VGGNet檢測礦井供電漏電應(yīng)用研究

李同同，滿正行，趙少芳，金洪德

(1.西北民族大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，甘肅 蘭州 730030；2.西北民族大學(xué) 動(dòng)態(tài)流數(shù)據(jù)計(jì)算與應(yīng)用實(shí)驗(yàn)室，甘肅 蘭州 730030；3.黑龍江科技大學(xué) 電氣與控制工程學(xué)院，黑龍江 哈爾濱 150022)

0 引言

礦井下供電系統(tǒng)一般選用中性點(diǎn)不直接接地，這種供電方式通常來說其零序阻抗比較大，因而當(dāng)系統(tǒng)出現(xiàn)漏電故障時(shí)，故障電流比較小，也稱為小電流接地方式.我國的低壓礦井下供電方式，絕大部分選用中性點(diǎn)不接地，即中性點(diǎn)絕緣[1-3]，這種供電方式會(huì)發(fā)生單相、兩相及三相接地故障，使系統(tǒng)對(duì)地絕緣電阻值降低到閥值.由于礦井生產(chǎn)環(huán)境條件差，這些故障會(huì)引發(fā)礦井嚴(yán)重安全事故，引起瓦斯或者粉塵爆炸，漏電電流導(dǎo)致電氣雷管爆炸，造成人身傷害、燒毀生產(chǎn)設(shè)備等嚴(yán)重事故，由此可見漏電電流的危害性[4]，而及時(shí)發(fā)現(xiàn)漏電支路，可以保證礦井安全生產(chǎn)作業(yè)[5-6].在我國大多數(shù)煤炭礦井的電網(wǎng)中，多數(shù)變壓器采用中性不接地方式運(yùn)行[7].近年來，面向礦井漏電檢測保護(hù)措施有開關(guān)系統(tǒng)[8-9]、選線方法[10]等措施對(duì)漏電進(jìn)行檢測與保護(hù).傳統(tǒng)檢測漏電需要人工定時(shí)，耗時(shí)耗力且效率底下，而如何利用人工智能技術(shù)自動(dòng)檢測并判斷礦井漏電故障已成為礦井安全保護(hù)的重點(diǎn)問題.

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)在圖像分類、圖像分割和目標(biāo)檢測等任務(wù)中展現(xiàn)出良好的智能性與競爭力.卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的典型代表，在計(jì)算機(jī)視覺領(lǐng)域展示了其優(yōu)良性能[11].

本文基于MATLAB對(duì)漏電數(shù)據(jù)特征進(jìn)行仿真，并將其轉(zhuǎn)為波形圖像數(shù)據(jù).借助深度學(xué)習(xí)方法對(duì)漏電故障波形圖進(jìn)行識(shí)別分類.本文基于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型VGG-Net研究并構(gòu)建不同層數(shù)的VGG-Net分類器進(jìn)行波形圖分類,仿真得到漏電故障波形圖，這種波形圖在漏電檢測中具有較高的準(zhǔn)確率與穩(wěn)定性.

1 研究基礎(chǔ)

1.1 附加直流理論

當(dāng)供電系統(tǒng)發(fā)生漏電故障時(shí)，其特征表現(xiàn)為絕緣電阻顯著下降.當(dāng)系統(tǒng)發(fā)生單相漏電時(shí)，系統(tǒng)就相當(dāng)于并聯(lián)了一個(gè)阻值不大的電阻，如圖1所示，將整個(gè)電網(wǎng)的絕緣電阻值降到一個(gè)較低的數(shù)值.此網(wǎng)絡(luò)附加的直流電路線路為：附加直流源的正極端子到地，流經(jīng)漏電電阻回到母線，再經(jīng)零序電抗器、三相電抗器、直流繼電器到達(dá)負(fù)極端子.當(dāng)電網(wǎng)出現(xiàn)單相漏電時(shí)，系統(tǒng)在附加直流的作用下漏電電阻值變得極小，其結(jié)果造成直流電流較大增加，通過比較直流電大小就能夠判斷出電網(wǎng)絕緣電阻值是否發(fā)生變動(dòng)，進(jìn)而判定電網(wǎng)是否存在漏電故障.這種選漏方法保護(hù)范圍比較廣，并且對(duì)整個(gè)供電單元能夠起到電容電流補(bǔ)償效果，但它的保護(hù)并不具有選擇性，保護(hù)裝置起動(dòng)時(shí)間比較久.

圖1 附加直流源漏電保護(hù)原理圖

1.2 附加直流源系統(tǒng)單相漏電分析

1.2.1 附加直流系統(tǒng)電路圖

礦井下供電系統(tǒng)一般為全電纜電路，在現(xiàn)實(shí)礦井供電網(wǎng)絡(luò)中要綜合考慮線路電阻、電感，對(duì)地絕緣電阻以及對(duì)地電容.若線路較短，可以忽略線路電阻和電感，只需考慮對(duì)地絕緣電阻與對(duì)地電容.因此在本文礦井供電系統(tǒng)發(fā)生單相漏電模型中，搭建三線礦井供電系統(tǒng)模型L1、L2與L3，并設(shè)置第一條支路發(fā)生單相漏電，其余為正常支路.圖2中US為附加的直流電壓源，LK為零序電抗器，SK為三相電抗器，Ra為限流電阻，Cn為隔直電容，C和R各自為電網(wǎng)對(duì)地電容值與對(duì)地電阻值.為使附加直流礦井系統(tǒng)更容易分析，令電網(wǎng)中各相對(duì)地電容與對(duì)地電阻值各自相等，即各相對(duì)電容滿足Ca1=Cb1=Cc1=C1、Ca2=Cb2=Cc2=C2、Ca3=Cb3=Cc3=C3；各相對(duì)電阻滿足Rr1=Rr1=Rr1=R1、Rr2=Rr2=Rr2=R2、Rr3=Rr3=Rr3=R3.

由圖2可知，附加直流源系統(tǒng)運(yùn)行時(shí)，由于系統(tǒng)附加了直流源，導(dǎo)致直流在電網(wǎng)中始終存在.當(dāng)系統(tǒng)發(fā)生單相接地故障時(shí)，不論是穩(wěn)態(tài)還是暫態(tài)過程，附加直流系統(tǒng)所提供的直流電流都不能流過電容Cn與對(duì)地電容Ck.同時(shí)，電網(wǎng)發(fā)出的直流對(duì)于正常支路來說只能通過附加直流源的正極端子流向各個(gè)支路的對(duì)地電阻，再流回系統(tǒng)母線.而對(duì)于出現(xiàn)故障支路的直流電流部分直接由接地電阻流回系統(tǒng)母線，附加直流源發(fā)出的直流電流部分集合在母線，再經(jīng)母線流向零序電抗器三與相電抗器，最終流回附加直流源系統(tǒng)的負(fù)極端子.

1.2.2 交流系統(tǒng)單相接故障電流

本文采用瞬時(shí)對(duì)稱分量法對(duì)暫態(tài)附加直流系統(tǒng)單相故障進(jìn)行探討[8]，在交流作用下對(duì)圖2建立瞬時(shí)暫態(tài)時(shí)序網(wǎng)絡(luò)模型.圖中隔直電容Cm只起到隔離直流的作用.為更加符合實(shí)際礦井系統(tǒng)模型，設(shè)其值要遠(yuǎn)遠(yuǎn)高于對(duì)地電容(在本電網(wǎng)模型可以忽略不計(jì))，模型簡化如圖3.

圖2 附加直流供電系統(tǒng)圖

圖3 交流系統(tǒng)下零序網(wǎng)絡(luò)

1.2.3 正常支路零序電流

由圖3可知，在交流系統(tǒng)作用下正常支路絕緣電阻和對(duì)地電容的零序電流最終流入大地，也就是正常的對(duì)地零序電流，表達(dá)式如公式(1)：

(1)

其中，iopg為正常支路p交流作用下的零序電流值，U10為零序電壓，Rp和Cp分別為正常支路下第p條支路的絕緣電阻與對(duì)地電容值.

穩(wěn)態(tài)值為：

(2)

根據(jù)式(1)可推出暫態(tài)分量iopt為：

(3)

正常支路在交流作用下零序電流為：

(4)

1.2.4 故障支路零序電流

故障支路在交流作用下的零序電流可分為兩個(gè)部分：一部分為正常支路交流機(jī)理下的零序電流，另一部分為流經(jīng)零序電抗器交流下的零序電流iL0，其值為：

(5)

因此在交流作用下故障支路零序電流為：

(6)

2 附加直流漏電系統(tǒng)仿真

本文針對(duì)380V附加直流源的礦井低壓供電系統(tǒng)發(fā)生單相接地故障進(jìn)行仿真，搭建3回出線的附加直流礦井供電模型，通過設(shè)置是否單相接地，仿真出故障與正常波形(圖4).

圖4 附加直流礦井漏電仿真模型

其中，圖4右上角“Powergui”模塊可以顯示系統(tǒng)穩(wěn)定狀態(tài)的電流、電壓及電路(電感電流和電容電壓)所有的狀態(tài)變量值，可為研究人員提供電能圖形界面.

仿真設(shè)置支路L1發(fā)生單相接地故障，故障初相角為0°，接地電阻設(shè)置為500 Ω，發(fā)生單相漏電時(shí)，三相不平衡產(chǎn)生了零序電壓.如果系統(tǒng)中構(gòu)造回路，會(huì)導(dǎo)致零序電流在系統(tǒng)中產(chǎn)生.在發(fā)生單相漏電后，可產(chǎn)生明顯的暫態(tài)過程，此過程含有豐富的高頻信號(hào)，可以看出漏電支路上暫態(tài)零序電流的幅值大小高于正常支路.圖5為仿真得到的系統(tǒng)單相接地故障與正常波形數(shù)據(jù).

圖5 系統(tǒng)單相接地故障(a)與正常波形(b)

3 基于VGGNet的分類實(shí)驗(yàn)及結(jié)果

深度學(xué)習(xí)作為人工智能領(lǐng)域的一個(gè)重要分支，在計(jì)算機(jī)視覺、目標(biāo)檢測等任務(wù)中發(fā)揮著重要的作用.卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的重要方法，在圖像分類、圖像分割等任務(wù)中表現(xiàn)出強(qiáng)大的競爭力.針對(duì)傳統(tǒng)人工檢測接地故障方法耗時(shí)長、效率低等問題，為進(jìn)一步提高面向單相接地故障波形圖與正常波形圖的識(shí)別精度，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的單相接地故障與正常波形圖的分類識(shí)別.

3.1 數(shù)據(jù)集擴(kuò)展

為了提升模型的泛化能力，本文提出面向單相接地故障與正常波形圖的數(shù)據(jù)集擴(kuò)展.考慮到數(shù)據(jù)集為仿真得到的波形圖，且單相接地波形圖中漏電支路上暫態(tài)零序電流的幅值大小高于正常支路，由此可知，在波形圖中存在著重要的數(shù)據(jù)特征，無法直接基于傳統(tǒng)的數(shù)據(jù)增強(qiáng)方式進(jìn)行數(shù)據(jù)擴(kuò)展.針對(duì)波形圖特征，本文在保存其特征的情況下提出隨機(jī)數(shù)據(jù)平移和隨機(jī)數(shù)據(jù)鏡像等數(shù)據(jù)集擴(kuò)展方式.

隨機(jī)數(shù)據(jù)平移：數(shù)據(jù)平移是像素級(jí)上進(jìn)行數(shù)據(jù)擴(kuò)展.在波形圖中將圖像進(jìn)行隨機(jī)上下、左右α的平移.本文α取值范圍為(5,30)，此操作不僅保留了數(shù)據(jù)特征，還有效地對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)展.設(shè)定任意空間坐標(biāo)(x0,y0)先沿X軸平移tx，再沿Y軸平移ty，最終得到坐標(biāo)(x1,y1)=(x+tx,y+ty).平移矩陣公式為(9).

(7)

其中xo,yo為初始圖片像素值，x1,y1為進(jìn)行平移操作后的像素值.

隨機(jī)數(shù)據(jù)鏡像：考慮到波形圖的對(duì)稱性，本文提出面向波形圖數(shù)據(jù)的鏡像擴(kuò)展.將波形數(shù)據(jù)進(jìn)行隨機(jī)上下、左右鏡像，從而達(dá)到像素級(jí)的數(shù)據(jù)增強(qiáng)操作.公式(10)給出鏡像過程.

(8)

其中w為原圖像的寬度，xi、yi為原始圖片像素值，xo、yo為鏡像之后的像素?cái)?shù)值.圖6為數(shù)據(jù)擴(kuò)展效果圖.

a.故障波形原圖;b.左右平移擴(kuò)展;c.水平鏡像擴(kuò)展

將仿真得到的數(shù)據(jù)集作為原始數(shù)據(jù)集Dataset1，并進(jìn)行擴(kuò)展得到擴(kuò)展數(shù)據(jù)集Dataset2.本文將單相接地故障波形視為Positive類，將正常波形視為Negative類，實(shí)驗(yàn)數(shù)據(jù)概況如表1所示.

表1 本文實(shí)驗(yàn)數(shù)據(jù)概況

3.2 基于VGG-Net的分類器

自首個(gè)CNNs(Convolutional Neural Networks,CNNs)模型LeNet[13]成功應(yīng)用于手寫體數(shù)字識(shí)別以來，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域發(fā)揮著重要作用，CNNs依靠其卷積、池化層組合進(jìn)行高緯度特征提取，在圖像分類領(lǐng)域展現(xiàn)出巨大的優(yōu)勢.VGG-Net[14]由牛津大學(xué)計(jì)算機(jī)視覺組和谷歌旗下DeepMind團(tuán)隊(duì)共同研發(fā)提出.近幾年，隨著硬件設(shè)備的飛速發(fā)展，VGG-Net及其變種在各種圖像分類任務(wù)中表現(xiàn)出強(qiáng)大競爭力.因其深度不同，通常有VGG11-Net、VGG13-Net、VGG16-Net等不同模型.本文數(shù)據(jù)量較小，為避免因模型層數(shù)加深導(dǎo)致模型性能退化，精確度降低.在參考傳統(tǒng)的VGG-Net模型基礎(chǔ)上，本文定義構(gòu)建淺層的VGG-Net模型VGG4-Net、VGG7-Net用于單相接地故障與正常波形圖分類判別.

3.2.1 VGG4-Net模型

VGG4-Net由2層3×3的卷積層、1層2×2的最大池化層和2層全連接層構(gòu)成.其中不同層卷積核個(gè)數(shù)為64、128.模型輸入數(shù)據(jù)為1024×512的3通道圖像，經(jīng)過2層3×3的卷積層實(shí)現(xiàn)不同層的提取特征．再通過最大池化層實(shí)現(xiàn)下采樣，降低數(shù)據(jù)維數(shù)，最后由全連接層進(jìn)行分類識(shí)別，模型結(jié)構(gòu)見表2.

3.2.2 VGG7-Net模型

與VGG4-Net模型結(jié)構(gòu)類似，VGG7-Net模型包含4層3×3的卷積層、2層2×2的最大池化層和3層全連接層.不同層卷積核個(gè)數(shù)分別為64、64、128和128.在2層卷積層以后進(jìn)行最大池化，再經(jīng)過2層卷積層進(jìn)一步提取特征，并由一層最大池化層進(jìn)行下采樣，通過全連接層進(jìn)行特征識(shí)別，進(jìn)行單相接地故障與正常波形圖的分類判別，具體模型結(jié)構(gòu)見表2.

3.2.3 VGG11-Net，VGG16-Net模型

VGG11-Net，VGG16-Net是經(jīng)典模型[14].VGG11-Net包含8層卷積層，3層全連接層；VGG16-Net包含13卷積層，3層全連接層.在本實(shí)驗(yàn)中，實(shí)驗(yàn)數(shù)據(jù)尺寸為1024×512的3通道圖像，由卷積層、池化層的組合進(jìn)行特征提取及降維，最后由全連接層進(jìn)行特征識(shí)別并進(jìn)行特征分類，具體模型結(jié)構(gòu)見表2.

表2 VGGNet模型結(jié)構(gòu)

3.3 實(shí)驗(yàn)結(jié)果及評(píng)價(jià)

實(shí)驗(yàn)主要面向仿真得到的單相接地故障與正常波形圖數(shù)據(jù)集Dataset1及擴(kuò)展數(shù)據(jù)集Dataset2，驗(yàn)證并評(píng)價(jià)本文構(gòu)建的分類器在Dataset2數(shù)據(jù)集中的分類性能.

3.3.1 實(shí)驗(yàn)設(shè)計(jì)

為獲得數(shù)據(jù)的真實(shí)性，本文在實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備階段進(jìn)行仿真并進(jìn)行數(shù)據(jù)標(biāo)記.根據(jù)標(biāo)記結(jié)果，驗(yàn)證分類器擴(kuò)展數(shù)據(jù)集Dataset2的分類性能并進(jìn)行實(shí)驗(yàn)評(píng)估.使用表4的評(píng)判指標(biāo)進(jìn)行實(shí)驗(yàn)評(píng)估.

表3 混淆矩陣

True Positive (TP)：標(biāo)記為單相接地故障類的圖像被模型正確判別為單相接地故障類圖像.

True Negative (TN)：標(biāo)記為正常類圖像塊被模型正確判別為正常類圖像.

False Positive (FP)：標(biāo)記為正常類的圖像塊被模型錯(cuò)誤判別為單相接地故障類圖像.

False Negative (FN)：標(biāo)記為單相接地故障類的圖像塊被模型錯(cuò)誤判別為正常類圖像.

基于上述定義，可得以下性能評(píng)價(jià)指標(biāo)：準(zhǔn)確度Acc、精確度Pre、召回率Rec、F-1Score如下：

(9)

(10)

(11)

(12)

Acc為總樣本中識(shí)別正確的樣本所占的比率；Pre為在識(shí)別出的樣本中TP所占的比率；Rec為測試集中所有正樣本樣例中被正確識(shí)別為正樣本的比例；F-1為此時(shí)視召回率和精確率都很重要，且權(quán)重相同.

本文將實(shí)驗(yàn)數(shù)據(jù)集隨機(jī)選取作為訓(xùn)練集和測試集，且訓(xùn)練集和測試集的比例為7︰3.為了保證實(shí)驗(yàn)的穩(wěn)定性與可信性，將實(shí)驗(yàn)進(jìn)行10次，把10次結(jié)果的均值作為本次實(shí)驗(yàn)的最終結(jié)果.

實(shí)驗(yàn)環(huán)境為Inter(R) Core(TM)i7-6700，深度學(xué)習(xí)框架為TensorFlow 2.0.模型訓(xùn)練和測試過程中，優(yōu)化器選取SGD，學(xué)習(xí)率設(shè)為0.001、Batch設(shè)為32、Epoch設(shè)為300.

3.3.2 實(shí)驗(yàn)結(jié)果

本文將仿真獲得的單相接地故障與正常波形圖進(jìn)行標(biāo)記，并進(jìn)行數(shù)據(jù)擴(kuò)展.基于經(jīng)典深度學(xué)習(xí)模型VGG-Net構(gòu)建淺層序列化模型并進(jìn)行訓(xùn)練.表4是VGG-Net系列模型在擴(kuò)展數(shù)據(jù)集Dataset2上的性能，圖7是VGG-Net系列模型的訓(xùn)練過程圖.

表4 VGG-Net系列模型在擴(kuò)展數(shù)據(jù)集Dataset2上的性能

圖7 VGG-Net系列模型的訓(xùn)練過程

由表4、圖7得出：對(duì)于擴(kuò)展后的波形數(shù)據(jù)集，使用VGG-Net系列模型可以有效識(shí)別出單相接地故障波形圖與正常波形圖.本文提出的淺層模型VGG7-Net分類效果要優(yōu)于經(jīng)典深層VGG-Net的分類性能，其中Acc、Pre、Roc、F-1分別達(dá)到0.976 8、0.990 8、0.966 5、0.978 5.

由表4中混淆矩陣可以得出：VGG7-Net的召回率高，且由圖7可以看出該模型收斂也較快，即模型可以更好地將故障波形識(shí)別出來.雖然VGG16-Net召回率為1.000，但是隨著模型層數(shù)的加深，模型性能開始下降，出現(xiàn)梯度彌散現(xiàn)象，最終將其歸為一類，使得模型喪失了分辨能力.

綜上可得，基于VGG7-Net識(shí)別單相接地故障波形圖與正常波形圖具有一定的可行性與可靠性.

4 結(jié)論

本文針對(duì)智能化礦井漏電保護(hù)，搭建模擬礦井生產(chǎn)環(huán)境的MATLAB模型進(jìn)行仿真，得到礦井系統(tǒng)單相接地故障與正常波形數(shù)據(jù).通過經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建故障波形分類器進(jìn)行分類識(shí)別，以達(dá)到利用計(jì)算機(jī)技術(shù)自動(dòng)檢測是否發(fā)生單相接地故障的目的.在進(jìn)行實(shí)驗(yàn)訓(xùn)練與測試時(shí)，先對(duì)波形數(shù)據(jù)集進(jìn)行有效數(shù)據(jù)集擴(kuò)展，并基于VGG7-Net模型進(jìn)行分類判別.由實(shí)驗(yàn)結(jié)果可得，VGG7-Net可對(duì)波形圖進(jìn)行有效自動(dòng)判別，在礦井供電漏電檢測中具有一定的可靠性和可行性.