基于OS-EM-ELM的邊緣側(cè)串聯(lián)電弧故障檢測(cè)方法①

薛 鵬 潘國(guó)兵 歐陽(yáng)靜 陳星星

(浙江工業(yè)大學(xué)機(jī)械工程學(xué)院 杭州 310023)

0 引言

隨著電力工業(yè)發(fā)展,用電設(shè)備不斷增加,低壓配電系統(tǒng)的規(guī)模和容量不斷擴(kuò)大,同時(shí)配電網(wǎng)絡(luò)中超期服役的電氣不斷增加,由電氣引發(fā)火災(zāi)的風(fēng)險(xiǎn)也在增加[1]。電弧故障又是引起電氣火災(zāi)的主要起因之一,現(xiàn)有的空氣開(kāi)關(guān)等保護(hù)措施無(wú)法對(duì)電弧故障產(chǎn)生保護(hù)動(dòng)作。電弧故障識(shí)別技術(shù)是低壓配電線(xiàn)路防護(hù)系統(tǒng)中重要的新型保護(hù)技術(shù)。交流串聯(lián)電弧故障隨機(jī)性高,故障檢測(cè)會(huì)受電路中不同類(lèi)型的負(fù)載影響,使得電弧故障識(shí)別變得困難。同時(shí)電弧故障識(shí)別裝置安裝在配電網(wǎng)絡(luò)的末端,既要在邊緣側(cè)獨(dú)立完成數(shù)據(jù)采集、分析、識(shí)別,又要保證準(zhǔn)確、快速地識(shí)別串聯(lián)電弧故障并對(duì)電路進(jìn)行有效保護(hù)是低壓配電線(xiàn)路中急需解決的問(wèn)題[2]。

近幾年,國(guó)內(nèi)外主要研究者提出的電弧故障識(shí)別技術(shù)包括電弧數(shù)學(xué)模型、電弧物理特性、電弧電流電壓波形以及智能化電弧識(shí)別。這4 種電弧故障識(shí)別技術(shù)各有優(yōu)缺點(diǎn),應(yīng)用場(chǎng)合也不同。最早提出的電弧數(shù)學(xué)模型是Cassie 黑盒電弧模型[3]和Mayr 電弧模型[4]。在此基礎(chǔ)上,研究者提出了Schavemaker模型[5]、Habedank 電弧模型[6]、Schwarz 電弧模型[7]、Stokes 電弧模型[8]等。劉艷麗等人[9]建立了神經(jīng)網(wǎng)絡(luò)黑匣子模型,并進(jìn)行仿真分析,用于不適合開(kāi)展現(xiàn)場(chǎng)試驗(yàn)電弧故障檢測(cè)場(chǎng)景。徐秦樂(lè)等人[10]提出采集聲、光和溫度傳感器數(shù)據(jù)的融合算法,克服了單傳感器的不確定性,但多個(gè)傳感器的布置造成硬件成本增加。丁鑫等人[11]進(jìn)行頻譜分析,提取基于諧波含量分析的3 個(gè)特征值。蔡杰軒[12]提出基于5 次諧波分量的電弧故障識(shí)別方法,但該方法用單一的諧波含量進(jìn)行識(shí)別,誤報(bào)率相對(duì)較高,抗干擾能力較弱。繆希仁等人[13]提出檢測(cè)負(fù)載端電壓的新方法,但負(fù)載端的電壓波形收集會(huì)受到電弧發(fā)生位置的影響,電壓采集模塊的放置困難。佟為明等人[14]提出基于計(jì)算小波高頻分量的周期方差值電弧檢測(cè)方法,并將算法移植到單片機(jī)中,但只針對(duì)一些單一負(fù)載進(jìn)行識(shí)別。Han 等人[15]針對(duì)電源諧波和非線(xiàn)性負(fù)載噪聲的干擾,提出基于核主成分分析(kernel principal components analysis,KPCA)和螢火蟲(chóng)算法優(yōu)化支持向量機(jī)(firefly algorithm support vector machine,FA-SVM)的識(shí)別方法,適用一些工業(yè)領(lǐng)域的交流串聯(lián)電弧,但計(jì)算量大。蘇晶晶等人[16]基于混沌分形理論,建立基于電弧空間域特征向量和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)的診斷模型,但不適合應(yīng)用在邊緣側(cè)等算力有限的場(chǎng)景中。張麗萍等人[17]對(duì)比了極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)、誤差逆向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machine,SVM)方法,在電弧識(shí)別上的結(jié)果,得出了ELM 算法訓(xùn)練相對(duì)較優(yōu)的結(jié)論。

綜上,在實(shí)際的復(fù)雜電氣環(huán)境中,目前提出的識(shí)別算法存在只能識(shí)別單一負(fù)載或者由于算法復(fù)雜、計(jì)算量增大、對(duì)硬件要求提高、模型固定因而無(wú)法在邊緣側(cè)進(jìn)行適應(yīng)性訓(xùn)練的情況。而電弧識(shí)別裝置要想在實(shí)際環(huán)境中安裝和應(yīng)用就不得不考慮裝置成本和計(jì)算能力問(wèn)題。

因此,綜合考慮邊緣計(jì)算硬件的算力要求和實(shí)際運(yùn)行中不同類(lèi)型負(fù)載同時(shí)工作的情況,本文兼顧時(shí)域和頻域,提取周期均值差、脈寬百分比、間諧波因數(shù)及小波高頻能量這4 個(gè)特征,提出基于在線(xiàn)序列(online sequential,OS)-誤差最小(error minimization,EM)-極限學(xué)習(xí)機(jī)(ELM),即OS-EM-ELM 算法的邊緣側(cè)電弧故障檢測(cè)方法進(jìn)行故障檢測(cè),引入在線(xiàn)序列訓(xùn)練方法來(lái)提高電弧識(shí)別在復(fù)雜電氣環(huán)境下的適應(yīng)性。實(shí)例證明,該方法具有計(jì)算量小、適應(yīng)能力強(qiáng)、識(shí)別精度高的特點(diǎn),可供電弧故障檢測(cè)研究人員參考。

1 交流串聯(lián)電弧故障波形采集

1.1 電弧故障波形采集平臺(tái)

為獲取電弧故障的電流數(shù)據(jù)用于特性分析與實(shí)驗(yàn)驗(yàn)證,搭建一個(gè)低壓串聯(lián)電弧故障實(shí)驗(yàn)平臺(tái),采集不同負(fù)載、不同電流等級(jí)下電弧故障和正常運(yùn)行的電流信號(hào)。根據(jù)GB 14287.4 標(biāo)準(zhǔn)搭建低壓串聯(lián)電弧故障的實(shí)驗(yàn)平臺(tái)和裝置,如圖1 所示。

圖1 交流串聯(lián)電弧故障實(shí)驗(yàn)平臺(tái)裝置圖

低壓串聯(lián)電弧故障的實(shí)驗(yàn)平臺(tái)主要包括:220 V的交流電源、各類(lèi)不同負(fù)載、空氣開(kāi)關(guān)、電流傳感器、波形采集器和點(diǎn)接觸電弧發(fā)生器。

點(diǎn)接觸電弧發(fā)生器由一個(gè)可移動(dòng)的銅電極、一個(gè)靜止的碳電極以及相應(yīng)的絕緣件組成。實(shí)驗(yàn)時(shí)先讓動(dòng)、靜電極良好接觸模擬正常工作狀態(tài),然后控制動(dòng)、靜電極分離,直至產(chǎn)生串聯(lián)故障電弧。文中有關(guān)的電弧實(shí)驗(yàn)原始數(shù)據(jù)均由此裝置采集。

1.2 電弧故障采集方案

由于在日常生活中的用電器絕大多數(shù)是阻感性的,為模擬現(xiàn)實(shí)條件下的負(fù)載特性,按表1 選取實(shí)驗(yàn)負(fù)載進(jìn)行實(shí)驗(yàn),并組建交流串聯(lián)電弧故障數(shù)據(jù)庫(kù)。

表1 采集負(fù)載類(lèi)型及額定功率

1.3 采集結(jié)果與分析

為選取合適的特征參數(shù),需要對(duì)阻性、感性、阻感性負(fù)載波形特性進(jìn)行研究。以阻性負(fù)載電水壺、感性負(fù)載吸塵器及阻感性負(fù)載電吹風(fēng)+電機(jī)為例,具體分析電弧電流特性。

(1) 阻性負(fù)載

從電弧故障數(shù)據(jù)庫(kù)分別取出電水壺正常運(yùn)行和電弧故障的電流波形如圖2 所示,圖2 左側(cè)為正常波形。對(duì)比分析發(fā)現(xiàn),阻性負(fù)載電水壺在正常工作時(shí)的電流波形光滑;電弧故障時(shí),電流在零點(diǎn)附近有明顯平肩部,即“零休”現(xiàn)象,而且每個(gè)周期都反復(fù)出現(xiàn),且電流的幅值比正常時(shí)低。其他阻性負(fù)載例如純電阻、白熾燈等都有類(lèi)似的特點(diǎn)。

圖2 阻性負(fù)載電水壺正常運(yùn)行和電弧故障時(shí)的電流波形

(2) 感性負(fù)載

吸塵器在正常運(yùn)行狀態(tài)和電弧故障時(shí)的電流波形分別如圖3 所示,圖3 左側(cè)為正常波形。通過(guò)對(duì)比分析發(fā)現(xiàn),吸塵器在正常運(yùn)行時(shí)的電流波形近似于三角,具有周期性。吸塵器電弧故障時(shí),在零點(diǎn)附近有明顯的平肩部,電流波形有大量的毛刺。

圖3 感性負(fù)載吸塵器正常運(yùn)行和電弧故障時(shí)的電流波形

(3) 阻感性組合負(fù)載

阻感性負(fù)載選用電機(jī)和電吹風(fēng)的組合,兩者的功率相差不大。電吹風(fēng)的絕大多數(shù)的功率消耗在電阻絲發(fā)熱上,因此作為阻性負(fù)載來(lái)源。電吹風(fēng)和電機(jī)在正常運(yùn)行時(shí)和電弧故障時(shí)的電流波形如圖4 所示,圖4 左側(cè)為正常波形。通過(guò)對(duì)比可觀察到阻感性負(fù)載正常運(yùn)行時(shí)的電流波形光滑具有周期性。而電弧故障時(shí),每個(gè)周期2 次過(guò)零點(diǎn)的附近都有較長(zhǎng)時(shí)間的平肩部,而且每個(gè)周期平肩部持續(xù)的長(zhǎng)短相差較大。每個(gè)周期的幅值變化很明顯。

經(jīng)過(guò)上述對(duì)比分析可以發(fā)現(xiàn)以下現(xiàn)象。

(1)電弧故障時(shí),電流在零點(diǎn)附近會(huì)產(chǎn)生“零休”現(xiàn)象,每次過(guò)零點(diǎn)前電弧都會(huì)暫時(shí)熄滅,之后極間電壓升高,電弧再次點(diǎn)燃。這種點(diǎn)燃熄滅交替的現(xiàn)象每半周期出現(xiàn)一次,在電流上表現(xiàn)為平肩部,并且伴隨著大量毛刺,這是電弧故障最重要的特征之一。

(2)雖然不同類(lèi)型的負(fù)載正常運(yùn)行時(shí)電流波形不盡相同,但每個(gè)周波都具有周期性,前后一致性高。電弧故障時(shí),前后波形一致性降低。

(3)電弧故障時(shí)的電流幅值一般要比正常時(shí)的電流幅值小,這是因?yàn)殡娀∪紵枰獡舸╇姌O間的空氣介質(zhì),使得線(xiàn)路總阻抗增大。同時(shí)有些負(fù)載啟停緩慢,在慣性的影響下,在故障時(shí)會(huì)出現(xiàn)幅值不停波動(dòng)的現(xiàn)象。

(4)電弧故障時(shí),電流波形明顯發(fā)生畸變,在平肩部的拐點(diǎn)處有明顯的毛刺,且容易產(chǎn)生高頻尖峰,在感性負(fù)載中尤為明顯。

2 特征量提取與有效性分析

2.1 周期均值差

電弧電流特性分析中可知正常運(yùn)行的負(fù)載電流波形一般都具有周期性,而電弧故障時(shí)的電流波形沒(méi)有呈現(xiàn)明顯的周期性現(xiàn)象。針對(duì)這一特性提取電流周期均值差,以一個(gè)周期為單位,計(jì)算每個(gè)周期采樣點(diǎn)的均值,后一個(gè)周期均值減去前一個(gè)周期均值得到周期均值差。計(jì)算過(guò)程如下。

(1) 假設(shè)每個(gè)周期采樣點(diǎn)數(shù)為N,每個(gè)采樣點(diǎn)的電流值用i來(lái)表示,那么相鄰的2 個(gè)電流值就是ik、ik-1,電流的平均值用Iaver表示。

(2) 相鄰周期均值差用Isub表示。

從建立的電弧數(shù)據(jù)庫(kù)中分別取出正常運(yùn)行和電弧故障的電流波形數(shù)據(jù),每種負(fù)載取100 個(gè)樣本。以一個(gè)周期為單位,分別計(jì)算正常運(yùn)行和電弧故障相鄰周期的均值差,并對(duì)計(jì)算結(jié)果求均值。

表2 反映了不同負(fù)載在正常和故障時(shí)具體的波動(dòng)范圍,可觀察到負(fù)載在不同狀態(tài)下周期均值差存在數(shù)量級(jí)上的區(qū)別。可見(jiàn)周期均值差是一個(gè)反映電弧的時(shí)域特征的較好特征。

2.2 脈寬百分?jǐn)?shù)

在交流線(xiàn)路中發(fā)生電弧故障時(shí),電弧由于其放電特性在零點(diǎn)附近出現(xiàn)“零休”現(xiàn)象。電弧故障時(shí)電流幅值會(huì)有比較長(zhǎng)的一段時(shí)間在零點(diǎn)附近。根據(jù)此特性可以用它判斷電弧故障是否發(fā)生。脈寬百分?jǐn)?shù)的計(jì)算步驟為:

(1)獲取離散波形信號(hào),以{x1,x2,…,xN} 表示。

(2)對(duì)信號(hào)取絕對(duì)值即{|x1|,|x2|,…,|xN|}。歸一化處理,并統(tǒng)計(jì)集合內(nèi)在k1、k2之間的元素的個(gè)數(shù)n。

(3)計(jì)算n所占樣本周期內(nèi)所有點(diǎn)的比重,即Z=(n/N)×100%。

經(jīng)過(guò)實(shí)驗(yàn)和分析波形數(shù)據(jù),綜合選取k1=0.005,k2=0.5。按上述計(jì)算步驟,對(duì)熱水壺+吸塵器的正常和故障的波形數(shù)據(jù)進(jìn)行計(jì)算,獲得結(jié)果如圖5所示。從圖中可以看出,脈寬百分?jǐn)?shù)能對(duì)不同運(yùn)行狀態(tài)進(jìn)行區(qū)分,故該參數(shù)可以作為邊緣側(cè)電弧識(shí)別的一個(gè)有效特征。

圖5 熱水壺+吸塵器的脈寬參數(shù)特征圖

2.3 部分間諧波因數(shù)

從頻域方面考慮,電弧故障時(shí)時(shí)域波形發(fā)生畸變,頻域也會(huì)產(chǎn)生變化。部分間諧波因數(shù)是采樣波形經(jīng)快速傅里葉變換(fast Fourier transform,FFT)后,相對(duì)于基頻非整數(shù)倍的部分間諧波幅值跟基頻的幅值之比,取fk=25× (2k-1)。計(jì)算公式為

其中,I2k-1為k次間諧波幅值,I0為基頻幅值,hk是k次間諧波因數(shù)。為確定k的合適取值,對(duì)數(shù)據(jù)庫(kù)中的波形數(shù)據(jù)進(jìn)行分析。

阻感性負(fù)載的正常運(yùn)行和電弧故障的間諧波因數(shù)如圖6 所示。正常時(shí)的間諧波因數(shù)幾乎沒(méi)有變化,在零點(diǎn)附近徘徊,故障時(shí)1、2 次間諧波因數(shù)發(fā)生較大變化,之后逐漸降低。數(shù)據(jù)庫(kù)中其他類(lèi)型的負(fù)載也有相同的趨勢(shì),故提取第1、2 次的間諧波因數(shù)作為識(shí)別電弧的頻域特征。

圖6 阻感性負(fù)載波形間諧波因數(shù)圖

2.4 小波高頻分量的能量

從電弧電流特性分析中可知電弧電流波形在平肩末端的階躍拐點(diǎn)處有明顯的毛刺,且出現(xiàn)尖峰。針對(duì)這一特性對(duì)電流信號(hào)進(jìn)行小波分解重構(gòu),觀察平肩末端的階躍拐點(diǎn)和尖峰處高頻分量的分布情況。

以阻性負(fù)載電水壺為例,分別取出正常運(yùn)行時(shí)和電弧故障時(shí)電流信號(hào)數(shù)據(jù),歸一化處理之后,用db4 進(jìn)行小波3 層的分解和重構(gòu)。電水壺正常運(yùn)行和電弧故障的小波分解重構(gòu)如圖7 所示,電弧故障時(shí)的d1、d2、d3 這3 層小波高頻分量明顯比正常運(yùn)行時(shí)大,電弧電流波形在平肩末端的拐點(diǎn)處有明顯的高頻成分。d2 層的小波高頻分量相較于d1、d3 能更好地區(qū)分2 種狀態(tài)。

圖7 電水壺正常運(yùn)行和電弧故障的小波分解重構(gòu)圖

感性負(fù)載吸塵器、阻感性負(fù)載電吹風(fēng)+電機(jī)等等也都有類(lèi)似的特點(diǎn)。d2 層小波高頻分量的能量計(jì)算公式為

式中,N為每周期的采樣點(diǎn)數(shù),d2(n) 為小波分解第2 層的小波高頻分量。

不同負(fù)載正常運(yùn)行和電弧故障小波高頻分量的周期能量對(duì)比如圖8 所示。電弧故障小波高頻分量的周期能量可以有效區(qū)分正常運(yùn)行和電弧故障這2種狀態(tài),可以作為電弧故障識(shí)別的特征。

圖8 不同負(fù)載正常運(yùn)行和電弧故障小波高頻分量的周期能量對(duì)比圖

3 邊緣側(cè)串聯(lián)電弧故障識(shí)別算法研究

3.1 極限學(xué)習(xí)機(jī)

在邊緣計(jì)算領(lǐng)域,算力是十分有限的資源。極限學(xué)習(xí)機(jī)(ELM)作為一種機(jī)器學(xué)習(xí)算法,在標(biāo)簽分類(lèi)領(lǐng)域有廣泛的應(yīng)用,其網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖9 所示。極限學(xué)習(xí)機(jī)只有一層隱含層,隱含層節(jié)點(diǎn)數(shù)影響準(zhǔn)確度和計(jì)算量。

圖9 ELM 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

得益于ELM 的隨機(jī)化權(quán)值和偏置,極限學(xué)習(xí)機(jī)的訓(xùn)練速度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(如BP 算法)速度快百倍之多。綜合分析算力與精度,極限學(xué)習(xí)機(jī)算法十分適合在邊緣側(cè)應(yīng)用。

3.2 誤差最小化改進(jìn)極限學(xué)習(xí)機(jī)

不同于傳統(tǒng)ELM 人為規(guī)定隱含層節(jié)點(diǎn)個(gè)數(shù),誤差最小化極限學(xué)習(xí)機(jī)(error minimized ELM,EMELM)模型通過(guò)構(gòu)造法逐步添加隱含層節(jié)點(diǎn)個(gè)數(shù),通過(guò)誤差最小化的方法確定最優(yōu)解。EM-ELM 訓(xùn)練分為2 個(gè)階段。

初始化階段構(gòu)造一個(gè)具有L0個(gè)隱含節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò),選取電弧故障數(shù)據(jù)庫(kù)N0組數(shù)據(jù),隨機(jī)產(chǎn)生輸入權(quán)值矩陣wi,偏置矩陣bi,給定激活函數(shù)f(x),其中i=1、2、…、,N0≥。矩陣公式如下:

EM-ELM 的訓(xùn)練時(shí)間較ELM 有所增加,訓(xùn)練時(shí)間受到給定期望殘差和初始隱含層節(jié)點(diǎn)個(gè)數(shù)的影響,但是依然對(duì)BP 神經(jīng)網(wǎng)絡(luò)有著數(shù)量級(jí)的優(yōu)勢(shì)。

3.3 EM-ELM 在線(xiàn)序列訓(xùn)練實(shí)現(xiàn)

為適應(yīng)復(fù)雜的電氣環(huán)境,提出根據(jù)本地?cái)?shù)據(jù)進(jìn)行OS-EM-ELM 訓(xùn)練,流程如下。

此時(shí)新的隱含層輸出矩陣變?yōu)?

(2)重新計(jì)算輸出權(quán)重矩陣:

此時(shí)令k=k+1,完成一次在線(xiàn)序列迭代,每次訓(xùn)練重復(fù)迭代過(guò)程。在線(xiàn)訓(xùn)練可以使權(quán)重矩陣在原有基礎(chǔ)上更新而不是每一次都重新訓(xùn)練。得益于ELM 類(lèi)算法的計(jì)算量小的特點(diǎn),OS-EM-ELM 訓(xùn)練可以很好適應(yīng)邊緣計(jì)算的要求。

4 邊緣側(cè)電弧故障識(shí)別步驟

在電網(wǎng)末端配電箱中對(duì)回路的交流電信號(hào)進(jìn)行高精度的實(shí)時(shí)采集,對(duì)該采樣數(shù)據(jù)在時(shí)間序列上進(jìn)行完整性檢驗(yàn),通過(guò)時(shí)基計(jì)時(shí)器和一個(gè)周期的采樣點(diǎn)數(shù)來(lái)確保周期的完整性和同步性。

根據(jù)第2 節(jié)電弧電流特征提取與分析,采用時(shí)域特征周期均值差、脈寬百分?jǐn)?shù)、頻域特征第1、2 次的部分間諧波因數(shù)及能量域特征小波高頻分量的周期能量,組成面向邊緣側(cè)電弧識(shí)別的特征指標(biāo),降低單一特征帶來(lái)的不穩(wěn)定性。周期均值差的標(biāo)準(zhǔn)差和脈寬百分?jǐn)?shù)通過(guò)所列公式進(jìn)行計(jì)算。采用按時(shí)間抽取的基2-FFT 算法提取第1、2 次的間諧波因數(shù)特征。小波高頻分量周期能量特征是在小波變換得到的高頻分量基礎(chǔ)之上進(jìn)行周期能量計(jì)算。將提取的4 種特征作為EM-ELM 模型的輸入,模型經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出該樣本的識(shí)別結(jié)果標(biāo)簽。當(dāng)模型判斷該樣本為故障樣本時(shí),故障特征量累加器ARC_NUM 執(zhí)行累加操作。

根據(jù)GB 14287.4 相關(guān)國(guó)家標(biāo)準(zhǔn),當(dāng)被探測(cè)線(xiàn)路在1 s 內(nèi)發(fā)生14 個(gè)及以上半周期的故障電弧時(shí),則判定為故障電弧。在1 s 窗口內(nèi)ARC_NUM 超過(guò)該閾值,則認(rèn)為線(xiàn)路發(fā)生了電弧故障,并對(duì)故障標(biāo)志位ARC_FAULT 置1。

為適應(yīng)復(fù)雜的電氣環(huán)境,提出在線(xiàn)序列OS-EMELM 訓(xùn)練方法進(jìn)行權(quán)重矩陣迭代,現(xiàn)場(chǎng)獲取參數(shù)后需要剔除漏檢和誤報(bào)數(shù)據(jù)以免污染樣本庫(kù),總體流程如圖10 所示。當(dāng)監(jiān)測(cè)的場(chǎng)景發(fā)生變化,整個(gè)電路整體阻抗、感抗發(fā)生改變,電流特性與初始訓(xùn)練的樣本相比發(fā)生較大偏離,OS-EM-ELM 訓(xùn)練方法能在邊緣側(cè)快速適應(yīng)并更新權(quán)值參數(shù),提高識(shí)別準(zhǔn)確率。權(quán)值的更新頻率通過(guò)程序設(shè)定,更新頻率高對(duì)實(shí)時(shí)計(jì)算的要求高,反之則對(duì)裝置存儲(chǔ)數(shù)據(jù)的容量要求高。

圖10 邊緣側(cè)電弧故障識(shí)別流程圖

5 實(shí)驗(yàn)驗(yàn)證與分析

5.1 EM-ELM 算法實(shí)驗(yàn)

本文提出基于EM-ELM 適應(yīng)邊緣側(cè)的電弧識(shí)別算法,為驗(yàn)證該電弧識(shí)別方法的有效性,對(duì)電弧故障檢測(cè)算法初始化訓(xùn)練后進(jìn)行實(shí)驗(yàn)測(cè)試。以下極限學(xué)習(xí)機(jī)的計(jì)算結(jié)果均是相同初始條件下10 次獨(dú)立運(yùn)行取平均值。

從第1 節(jié)建立的數(shù)據(jù)庫(kù)中獲取不同場(chǎng)景的2200 個(gè)樣本,其中1100 個(gè)正常樣本、1100 個(gè)故障樣本。根據(jù)第2 節(jié)的方法,提取所有樣本的4 個(gè)特征。將這些場(chǎng)景的正常故障各100 個(gè)樣本中隨機(jī)各抽取80 個(gè)樣本,作為訓(xùn)練集,剩下的作為測(cè)試集;正常樣本標(biāo)簽為1,故障樣本標(biāo)簽為2。

在CPU 為3.4 GHz 條件下下,EM-ELM 初始節(jié)點(diǎn)設(shè)置為20,殘差期望0.002。BP 使用隱含節(jié)點(diǎn)尋優(yōu),起始節(jié)點(diǎn)數(shù)為3,迭代限制20 次。SVM 采用fitcsvm 函數(shù)。對(duì)比EM-ELM、BP、SVM 算法,結(jié)果如表3 所示。

表3 EM-ELM、BP、SVM 算法對(duì)比

在相同情況下,計(jì)算量的大小可由訓(xùn)練時(shí)間長(zhǎng)短直觀地呈現(xiàn)。得益于ELM 的隨機(jī)化權(quán)值和偏置,極限學(xué)習(xí)機(jī)的訓(xùn)練速度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(如BP 算法)速度快很多。EM-ELM 可以?xún)?yōu)化節(jié)點(diǎn)數(shù)目,達(dá)到預(yù)期精度。

記錄EM-ELM 每次迭代訓(xùn)練時(shí)的殘差和訓(xùn)練集準(zhǔn)確率如圖11 所示。從圖中可以看出,隨著迭代次數(shù)的增加殘差和訓(xùn)練準(zhǔn)確度變化趨于平緩,之后迭代的效率就會(huì)非常低,且容易陷入過(guò)擬合。通過(guò)設(shè)定期望殘差0.002 使迭代在21 次停止,EM-ELM相比于傳統(tǒng)ELM 通過(guò)殘差最小化方法在提升準(zhǔn)確率的同時(shí)可控制計(jì)算的復(fù)雜度。綜合分析訓(xùn)練用時(shí)與精度,極限學(xué)習(xí)機(jī)算法十分適合在邊緣側(cè)應(yīng)用。

圖11 EM-ELM 殘差和訓(xùn)練集準(zhǔn)確率于迭代次數(shù)的關(guān)系

EM-ELM 最終輸出的測(cè)試集結(jié)果如圖12 所示。各測(cè)試樣本所對(duì)應(yīng)的實(shí)驗(yàn)場(chǎng)景如表4 所示。從結(jié)果可以看出,EM-ELM 的電弧故障總體識(shí)別率比較高,以1.5 做為閾值,測(cè)試集識(shí)別正確率達(dá)到了99.33%。EM-ELM 判別是總體程序的一部分,依據(jù)總體識(shí)別方法的設(shè)計(jì),只有EM-ELM 模型在一段時(shí)間內(nèi)連續(xù)發(fā)生多次誤判,到達(dá)判斷閾值之后,該識(shí)別方法才會(huì)產(chǎn)生誤動(dòng)作。

表4 EM-ELM 訓(xùn)練輸出樣本對(duì)照表

圖12 EM-ELM 訓(xùn)練輸出

5.2 在線(xiàn)序列EM-ELM 實(shí)驗(yàn)

分析第341～360 號(hào)電水壺+吸塵器故障樣本,該樣本故障時(shí)電流波形平肩部狹窄且偏離零點(diǎn)較遠(yuǎn),其4 個(gè)特征值偏離其他樣本較遠(yuǎn),由此出現(xiàn)了識(shí)別不穩(wěn)定。本文提出的OS-EM-ELM 訓(xùn)練方法能應(yīng)對(duì)這種情況。根據(jù)表5 樣本設(shè)計(jì)實(shí)驗(yàn),樣本均來(lái)自第1 節(jié)建立的數(shù)據(jù)庫(kù),各樣本集之間沒(méi)有交集。

表5 在線(xiàn)序列EM-ELM 實(shí)驗(yàn)樣本

(1)首先使用樣本集1 訓(xùn)練EM-ELM 模型,使用樣本集2 為測(cè)試集,記錄識(shí)別結(jié)果編號(hào)為0～60。

(2)運(yùn)用第4 節(jié)提出的OS-EM-ELM 訓(xùn)練方法,將樣本集2 作為新增樣本加入總訓(xùn)練集,以樣本集3 為測(cè)試集,記錄識(shí)別結(jié)果編號(hào)為61～120。

(3)將樣本集3 作為新增樣本加入總訓(xùn)練集,以樣本集4 為測(cè)試集,記錄識(shí)別結(jié)果編號(hào)為121～180。

將在線(xiàn)序列實(shí)驗(yàn)結(jié)果匯總獲得圖13。從結(jié)果可以看出,經(jīng)過(guò)在線(xiàn)訓(xùn)練,以1.5 為閾值,識(shí)別錯(cuò)誤的樣本從4 個(gè)降為0 個(gè),識(shí)別精度提升明顯,輸出的穩(wěn)定性增加?？梢?jiàn)引入在邊緣側(cè)的在線(xiàn)序列訓(xùn)練對(duì)識(shí)別率的提高有重要作用。

圖13 在線(xiàn)序列EM-ELM 實(shí)驗(yàn)結(jié)果

5.3 邊緣側(cè)電弧識(shí)別方法泛化性能實(shí)驗(yàn)

結(jié)合GB 14287.4 相關(guān)國(guó)家標(biāo)準(zhǔn)進(jìn)行測(cè)試。采用應(yīng)急管理部沈陽(yáng)消防研究所研發(fā)的AFD100 電弧模擬檢測(cè)系統(tǒng),如圖14 所示,系統(tǒng)包含算法未知的新樣本,以驗(yàn)證邊緣側(cè)電弧識(shí)別算法的泛化性能。

圖14 AFD100 電弧模擬檢測(cè)系統(tǒng)

(1) 電弧故障實(shí)驗(yàn)

分別對(duì)不同的負(fù)載類(lèi)型進(jìn)行電弧故障實(shí)驗(yàn),實(shí)驗(yàn)次數(shù)和識(shí)別率如表6 所示。

表6 不同負(fù)載類(lèi)型電弧故障實(shí)驗(yàn)結(jié)果

(2) 誤報(bào)警實(shí)驗(yàn)

誤報(bào)警是驗(yàn)證電弧故障檢測(cè)裝置在復(fù)雜電氣條件干擾下是否會(huì)發(fā)生報(bào)警。實(shí)驗(yàn)要求和結(jié)果如表7所示。

表7 誤報(bào)警試驗(yàn)負(fù)載的相關(guān)要求及實(shí)驗(yàn)結(jié)果

電弧故障的實(shí)驗(yàn)結(jié)果表明,電弧故障識(shí)別方法的識(shí)別率可以達(dá)到96%以上,誤報(bào)警實(shí)驗(yàn)結(jié)果小于2%。

6 結(jié)論

電弧故障的高度隨機(jī)性、復(fù)雜性使得其難以被準(zhǔn)確識(shí)別。針對(duì)當(dāng)前復(fù)雜電弧識(shí)別算法計(jì)算量大、對(duì)硬件算力要求高、但電弧故障檢測(cè)裝置分布在電網(wǎng)的末端又需要有一定的自主判斷和適應(yīng)能力這一需求,提出了基于OS-EM-ELM 的邊緣側(cè)電弧識(shí)別方法。使用周期均值差、脈寬百分?jǐn)?shù)、第1 和2 次部分間諧波因數(shù)及小波高頻分量能量作為電弧故障識(shí)別輸入特征,為交流串聯(lián)電弧故障識(shí)別提供可靠的數(shù)據(jù)支持。

理論分析和實(shí)驗(yàn)結(jié)果表明,本文所提出的邊緣側(cè)電弧故障檢測(cè)方法,結(jié)合了EM-ELM 和在線(xiàn)序列學(xué)習(xí),具有計(jì)算量小、識(shí)別準(zhǔn)確度高、適應(yīng)性強(qiáng)以及應(yīng)用成本低的特點(diǎn),可為電弧檢測(cè)研究及邊緣側(cè)電弧故障保護(hù)器的研制提供一種可靠方法和思路。