李同同，滿正行，趙少芳，金洪德

(1.西北民族大學(xué) 數(shù)學(xué)與計算機科學(xué)學(xué)院，甘肅 蘭州 730030；2.西北民族大學(xué) 動態(tài)流數(shù)據(jù)計算與應(yīng)用實驗室，甘肅 蘭州 730030；3.黑龍江科技大學(xué) 電氣與控制工程學(xué)院，黑龍江 哈爾濱 150022)

0 引言

礦井下供電系統(tǒng)一般選用中性點不直接接地，這種供電方式通常來說其零序阻抗比較大，因而當(dāng)系統(tǒng)出現(xiàn)漏電故障時，故障電流比較小，也稱為小電流接地方式.我國的低壓礦井下供電方式，絕大部分選用中性點不接地，即中性點絕緣[1-3]，這種供電方式會發(fā)生單相、兩相及三相接地故障，使系統(tǒng)對地絕緣電阻值降低到閥值.由于礦井生產(chǎn)環(huán)境條件差，這些故障會引發(fā)礦井嚴重安全事故，引起瓦斯或者粉塵爆炸，漏電電流導(dǎo)致電氣雷管爆炸，造成人身傷害、燒毀生產(chǎn)設(shè)備等嚴重事故，由此可見漏電電流的危害性[4]，而及時發(fā)現(xiàn)漏電支路，可以保證礦井安全生產(chǎn)作業(yè)[5-6].在我國大多數(shù)煤炭礦井的電網(wǎng)中，多數(shù)變壓器采用中性不接地方式運行[7].近年來，面向礦井漏電檢測保護措施有開關(guān)系統(tǒng)[8-9]、選線方法[10]等措施對漏電進行檢測與保護.傳統(tǒng)檢測漏電需要人工定時，耗時耗力且效率底下，而如何利用人工智能技術(shù)自動檢測并判斷礦井漏電故障已成為礦井安全保護的重點問題.

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)在圖像分類、圖像分割和目標檢測等任務(wù)中展現(xiàn)出良好的智能性與競爭力.卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的典型代表，在計算機視覺領(lǐng)域展示了其優(yōu)良性能[11].

本文基于MATLAB對漏電數(shù)據(jù)特征進行仿真，并將其轉(zhuǎn)為波形圖像數(shù)據(jù).借助深度學(xué)習(xí)方法對漏電故障波形圖進行識別分類.本文基于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型VGG-Net研究并構(gòu)建不同層數(shù)的VGG-Net分類器進行波形圖分類,仿真得到漏電故障波形圖，這種波形圖在漏電檢測中具有較高的準確率與穩(wěn)定性.

1 研究基礎(chǔ)

1.1 附加直流理論

當(dāng)供電系統(tǒng)發(fā)生漏電故障時，其特征表現(xiàn)為絕緣電阻顯著下降.當(dāng)系統(tǒng)發(fā)生單相漏電時，系統(tǒng)就相當(dāng)于并聯(lián)了一個阻值不大的電阻，如圖1所示，將整個電網(wǎng)的絕緣電阻值降到一個較低的數(shù)值.此網(wǎng)絡(luò)附加的直流電路線路為：附加直流源的正極端子到地，流經(jīng)漏電電阻回到母線，再經(jīng)零序電抗器、三相電抗器、直流繼電器到達負極端子.當(dāng)電網(wǎng)出現(xiàn)單相漏電時，系統(tǒng)在附加直流的作用下漏電電阻值變得極小，其結(jié)果造成直流電流較大增加，通過比較直流電大小就能夠判斷出電網(wǎng)絕緣電阻值是否發(fā)生變動，進而判定電網(wǎng)是否存在漏電故障.這種選漏方法保護范圍比較廣，并且對整個供電單元能夠起到電容電流補償效果，但它的保護并不具有選擇性，保護裝置起動時間比較久.

圖1 附加直流源漏電保護原理圖

1.2 附加直流源系統(tǒng)單相漏電分析

1.2.1 附加直流系統(tǒng)電路圖

礦井下供電系統(tǒng)一般為全電纜電路，在現(xiàn)實礦井供電網(wǎng)絡(luò)中要綜合考慮線路電阻、電感，對地絕緣電阻以及對地電容.若線路較短，可以忽略線路電阻和電感，只需考慮對地絕緣電阻與對地電容.因此在本文礦井供電系統(tǒng)發(fā)生單相漏電模型中，搭建三線礦井供電系統(tǒng)模型L1、L2與L3，并設(shè)置第一條支路發(fā)生單相漏電，其余為正常支路.圖2中US為附加的直流電壓源，LK為零序電抗器，SK為三相電抗器，Ra為限流電阻，Cn為隔直電容，C和R各自為電網(wǎng)對地電容值與對地電阻值.為使附加直流礦井系統(tǒng)更容易分析，令電網(wǎng)中各相對地電容與對地電阻值各自相等，即各相對電容滿足Ca1=Cb1=Cc1=C1、Ca2=Cb2=Cc2=C2、Ca3=Cb3=Cc3=C3；各相對電阻滿足Rr1=Rr1=Rr1=R1、Rr2=Rr2=Rr2=R2、Rr3=Rr3=Rr3=R3.

由圖2可知，附加直流源系統(tǒng)運行時，由于系統(tǒng)附加了直流源，導(dǎo)致直流在電網(wǎng)中始終存在.當(dāng)系統(tǒng)發(fā)生單相接地故障時，不論是穩(wěn)態(tài)還是暫態(tài)過程，附加直流系統(tǒng)所提供的直流電流都不能流過電容Cn與對地電容Ck.同時，電網(wǎng)發(fā)出的直流對于正常支路來說只能通過附加直流源的正極端子流向各個支路的對地電阻，再流回系統(tǒng)母線.而對于出現(xiàn)故障支路的直流電流部分直接由接地電阻流回系統(tǒng)母線，附加直流源發(fā)出的直流電流部分集合在母線，再經(jīng)母線流向零序電抗器三與相電抗器，最終流回附加直流源系統(tǒng)的負極端子.

1.2.2 交流系統(tǒng)單相接故障電流

本文采用瞬時對稱分量法對暫態(tài)附加直流系統(tǒng)單相故障進行探討[8]，在交流作用下對圖2建立瞬時暫態(tài)時序網(wǎng)絡(luò)模型.圖中隔直電容Cm只起到隔離直流的作用.為更加符合實際礦井系統(tǒng)模型，設(shè)其值要遠遠高于對地電容(在本電網(wǎng)模型可以忽略不計)，模型簡化如圖3.

圖2 附加直流供電系統(tǒng)圖

圖3 交流系統(tǒng)下零序網(wǎng)絡(luò)

1.2.3 正常支路零序電流

由圖3可知，在交流系統(tǒng)作用下正常支路絕緣電阻和對地電容的零序電流最終流入大地，也就是正常的對地零序電流，表達式如公式(1)：

(1)

其中，iopg為正常支路p交流作用下的零序電流值，U10為零序電壓，Rp和Cp分別為正常支路下第p條支路的絕緣電阻與對地電容值.

穩(wěn)態(tài)值為：

(2)

根據(jù)式(1)可推出暫態(tài)分量iopt為：

(3)

正常支路在交流作用下零序電流為：

(4)

1.2.4 故障支路零序電流

故障支路在交流作用下的零序電流可分為兩個部分：一部分為正常支路交流機理下的零序電流，另一部分為流經(jīng)零序電抗器交流下的零序電流iL0，其值為：

(5)

因此在交流作用下故障支路零序電流為：

(6)

2 附加直流漏電系統(tǒng)仿真

本文針對380V附加直流源的礦井低壓供電系統(tǒng)發(fā)生單相接地故障進行仿真，搭建3回出線的附加直流礦井供電模型，通過設(shè)置是否單相接地，仿真出故障與正常波形(圖4).

圖4 附加直流礦井漏電仿真模型

其中，圖4右上角“Powergui”模塊可以顯示系統(tǒng)穩(wěn)定狀態(tài)的電流、電壓及電路(電感電流和電容電壓)所有的狀態(tài)變量值，可為研究人員提供電能圖形界面.

仿真設(shè)置支路L1發(fā)生單相接地故障，故障初相角為0°，接地電阻設(shè)置為500 Ω，發(fā)生單相漏電時，三相不平衡產(chǎn)生了零序電壓.如果系統(tǒng)中構(gòu)造回路，會導(dǎo)致零序電流在系統(tǒng)中產(chǎn)生.在發(fā)生單相漏電后，可產(chǎn)生明顯的暫態(tài)過程，此過程含有豐富的高頻信號，可以看出漏電支路上暫態(tài)零序電流的幅值大小高于正常支路.圖5為仿真得到的系統(tǒng)單相接地故障與正常波形數(shù)據(jù).

圖5 系統(tǒng)單相接地故障(a)與正常波形(b)

3 基于VGGNet的分類實驗及結(jié)果

深度學(xué)習(xí)作為人工智能領(lǐng)域的一個重要分支，在計算機視覺、目標檢測等任務(wù)中發(fā)揮著重要的作用.卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的重要方法，在圖像分類、圖像分割等任務(wù)中表現(xiàn)出強大的競爭力.針對傳統(tǒng)人工檢測接地故障方法耗時長、效率低等問題，為進一步提高面向單相接地故障波形圖與正常波形圖的識別精度，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的單相接地故障與正常波形圖的分類識別.

3.1 數(shù)據(jù)集擴展

為了提升模型的泛化能力，本文提出面向單相接地故障與正常波形圖的數(shù)據(jù)集擴展.考慮到數(shù)據(jù)集為仿真得到的波形圖，且單相接地波形圖中漏電支路上暫態(tài)零序電流的幅值大小高于正常支路，由此可知，在波形圖中存在著重要的數(shù)據(jù)特征，無法直接基于傳統(tǒng)的數(shù)據(jù)增強方式進行數(shù)據(jù)擴展.針對波形圖特征，本文在保存其特征的情況下提出隨機數(shù)據(jù)平移和隨機數(shù)據(jù)鏡像等數(shù)據(jù)集擴展方式.

隨機數(shù)據(jù)平移：數(shù)據(jù)平移是像素級上進行數(shù)據(jù)擴展.在波形圖中將圖像進行隨機上下、左右α的平移.本文α取值范圍為(5,30)，此操作不僅保留了數(shù)據(jù)特征，還有效地對數(shù)據(jù)集進行了擴展.設(shè)定任意空間坐標(x0,y0)先沿X軸平移tx，再沿Y軸平移ty，最終得到坐標(x1,y1)=(x+tx,y+ty).平移矩陣公式為(9).

(7)

其中xo,yo為初始圖片像素值，x1,y1為進行平移操作后的像素值.

隨機數(shù)據(jù)鏡像：考慮到波形圖的對稱性，本文提出面向波形圖數(shù)據(jù)的鏡像擴展.將波形數(shù)據(jù)進行隨機上下、左右鏡像，從而達到像素級的數(shù)據(jù)增強操作.公式(10)給出鏡像過程.

(8)

其中w為原圖像的寬度，xi、yi為原始圖片像素值，xo、yo為鏡像之后的像素數(shù)值.圖6為數(shù)據(jù)擴展效果圖.

a.故障波形原圖;b.左右平移擴展;c.水平鏡像擴展

將仿真得到的數(shù)據(jù)集作為原始數(shù)據(jù)集Dataset1，并進行擴展得到擴展數(shù)據(jù)集Dataset2.本文將單相接地故障波形視為Positive類，將正常波形視為Negative類，實驗數(shù)據(jù)概況如表1所示.

表1 本文實驗數(shù)據(jù)概況

3.2 基于VGG-Net的分類器

自首個CNNs(Convolutional Neural Networks,CNNs)模型LeNet[13]成功應(yīng)用于手寫體數(shù)字識別以來，深度學(xué)習(xí)技術(shù)在計算機視覺領(lǐng)域發(fā)揮著重要作用，CNNs依靠其卷積、池化層組合進行高緯度特征提取，在圖像分類領(lǐng)域展現(xiàn)出巨大的優(yōu)勢.VGG-Net[14]由牛津大學(xué)計算機視覺組和谷歌旗下DeepMind團隊共同研發(fā)提出.近幾年，隨著硬件設(shè)備的飛速發(fā)展，VGG-Net及其變種在各種圖像分類任務(wù)中表現(xiàn)出強大競爭力.因其深度不同，通常有VGG11-Net、VGG13-Net、VGG16-Net等不同模型.本文數(shù)據(jù)量較小，為避免因模型層數(shù)加深導(dǎo)致模型性能退化，精確度降低.在參考傳統(tǒng)的VGG-Net模型基礎(chǔ)上，本文定義構(gòu)建淺層的VGG-Net模型VGG4-Net、VGG7-Net用于單相接地故障與正常波形圖分類判別.

3.2.1 VGG4-Net模型

VGG4-Net由2層3×3的卷積層、1層2×2的最大池化層和2層全連接層構(gòu)成.其中不同層卷積核個數(shù)為64、128.模型輸入數(shù)據(jù)為1024×512的3通道圖像，經(jīng)過2層3×3的卷積層實現(xiàn)不同層的提取特征．再通過最大池化層實現(xiàn)下采樣，降低數(shù)據(jù)維數(shù)，最后由全連接層進行分類識別，模型結(jié)構(gòu)見表2.

3.2.2 VGG7-Net模型

與VGG4-Net模型結(jié)構(gòu)類似，VGG7-Net模型包含4層3×3的卷積層、2層2×2的最大池化層和3層全連接層.不同層卷積核個數(shù)分別為64、64、128和128.在2層卷積層以后進行最大池化，再經(jīng)過2層卷積層進一步提取特征，并由一層最大池化層進行下采樣，通過全連接層進行特征識別，進行單相接地故障與正常波形圖的分類判別，具體模型結(jié)構(gòu)見表2.

3.2.3 VGG11-Net，VGG16-Net模型

VGG11-Net，VGG16-Net是經(jīng)典模型[14].VGG11-Net包含8層卷積層，3層全連接層；VGG16-Net包含13卷積層，3層全連接層.在本實驗中，實驗數(shù)據(jù)尺寸為1024×512的3通道圖像，由卷積層、池化層的組合進行特征提取及降維，最后由全連接層進行特征識別并進行特征分類，具體模型結(jié)構(gòu)見表2.

表2 VGGNet模型結(jié)構(gòu)

3.3 實驗結(jié)果及評價

實驗主要面向仿真得到的單相接地故障與正常波形圖數(shù)據(jù)集Dataset1及擴展數(shù)據(jù)集Dataset2，驗證并評價本文構(gòu)建的分類器在Dataset2數(shù)據(jù)集中的分類性能.

3.3.1 實驗設(shè)計

為獲得數(shù)據(jù)的真實性，本文在實驗數(shù)據(jù)準備階段進行仿真并進行數(shù)據(jù)標記.根據(jù)標記結(jié)果，驗證分類器擴展數(shù)據(jù)集Dataset2的分類性能并進行實驗評估.使用表4的評判指標進行實驗評估.

表3 混淆矩陣

True Positive (TP)：標記為單相接地故障類的圖像被模型正確判別為單相接地故障類圖像.

True Negative (TN)：標記為正常類圖像塊被模型正確判別為正常類圖像.

False Positive (FP)：標記為正常類的圖像塊被模型錯誤判別為單相接地故障類圖像.

False Negative (FN)：標記為單相接地故障類的圖像塊被模型錯誤判別為正常類圖像.

基于上述定義，可得以下性能評價指標：準確度Acc、精確度Pre、召回率Rec、F-1Score如下：

(9)

(10)

(11)

(12)

Acc為總樣本中識別正確的樣本所占的比率；Pre為在識別出的樣本中TP所占的比率；Rec為測試集中所有正樣本樣例中被正確識別為正樣本的比例；F-1為此時視召回率和精確率都很重要，且權(quán)重相同.

本文將實驗數(shù)據(jù)集隨機選取作為訓(xùn)練集和測試集，且訓(xùn)練集和測試集的比例為7︰3.為了保證實驗的穩(wěn)定性與可信性，將實驗進行10次，把10次結(jié)果的均值作為本次實驗的最終結(jié)果.

實驗環(huán)境為Inter(R) Core(TM)i7-6700，深度學(xué)習(xí)框架為TensorFlow 2.0.模型訓(xùn)練和測試過程中，優(yōu)化器選取SGD，學(xué)習(xí)率設(shè)為0.001、Batch設(shè)為32、Epoch設(shè)為300.

3.3.2 實驗結(jié)果

本文將仿真獲得的單相接地故障與正常波形圖進行標記，并進行數(shù)據(jù)擴展.基于經(jīng)典深度學(xué)習(xí)模型VGG-Net構(gòu)建淺層序列化模型并進行訓(xùn)練.表4是VGG-Net系列模型在擴展數(shù)據(jù)集Dataset2上的性能，圖7是VGG-Net系列模型的訓(xùn)練過程圖.

表4 VGG-Net系列模型在擴展數(shù)據(jù)集Dataset2上的性能

圖7 VGG-Net系列模型的訓(xùn)練過程

由表4、圖7得出：對于擴展后的波形數(shù)據(jù)集，使用VGG-Net系列模型可以有效識別出單相接地故障波形圖與正常波形圖.本文提出的淺層模型VGG7-Net分類效果要優(yōu)于經(jīng)典深層VGG-Net的分類性能，其中Acc、Pre、Roc、F-1分別達到0.976 8、0.990 8、0.966 5、0.978 5.

由表4中混淆矩陣可以得出：VGG7-Net的召回率高，且由圖7可以看出該模型收斂也較快，即模型可以更好地將故障波形識別出來.雖然VGG16-Net召回率為1.000，但是隨著模型層數(shù)的加深，模型性能開始下降，出現(xiàn)梯度彌散現(xiàn)象，最終將其歸為一類，使得模型喪失了分辨能力.

綜上可得，基于VGG7-Net識別單相接地故障波形圖與正常波形圖具有一定的可行性與可靠性.

4 結(jié)論

本文針對智能化礦井漏電保護，搭建模擬礦井生產(chǎn)環(huán)境的MATLAB模型進行仿真，得到礦井系統(tǒng)單相接地故障與正常波形數(shù)據(jù).通過經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建故障波形分類器進行分類識別，以達到利用計算機技術(shù)自動檢測是否發(fā)生單相接地故障的目的.在進行實驗訓(xùn)練與測試時，先對波形數(shù)據(jù)集進行有效數(shù)據(jù)集擴展，并基于VGG7-Net模型進行分類判別.由實驗結(jié)果可得，VGG7-Net可對波形圖進行有效自動判別，在礦井供電漏電檢測中具有一定的可靠性和可行性.