摘要： 針對(duì)有監(jiān)督學(xué)習(xí)的電弧故障檢測(cè)方法需要大量帶標(biāo)簽數(shù)據(jù)且大多只檢測(cè)電弧故障而未對(duì)負(fù)載類型進(jìn)行識(shí)別的問(wèn)題，提出一種基于深度自編碼網(wǎng)絡(luò)的電弧故障檢測(cè)與負(fù)載類型識(shí)別方法；采用小波包分解的節(jié)點(diǎn)系數(shù)作為自編碼網(wǎng)絡(luò)的無(wú)標(biāo)簽輸入特征量，并運(yùn)用逐層訓(xùn)練方法對(duì)自編碼網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練；為了使所提出方法的權(quán)重系數(shù)達(dá)到全局最優(yōu)，采用少量有標(biāo)簽數(shù)據(jù)對(duì)所得權(quán)重進(jìn)行微調(diào)，通過(guò)Softmax多分類器輸出電弧故障檢測(cè)結(jié)果，并根據(jù)負(fù)載類別最大概率識(shí)別電弧故障可能的負(fù)載類型。結(jié)果表明，所提出的方法對(duì)電弧故障檢測(cè)與負(fù)載類型識(shí)別準(zhǔn)確率達(dá)到98.56%，高于相同層數(shù)和參數(shù)規(guī)模的有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的準(zhǔn)確率。

關(guān)鍵詞： 電弧故障； 深度自編碼網(wǎng)絡(luò)； 無(wú)監(jiān)督學(xué)習(xí)； 故障檢測(cè)； 負(fù)載類型

中圖分類號(hào)： TM501+.2

文獻(xiàn)標(biāo)志碼： A

Abstract： To solve the problem that arc fault detection approaches based on supervised learning required a large amount of labeled data and most of them only detected arc faults without identifying load types， a method of arc fault detection and load type identification based on deep autoencoding network was proposed. Node coefficients of wavelet packet decompositionwere used as the unlabeled input characteristic quantity of deep autoencoding network， and layerbylayer training method was employed to pretrain the deep autoencoding network. In order to make weight coefficients of the proposed method reach the global optimum， a small amount of labeled data were used to finetune the obtained weight. The arc fault detection results were output by using a Softmax multiclassifier. The approximated load type for each arc fault was determined according to the maximum probability of the load category. The results show that the accuracy of the proposed method for arc fault detection and load type identification reaches 98.56%， which is higher than that of supervised learning network with the same number of layers and parameter scale.

Keywords： arc fault; deep autoencoding network; unsupervised learning; fault detection; load type

基金項(xiàng)目： 國(guó)家自然科學(xué)基金項(xiàng)目（51907047）；河北省自然科學(xué)基金項(xiàng)目（E2020202204）；特種電機(jī)與高壓電器教育部重點(diǎn)實(shí)驗(yàn)室

開(kāi)放課題項(xiàng)目（KFKT202003）；浙江省基礎(chǔ)公益研究計(jì)劃項(xiàng)目（LGG20E070002）

第一作者簡(jiǎn)介： 王堯（1981—），男，河北石家莊人。教授，博士，博士生導(dǎo)師，研究方向?yàn)殡娖髦悄芑夹g(shù)與電弧故障檢測(cè)。Email：

wangyao@hebut.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//kns.cnki.net/kcms/detail/37.1378.n.20230314.1712.002.html

隨著經(jīng)濟(jì)的快速發(fā)展，電能已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡牟糠?，隨之而來(lái)的電氣火災(zāi)事故日益頻發(fā)。據(jù)統(tǒng)計(jì)，因電氣故障引發(fā)的火災(zāi)占火災(zāi)總數(shù)的30%以上，居各類火災(zāi)之首［1］。在電氣火災(zāi)原因的調(diào)查中發(fā)現(xiàn)，故障電弧是引發(fā)電氣火災(zāi)的首要原因［2-3］。由于串聯(lián)故障電弧電流一般小于線路正常工作電流，因此線路中的斷路器或熔斷器通常無(wú)法切除此類故障。非線性負(fù)載電流與故障電弧電流在時(shí)域和頻域方面具有相似特征，使得有些負(fù)載的故障電弧特征與其他負(fù)載正常工作特征相混淆，難以通過(guò)單一特征量進(jìn)行準(zhǔn)確辨別［4-5］，因此，能否在非線性負(fù)載條件下準(zhǔn)確檢測(cè)出串聯(lián)故障電弧至關(guān)重要。

故障電弧的傳統(tǒng)識(shí)別方法主要包括以下3類： 一是基于電弧數(shù)學(xué)模型的識(shí)別方法， 多用于理論的研究［6］； 二是基于故障電弧物理現(xiàn)象的識(shí)別方法， 常用到弧光、 熱、 電磁輻射等［7-8］， 受安裝位置的影響較大， 一般應(yīng)用于開(kāi)關(guān)柜等特殊環(huán)境中； 三是基于電弧電壓電流特征的識(shí)別方法［9-11］， 依賴于所設(shè)置的閾值大小， 而實(shí)際情況中非線性負(fù)載種類繁多， 其工作特性存在較大差異， 限制了閾值的泛化能力。

近年來(lái)，不斷發(fā)展的深度學(xué)習(xí)算法為故障電弧診斷提供了一種新的研究思路。文獻(xiàn)［12］中應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解提取故障電弧電流多個(gè)特征量，并構(gòu)建概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障電弧識(shí)別。文獻(xiàn)［13］中提出一種基于主成分分析與支持向量機(jī)的故障電弧識(shí)別方法，并對(duì)4種典型負(fù)載進(jìn)行了試驗(yàn)驗(yàn)證。文獻(xiàn)［14］中應(yīng)用傅里葉變換、梅爾頻率倒譜變換以及離散小波變換對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了故障電弧識(shí)別。文獻(xiàn)［15］中采用變分模態(tài)分解進(jìn)行特征量提取，通過(guò)深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障電弧識(shí)別。文獻(xiàn)［16］中提出了一種傅里葉變換與前饋傳播神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障電弧檢測(cè)算法。文獻(xiàn)［17］中提出一種小波變換能量與神經(jīng)網(wǎng)絡(luò)相結(jié)合的串聯(lián)型故障電弧識(shí)別方法，并采用了自適應(yīng)學(xué)習(xí)率的方法。文獻(xiàn)［18］中應(yīng)用分形維數(shù)對(duì)電流高頻信號(hào)的混沌特性進(jìn)行定量衡量，并通過(guò)盒維數(shù)與關(guān)聯(lián)維數(shù)構(gòu)造出故障電弧特征向量，最后采用支持向量機(jī)對(duì)其進(jìn)行分類。文獻(xiàn)［19］中應(yīng)用小波變換與近似熵算法得到電流信號(hào)的特征向量，并將其輸入支持向量機(jī)進(jìn)行故障電弧診斷。雖然人工智能算法能在一定程度上解決特征量選取及閾值設(shè)置的問(wèn)題，但常常需要借助大量有標(biāo)簽數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，人為標(biāo)記數(shù)據(jù)成本較高，且現(xiàn)有方法大多只識(shí)別故障電弧，未對(duì)負(fù)載類型進(jìn)行識(shí)別。

本文中結(jié)合自編碼網(wǎng)絡(luò)（autoencoder，AE）與Softmax多分類器，構(gòu)建一種深度自編碼網(wǎng)絡(luò)（deep autoencoding network，DAEN）模型，既具有自編碼網(wǎng)絡(luò)的無(wú)監(jiān)督特征學(xué)習(xí)功能，又具有Softmax多分類器的有監(jiān)督多分類功能，用于同時(shí)檢測(cè)故障電弧并識(shí)別負(fù)載類型。

1 故障電弧試驗(yàn)數(shù)據(jù)處理與特征分析

1.1 故障電弧試驗(yàn)數(shù)據(jù)采集

根據(jù)GB/T 31143—2014《電弧故障保護(hù)電器的一般要求》搭建串聯(lián)故障電弧試驗(yàn)平臺(tái)，如圖1所示。該試驗(yàn)平臺(tái)包含數(shù)據(jù)采集裝置和拉弧、碳化電纜2種電弧發(fā)生裝置，其中拉弧可以模擬接線端子松動(dòng)、導(dǎo)體接觸不良導(dǎo)致的故障電弧，碳化電纜可以模擬導(dǎo)線絕緣老化、絕緣擊穿引起的故障電弧。

根據(jù)國(guó)家標(biāo)準(zhǔn)，試驗(yàn)選取工作電流分別為3、 6、 13、 20、 40 A的5個(gè)不同的電阻負(fù)載及7種非線性負(fù)載，具體參數(shù)如表1所示。試驗(yàn)中，采用DL850E型示波記錄儀（日本橫河公司）采集電弧電流試驗(yàn)數(shù)據(jù)，其采樣率108 s-1，垂直分辨率為12 bit?？紤]到故障電弧的隨機(jī)特性，分別對(duì)表1所述負(fù)載進(jìn)行多次試驗(yàn)，完成數(shù)據(jù)采集。

1.2 故障電弧電流時(shí)域和頻域特征分析

以線性負(fù)載電阻、氣體放電光源類負(fù)載電子調(diào)光燈、電機(jī)啟動(dòng)類負(fù)載真空吸塵器為例，分析故障電弧電流時(shí)域和頻域特征。圖2為這3種負(fù)載正常工作與故障電弧的時(shí)域和傅里葉變換頻域波形圖。從時(shí)域波形可以看出：電阻負(fù)載屬于線性負(fù)載，正常工作狀態(tài)下電流波形為平滑的正弦波，發(fā)生故障電弧時(shí)在電流過(guò)零點(diǎn)附近會(huì)出現(xiàn)零休現(xiàn)象，且伴隨高頻毛刺的出現(xiàn)［見(jiàn)圖2（a）］；電子調(diào)光燈負(fù)載通過(guò)改變可控硅的觸發(fā)角實(shí)現(xiàn)調(diào)光，正常工作時(shí)在電流過(guò)零點(diǎn)附近出現(xiàn)平肩部，易與故障電弧的零休現(xiàn)象混淆［見(jiàn)圖2（b）］；真空吸塵器負(fù)載通電后電動(dòng)機(jī)高速旋轉(zhuǎn)，內(nèi)部電刷換向?qū)е虏ㄐ卧陔娏鬟^(guò)零點(diǎn)附近發(fā)生畸變，其特征與故障電弧時(shí)類似［見(jiàn)圖2（c）］。

從頻域波形可以看出： 在100～1 000 Hz頻段內(nèi)， 電阻負(fù)載的故障電弧頻譜振幅大于正常狀態(tài)下的諧波分量振幅［見(jiàn)圖2（d）］； 電子調(diào)光燈負(fù)載的故障電弧頻譜振幅整體上略大于正常工作狀態(tài)的，但是2種狀態(tài)的頻譜混疊嚴(yán)重，難以確定某一特定頻段設(shè)置閾值來(lái)識(shí)別故障電?。垡?jiàn)圖2（e）］； 在1～10 kHz頻段內(nèi)，真空吸塵器負(fù)載的故障電弧高頻分量較為明顯， 但是其他頻段頻譜也有所混疊［見(jiàn)圖2（f）］。

由電弧電流的時(shí)域和頻域特征分析可知，由于電弧放電存在比較復(fù)雜的物理及化學(xué)變化，不同負(fù)載下電弧電流差別較大，相同負(fù)載下電弧電流也不同。同時(shí)，某類負(fù)載正常電流波形可能與其他類負(fù)載故障電弧電流波形相似，導(dǎo)致故障電弧難以準(zhǔn)確識(shí)別。人工智能算法可以

在一定程度上解決故障電弧識(shí)別問(wèn)題，但是現(xiàn)有方法大多基于有監(jiān)督學(xué)習(xí)進(jìn)行故障電弧特征提取與故障電弧識(shí)別，其訓(xùn)練過(guò)程需要大量有標(biāo)簽數(shù)據(jù)，所用數(shù)據(jù)集中每個(gè)數(shù)據(jù)樣本均需要人為標(biāo)記數(shù)據(jù)所屬類別，增加了人為標(biāo)記數(shù)據(jù)的成本。由于現(xiàn)實(shí)中非線性負(fù)載種類繁多，為大量故障電弧數(shù)據(jù)增加標(biāo)簽的任務(wù)量較大，而自編碼網(wǎng)絡(luò)能夠通過(guò)無(wú)監(jiān)督學(xué)習(xí)，運(yùn)用大量無(wú)標(biāo)簽數(shù)據(jù)，自主提取數(shù)據(jù)的深層次特征，因此堆疊多個(gè)自編碼網(wǎng)絡(luò)構(gòu)成深度自編碼網(wǎng)絡(luò)，通過(guò)多隱含層進(jìn)行逐層貪心學(xué)習(xí)，能夠獲取數(shù)據(jù)的深層特征。

1.3 基于小波包分解的數(shù)據(jù)預(yù)處理

由于信號(hào)采集過(guò)程中不可避免地混入其他干擾信號(hào)，因此需要對(duì)數(shù)據(jù)進(jìn)行篩選，剔除不合理數(shù)據(jù)。為了避免不同負(fù)載的電流不同的影響，對(duì)電流數(shù)據(jù)進(jìn)行歸一化處理形成無(wú)量綱量，使其值在［0， 1］區(qū)間內(nèi)。根據(jù)文獻(xiàn)［10］中選取6～12 kHz作為故障電弧特征頻段及圖2中故障電弧頻域特征分析，本文中采樣頻率設(shè)置為40 kHz，能夠滿足電弧數(shù)據(jù)采集要求。選擇一個(gè)工頻周期數(shù)據(jù)為一個(gè)樣本，每個(gè)樣本包括800個(gè)數(shù)據(jù)點(diǎn)，形成電流原始數(shù)據(jù)集。

不同負(fù)載的電弧電流與正常工作電流在時(shí)域和頻域有一定的差異，利用信號(hào)分析工具對(duì)原始電流數(shù)據(jù)集進(jìn)行預(yù)處理，得到數(shù)據(jù)的初步特征，使用自編碼網(wǎng)絡(luò)訓(xùn)練預(yù)處理數(shù)據(jù)，在預(yù)處理得到的初步特征基礎(chǔ)上提取深層特征，能夠加快自編碼網(wǎng)絡(luò)的收斂速度。電弧電流具有非線性及非平穩(wěn)性，小波包分解不僅對(duì)低頻部分進(jìn)行分解，對(duì)高頻部分也實(shí)施分解，更利于非平穩(wěn)信號(hào)的分析，因此，選用小波包分解對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，每一層分解由一組高通濾波器和一組低通濾波器實(shí)現(xiàn)，每次分解產(chǎn)生的所有信號(hào)均參與下一層的分解，對(duì)信號(hào)進(jìn)行多分辨率時(shí)頻域分解。小波包分解后的信號(hào)節(jié)點(diǎn)用I（j，n）表示，其中j為分解層數(shù)，n為節(jié)點(diǎn)重構(gòu)信號(hào)，則每個(gè)信號(hào)節(jié)點(diǎn)代表的信號(hào)頻率可以表示為

由于電弧發(fā)生時(shí)間不確定，選取適用于突變動(dòng)態(tài)信號(hào)檢測(cè)的dbN小波基函數(shù)，其中N為小波包階數(shù)。隨著N的增大，計(jì)算量隨之增大，考慮計(jì)算的復(fù)雜性要求，選用db4小波包基函數(shù)［20］。在故障電弧電流信號(hào)分解過(guò)程中，分解層數(shù)過(guò)多會(huì)導(dǎo)致特征提取過(guò)程繁雜，計(jì)算量增大；分解層數(shù)過(guò)少則會(huì)導(dǎo)致特征提取能力較差。結(jié)合數(shù)據(jù)采樣率及電弧信號(hào)頻段特征［10］和Nyquist采樣定理可知，原始電流采樣頻率為40 kHz，能真實(shí)反映0～20 kHz頻帶范圍原始信號(hào)。選取分解層數(shù)為5，第5層共有32個(gè)小波包系數(shù)，則單個(gè)小波包系數(shù)所覆蓋的頻帶寬度為625 Hz。圖3所示為電阻、電子調(diào)光燈和真空吸塵器3種負(fù)載的小波包分解第5層625～1 250 Hz及6 875～7 500 Hz頻段的節(jié)點(diǎn)系數(shù)。由圖可知，不同負(fù)載的同一頻段內(nèi)的節(jié)點(diǎn)系數(shù)不同，同種負(fù)載不同頻段的故障電弧與正常工作的節(jié)點(diǎn)系數(shù)也有差異，同時(shí)某類負(fù)載同一頻段內(nèi)故障電弧與正常工作的節(jié)點(diǎn)系數(shù)出現(xiàn)混疊現(xiàn)象，難以用某一特定閾值進(jìn)行區(qū)分，但通過(guò)小波包分解的多分辨率特征，能夠提取出各個(gè)頻段內(nèi)的節(jié)點(diǎn)系數(shù)。

選取第5層的32個(gè)節(jié)點(diǎn)系數(shù)形成小波包特征向量數(shù)據(jù)集，每個(gè)樣本包括992個(gè)數(shù)據(jù)點(diǎn)。每類負(fù)載包含1 200組數(shù)據(jù)，其中600組正常工作數(shù)據(jù)，600組故障電弧數(shù)據(jù)，8類負(fù)載共計(jì)9 600組數(shù)據(jù)。不同負(fù)載種類的故障電弧與正常工作狀態(tài)的數(shù)據(jù)標(biāo)簽如表2所示。

2 基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別方法

2.1 自編碼網(wǎng)絡(luò)原理

自編碼網(wǎng)絡(luò)包括編碼器和解碼器，使用自身的高階特征自我編碼， 如圖4所示。當(dāng)輸出數(shù)據(jù)與輸入數(shù)據(jù)誤差足夠小時(shí)，隱含層輸出數(shù)據(jù)即為輸入數(shù)據(jù)的深層特征表示，能夠挖掘出輸入數(shù)據(jù)中隱含的特定結(jié)構(gòu)。

2.2 基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別模型

單個(gè)自編碼網(wǎng)絡(luò)訓(xùn)練完成之后，去掉解碼器的輸出層，并將其隱含層作為下一個(gè)自編碼網(wǎng)絡(luò)的輸入，繼續(xù)訓(xùn)練下一個(gè)自編碼網(wǎng)絡(luò)，依次進(jìn)行，此過(guò)程稱為逐層貪心無(wú)監(jiān)督預(yù)訓(xùn)練，解決了傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法容易陷入局部最優(yōu)的問(wèn)題。深度自編碼網(wǎng)絡(luò)即由多個(gè)自編碼網(wǎng)絡(luò)堆疊而成，學(xué)習(xí)到輸入數(shù)據(jù)的深層特征［22］。

基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別模型是將深度自編碼網(wǎng)絡(luò)的最后一層隱含層編碼輸出連接至一個(gè)多分類器，使得該模型既具有深度自編碼網(wǎng)絡(luò)的深層特征提取功能，又具有多分類功能。在預(yù)訓(xùn)練得到的網(wǎng)絡(luò)權(quán)重基礎(chǔ)上，使用少量有標(biāo)簽的數(shù)據(jù)微調(diào)網(wǎng)絡(luò)的權(quán)重，優(yōu)化深度特征的最終提取。構(gòu)建整個(gè)網(wǎng)絡(luò)的損失函數(shù)，調(diào)整網(wǎng)絡(luò)全局參數(shù)，使得所有層的參數(shù)達(dá)到全局最優(yōu)?？紤]到8種負(fù)載的故障電弧與正常工作需要16種分類結(jié)果，選擇邏輯回歸模型中適用于多分類問(wèn)題上的Softmax多分類器，該分類器應(yīng)用激活函數(shù)將各個(gè)輸入向量映射為（0， 1）區(qū)間值，且所有輸出映射值之和等于1，輸入向量歸屬于輸出值中條件概率最大的值所對(duì)應(yīng)的類別，將該類別作為分類器輸出結(jié)果，并選擇適用于多分類問(wèn)題的交叉熵?fù)p失函數(shù)J，即

2.3 深度自編碼網(wǎng)絡(luò)關(guān)鍵參數(shù)選取

深度自編碼網(wǎng)絡(luò)通過(guò)隱含層神經(jīng)元學(xué)習(xí)輸入數(shù)據(jù)的特征， 而各隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的設(shè)置沒(méi)有固定的理論與公式，通常根據(jù)經(jīng)驗(yàn)或者多次試驗(yàn)進(jìn)行確定［23］。 根據(jù)隱含層神經(jīng)元個(gè)數(shù)的不同組合， 設(shè)置平穩(wěn)型、 遞增型、 遞減型3類隱含層神經(jīng)元配置， 并通過(guò)仿真確定模型最優(yōu)參數(shù)。 網(wǎng)絡(luò)輸入數(shù)據(jù)是樣本長(zhǎng)度為992的小波包特征向量數(shù)據(jù)集，平穩(wěn)型設(shè)置為992-992神經(jīng)元組合， 依此類推， 遞增型設(shè)置為992-1100、 992-1300神經(jīng)元組合， 遞減型設(shè)置為992-800、 992-600神經(jīng)元組合。基于Python語(yǔ)言中的Keras 深度學(xué)習(xí)庫(kù)搭建網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)研究， 不同隱含層神經(jīng)元配置的網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率如圖5所示。 由圖可知， 992-800遞減型神經(jīng)元配置識(shí)別準(zhǔn)確率稍高于平穩(wěn)型、 遞增型的； 但當(dāng)遞減的步長(zhǎng)過(guò)大時(shí)， 由于隱含層神經(jīng)元數(shù)量過(guò)少， 神經(jīng)元學(xué)習(xí)不夠充分， 因此992-600遞減型神經(jīng)元配置準(zhǔn)確率降低。 當(dāng)隱含層神經(jīng)元數(shù)量增多時(shí)， 識(shí)別準(zhǔn)確率不一定提高， 其中992-1300遞增型的識(shí)別準(zhǔn)確率相對(duì)較差， 其原因是， 相對(duì)于數(shù)據(jù)集， 過(guò)多的隱含層神經(jīng)元網(wǎng)絡(luò)出現(xiàn)了過(guò)擬合現(xiàn)象。平穩(wěn)型的識(shí)別準(zhǔn)確率與遞減型992-800神經(jīng)元組合相近；但是遞減型神經(jīng)元配置網(wǎng)絡(luò)模型參數(shù)更少，更有利于模型訓(xùn)練，且實(shí)現(xiàn)了數(shù)據(jù)降維，因此選用遞減型隱層神經(jīng)元組合。

為了研究深度自編碼網(wǎng)絡(luò)隱含層的網(wǎng)絡(luò)層數(shù)對(duì)準(zhǔn)確率的影響，選用遞減型隱含層節(jié)點(diǎn)組合，分別測(cè)試1～6層時(shí)的識(shí)別準(zhǔn)確率，其結(jié)果如表3所示。由表可知，隨著自編碼網(wǎng)絡(luò)層數(shù)的增加，得益于深度網(wǎng)絡(luò)較強(qiáng)的學(xué)習(xí)能力，網(wǎng)絡(luò)識(shí)別準(zhǔn)確率會(huì)有所升高。與網(wǎng)絡(luò)層數(shù)為3時(shí)相比， 4層網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率略有升高。雖然網(wǎng)絡(luò)層數(shù)為3時(shí)訓(xùn)練時(shí)間相對(duì)較短，但4層網(wǎng)絡(luò)的最后一層隱含層輸出數(shù)據(jù)規(guī)模較小，能夠提取到數(shù)據(jù)的壓縮表示，加快Softmax多分類器的收斂速度，此后隨著網(wǎng)絡(luò)層數(shù)的繼續(xù)增加，識(shí)別準(zhǔn)確率提高極其緩慢，甚至?xí)霈F(xiàn)下降的情況。當(dāng)網(wǎng)絡(luò)層數(shù)為6時(shí)，由于隱含層神經(jīng)元較少，導(dǎo)致神經(jīng)元學(xué)習(xí)不徹底，因此識(shí)別準(zhǔn)確率略有下降，且訓(xùn)練時(shí)間增加。受限于準(zhǔn)確率和訓(xùn)練時(shí)間的要求，當(dāng)網(wǎng)絡(luò)層數(shù)大于6時(shí)，最后一層神經(jīng)元個(gè)數(shù)過(guò)少將導(dǎo)致神經(jīng)元學(xué)習(xí)不徹底。綜合考慮，本文中選取4層自編碼網(wǎng)絡(luò)結(jié)構(gòu)。

圖6為基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別模型示意圖。模型的輸入為不同負(fù)載故障電弧與正常工作狀態(tài)的小波包特征向量數(shù)據(jù)集，模型輸出為相應(yīng)樣本分別屬于不同類別的概率值，概率值最大的即為模型輸出結(jié)果。

3 基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別過(guò)程及其驗(yàn)證

3.1 故障電弧分類識(shí)別過(guò)程

基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別方法流程如圖7所示。故障電弧分類識(shí)別方法的具體實(shí)現(xiàn)過(guò)程如下：

1）采集不同負(fù)載的故障電弧和正常工作狀態(tài)線路電流信號(hào)，進(jìn)行數(shù)據(jù)預(yù)處理，形成小波包特征向量數(shù)據(jù)集，將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集。

2）設(shè)置網(wǎng)絡(luò)的結(jié)構(gòu)和超參數(shù)，如網(wǎng)絡(luò)每層的神經(jīng)元個(gè)數(shù)、學(xué)習(xí)率、迭代次數(shù)等。

3）網(wǎng)絡(luò)預(yù)訓(xùn)練，選用7 200組無(wú)標(biāo)簽數(shù)據(jù)作為訓(xùn)練集輸入網(wǎng)絡(luò)，逐層訓(xùn)練自編碼網(wǎng)絡(luò)，得到網(wǎng)絡(luò)初始參數(shù)。若準(zhǔn)確率和誤差達(dá)到要求，則結(jié)束訓(xùn)練，否則繼續(xù)調(diào)整網(wǎng)絡(luò)超參數(shù)，直至滿足要求。

4）去掉自編碼網(wǎng)絡(luò)中的解碼器部分，將編碼器部分的最后一層輸出連接至Softmax多分類器，輸入800組有標(biāo)簽數(shù)據(jù)， 利用反向傳播算法微調(diào)全局參數(shù)，完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練。

5）形成深度自編碼網(wǎng)絡(luò)模型，輸入1 600組驗(yàn)證集數(shù)據(jù)進(jìn)行驗(yàn)證，輸出分類識(shí)別結(jié)果，用于評(píng)估模型性能。

3.2 故障電弧分類識(shí)別結(jié)果驗(yàn)證

重新選取故障電弧與正常工作各100組數(shù)據(jù)形成測(cè)試集，共1 600個(gè)樣本，負(fù)載類型包括上述8種負(fù)載。將樣本數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)輸出的混淆矩陣如圖8所示。由圖可計(jì)算得到，負(fù)載種類識(shí)別及故障電弧檢測(cè)均正確的概率為98.56%，負(fù)載種類識(shí)別正確的概率為98.69%，故障電弧檢測(cè)的準(zhǔn)確率為99.88%，將正常工作識(shí)別為故障電?。ㄕ`判）的概率為0.06%，將故障電弧識(shí)別為正常工作（拒判）的概率為0.06%。

各負(fù)載識(shí)別結(jié)果如表4所示。由表可知，深度自編碼網(wǎng)絡(luò)對(duì)不同負(fù)載的電弧識(shí)別準(zhǔn)確率較高，均大于99%；負(fù)載類型及電弧均正確識(shí)別的概率均大于96.5%，能夠滿足故障電弧識(shí)別的準(zhǔn)確率要求。

3.3 與其他神經(jīng)網(wǎng)絡(luò)模型對(duì)比

為了進(jìn)一步驗(yàn)證深度自編碼網(wǎng)絡(luò)模型（DAE）識(shí)別準(zhǔn)確率水平，采用模型層數(shù)規(guī)模相近的深度全連接神經(jīng)網(wǎng)絡(luò)（DNN）和一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）2種有監(jiān)督特征學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析，各負(fù)載故障電弧識(shí)別準(zhǔn)確率結(jié)果如圖9所示。

由圖可知，對(duì)于不同負(fù)載， DAE的故障電弧識(shí)別準(zhǔn)確率更高，比DNN的高出7.25%，比1DCNN的高出6.50%。DNN和1DCNN網(wǎng)絡(luò)采用有監(jiān)督學(xué)矩陣非對(duì)角線元素表示將真實(shí)類別判為其他類別的個(gè)數(shù)。

習(xí)方式，依賴于有標(biāo)簽數(shù)據(jù)，當(dāng)使用具有很強(qiáng)表達(dá)能力的有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練有限樣本時(shí)容易出現(xiàn)過(guò)擬合現(xiàn)象，且在深度網(wǎng)絡(luò)訓(xùn)練時(shí)，有監(jiān)督學(xué)習(xí)方式容易導(dǎo)致局部最優(yōu)，降低模型識(shí)別準(zhǔn)確率。例如對(duì)于熒光燈和電子調(diào)光燈負(fù)載的識(shí)別準(zhǔn)確率較低，而DAE預(yù)訓(xùn)練輸入的是無(wú)標(biāo)簽數(shù)據(jù)，基于無(wú)監(jiān)督逐層貪心訓(xùn)練方法，與有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)相比，能夠降低人為標(biāo)記數(shù)據(jù)的成本，并在一定程度上防止出現(xiàn)過(guò)擬合和局部最優(yōu)現(xiàn)象。通過(guò)結(jié)合少量有標(biāo)簽數(shù)據(jù)微調(diào)網(wǎng)絡(luò)模型參數(shù)，使DAE能夠從樣本底層特征中挖掘出更深層次的特征，形成對(duì)故障電弧分類識(shí)別的魯棒表征，具有一定的應(yīng)用價(jià)值。

4 結(jié)論

本文中提出一種基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別方法，可以解決傳統(tǒng)故障電弧識(shí)別方法中特征量提取困難和人工智能方法需要大量有標(biāo)簽數(shù)據(jù)的問(wèn)題。主要研究成果如下：

1）采集了不同類別家用電器正常工作與故障電弧的電流數(shù)據(jù)，并采用小波包分解進(jìn)行了數(shù)據(jù)預(yù)處理，建立了故障電弧特征數(shù)據(jù)集，并為少量數(shù)據(jù)樣本添加標(biāo)簽。

2）建立了基于深度自編碼網(wǎng)絡(luò)的故障電弧分類識(shí)別模型，該模型既具有自編碼網(wǎng)絡(luò)的無(wú)監(jiān)督特征學(xué)習(xí)功能，又具有Softmax多分類器的有監(jiān)督多分類功能，解決了有監(jiān)督網(wǎng)絡(luò)需要大量有標(biāo)簽數(shù)據(jù)的問(wèn)題。

3）進(jìn)行深度自編碼網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率的實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，該網(wǎng)絡(luò)模型的故障電弧與負(fù)載類型識(shí)別準(zhǔn)確率達(dá)到98.56%，故障電弧識(shí)別準(zhǔn)確率達(dá)到99.875%，高于相同層數(shù)和參數(shù)規(guī)模的有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

［1］ 劉義祥， 湯昊， 金靜， 等. 基于原因分析的典型城市火災(zāi)統(tǒng)計(jì)［J］. 消防科學(xué)與技術(shù)， 2017， 36（8）： 1135.

［2］ 羅云慶， 何泰健. 供電線路中電弧性短路檢測(cè)技術(shù)探討［J］. 消防科學(xué)與技術(shù)， 2018， 37（11）： 1557.

［3］ 謝正榮， 單立輝， 時(shí)慶兵， 等. 電氣火災(zāi)早期預(yù)警及監(jiān)測(cè)前沿技術(shù)探討［J］. 建筑電氣， 2019， 38（8）： 39.

［4］ ARTALE G， CATALIOTTI A， NUCCIO V C S， et al. A set of indicatorsfor arc faults detection based on low frequency harmonic analysis［C］//2016 IEEE International Instrumentation and MeasurementTechnology Conference Proceedings. May 23-26， 2016， Taipei， China. New York： IEEE， 2016： 16176609.

［5］ QI P， JOVANOVIC S， LEZAMA J， et al. Discrete wavelet transform optimal parameters estimation for arc fault detection in lowvoltage residential power networks［J］. Electric Power Systems Research， 2017， 143： 130.

［6］ 鄭昕， 許志紅. 低壓串聯(lián)電弧故障通用診斷方法的研究［J］. 電子測(cè)量與儀器學(xué)報(bào)， 2014， 28（9）： 991.

［7］ 陳照， 李奎， 張洋子， 等. 基于電弧電磁輻射的故障電弧識(shí)別［J］. 電工電能新技術(shù)， 2017， 36（3）： 70.

［8］ 戴雋文， 郝瑞祥， 游小杰. 一種用于大功率電弧加熱器的等離子電弧模型［J］. 電工技術(shù)學(xué)報(bào)， 2011， 26（1）： 129.

［9］ 張冠英， 張曉亮， 劉華， 等. 低壓系統(tǒng)串聯(lián)故障電弧在線檢測(cè)方法［J］. 電工技術(shù)學(xué)報(bào)， 2016， 31（8）： 109.

［10］ 王堯， 韋強(qiáng)強(qiáng)， 葛磊蛟， 等. 基于電弧電流高頻分量的串聯(lián)交流電弧故障檢測(cè)方法［J］. 電力自動(dòng)化設(shè)備， 2017， 37（7）：191.

［11］ 孫鵬， 鄭志成， 閆榮妮， 等. 采用小波熵的串聯(lián)型故障電弧檢測(cè)方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2010， 30（增刊1）：232.

［12］ 蘇晶晶， 許志紅. 基于EMD和PNN的故障電弧多變量判據(jù)診斷方法［J］. 電力自動(dòng)化設(shè)備， 2019， 39（4）： 106.

［13］ JIANG J， WEN Z， ZHAO M X， et al. Series arc detection and complex load recognition based on principal component analysis and support vector machine［J］. IEEE Access， 2019， 7： 47221.

［14］ SIEGEL J E， PRATT S， SUN Y B， et al. Realtime deep neural networks for internetenabled arcfault detection［J］. Engineering Applications of Artificial Intelligence， 2018， 74： 35.

［15］ LEE S， KANG S， KIM T， et al. Improving the performance of serial arc detection using VMD and deep neural network［C］//IEEE 62nd International Midwest Symposium on Circuits and Systems （MWSCAS）， August 04-07， 2019， Dallas， TX， USA. New York： IEEE， 2019： 19113029.

［16］ ABDULRACHMAN M A， PRASETYONO E， ANGGRIAWAN D O， et al. Smart detection of AC series arc fault on home voltageline based on fast Fourier transf orm and artificial neural network［C］//2019 International Electronics Symposium （IES）， September 27-28， 2019， Surabaya， Indonesia. New York： IEEE， 2019： 19172753.

［17］ 張士文， 張峰， 王子駿， 等. 一種基于小波變換能量與神經(jīng)網(wǎng)絡(luò)結(jié)合的串聯(lián)型故障電弧辨識(shí)方法［J］. 電工技術(shù)學(xué)報(bào)， 2014， 29（6）： 290.

［18］ 楊凱， 張認(rèn)成， 楊建紅， 等. 基于分形維數(shù)和支持向量機(jī)的串聯(lián)電弧故障診斷方法［J］. 電工技術(shù)學(xué)報(bào)， 2016， 31（2）： 70.

［19］ 郭鳳儀， 李坤， 陳昌墾， 等. 基于小波近似熵的串聯(lián)電弧故障識(shí)別方法［J］. 電工技術(shù)學(xué)報(bào)， 2016， 31（24）： 164.

［20］ WANG Z， McCONNELL S， BALOG R S， et al. Arc fault signal detection： Fourier transformation vs. wavelet decomposition techniques using synthesized data［C］//2014 IEEE 40th Photovoltaic Specialist Conference （PVSC）， June 08-13， 2014， Denver， CO， USA. New York： IEEE， 2014： 14683858.

［21］ 崔江， 唐軍祥， 龔春英， 等. 一種基于改進(jìn)堆棧自動(dòng)編碼器的航空發(fā)電機(jī)旋轉(zhuǎn)整流器故障特征提取方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2017， 37（19）： 5696.

［22］ CHO K， COURVILLE A， BENGIO Y. Describing multimedia content using attentionbased encoder-decoder networks［J］. IEEE Transactions on Multimedia， 2015， 17（11）： 1875.

［23］ 賀珂珂. 基于深度學(xué)習(xí)理論的電機(jī)故障診斷方法研究［D］. 蘭州： 蘭州理工大學(xué)， 2019.

（責(zé)任編輯：劉建亭）