基于改進AlexNet模型的串聯型電弧故障識別方法

朱 晨，王 堯，謝振華，班云升，傅 炳，田 明

(1. 河北工業大學 省部共建電工裝備可靠性與智能化國家重點實驗室，天津 300130；2. 浙江省機電產品質量檢測所有限公司，浙江 杭州 310051； 3. 國網冀北電力有限公司 廊坊供電公司，河北 廊坊 065000)

隨著全社會用電量的不斷攀升，電氣線路及用電設備故障造成的電氣火災事故逐年增加[1]。據統計，低壓配電系統的電氣火災約占火災事故總數的30%，位居各類火災原因之首[1-2]，其中超過40%的電氣火災由電弧故障引起，電弧故障已成為低壓配電系統電氣火災事故的主要誘因。根據故障電流形成原因及流通路徑，電弧故障可以分為串聯型、并聯型以及接地型3種，其中接地電弧故障可歸為并聯型電弧故障[3-5]。

并聯型電弧故障近似短路狀態，電弧電流相對較大，其特征明顯且不易受負載特性影響。串聯型電弧故障不僅受故障支路負載影響，而且還受到與之并聯的正常支路負載影響，因此，串聯型電弧故障比并聯型電弧故障更難識別，是國內外學者關注的熱點[1-5]。

當發生電弧故障時，電弧支路的電流波形發生畸變，并伴有高頻分量，同時負載端電壓波形也發生變化，這是傳統檢測方法的主要依據。Tisserand等[6]利用線電流的代數導數作為電弧故障檢測的特征量。Artale等[7]利用電弧故障電流線性調頻Z變換(chirp Z-transform, CZT)后的低頻諧波進行電弧故障識別。劉曉明等[8]分析了不同負載條件下電弧電流處于零休期間電流高頻分量的變化規律，并將其作為判據進行電弧故障診斷。王堯等[9]利用電弧電流變化率與其有效值的比值以及頻率為6～12 kHz的高頻電流信號進行電弧故障識別，提出一種實用化交流電弧故障快速檢測算法。傳統方法能夠借助快速傅里葉變換(fast Fourier transform，FFT)、離散小波變換(discrete wavelet transform，DWT)等成熟算法進行快速計算，便于微處理器硬件實現，但是，基于電弧電流時頻域特征的傳統檢測方法無法擺脫人為設置的電弧故障識別閾值的束縛，隨著低壓配電系統非線性負載占比越來越高，在某些工況下電路正常工作電流可能與電弧故障電流時頻域特征相近，容易引起誤判或漏判。

人工智能的發展為電弧故障診斷技術研究打開了新的思路，依靠網絡模型訓練能夠自動建立電弧故障識別的邊界條件。馬少華等[10]分析了常用家電和辦公電器正常工作、碳化路徑電弧以及點接觸電弧等不同工況下的電流特征，并進行了相空間重構，結合電弧電流相空間平面圖的信息維數和零休時間建立支持向量機的識別模型。Yang等[11]采用電弧電流半波信號對應的灰度圖像作為模型輸入，提出了一種基于時域可視化卷積神經網絡的電弧故障識別方法。蘇晶晶等[12]提出了一種基于經驗模態分解(empirical mode decomposition，EMD)和概率神經網絡(probabilistic neural network，PNN)的電弧故障多變量判據診斷方法，利用EMD提取電弧故障電流時域特征，并用PNN進行電弧故障診斷。郭鳳儀等[13]采用小波變換提取電弧故障電流高頻特征量，并用支持向量機進行故障診斷。Liu等[14]采用DWT提取電流的時頻域特征，并采用徑向基函數的神經網絡進行電弧故障識別。Siegel等[15]提出了一種具有3層隱藏層的全連接型神經網絡，利用電弧電流預處理結果作為神經網絡輸入量，所采用的數據預處理方法包括離散傅里葉變換、DWT以及梅爾頻率倒譜變換。Wang等[16]提出了一種基于時間和頻率混合分析和全連接神經網絡(hybrid time and frequency analysis and fully-connected neural network，HTFNN)的電弧檢測算法。這些方法無須人為設定故障檢測閾值，并具有較高的電弧故障檢測精度，故障識別準確率一般在95%以上，但是大多需要采用FFT、DWT等時頻域分析方法預先提取故障特征，在一定程度上仍然受到人為因素的影響。

針對現有人工智能電弧故障檢測方法的不足，本文中直接采用原始電流波形作為模型輸入，提出一種基于改進AlexNet模型的串聯型電弧故障識別方法。首先，搭建電弧故障試驗平臺，采集并分析典型線性、非線性負載及其組合條件下電弧故障試驗數據，建立故障電弧數據庫；其次，為了保證電弧故障識別準確率，對AlexNet模型進行改進，并對網絡訓練策略進行優化；最后，分別采用已知負載與未知負載電流信號對所提方法進行試驗驗證。

1 串聯型電弧故障數據庫建立

1.1 串聯型電弧故障試驗平臺與試驗方案

根據國家標準GB/T 31143—2014《電弧故障保護電器(AFDD)的一般要求》設計了串聯型電弧故障試驗平臺，如圖1所示。

MCU—微控制單元； RS232—串口；S1、S2—開關。圖1 串聯型電弧故障試驗平臺

該試驗平臺由220 V/50 Hz交流電源、點接觸式電弧發生裝置、試驗負載以及試驗電流采集裝置等組成。試驗平臺的試驗線路包括正常負載與電弧負載2條支路，該試驗線路既可以進行單一負載(負載2)電弧試驗，也可以開展正常負載(負載1)與電弧負載(負載2)的并聯試驗。

圖中試驗電流數據采集是通過設計的電弧數據采集(data acquisition，DAQ)板采集電流互感器(current transformer，CT)輸出信號實現，其中DAQ板使用STM32H743單片機，采樣率為100 kHz，分辨率為16位。CT輸出信號首先進入有源低通濾波器，信號帶寬被限制在50 Hz～20 kHz，然后被單片機模擬數字轉換器(analog-to-digital converter, ADC)采集，通過程序將信號數據整合后存儲于安全數碼(secure digital，SD)卡或通過內置的RS-232串口實時傳輸到個人計算機(personal computer，PC)上。DAQ板相較示波器而言，采集的電弧數據更趨近于實際微控制單元(microcontroller unit, MCU)運行數據，有利于提高算法對電弧的識別準確率。

由于交流電弧故障保護的應用場合主要是家庭或辦公場所[17]，因此試驗負載不限于國家標準GB/T 31143—2014中涵蓋的非線性負載，還包括常見家用電器如電磁爐、微波爐等。為了模擬更多的實際工況，本文中采集了組合負載電流數據。串聯型電弧故障試驗負載參數及分類如表1所示。

表1 串聯型電弧故障試驗負載參數及分類

通過電弧試驗平臺分別采集每種負載20組正常和電弧故障狀態試驗數據，共400組單一負載電流數據。同時，每種負載組合類型采集10組正常和電弧故障狀態試驗數據，用于測試網絡對未知負載情況下的電弧識別準確率。

1.2 串聯型電弧故障波形數據庫

神經網絡的訓練學習需要大量的樣本數據，同時為了提高網絡模型的泛化能力，需要保證樣本數據的一致性，因此，需要對采集的數據進行預處理來建立數據集，處理過程包括以下3個步驟。

1)數據“清洗”。試驗數據是由多個試驗室在不同時間點采集，可能會導致電弧試驗數據出現異常點。為了消除同類數據的不一致性，提高數據質量，在訓練前通過人為干預對試驗數據進行“清洗”，即對試驗數據進行人工篩選，刪除數據中的異常數據點。需要“清洗”的數據類型主要包括試驗設備引起的電弧數據周期數偏少、由采集設備原因造成采集數據的空缺值等。

2)數據分割。深度學習算法訓練和識別過程對數據格式有一定要求，最基本的要求是每條輸入數據的格式和大小必須保持一致，為此，需要對原始采樣數據進行分割，以工頻周期為基本單位將其處理成等長數據段。

考慮到電弧故障保護國家標準的要求，采用了有重疊的滑動窗口進行數據切割，數據窗口長度為4個工頻周期(4×0.02 s)，數據窗口3個工頻周期(0.06 s)滑動，即數據重疊率為25%，如圖2所示。這種數據切割方法可以滿足算法實時性要求，即串聯型電弧故障最小檢測時間為0.12 s，同時足夠多的數據也保證了算法訓練與識別穩定性和準確度。

圖2 數據分割過程

首先利用MATLAB軟件讀取電流數據，然后從數據開始位置截取4個周期的數據作為一個樣本，之后向后滑動1個周期，再次截取4個周期的數據作為下一個樣本。直到滑動到達文件末尾，并舍棄末尾處不足4個周期的數據。

3)數據標注。經過數據“清洗”、數據分割過程后，單一負載電弧故障數據和正常狀態數據各有5 000組。此時，數據均以后綴為.csv的文件存放于文件夾中。所有的正常狀態數據存放在標注為“正常”的文件夾中，電弧故障狀態數據存放在標注為“故障”的文件夾中。

對電弧數據進行標注主要是為了神經網絡能夠進行下一步訓練。利用MATLAB軟件將數據整理為數據集，數據集中的每一行數據對應一個數據樣本，并在制作過程中同時進行數據標注，以數據文件所在文件夾為標注依據，生成一個數組(有弧數據標注為1，無弧數據標注為0)。在神經網絡進行訓練時，同時讀取數據集及其標簽數據。以電阻負載、電磁爐負載為例，數據樣本標注如圖3所示。

圖3 電阻負載及電磁爐負載標簽樣本

經過數據預處理過程，電弧故障電流數據集保留了原始電流信號的特征，減少了人為提取特征量過程中對經驗的依賴性。同時，經過數據“清洗”過程，減少了噪聲對電弧電流的干擾，有利于提高識別模型的識別準確率。

2 改進的AlexNet模型

2.1 經典網絡模型結構對比

近年來，隨著人工智能技術的不斷發展，在分類問題上人工智能的識別精度越來越高，識別準確率已經達到98%[18]。電弧故障的分類屬于簡單的二分類問題，因此可以采用人工智能的方法對此問題進行研究。本文中研究對比了不同網絡結構的優缺點，如表2所示。

OverFeat模型與AlexNet模型結構相似，但增加了卷積核的個數，計算成本增加1.9倍。VGG-16模型共有16層，包括13個卷積層和3個全連接層。VGG-19模型與VGG-16模型相比，識別錯誤率降低0.1%，但計算成本增加1.27倍。GoogleNet模型共有22層，包括3個卷積層、9個疊加的Inception模塊和1個全連接層。GoogleNet后續出現了更多的改良網絡模型，如Inception-v3、Inception-v4等。Inception-v3模型共有42層，識別錯誤率比GoogleNet模型的低3%，但計算量增加2.5倍。Inception-v4模型的結構更為復雜，識別錯誤率降低0.4%。ResNet模型的一系列網絡都包括殘差模塊，因此又稱為殘差網絡。ResNet-50模型的網絡層次較多，累加次數達到了109數量級，而ResNet模型共有152層，與ResNet-50模型相比，識別錯誤率降低1%，但是權重參數個數增加2.5倍，累加次數增加2.9倍。

表2 主流卷積神經網絡模型計算參數

通過對主流卷積神經網絡(convolutional neural networks, CNN)模型計算參數分析可知，雖然龐大而復雜的多層CNN結構具有較強的學習能力和圖像識別能力；但是網絡層次較多，參數個數顯著增加，訓練時所需要的樣本量巨大，不僅浪費計算成本，還會因層數過多而過度地學習特征，強化噪聲特征，出現過擬合現象，對故障識別結果準確性產生影響，因此，多層次CNN(如GoogleNet、VGG、ResNet等)網絡模型的優勢在電弧故障診斷領域反而成為了劣勢。相較其他的多層次網絡，AlexNet模型較適合用于電弧故障診斷。典型CNN模型的優缺點對比如表3所示。

表3 典型卷積神經網絡模型優缺點對比

2.2 AlexNet模型優化

AlexNet模型包括5個卷積層及3個全連接層，網絡輸入為二維數組，輸出是分類的結果。AlexNet模型結構如圖4所示。

圖4 AlexNet模型結構

AlexNet模型的第1個卷積層包含96個尺寸(行數×列數)為11×11的卷積核，第2個卷積層包含256個尺寸(行數×列數)為5×5的卷積核，第3、4個卷積層分別包括384個尺寸(行數×列數)為3×3的內核，第5個卷積層具有256個尺寸為3×3的內核，網絡的識別結果通過最后一個全連接層輸出。

雖然經典AlexNet模型的網絡結構簡單，但具有2個較大的卷積核，模型參數數量大。相關研究表明，采用多個小尺寸卷積核堆疊代替大卷積核進行特征提取，在不影響數據特征表達基礎上能夠減少網絡參數，加快網絡收斂速度，從而縮短訓練時間，在連通性不變的情況下，效果顯著[19-21]。同時，GoogleNet模型中所使用的Inception模塊結構，也可以通過小卷積核疊加替代大卷積核來提高分類精度，因此，為了減少模型參數，增強模型的非線性表達能力，提升識別精確度，本文中借鑒Inception系列模型思想，使用小卷積核代替大卷積核，對經典AlexNet模型架構進行優化。

經典AlexNet模型有2個大卷積核，其中1個是尺寸為11×11的卷積核，用來提取圖像底層紋理等通用特征，與電弧故障電流特征關聯度不大，因此保留其參數與結構。從卷積原理分析，使用尺寸為3×3的卷積核連續卷積2次可以達到1個尺寸為5×5的卷積核卷積1次提取特征的能力，即這2種卷積過程得到的結果都反映了原始圖像中相同像素時的特征。卷積核替代過程如圖5所示。

在卷積核移動步長為1的前提下，以n(n∈)表示堆疊的卷積核數目，卷積核堆疊后待訓練參數個數為3×3×n，對應的單個卷積核參數可表示為(2n+1)2，則卷積核替代前后訓練權值比r可表示為

(1)

圖5 小尺寸卷積核代替大尺寸卷積核示意圖

由式(1)可知，1個尺寸為5×5的卷積核具有25個待訓練權值，而使用2個步長為1的尺寸為3×3的卷積核，權值個數降到18，節省了28%的計算成本。由于連續2次卷積過程均需要線性整流函數(rectified linear unit，ReLU)的激活，得到了比卷積核替代前更多的非線性特征表達，有利于更全面、精準地提取電弧電流特征，提高電弧故障識別準確率，因此將AlexNet模型中第2個卷積層中尺寸為5×5的卷積核用2個尺寸為3×3的卷積核替代。

通過上述分析，基于改進AlexNet模型的串聯型電弧故障檢測模型由6個卷積層、3個池化層和3個全連接層組成，電弧故障模型的輸入為電弧故障數據集，輸出為線路狀態，即“正常”或“故障”?；诟倪MAleNet模型的串聯型電弧故障識別模型結構如圖6所示。

3 基于改進AlexNet模型的串聯型電弧故障識別方法

3.1 改進AlexNet模型的參數配置

對改進AlexNet模型進行參數配置。激活函數選用ReLU函數，使用dropout正則化，dropout率設置為0.5。權值更新優化算法為隨機梯度下降(stochastic gradient descent，SGD)算法，初始學習率為0.01，若驗證集的準確率隨著迭代次數的增加不再變化，學習率降為之前數值的1/10，則損失函數為交叉熵損失函數。

圖6 基于改進AleNet模型的串聯型電弧故障識別模型結構

根據上述參數，對網絡進行訓練時，需要考慮批次尺寸(batch size)、學習率以及數據集的分割比例等參數的影響。批次尺寸是每一次梯度尋優使用的隨機樣本量大小，關系到網絡的訓練時間和識別準確率，本文中擬選取20、40、60、80、100、120、140組7種批次尺寸的數據進行訓練時間和識別準確率的分析。學習率的大小決定網絡參數的更新幅度，網絡訓練初始階段，較大的學習率有助于網絡快速收斂。隨著迭代次數的增加，網絡趨近于最優點，可通過適當減小學習率來降低參數更新幅度，使網絡收斂于最優點。數據集的分割比例也會影響網絡的識別精度和泛化能力。對于批次尺寸、學習率和數據集的分割比例都需通過試驗來獲取最優值。

3.2 基于改進AlexNet模型的串聯型電弧故障識別流程

基于改進AlexNet模型的串聯型電弧故障識別流程如圖7所示。

圖7 基于改進AlexNet模型的串聯型電弧故障識別流程

電弧故障識別流程具體步驟如下：1)將采集到的電流信號進行數據預處理，得到電弧故障數據集。將數據按照一定比例分為3組，分別作為訓練集、驗證集和測試集。2)網絡參數初始化，網絡模型隨機從訓練集中提取一個樣本，從前向后依次計算得到輸出，通過反向傳播誤差，調整網絡參數并更新網絡模型。然后輸入下一個樣本，直至誤差達到最小，則輸出電弧故障識別模型。3)將測試集輸入電弧故障識別網絡模型得到識別準確率，即可以對模型識別結果進行評估。

4 試驗驗證

為了驗證基于改進AlexNet模型的串聯型電弧故障識別方法的性能，在計算機隨機存儲器內存為32 GB，配置了NVIDIA GeForce GTX 2070顯卡的情況下，分別訓練優化前、后的AlexNet模型并將電弧故障識別結果進行對比分析。

4.1 已知負載電弧故障識別結果分析

分別選取20、40、60、80、100、120、140組樣本7種批次尺寸的數據，分析數據批次尺寸與訓練時間及識別準確率的關系，結果如圖8所示。由圖可以看出，當批次尺寸增加時，電弧故障識別準確率呈現先上升后下降的趨勢，訓練時間呈現快速變短到緩慢變短的趨勢。批次尺寸為100組樣本時，識別準確率最高，訓練時間約為1.7 h，與批次尺寸為120組樣本時相比，雖然訓練時間增加0.1 h左右，但準確率提高約3%。批次尺寸從120組樣本增大到140組樣本時，電弧故障識別準確率明顯下降。由于在訓練時間波動范圍較小時，要保證模型識別準確率，因此綜合時間成本和電弧故障識別準確率考慮，識別模型采用的批次尺寸為100組樣本。

(a)訓練時間

(b)識別準確率圖8 數據批次尺寸與訓練時間及識別準確率的關系

將樣本個數為10 000的數據集按不同比例分為訓練集、驗證集與測試集，并對其進行驗證，結果如圖9所示。由圖可以看出，不同數據集的電弧故障識別準確率不同。隨著數據集中訓練集所占比例的增加，測試集和驗證集的識別準確率曲線均呈現上升趨勢。以同一組數據集為研究對象，基于改進AlexNet模型的串聯型電弧故障識別方法的準確率較改進前有所提升。其中，訓練集數據個數與驗證集數據個數之比為75∶15的數據集識別準確率最高。改進前的AlexNet穩定時的驗證集識別準確率為92.08%，改進后的AlexNet穩定時驗證集識別準確率為99.89%，收斂速度較改進前明顯提升。改進AlexNet模型在不同數據集時電弧故障識別準確率如表4所示。

改進AlexNet模型在訓練過程中學習率共有3次更新，如圖10所示。由圖可知，在迭代次數為47時學習率下降為0.001，在第71次迭代時學習率更新為0.000 1，此后到迭代次數為100時學習率保持不變。

(a)驗證集

(b)測試集圖9 AlexNet模型與改進AlexNet模型的 電弧故障識別準確率

表4 改進AlexNet模型在不同數據集時電弧故障識別準確率

圖10 改進AlexNet模型的學習率更新曲線

4.2 未知負載電弧故障識別結果分析

在實際應用中，負載組合情況復雜，試驗采集所有工況下的電流信號數據工作量巨大且不易實現，參與訓練的數據集通常是有限的；但是，電弧故障識別模型應具有一定的泛化能力，能夠準確識別未參與模型訓練的電弧故障電流信號，因此應驗證電弧故障識別模型對未知負載電弧故障的識別準確率。為了直觀地觀察統計模型對電弧故障的誤識別、漏識別情況，采用組合負載試驗數據作為未知負載測試集，對模型輸出結果進行統計，將不同負載、不同狀態電流數據編號，如表5所示。其中編號1、7分別屬于同一負載條件下的正常狀態和電弧故障狀態數據，負載后標記“電弧”為電弧發生的支路，其他數據同表中編號形式以此類推。

表5 未知負載測試集編號

基于改進AlexNet的串聯型電弧故障識別方法對未知負載測試集的識別準確率如表6所示。由表中數據可以看出，該方法的識別準確率均在97.5%以上。雖然存在著一定的誤識別和漏識別情況，但

表6 未知負載測試集識別準確率對比

從整體的識別結果來看，在不需要人為設置識別閾值的情況下，該方法能夠從已知負載電流數據中提取具有類別區分性的特征，對未知負載電弧故障具有較高的識別準確率，能夠實現非線性負載條件下電弧故障隨機特性主動辨識。

5 結語

針對現有人工智能電弧故障檢測方法依賴人為數據預處理的不足，直接采用原始電流波形作為模型輸入，提出了一種基于改進AlexNet模型的串聯型電弧故識別方法。搭建電弧故障試驗平臺，采集并分析典型線性、非線性負載及其組合條件下電弧故障試驗數據，通過數據“清洗”、數據分割，采用二維數據圖像形式建立了帶有正常與故障標簽的電弧波形數據庫。借鑒Inception網絡結構特點對AlexNet模型結構進行改進，采用尺寸為3×3的卷積核堆疊代替AlexNet模型中的尺寸為5×5的卷積核，在識別準確率基本不變的情況下減少了28%的網絡參數。同時，采用SGD法優化權值更新過程，減少了網絡訓練時間，并利用學習率自適應調整訓練策略加快了模型收斂速度。利用已知負載與未知負載電流信號對所提方法進行試驗驗證。結果表明，無論對于已知負載還是未知負載，該方法的識別準確率均在97.5%以上，并且不依賴于人為提取的電弧故障特征，解決了非線性負載條件下電弧故障特征量提取困難的問題，能夠實現電弧故障準確識別。