基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的故障電弧檢測(cè)算法研究

杭州電子科技大學(xué)微電子CAD研究所 黃佳平 馬 琪浙江大學(xué)超大規(guī)模集成電路設(shè)計(jì)研究所 竺紅衛(wèi)

基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的故障電弧檢測(cè)算法研究

杭州電子科技大學(xué)微電子CAD研究所 黃佳平 馬 琪
浙江大學(xué)超大規(guī)模集成電路設(shè)計(jì)研究所 竺紅衛(wèi)

由于采集的原始信號(hào)含有過多的干擾信號(hào),首先在對(duì)信號(hào)分析之前對(duì)原始信號(hào)進(jìn)行了降噪,,然后利用小波分析對(duì)非平穩(wěn)和非線性的信號(hào)能夠很好的分析其局部變化的特點(diǎn),用于對(duì)故障電弧在時(shí)頻域內(nèi)的分解并提取了用于神經(jīng)網(wǎng)絡(luò)輸入的多個(gè)相關(guān)特征量,同時(shí)在實(shí)驗(yàn)期間針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的容易陷入局部?jī)?yōu)化和訓(xùn)練過慢等特點(diǎn),采用了遺傳算法來對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步的優(yōu)化。實(shí)驗(yàn)結(jié)果表明,該直流電弧故障檢測(cè)方法的判斷準(zhǔn)確率和誤判率令人滿意。

小波分析;電弧故障檢測(cè);遺傳算法;神經(jīng)網(wǎng)絡(luò)

0 引言

直流電弧故障往往發(fā)生在采用大功率的直流電壓供電的設(shè)備中,如果不及時(shí)檢測(cè)并斷開電路,會(huì)損壞電氣設(shè)備甚至引起火災(zāi)[1]。許多年前,對(duì)直流電弧的檢測(cè)就開始有研究,在航空系統(tǒng),利用快速傅里葉變換(Fast Fourier Transformation,FFT)與神經(jīng)網(wǎng)絡(luò)的結(jié)合能夠?qū)崿F(xiàn)直流電弧故障的檢測(cè)方法[2];基于小波分析在不同頻段能量信號(hào)強(qiáng)度變化明顯,從而將其不同子帶的能量通過重建能夠量化成一個(gè)變量[3]。而最近,對(duì)直流故障電弧的檢測(cè)發(fā)展到了各個(gè)方面和領(lǐng)域,并且取得了不小的進(jìn)展。其中包括在新型微網(wǎng)中,提出了一種基于統(tǒng)計(jì)分析的方法對(duì)直流故障電弧的檢測(cè)實(shí)現(xiàn)[4],還有通過對(duì)接受信號(hào)強(qiáng)度的判斷來檢測(cè)故障電弧[5-6]。此外在光伏設(shè)備系統(tǒng)上,也進(jìn)行了不少研究,其中包括通過多標(biāo)準(zhǔn)算法實(shí)現(xiàn)直流故障電弧的檢測(cè)[7-8]。

本文提出了一種基于信號(hào)時(shí)頻域分析(主要采用小波包分析和傅里葉分析[9])和神經(jīng)網(wǎng)絡(luò)結(jié)合的故障電弧檢查方法。通過分析直流電弧故障發(fā)生時(shí)電流在時(shí)頻域的特征變化,提取合適的特征值,并結(jié)合BP神經(jīng)網(wǎng)絡(luò)來檢測(cè)直流電弧故障。同時(shí)針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂慢的缺點(diǎn),采用遺傳算法(Genetic Algorithm,GA)來獲得BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值,從而加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂速度。

1 信號(hào)降噪及特征量提取

從大功率電子設(shè)備直流供電系統(tǒng)原始采集到電流信號(hào)中存在較強(qiáng)的干擾噪聲,嚴(yán)重影響了特征提取,故首先需要對(duì)原始信號(hào)進(jìn)行去噪,降噪的模型如下圖1所示。采用小波變換來對(duì)故障信號(hào)進(jìn)行降噪處理,小波分析的降噪過程大致分為:分解、作用閾值、重建。其降噪結(jié)構(gòu)如圖2所示。

通過對(duì)正常情況下和發(fā)生電弧故障時(shí)直流電流信號(hào)分別作了FFT分析,其分析結(jié)果如圖3和圖4所示。觀察發(fā)現(xiàn)正常情況下直流電流在整個(gè)頻段內(nèi)其各頻率的幅值很小,而發(fā)生電弧故障情況時(shí)由于伴隨著隨機(jī)現(xiàn)象,所以在這個(gè)頻段內(nèi)的幅值都有所增加,特別的在10～25kHz頻段內(nèi)各頻率的幅值基本維持在4*10-3,而在正常情況下頻段內(nèi)為1*10-4,相比較電弧故障發(fā)生時(shí)在該頻段內(nèi)增加了40倍左右。

圖1 小波降噪模型

圖2 小波去噪信號(hào)

圖3 未降噪信號(hào)的FFT分析

通過上述FFT分析,也發(fā)現(xiàn)正常情況下和發(fā)生電弧故障時(shí)直流電流低中頻段能量有所變化,但是由于信號(hào)去掉噪聲后依然存在噪聲,FFT分析出來的結(jié)果顯得比較模糊。故本文繼續(xù)對(duì)相應(yīng)頻段進(jìn)行小波包分析,在小波變換基礎(chǔ)上對(duì)細(xì)節(jié)系數(shù)(即高頻信號(hào))繼續(xù)分解。其小波包分解系數(shù)如圖5所示。

圖4 降噪信號(hào)的FFT分析

圖5 小波樹各系數(shù)分布

通過分解后可以發(fā)現(xiàn),4層小波包分解后節(jié)點(diǎn)Node(4,1)-Node(4,4)的RMS值的變化如圖6所示。正常情況下(左列圖)在選取頻段內(nèi)的RMS值都很小,而當(dāng)發(fā)生電弧故障時(shí)(右列圖)選取頻段內(nèi)的RMS值出現(xiàn)劇烈波動(dòng)。

圖6 小波分析各層系數(shù)RMS分布

2 遺傳算法

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練收斂慢以及容易陷入局部最優(yōu)值的問題,在處理復(fù)雜的非線性問題,不同的權(quán)值對(duì)網(wǎng)絡(luò)訓(xùn)練收斂的時(shí)間有著較大的影響。本文采用GA來獲得網(wǎng)絡(luò)輸入初始化權(quán)值,通過在網(wǎng)絡(luò)訓(xùn)練之前先對(duì)權(quán)值進(jìn)行基于GA的全局搜索,找到一個(gè)適合問題的近似最優(yōu)解。

本文采用GA獲得BP神經(jīng)網(wǎng)絡(luò)初始化權(quán)值的主要步驟如下:

(1)編碼方案的選擇。

由于電弧故障檢測(cè)的輸入樣本(直流電流信號(hào))的上述各個(gè)特征量都是在一定范圍的實(shí)數(shù),因此選擇實(shí)數(shù)編碼,個(gè)體的編碼長(zhǎng)度就是特征變量的個(gè)數(shù)。

(2)初始化群體。

根據(jù)上述分析選取的特征變量,每一個(gè)實(shí)數(shù)值可以通過隨機(jī)數(shù)獲取。其染色體組成如圖7所示。

圖7 "染色體"組成

(3)適應(yīng)度函數(shù)FIT的選取。

由于需要將GA結(jié)合到神經(jīng)網(wǎng)絡(luò)當(dāng)中,故可以結(jié)合神經(jīng)網(wǎng)絡(luò)的輸出誤差MSE,其數(shù)學(xué)表達(dá)式為式1.及其測(cè)試結(jié)果如圖8和9所示。

圖8 遺傳算法MSE測(cè)試結(jié)果

圖9 遺傳算法FIT函數(shù)測(cè)試結(jié)果

(4)遺傳算子。

交叉算子采用兩點(diǎn)交叉。根據(jù)概率pc隨機(jī)選擇兩個(gè)種群個(gè)體并產(chǎn)生在這兩個(gè)個(gè)體上需要發(fā)生基因交叉點(diǎn)位置的整數(shù),交換兩個(gè)位于兩個(gè)整數(shù)之間的基因位。變異算子采用外變異。根據(jù)概率Pm隨機(jī)選擇一個(gè)種群個(gè)體并產(chǎn)生一個(gè)需要在這個(gè)個(gè)體上發(fā)生基因變異的整數(shù),并根據(jù)式2,對(duì)該基因位發(fā)生一定的變化。

式2為遺傳算法的變異算子數(shù)學(xué)表達(dá)式。Rand()函數(shù)產(chǎn)生一個(gè)隨機(jī)數(shù),表示變異位為向左變異還是向右變異。L,H分別為變異位浮點(diǎn)數(shù)的下界值和上界值,X為變異前的浮點(diǎn)值,X'為發(fā)生變異后的浮點(diǎn)值。

3 建立神經(jīng)網(wǎng)絡(luò)

(1)輸入層與輸出層神經(jīng)元個(gè)數(shù)確定:輸入神經(jīng)元個(gè)數(shù)為4個(gè),分別是小波包分解Node(4,1)-Node(4,4)的平均RMS值。對(duì)于輸出,由于檢測(cè)電弧故障有無,故只需1個(gè)輸出神經(jīng)元來表示"0"或者"1"。

(2)隱藏層神經(jīng)元個(gè)數(shù)確定:一般情況三層BP神經(jīng)網(wǎng)絡(luò)就可以很好的對(duì)任何非線性的問題實(shí)現(xiàn)的映射。對(duì)于隱藏層的神經(jīng)元個(gè)數(shù)確定是一個(gè)復(fù)雜的問題。因?yàn)闆]有理論支持隱藏層神經(jīng)個(gè)元數(shù)的確定,一般只是根據(jù)設(shè)計(jì)者的實(shí)踐經(jīng)驗(yàn)和反復(fù)地選取不同神經(jīng)元個(gè)數(shù)測(cè)試網(wǎng)絡(luò)的性能。故可以通過如下經(jīng)驗(yàn)公式并結(jié)合實(shí)驗(yàn)反復(fù)訓(xùn)練來確定神經(jīng)元個(gè)數(shù)。

2)N2=2N1+1,其中N1表示輸入層神經(jīng)元數(shù),N2為隱藏層神經(jīng)元數(shù)。

實(shí)驗(yàn)α的取值范圍為4,5,6,7,8,9不同值,停止條件是Epoch>=5000或者Gradient<=1.00e-06,實(shí)驗(yàn)結(jié)果如表1:

表1 α取不同值對(duì)網(wǎng)絡(luò)性能影響

實(shí)驗(yàn)的目的是對(duì)于故障電弧的識(shí)別,網(wǎng)絡(luò)的輸出允許有假陰FN(即樣本標(biāo)簽為1,測(cè)試結(jié)果為0),而盡量避免出現(xiàn)假陽FP(即樣本標(biāo)簽為0,測(cè)試結(jié)果為1)。通過實(shí)驗(yàn)可以知道當(dāng)隱藏層取神經(jīng)元數(shù)取9(α=7)時(shí),網(wǎng)絡(luò)預(yù)測(cè)能力最好,網(wǎng)絡(luò)訓(xùn)練結(jié)果是TPR=99.5%, FPR=0.039%。

4 實(shí)驗(yàn)

對(duì)采集的故障信號(hào)進(jìn)行上述降噪和特征提取后,形成14634個(gè)特征量數(shù)據(jù),選取其中的5212個(gè)作為訓(xùn)練樣本,9422個(gè)作為測(cè)試數(shù)據(jù)。將5212個(gè)訓(xùn)練樣本(包括2545個(gè)標(biāo)簽為1的電弧故障樣本和2667個(gè)標(biāo)簽為0的正常情況樣本)輸入到GA_BPNN中進(jìn)行多次訓(xùn)練,訓(xùn)練至網(wǎng)絡(luò)輸出誤差為判別準(zhǔn)確率TPR>99.6%、誤判率FPR<0.04%。其實(shí)驗(yàn)結(jié)果如表2所示。

表2 GA_BPNN測(cè)試結(jié)果統(tǒng)計(jì)表

圖10 網(wǎng)絡(luò)模型的ROC曲線(AUC=0.97)

用9422個(gè)測(cè)試數(shù)據(jù)(包括4239個(gè)標(biāo)簽為1的電弧故障數(shù)據(jù)和5183個(gè)標(biāo)簽為0的正常情況樣數(shù)據(jù))對(duì)訓(xùn)練好的GA_BPNN進(jìn)行直流電弧故障檢測(cè)效果測(cè)試,其統(tǒng)計(jì)結(jié)果如表3所示,直流電弧故障判別準(zhǔn)確率為99.76%,誤判率為0.019%,檢測(cè)效果令人滿意。其網(wǎng)絡(luò)模型的ROC曲線如圖10所示?？梢杂?jì)算得出網(wǎng)絡(luò)模型AUC達(dá)到了0.97.

5 結(jié)束語

通過分析故障電弧信號(hào),并得到了有效的特征量,提出了一種基于遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的故障電弧檢測(cè)方法。通過實(shí)驗(yàn)證明了在對(duì)信號(hào)特征提取有效達(dá)到一定程度時(shí),可緩解網(wǎng)絡(luò)訓(xùn)練的時(shí)間并且使網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果依舊可以維持在一個(gè)較高的準(zhǔn)確度。在以后的工作中可以把重點(diǎn)放在更多有效的網(wǎng)絡(luò)模型上,嘗試不同網(wǎng)絡(luò)模型對(duì)故障電弧檢測(cè)的有效性。

[1]Hamiltion H,Schulz N N。DC protection on the electric ship[J]。 IEEE Transactions on Power Electronics,2006,21(3):633-638.

[2]Momoh J A,Button R。Design and analysis of aerospace DC arcing faults using fast fourier transformation and artificial neural network[J]。 IEEE Power Engineering Society General Meeting,2003,14(5):788-793.

[3]Yum M G,Li W,Zhuo Q W。Wavelet packet analysis applied in detection of low-voltage dc arc fault[J]。IEEE Conference on Industrial Electronics and Applications,2009,16(3):4013-4016.

[4]Seo G S,Ha J I,Lee K C。Series arc fault detection method based on statistical analysis for dc Microgrids[J]。IEEE Applied Power Electronics Conference and Exposition,2016,12(3):487-492.

[5]Yang S K,Kim Y S,Lee J。A study on arc detection using RSSI(Received Signal Strength Indication)[J]。Electrical Machines and Systems,2015,13(3):608-611.

[6]Seo G S,Kim K A。A new DC arc fault detection method using DC system component modeling and analysis in low frequency range[J]。IEEE Applied Power Electronics Conference and Exposition,2015,12(3):238-244.

[7]Gao Y,Zhang J,Lin Y,Sun Y。An innovative photovoltaic DC arc fault detection method through multiple criteria algorithm based on a new arc initiation method[J]。IEEE Photovoltaic Specialist Conference,2014,16(3):388-392.

[8]Schimpf F,Norum L。Recognition of electric arcing in the dc wiring of photovoltaic systems[J]。IEEE International Telecommunications Energy Conference,2009,15(4):311-316.

[9]Wang Z,McConnel S。Arc fault signal detection Fourier transformation and wavelet decomposition techniques using synthesized data[J]。IEEE Photovoltaic Specialist Conference,2014,15(4):339-344.

[10]T Schoepf,M Naidu。Mitigation and analysis of arc faults in automotive dc networks[J]。IEEE Transactions on Components and Packaging Technologies,2013,14(4):411-415.

Research of fault arc detection algorithm based on genetic algorithm and neural network

Huang Jiaping1Ma Qi1Zhu Hongwei2
(1.CAD Research Center,Hangzhou Dianzi University,Hangzhou,310018,China; 2.VLSI Design Research Institute,Zhejiang University,Hangzhou,310027,China)

Because the original signal contains too much interference in the signal analysis,first before the original signal noise,and then use wavelet analysis to analysis the characteristics of the local variation of the good signal to the nonlinear and non-stationary,for arc fault in time and frequency domain decomposition for multiple extraction the relevant features of neural network input,at the same time during the experiment for BP neural network is easy to fall into local optimization and slow training characteristics,use the genetic algorithm to optimize the neural network。The experimental results show that the fault detection method of the DC arc fault detection accuracy and false positive rate is satisfactory。

Wavelet analysis;Arc Fault Detection;Genetic Algorithm;Neural Network

黃佳平(1992-),男,研究生,研究方向:嵌入式軟件開發(fā)。

馬琪(1968-),男,博士,研究員,研究方向:嵌入式系統(tǒng)設(shè)計(jì)。

竺紅衛(wèi)(1966-),男,副教授,研究方向:嵌入式系統(tǒng),EDA。