潘廣旭，裴麗偉，李興玉，王希濤，班云升

（1.國網(wǎng)日照供電公司，日照 276800；2.北京七星華創(chuàng)流量計(jì)有限公司，北京 100176）

在“碳中和、碳達(dá)峰”目標(biāo)下，大力發(fā)展可再生能源等低碳能源體系，實(shí)現(xiàn)新型電力系統(tǒng)的綠色轉(zhuǎn)型，成為能源領(lǐng)域的重要戰(zhàn)略方向，其中的電動(dòng)汽車充電系統(tǒng)應(yīng)運(yùn)而生。但隨著電動(dòng)汽車充電系統(tǒng)的發(fā)展，系統(tǒng)老化等因素引起的直流電弧問題越來越多。直流電弧不存在自然過零點(diǎn)，一旦產(chǎn)生很難自行熄滅，局部溫度可達(dá)數(shù)千攝氏度，極易造成電氣火災(zāi)事故，因此對(duì)直流電弧故障進(jìn)行識(shí)別和檢測十分重要[1]。目前直流電弧故障識(shí)別和檢測的方法主要分為基于物理特性的檢測方法、基于時(shí)頻域分析的檢測方法和基于人工智能的檢測方法[2]。

物理特性檢測主要依據(jù)電弧發(fā)生時(shí)的輻射信息，研究發(fā)現(xiàn)電弧產(chǎn)生階段能量不穩(wěn)定，輻射電磁信號(hào)幅值小且主要集中在千赫茲頻段；進(jìn)入穩(wěn)定發(fā)展階段后，電弧能量大且輻射頻帶集中在兆赫茲范圍[3-4]。文獻(xiàn)[5]提出一種基于雙天線的電弧故障平面定位方法，該方法利用神經(jīng)網(wǎng)絡(luò)與接收信號(hào)強(qiáng)度指標(biāo)進(jìn)行電弧故障位置估計(jì)。雖然此類方法利用的物理特性原理簡單，但很容易受到外界環(huán)境因素影響，因此有學(xué)者提出了基于故障電弧電壓和電流信號(hào)時(shí)頻域分析的方法。

時(shí)域分析檢測主要集中于時(shí)間序列的特征研究，例如，比較故障前后電壓電流基于時(shí)間的變化率和電流的平均值等。基于時(shí)域的直流串聯(lián)電弧故障檢測算法是利用3個(gè)窗口檢測電流波形，并提取故障電弧的時(shí)域和頻域特征作為標(biāo)準(zhǔn)進(jìn)行電弧故障檢測[6]；對(duì)相鄰兩個(gè)周期電流幅值差進(jìn)行小波降噪和歸一化處理，由此來檢測電弧故障[7-8]。頻域分析主要通過時(shí)間序列對(duì)頻率特性的分析，由于在電弧的不同階段電弧電流高頻脈沖出現(xiàn)的頻段不同，而現(xiàn)有研究一般主要關(guān)注電弧電流起始階段的頻域特征。因此，文獻(xiàn)[9]采用滑動(dòng)離散傅里葉變換對(duì)串聯(lián)直流電弧進(jìn)行識(shí)別，結(jié)果顯示電弧故障前后滑動(dòng)離散傅里葉頻譜存在明顯變化，證明了該算法用于電弧故障識(shí)別的可行性；文獻(xiàn)[10]基于串聯(lián)直流電弧的初始電流變化和脈沖-時(shí)間模式特征，提出一種直流電弧檢測方法。

隨著人工智能領(lǐng)域技術(shù)的不斷發(fā)展，有學(xué)者開始嘗試將該技術(shù)應(yīng)用于故障電弧識(shí)別領(lǐng)域，避免了傳統(tǒng)閾值法中需要人為設(shè)定閾值的局限，并通過模型訓(xùn)練自動(dòng)建立故障電弧識(shí)別邊界條件，有效地提高了檢測方法的普適性和準(zhǔn)確率[11-13]。文獻(xiàn)[14]采用分段頻譜二次加權(quán)方法提取出電弧電流的頻域特征及多路信號(hào)頻譜的相關(guān)系數(shù)，經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法具有高精度的直流電弧故障識(shí)別能力和識(shí)別可靠性；文獻(xiàn)[15-16]引入機(jī)器學(xué)習(xí)方法進(jìn)行直流電弧故障檢測，通過實(shí)驗(yàn)提取正常狀態(tài)與故障狀態(tài)下的4 種時(shí)域特征和3 種頻域特征，利用這些特征訓(xùn)練支持向量機(jī)，最終求得直流電弧故障識(shí)別模型，經(jīng)實(shí)驗(yàn)證明所提方法可以有效檢測直流電弧故障，并具有精度高和方法精簡的優(yōu)勢；文獻(xiàn)[17]利用一個(gè)輕量級(jí)傳輸網(wǎng)絡(luò)直接從原始互感器采集信號(hào)中提取廣義故障特征，從而實(shí)現(xiàn)電弧故障識(shí)別?；跈C(jī)器學(xué)習(xí)的直流電弧故障檢測方法普遍具有較高的準(zhǔn)確辨識(shí)率（超過80%），對(duì)于不同工況條件具有良好的適應(yīng)性，檢測效果優(yōu)于傳統(tǒng)閾值法。

綜上，本文針對(duì)電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧故障電弧電流小、準(zhǔn)確檢測困難問題，提出一種基于16層視覺幾何群網(wǎng)絡(luò)VGG16（16-layer visual geometry group network）的電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧故障檢測模型。研究結(jié)果表明，基于VGG16 的電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧故障檢測模型可以在各類工況下有效檢測直流串聯(lián)電弧故障，具有良好的泛化能力和抗干擾能力。

1 電動(dòng)汽車充電系統(tǒng)串聯(lián)故障電弧實(shí)驗(yàn)

1.1 實(shí)驗(yàn)平臺(tái)

電動(dòng)汽車充電系統(tǒng)電弧故障實(shí)驗(yàn)平臺(tái)如圖1所示。該實(shí)驗(yàn)平臺(tái)主要由主電路部分和數(shù)據(jù)采集部分組成，其能有效模擬由于接觸不良而產(chǎn)生的電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧故障。主電路部分主要包括大功率直流電源、電動(dòng)汽車充電樁、去耦網(wǎng)絡(luò)、模塊線路阻抗網(wǎng)絡(luò)、模塊和逆變器之間的連接線阻抗及故障電弧發(fā)生器等。其中，C1～C3、L1～L3組成去耦網(wǎng)絡(luò)，用于調(diào)節(jié)直流電源的輸出電容，模擬汽車充電系統(tǒng)直流特性；R3、R4、L4、L5構(gòu)成線路阻抗網(wǎng)絡(luò)，模擬80 m的線路，用來模擬充電樁與電源之間的連接線，實(shí)驗(yàn)電路各參數(shù)如表1所示。數(shù)據(jù)采集部分主要包括示波器、筆記本電腦及電流互感器；電弧發(fā)生位置分別為A1、A2、A3 和A4；為采集到電弧高頻特征，設(shè)置采樣頻率為250 kHz。

表1 電動(dòng)車充電系統(tǒng)直流電弧實(shí)驗(yàn)平臺(tái)元件參數(shù)Tab.1 Component parameters of DC arc experiment platform for electric vehicle charging system

圖1 電動(dòng)汽車充電系統(tǒng)電弧故障實(shí)驗(yàn)平臺(tái)Fig.1 Arc fault test platform for electric vehicle charging system

全部實(shí)驗(yàn)工況條件如表2所示，各工況下電弧發(fā)生位置均處在正母線線路阻抗前（串首）、正母線線路阻抗后、負(fù)母線線路阻抗前及負(fù)母線線路阻抗后處。

表2 不同實(shí)驗(yàn)條件Tab.2 Different load experiment conditions

1.2 數(shù)據(jù)采集

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要的數(shù)據(jù)量極其龐大，意味著可能需要進(jìn)行上千次實(shí)驗(yàn)，然而光伏發(fā)電系統(tǒng)直流電弧實(shí)驗(yàn)單次實(shí)驗(yàn)耗時(shí)長，每次實(shí)驗(yàn)后均需要對(duì)電極進(jìn)行打磨。并且由于實(shí)驗(yàn)中電弧維持時(shí)間不同，有些情況下只能維持20～40 ms，因此很難采集大量直流電弧數(shù)據(jù)。除了樣本數(shù)據(jù)量對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練影響很大以外，樣本數(shù)據(jù)集質(zhì)量對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果影響十分明顯，如果樣本數(shù)據(jù)集中各類別數(shù)據(jù)量不均衡，也容易導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型識(shí)別精度降低和模型過擬合，故要構(gòu)建符合神經(jīng)網(wǎng)絡(luò)需要的電弧電流頻譜數(shù)據(jù)集。構(gòu)建過程主要包括對(duì)數(shù)據(jù)標(biāo)簽、數(shù)據(jù)分割、數(shù)據(jù)清洗、數(shù)據(jù)歸一化及數(shù)據(jù)增強(qiáng)5個(gè)步驟。

直流串聯(lián)電弧故障識(shí)別屬于二分類問題，標(biāo)簽包括“有弧”和“無弧”兩類。為減小標(biāo)簽的難度，在數(shù)據(jù)分割前對(duì)數(shù)據(jù)進(jìn)行標(biāo)簽。由于同一波形信號(hào)中，故障電弧電流波形與正常狀態(tài)下電流波形在時(shí)域上存在明顯區(qū)別，因此可以利用該特點(diǎn)使用人工標(biāo)簽的方式對(duì)電流信號(hào)進(jìn)行分類，將有弧和無弧電流波形區(qū)分開，區(qū)分過程如圖2所示。

圖2 利用時(shí)域信號(hào)標(biāo)簽分類示意Fig.2 Schematic of classification using time-domain signal label

由圖2 可知，由于故障電弧電流信號(hào)是在不同時(shí)間、不同實(shí)驗(yàn)中通過人工采集獲取，各電弧信號(hào)中包含的有弧、無弧狀態(tài)長度不完全相等，可能在數(shù)據(jù)分割時(shí)出現(xiàn)數(shù)據(jù)缺失，即分割后某段數(shù)據(jù)不足10 ms；并且在人工標(biāo)簽數(shù)據(jù)時(shí)也會(huì)出現(xiàn)誤差，導(dǎo)致10 ms信號(hào)內(nèi)同時(shí)包括有弧、無弧兩種狀態(tài)，因此需要對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。本文通過人工篩選的方式進(jìn)行數(shù)據(jù)清洗，刪除不符合要求的數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗，共獲得6 178組數(shù)據(jù)，其中，有弧2 858組、無弧3 320組，生成頻譜圖后劃分為訓(xùn)練集、驗(yàn)證集和測試集，各類數(shù)據(jù)集信息如表3所示。電弧故障檢測實(shí)驗(yàn)包括的4 種電流等級(jí)分別為3 A、8 A、8.5 A、15 A，由于數(shù)據(jù)集總體數(shù)據(jù)量有限，本實(shí)驗(yàn)的數(shù)據(jù)集中增大了測試集數(shù)據(jù)比例，目的是為了更好的利用測試集驗(yàn)證模型性能，減少偶然性的影響，提高驗(yàn)證結(jié)果的說服力。

表3 電弧電流數(shù)據(jù)集信息Tab.3 Information about arc current datasets

經(jīng)過數(shù)據(jù)預(yù)處理后訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)量仍十分有限，為了利用有限的數(shù)據(jù)訓(xùn)練模型，采用數(shù)據(jù)增強(qiáng)技術(shù)提升模型訓(xùn)練效果，該方法可以將有限的數(shù)據(jù)產(chǎn)生幾倍甚至幾十倍等價(jià)數(shù)據(jù)。常見數(shù)據(jù)增強(qiáng)方法主要包括對(duì)圖片進(jìn)行隨機(jī)比例放大和縮小、隨機(jī)角度旋轉(zhuǎn)及隨機(jī)位置截取等。數(shù)據(jù)增強(qiáng)技術(shù)主要分為離線增強(qiáng)和在線增強(qiáng)兩種，離線增強(qiáng)就是對(duì)現(xiàn)有原始數(shù)據(jù)集進(jìn)行增強(qiáng)處理后，直接加入到原始數(shù)據(jù)集中；而在線數(shù)據(jù)增強(qiáng)則是在訓(xùn)練過程中對(duì)每批數(shù)據(jù)進(jìn)行增強(qiáng)，不對(duì)原始數(shù)據(jù)集更改。

離線增強(qiáng)技術(shù)需要人為控制各類數(shù)據(jù)增強(qiáng)比例，并保證每次訓(xùn)練中輸入一定比例的原始數(shù)據(jù)，操作較為復(fù)雜。因此本文選擇在線數(shù)據(jù)增強(qiáng)技術(shù)，在增加數(shù)據(jù)量的同時(shí)，保證樣本可控性。采用ImageDataGenerator進(jìn)行數(shù)據(jù)增強(qiáng)，在每個(gè)批次中對(duì)該批樣本內(nèi)數(shù)據(jù)進(jìn)行翻轉(zhuǎn)等操作后將樣本輸送給網(wǎng)絡(luò)模型。這樣便可保證在訓(xùn)練過程中會(huì)保持一定的幾率使用到原始數(shù)據(jù)。當(dāng)訓(xùn)練輪次足夠多時(shí)，也只是相當(dāng)于讓網(wǎng)絡(luò)學(xué)習(xí)到更多樣本信息，而不會(huì)對(duì)網(wǎng)絡(luò)的訓(xùn)練過程造成不良影響。

2 數(shù)據(jù)預(yù)處理及電弧特征分析

2.1 離散傅里葉變換

故障電弧電流信號(hào)波形幅值較小，與正常電流信號(hào)的差距難以分辨，并且還存在與某些干擾下電流波形相似的可能。若直接使用時(shí)域波形作為識(shí)別特征，很容易出現(xiàn)誤判，因此需要對(duì)直流電弧故障電流進(jìn)行特征分析[18]。表4給出了離散傅里葉變換、短時(shí)傅里葉變換及小波變換3種常見特征分析方法的計(jì)算難度、應(yīng)用限制和能否區(qū)分有弧無弧特征的對(duì)比情況。

表4 特征分析方法對(duì)比Tab.4 Comparison among feature analysis methods

離散傅里葉變換是一種被廣泛應(yīng)用的信號(hào)分析方法，可以將直流電弧故障電流信號(hào)在頻域中離散化，將時(shí)域中的采樣轉(zhuǎn)換為頻域中的采樣，從而給出直流電弧故障信號(hào)的頻域特征。通過時(shí)間窗將整個(gè)直流電弧故障信號(hào)劃分成若干個(gè)等長小信號(hào)可獲得信號(hào)足夠的細(xì)節(jié)信息，該方法計(jì)算簡單，技術(shù)成熟，應(yīng)用門檻低，能有效區(qū)分有弧、無弧特征，處理結(jié)果中只包含頻域和幅值信息，對(duì)機(jī)器學(xué)習(xí)模型的信息處理能力要求較低；而短時(shí)傅里葉變換和小波變換雖然也可以區(qū)分有弧、無弧特征，但計(jì)算更加復(fù)雜，應(yīng)用門檻較高，處理后結(jié)果中同時(shí)包含時(shí)域、頻域及幅值大小3 類信息，對(duì)機(jī)器學(xué)習(xí)模型處理信息能力要求更高。綜上，本文選擇離散傅里葉變換提取故障電弧電流信號(hào)特征。

應(yīng)用離散傅里葉變換原理進(jìn)行數(shù)據(jù)信號(hào)分析。信號(hào)經(jīng)過離散傅里葉變換后在頻域中被離散化，從時(shí)域轉(zhuǎn)換到頻域，從而實(shí)現(xiàn)了頻譜特性的研究。假設(shè)一個(gè)信號(hào)x()n為一個(gè)長度為N的有限長序列，其表達(dá)式為

式中：x(n)為信號(hào)序列中第n個(gè)信號(hào)；N為信號(hào)長度。

使用離散傅里葉變換對(duì)信號(hào)x(n)進(jìn)行分析，得到x(k)仍為長度為N的有限長序列，變換過程可表示為

式中，x(k)為經(jīng)過離散傅里葉變換得到的信號(hào)序列中第k個(gè)信號(hào)。

逆變換可表示為

2.2 時(shí)間窗選取

如果直接對(duì)示波器采集的原始電弧故障信號(hào)進(jìn)行傅里葉變換，會(huì)丟失很多微小的電流突變信息，導(dǎo)致頻譜不夠精準(zhǔn)，因此在對(duì)故障電弧電流進(jìn)行特征分析之前，需要確定合理的時(shí)間窗對(duì)數(shù)據(jù)進(jìn)行分割。

窗口大小的選擇十分重要，過大或過小的時(shí)間窗均會(huì)對(duì)數(shù)據(jù)特征分析產(chǎn)生不良的影響?？蓪⒏道锶~變換理解為對(duì)窗口內(nèi)的信號(hào)分別在各頻段取均值，因此窗口越小越能反映信號(hào)的細(xì)小突變，實(shí)時(shí)性好，同時(shí)也會(huì)增加計(jì)算負(fù)擔(dān)；而過大的時(shí)間窗雖然會(huì)減小計(jì)算負(fù)擔(dān)，卻不能很好反映信號(hào)的實(shí)時(shí)性，同時(shí)顯示細(xì)節(jié)的能力也更差一些。為了選擇合適的時(shí)間窗口，分別采用2 ms、10 ms 及50 ms 時(shí)間窗口對(duì)同一段8 A 直流電弧故障電流信號(hào)進(jìn)行分析?？紤]到實(shí)驗(yàn)的安全性和簡便性，本文使用互感器采集的信號(hào)進(jìn)行故障電弧識(shí)別，但為了盡量地對(duì)比有弧、無弧狀態(tài)下電流頻譜的區(qū)別，在特征分析中使用電流探頭直接采集的電弧電流信號(hào)。直流電弧故障信號(hào)的高頻分量一般分布在40～100 kHz 頻段，設(shè)定頻譜頻率范圍為1～120 kHz。由分析可知，窗口越小，頻譜結(jié)果中顯示細(xì)節(jié)越清楚，有弧時(shí)電流頻譜和無弧時(shí)電流頻譜之間的特征區(qū)別越明顯，更有利于網(wǎng)絡(luò)模型識(shí)別；但窗口太小會(huì)增加計(jì)算量，對(duì)硬件的計(jì)算能力提出了更高的要求，因此本文選擇10 ms時(shí)間窗口的電流頻譜如圖3所示。該頻譜在提供區(qū)分有弧、無弧的有效特征同時(shí)，保證了方案的實(shí)際可行性。

圖3 窗口大小10 ms 電流頻譜Fig.3 Current spectra with 10 ms window

2.3 電弧特征分析

將采集到的直流電弧故障電流信號(hào)按照選定10 ms窗口進(jìn)行分割，并劃分為有弧和無弧兩類，逐個(gè)進(jìn)行離散傅里葉變換，生成直流電弧故障電流信號(hào)頻譜。

圖4 為不同電流水平下的有弧、無弧電流頻譜。由圖4 可以看出，在不同電流水平下，經(jīng)過離散傅里葉變換后有弧、無弧電流頻譜均存在較大差異；故障電弧電流頻譜在5～60 kHz頻段內(nèi)頻譜幅值遠(yuǎn)大于穩(wěn)定運(yùn)行時(shí)電流頻譜幅值，兩者特征區(qū)別明顯，而其余頻段內(nèi)兩者區(qū)分度降低。

圖4 不同電流水平有弧、無弧電流頻譜Fig.4 Arc and non-arc current spectra at different current levels

圖5為誤脫扣實(shí)驗(yàn)中3 A電流水平下逆變器正常工作時(shí)最大功率點(diǎn)跟蹤太陽能控制器MPPT（maximum power point tracking）突然變化時(shí)電流信號(hào)頻譜。由圖5 可以看出，MPPT 變化時(shí)的電流頻譜與穩(wěn)定工作時(shí)電流頻譜的特征較為接近，與故障電弧電流的頻譜存在較大差異，在60 kHz頻段之后會(huì)發(fā)生頻譜值突然增大的情況，該情況MPPT 變化時(shí)電流頻譜與故障電弧電流頻譜之間存在相似性，會(huì)對(duì)后續(xù)電弧檢測造成干擾；在5～60 kHz頻段范圍內(nèi)，MPPT電流頻譜與故障電弧電流頻譜差距較大，因此使用離散傅里葉變換提取特征可以區(qū)分MPPT狀態(tài)與有弧狀態(tài)。

圖5 MPPT 變化時(shí)電流信號(hào)頻譜Fig.5 Current signal spectra when MPPT changes

通過上述分析，使用離散傅里葉變換對(duì)電弧故障檢測實(shí)驗(yàn)中各類工況下所采集的電流信號(hào)進(jìn)行特征提取，生成電流頻譜均可有效區(qū)分有弧、無弧；且故障電弧電流頻譜和另外兩種情況下電流頻譜之間的區(qū)別主要集中在5～60 kHz頻段，證明了選擇離散傅里葉變換提取故障電弧信號(hào)特征的有效性。

3 基于VGG16 的電弧故障檢測算法原理分析

3.1 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)分析

VGG16網(wǎng)絡(luò)模型識(shí)別能力較強(qiáng)，至今仍廣泛應(yīng)用于圖像分類及目標(biāo)檢測任務(wù)中，其網(wǎng)絡(luò)結(jié)構(gòu)由多個(gè)卷積層和池化層結(jié)合相應(yīng)的激活函數(shù)組成網(wǎng)絡(luò)提取特征部分，再由3個(gè)全連接層及Softmax激活函數(shù)構(gòu)成網(wǎng)絡(luò)分類輸出部分[19]。在VGG16 網(wǎng)絡(luò)結(jié)構(gòu)上卷積層和激活函數(shù)聯(lián)系緊密，即網(wǎng)絡(luò)不是單獨(dú)的卷積層與激活函數(shù)組成，而是多個(gè)卷積層和激活函數(shù)組合成卷積模塊，并在卷積模塊之間進(jìn)行池化操作構(gòu)成整個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。VGG16網(wǎng)絡(luò)結(jié)構(gòu)包括13個(gè)卷積層、5個(gè)最大池化層、3個(gè)全連接層和1 個(gè)Softmax 激活函數(shù)。VGG16 網(wǎng)絡(luò)的一個(gè)最大突破是摒棄了常見的5×5、7×7的卷積核，將卷積層的所有卷積核均替換成步長為1 的3×3 卷積核；池化層也將池化核大小從3×3變?yōu)榱?×2、步長為2，在示例VGG16網(wǎng)絡(luò)3個(gè)全連接層中，前兩層一共包括4 096 個(gè)輸出通道，第3 層包括1 000 個(gè)輸出通道，代表1 000 類標(biāo)簽，并且采用Softmax 激活函數(shù)。通過這種用較小卷積核代替大卷積核，使VGG16 卷積核增多，擴(kuò)大了通道數(shù)；通過池化縮小了輸入圖像的寬和高，在增加網(wǎng)絡(luò)深度的同時(shí)，一方面控制了網(wǎng)絡(luò)參數(shù)的規(guī)模，另一方面相當(dāng)于進(jìn)行了更多的非線性映射，增強(qiáng)了網(wǎng)絡(luò)的擬合能力[20]。

圖6 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 VGG16 network structure

3.2 基于VGG16 的直流串聯(lián)電弧檢測模型

由第3.1 節(jié)中的分析可得基于VGG16 的直流串聯(lián)電弧檢測模型工作流程如圖7所示，具體步驟如下。

圖7 基于VGG16 的直流串聯(lián)電弧檢測方法流程Fig.7 Flow chart of DC series arc detection method based on VGG16

步驟1 將初始充電系統(tǒng)直流側(cè)電流信號(hào)進(jìn)行離散傅里葉分解，提取頻譜特征，調(diào)整圖像分辨率為224×224。

步驟2進(jìn)行數(shù)據(jù)預(yù)處理，將數(shù)據(jù)集劃分為訓(xùn)練集、測試集和驗(yàn)證集。

步驟3初始化VGG16網(wǎng)絡(luò)參數(shù)，然后從訓(xùn)練集中提取隨機(jī)樣本，通過前向傳播得到網(wǎng)絡(luò)訓(xùn)練誤差；并通過該誤差反向傳播得到網(wǎng)絡(luò)修正參數(shù)，不斷循環(huán)使訓(xùn)練誤差下降至期望值。

步驟4利用測試集測試訓(xùn)練好的模型，得到測試準(zhǔn)確率。

訓(xùn)練VGG16 網(wǎng)絡(luò)需要提前確定的一個(gè)重要參數(shù)就是學(xué)習(xí)率。學(xué)習(xí)率對(duì)卷積神經(jīng)網(wǎng)絡(luò)收斂步長和收斂狀態(tài)均有決定性影響，過大或過小的學(xué)習(xí)率均不利于網(wǎng)絡(luò)的訓(xùn)練。當(dāng)學(xué)習(xí)率過大時(shí)，會(huì)導(dǎo)致模型無法有效收斂；當(dāng)學(xué)習(xí)率過小時(shí)，會(huì)導(dǎo)致模型收斂速度變慢甚至導(dǎo)致無法學(xué)習(xí)，因此需要研究不同學(xué)習(xí)率對(duì)模型訓(xùn)練結(jié)果的影響。

在模型中輸入相同數(shù)據(jù)集，并分別設(shè)置不同學(xué)習(xí)率進(jìn)行訓(xùn)練。選取學(xué)習(xí)率為0.01、0.000 1、0.000 01三種學(xué)習(xí)率進(jìn)行分析。圖8給出了學(xué)習(xí)率由0.000 01開始增加，學(xué)習(xí)率與損失值及準(zhǔn)確率之間的關(guān)系。由圖8 可以看出，當(dāng)學(xué)習(xí)率為0.000 1 時(shí)，模型在15次迭代后基本進(jìn)入穩(wěn)定狀態(tài)，損失值可下降到0.1以內(nèi)，而準(zhǔn)確率也可達(dá)到95%以上；在30 次迭代過程中，模型可以達(dá)到理想狀態(tài)，有效提高了網(wǎng)絡(luò)模型訓(xùn)練速度，節(jié)約了訓(xùn)練時(shí)間，因此選擇0.000 1 作為VGG16 原始模型及后續(xù)改進(jìn)模型的學(xué)習(xí)率。選取學(xué)習(xí)率為0.000 1，使用包含全部工況的訓(xùn)練數(shù)據(jù)集對(duì)VGG16 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，由曲線趨勢可以看出，模型整體收斂狀態(tài)平穩(wěn)，驗(yàn)證集與訓(xùn)練集準(zhǔn)確率曲線趨勢始終保持一致，沒有出現(xiàn)過擬合和欠擬合等情況。完成訓(xùn)練后模型訓(xùn)練集準(zhǔn)確率可達(dá)98.45%，驗(yàn)證集準(zhǔn)確率可達(dá)98%，達(dá)到較好的直流電弧故障識(shí)別能力，證明了數(shù)據(jù)集和模型的可行性。

圖8 直流電弧故障檢測模型損失值、準(zhǔn)確率變化曲線Fig.8 Curves of loss value and accuracy for DC arc fault detection model

4 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

4.1 電弧故障檢測實(shí)驗(yàn)

為了驗(yàn)證不同電流水平下模型檢測故障電弧的能力，使用測試集對(duì)模型進(jìn)行測試。測試集中每種電流水平下有弧、無弧類別分別包括200 組數(shù)據(jù)，標(biāo)簽分別為有弧和無弧。利用測試集輸入訓(xùn)練好的電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧檢測模型，進(jìn)行實(shí)驗(yàn)驗(yàn)證，驗(yàn)證結(jié)果如圖9所示。由圖9可知，不同電流水平下故障檢測準(zhǔn)確率不完全相同，并且誤判在有弧、無弧兩類間分布也不平衡，主要原因是不同電流水平下故障電弧電流頻譜分布存在差別；從總體上看各類電流水平下有弧、無弧檢測準(zhǔn)確率均達(dá)到98%以上。結(jié)果表明，本文所提模型可以有效檢測出不同電流水平下的直流串聯(lián)電弧故障，具有良好的泛化能力。

4.2 誤脫扣實(shí)驗(yàn)

除了電弧故障檢測實(shí)驗(yàn)之外，還需要誤脫扣實(shí)驗(yàn)來驗(yàn)證模型的抗干擾能力。本文所使用負(fù)載為逆變器，由于實(shí)際中遮擋和天氣變化等因素會(huì)導(dǎo)致光照強(qiáng)度變化，因此在光照強(qiáng)度改變情況下MPPT變化是逆變器常見工作情況之一，此時(shí)線路中電流電壓根據(jù)MPPT 調(diào)整規(guī)律進(jìn)行波形變化，可能會(huì)造成模型誤判。使用MPPT調(diào)整電弧電流測試集進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖10所示。由圖10可知，在200組數(shù)據(jù)中有4組MPPT變化狀態(tài)被誤判為有弧，這是由于MPPT變化時(shí)頻譜和穩(wěn)定運(yùn)行狀態(tài)頻譜雖然相似，但仍存在著一定細(xì)微差距，對(duì)檢測結(jié)果造成了干擾。雖然有誤判情況發(fā)生，但訓(xùn)練模型在總體上可以有效區(qū)別，測試集準(zhǔn)確率為98%，實(shí)驗(yàn)表明模型對(duì)于MPPT具有較強(qiáng)的抗干擾能力。結(jié)果表明了本文提出的基于原始VGG16 網(wǎng)絡(luò)的直流串聯(lián)電弧故障檢測模型在各類工況下準(zhǔn)確率均能達(dá)到98.00%以上，并具有良好的抗干擾能力。

5 結(jié) 語

本文提出一種基于VGG16 的直流串聯(lián)電弧故障檢測方法。采用分辨率為224×224 的故障電弧電流頻譜數(shù)據(jù)集輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為驗(yàn)證該模型對(duì)不同工況下故障電弧的檢測能力，使用各工況測試集對(duì)模型進(jìn)行測試，識(shí)別準(zhǔn)確率均可達(dá)到98%以上，結(jié)果表明基于VGG16 的直流串聯(lián)電弧檢測模型可以在各工況下有效檢測出直流串聯(lián)電弧故障，并擁有良好的抗干擾能力。