基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的生命體觸電電流檢測(cè)*

趙啟承， 虞雁凌

(1.國(guó)網(wǎng)浙江省電力有限公司電力科學(xué)研究院，浙江 杭州 310014；2.浙江億安電力電子科技有限公司，浙江 杭州 311300)

0 引 言

隨著社會(huì)的飛速發(fā)展，電力設(shè)備與電力線路的規(guī)模不斷擴(kuò)大，隨之而來(lái)的火災(zāi)與觸電事故也時(shí)常發(fā)生，因此,電力設(shè)備的安全性成為目前電力行業(yè)所聚焦的熱點(diǎn)問(wèn)題之一。目前,剩余電流保護(hù)設(shè)備與漏電電流檢測(cè)技術(shù)已獲得大量突破性進(jìn)展，但仍未能從根本上解決剩余電流保護(hù)設(shè)備正確投運(yùn)率較低問(wèn)題。當(dāng)前絕大多數(shù)的剩余電流保護(hù)器主要是通過(guò)總剩余電流有效值的大小來(lái)判斷觸電事故的發(fā)生，對(duì)于觸電類型缺乏判別能力，當(dāng)剩余電流保護(hù)裝置的電氣環(huán)境受到影響時(shí)可能會(huì)引起誤動(dòng)。此外，在一些特殊的場(chǎng)合下,電網(wǎng)的漏電電流有可能會(huì)使總剩余電流減小，從而造成剩余電流保護(hù)裝置拒動(dòng)。要解決這些問(wèn)題，預(yù)防觸電、漏電事故的發(fā)生，需要從剩余電流和生命體觸電電流兩方面來(lái)開(kāi)發(fā)剩余電流保護(hù)裝置。國(guó)內(nèi)外許多學(xué)者對(duì)生命體觸電檢測(cè)與觸電類型識(shí)別進(jìn)行了大量的研究。文獻(xiàn)[1]利用Mallat算法對(duì)總剩余電流進(jìn)行濾波并構(gòu)造實(shí)時(shí)更新的自適應(yīng)閾值對(duì)觸電波形進(jìn)行檢測(cè)，同時(shí)提取觸電電流特征、時(shí)域特征和波形特征等多個(gè)特征值，并作為反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的輸入，從而獲得觸電分類模型。文獻(xiàn)[2]利用循環(huán)功率譜獲取剩余電流信號(hào)的循環(huán)功率三維圖，并利用K-means聚類對(duì)不同維度的循環(huán)頻譜密度特征進(jìn)行聚類分析，在此基礎(chǔ)上添加偏置修正的歐式距離測(cè)度，一定程度上提升了聚類分析識(shí)別的準(zhǔn)確度，但該模型并未提出如何確定觸電時(shí)刻。文獻(xiàn)[3]應(yīng)用希爾伯特—黃(Hilbert-Huang)變換分析剩余電流的暫態(tài)過(guò)程頻譜特性，并且利用經(jīng)驗(yàn)?zāi)B(tài)分解剩余電流的暫態(tài)信號(hào)獲得模態(tài)函數(shù)，通過(guò)此模態(tài)函數(shù)提出基于剩余電流固有模態(tài)分量的觸電電流檢測(cè)方法。文獻(xiàn)[4]基于混沌系統(tǒng)對(duì)于噪聲的免疫特性，以及對(duì)初始信號(hào)敏感的優(yōu)勢(shì)，根據(jù)混沌狀態(tài)輸出的特征，將輸出作為混沌信號(hào)時(shí)域包絡(luò)線波動(dòng)情況的指標(biāo)，以此判別定量系統(tǒng)的臨界狀態(tài)，并利用矢量分析方法提出觸電電流幅值檢測(cè)方法。

本文先通過(guò)生命體觸電試驗(yàn)獲取具有時(shí)域特征及變化趨勢(shì)的生命體觸電特種波形，利用所獲取的觸電電流數(shù)據(jù)訓(xùn)練出長(zhǎng)短期記憶(long and short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)模型，并利用此LSTM神經(jīng)網(wǎng)絡(luò)對(duì)觸電事故進(jìn)行分類，最后通過(guò)測(cè)試數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行可行性驗(yàn)證。本文研究結(jié)果將為研究與開(kāi)發(fā)新一代針對(duì)于生命體觸電的剩余電流保護(hù)裝置提供參考，對(duì)于用電安全具有重要的現(xiàn)實(shí)意義。

1 算法原理

本文應(yīng)用小波分解對(duì)已獲取的具有時(shí)域特征及變化趨勢(shì)的生命體觸電特種波形進(jìn)行降噪處理，將降噪后的特種波形作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)觸電電流的時(shí)間序列進(jìn)行映射，獲取觸電分類模型。

1.1 生命體觸電特種波形特征

生命體作為一個(gè)復(fù)雜的阻抗網(wǎng)絡(luò)，很難準(zhǔn)確描述發(fā)生觸電時(shí)電流的變化情況，根據(jù)文獻(xiàn)[5～8]和現(xiàn)在主流的觀點(diǎn)，生命體的阻抗主要由皮膚阻抗所構(gòu)成，在觸電發(fā)生的較短時(shí)間內(nèi)電流呈現(xiàn)出一個(gè)遞增周期函數(shù)的趨勢(shì)，因此,將觸電電流波形的前3個(gè)周期的電流波形作為生命體觸電特種波形。經(jīng)過(guò)小波濾波降噪后的生命體觸電特種波形如下圖1所示。

圖1 生命體觸電特種波形

將所有通過(guò)生命體(動(dòng)物)觸電試驗(yàn)獲取的電流波形全部取前3個(gè)周期，并通過(guò)小波濾波降噪，將濾波降噪后的電流作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入。

1.2 基于LSTM神經(jīng)網(wǎng)絡(luò)的觸電識(shí)別模型

循環(huán)神經(jīng)網(wǎng)絡(luò)是以序列作為輸入的遞歸神經(jīng)網(wǎng)絡(luò)，其在處理常規(guī)的序列問(wèn)題上相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有著明顯的優(yōu)勢(shì)[9～12]。但缺點(diǎn)也比較明顯，在遞歸層數(shù)較大時(shí)，容易產(chǎn)生梯度爆炸和消失的問(wèn)題，嚴(yán)重影響訓(xùn)練出的模型準(zhǔn)確性，因而在基于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了LSTM神經(jīng)網(wǎng)絡(luò)[13～16]。作為一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM神經(jīng)網(wǎng)絡(luò)可以自適應(yīng)地捕捉存在長(zhǎng)距離依賴和非線性動(dòng)態(tài)變化的時(shí)間序列數(shù)據(jù)。LSTM神經(jīng)網(wǎng)絡(luò)中增加了控制門(mén)，分別是遺忘門(mén)、輸入門(mén)和輸出門(mén)。遺忘門(mén)主要功能是使得LSTM神經(jīng)網(wǎng)絡(luò)能夠遺忘和刪除部分不相關(guān)信息，這樣就解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期依賴問(wèn)題。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2中xt為t時(shí)刻輸入，ht為t時(shí)刻隱含層輸出，ft為t時(shí)刻遺忘門(mén)，it為t時(shí)刻的輸入門(mén)，ot為t時(shí)刻輸出門(mén)，st為t時(shí)刻細(xì)胞狀態(tài)，ct為記憶單元的輸入狀態(tài)，σ為Sigmoid函數(shù)，tanh為雙曲線正切函數(shù)。

LSTM神經(jīng)網(wǎng)絡(luò)通過(guò)遺忘門(mén)來(lái)確定和刪除神經(jīng)元所不需要的信息，遺忘門(mén)ft的輸出值計(jì)算方法為

ft=σ(Wxfxt+Whfht-1+bf)

(1)

式中Wxf,Whf為遺忘門(mén)權(quán)重系數(shù)，bf為遺忘門(mén)偏移量。

在遺忘門(mén)對(duì)LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元取舍的基礎(chǔ)之上，通過(guò)xti和ht-1與權(quán)重的乘積來(lái)控制輸入門(mén)中神經(jīng)元狀態(tài)it，其計(jì)算公式為

it=σ(Wxixti+Wxiht-1+bi)

(2)

式中Wxi和Whi為輸入門(mén)權(quán)重系數(shù)，bi為輸入門(mén)偏移量。

再利用tanh函數(shù)將神經(jīng)元信息進(jìn)一步更新，進(jìn)而得到記憶單元在時(shí)間t的神經(jīng)元狀態(tài)Ct，其計(jì)算公式如下

(3)

Ct=ftCt-1+itt

(4)

式中Wxc和Whc為細(xì)胞狀態(tài)權(quán)重系數(shù)，bc為細(xì)胞狀態(tài)偏移量。

最終的輸出結(jié)果通過(guò)Sigmoid函數(shù)判斷神經(jīng)元狀態(tài)是否輸出從而得到ot，其計(jì)算公式如下

ot=σ(Wxoxt+Whoht-1+b0)

(5)

式中Wxo和Who為輸出門(mén)的權(quán)重系數(shù)，bo為輸出門(mén)的偏移量。

在t時(shí)刻隱含層輸出的計(jì)算公式為

ht=ottanh(Ct)

(6)

2 試驗(yàn)驗(yàn)證

為了驗(yàn)證本文所提方法的有效性，搭建了生命體觸電試驗(yàn)平臺(tái)，采集試驗(yàn)過(guò)程中的剩余電流波形數(shù)據(jù)，使用Python編寫(xiě)的觸電電流檢測(cè)算法進(jìn)行驗(yàn)證。

2.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

生命體觸電實(shí)驗(yàn)平臺(tái)使用動(dòng)物體作為觸電試驗(yàn)對(duì)象，并且控制部分試驗(yàn)條件如電流、濕度、接觸面積等，來(lái)模擬不同情況下的生命體觸電。

圖3觸電試驗(yàn)平臺(tái)采用三相電源，并加上負(fù)載用于模擬低壓配電系統(tǒng)中的負(fù)載。取C相電路模擬觸電事故，限流電阻用于控制電流大小。示波器用于記錄試驗(yàn)中經(jīng)過(guò)待測(cè)生命體的電壓和電流。

圖3 觸電試驗(yàn)平臺(tái)

實(shí)驗(yàn)共進(jìn)行了數(shù)百次，獲取剩余電流波形數(shù)據(jù)400余組。電流幅值大小為30 mA的剩余電流波形數(shù)據(jù)100組，100,300,500 mA的剩余電流波形數(shù)據(jù)各100組。

圖4為正常情況下的剩余電流波形圖和發(fā)生觸電的剩余電流波形圖。

圖4 正常和觸電情況剩余電流波形

2.2 隱含層層數(shù)與節(jié)點(diǎn)數(shù)的確定

為了能夠較大程度地提升模型性能，對(duì)LSTM隱含層的層數(shù)與節(jié)點(diǎn)數(shù)進(jìn)行網(wǎng)絡(luò)參數(shù)調(diào)優(yōu)。因此，設(shè)置2組限制條件的實(shí)驗(yàn)測(cè)試，第1組實(shí)驗(yàn)為了確定最優(yōu)的隱含層層數(shù)，將每層的節(jié)點(diǎn)數(shù)設(shè)置為固定值64，其他條件均不變，通過(guò)設(shè)置隱含層數(shù)從1到4，觀察MAE值，通過(guò)MAE來(lái)確定最終的隱含層數(shù)。實(shí)驗(yàn)結(jié)果見(jiàn)表1。對(duì)于隱含層節(jié)點(diǎn)數(shù)的確定也采用同樣的方法，將隱含層設(shè)置為固定值，其他條件不變，隱含層節(jié)點(diǎn)數(shù)設(shè)置為8,16,32,64，觀察MAE值，通過(guò)MAE來(lái)確定隱含層節(jié)點(diǎn)數(shù)。實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表1 隱含層層數(shù)MAE

表2 隱含層節(jié)點(diǎn)數(shù)MAE

一般，模型隱含層層數(shù)越大，能獲取信息就越多，訓(xùn)練出的模型準(zhǔn)確度也就越高，但是隨著層數(shù)的不斷增加，過(guò)擬合以及其他問(wèn)題發(fā)生概率也不斷增加。從表1可以看出隱含層數(shù)為1時(shí)，MAE誤差評(píng)價(jià)最小，故確定隱含層數(shù)為1。同樣節(jié)點(diǎn)數(shù)也會(huì)影響訓(xùn)練時(shí)的學(xué)習(xí)效果，從表2可以看出隨著節(jié)點(diǎn)數(shù)的增加MAE不斷下降，但是當(dāng)超過(guò)一定數(shù)值時(shí)就會(huì)使模型的訓(xùn)練效果降低。隱含層節(jié)點(diǎn)數(shù)為32時(shí)MAE最小，因此確定隱含層節(jié)點(diǎn)數(shù)為32。

3 觸電類型識(shí)別仿真

3.1 觸電類型識(shí)別模型訓(xùn)練

將試驗(yàn)獲取的共計(jì)400組生命體觸電剩余電流波形信號(hào)按照3︰1比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集并作為模型的輸入對(duì)模型進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程中將誤差限制設(shè)置為1×10-7。優(yōu)化器選擇Adam，Adam優(yōu)化器可以自適應(yīng)調(diào)節(jié)學(xué)習(xí)率，大大提升訓(xùn)練的速度，同時(shí)提升訓(xùn)練過(guò)程中的穩(wěn)定性。此外，引入Dropout算法，Dropout主要功能是對(duì)模型進(jìn)行正則化，可有效防止過(guò)擬合發(fā)生。在模型訓(xùn)練過(guò)程中，Dropout會(huì)隨機(jī)地屏蔽部分神經(jīng)元，因此，會(huì)形成新的神經(jīng)元結(jié)果并且神經(jīng)元直接互相不依賴，有效解決局部性特征依賴的問(wèn)題，進(jìn)一步提升了神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。Dropout概率設(shè)置為0.3。通過(guò)Python搭建訓(xùn)練模型，對(duì)樣本進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中損失曲線如圖5所示。

圖5 訓(xùn)練誤差

圖5中橫軸為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練輪次，縱軸為訓(xùn)練集損失函數(shù)值?？芍S著訓(xùn)練次數(shù)的增加，損失函數(shù)不斷減小直到收斂，說(shuō)明模型較好地學(xué)習(xí)了所輸入的信號(hào)特征。

3.2 觸電類型識(shí)別結(jié)果分析

利用訓(xùn)練的LSTM網(wǎng)絡(luò)對(duì)100組測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，結(jié)果如表3所示。其中，總均方差為3.323 8×10-6，平均仿真時(shí)間為0.000 034 s，準(zhǔn)確率100 %，滿足實(shí)際需求。

表3 觸電識(shí)別結(jié)果

4 對(duì)比分析

為驗(yàn)證基于LSTM的生命體觸電檢測(cè)方法有效性，分別用CNN和BP神經(jīng)網(wǎng)絡(luò)與本文方法進(jìn)行了對(duì)比。

從表4可看出，本文方法準(zhǔn)確率更高且迭代次數(shù)少，表明本文方法對(duì)于生命體觸電具有更好的表征能力。另外，在平均計(jì)算時(shí)間上也要優(yōu)于CNN和BP神經(jīng)網(wǎng)絡(luò)，平均識(shí)別時(shí)間僅為0.000 034 s。

表4 不同方法檢測(cè)效果對(duì)比

5 結(jié) 論

本文提出了基于LSTM神經(jīng)網(wǎng)絡(luò)的生命體觸電電流檢測(cè)方法，通過(guò)生命體觸電試驗(yàn)平臺(tái)獲取觸電剩余電流信號(hào)進(jìn)行小波分解降噪，再利用總剩余電流所表現(xiàn)出的特種波形電流信號(hào)并結(jié)合其時(shí)域特征和波形特征對(duì)LSTM進(jìn)行訓(xùn)練，構(gòu)建生命體觸電識(shí)別模型,并取得了良好的檢測(cè)效果。與CNN和BP網(wǎng)絡(luò)相比，LSTM在訓(xùn)練次數(shù)以及平均計(jì)算時(shí)間上均有明顯的優(yōu)勢(shì)。