摘 要：為解決傳統(tǒng)特征分析加機(jī)器學(xué)習(xí)的電弧故障檢測方法的準(zhǔn)確率和實(shí)時(shí)性受到特征參數(shù)選取的主觀性及特征分析過程的影響問題，搭建了三相多負(fù)載并聯(lián)的串聯(lián)型電弧故障實(shí)驗(yàn)系統(tǒng)，對不同支路、不同相發(fā)生電弧故障時(shí)的干路電流信號時(shí)間序列進(jìn)行分析。將電流信號進(jìn)行分類、分段、標(biāo)準(zhǔn)化處理并作為檢測模型樣本；對深度卷積神經(jīng)網(wǎng)絡(luò)模型、長短期記憶網(wǎng)絡(luò)模型、普通神經(jīng)網(wǎng)絡(luò)模型進(jìn)行架構(gòu)及訓(xùn)練；通過差分處理對網(wǎng)絡(luò)模型在線分類結(jié)果進(jìn)行優(yōu)化分析；以準(zhǔn)確度和損失函數(shù)值、在線測試速度、優(yōu)化后多分類識別準(zhǔn)確率為評價(jià)指標(biāo)，對比分析了3 種模型故障檢測及選線效果。研究結(jié)果表明：基于深度卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型電弧故障檢測及選線模型對電機(jī)類負(fù)載故障檢測及選線準(zhǔn)確率可達(dá)96.77%，對變頻器類負(fù)載故障檢測及選線準(zhǔn)確率可到98%，準(zhǔn)確率高于近幾年其他三相回路電弧故障檢測模型。

關(guān)鍵詞：串聯(lián)型電弧故障；深度卷積神經(jīng)網(wǎng)絡(luò)；故障檢測；故障選線；優(yōu)化分析

中圖分類號：TM 501 文獻(xiàn)標(biāo)志碼：A 文章編號：1008-0562（2024）01-0077-08

0 引言

配電線路或電氣設(shè)備長期在惡劣環(huán)境中運(yùn)行，接觸點(diǎn)可能會因接觸不良等原因引發(fā)串聯(lián)型電弧故障，因串聯(lián)型電弧故障信號特征微弱且受電路結(jié)構(gòu)、工況條件等影響，一直缺少成熟的檢測方法。多臺電機(jī)負(fù)載并聯(lián)的工業(yè)配電系統(tǒng)，電路結(jié)構(gòu)復(fù)雜，若在每一個(gè)支路均串入串聯(lián)型電弧故障保護(hù)裝置，將增加保護(hù)成本。若能通過干路電流檢測出發(fā)生電弧故障的支路及故障相，就無需在每一個(gè)電機(jī)負(fù)載支路均安裝電弧故障保護(hù)裝置，將降低投資，減少檢修和維護(hù)的時(shí)間。

串聯(lián)型電弧故障檢測方法主要包括基于特征分析加模式識別的電弧故障檢測方法和基于深度學(xué)習(xí)的直接以原始信號為樣本的電弧故障檢測方法。崔芮華等[1]利用Levene 檢驗(yàn)結(jié)合粒子群算法優(yōu)化支持向量機(jī)（PSO-SVM）方法實(shí)現(xiàn)串聯(lián)型電弧故障識別，研究表明Levene 檢驗(yàn)優(yōu)于峭度、偏態(tài)指標(biāo)和相關(guān)系數(shù)3 種統(tǒng)計(jì)學(xué)方法。ARTALE 等[2]利用線性調(diào)頻Z 變換獲得高分辨率的電流低頻頻譜，提取電流信號的諧波變化率和頻譜平均值，構(gòu)建特征向量實(shí)現(xiàn)電弧故障的檢測。WANG 等[3]利用稀疏編碼捕獲電弧故障的電信號特征，結(jié)合全連接神經(jīng)網(wǎng)絡(luò)檢測民用供電系統(tǒng)電弧故障。LE 等[4]采用多種統(tǒng)計(jì)量作為特征值，利用EML 算法實(shí)現(xiàn)直流串聯(lián)電弧故障的檢測。趙懷軍等[5]用模糊邏輯器將兩個(gè)周期電流的零休時(shí)間比例系數(shù)、高頻成分歸一化絕對值最大互相關(guān)系數(shù)作為特征量，與經(jīng)驗(yàn)閾值比較，檢測是否有電弧故障發(fā)生。王堯等[6]利用電弧電流變化率與其有效值的比，以及6～12 kHz 頻段電流幅值作為特征參數(shù)進(jìn)行串聯(lián)交流電弧故障識別，并設(shè)定檢測時(shí)間閾值，降低負(fù)載啟動過程對故障檢測的影響。特征分析加機(jī)器學(xué)習(xí)方法[1-4]和文獻(xiàn)特征分析加閾值判斷的檢測方法[5-6]，在故障診斷前需要耗費(fèi)一定的時(shí)間進(jìn)行特征分析，且選取的特征參數(shù)受研究人員分析角度的影響，很難全面反映電弧故障特征，進(jìn)而影響串聯(lián)型電弧故障診斷的實(shí)時(shí)性和準(zhǔn)確性。對單相多負(fù)載并聯(lián)回路干路電流進(jìn)行特征分析，結(jié)合模式識別方法，達(dá)到了負(fù)載類型辨識和電弧故障診斷的效果[7-9]，對電弧故障的研究工作起到了一定的推動作用，但成果不能直接推廣到三相回路電弧故障的診斷及選線研究工作。HAN 等[10]針對電源諧波和非線性負(fù)載噪聲的干擾，提出了一種基于核主成分分析和螢火蟲算法優(yōu)化支持向量機(jī)的電弧故障識別方法。GAO 等[11]對三相異步電機(jī)單相電流信號進(jìn)行預(yù)處理后，通過分?jǐn)?shù)階傅里葉變換和兩級塊奇異值分解，建立電弧故障的低維特征向量，利用網(wǎng)格搜索和粒子群（GS-PSO）優(yōu)化支持向量機(jī)（SVM），建立了電弧故障檢測和相位選擇模型?；谔卣鞣治黾訖C(jī)器學(xué)習(xí)的方法建立了三相電機(jī)變頻器負(fù)載回路電弧故障的故障檢測及相位選擇模型，但特征分析環(huán)節(jié)將影響模型檢測的實(shí)時(shí)性，檢測效果也可能會受到特征參數(shù)選擇全面性、典型性的影響。深度學(xué)習(xí)的自適應(yīng)、自學(xué)習(xí)能力較強(qiáng)，在模式識別領(lǐng)域已嶄露頭角[12-13]。張婷等[14]將不同種類家用負(fù)載的電流時(shí)間序列按照半周期截取樣本，將灰度矩陣變換生成電弧故障及正常工作的二維圖像，利用歸一化卷積神經(jīng)網(wǎng)絡(luò)提取電弧故障的灰度變換特征，電弧故障識別效果較好。余瓊芳等[15]直接以單相多負(fù)載回路干路電流為樣本，訓(xùn)練長短期記憶網(wǎng)絡(luò)模型，實(shí)現(xiàn)了串聯(lián)型電弧故障的診斷和選線。

本文在已有研究基礎(chǔ)上，開展多臺電機(jī)并聯(lián)的工業(yè)系統(tǒng)串聯(lián)型電弧故障實(shí)驗(yàn)。以原始干路電流時(shí)間序列為樣本，實(shí)現(xiàn)電弧故障支路與故障相的檢測；搭建深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutionalneural network，DCNN）和長短期記憶網(wǎng)絡(luò)（longshort-term memory，LSTM）、普通神經(jīng)網(wǎng)絡(luò)（artificialneural network，ANN）串聯(lián)型電弧故障檢測模型，從準(zhǔn)確性和實(shí)時(shí)性角度分析3 種網(wǎng)絡(luò)模型在工業(yè)配電系統(tǒng)的串聯(lián)型電弧故障選線上的效果；采用差分方法對深度學(xué)習(xí)網(wǎng)絡(luò)模型輸出分類結(jié)果進(jìn)行再優(yōu)化，以提高檢測準(zhǔn)確率，并對準(zhǔn)確性和實(shí)時(shí)性進(jìn)行全面對比。

1 三相交流串聯(lián)型電弧故障實(shí)驗(yàn)

1.1 串聯(lián)型電弧故障實(shí)驗(yàn)系統(tǒng)

串聯(lián)型電弧故障檢測及選線實(shí)驗(yàn)系統(tǒng)見圖1，實(shí)驗(yàn)系統(tǒng)電源電壓為交流380 V，斷路器QF 對實(shí)驗(yàn)電路起保護(hù)作用。實(shí)驗(yàn)負(fù)載為三相異步電動機(jī)M1 和M2，其中M1 型號為Y160M-6-11kW，M2 型號為Y160M-4-7.5kW，M1 和M2 并聯(lián)。M1 通過磁粉制動器調(diào)整回路電流，通過切換開關(guān)選擇是否帶變頻器運(yùn)行，變頻器型號為VFD110E43A，M2 空載運(yùn)行。AFG 為電弧故障發(fā)生器，當(dāng)AFG 接入P1～P3、P4～P6、P7～P9 時(shí)，分別模擬干路、M1 支路、M2 支路的A、B、C 相發(fā)生電弧故障情況。C1、C2、C3 為HAS14Z 型電流傳感器，用于采集不同工況下干路三相電流；V1 為DL-PT202D 型電壓傳感器，用于檢測電弧故障電壓。通過NI USB-3200 型數(shù)據(jù)采集卡將C1、C2、C3、V1 采集的數(shù)據(jù)送至計(jì)算機(jī)。數(shù)據(jù)采集卡采樣頻率為50 kHz。此外，實(shí)驗(yàn)時(shí)還采集了故障支路三相電流，但本文未對其進(jìn)行分析。因?qū)嶒?yàn)時(shí)7 個(gè)通道同時(shí)采樣，采樣頻率無法達(dá)到設(shè)置值，實(shí)際為36 kHz。

實(shí)驗(yàn)負(fù)載及電弧故障發(fā)生器見圖2。圖2（c）為參照UL1699 標(biāo)準(zhǔn)研制的串聯(lián)型電弧故障發(fā)生器，為圖1 中的AFG。負(fù)載正常運(yùn)行時(shí)將動、靜觸頭良好接觸。模擬不同工況下電弧故障時(shí)，將電弧故障發(fā)生器分別置于圖1 中的P1～P9，通過步進(jìn)電機(jī)控制動觸頭，使動、靜觸頭分離，產(chǎn)生串聯(lián)型電弧故障。

考慮到負(fù)載性質(zhì)、回路電流大小、負(fù)載電流波動均可能影響電弧故障特征，采用單因素全面實(shí)驗(yàn)法，設(shè)計(jì)M1、M2 并聯(lián)情況下串聯(lián)型電弧故障檢測及選線實(shí)驗(yàn)方案，通過72 組實(shí)驗(yàn)采集不同實(shí)驗(yàn)條件下干路三相電流信號及電弧故障電壓信號。實(shí)驗(yàn)方案見表1。例如，組別12 為M1 以17 A 運(yùn)行且不帶變頻器，M2 空載，電弧故障發(fā)生在P3 點(diǎn)。

1.2 實(shí)驗(yàn)結(jié)果分析

通過干路A 相電流分析實(shí)驗(yàn)組別10～18 的串聯(lián)型電弧故障實(shí)驗(yàn)結(jié)果，見圖3。當(dāng)干路的當(dāng)前相或超前相故障時(shí)，電流峰峰值小于干路滯后相發(fā)生電弧故障時(shí)的電流峰峰值；M1、M2 支路發(fā)生電弧故障時(shí)，其干路電流峰峰值始終與正常運(yùn)行時(shí)接近。由圖3（a）可見，A 相即當(dāng)前相故障時(shí)，故障所在位置的回路電流越大，干路電流越小。由圖3（b）可見，當(dāng)C 相即超前相故障時(shí)，依然滿足電弧故障所在位置的回路電流越大干路電流幅值越小的規(guī)律。但電機(jī)負(fù)載支路超前相故障時(shí)，干路電流幅值介于正常運(yùn)行與干路故障電流幅值之間，且基本不受故障支路電流幅值影響。由圖3（c）可見，當(dāng)B 相即滯后相故障時(shí)，故障所在位置回路電流越大，干路電流越大。M2 支路B 相即滯后相發(fā)生電弧故障時(shí)，干路電流小于正常運(yùn)行電流。0.013～0.018 s 的數(shù)據(jù)局部放大見圖3（d），可知，故障位置所在回路電流越大，干路中諧波成分越復(fù)雜。

對實(shí)驗(yàn)組別46～54 的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，結(jié)果見圖4。受變頻器非線性的影響，在M1 帶變頻器正常運(yùn)行時(shí)，電流雙峰的幅值相近。當(dāng)干路或M1支路的超前相或滯后相發(fā)生電弧故障時(shí)，干路電流的峰峰值增加，且M1 支路故障時(shí)峰峰值最大；當(dāng)干路或M1 支路的當(dāng)前相發(fā)生電弧故障時(shí)，干路電流的峰峰值減小且小于正常情況。當(dāng)M2 支路超前相發(fā)生電弧故障時(shí)，其干路電流峰峰值小于正常運(yùn)行時(shí)；當(dāng)M2 支路當(dāng)前相和滯后相發(fā)生電弧故障時(shí)，其干路電流峰峰值大于正常情況。因M2 不帶變頻器運(yùn)行，M2 支路故障時(shí)，干路電流峰峰值變化沒有M1 支路及干路故障時(shí)明顯，僅為M1 正常波形與M2 故障波形的疊加。無論何種工況下發(fā)生電弧故障，干路電流諧波含量均增加。

2 電弧故障檢測及選線模型

傳統(tǒng)特征分析加模式識別的串聯(lián)型電弧故障檢測方法是針對故障回路電流進(jìn)行時(shí)域、頻域、時(shí)頻域分析，以典型特征參數(shù)構(gòu)成的特征參數(shù)向量為樣本，結(jié)合機(jī)器學(xué)習(xí)方法訓(xùn)練電弧故障檢測模型。這種方法提取的特征參數(shù)受主觀意識的影響，不能全面反映電弧故障的信號特征，影響電弧故障檢測模型的自適應(yīng)性。針對此問題，利用干路電流信號時(shí)間序列為樣本，通過DCNN 模型、LSTM 模型對樣本進(jìn)行訓(xùn)練，以期實(shí)現(xiàn)電弧故障診斷及故障選線，提高模型的自適應(yīng)性及自學(xué)習(xí)能力。

2.1 診斷樣本庫的建立

將不同實(shí)驗(yàn)條件下1 個(gè)周期的干路電流時(shí)間序列作為診斷模型的樣本，為提高樣本數(shù)量，將模型樣本分為干路當(dāng)前相故障、M1 支路當(dāng)前相故障、M2 支路當(dāng)前相故障、干路超前相故障、M1 支路超前相故障、M2 支路超前相故障、干路滯后相故障、M1 支路滯后相故障、M2 支路滯后相故障、正常，共10 類，分別對應(yīng)標(biāo)簽0～9。診斷模型的網(wǎng)絡(luò)輸出結(jié)果也將對應(yīng)上述10 類標(biāo)簽。

為使樣本庫中一組數(shù)據(jù)構(gòu)成方陣并至少包括1 個(gè)完整電流信號時(shí)間序列周期，且選取盡可能少的點(diǎn)數(shù)，規(guī)定每個(gè)樣本長度為784 個(gè)點(diǎn)，可轉(zhuǎn)變?yōu)?8×28 的矩陣，每個(gè)采樣點(diǎn)為此時(shí)刻的干路電流值。共選取50 289 個(gè)樣本，隨機(jī)選取樣本的90%作為訓(xùn)練樣本，其余10%作為測試樣本。

為提高模型訓(xùn)練效果，采用標(biāo)準(zhǔn)差對模型樣本進(jìn)行標(biāo)準(zhǔn)化處理。對圖4（a）標(biāo)準(zhǔn)化處理后見圖5。

2.2 基于DCNN 的電弧故障檢測及選線模型

（1）DCNN 基本原理

DCNN 是通過局部連接、權(quán)值共享等方法，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)由于所有神經(jīng)元均為全連接導(dǎo)致的參數(shù)較多甚至難以訓(xùn)練的問題。DCNN 可自動創(chuàng)建濾波器，卷積層將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中常規(guī)矩陣乘法替換為卷積，對該層輸入數(shù)據(jù)做卷積計(jì)算，進(jìn)行初步特征提取。卷積層原理計(jì)算式為

式中：x 為該層輸入向量； hkij 為第i行第 j 列的輸出向量； f 為激活函數(shù)；Wk為連接到第k 個(gè)特征圖的卷積核的權(quán)重矩陣；bk 為該特征圖的偏置向量。將池化層設(shè)置在卷積層之后，利用最大池化（maxpooling）函數(shù)，取過濾器覆蓋范圍內(nèi)的最大值，并將其作為該范圍內(nèi)的特征值保存，其余濾掉。

（2）DCNN 模型架構(gòu)

基于 Tensorflow2.0 框架搭建了具有輸入層、3層卷積層、2 層最大池化層和1 層全連接層、輸出層的深度卷積神經(jīng)網(wǎng)絡(luò)。將樣本由長度為784 的一維向量變?yōu)?8×28 的二維向量作為輸入。網(wǎng)絡(luò)模型架構(gòu)見圖6。圖6 中，第一層卷積層conv2d，包含32 個(gè)3×3 大小的卷積核，卷積運(yùn)算后得到32 組26×26 的矩陣，經(jīng)過最大池化，輸出數(shù)據(jù)大小為13×13，通道數(shù)為32；第二層卷積層conv2d_1，包含64 個(gè)3×3 大小的卷積核，卷積運(yùn)算后得到64 組11×11 的矩陣，并經(jīng)過最大池化，輸出數(shù)據(jù)大小為5×5，通道數(shù)為64；第三層卷積層conv2d_2，也包含64 個(gè)3×3 大小的卷積核，輸出數(shù)據(jù)大小為3×3，通道數(shù)為64，經(jīng)過flatten 后得到64 組3×3 的矩陣，其中所有卷積層均使用Relu 為激活函數(shù)，將第3層卷積層拼接成長度為576 的向量輸入到全連接層dense；節(jié)點(diǎn)數(shù)為64；激活函數(shù)為Relu。

輸出層節(jié)點(diǎn)數(shù)為 10，使用Softmax 作為激活函數(shù)進(jìn)行分類輸出，輸出結(jié)果為10×1 的列向量。列向量的10 個(gè)值分別代表網(wǎng)絡(luò)對10 種可能結(jié)果的估計(jì)概率，概率最大是網(wǎng)絡(luò)的分類結(jié)果。10 種分類結(jié)果分別對應(yīng)2.1 節(jié)中的類別標(biāo)簽0～9。每層參數(shù)及輸出見表2，網(wǎng)絡(luò)參數(shù)共93 322 個(gè)。

該網(wǎng)絡(luò)損失函數(shù)為稀疏分類交叉熵

式中：M 為類別數(shù)；N 為樣本數(shù)； yic 為符號函數(shù)（0或1），如果樣本i 的真實(shí)類別等于c 取1，否則取0；pic 為測試樣本i 屬于類別c 的預(yù)測概率。

2.3 基于LSTM 的電弧故障檢測及選線模型

（1）LSTM 基本原理

LSTM 可避免循環(huán)神經(jīng)網(wǎng)絡(luò)誤差反向傳播過程中產(chǎn)生的梯度爆炸或者消失問題。LSTM 的記憶功能“Cells”在神經(jīng)元內(nèi)部決定是否應(yīng)該寫入或刪除對信息的記憶，并且可以將之前的狀態(tài)、現(xiàn)在的記憶和當(dāng)前輸入的信息結(jié)合在一起，對長期信息進(jìn)行記錄。因此，以LSTM 網(wǎng)絡(luò)搭建模型檢測電弧故障。

（2）LSTM 網(wǎng)絡(luò)模型架構(gòu)

訓(xùn)練集中的一組數(shù)據(jù)為 784 個(gè)連續(xù)的時(shí)間序列點(diǎn)，將其劃分為28 個(gè)時(shí)間步長，每個(gè)時(shí)刻輸入的數(shù)據(jù)向量長度為28 個(gè)點(diǎn)。LSTM 網(wǎng)絡(luò)模型共有參數(shù)136 586 個(gè)，網(wǎng)絡(luò)損失函數(shù)與輸出類型與DCNN 網(wǎng)絡(luò)模型相同，相關(guān)參數(shù)設(shè)置見表3。

2.4 模型故障檢測及選線效果測試分析

對模型進(jìn)行200 輪（Epoch）訓(xùn)練，每輪訓(xùn)練樣本為45 260 個(gè)，共進(jìn)行177 批，一批（Batch）數(shù)據(jù)共256 個(gè)樣本。并用訓(xùn)練集與測試集進(jìn)行測試，可以得到準(zhǔn)確率與損失函數(shù)值（見圖7），其中準(zhǔn)確率為輸出類型與實(shí)際類型相同的樣本個(gè)數(shù)占全部樣本的百分比。

對比圖 7（a）～圖7（d）可見，前5 代訓(xùn)練中準(zhǔn)確率線性增加，對應(yīng)的損失函數(shù)值也快速減少。6～60 代訓(xùn)練和測試準(zhǔn)確率呈對數(shù)增加，損失函數(shù)值也隨之減小。60 代以后，訓(xùn)練集和測試集準(zhǔn)確率增加較平緩，DCNN 模型的訓(xùn)練集、測試集準(zhǔn)確率最終分別維持在95.8%左右、94.1%左右；LSTM 模型的訓(xùn)練集、測試集準(zhǔn)確率最終分別維持在97.1%左右、94.5%左右。180 代以后，訓(xùn)練集的測試效果雖有小幅提升，但測試集的測試效果在一定范圍內(nèi)波動，沒有明顯的提高。為防止網(wǎng)絡(luò)過擬合，將第180 代網(wǎng)絡(luò)模型參數(shù)保存并導(dǎo)出。從收斂速度上看，采用深度學(xué)習(xí)方法的DCNN 模型和LSTM 網(wǎng)絡(luò)模型在前60 輪訓(xùn)練中準(zhǔn)確率增長較快，200 輪訓(xùn)練后損失函數(shù)均收斂到較小值。

采用 ANN 模型對樣本進(jìn)行訓(xùn)練，將干路電流中784 個(gè)連續(xù)的時(shí)間序列點(diǎn)組成一個(gè)樣本作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)損失函數(shù)與輸出類型同DCNN 模型。如圖7（e）、圖7（f）可見，ANN 網(wǎng)絡(luò)模型測試準(zhǔn)確率低于85%。

DCNN 模型、LSTM 模型、ANN 模型對樣本訓(xùn)練和測試的準(zhǔn)確率對比情況見圖8。圖8 表明，直接以干路電流為樣本的串聯(lián)型電弧故障診斷及選線模型中，深度學(xué)習(xí)網(wǎng)絡(luò)模型明顯優(yōu)于普通神經(jīng)網(wǎng)絡(luò)模型。

2.5 在線測試及分類結(jié)果優(yōu)化分析

采用樹莓派zero 作為主控檢測裝置，將M1 負(fù)載電流為 17 A、M1 超前相發(fā)生故障時(shí)的干路電流信號分別選取600 個(gè)樣本輸入到DCNN 模型、LSTM 模型、ANN 模型中，3 種模型的測試時(shí)間見表4。3 種網(wǎng)絡(luò)模型對干路電流信號的分類結(jié)果見圖9。

由圖9 可見，DCNN 模型與LSTM 模型均能較好地對連續(xù)的數(shù)據(jù)進(jìn)行分類，但依然存在單點(diǎn)誤判，燃弧前的單點(diǎn)誤判主要是由于變頻器的非線性導(dǎo)致，而ANN 模型則存在較多的誤判。

觀察分類結(jié)果發(fā)現(xiàn)，單點(diǎn)誤判存在 2 次跳變，而從正常到燃弧狀態(tài)為單次跳變，基于此對3 種模型分類結(jié)果進(jìn)行差分。當(dāng)故障發(fā)生時(shí)網(wǎng)絡(luò)輸出結(jié)果發(fā)生跳變，對應(yīng)的差分產(chǎn)生一個(gè)尖峰，而當(dāng)網(wǎng)絡(luò)發(fā)生單點(diǎn)誤判時(shí)，由于誤判點(diǎn)處有2 次跳，故差分結(jié)果存在兩個(gè)尖峰脈沖且互為相反數(shù)，因而利用這種特征對網(wǎng)絡(luò)模型輸出結(jié)果進(jìn)一步優(yōu)化，將成對出現(xiàn)的差分尖峰濾掉，優(yōu)化后見圖9 中的優(yōu)化結(jié)果。

M1 負(fù)載電流為17 A、M1 超前相發(fā)生故障時(shí)，優(yōu)化前后分類結(jié)果準(zhǔn)確率對比見表5。由表5 可見，差分處理后非線性負(fù)載分類結(jié)果準(zhǔn)確率較優(yōu)化前有較大幅度提高。

綜合比較3 種網(wǎng)絡(luò)模型測試準(zhǔn)確率、損失函數(shù)值、在線測試時(shí)間及優(yōu)化后分類準(zhǔn)確率，可以發(fā)現(xiàn)DCNN 具有在線分類準(zhǔn)確率高、實(shí)時(shí)性好的優(yōu)勢，可以通過干路電流實(shí)現(xiàn)對工業(yè)系統(tǒng)串聯(lián)型電弧故障的檢測及故障選線。

2.6 與其他電弧故障檢測方法對比分析

與其他電弧故障檢測算法對比見表6。在無需進(jìn)行特征提取的情況下，建立的DCNN 電弧故障檢測及選線模型相較于方法1[10]、方法2[11]的三相回路電機(jī)變頻器類負(fù)載故障電弧檢測及選線模型效果更好，也優(yōu)于方法3[16]家用多負(fù)載回路基于深度學(xué)習(xí)的故障電弧檢測及選線模型。

結(jié)論

（1）在多電機(jī)并聯(lián)電路中，受負(fù)載性質(zhì)、回路電流、故障相與干路電流采集相的相位關(guān)系影響，串聯(lián)型電弧故障在干路電流中表現(xiàn)出不同特征。

（2）直接以分類、分段、標(biāo)準(zhǔn)化處理后的干路電流為樣本，建立DCNN 模型和LSTM 模型可實(shí)現(xiàn)對不同支路、不同相發(fā)生的串聯(lián)型電弧故障的故障檢測及故障選線，電弧故障診斷及選線效果優(yōu)于直接以干路電流為樣本的ANN 模型。

（3）采用差分優(yōu)化輸出結(jié)果后的DCNN 模型，對電機(jī)類負(fù)載樣本的在線檢測及選線準(zhǔn)確率可達(dá)96.77%，對電機(jī)變頻器類非線性負(fù)載的在線檢測及選線準(zhǔn)確率可達(dá)98.00%，電弧故障診斷及選線效果優(yōu)于特征分析加模式識別的診斷方法。

（4）以測試準(zhǔn)確率、損失函數(shù)值、在線測試時(shí)間及優(yōu)化后分類準(zhǔn)確率為指標(biāo)綜合衡量串聯(lián)型電弧故障在線診斷及選線效果，DCNN 模型對工業(yè)系統(tǒng)串聯(lián)型電弧故障檢測及選線效果均較好。

參考文獻(xiàn)（References）：

[1] 崔芮華，佟德栓.基于Levene 檢驗(yàn)的航空交流串聯(lián)電弧故障檢測[J].電工技術(shù)學(xué)報(bào)，2021，36（14）：3034-3042.

CUI Ruihua，TONG Deshuan.Aviation AC series arc fault detectionbased on levene test[J].Transactions of China Electrotechnical Society，2021，36（14）：3034-3042.

[2] ARTALE G，CATALIOTTI A，COSENTINO V，et al.Arc fault detectionmethod based on CZT low-frequency harmonic current analysis[J].IEEE Transactions on Instrumentation and Measurement，2017，66（5）：888-896.

[3] WANG Y，ZHANG F，ZHANG S.A new methodology for identifying arcfault by sparse representation and neural network[J].IEEE Transactionson Instrumentation and Measurement，2018，67（11）：2526-2537.

[4] LE V，YAO X，MILLER C，et al.Series DC arc fault detection based onensemble machine learning[J].IEEE Transactions on Power Electronics，2020，35（8）：7826-7839.

[5] 趙懷軍，秦海燕，劉凱，等.基于相關(guān)理論及零休特征融合的串聯(lián)電弧故障檢測方法[J].儀器儀表學(xué)報(bào)，2020，41（4）：218-228.

ZHAO Huaijun，QIN Haiyan，LIU Kai，et al.A series fault arc detectionmethod based on the fusion of correlation theory and zero currentfeature[J].Chinese Journal of Scientific Instrument，2020，41（4）：218-228.

[6] 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)交流電弧故障檢測方法[J].電力自動化設(shè)備，2017，37（7）：191-197.

WANG Yao，WEI Qiangqiang，GE Leijiao，et al.Series AC arc faultdetection based on high-frequency components of arc current[J].Electric Power Automation Equipment，2017，37（7）：191-197.

[7] 白輝，許志紅.基于小波包變換和高階累積量的電弧故障識別方法[J].電力自動化設(shè)備，2020，40（11）：195-202，224，203.

BAI Hui， XU Zhihong.Topology and parameter design of power supplyquality comprehensive improvement device for highly sensitive users[J].Electric Power Automation Equipment，2020，40（11）：195-202，224，203.

[8] 蘇晶晶，許志紅.基于混沌分形理論的電弧故障診斷方法研究[J].電機(jī)與控制學(xué)報(bào)，2021，25（3）：125-133.

SU Jingjing，XU Zhihong.Arc fault diagnosis method based on chaosand fractal theories[J].Electric Machines and Control，2021，25（3）：125-133.

[9] 高艷艷，張認(rèn)成，楊建紅，等.采用高頻特性的低壓電弧故障識別方法[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2016，28（6）：49-55.

GAO Yanyan，ZHANG Rencheng，YANG Jianhong，et al.Method oflow-voltage arc fault recognition using high frequency feature[J].Proceedings of the CSU-EPSA，2016，28（6）：49-55.

[10] HAN C，WANG Z，TANG A，et al.Recognition method of AC series arcfault characteristics under complicated harmonic conditions[J].IEEETransactions on Instrumentation and Measurement，2021，70：1-9.

[11] GAO H，WANG Z，YANG A，et al.Research on series arc fault detectionand phase selection feature extraction method[J].IEEE Transactions onInstrumentation and Measurement，2021，70：1-8.

[12] 鄭遠(yuǎn)攀，李廣陽，李曄.深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（12）：20-36.

ZHENG Yuanpan，LI Guangyang，LI Ye.Survey of application of deeplearning in image recognition[J].Computer Engineering andApplications，2019，55（12）：20-36.

[13] 張朝龍，何怡剛，杜博倫，等.基于深度學(xué)習(xí)的電力變壓器智能故障診斷方法[J].電子測量與儀器學(xué)報(bào)，2020，34（1）：81-89.

ZHANG Chaolong，HE Yigang，DU Bolun，et al.Intelligent faultdiagnosis method of power transformer using deep learning[J].Journalof Electronic Measurement amp; Instrumentation，2020，34（1）：81-89.

[14] 張婷，王海淇，張認(rèn)成，等.基于自歸一化神經(jīng)網(wǎng)絡(luò)的電弧故障檢測方法[J].儀器儀表學(xué)報(bào)，2021，42（3）：141-149.

ZHANG Ting，WANG Haiqi，ZHANG Rencheng，et al.An arc fault detectionmethod based on the self-normalized convolutional neural network[J].Chinese Journal of Scientific Instrument，2021，42（3）：141-149.

[15] 余瓊芳，路文浩，楊藝.基于深度長短時(shí)記憶網(wǎng)絡(luò)的多支路串聯(lián)電弧故障檢測方法[J].計(jì)算機(jī)應(yīng)用，2021，41（S1）：321-326.

YU Qiongfang，LU Wenhao，YANG Yi.Multi-branch series fault arcdetection method based on deep long short-term memory network[J].Journal of Computer Applications，2021，41（S1）：321-326.

[16] SIEGEL J E，PRATT S，SUN Y，et al.Real-time Deep Neural Networksfor internet-enabled arc-fault detection[J].Engineering Applications ofArtificial Intelligence，2018，74：35-42.

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（52104160，52077158）；遼寧工程技術(shù)大學(xué)學(xué)科創(chuàng)新團(tuán)隊(duì)資助項(xiàng)目（LNTU20TD-29）