fā)剩余電流保護(hù)裝置。國內(nèi)外許多學(xué)者對生命體觸電檢測與觸電類型識別進(jìn)行了大量的研究。文獻(xiàn)[1]利用Mallat算法對總剩余電流進(jìn)行濾波并構(gòu)造實時更新的自適應(yīng)閾值對觸電波形進(jìn)行檢測，同時提取觸電電流特征、時域特征和波形特征等多個特征值，并作為反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的輸入，從而獲得觸電分類模型。文獻(xiàn)[2]利用循環(huán)功率譜獲取剩余電流信號的循環(huán)功率三維圖，并利用K-means聚類對不同維度的循環(huán)頻譜密度特征進(jìn)行聚類分析，在此基礎(chǔ)上添加偏置修正的歐式距離測度，一定程度上提升了聚類分析識別的準(zhǔn)確度，但該模型并未提出如何確定觸電時刻。文獻(xiàn)[3]應(yīng)用希爾伯特—黃(Hilbert-Huang)變換分析剩余電流的暫態(tài)過程頻譜特性，并且利用經(jīng)驗?zāi)B(tài)分解剩余電流的暫態(tài)信號獲得模態(tài)函數(shù)，通過此模態(tài)函數(shù)提出基于剩余電流固有模態(tài)分量的觸電電流檢測方法。文獻(xiàn)[4]基于混沌系統(tǒng)對于噪聲的免疫特性，以及對初始信號敏感的優(yōu)勢，根據(jù)混沌狀態(tài)輸出的特征，將輸出作為混沌信號時域包絡(luò)線波動情況的指標(biāo)，以此判別定量系統(tǒng)的臨界狀態(tài)，并利用矢量分析方法提出觸電電流幅值檢測方法。

本文先通過生命體觸電試驗獲取具有時域特征及變化趨勢的生命體觸電特種波形，利用所獲取的觸電電流數(shù)據(jù)訓(xùn)練出長短期記憶(long and short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)模型，并利用此LSTM神經(jīng)網(wǎng)絡(luò)對觸電事故進(jìn)行分類，最后通過測試數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行可行性驗證。本文研究結(jié)果將為研究與開發(fā)新一代針對于生命體觸電的剩余電流保護(hù)裝置提供參考，對于用電安全具有重要的現(xiàn)實意義。

1 算法原理

本文應(yīng)用小波分解對已獲取的具有時域特征及變化趨勢的生命體觸電特種波形進(jìn)行降噪處理，將降噪后的特種波形作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入，對觸電電流的時間序列進(jìn)行映射，獲取觸電分類模型。

1.1 生命體觸電特種波形特征

生命體作為一個復(fù)雜的阻抗網(wǎng)絡(luò)，很難準(zhǔn)確描述發(fā)生觸電時電流的變化情況，根據(jù)文獻(xiàn)[5～8]和現(xiàn)在主流的觀點，生命體的阻抗主要由皮膚阻抗所構(gòu)成，在觸電發(fā)生的較短時間內(nèi)電流呈現(xiàn)出一個遞增周期函數(shù)的趨勢，因此,將觸電電流波形的前3個周期的電流波形作為生命體觸電特種波形。經(jīng)過小波濾波降噪后的生命體觸電特種波形如下圖1所示。

圖1 生命體觸電特種波形

將所有通過生命體(動物)觸電試驗獲取的電流波形全部取前3個周期，并通過小波濾波降噪，將濾波降噪后的電流作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入。

1.2 基于LSTM神經(jīng)網(wǎng)絡(luò)的觸電識別模型

循環(huán)神經(jīng)網(wǎng)絡(luò)是以序列作為輸入的遞歸神經(jīng)網(wǎng)絡(luò)，其在處理常規(guī)的序列問題上相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有著明顯的優(yōu)勢[9～12]。但缺點也比較明顯，在遞歸層數(shù)較大時，容易產(chǎn)生梯度爆炸和消失的問題，嚴(yán)重影響訓(xùn)練出的模型準(zhǔn)確性，因而在基于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了LSTM神經(jīng)網(wǎng)絡(luò)[13～16]。作為一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM神經(jīng)網(wǎng)絡(luò)可以自適應(yīng)地捕捉存在長距離依賴和非線性動態(tài)變化的時間序列數(shù)據(jù)。LSTM神經(jīng)網(wǎng)絡(luò)中增加了控制門，分別是遺忘門、輸入門和輸出門。遺忘門主要功能是使得LSTM神經(jīng)網(wǎng)絡(luò)能夠遺忘和刪除部分不相關(guān)信息，這樣就解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的長期依賴問題。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2中xt為t時刻輸入，ht為t時刻隱含層輸出，ft為t時刻遺忘門，it為t時刻的輸入門，ot為t時刻輸出門，st為t時刻細(xì)胞狀態(tài)，ct為記憶單元的輸入狀態(tài)，σ為Sigmoid函數(shù)，tanh為雙曲線正切函數(shù)。

LSTM神經(jīng)網(wǎng)絡(luò)通過遺忘門來確定和刪除神經(jīng)元所不需要的信息，遺忘門ft的輸出值計算方法為

ft=σ(Wxfxt+Whfht-1+bf)

(1)

式中Wxf,Whf為遺忘門權(quán)重系數(shù)，bf為遺忘門偏移量。

在遺忘門對LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元取舍的基礎(chǔ)之上，通過xti和ht-1與權(quán)重的乘積來控制輸入門中神經(jīng)元狀態(tài)it，其計算公式為

it=σ(Wxixti+Wxiht-1+bi)

(2)

式中Wxi和Whi為輸入門權(quán)重系數(shù)，bi為輸入門偏移量。

再利用tanh函數(shù)將神經(jīng)元信息進(jìn)一步更新，進(jìn)而得到記憶單元在時間t的神經(jīng)元狀態(tài)Ct，其計算公式如下

(3)

Ct=ftCt-1+itt

(4)

式中Wxc和Whc為細(xì)胞狀態(tài)權(quán)重系數(shù)，bc為細(xì)胞狀態(tài)偏移量。

最終的輸出結(jié)果通過Sigmoid函數(shù)判斷神經(jīng)元狀態(tài)是否輸出從而得到ot，其計算公式如下

ot=σ(Wxoxt+Whoht-1+b0)

(5)

式中Wxo和Who為輸出門的權(quán)重系數(shù)，bo為輸出門的偏移量。

在t時刻隱含層輸出的計算公式為

ht=ottanh(Ct)

(6)

2 試驗驗證

為了驗證本文所提方法的有效性，搭建了生命體觸電試驗平臺，采集試驗過程中的剩余電流波形數(shù)據(jù)，使用Python編寫的觸電電流檢測算法進(jìn)行驗證。

2.1 實驗數(shù)據(jù)來源

生命體觸電實驗平臺使用動物體作為觸電試驗對象，并且控制部分試驗條件如電流、濕度、接觸面積等，來模擬不同情況下的生命體觸電。

圖3觸電試驗平臺采用三相電源，并加上負(fù)載用于模擬低壓配電系統(tǒng)中的負(fù)載。取C相電路模擬觸電事故，限流電阻用于控制電流大小。示波器用于記錄試驗中經(jīng)過待測生命體的電壓和電流。

圖3 觸電試驗平臺

實驗共進(jìn)行了數(shù)百次，獲取剩余電流波形數(shù)據(jù)400余組。電流幅值大小為30 mA的剩余電流波形數(shù)據(jù)100組，100,300,500 mA的剩余電流波形數(shù)據(jù)各100組。

圖4為正常情況下的剩余電流波形圖和發(fā)生觸電的剩余電流波形圖。

圖4 正常和觸電情況剩余電流波形

2.2 隱含層層數(shù)與節(jié)點數(shù)的確定

為了能夠較大程度地提升模型性能，對LSTM隱含層的層數(shù)與節(jié)點數(shù)進(jìn)行網(wǎng)絡(luò)參數(shù)調(diào)優(yōu)。因此，設(shè)置2組限制條件的實驗測試，第1組實驗為了確定最優(yōu)的隱含層層數(shù)，將每層的節(jié)點數(shù)設(shè)置為固定值64，其他條件均不變，通過設(shè)置隱含層數(shù)從1到4，觀察MAE值，通過MAE來確定最終的隱含層數(shù)。實驗結(jié)果見表1。對于隱含層節(jié)點數(shù)的確定也采用同樣的方法，將隱含層設(shè)置為固定值，其他條件不變，隱含層節(jié)點數(shù)設(shè)置為8,16,32,64，觀察MAE值，通過MAE來確定隱含層節(jié)點數(shù)。實驗結(jié)果見表2。

表1 隱含層層數(shù)MAE

表2 隱含層節(jié)點數(shù)MAE

一般，模型隱含層層數(shù)越大，能獲取信息就越多，訓(xùn)練出的模型準(zhǔn)確度也就越高，但是隨著層數(shù)的不斷增加，過擬合以及其他問題發(fā)生概率也不斷增加。從表1可以看出隱含層數(shù)為1時，MAE誤差評價最小，故確定隱含層數(shù)為1。同樣節(jié)點數(shù)也會影響訓(xùn)練時的學(xué)習(xí)效果，從表2可以看出隨著節(jié)點數(shù)的增加MAE不斷下降，但是當(dāng)超過一定數(shù)值時就會使模型的訓(xùn)練效果降低。隱含層節(jié)點數(shù)為32時MAE最小，因此確定隱含層節(jié)點數(shù)為32。

3 觸電類型識別仿真

3.1 觸電類型識別模型訓(xùn)練

將試驗獲取的共計400組生命體觸電剩余電流波形信號按照3︰1比例隨機(jī)劃分為訓(xùn)練集和測試集并作為模型的輸入對模型進(jìn)行訓(xùn)練。訓(xùn)練過程中將誤差限制設(shè)置為1×10-7。優(yōu)化器選擇Adam，Adam優(yōu)化器可以自適應(yīng)調(diào)節(jié)學(xué)習(xí)率，大大提升訓(xùn)練的速度，同時提升訓(xùn)練過程中的穩(wěn)定性。此外，引入Dropout算法，Dropout主要功能是對模型進(jìn)行正則化，可有效防止過擬合發(fā)生。在模型訓(xùn)練過程中，Dropout會隨機(jī)地屏蔽部分神經(jīng)元，因此，會形成新的神經(jīng)元結(jié)果并且神經(jīng)元直接互相不依賴，有效解決局部性特征依賴的問題，進(jìn)一步提升了神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。Dropout概率設(shè)置為0.3。通過Python搭建訓(xùn)練模型，對樣本進(jìn)行訓(xùn)練，訓(xùn)練過程中損失曲線如圖5所示。

圖5 訓(xùn)練誤差

圖5中橫軸為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練輪次，縱軸為訓(xùn)練集損失函數(shù)值?？芍S著訓(xùn)練次數(shù)的增加，損失函數(shù)不斷減小直到收斂，說明模型較好地學(xué)習(xí)了所輸入的信號特征。

3.2 觸電類型識別結(jié)果分析

利用訓(xùn)練的LSTM網(wǎng)絡(luò)對100組測試數(shù)據(jù)進(jìn)行測試，結(jié)果如表3所示。其中，總均方差為3.323 8×10-6，平均仿真時間為0.000 034 s，準(zhǔn)確率100 %，滿足實際需求。

表3 觸電識別結(jié)果

4 對比分析

為驗證基于LSTM的生命體觸電檢測方法有效性，分別用CNN和BP神經(jīng)網(wǎng)絡(luò)與本文方法進(jìn)行了對比。

從表4可看出，本文方法準(zhǔn)確率更高且迭代次數(shù)少，表明本文方法對于生命體觸電具有更好的表征能力。另外，在平均計算時間上也要優(yōu)于CNN和BP神經(jīng)網(wǎng)絡(luò)，平均識別時間僅為0.000 034 s。

表4 不同方法檢測效果對比

5 結(jié) 論

本文提出了基于LSTM神經(jīng)網(wǎng)絡(luò)的生命體觸電電流檢測方法，通過生命體觸電試驗平臺獲取觸電剩余電流信號進(jìn)行小波分解降噪，再利用總剩余電流所表現(xiàn)出的特種波形電流信號并結(jié)合其時域特征和波形特征對LSTM進(jìn)行訓(xùn)練，構(gòu)建生命體觸電識別模型,并取得了良好的檢測效果。與CNN和BP網(wǎng)絡(luò)相比，LSTM在訓(xùn)練次數(shù)以及平均計算時間上均有明顯的優(yōu)勢。