振動(dòng)條件下三相交流電動(dòng)機(jī)線路故障電弧診斷方法

摘"要：串聯(lián)故障電弧是由電氣線路或設(shè)備中電氣連接松動(dòng)或線路絕緣老化引起的空氣擊穿現(xiàn)象，會(huì)導(dǎo)致設(shè)備損壞、電路短路等問題，甚至引起電氣火災(zāi)。為了準(zhǔn)確識(shí)別三相交流電動(dòng)機(jī)的振動(dòng)故障電弧，提出一個(gè)基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）并結(jié)合鵜鶘優(yōu)化算法（POA）的故障診斷模型。所提模型可以直接利用上位機(jī)輸出的一維時(shí)序電流數(shù)據(jù)進(jìn)行訓(xùn)練;通過POA尋找1D CNN的最佳超參數(shù)，提升模型的識(shí)別能力;經(jīng)過t-SNE算法分析模型的特征提取效果后，證實(shí)其有效性。測(cè)試結(jié)果顯示，故障電弧識(shí)別準(zhǔn)確率高達(dá)99.72%，所提方法比現(xiàn)有技術(shù)更加方便且性能更優(yōu)。

關(guān)鍵詞： 卷積神經(jīng)網(wǎng)絡(luò); 三相交流故障電弧; 鵜鶘優(yōu)化算法; 故障診斷

中圖分類號(hào)：

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）08-0069-08

DOI： 10.16628/j.cnki.2095-8188.2024.08.009

Method for Diagnosing Line Fault Arcs in Three-Phase AC Motors Under Vibration Condition

SUN Yifan1，"LIU Yujun2，"ZHANG Shuwang2，"QI Dongqian3，"CHEN Guanghua3，"GUO Fengyi1

［1.School of Electrical and Electronic Engineering，Wenzhou University， Wenzhou 325035， China;

2.Kailuan （Group） Co.，Ltd.Qianjiaying Mining Branch， Tangshan 063300， China;

3.Electro optic Explosion proof Technology Co.，Ltd.， Yueqing 325600， China］

Abstract：

Arc fault is an air breakdown phenomenon caused by loose electrical connections or aging insulation in wiring or equipment，which can lead to equipment damage，circuit faults，and even electrical fires.To accurately identify three-phase AC motor vibration fault arcs，a fault diagnosis model based on one-dimensional convolutional neural networks （1D CNN） combined with the pelican optimization algorithm （POA）is proposed.The proposed model can be trained directly using one-dimensional temporal current data output from the host computer.The POA is utilized to find the optimal hyperparameters of the 1D CNN，enhancing the model’s recognition capability.After analyzing the feature extraction effectiveness of the model using the t-SNE algorithm，its validity is confirmed.Test results show that the fault arc identification accuracy reaches 99.72%.The proposed method is more convenient and superior in performance compared to existing technologies.

Key words：

convolutional neural network（CNN）; three-phase AC arc fault; pelican optimization algorithm（POA）; fault diagnosis

0"引"言

隨著電力電子設(shè)備的廣泛應(yīng)用，電力利用變得更加高效且方便。然而，低壓配電系統(tǒng)的現(xiàn)代化，也給電力安全帶來了潛在威脅。2022年《中國消防協(xié)會(huì)年鑒》中各類火災(zāi)統(tǒng)計(jì)數(shù)據(jù)顯示，電氣火災(zāi)發(fā)生率高居各類火災(zāi)之首，高達(dá)34.6%;在重特大火災(zāi)中，超過1/2的火災(zāi)為電氣火災(zāi)。電氣火災(zāi)主要由故障電弧、過電流、漏電和電器過熱等引起。在開斷電路時(shí)，當(dāng)被中斷的電流以及斷路器開斷后在觸頭之間產(chǎn)生的電壓均超過特定閾值時(shí)，會(huì)導(dǎo)致在觸頭間形成一種高溫、發(fā)出強(qiáng)光和導(dǎo)電的氣體，這就是故障電弧［1］。

目前，對(duì)故障電弧的研究集中于電弧物理特性分析、電弧仿真建模以及通過深度學(xué)習(xí)算法在時(shí)域、頻域、時(shí)頻域方面進(jìn)行特征提取等3個(gè)方面。故障電弧發(fā)生時(shí)會(huì)伴隨著強(qiáng)烈的弧光、弧聲、電磁輻射以及溫度變化等物理效應(yīng)，通過物理特性分析的方法可有效識(shí)別故障電弧，該方法可用于識(shí)別特定位置（如開關(guān)柜中）發(fā)生的故障電弧［2-3］，也可以用于建立電弧仿真模型。研究人員對(duì)Mayr［4］、Cassie［5］以及Schwarz［6］等傳統(tǒng)電弧模型進(jìn)行了深入研究和改進(jìn)，并且采用傅里葉變換和小波分析等多種方法，有效驗(yàn)證仿真的正確性和實(shí)用性。

隨著科技的發(fā)展，人工智能技術(shù)逐漸應(yīng)用于電弧檢測(cè)領(lǐng)域，并在近年來取得顯著的發(fā)展。目前，對(duì)于故障電弧的人工智能檢測(cè)方法主要集中在支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)2個(gè)方面。在神經(jīng)網(wǎng)絡(luò)方面，提出自適應(yīng)非對(duì)稱卷積神經(jīng)網(wǎng)絡(luò)（CNN）［7］、基于EffNet改善的CNN模型［8］、基于CNN算法的ArcNet算法［9］以及深度殘差網(wǎng)絡(luò)［10］等算法。對(duì)故障電弧特性進(jìn)行分析時(shí)，往往會(huì)面臨電弧特征提取困難、串聯(lián)故障電弧不易快速準(zhǔn)確檢測(cè)等問題，因此當(dāng)前主流研究旨在找到更準(zhǔn)確可行的電弧檢測(cè)和定位方法。

本文建立基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）并用鵜鶘優(yōu)化算法（POA）對(duì)參數(shù)進(jìn)行優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，加快了神經(jīng)網(wǎng)絡(luò)的收斂速度，并提高算法的準(zhǔn)確率。

1"振動(dòng)故障電弧模擬實(shí)驗(yàn)

故障電弧根據(jù)生成方式不同分為開斷電弧和碳化路徑電弧，而開斷電弧又分為點(diǎn)動(dòng)模式與振動(dòng)模式2種。其中，點(diǎn)動(dòng)模式被認(rèn)為是目前電弧研究的主要方法。該模式具有較高的控制性，能夠精準(zhǔn)操控電弧的生成并調(diào)節(jié)電弧間距［11］。相反，振動(dòng)模式的電弧產(chǎn)生具有隨機(jī)性，其電弧間距難以控制。根據(jù)相關(guān)資料，通過振動(dòng)形式表現(xiàn)出來的機(jī)械故障占所有故障的70%以上［12］，振動(dòng)使得連接部位處于松動(dòng)接觸狀態(tài)，在機(jī)械振動(dòng)作用下，接觸點(diǎn)處于頻繁通斷狀態(tài)，當(dāng)由通到斷轉(zhuǎn)換時(shí)，感應(yīng)電勢(shì)產(chǎn)生的電場(chǎng)將使觸頭間的空氣擊穿，產(chǎn)生串聯(lián)型振動(dòng)故障電弧。電動(dòng)機(jī)主要故障頻率［13-14］如表1所示。表1為后文選取振動(dòng)頻率提供重要依據(jù)。

振動(dòng)故障電弧模擬實(shí)驗(yàn)平臺(tái)總體框圖如圖1所示。實(shí)驗(yàn)平臺(tái)由三相電動(dòng)機(jī)負(fù)載、電流傳感器、銅鼻子、數(shù)據(jù)采集卡、變頻器以及上位機(jī)組成。其中，上位機(jī)顯示畫面由LabVIEW軟件開發(fā)，實(shí)驗(yàn)數(shù)據(jù)采集過程為傳感器測(cè)量后輸出模擬信號(hào)，經(jīng)過數(shù)據(jù)采集卡A/D轉(zhuǎn)換將其轉(zhuǎn)換為數(shù)字信號(hào)，最后在LabVIEW程序界面實(shí)時(shí)顯示。

實(shí)驗(yàn)所用電極為黃銅材料銅鼻子，通過電纜連接在接線柱上。振動(dòng)電弧實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)如圖2所示。實(shí)驗(yàn)通過型號(hào)為CZ50的電磁倉壁振動(dòng)器調(diào)節(jié)振動(dòng)頻率，使振動(dòng)板上下振動(dòng)，從而為銅鼻子上的電極提供振動(dòng)環(huán)境。電極不斷開斷，產(chǎn)生電弧。

三相電動(dòng)機(jī)會(huì)因定子或轉(zhuǎn)子鐵心的斷條、偏心、軸線不對(duì)中等情況出現(xiàn)振動(dòng)故障電弧。本文以三相電動(dòng)機(jī)為負(fù)載，選取A相為故障相，B、C兩相均為正常狀態(tài)。實(shí)驗(yàn)過程中，將故障電弧發(fā)生器串入A相中，在正常狀態(tài)下保持銅鼻子上的電極接觸正常，使電路處于正常狀態(tài)。當(dāng)電路處于穩(wěn)定狀態(tài)并工作一段時(shí)間后，通過電磁倉壁振動(dòng)器改變振動(dòng)頻率，分別設(shè)置40 Hz、45 Hz、50 Hz的變頻器頻率和40 Hz、45 Hz、50 Hz的振動(dòng)頻率觀察電弧電流波形，將電弧數(shù)據(jù)由數(shù)據(jù)采集卡輸送至上位機(jī)，提取振動(dòng)故障電弧特征，記錄每一組故障相電流數(shù)據(jù)，每一組實(shí)驗(yàn)參數(shù)下進(jìn)行故障和正常2種狀態(tài)下的電弧實(shí)驗(yàn)，采樣頻率為10 kHz。實(shí)驗(yàn)方案如表2所示。

2"電流信號(hào)分析與數(shù)據(jù)集處理

2.1"三相電動(dòng)機(jī)電流信號(hào)波形分析

當(dāng)三相電動(dòng)機(jī)負(fù)載線路發(fā)生串聯(lián)故障電弧時(shí)，三相電動(dòng)機(jī)負(fù)載電流波形中會(huì)出現(xiàn)大量的毛刺，且高頻分量明顯增加［15］。在判斷三相交流電動(dòng)機(jī)線路是否發(fā)生故障電弧的過程中，若故障電弧發(fā)生在任意一相，其他兩相電流信號(hào)也包含故障電弧特征［16］。因此，僅需分析任意一相電流信號(hào)即可得到故障電弧特征。本文對(duì)A相電流信號(hào)進(jìn)行分析和提取故障電弧特征。

本文在380 V電源電壓以及5 A的電流條件下展開實(shí)驗(yàn)。正常狀態(tài)下電流波形如圖3所示。該波形是標(biāo)準(zhǔn)的雙峰波。變頻器頻率40 Hz時(shí)振動(dòng)故障電弧電流波形如圖4所示;變頻器頻率45 Hz時(shí)振動(dòng)故障電弧電流波形如圖5所示;變頻器頻率50 Hz時(shí)振動(dòng)故障電弧電流波形如圖6所示。

以圖4為例，在振動(dòng)頻率為40 Hz時(shí)，電流的雙峰波產(chǎn)生了些許畸變，當(dāng)故障電弧燃燒劇烈時(shí)，電流波形為單峰波，如圖中圓圈位置;振動(dòng)頻率為45 Hz時(shí)，電流波形畸變程度增加，故障電弧電流中單峰波數(shù)量增多，并且出現(xiàn)了些許“毛刺”現(xiàn)象;振動(dòng)頻率為50 Hz時(shí)，故障電弧波形已經(jīng)完全被單峰波占據(jù)，且發(fā)生了嚴(yán)重的波形畸變。該現(xiàn)象為揭示電動(dòng)機(jī)故障電弧特性與振動(dòng)頻率的關(guān)聯(lián)性提供了關(guān)鍵實(shí)驗(yàn)證據(jù)，有助于發(fā)展更為有效的故障檢測(cè)和診斷策略?，F(xiàn)有故障電弧檢測(cè)方法主要依靠故障電弧電壓電流的時(shí)頻域特征實(shí)現(xiàn)［17］。通過先進(jìn)的傳感器、信號(hào)處理和人工智能技術(shù)，特別是在特征分析和機(jī)器學(xué)習(xí)應(yīng)用于模式識(shí)別領(lǐng)域，電弧的檢測(cè)方法得到改進(jìn)［18］。

隨著變頻器頻率的升高，故障電弧電流等級(jí)逐漸升高。使用快速傅里葉變換（FFT）算法對(duì)不同振動(dòng)頻率及變頻器頻率條件下的電流信號(hào)進(jìn)行分析。正常狀態(tài)下不同變頻器頻率的故障電弧電流頻譜如圖7所示;振動(dòng)頻率40 Hz條件下不同變頻器頻率的故障電弧電流頻譜如圖8所示。

在正常狀態(tài)下，隨著變頻器頻率的增加，除了峰值略有增加外，不同頻率下的電流頻譜并無顯著差別，這表明設(shè)備在正常運(yùn)行時(shí)，頻譜特性保持一致。但隨著故障的發(fā)生，在變頻器頻率為40 Hz時(shí)，諧波成分顯著增加，且峰值較正常狀態(tài)時(shí)顯著下降，電弧的特征信號(hào)與諧波成分混合在一起，特

征信號(hào)不明顯，需采用濾波技術(shù)進(jìn)行提取;當(dāng)變頻器頻率為45 Hz時(shí)，峰值增加，且故障電弧特征頻率與諧波分量較好分離，代表此時(shí)有較高的響應(yīng)增益;當(dāng)變頻器頻率為50 Hz時(shí)，特征信號(hào)峰值突出越發(fā)明顯，奇次諧波（如3次、5次諧波）的含量顯著增加，而偶次諧波含量改變不明顯。該頻率成分在信號(hào)中占據(jù)了較大的比重，具有更顯著的頻率成分。振動(dòng)頻率為45 Hz與50 Hz的電流頻譜圖特征與40 Hz相似，該特征為故障電弧診斷提供重要依據(jù)。

2.2"數(shù)據(jù)集的構(gòu)建

本文提出的三相交流振動(dòng)故障電弧診斷模型是基于1D CNN，相較于二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN），1D CNN可直接輸入電流信號(hào)，無須進(jìn)行灰度圖轉(zhuǎn)換，這為數(shù)據(jù)輸出到模型輸入提供直接性與便利性。信號(hào)采樣頻率為10 kHz，通過提取8 000個(gè)電弧樣本和6 000個(gè)正常樣本，形成總體14 000個(gè)數(shù)據(jù)集用于訓(xùn)練和測(cè)試。其中，以訓(xùn)練集與測(cè)試集的比例是3∶1的原則，即訓(xùn)練集中含有10 500個(gè)數(shù)據(jù)樣本、測(cè)試集中含有3 500個(gè)數(shù)據(jù)樣本，時(shí)間長(zhǎng)度50 ms，每個(gè)數(shù)據(jù)樣本中含有500個(gè)樣本點(diǎn)。

為保證模型在訓(xùn)練和測(cè)試時(shí)的訓(xùn)練精度，需對(duì)輸入變量和輸出變量進(jìn)行標(biāo)準(zhǔn)化，消除輸入和輸出之間過大的數(shù)值差異，以便更好地適應(yīng)模型，并提高其訓(xùn)練精度和泛化能力。標(biāo)準(zhǔn)化的計(jì)算公式為

X=x-μσ（1）

式中："X——標(biāo)準(zhǔn)化后的結(jié)果;

x——某一特征值的值;

μ——某一特征值的總體平均值;

σ——某一特征的總體標(biāo)準(zhǔn)差。

3"振動(dòng)故障電弧識(shí)別模型

3.1"一維卷積神經(jīng)網(wǎng)絡(luò)

本文構(gòu)建的1D CNN結(jié)構(gòu)如圖9所示。其中包括輸入層、卷積層、池化層、全連接層和輸出層。卷積層是CNN的核心部分，其作用是從輸入層的數(shù)據(jù)中提取特征。池化層主要目的是降低特征的維度，將特征圖進(jìn)行采樣以防止過擬合并減少參數(shù)數(shù)量。

經(jīng)過卷積層和池化層的操作后，輸入信號(hào)的特征提取完成。提取的特征信號(hào)通過展開層（flatten）整合成一列向量。通過全連接層（fullyconnection layer）獲取全局信息，進(jìn)一步處理這些特征以獲取全局上下文信息。輸出層采用softmax函數(shù)對(duì)特征進(jìn)行多類別的概率分布預(yù)測(cè)。

3.2"1D CNN-POA參數(shù)設(shè)置

鑒于振動(dòng)故障電弧的隨機(jī)性和不穩(wěn)定性，CNN存在著缺乏靈活性、計(jì)算復(fù)雜度高、數(shù)據(jù)需求量大等缺點(diǎn)。對(duì)CNN進(jìn)行改進(jìn)，通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)或使用優(yōu)化算法等方式，對(duì)CNN診斷故障電弧的能力進(jìn)行進(jìn)一步優(yōu)化與增強(qiáng)，很好地提高CNN對(duì)故障電弧的識(shí)別能力，增強(qiáng)魯棒性，能夠準(zhǔn)確識(shí)別串聯(lián)故障電弧。

本文設(shè)計(jì)的1D CNN-POA神經(jīng)網(wǎng)絡(luò)具有11層結(jié)構(gòu)，由4層卷積層、4層池化層以及3層全連接層組成。

為防止梯度消失的問題，為每一層卷積層設(shè)置了批量歸一化以加速網(wǎng)絡(luò)的收斂，同時(shí)在前2層全連接層后設(shè)置了dropout層，其會(huì)隨機(jī)將一部分神經(jīng)元的輸出置為0，可以迫使網(wǎng)絡(luò)學(xué)習(xí)到更加魯棒和穩(wěn)健的特征，能夠有效防止過擬合。池化層為最大池化層，池化核長(zhǎng)度和步長(zhǎng)都為2。設(shè)置邊緣補(bǔ)零方式防止邊緣信息丟失。全連接層設(shè)置在卷積層和池化層之后，單元數(shù)為416，最后經(jīng)由輸出層完成目標(biāo)的分類。

激活函數(shù)均采用ReLU函數(shù)，損失函數(shù)選用交叉熵?fù)p失函數(shù)，優(yōu)化器采用Adam優(yōu)化器，batch_size設(shè)置為16，能夠更加精細(xì)地提取電弧特征。在POA中，個(gè)體因子C1設(shè)置為0.3，該參數(shù)表示個(gè)體基于自己過去經(jīng)驗(yàn)的學(xué)習(xí)能力。個(gè)體通過C1參數(shù)來探索新的解決方案，即會(huì)考慮自己的歷史最優(yōu)位置來更新當(dāng)前的位置。群體因子C2設(shè)置為0.2，該參數(shù)反映個(gè)體基于群體信息的學(xué)習(xí)能力。個(gè)體通過C2參數(shù)利用群體知識(shí)，即會(huì)考慮群體的歷史最優(yōu)位置來更新自己的位置。慣性權(quán)重w設(shè)置為0.9，用來控制個(gè)體速度的影響程度，隨著迭代過程的進(jìn)行可能會(huì)逐漸減小，從而在算法初期允許較大的探索空間，在后期則減少探索以促進(jìn)開發(fā)。因此學(xué)習(xí)率不用再過多地進(jìn)行設(shè)置，POA會(huì)輸出最佳候選解，找到1D CNN的最優(yōu)超參數(shù)，學(xué)習(xí)率和權(quán)重參數(shù)的最小值設(shè)為0.001，最大值設(shè)為0.1。使用Pytorch框架訓(xùn)練和測(cè)試1D CNN-POA網(wǎng)絡(luò)，其經(jīng)過訓(xùn)練后，即可用于快速振動(dòng)故障電弧檢測(cè)。

4"實(shí)驗(yàn)結(jié)果與分析

4.1"評(píng)判標(biāo)準(zhǔn)

在本實(shí)驗(yàn)中，采取一種綜合性的數(shù)據(jù)處理策略，即將不同振動(dòng)頻率的信號(hào)樣本進(jìn)行系統(tǒng)性聚合，以便構(gòu)建一個(gè)多元化的數(shù)據(jù)集供神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)。該策略的目的在于促進(jìn)模型對(duì)各類振動(dòng)頻率特征的深入理解和掌握，避免模型僅對(duì)單一振動(dòng)頻率建立起認(rèn)識(shí)框架，進(jìn)而在遭遇未訓(xùn)練過的新振動(dòng)頻率時(shí)，仍能保持較高的識(shí)別準(zhǔn)確度。

同時(shí)將燃弧振動(dòng)頻率分別為40 Hz、45 Hz、50 Hz的數(shù)據(jù)整合成一個(gè)數(shù)據(jù)集，送進(jìn)構(gòu)建好的1D CNN-POA神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，充分提取不同振動(dòng)頻率之間電弧信號(hào)的固有特征。本文以準(zhǔn)確率（Accuracy）、召回率（Recall）、F1值（F1 Score）和混淆矩陣為模型的評(píng)價(jià)標(biāo)準(zhǔn)。評(píng)判指標(biāo)結(jié)果如圖10所示。

4.2"實(shí)驗(yàn)結(jié)果

準(zhǔn)確率（Accuracy）是評(píng)估模型預(yù)測(cè)結(jié)果正確性的一個(gè)重要指標(biāo)，反映模型預(yù)測(cè)為故障的電弧中實(shí)際確實(shí)為故障電弧的比例。由圖10可知，識(shí)別準(zhǔn)確率為0.997 2，即正確率為99.72%，所構(gòu)建的1D CNN-POA神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確有效地判斷出故障電弧數(shù)據(jù)，預(yù)測(cè)結(jié)果更接近實(shí)際情況。召回率（Recall）是評(píng)估模型捕捉所有可能故障電弧能力的一個(gè)指標(biāo)，反映模型實(shí)際檢測(cè)到的故障電弧數(shù)量占所有實(shí)際存在的故障電弧數(shù)量的比例。圖10中召回率為0.989 8，意味著該模型能夠較好地覆蓋所有可能的故障電弧，從而提高故障檢測(cè)的全面性。F1值（F1 Score）是一個(gè)綜合考慮準(zhǔn)確率和召回率的指標(biāo)，是準(zhǔn)確率和召回率的調(diào)和平均值。圖10中F1值為0.993 5，意味著模型的預(yù)測(cè)結(jié)果既有較高的準(zhǔn)確性，又有較好的全面性。

1D CNN-POA訓(xùn)練結(jié)果如圖11所示。圖11中，當(dāng)?shù)螖?shù)達(dá)到240次，即完成了4輪完整的epoch后，訓(xùn)練準(zhǔn)確率開始接近于100%，表明模型的學(xué)習(xí)效果逐漸趨于理想。此外，隨著訓(xùn)練的持續(xù)進(jìn)行，損失函數(shù)值也呈現(xiàn)出持續(xù)下降的趨勢(shì)，這進(jìn)一步證實(shí)模型正在逐步優(yōu)化并逼近最優(yōu)解。然而，當(dāng)?shù)螖?shù)達(dá)到1 200次，也就是20個(gè)epoch后，模型的準(zhǔn)確率和損失函數(shù)值均趨于穩(wěn)定，不再發(fā)生顯著變化，標(biāo)志著模型已經(jīng)達(dá)到收斂狀態(tài)，學(xué)習(xí)過程結(jié)束。

模型的預(yù)測(cè)結(jié)果混淆矩陣如圖12所示。通過該混淆矩陣可知，故障電弧數(shù)據(jù)的識(shí)別準(zhǔn)確率為100%，僅有2.04%的正常數(shù)據(jù)被識(shí)別成電弧數(shù)據(jù)，表明該模型能夠?qū)θ嘟涣髡駝?dòng)故障電弧進(jìn)行有效的識(shí)別。

4.3"識(shí)別結(jié)果分析

為深入理解神經(jīng)網(wǎng)絡(luò)的擬合效果，本研究采納一種基于t分布的改進(jìn)型非監(jiān)督聚類技術(shù)，即t-SNE，用于對(duì)測(cè)試集數(shù)據(jù)進(jìn)行嵌入和可視化分析。通過將測(cè)試樣本輸入訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)中，利用t-SNE技術(shù)進(jìn)行特征提取和降維處理，本文對(duì)模型的分類性能進(jìn)行細(xì)致的評(píng)估和解析。該方法能夠有效揭示數(shù)據(jù)內(nèi)在的結(jié)構(gòu)和模式，從而對(duì)模型的預(yù)測(cè)能力及泛化性能提供直觀的展示和解釋。通過這種方式，能夠全面審視模型在面對(duì)新數(shù)據(jù)時(shí)的表現(xiàn)，及其對(duì)于不同類別間的區(qū)分度和邊界清晰度，進(jìn)而對(duì)模型的整體效能做出精確的評(píng)判。利用t-SNE降維的網(wǎng)絡(luò)輸出結(jié)果如圖 13所示。

由圖13可知，故障和正常的標(biāo)簽彼此明顯地分離，從降維結(jié)果可知，該網(wǎng)絡(luò)的泛化性能較好，已滿足電弧故障的識(shí)別要求。

4.4"與現(xiàn)有的方法對(duì)比

為了驗(yàn)證本文提出方法的有效性，選取3種不同的神經(jīng)網(wǎng)絡(luò)框架進(jìn)行比較分析。電弧故障識(shí)別結(jié)果對(duì)比如表3所示。在實(shí)驗(yàn)中，發(fā)現(xiàn)2D CNN和殘差神經(jīng)網(wǎng)絡(luò)（ArcNet）在故障電弧識(shí)別方面的性能與本文提出的1D CNN-POA模型相當(dāng)。但這2種網(wǎng)絡(luò)的輸入要求是二維矩陣形式，這意味著無法直接處理來自上位機(jī)的一維電弧數(shù)據(jù)，必須先將其轉(zhuǎn)換為灰度圖像才能被納入訓(xùn)練流程。這一額外步驟不僅增加處理的復(fù)雜性，而且在特征提取過程中可能引入信息損失，影響最終的識(shí)別精度。相比之下，雖然LSTM神經(jīng)網(wǎng)絡(luò)能夠處理一維數(shù)據(jù)，但由于其內(nèi)在的梯度問題，其識(shí)別率明顯低于本文提出的模型。LSTM神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)期依賴關(guān)系時(shí)易遭遇梯度消失或爆炸的問題，這會(huì)導(dǎo)致訓(xùn)練難度增加，從而影響模型的性能。本文提出的1D CNN-POA模型在處理一維電弧數(shù)據(jù)時(shí)展現(xiàn)出更高的便利性和更好的性能。

5"結(jié) 語

針對(duì)三相交流串聯(lián)振動(dòng)故障電弧問題，本文提出一種基于1D CNN-POA的三相交流串聯(lián)故障電弧檢測(cè)方法。該方法可以直接輸入上位機(jī)提供的一維電弧數(shù)據(jù)，通過引入POA提升檢測(cè)精度，并與多種模型進(jìn)行對(duì)比，證明所提方法可有效檢測(cè)三相交流串聯(lián)型振動(dòng)故障電弧，識(shí)別準(zhǔn)確率達(dá)99.72%，具有良好的識(shí)別穩(wěn)定性和泛化能力。

【參 考 文 獻(xiàn)】

［1］"郭鳳儀，王智勇.電器基礎(chǔ)理論［M］.北京：機(jī)械工業(yè)出版社，2019.

［2］"熊慶，汲勝昌，陸偉鋒，等.低氣壓下串聯(lián)直流電弧故障電磁輻射幅值及頻率特性［J］.中國電機(jī)工程學(xué)報(bào)，2017，37（4）：1071-1079.

［3］"高漢林，許峰，張涵.光伏系統(tǒng)直流故障電弧特性與檢測(cè)裝置研究［J］.電器與能效管理技術(shù)，2022（11）：46-53.

［4］"劉艷麗，郭鳳儀，李磊，等.一種串聯(lián)型故障電弧數(shù)學(xué)模型［J］.電工技術(shù)學(xué)報(bào)，2019，34（14）：2901-2912.

［5］"楊帆，高有華.Mayr電弧模型下GIS中快速暫態(tài)過電壓的仿真分析［J］.電器與能效管理技術(shù)，2024（2）：28-32.

［6］"劉艷麗，郭鳳儀，李磊，等.礦井供電系統(tǒng)串聯(lián)型故障電弧仿真分析及診斷方法［J］.煤炭學(xué)報(bào)，2019，44（4）：1265-1273.

［7］"ZHANG T， ZHANG R C， WANG H Q， et al.Series AC arc fault diagnosis based on data enhancement and adaptive asymmetric convolutional neural network［J］.IEEE Sensors Journal，2021，21（18）：20665-20673.

［8］"PAUL K C， ZHAO T F， CHEN C， et al.Efficient-ArcNet：series AC arc fault detection using lightweight convolutional neural network［C］//2021 IEEE Energy Conversion Congress and Exposition （ECCE），2021：1328-1333.

［9］"WANG Y， HOU L M， Paul K C， et al.ArcNet：Series AC arc fault detection based on raw current and convolutional neural network［J］.IEEE Transaction On Industrial Informatics，2022，18（1）：77-86.

［10］"ZHANG S， QU N， ZHENG T F， et al.Series arc fault detection based on wavelet compression reconstruction data enhancement and deep residual network［J］.IEEE Transactions on Instrumentation and Measurement，2022，71：3508409.

［11］"高小慶，陳曉軍，鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型［J］.電器與能效管理技術(shù)，2021（3）：6-7.

［12］"陳長(zhǎng)征.設(shè)備振動(dòng)分析與故障診斷技術(shù)［M］.北京：科學(xué)出版社，2007.

［13］"LIU Y L， LV Z Y， ZHANG S Y， et al.Feature extraction and detection method of series arc faults in a motor with inverter circuits under vibration conditions［J］.IEEE Transactions on Industrial Electronics，2024，71（6）：6294-6303.

［14］"張西瑞.不同振動(dòng)頻率對(duì)串聯(lián)型故障電弧特性的影響［D］.阜新：遼寧工程技術(shù)大學(xué)，2018.

［15］"高悅哲，王智勇，郭鳳儀，等.三相電動(dòng)機(jī)和變頻器條件下串聯(lián)故障電弧頻域特征研究［J/OL］.電氣工程學(xué)報(bào)：1-8［2024-05-10］.http：//kns.cnki.net/kcms/detail/10.1289.TM.20231215.1033.004.html.

［16］"GAO H X， WANG Z Y， Tang A X， et al.Research on series arc fault detection and phase selection feature extraction method［J］.IEEE Transactions on Instrumentation and Measurement，2021，70：2004508.

［17］"王堯，田明，劉峰，等.低壓交流電弧故障檢測(cè)方法研究綜述［J］.電器與能效管理技術(shù)，2018（10）：8-13.

［18］"LI Z Y， CAI D S， Luo S， et al.A review on arc fault diagnosis methods for DC distribution networks［C］//2024 The 6th Asia Energy and Electrical Engineering Symposium，2024：639-644.

收稿日期： 20240606