基于遺傳算法和神經(jīng)網(wǎng)絡的故障電弧檢測算法研究

杭州電子科技大學微電子CAD研究所 黃佳平 馬 琪浙江大學超大規(guī)模集成電路設計研究所 竺紅衛(wèi)

基于遺傳算法和神經(jīng)網(wǎng)絡的故障電弧檢測算法研究

杭州電子科技大學微電子CAD研究所 黃佳平 馬 琪
浙江大學超大規(guī)模集成電路設計研究所 竺紅衛(wèi)

由于采集的原始信號含有過多的干擾信號,首先在對信號分析之前對原始信號進行了降噪,,然后利用小波分析對非平穩(wěn)和非線性的信號能夠很好的分析其局部變化的特點,用于對故障電弧在時頻域內的分解并提取了用于神經(jīng)網(wǎng)絡輸入的多個相關特征量,同時在實驗期間針對BP神經(jīng)網(wǎng)絡存在的容易陷入局部優(yōu)化和訓練過慢等特點,采用了遺傳算法來對神經(jīng)網(wǎng)絡進行進一步的優(yōu)化。實驗結果表明,該直流電弧故障檢測方法的判斷準確率和誤判率令人滿意。

小波分析;電弧故障檢測;遺傳算法;神經(jīng)網(wǎng)絡

0 引言

直流電弧故障往往發(fā)生在采用大功率的直流電壓供電的設備中,如果不及時檢測并斷開電路,會損壞電氣設備甚至引起火災[1]。許多年前,對直流電弧的檢測就開始有研究,在航空系統(tǒng),利用快速傅里葉變換(Fast Fourier Transformation,FFT)與神經(jīng)網(wǎng)絡的結合能夠實現(xiàn)直流電弧故障的檢測方法[2];基于小波分析在不同頻段能量信號強度變化明顯,從而將其不同子帶的能量通過重建能夠量化成一個變量[3]。而最近,對直流故障電弧的檢測發(fā)展到了各個方面和領域,并且取得了不小的進展。其中包括在新型微網(wǎng)中,提出了一種基于統(tǒng)計分析的方法對直流故障電弧的檢測實現(xiàn)[4],還有通過對接受信號強度的判斷來檢測故障電弧[5-6]。此外在光伏設備系統(tǒng)上,也進行了不少研究,其中包括通過多標準算法實現(xiàn)直流故障電弧的檢測[7-8]。

本文提出了一種基于信號時頻域分析(主要采用小波包分析和傅里葉分析[9])和神經(jīng)網(wǎng)絡結合的故障電弧檢查方法。通過分析直流電弧故障發(fā)生時電流在時頻域的特征變化,提取合適的特征值,并結合BP神經(jīng)網(wǎng)絡來檢測直流電弧故障。同時針對BP神經(jīng)網(wǎng)絡收斂慢的缺點,采用遺傳算法(Genetic Algorithm,GA)來獲得BP神經(jīng)網(wǎng)絡的初始化權值,從而加快神經(jīng)網(wǎng)絡的訓練收斂速度。

1 信號降噪及特征量提取

從大功率電子設備直流供電系統(tǒng)原始采集到電流信號中存在較強的干擾噪聲,嚴重影響了特征提取,故首先需要對原始信號進行去噪,降噪的模型如下圖1所示。采用小波變換來對故障信號進行降噪處理,小波分析的降噪過程大致分為:分解、作用閾值、重建。其降噪結構如圖2所示。

通過對正常情況下和發(fā)生電弧故障時直流電流信號分別作了FFT分析,其分析結果如圖3和圖4所示。觀察發(fā)現(xiàn)正常情況下直流電流在整個頻段內其各頻率的幅值很小,而發(fā)生電弧故障情況時由于伴隨著隨機現(xiàn)象,所以在這個頻段內的幅值都有所增加,特別的在10～25kHz頻段內各頻率的幅值基本維持在4*10-3,而在正常情況下頻段內為1*10-4,相比較電弧故障發(fā)生時在該頻段內增加了40倍左右。

圖1 小波降噪模型

圖2 小波去噪信號

圖3 未降噪信號的FFT分析

通過上述FFT分析,也發(fā)現(xiàn)正常情況下和發(fā)生電弧故障時直流電流低中頻段能量有所變化,但是由于信號去掉噪聲后依然存在噪聲,FFT分析出來的結果顯得比較模糊。故本文繼續(xù)對相應頻段進行小波包分析,在小波變換基礎上對細節(jié)系數(shù)(即高頻信號)繼續(xù)分解。其小波包分解系數(shù)如圖5所示。

圖4 降噪信號的FFT分析

圖5 小波樹各系數(shù)分布

通過分解后可以發(fā)現(xiàn),4層小波包分解后節(jié)點Node(4,1)-Node(4,4)的RMS值的變化如圖6所示。正常情況下(左列圖)在選取頻段內的RMS值都很小,而當發(fā)生電弧故障時(右列圖)選取頻段內的RMS值出現(xiàn)劇烈波動。

圖6 小波分析各層系數(shù)RMS分布

2 遺傳算法

傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在訓練收斂慢以及容易陷入局部最優(yōu)值的問題,在處理復雜的非線性問題,不同的權值對網(wǎng)絡訓練收斂的時間有著較大的影響。本文采用GA來獲得網(wǎng)絡輸入初始化權值,通過在網(wǎng)絡訓練之前先對權值進行基于GA的全局搜索,找到一個適合問題的近似最優(yōu)解。

本文采用GA獲得BP神經(jīng)網(wǎng)絡初始化權值的主要步驟如下:

(1)編碼方案的選擇。

由于電弧故障檢測的輸入樣本(直流電流信號)的上述各個特征量都是在一定范圍的實數(shù),因此選擇實數(shù)編碼,個體的編碼長度就是特征變量的個數(shù)。

(2)初始化群體。

根據(jù)上述分析選取的特征變量,每一個實數(shù)值可以通過隨機數(shù)獲取。其染色體組成如圖7所示。

圖7 "染色體"組成

(3)適應度函數(shù)FIT的選取。

由于需要將GA結合到神經(jīng)網(wǎng)絡當中,故可以結合神經(jīng)網(wǎng)絡的輸出誤差MSE,其數(shù)學表達式為式1.及其測試結果如圖8和9所示。

圖8 遺傳算法MSE測試結果

圖9 遺傳算法FIT函數(shù)測試結果

(4)遺傳算子。

交叉算子采用兩點交叉。根據(jù)概率pc隨機選擇兩個種群個體并產(chǎn)生在這兩個個體上需要發(fā)生基因交叉點位置的整數(shù),交換兩個位于兩個整數(shù)之間的基因位。變異算子采用外變異。根據(jù)概率Pm隨機選擇一個種群個體并產(chǎn)生一個需要在這個個體上發(fā)生基因變異的整數(shù),并根據(jù)式2,對該基因位發(fā)生一定的變化。

式2為遺傳算法的變異算子數(shù)學表達式。Rand()函數(shù)產(chǎn)生一個隨機數(shù),表示變異位為向左變異還是向右變異。L,H分別為變異位浮點數(shù)的下界值和上界值,X為變異前的浮點值,X'為發(fā)生變異后的浮點值。

3 建立神經(jīng)網(wǎng)絡

(1)輸入層與輸出層神經(jīng)元個數(shù)確定:輸入神經(jīng)元個數(shù)為4個,分別是小波包分解Node(4,1)-Node(4,4)的平均RMS值。對于輸出,由于檢測電弧故障有無,故只需1個輸出神經(jīng)元來表示"0"或者"1"。

(2)隱藏層神經(jīng)元個數(shù)確定:一般情況三層BP神經(jīng)網(wǎng)絡就可以很好的對任何非線性的問題實現(xiàn)的映射。對于隱藏層的神經(jīng)元個數(shù)確定是一個復雜的問題。因為沒有理論支持隱藏層神經(jīng)個元數(shù)的確定,一般只是根據(jù)設計者的實踐經(jīng)驗和反復地選取不同神經(jīng)元個數(shù)測試網(wǎng)絡的性能。故可以通過如下經(jīng)驗公式并結合實驗反復訓練來確定神經(jīng)元個數(shù)。

2)N2=2N1+1,其中N1表示輸入層神經(jīng)元數(shù),N2為隱藏層神經(jīng)元數(shù)。

實驗α的取值范圍為4,5,6,7,8,9不同值,停止條件是Epoch>=5000或者Gradient<=1.00e-06,實驗結果如表1:

表1 α取不同值對網(wǎng)絡性能影響

實驗的目的是對于故障電弧的識別,網(wǎng)絡的輸出允許有假陰FN(即樣本標簽為1,測試結果為0),而盡量避免出現(xiàn)假陽FP(即樣本標簽為0,測試結果為1)。通過實驗可以知道當隱藏層取神經(jīng)元數(shù)取9(α=7)時,網(wǎng)絡預測能力最好,網(wǎng)絡訓練結果是TPR=99.5%, FPR=0.039%。

4 實驗

對采集的故障信號進行上述降噪和特征提取后,形成14634個特征量數(shù)據(jù),選取其中的5212個作為訓練樣本,9422個作為測試數(shù)據(jù)。將5212個訓練樣本(包括2545個標簽為1的電弧故障樣本和2667個標簽為0的正常情況樣本)輸入到GA_BPNN中進行多次訓練,訓練至網(wǎng)絡輸出誤差為判別準確率TPR>99.6%、誤判率FPR<0.04%。其實驗結果如表2所示。

表2 GA_BPNN測試結果統(tǒng)計表

圖10 網(wǎng)絡模型的ROC曲線(AUC=0.97)

用9422個測試數(shù)據(jù)(包括4239個標簽為1的電弧故障數(shù)據(jù)和5183個標簽為0的正常情況樣數(shù)據(jù))對訓練好的GA_BPNN進行直流電弧故障檢測效果測試,其統(tǒng)計結果如表3所示,直流電弧故障判別準確率為99.76%,誤判率為0.019%,檢測效果令人滿意。其網(wǎng)絡模型的ROC曲線如圖10所示。可以計算得出網(wǎng)絡模型AUC達到了0.97.

5 結束語

通過分析故障電弧信號,并得到了有效的特征量,提出了一種基于遺傳算法和神經(jīng)網(wǎng)絡結合的故障電弧檢測方法。通過實驗證明了在對信號特征提取有效達到一定程度時,可緩解網(wǎng)絡訓練的時間并且使網(wǎng)絡的預測結果依舊可以維持在一個較高的準確度。在以后的工作中可以把重點放在更多有效的網(wǎng)絡模型上,嘗試不同網(wǎng)絡模型對故障電弧檢測的有效性。

[1]Hamiltion H,Schulz N N。DC protection on the electric ship[J]。 IEEE Transactions on Power Electronics,2006,21(3):633-638.

[2]Momoh J A,Button R。Design and analysis of aerospace DC arcing faults using fast fourier transformation and artificial neural network[J]。 IEEE Power Engineering Society General Meeting,2003,14(5):788-793.

[3]Yum M G,Li W,Zhuo Q W。Wavelet packet analysis applied in detection of low-voltage dc arc fault[J]。IEEE Conference on Industrial Electronics and Applications,2009,16(3):4013-4016.

[4]Seo G S,Ha J I,Lee K C。Series arc fault detection method based on statistical analysis for dc Microgrids[J]。IEEE Applied Power Electronics Conference and Exposition,2016,12(3):487-492.

[5]Yang S K,Kim Y S,Lee J。A study on arc detection using RSSI(Received Signal Strength Indication)[J]。Electrical Machines and Systems,2015,13(3):608-611.

[6]Seo G S,Kim K A。A new DC arc fault detection method using DC system component modeling and analysis in low frequency range[J]。IEEE Applied Power Electronics Conference and Exposition,2015,12(3):238-244.

[7]Gao Y,Zhang J,Lin Y,Sun Y。An innovative photovoltaic DC arc fault detection method through multiple criteria algorithm based on a new arc initiation method[J]。IEEE Photovoltaic Specialist Conference,2014,16(3):388-392.

[8]Schimpf F,Norum L。Recognition of electric arcing in the dc wiring of photovoltaic systems[J]。IEEE International Telecommunications Energy Conference,2009,15(4):311-316.

[9]Wang Z,McConnel S。Arc fault signal detection Fourier transformation and wavelet decomposition techniques using synthesized data[J]。IEEE Photovoltaic Specialist Conference,2014,15(4):339-344.

[10]T Schoepf,M Naidu。Mitigation and analysis of arc faults in automotive dc networks[J]。IEEE Transactions on Components and Packaging Technologies,2013,14(4):411-415.

Research of fault arc detection algorithm based on genetic algorithm and neural network

Huang Jiaping1Ma Qi1Zhu Hongwei2
(1.CAD Research Center,Hangzhou Dianzi University,Hangzhou,310018,China; 2.VLSI Design Research Institute,Zhejiang University,Hangzhou,310027,China)

Because the original signal contains too much interference in the signal analysis,first before the original signal noise,and then use wavelet analysis to analysis the characteristics of the local variation of the good signal to the nonlinear and non-stationary,for arc fault in time and frequency domain decomposition for multiple extraction the relevant features of neural network input,at the same time during the experiment for BP neural network is easy to fall into local optimization and slow training characteristics,use the genetic algorithm to optimize the neural network。The experimental results show that the fault detection method of the DC arc fault detection accuracy and false positive rate is satisfactory。

Wavelet analysis;Arc Fault Detection;Genetic Algorithm;Neural Network

黃佳平(1992-),男,研究生,研究方向:嵌入式軟件開發(fā)。

馬琪(1968-),男,博士,研究員,研究方向:嵌入式系統(tǒng)設計。

竺紅衛(wèi)(1966-),男,副教授,研究方向:嵌入式系統(tǒng),EDA。