一种交流串联电弧故障识别方法

技术领域

一种交流串联电弧故障识别方法，属于电气工程测量领域。

背景技术

在住宅居住类场所，插座脱落以及插线板或线路老化、过载、接口断裂等原因可能引发故障电弧。故障电弧是电气火灾的重要诱因，是自持放电的一种形式。当电压高于12V，电流超过0.25A，两个带电导体将要接触或分离时，导体间隙就会产生电弧，其发生时会产生大量热能，伴有高温残渣溅射，极易引燃周围可燃易爆品，引发火灾与爆炸事故，危及人民生命及财产安全。但在实际工程应用中，因其隐蔽性强、随机性大、受负载影响较大等特点，很难对其做到准确检测。

根据发生电弧故障时线路电流、电压信号的变化规律、发生电弧故障时表现的不规则特性等检测故障电弧属于传统算法，传统算法方法虽然实时性强，但公共阈值难以确定。运用人工神经网络、机器学习等方式，但需要通过大量的训练、筛选数据后才能够保证算法的精准度，对数据依赖性大。

申请号为201911336500，专利名为“一种基于卷积神经网络的串联故障电弧检测装置及方法”的中国发明专利，以及申请号为202110386461，专利名为“一种基于卷积神经网络的串联型电弧故障诊断及选线方法”的中国发明专利分别公开了针对串联故障电弧检测的技术方案，但是以上那个两个技术方案存在输入量特征信息不明显、数据集维度大，导致模型训练过程繁琐、模型精度仅在训练集下才得以保障、模型鲁棒性差等缺陷。申请号为202210376530，专利名为“分步式故障电弧检测方法及装置、电子设备、存储介质”的中国发明专利中，公开了利用小波变换和CNN卷积神经网相结合的方式络进行电弧故障识别的技术方案，但同样存在数据集维度大的缺陷，其单组数据维度可达1×10000，导致训练过程复杂、训练时间较长的问题。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种对训练数据进行二次维度的压缩，相比较现有技术中利用小波变换和神经网络模型的结合的方式，导致训练过程复杂、模型鲁棒性差问题的交流串联电弧故障识别方法。

本发明解决其技术问题所采用的技术方案是：该交流串联电弧故障识别方法，其特征在于：包括如下步骤：

步骤a，搭建低压交流串联电弧故障实验平台；

步骤b，利用实验平台，采集不同类型负载的电流数据，并进行故障特性分析；

步骤c，利用故障电弧电流具有奇异性特性的特点，进行第一次数据维度的压缩；

步骤d，进行第二次数据维度的压缩；

步骤e，提取特征值系数σ，创建特征值矩阵，作为神经网络的输入量，并进行特征标注；

步骤f，创建并训练故障监测模型；

步骤h，利用创建的故障监测模型，对线路中的交流电弧故障进行识别。

优选的，在所述的步骤c中，对信号进行小波变换提取小波系数的方式，进行第一次数据维度的压缩，小波变换表达式为：

其中：

优选的，在步骤d中，对所述的小波系数进行汉克尔特征矩阵的构造，并进行特征值分解，进行第二次数据维度的压缩，并消除小波系数中的冗余信息。

优选的，对小波系数进行汉克尔特征矩阵的构造，其构造方式为：

其中，1

优选的，在进行特征值分解时：假设对于一个实矩阵A∈R

A＝USV

式中：

U＝[u

V＝[v

S＝[diag(σ

其中，0为零矩阵，A＝min(m,n)，且有σ

优选的，在步骤e中，所述的神经网络依次包括：卷积层、第一池化层、第一分组卷积层、第二池化层、第二分组卷积层、第三分组卷积层、全局平均池化层以及分类层。

与现有技术相比，本发明所具有的有益效果是：

1、在本交流串联电弧故障识别方法中，对训练数据进行二次维度的压缩，相比较现有技术中利用小波变换和神经网络模型的结合的方式，导致训练过程复杂、模型鲁棒性差的问题。

2、在本交流串联电弧故障识别方法中，提出基于小波变换融合特征值分解的信号处理方法，可对故障电流信号进行降维，消除信号中冗余特征信息，保留故障时的关键特征信息，单组数据维度仅为1×27，可使CNN模型快速完成训练。

3、相比较现有技术中普遍利用小波变换实现奇异点检测的问题，在本交流串联电弧故障识别方法中利用小波变换提取小波系数的方式对数据维度进行压缩，同时突出了故障特性。

4、在现有技术中，特征值分解(EVD)主要应用于信号处理、图像处理领域中解决特征量提取的技术问题，而在本交流串联电弧故障识别方法中，对小波系数进行汉克尔特征矩阵的构造，并通过EVD分解，在保留小波系数故障特性的基础上，进一步实现了数据维数的压缩，并消除小波系数中的冗余信息。

5、在本交流串联电弧故障识别方法中，建立了CNN电弧故障检测模型，能够在多种工况下适用于多种不同特性负载的电弧故障检测，解决了传统算法在多种负载间难以找到公共检测阈值的难题。

6、在本交流串联电弧故障识别方法中，提出基于小波变换和特征值分解融合CNN网络的串联电弧故障识别方法，以电弧发生时的奇异性为理论依据，通过小波变换和EVD分解提取特征量，训练CNN电弧故障检测模型，模型可对不同特性的负载完成电弧故障识别，且训练过程简单，可提高民用场合下的用电安全性。

7、在本交流串联电弧故障识别方法中，相比较传统的CNN模型参数规模较大，计算成本高的缺陷，采用卷积拆分和分组卷积的方式降低卷积核参数数量，且采用批规范化算法加速模型的收敛速度，同时采用全局平均池化完成特征向量化，解决了同样全连接层在进行特征向量化后参数过多，容易导致过拟合的问题。

附图说明

图1为交流串联电弧故障识别方法流程图。

图2a～2h为不同负载正常及故障电流波形图。

图3为不同负载小波变换后第一层细节分量波形图。

图4为不同负载不同状态下的特征值比较波形图。

图5为交流串联电弧故障识别方法CNN模型架构图。

图6为交流串联电弧故障识别方法CNN模型训练效果波形图。

具体实施方式

图1～6是本发明的最佳实施例，下面结合附图1～6对本发明做进一步说明。

如图1所示，一种交流串联电弧故障识别方法，包括如下步骤：

步骤1001，搭建实验平台；

针对220V/50Hz的电表后民用环境，根据GB/14287.4标准，搭建低压交流串联电弧故障实验平台。

步骤1002，利用实验平台，采集不同类型负载的电流数据，并进行故障特性分析；

采集多种用电负载类型的电流数据，进行故障电弧电流的特性分析，在本交流串联电弧故障识别方法中，所选择的负载类型如表1所示：

表1试验所用负载类型

图2a～图2h分别为上述负载参数下电热器、电钻、电磁炉、电脑、吸尘器、微波炉与电阻组合、电脑与吸尘器组合、电脑与微波炉组合时正常电流与故障电流波形图。由于弧隙在没有被击穿时弧隙电阻非常大，则此时电弧电压可近似看成电源电压，线路电流将基本为零，并一直保持，表现为“零休”现象；电弧燃烧往往伴随着电极的局部挥发，导致弧隙间距、周围气体的成分、电弧的冷却程度等都会呈现动态变化，因此，当每次发生串联电弧故障时，燃弧电压不可能完全相同，导致了相邻的半工频周期内线路电流无论是有效值还是电流突变时刻都呈现一定的随机性。且由于燃弧时的电离放电过程，导致电流在高频段含有高频噪声。因此，线路发生低压交流串联电弧故障时，电流具有奇异性、含高频噪声和随机性等特点。因此部分负载波形中故障前后波形变化较为明显(如吸尘器)，部分负载波形故障前后波形变化不明显(如电热器)。

步骤1003，进行第一次数据维度压缩；

利用故障电弧电流具有奇异性特性的特点，对信号进行小波变换提取小波系数，在压缩数据维数的同时突出故障了特性；

小波变换表达式为：

其中：

不同负载故障前后离散小波系数如图3所示，图3中自上而下依次为电热器、吸尘器、微波炉与电脑组合、电脑以及电磁炉等各类型故障在故障前后小波变换后第一层细节分量波形图。可以发现，故障前后各负载的第一层小波系数均存在一定的突变，但不同负载间，正常与故障阶段数据交叉严重，且特征信号冗余量较多。

步骤1004，进行第二次数据维度压缩；

对小波系数进行汉克尔特征矩阵的构造，并进行特征值分解(EVD)，进一步压缩数据维数和消除小波系数中的冗余信息。

对小波系数进行汉克尔特征矩阵的构造，其构造方式为：

其中，1

对汉克尔矩阵进行特征值分解(EVD)，假设对于一个实矩阵A∈R

A＝USV

式中：

U＝[u

V＝[v

S＝[diag(σ

其中，0为零矩阵，A＝min(m,n)，且有σ

步骤1005，形成训练数据；

提取特征值系数σ，创建特征值矩阵，作为神经网络的输入量，并进行特征标注：对10种负载采集到电流数据进行特征向量σ的提取，并以一维数组的形式存放在.csv文件中，以数据文件所在文件夹为标注依据，有弧故障标注为1，无故障为0。其中每种负载正常165组、故障165组，10种负载总共形成3300组训练数据。

步骤1006，创建并训练故障监测模型；

传统的CNN模型参数规模较大，计算成本高，因此，在本交流串联电弧故障识别方法中，采用卷积拆分和分组卷积的方式降低卷积核参数数量，且采用批规范化算法加速模型的收敛速度，同样全连接层在进行特征向量化后参数过多，容易导致过拟合，故采用全局平均池化完成特征向量化，CNN模型结构如图5所示：包括依次设置的卷积层、池化层(第一)、分组卷积层(第一)、池化层(第二)、分组卷积层(第二)、分组卷积层(第三)、全局平均池化层以及分类层。

将预处理好的3300组数据输入CNN模型中，同时读取数据集和标签，其中抽取3000组作为训练集(1500正常，1500故障)，300组作为测试集进行训练(150正常，150故障)，经过多次训练实验，发现学习率设为0.01，卷积核长度和步长设为6，池化核长度和步长设为6，模型的训练效果如图6所示，总训练时长为33s，在迭代了100次以后训练准确率稳定在98％附近，同时网络的损失值曲线也趋于稳定，模型开始收敛。对测试集的检测结果为：对测试集中150组正常电流半周期数据和150组故障电流半周期数据的识别正确个数为148和128。

在创建完成CNN模型之后，利用CNN模型对线路中的交流串联电弧故障进行识别。

下面综合考虑多种工况，对本交流串联电弧故障识别方法所创建的CNN故障检测模型性能进行进一步效果验证：

(1)对参与过模型训练的负载类型进行测试：

对参与模型训练的10种典型负载重新各采集100组有效电流的数据，共1000组。每组数据包含100个正常半周期和100个故障半周期，即2s的电流数据，1s为正常，1s为故障。进行CNN模型电弧故障检测性能的验证，检测效果如表2所示：

表2 CNN故障检测模型对训练集负载检测结果

GB/14287.4规定，如果1s内发生14个及以上半周期的故障电弧时，故障电弧断路器应在30s内发出警报信号。结果表明，对故障数据的100个故障电弧半周期(1s)检测中，除了对微波炉负载的50组测试中有4次识别效果没有达到14个的标准，其余每种负载的50组测试均完成14个及以上电弧半周期的有效识别。且对每种负载的100个非故障电弧半周期的误判并未超过14个的标准，不会引起误判。总体而言，在10种负载发生故障的100个电弧半周期中(1s)，对电弧半周期的总体识别精度为80％左右，能完成电弧故障识别的精度在99.6％，且不会的对正常工作信号产生误判。利用CNN模型进行故障检测的方法对10种典型负载可有效的完成状态分类，实现电弧故障识别。

(2)对非训练集负载类型即未知负载进行测试：

在实际工作中，民用电负载种类复杂多变，经常出现未知负载的情况。因此，为了进一步检测CNN模型的检测性能和鲁棒性，采集了5种未参与模型训练的负载类型各50组有效电流数据，进行非训练集负载类型检测，其中每组数据包含100个正常半周期和100个故障半周期，输入模型进行检测，效果如表3所示。仅对卤素灯负载的识别精度较低，为52％左右，其余四种非训练集负载的识别精度均在90％以上。

表3 CNN故障检测模型对非训练集负载类型检测结果

并与其它CNN电弧故障检测模型进行性能比较。

在以往的研究中，将CNN模型用于电弧故障检测的方法虽然对模型进行了大量改进，但是并没有人为的进行特征信息的提取，而是将采集到的原始电流数据进行清洗和筛选后，直接作为模型的输入，大大增加了模型识别特征信息的工作量，导致训练所需数据集庞大，迭代成千上万次才能达到拟合，训练时长达到几个小时，虽然识别精度也有一定保证，但是整个训练过程复杂，无论是前期的数据处理，还是后期的模型训练，都是在巨大的工作量下堆叠起来的，而本发明将CNN模型在电弧特征值的基础上提取特征信息，相当于将电弧特征信息进行放大后再输入到模型中，可使模型的卷积层和池化层迅速提取到关键特征，因此，只需少量数据便可完成模型的训练，可达到快速拟合。

与其它CNN电弧故障检测模型进行性能比较结果如表4所示。

表4为本发明CNN故障检测模型与其它CNN模型对比结果

从训练集数量、特征向量维数、训练时间和总体识别率四个方面来看，本发明提出的模型效果最好。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。