余瓊芳，徐 靜，楊 藝

(1.河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，河南 焦作 454003;2.大連理工大學(xué) 北京研究院博士后科研工作站，北京 100000)

0 引言

故障電弧是引發(fā)電氣火災(zāi)的主要原因，是由電極間絕緣介質(zhì)被擊穿所導(dǎo)致的氣體游離放電現(xiàn)象，并產(chǎn)生巨大的弧光和熱量[1]。在低壓供配電系統(tǒng)中，由于線路材料絕緣老化、虛連，電力設(shè)備接觸松動(dòng)、質(zhì)量不合格等原因時(shí)常發(fā)生故障電弧[2]。

串聯(lián)型電弧故障發(fā)生時(shí)，相當(dāng)于1個(gè)阻抗，導(dǎo)致線路回路的實(shí)際電流略小于正常電流而無(wú)法使用斷路器動(dòng)作。串聯(lián)故障電弧的發(fā)生是隱蔽、突發(fā)的，且一旦發(fā)生極易引發(fā)災(zāi)難?，F(xiàn)階段的檢測(cè)分3類：1)基于電弧數(shù)學(xué)模型的研究，有Mary模型和Cassie模型，但由于參數(shù)量大、應(yīng)用條件等限制難以在實(shí)際情況中使用；2)在故障電弧發(fā)生的位置安裝傳感器來(lái)檢測(cè)弧光弧聲，但電弧發(fā)生的時(shí)間和位置都是隨機(jī)的，而難以實(shí)現(xiàn)[3]；3)基于電弧電壓電流波形的特征檢測(cè)是目前研究最多的檢測(cè)方法，可分為3類：1)通過(guò)故障電弧電流的時(shí)域、頻域或時(shí)頻域特征進(jìn)行檢測(cè)，涉及傅里葉變換、小波分解、支持向量機(jī)等復(fù)雜運(yùn)算，文獻(xiàn)[4]提出了1種基于小波包變換與高階累積量相結(jié)合的電弧故障識(shí)別方法，文獻(xiàn)[5]對(duì)電流數(shù)據(jù)進(jìn)行快速傅里葉變換，從頻譜分析結(jié)果中提取3個(gè)特征值作為判斷依據(jù)；2)使用機(jī)器學(xué)習(xí)等智能算法，將電流信號(hào)直接作為檢測(cè)對(duì)象輸入到神經(jīng)網(wǎng)絡(luò)中，由網(wǎng)絡(luò)自主挖掘隱含在電流數(shù)據(jù)背后的特征，文獻(xiàn)[6]直接將采集到的電流數(shù)據(jù)輸入到改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)中檢測(cè)串聯(lián)故障電弧，文獻(xiàn)[7]采用滑窗法對(duì)輸入到自組織特征映射網(wǎng)絡(luò)的電流數(shù)據(jù)進(jìn)行連續(xù)檢測(cè)；3)先通過(guò)信號(hào)分析工具提取電流數(shù)據(jù)特征，然后通過(guò)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電弧檢測(cè)，文獻(xiàn)[8]利用全相位傅里葉變換提取電流數(shù)據(jù)的頻譜特征量，再輸入到Logistic回歸深度學(xué)習(xí)模型中進(jìn)行分類訓(xùn)練，文獻(xiàn)[9]用EMD對(duì)電流數(shù)據(jù)進(jìn)行時(shí)頻分解后，再通過(guò)PNN模型進(jìn)行故障識(shí)別，文獻(xiàn)[10]對(duì)電流數(shù)據(jù)進(jìn)行小波分解后，送往AlexNet網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)并輸出檢測(cè)結(jié)果。

目前，大量的檢測(cè)方法能較好地實(shí)現(xiàn)單個(gè)負(fù)載回路發(fā)生串聯(lián)故障電弧的檢測(cè)。然而在實(shí)際低壓配電系統(tǒng)中，電路網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、負(fù)載混聯(lián)。當(dāng)某1條支路發(fā)生電弧故障時(shí)，故障特征容易被干路電流“淹沒(méi)”而造成漏判而難以區(qū)分出故障情況。在區(qū)分出故障的基礎(chǔ)上，再區(qū)分出是哪類負(fù)載所在支路發(fā)生的，則能更及時(shí)地排除故障支路。本文提出1種CNN和LSTM結(jié)合的復(fù)雜支路串聯(lián)故障電弧檢測(cè)方法，各支路上發(fā)生電弧故障時(shí)通過(guò)采集干路電流信號(hào)直接作為模型輸入，通過(guò)CNN層進(jìn)行故障特征信息提取，LSTM層學(xué)習(xí)故障特征，最終實(shí)現(xiàn)故障分類。

1 電流信號(hào)采集分析

1.1 電弧故障實(shí)驗(yàn)平臺(tái)

根據(jù)國(guó)家標(biāo)準(zhǔn)《電弧故障保護(hù)電器(Arc Fault Detection Devices，AFDD)的一般要求》(GB/T 31143—2014)，搭建實(shí)驗(yàn)數(shù)據(jù)采集平臺(tái)如圖1[11]。采用單相交流220 V/50 Hz電源供電，以4 mm銅線作為電路連接線，以100W1P電阻作為采樣電阻，示波器使用TiePieSCOPE HS801五合一虛擬綜合測(cè)試儀。干路上有總開(kāi)關(guān)K和QF，來(lái)控制總電源。通過(guò)各支路上的開(kāi)關(guān)Kn控制幾個(gè)支路同時(shí)工作，與故障位置并聯(lián)的開(kāi)關(guān)Sn模擬故障是否發(fā)生。

圖1 實(shí)驗(yàn)原理

電弧發(fā)生裝置有碳化通道式和拉弧式，本文采用拉弧式來(lái)獲取電弧[12]。裝置由6 mm碳棒的靜電極、6 mm銅棒的動(dòng)電極和步進(jìn)電機(jī)組成，如圖2所示。2電極從正常閉合位置，在步進(jìn)電機(jī)的驅(qū)動(dòng)下動(dòng)電極向斷開(kāi)的方向移動(dòng)。在接觸面分離前的一瞬間，I2R能量集中加熱在最后1個(gè)極小的金屬體積，其溫度迅速上升而引起爆炸式氣化。在間隙充滿高溫金屬蒸氣的條件下，觸頭間形成穩(wěn)定的電弧。

圖2 電弧發(fā)生裝置示意

1.2 實(shí)驗(yàn)方案與數(shù)據(jù)采集

實(shí)驗(yàn)設(shè)計(jì)單、雙、3，4，5，6支路負(fù)載實(shí)驗(yàn)。實(shí)驗(yàn)負(fù)載既有小功率用電設(shè)備，也有大功率用電設(shè)備，包括阻性、感性和非線性負(fù)載，負(fù)載屬性及參數(shù)如表1。

表1 各負(fù)載及參數(shù)

實(shí)驗(yàn)包括18組實(shí)驗(yàn)，共6大類：每1類實(shí)驗(yàn)?zāi)依?種負(fù)載類型，隨機(jī)搭配以模擬電網(wǎng)末端用電設(shè)備的多樣化連接。其中1，2，3，4，5，6分別為故障發(fā)生的位置，實(shí)驗(yàn)方案如表2。進(jìn)行每1類實(shí)驗(yàn)時(shí)，只有1支路模擬發(fā)生故障，其余支路均正常工作，在干路采集電流。每1類實(shí)驗(yàn)正常數(shù)據(jù)和電弧故障數(shù)據(jù)各1 200組。

表2 實(shí)驗(yàn)方案及負(fù)載參數(shù)

1.3 數(shù)據(jù)預(yù)處理與波形分析

在采樣頻率為50 kHz/s下，采集到10 000個(gè)采樣點(diǎn)的10個(gè)周期的電流波形，以DAT格式存儲(chǔ)至計(jì)算機(jī)中。在1個(gè)故障波形數(shù)據(jù)中，當(dāng)存在8個(gè)及以上的半周故障的電弧波形時(shí)，即判斷該數(shù)據(jù)為故障數(shù)據(jù)。在采集故障數(shù)據(jù)時(shí)，由于電弧熄滅引起的電弧畸變不計(jì)為故障電弧。

單負(fù)載電路結(jié)構(gòu)下的3種類型負(fù)載發(fā)生故障的電流波形如圖3所示。電視是內(nèi)部含有整流設(shè)備的非線性負(fù)載，正常工作時(shí)的電流是周期性波形，發(fā)生電弧故障時(shí)，局部信號(hào)出現(xiàn)突變，電流波形出現(xiàn)了大量的尖峰脈沖；熱水壺是純阻性負(fù)載，發(fā)生電弧故障時(shí)波形過(guò)零點(diǎn)處出現(xiàn)“零休”現(xiàn)象，此時(shí)電弧能量最小而自動(dòng)熄滅，隨著電壓換向，電弧在1段時(shí)間后重燃[13]，因其導(dǎo)電系數(shù)呈現(xiàn)強(qiáng)非線性特征，在非“零休”時(shí)段電流信號(hào)中含有高次諧波；空調(diào)是感性負(fù)載，正常工作時(shí)電流是近似正弦波形，發(fā)生電弧故障時(shí)，過(guò)零點(diǎn)出現(xiàn)“零休”現(xiàn)象、其他時(shí)段尖峰脈沖增多。

圖3 單支路不同負(fù)載電流波形

對(duì)于不同的電路結(jié)構(gòu)，同一負(fù)載支路(以熱水壺為例)發(fā)生電弧故障的電流波形如圖4所示。在單、3、6支路的電路結(jié)構(gòu)中，正常工作時(shí)干路電流均是近似的正弦波形，單支路發(fā)生故障電弧時(shí)波形發(fā)生畸變，過(guò)零點(diǎn)出現(xiàn)“平肩”現(xiàn)象和尖峰脈沖增多現(xiàn)象。隨著電路的結(jié)構(gòu)趨于復(fù)雜，電路運(yùn)行趨于穩(wěn)定，支路故障受到其他支路負(fù)載電流的影響，故障電弧特征削弱。在6支路電路結(jié)構(gòu)中，電流整體變化并不明顯，如圖4(f)所示，增大了故障識(shí)別難度。

圖4 不同支路同一負(fù)載支路電流波形

2 CNN_LSTM網(wǎng)絡(luò)模型

CNN_LSTM模型主要由輸入層、卷積層、池化層、LSTM層、分類層和輸出層組成，如圖5所示，圖中波形是1個(gè)完整的故障電流波形，是一維時(shí)間序列，故模型輸入為1*10 000的矩陣。將其送入CNN卷積層進(jìn)行卷積計(jì)算，經(jīng)池化層進(jìn)行池化操作，然后將特征矩陣輸入LSTM層，學(xué)習(xí)故障特征。最后使用softmax激活函數(shù)，對(duì)故障特征進(jìn)行分類，完成故障診斷。該模型不僅保留了輸入數(shù)據(jù)的特征及其相互關(guān)系，且保證模型的時(shí)序性。

圖5 CNN_LSTM網(wǎng)絡(luò)結(jié)構(gòu)

2.1 CNN特征提取過(guò)程

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是LeCun等[14]首次提出的1種深度學(xué)習(xí)模型，用于解決視覺(jué)任務(wù)。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的非線性復(fù)合不同，CNN將輸入信號(hào)的局部信息與卷積核進(jìn)行卷積計(jì)算提取數(shù)據(jù)特征。CNN具有局部權(quán)值共享、最大池化的特殊結(jié)構(gòu)，降低了網(wǎng)絡(luò)的復(fù)雜性從而減少了計(jì)算。本文直接將一維的電流信號(hào)作為檢測(cè)對(duì)象送入CNN，所以卷積層使用一維卷積函數(shù)，卷積核也作出相應(yīng)的調(diào)整。

CNN卷積層通常包含多個(gè)相同維度、大小不同的卷積核，本文選擇4個(gè)卷積核，即通道數(shù)為4。CNN卷積層將一維的電流數(shù)據(jù)作為輸入信號(hào)與一維的核進(jìn)行卷積運(yùn)算生成特征矩陣，如式(1)所示：

x(n)=wm*i(n)+bm

(1)

式中：i(n)表示電流數(shù)據(jù)第n個(gè)區(qū)域，wm和bm分別表示權(quán)重和偏置，x(n)表示輸出矩陣。

池化層設(shè)置在卷積層之后，其目的是繼續(xù)降低特征矩陣的維度，提高運(yùn)算速度。池化運(yùn)算選取max-pooling，池化窗口對(duì)特征矩陣從左到右進(jìn)行掃描，同時(shí)選取池化窗口中最大值作為該位置輸出，最后得到維數(shù)更小的特征矩陣，如圖6所示。

圖6 最大池化原理

2.2 LSTM基本原理

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)用于解決樣本輸入是連續(xù)的序列，如基于時(shí)間序列的問(wèn)題。長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)是Schmidhuber提出的RNN的1種特殊變種[15]，被廣泛地應(yīng)用到各個(gè)領(lǐng)域，其網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖7所示。不僅能夠很好地解決RNN的梯度消失和梯度爆炸的問(wèn)題，而且能夠充分地挖掘時(shí)間序列數(shù)據(jù)的時(shí)序性、非線性的關(guān)系。

圖7 LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)

LSTM主要由3個(gè)門結(jié)構(gòu)來(lái)控制數(shù)據(jù)的流通。

1)遺忘門主要是對(duì)上1個(gè)神經(jīng)元傳進(jìn)來(lái)的信息進(jìn)行選擇性忘記，如式(2)所示：

ft=σ(wf[ht-1,xt]+bf)

(2)

式中：σ表示sigmoid激活函數(shù)，ht-1是前1個(gè)神經(jīng)元的輸出；xt是CNN的輸出。

2)輸入門對(duì)新輸入信息有選擇性地進(jìn)行記憶，起到控流的作用，如式(3)～(4)所示：

it=σ(wi[ht-1,xt]+bi)

(3)

Ct=ft*Ct-1+it*tanh(wc[ht-1,xt]+bc)

(4)

式中：tanh表示雙曲正切激活函數(shù)；ct-1是上1個(gè)神經(jīng)元的狀態(tài)，ct是當(dāng)前神經(jīng)元的狀態(tài)。

3)輸出門將決定哪些將會(huì)被當(dāng)成當(dāng)前狀態(tài)的輸出，控制多少信息提取到隱含狀態(tài)中，如式(5)所示：

yt=ht=σ(wo[ht-1,xt]+bo)*tanhCt

(5)

式中：yt是當(dāng)前神經(jīng)元的輸出。

2.3 性能指標(biāo)

為了衡量網(wǎng)絡(luò)分類預(yù)測(cè)的準(zhǔn)確性，本文選用準(zhǔn)確率作為衡量標(biāo)準(zhǔn)，可以直觀地觀察到網(wǎng)絡(luò)性能，2分類混淆矩陣如表3所示。

表3 2分類混淆矩陣

準(zhǔn)確率是模型所有分類預(yù)測(cè)正確的樣本占全部樣本的比例，如式(6)所示：

(6)

準(zhǔn)確率函數(shù)雖然可觀，但是該函數(shù)不可微而無(wú)法應(yīng)用于網(wǎng)絡(luò)訓(xùn)練，于是提出將損失函數(shù)應(yīng)用于網(wǎng)絡(luò)來(lái)更新網(wǎng)絡(luò)參數(shù)。損失函數(shù)計(jì)算步驟如下：先對(duì)網(wǎng)絡(luò)全連接層的輸出進(jìn)行softmax處理，即預(yù)測(cè)出結(jié)果屬于哪個(gè)類別。再對(duì)softmax預(yù)測(cè)的標(biāo)簽向量與實(shí)際標(biāo)簽向量做交叉熵，并求平均值即可得到損失函數(shù)，計(jì)算如式(7)～(8)所示：

(7)

(8)

3 模型優(yōu)化與實(shí)驗(yàn)結(jié)果

主機(jī)采用intel(R) Core(TM) I7-7700HQ處理器，16.00 GB運(yùn)行內(nèi)存。在Ubuntu16.04系統(tǒng)下，利用PycharmCommuntiy 2018.2版軟件的tensorflow-gpu配置構(gòu)建改進(jìn)的CNN_LSTM模型。

3.1 判別故障的分類結(jié)果

將實(shí)驗(yàn)數(shù)據(jù)分為“有弧”加標(biāo)簽1、“無(wú)弧”加標(biāo)簽0的數(shù)據(jù)集，按照5∶1的比例劃分訓(xùn)練集和測(cè)試集。模型通過(guò)實(shí)際標(biāo)簽和預(yù)測(cè)標(biāo)簽值的誤差求出殘差，再根據(jù)鏈?zhǔn)角髮?dǎo)法則，將殘差通過(guò)求解偏導(dǎo)數(shù)逐步向前傳遞，從而調(diào)整權(quán)重以及偏置。經(jīng)過(guò)反復(fù)測(cè)試來(lái)調(diào)整模型參數(shù)，最終確定模型參數(shù)如表4。最終發(fā)現(xiàn)學(xué)習(xí)率和epoch分別為0.000 9和2，訓(xùn)練批次為100，dropout為0.5的情況下，訓(xùn)練和測(cè)試效果比較好。

表4 模型各層參數(shù)說(shuō)明

以單回路電路的電流數(shù)據(jù)為例，將6 000個(gè)訓(xùn)練樣本送入模型中進(jìn)行訓(xùn)練。模型在迭代120次(2個(gè)epoch)后，訓(xùn)練結(jié)束，如圖8～9所示。隨著迭代次數(shù)的增加，訓(xùn)練準(zhǔn)確率呈整體上升的趨勢(shì)，訓(xùn)練損失值呈整體下降的趨勢(shì)。準(zhǔn)確率和損失值在迭代60次后基本收斂，最高具有99%的準(zhǔn)確率，損失值收斂在0.1左右。

圖8 訓(xùn)練準(zhǔn)確率變化

圖9 訓(xùn)練損失值變化

將單支路1 200個(gè)測(cè)試樣本輸入到訓(xùn)練好的模型中進(jìn)行檢測(cè)，測(cè)試結(jié)果總體維持在98.33%左右。將18組實(shí)驗(yàn)數(shù)據(jù)分為正常和故障數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)不同的支路數(shù)下的檢測(cè)準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，如表5所示。隨著電路趨于復(fù)雜，運(yùn)行穩(wěn)定，發(fā)生電弧故障時(shí)，主干路的故障電流中包含各支路的正常電流而使得檢測(cè)難度加大，準(zhǔn)確率降低。

表5 不同支路數(shù)檢測(cè)準(zhǔn)確率

3.2 判別故障支路的分類結(jié)果

應(yīng)用本文所提出的算法對(duì)電流樣本進(jìn)行有無(wú)故障電弧辨識(shí)具有極高的準(zhǔn)確率。基于此，提出將所有的“無(wú)弧”樣本歸為1大類，所有“有弧”樣本劃分為純阻性、純感性和非線性樣本3大類，從而進(jìn)行4分類。以此識(shí)別電路正常工作和哪1類負(fù)載支路下發(fā)生電弧故障的情況。其中正常電流數(shù)據(jù)為21 600組，純阻性、純感性和非線性支路故障電流數(shù)據(jù)各為7 200組，標(biāo)簽依次設(shè)計(jì)為0，1，2，3。同一標(biāo)簽下隨機(jī)打亂后，按照5∶1的比例劃分訓(xùn)練集和測(cè)試集，構(gòu)成最終數(shù)據(jù)集。并送入CNN_LSTM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，網(wǎng)絡(luò)參數(shù)不變。每個(gè)類別的準(zhǔn)確率和總體準(zhǔn)確率如表6所示。

表6 識(shí)別故障支路的測(cè)試結(jié)果

3.3 與其他模型的比較

為了驗(yàn)證所提模型檢測(cè)電弧故障的性能，在同樣的數(shù)據(jù)集上使用不同的模型進(jìn)行測(cè)試，選取準(zhǔn)確率和總時(shí)間作為衡量標(biāo)準(zhǔn)，如表7所示。

表7 不同模型的計(jì)算結(jié)果

1D CNN由1層卷積層和全連接層組成，檢測(cè)準(zhǔn)確率約85%，但是全連接層導(dǎo)致網(wǎng)絡(luò)訓(xùn)練慢。AlexNet由5層卷積層和全連接層組成，準(zhǔn)確率為95%左右，但是網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且網(wǎng)絡(luò)參數(shù)較多，訓(xùn)練時(shí)間尤其緩慢。LSTM僅有單個(gè)記憶門控單元組成，參數(shù)較少，訓(xùn)練時(shí)間較短，在2分類時(shí)表現(xiàn)較好，但是在多分類時(shí)，準(zhǔn)確率較低。本文所提CNN_LSTM結(jié)構(gòu)簡(jiǎn)單，參數(shù)量少，訓(xùn)練時(shí)間短且準(zhǔn)確率較高。

4 結(jié)論

1)在對(duì)所有的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行正常故障分類時(shí)，單支路到6支路的測(cè)試準(zhǔn)確率呈下降趨勢(shì)，總體達(dá)到了99.04%。在對(duì)故障支路用電設(shè)備的類型進(jìn)行分類時(shí)，正常類、純阻類、純感類、非線性4大類的識(shí)別準(zhǔn)確率依次降低，總體達(dá)到了97.90%。

2)雖然用電設(shè)備的增多、負(fù)載支路數(shù)的增加、電流波形故障特征不明顯，檢測(cè)準(zhǔn)確率略有下降，但依然具有較高的準(zhǔn)確率，該方法為復(fù)雜支路下的串聯(lián)故障電弧識(shí)別方法提供分析思路。