基于改進AlexNet模型的串聯(lián)型電弧故障識別方法

朱 晨，王 堯，謝振華，班云升，傅 炳，田 明

(1. 河北工業(yè)大學(xué) 省部共建電工裝備可靠性與智能化國家重點實驗室，天津 300130；2. 浙江省機電產(chǎn)品質(zhì)量檢測所有限公司，浙江 杭州 310051； 3. 國網(wǎng)冀北電力有限公司 廊坊供電公司，河北 廊坊 065000)

隨著全社會用電量的不斷攀升，電氣線路及用電設(shè)備故障造成的電氣火災(zāi)事故逐年增加[1]。據(jù)統(tǒng)計，低壓配電系統(tǒng)的電氣火災(zāi)約占火災(zāi)事故總數(shù)的30%，位居各類火災(zāi)原因之首[1-2]，其中超過40%的電氣火災(zāi)由電弧故障引起，電弧故障已成為低壓配電系統(tǒng)電氣火災(zāi)事故的主要誘因。根據(jù)故障電流形成原因及流通路徑，電弧故障可以分為串聯(lián)型、并聯(lián)型以及接地型3種，其中接地電弧故障可歸為并聯(lián)型電弧故障[3-5]。

并聯(lián)型電弧故障近似短路狀態(tài)，電弧電流相對較大，其特征明顯且不易受負載特性影響。串聯(lián)型電弧故障不僅受故障支路負載影響，而且還受到與之并聯(lián)的正常支路負載影響，因此，串聯(lián)型電弧故障比并聯(lián)型電弧故障更難識別，是國內(nèi)外學(xué)者關(guān)注的熱點[1-5]。

當(dāng)發(fā)生電弧故障時，電弧支路的電流波形發(fā)生畸變，并伴有高頻分量，同時負載端電壓波形也發(fā)生變化，這是傳統(tǒng)檢測方法的主要依據(jù)。Tisserand等[6]利用線電流的代數(shù)導(dǎo)數(shù)作為電弧故障檢測的特征量。Artale等[7]利用電弧故障電流線性調(diào)頻Z變換(chirp Z-transform, CZT)后的低頻諧波進行電弧故障識別。劉曉明等[8]分析了不同負載條件下電弧電流處于零休期間電流高頻分量的變化規(guī)律，并將其作為判據(jù)進行電弧故障診斷。王堯等[9]利用電弧電流變化率與其有效值的比值以及頻率為6～12 kHz的高頻電流信號進行電弧故障識別，提出一種實用化交流電弧故障快速檢測算法。傳統(tǒng)方法能夠借助快速傅里葉變換(fast Fourier transform，F(xiàn)FT)、離散小波變換(discrete wavelet transform，DWT)等成熟算法進行快速計算，便于微處理器硬件實現(xiàn)，但是，基于電弧電流時頻域特征的傳統(tǒng)檢測方法無法擺脫人為設(shè)置的電弧故障識別閾值的束縛，隨著低壓配電系統(tǒng)非線性負載占比越來越高，在某些工況下電路正常工作電流可能與電弧故障電流時頻域特征相近，容易引起誤判或漏判。

人工智能的發(fā)展為電弧故障診斷技術(shù)研究打開了新的思路，依靠網(wǎng)絡(luò)模型訓(xùn)練能夠自動建立電弧故障識別的邊界條件。馬少華等[10]分析了常用家電和辦公電器正常工作、碳化路徑電弧以及點接觸電弧等不同工況下的電流特征，并進行了相空間重構(gòu)，結(jié)合電弧電流相空間平面圖的信息維數(shù)和零休時間建立支持向量機的識別模型。Yang等[11]采用電弧電流半波信號對應(yīng)的灰度圖像作為模型輸入，提出了一種基于時域可視化卷積神經(jīng)網(wǎng)絡(luò)的電弧故障識別方法。蘇晶晶等[12]提出了一種基于經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)的電弧故障多變量判據(jù)診斷方法，利用EMD提取電弧故障電流時域特征，并用PNN進行電弧故障診斷。郭鳳儀等[13]采用小波變換提取電弧故障電流高頻特征量，并用支持向量機進行故障診斷。Liu等[14]采用DWT提取電流的時頻域特征，并采用徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)進行電弧故障識別。Siegel等[15]提出了一種具有3層隱藏層的全連接型神經(jīng)網(wǎng)絡(luò)，利用電弧電流預(yù)處理結(jié)果作為神經(jīng)網(wǎng)絡(luò)輸入量，所采用的數(shù)據(jù)預(yù)處理方法包括離散傅里葉變換、DWT以及梅爾頻率倒譜變換。Wang等[16]提出了一種基于時間和頻率混合分析和全連接神經(jīng)網(wǎng)絡(luò)(hybrid time and frequency analysis and fully-connected neural network，HTFNN)的電弧檢測算法。這些方法無須人為設(shè)定故障檢測閾值，并具有較高的電弧故障檢測精度，故障識別準(zhǔn)確率一般在95%以上，但是大多需要采用FFT、DWT等時頻域分析方法預(yù)先提取故障特征，在一定程度上仍然受到人為因素的影響。

針對現(xiàn)有人工智能電弧故障檢測方法的不足，本文中直接采用原始電流波形作為模型輸入，提出一種基于改進AlexNet模型的串聯(lián)型電弧故障識別方法。首先，搭建電弧故障試驗平臺，采集并分析典型線性、非線性負載及其組合條件下電弧故障試驗數(shù)據(jù)，建立故障電弧數(shù)據(jù)庫；其次，為了保證電弧故障識別準(zhǔn)確率，對AlexNet模型進行改進，并對網(wǎng)絡(luò)訓(xùn)練策略進行優(yōu)化；最后，分別采用已知負載與未知負載電流信號對所提方法進行試驗驗證。

1 串聯(lián)型電弧故障數(shù)據(jù)庫建立

1.1 串聯(lián)型電弧故障試驗平臺與試驗方案

根據(jù)國家標(biāo)準(zhǔn)GB/T 31143—2014《電弧故障保護電器(AFDD)的一般要求》設(shè)計了串聯(lián)型電弧故障試驗平臺，如圖1所示。

MCU—微控制單元； RS232—串口；S1、S2—開關(guān)。圖1 串聯(lián)型電弧故障試驗平臺

該試驗平臺由220 V/50 Hz交流電源、點接觸式電弧發(fā)生裝置、試驗負載以及試驗電流采集裝置等組成。試驗平臺的試驗線路包括正常負載與電弧負載2條支路，該試驗線路既可以進行單一負載(負載2)電弧試驗，也可以開展正常負載(負載1)與電弧負載(負載2)的并聯(lián)試驗。

圖中試驗電流數(shù)據(jù)采集是通過設(shè)計的電弧數(shù)據(jù)采集(data acquisition，DAQ)板采集電流互感器(current transformer，CT)輸出信號實現(xiàn)，其中DAQ板使用STM32H743單片機，采樣率為100 kHz，分辨率為16位。CT輸出信號首先進入有源低通濾波器，信號帶寬被限制在50 Hz～20 kHz，然后被單片機模擬數(shù)字轉(zhuǎn)換器(analog-to-digital converter, ADC)采集，通過程序?qū)⑿盘枖?shù)據(jù)整合后存儲于安全數(shù)碼(secure digital，SD)卡或通過內(nèi)置的RS-232串口實時傳輸?shù)絺€人計算機(personal computer，PC)上。DAQ板相較示波器而言，采集的電弧數(shù)據(jù)更趨近于實際微控制單元(microcontroller unit, MCU)運行數(shù)據(jù)，有利于提高算法對電弧的識別準(zhǔn)確率。

由于交流電弧故障保護的應(yīng)用場合主要是家庭或辦公場所[17]，因此試驗負載不限于國家標(biāo)準(zhǔn)GB/T 31143—2014中涵蓋的非線性負載，還包括常見家用電器如電磁爐、微波爐等。為了模擬更多的實際工況，本文中采集了組合負載電流數(shù)據(jù)。串聯(lián)型電弧故障試驗負載參數(shù)及分類如表1所示。

表1 串聯(lián)型電弧故障試驗負載參數(shù)及分類

通過電弧試驗平臺分別采集每種負載20組正常和電弧故障狀態(tài)試驗數(shù)據(jù)，共400組單一負載電流數(shù)據(jù)。同時，每種負載組合類型采集10組正常和電弧故障狀態(tài)試驗數(shù)據(jù)，用于測試網(wǎng)絡(luò)對未知負載情況下的電弧識別準(zhǔn)確率。

1.2 串聯(lián)型電弧故障波形數(shù)據(jù)庫

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)需要大量的樣本數(shù)據(jù)，同時為了提高網(wǎng)絡(luò)模型的泛化能力，需要保證樣本數(shù)據(jù)的一致性，因此，需要對采集的數(shù)據(jù)進行預(yù)處理來建立數(shù)據(jù)集，處理過程包括以下3個步驟。

1)數(shù)據(jù)“清洗”。試驗數(shù)據(jù)是由多個試驗室在不同時間點采集，可能會導(dǎo)致電弧試驗數(shù)據(jù)出現(xiàn)異常點。為了消除同類數(shù)據(jù)的不一致性，提高數(shù)據(jù)質(zhì)量，在訓(xùn)練前通過人為干預(yù)對試驗數(shù)據(jù)進行“清洗”，即對試驗數(shù)據(jù)進行人工篩選，刪除數(shù)據(jù)中的異常數(shù)據(jù)點。需要“清洗”的數(shù)據(jù)類型主要包括試驗設(shè)備引起的電弧數(shù)據(jù)周期數(shù)偏少、由采集設(shè)備原因造成采集數(shù)據(jù)的空缺值等。

2)數(shù)據(jù)分割。深度學(xué)習(xí)算法訓(xùn)練和識別過程對數(shù)據(jù)格式有一定要求，最基本的要求是每條輸入數(shù)據(jù)的格式和大小必須保持一致，為此，需要對原始采樣數(shù)據(jù)進行分割，以工頻周期為基本單位將其處理成等長數(shù)據(jù)段。

考慮到電弧故障保護國家標(biāo)準(zhǔn)的要求，采用了有重疊的滑動窗口進行數(shù)據(jù)切割，數(shù)據(jù)窗口長度為4個工頻周期(4×0.02 s)，數(shù)據(jù)窗口3個工頻周期(0.06 s)滑動，即數(shù)據(jù)重疊率為25%，如圖2所示。這種數(shù)據(jù)切割方法可以滿足算法實時性要求，即串聯(lián)型電弧故障最小檢測時間為0.12 s，同時足夠多的數(shù)據(jù)也保證了算法訓(xùn)練與識別穩(wěn)定性和準(zhǔn)確度。

圖2 數(shù)據(jù)分割過程

首先利用MATLAB軟件讀取電流數(shù)據(jù)，然后從數(shù)據(jù)開始位置截取4個周期的數(shù)據(jù)作為一個樣本，之后向后滑動1個周期，再次截取4個周期的數(shù)據(jù)作為下一個樣本。直到滑動到達文件末尾，并舍棄末尾處不足4個周期的數(shù)據(jù)。

3)數(shù)據(jù)標(biāo)注。經(jīng)過數(shù)據(jù)“清洗”、數(shù)據(jù)分割過程后，單一負載電弧故障數(shù)據(jù)和正常狀態(tài)數(shù)據(jù)各有5 000組。此時，數(shù)據(jù)均以后綴為.csv的文件存放于文件夾中。所有的正常狀態(tài)數(shù)據(jù)存放在標(biāo)注為“正?！钡奈募A中，電弧故障狀態(tài)數(shù)據(jù)存放在標(biāo)注為“故障”的文件夾中。

對電弧數(shù)據(jù)進行標(biāo)注主要是為了神經(jīng)網(wǎng)絡(luò)能夠進行下一步訓(xùn)練。利用MATLAB軟件將數(shù)據(jù)整理為數(shù)據(jù)集，數(shù)據(jù)集中的每一行數(shù)據(jù)對應(yīng)一個數(shù)據(jù)樣本，并在制作過程中同時進行數(shù)據(jù)標(biāo)注，以數(shù)據(jù)文件所在文件夾為標(biāo)注依據(jù)，生成一個數(shù)組(有弧數(shù)據(jù)標(biāo)注為1，無弧數(shù)據(jù)標(biāo)注為0)。在神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，同時讀取數(shù)據(jù)集及其標(biāo)簽數(shù)據(jù)。以電阻負載、電磁爐負載為例，數(shù)據(jù)樣本標(biāo)注如圖3所示。

圖3 電阻負載及電磁爐負載標(biāo)簽樣本

經(jīng)過數(shù)據(jù)預(yù)處理過程，電弧故障電流數(shù)據(jù)集保留了原始電流信號的特征，減少了人為提取特征量過程中對經(jīng)驗的依賴性。同時，經(jīng)過數(shù)據(jù)“清洗”過程，減少了噪聲對電弧電流的干擾，有利于提高識別模型的識別準(zhǔn)確率。

2 改進的AlexNet模型

2.1 經(jīng)典網(wǎng)絡(luò)模型結(jié)構(gòu)對比

近年來，隨著人工智能技術(shù)的不斷發(fā)展，在分類問題上人工智能的識別精度越來越高，識別準(zhǔn)確率已經(jīng)達到98%[18]。電弧故障的分類屬于簡單的二分類問題，因此可以采用人工智能的方法對此問題進行研究。本文中研究對比了不同網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)缺點，如表2所示。

OverFeat模型與AlexNet模型結(jié)構(gòu)相似，但增加了卷積核的個數(shù)，計算成本增加1.9倍。VGG-16模型共有16層，包括13個卷積層和3個全連接層。VGG-19模型與VGG-16模型相比，識別錯誤率降低0.1%，但計算成本增加1.27倍。GoogleNet模型共有22層，包括3個卷積層、9個疊加的Inception模塊和1個全連接層。GoogleNet后續(xù)出現(xiàn)了更多的改良網(wǎng)絡(luò)模型，如Inception-v3、Inception-v4等。Inception-v3模型共有42層，識別錯誤率比GoogleNet模型的低3%，但計算量增加2.5倍。Inception-v4模型的結(jié)構(gòu)更為復(fù)雜，識別錯誤率降低0.4%。ResNet模型的一系列網(wǎng)絡(luò)都包括殘差模塊，因此又稱為殘差網(wǎng)絡(luò)。ResNet-50模型的網(wǎng)絡(luò)層次較多，累加次數(shù)達到了109數(shù)量級，而ResNet模型共有152層，與ResNet-50模型相比，識別錯誤率降低1%，但是權(quán)重參數(shù)個數(shù)增加2.5倍，累加次數(shù)增加2.9倍。

表2 主流卷積神經(jīng)網(wǎng)絡(luò)模型計算參數(shù)

通過對主流卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)模型計算參數(shù)分析可知，雖然龐大而復(fù)雜的多層CNN結(jié)構(gòu)具有較強的學(xué)習(xí)能力和圖像識別能力；但是網(wǎng)絡(luò)層次較多，參數(shù)個數(shù)顯著增加，訓(xùn)練時所需要的樣本量巨大，不僅浪費計算成本，還會因?qū)訑?shù)過多而過度地學(xué)習(xí)特征，強化噪聲特征，出現(xiàn)過擬合現(xiàn)象，對故障識別結(jié)果準(zhǔn)確性產(chǎn)生影響，因此，多層次CNN(如GoogleNet、VGG、ResNet等)網(wǎng)絡(luò)模型的優(yōu)勢在電弧故障診斷領(lǐng)域反而成為了劣勢。相較其他的多層次網(wǎng)絡(luò)，AlexNet模型較適合用于電弧故障診斷。典型CNN模型的優(yōu)缺點對比如表3所示。

表3 典型卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)缺點對比

2.2 AlexNet模型優(yōu)化

AlexNet模型包括5個卷積層及3個全連接層，網(wǎng)絡(luò)輸入為二維數(shù)組，輸出是分類的結(jié)果。AlexNet模型結(jié)構(gòu)如圖4所示。

圖4 AlexNet模型結(jié)構(gòu)

AlexNet模型的第1個卷積層包含96個尺寸(行數(shù)×列數(shù))為11×11的卷積核，第2個卷積層包含256個尺寸(行數(shù)×列數(shù))為5×5的卷積核，第3、4個卷積層分別包括384個尺寸(行數(shù)×列數(shù))為3×3的內(nèi)核，第5個卷積層具有256個尺寸為3×3的內(nèi)核，網(wǎng)絡(luò)的識別結(jié)果通過最后一個全連接層輸出。

雖然經(jīng)典AlexNet模型的網(wǎng)絡(luò)結(jié)構(gòu)簡單，但具有2個較大的卷積核，模型參數(shù)數(shù)量大。相關(guān)研究表明，采用多個小尺寸卷積核堆疊代替大卷積核進行特征提取，在不影響數(shù)據(jù)特征表達基礎(chǔ)上能夠減少網(wǎng)絡(luò)參數(shù)，加快網(wǎng)絡(luò)收斂速度，從而縮短訓(xùn)練時間，在連通性不變的情況下，效果顯著[19-21]。同時，GoogleNet模型中所使用的Inception模塊結(jié)構(gòu)，也可以通過小卷積核疊加替代大卷積核來提高分類精度，因此，為了減少模型參數(shù)，增強模型的非線性表達能力，提升識別精確度，本文中借鑒Inception系列模型思想，使用小卷積核代替大卷積核，對經(jīng)典AlexNet模型架構(gòu)進行優(yōu)化。

經(jīng)典AlexNet模型有2個大卷積核，其中1個是尺寸為11×11的卷積核，用來提取圖像底層紋理等通用特征，與電弧故障電流特征關(guān)聯(lián)度不大，因此保留其參數(shù)與結(jié)構(gòu)。從卷積原理分析，使用尺寸為3×3的卷積核連續(xù)卷積2次可以達到1個尺寸為5×5的卷積核卷積1次提取特征的能力，即這2種卷積過程得到的結(jié)果都反映了原始圖像中相同像素時的特征。卷積核替代過程如圖5所示。

在卷積核移動步長為1的前提下，以n(n∈)表示堆疊的卷積核數(shù)目，卷積核堆疊后待訓(xùn)練參數(shù)個數(shù)為3×3×n，對應(yīng)的單個卷積核參數(shù)可表示為(2n+1)2，則卷積核替代前后訓(xùn)練權(quán)值比r可表示為

(1)

圖5 小尺寸卷積核代替大尺寸卷積核示意圖

由式(1)可知，1個尺寸為5×5的卷積核具有25個待訓(xùn)練權(quán)值，而使用2個步長為1的尺寸為3×3的卷積核，權(quán)值個數(shù)降到18，節(jié)省了28%的計算成本。由于連續(xù)2次卷積過程均需要線性整流函數(shù)(rectified linear unit，ReLU)的激活，得到了比卷積核替代前更多的非線性特征表達，有利于更全面、精準(zhǔn)地提取電弧電流特征，提高電弧故障識別準(zhǔn)確率，因此將AlexNet模型中第2個卷積層中尺寸為5×5的卷積核用2個尺寸為3×3的卷積核替代。

通過上述分析，基于改進AlexNet模型的串聯(lián)型電弧故障檢測模型由6個卷積層、3個池化層和3個全連接層組成，電弧故障模型的輸入為電弧故障數(shù)據(jù)集，輸出為線路狀態(tài)，即“正常”或“故障”?；诟倪MAleNet模型的串聯(lián)型電弧故障識別模型結(jié)構(gòu)如圖6所示。

3 基于改進AlexNet模型的串聯(lián)型電弧故障識別方法

3.1 改進AlexNet模型的參數(shù)配置

對改進AlexNet模型進行參數(shù)配置。激活函數(shù)選用ReLU函數(shù)，使用dropout正則化，dropout率設(shè)置為0.5。權(quán)值更新優(yōu)化算法為隨機梯度下降(stochastic gradient descent，SGD)算法，初始學(xué)習(xí)率為0.01，若驗證集的準(zhǔn)確率隨著迭代次數(shù)的增加不再變化，學(xué)習(xí)率降為之前數(shù)值的1/10，則損失函數(shù)為交叉熵損失函數(shù)。

圖6 基于改進AleNet模型的串聯(lián)型電弧故障識別模型結(jié)構(gòu)

根據(jù)上述參數(shù)，對網(wǎng)絡(luò)進行訓(xùn)練時，需要考慮批次尺寸(batch size)、學(xué)習(xí)率以及數(shù)據(jù)集的分割比例等參數(shù)的影響。批次尺寸是每一次梯度尋優(yōu)使用的隨機樣本量大小，關(guān)系到網(wǎng)絡(luò)的訓(xùn)練時間和識別準(zhǔn)確率，本文中擬選取20、40、60、80、100、120、140組7種批次尺寸的數(shù)據(jù)進行訓(xùn)練時間和識別準(zhǔn)確率的分析。學(xué)習(xí)率的大小決定網(wǎng)絡(luò)參數(shù)的更新幅度，網(wǎng)絡(luò)訓(xùn)練初始階段，較大的學(xué)習(xí)率有助于網(wǎng)絡(luò)快速收斂。隨著迭代次數(shù)的增加，網(wǎng)絡(luò)趨近于最優(yōu)點，可通過適當(dāng)減小學(xué)習(xí)率來降低參數(shù)更新幅度，使網(wǎng)絡(luò)收斂于最優(yōu)點。數(shù)據(jù)集的分割比例也會影響網(wǎng)絡(luò)的識別精度和泛化能力。對于批次尺寸、學(xué)習(xí)率和數(shù)據(jù)集的分割比例都需通過試驗來獲取最優(yōu)值。

3.2 基于改進AlexNet模型的串聯(lián)型電弧故障識別流程

基于改進AlexNet模型的串聯(lián)型電弧故障識別流程如圖7所示。

圖7 基于改進AlexNet模型的串聯(lián)型電弧故障識別流程

電弧故障識別流程具體步驟如下：1)將采集到的電流信號進行數(shù)據(jù)預(yù)處理，得到電弧故障數(shù)據(jù)集。將數(shù)據(jù)按照一定比例分為3組，分別作為訓(xùn)練集、驗證集和測試集。2)網(wǎng)絡(luò)參數(shù)初始化，網(wǎng)絡(luò)模型隨機從訓(xùn)練集中提取一個樣本，從前向后依次計算得到輸出，通過反向傳播誤差，調(diào)整網(wǎng)絡(luò)參數(shù)并更新網(wǎng)絡(luò)模型。然后輸入下一個樣本，直至誤差達到最小，則輸出電弧故障識別模型。3)將測試集輸入電弧故障識別網(wǎng)絡(luò)模型得到識別準(zhǔn)確率，即可以對模型識別結(jié)果進行評估。

4 試驗驗證

為了驗證基于改進AlexNet模型的串聯(lián)型電弧故障識別方法的性能，在計算機隨機存儲器內(nèi)存為32 GB，配置了NVIDIA GeForce GTX 2070顯卡的情況下，分別訓(xùn)練優(yōu)化前、后的AlexNet模型并將電弧故障識別結(jié)果進行對比分析。

4.1 已知負載電弧故障識別結(jié)果分析

分別選取20、40、60、80、100、120、140組樣本7種批次尺寸的數(shù)據(jù)，分析數(shù)據(jù)批次尺寸與訓(xùn)練時間及識別準(zhǔn)確率的關(guān)系，結(jié)果如圖8所示。由圖可以看出，當(dāng)批次尺寸增加時，電弧故障識別準(zhǔn)確率呈現(xiàn)先上升后下降的趨勢，訓(xùn)練時間呈現(xiàn)快速變短到緩慢變短的趨勢。批次尺寸為100組樣本時，識別準(zhǔn)確率最高，訓(xùn)練時間約為1.7 h，與批次尺寸為120組樣本時相比，雖然訓(xùn)練時間增加0.1 h左右，但準(zhǔn)確率提高約3%。批次尺寸從120組樣本增大到140組樣本時，電弧故障識別準(zhǔn)確率明顯下降。由于在訓(xùn)練時間波動范圍較小時，要保證模型識別準(zhǔn)確率，因此綜合時間成本和電弧故障識別準(zhǔn)確率考慮，識別模型采用的批次尺寸為100組樣本。

(a)訓(xùn)練時間

(b)識別準(zhǔn)確率圖8 數(shù)據(jù)批次尺寸與訓(xùn)練時間及識別準(zhǔn)確率的關(guān)系

將樣本個數(shù)為10 000的數(shù)據(jù)集按不同比例分為訓(xùn)練集、驗證集與測試集，并對其進行驗證，結(jié)果如圖9所示。由圖可以看出，不同數(shù)據(jù)集的電弧故障識別準(zhǔn)確率不同。隨著數(shù)據(jù)集中訓(xùn)練集所占比例的增加，測試集和驗證集的識別準(zhǔn)確率曲線均呈現(xiàn)上升趨勢。以同一組數(shù)據(jù)集為研究對象，基于改進AlexNet模型的串聯(lián)型電弧故障識別方法的準(zhǔn)確率較改進前有所提升。其中，訓(xùn)練集數(shù)據(jù)個數(shù)與驗證集數(shù)據(jù)個數(shù)之比為75∶15的數(shù)據(jù)集識別準(zhǔn)確率最高。改進前的AlexNet穩(wěn)定時的驗證集識別準(zhǔn)確率為92.08%，改進后的AlexNet穩(wěn)定時驗證集識別準(zhǔn)確率為99.89%，收斂速度較改進前明顯提升。改進AlexNet模型在不同數(shù)據(jù)集時電弧故障識別準(zhǔn)確率如表4所示。

改進AlexNet模型在訓(xùn)練過程中學(xué)習(xí)率共有3次更新，如圖10所示。由圖可知，在迭代次數(shù)為47時學(xué)習(xí)率下降為0.001，在第71次迭代時學(xué)習(xí)率更新為0.000 1，此后到迭代次數(shù)為100時學(xué)習(xí)率保持不變。

(a)驗證集

(b)測試集圖9 AlexNet模型與改進AlexNet模型的 電弧故障識別準(zhǔn)確率

表4 改進AlexNet模型在不同數(shù)據(jù)集時電弧故障識別準(zhǔn)確率

圖10 改進AlexNet模型的學(xué)習(xí)率更新曲線

4.2 未知負載電弧故障識別結(jié)果分析

在實際應(yīng)用中，負載組合情況復(fù)雜，試驗采集所有工況下的電流信號數(shù)據(jù)工作量巨大且不易實現(xiàn)，參與訓(xùn)練的數(shù)據(jù)集通常是有限的；但是，電弧故障識別模型應(yīng)具有一定的泛化能力，能夠準(zhǔn)確識別未參與模型訓(xùn)練的電弧故障電流信號，因此應(yīng)驗證電弧故障識別模型對未知負載電弧故障的識別準(zhǔn)確率。為了直觀地觀察統(tǒng)計模型對電弧故障的誤識別、漏識別情況，采用組合負載試驗數(shù)據(jù)作為未知負載測試集，對模型輸出結(jié)果進行統(tǒng)計，將不同負載、不同狀態(tài)電流數(shù)據(jù)編號，如表5所示。其中編號1、7分別屬于同一負載條件下的正常狀態(tài)和電弧故障狀態(tài)數(shù)據(jù)，負載后標(biāo)記“電弧”為電弧發(fā)生的支路，其他數(shù)據(jù)同表中編號形式以此類推。

表5 未知負載測試集編號

基于改進AlexNet的串聯(lián)型電弧故障識別方法對未知負載測試集的識別準(zhǔn)確率如表6所示。由表中數(shù)據(jù)可以看出，該方法的識別準(zhǔn)確率均在97.5%以上。雖然存在著一定的誤識別和漏識別情況，但

表6 未知負載測試集識別準(zhǔn)確率對比

從整體的識別結(jié)果來看，在不需要人為設(shè)置識別閾值的情況下，該方法能夠從已知負載電流數(shù)據(jù)中提取具有類別區(qū)分性的特征，對未知負載電弧故障具有較高的識別準(zhǔn)確率，能夠?qū)崿F(xiàn)非線性負載條件下電弧故障隨機特性主動辨識。

5 結(jié)語

針對現(xiàn)有人工智能電弧故障檢測方法依賴人為數(shù)據(jù)預(yù)處理的不足，直接采用原始電流波形作為模型輸入，提出了一種基于改進AlexNet模型的串聯(lián)型電弧故識別方法。搭建電弧故障試驗平臺，采集并分析典型線性、非線性負載及其組合條件下電弧故障試驗數(shù)據(jù)，通過數(shù)據(jù)“清洗”、數(shù)據(jù)分割，采用二維數(shù)據(jù)圖像形式建立了帶有正常與故障標(biāo)簽的電弧波形數(shù)據(jù)庫。借鑒Inception網(wǎng)絡(luò)結(jié)構(gòu)特點對AlexNet模型結(jié)構(gòu)進行改進，采用尺寸為3×3的卷積核堆疊代替AlexNet模型中的尺寸為5×5的卷積核，在識別準(zhǔn)確率基本不變的情況下減少了28%的網(wǎng)絡(luò)參數(shù)。同時，采用SGD法優(yōu)化權(quán)值更新過程，減少了網(wǎng)絡(luò)訓(xùn)練時間，并利用學(xué)習(xí)率自適應(yīng)調(diào)整訓(xùn)練策略加快了模型收斂速度。利用已知負載與未知負載電流信號對所提方法進行試驗驗證。結(jié)果表明，無論對于已知負載還是未知負載，該方法的識別準(zhǔn)確率均在97.5%以上，并且不依賴于人為提取的電弧故障特征，解決了非線性負載條件下電弧故障特征量提取困難的問題，能夠?qū)崿F(xiàn)電弧故障準(zhǔn)確識別。