基于CNN_LSTM模型的復雜支路故障電弧檢測*

余瓊芳，徐 靜，楊 藝

(1.河南理工大學 電氣工程與自動化學院，河南 焦作 454003;2.大連理工大學 北京研究院博士后科研工作站，北京 100000)

0 引言

故障電弧是引發電氣火災的主要原因，是由電極間絕緣介質被擊穿所導致的氣體游離放電現象，并產生巨大的弧光和熱量[1]。在低壓供配電系統中，由于線路材料絕緣老化、虛連，電力設備接觸松動、質量不合格等原因時常發生故障電弧[2]。

串聯型電弧故障發生時，相當于1個阻抗，導致線路回路的實際電流略小于正常電流而無法使用斷路器動作。串聯故障電弧的發生是隱蔽、突發的，且一旦發生極易引發災難。現階段的檢測分3類：1)基于電弧數學模型的研究，有Mary模型和Cassie模型，但由于參數量大、應用條件等限制難以在實際情況中使用；2)在故障電弧發生的位置安裝傳感器來檢測弧光弧聲，但電弧發生的時間和位置都是隨機的，而難以實現[3]；3)基于電弧電壓電流波形的特征檢測是目前研究最多的檢測方法，可分為3類：1)通過故障電弧電流的時域、頻域或時頻域特征進行檢測，涉及傅里葉變換、小波分解、支持向量機等復雜運算，文獻[4]提出了1種基于小波包變換與高階累積量相結合的電弧故障識別方法，文獻[5]對電流數據進行快速傅里葉變換，從頻譜分析結果中提取3個特征值作為判斷依據；2)使用機器學習等智能算法，將電流信號直接作為檢測對象輸入到神經網絡中，由網絡自主挖掘隱含在電流數據背后的特征，文獻[6]直接將采集到的電流數據輸入到改進的AlexNet卷積神經網絡中檢測串聯故障電弧，文獻[7]采用滑窗法對輸入到自組織特征映射網絡的電流數據進行連續檢測；3)先通過信號分析工具提取電流數據特征，然后通過神經網絡模型進行電弧檢測，文獻[8]利用全相位傅里葉變換提取電流數據的頻譜特征量，再輸入到Logistic回歸深度學習模型中進行分類訓練，文獻[9]用EMD對電流數據進行時頻分解后，再通過PNN模型進行故障識別，文獻[10]對電流數據進行小波分解后，送往AlexNet網絡中進行學習并輸出檢測結果。

目前，大量的檢測方法能較好地實現單個負載回路發生串聯故障電弧的檢測。然而在實際低壓配電系統中，電路網絡結構復雜、負載混聯。當某1條支路發生電弧故障時，故障特征容易被干路電流“淹沒”而造成漏判而難以區分出故障情況。在區分出故障的基礎上，再區分出是哪類負載所在支路發生的，則能更及時地排除故障支路。本文提出1種CNN和LSTM結合的復雜支路串聯故障電弧檢測方法，各支路上發生電弧故障時通過采集干路電流信號直接作為模型輸入，通過CNN層進行故障特征信息提取，LSTM層學習故障特征，最終實現故障分類。

1 電流信號采集分析

1.1 電弧故障實驗平臺

根據國家標準《電弧故障保護電器(Arc Fault Detection Devices，AFDD)的一般要求》(GB/T 31143—2014)，搭建實驗數據采集平臺如圖1[11]。采用單相交流220 V/50 Hz電源供電，以4 mm銅線作為電路連接線，以100W1P電阻作為采樣電阻，示波器使用TiePieSCOPE HS801五合一虛擬綜合測試儀。干路上有總開關K和QF，來控制總電源。通過各支路上的開關Kn控制幾個支路同時工作，與故障位置并聯的開關Sn模擬故障是否發生。

圖1 實驗原理

電弧發生裝置有碳化通道式和拉弧式，本文采用拉弧式來獲取電弧[12]。裝置由6 mm碳棒的靜電極、6 mm銅棒的動電極和步進電機組成，如圖2所示。2電極從正常閉合位置，在步進電機的驅動下動電極向斷開的方向移動。在接觸面分離前的一瞬間，I2R能量集中加熱在最后1個極小的金屬體積，其溫度迅速上升而引起爆炸式氣化。在間隙充滿高溫金屬蒸氣的條件下，觸頭間形成穩定的電弧。

圖2 電弧發生裝置示意

1.2 實驗方案與數據采集

實驗設計單、雙、3，4，5，6支路負載實驗。實驗負載既有小功率用電設備，也有大功率用電設備，包括阻性、感性和非線性負載，負載屬性及參數如表1。

表1 各負載及參數

實驗包括18組實驗，共6大類：每1類實驗囊括了3種負載類型，隨機搭配以模擬電網末端用電設備的多樣化連接。其中1，2，3，4，5，6分別為故障發生的位置，實驗方案如表2。進行每1類實驗時，只有1支路模擬發生故障，其余支路均正常工作，在干路采集電流。每1類實驗正常數據和電弧故障數據各1 200組。

表2 實驗方案及負載參數

1.3 數據預處理與波形分析

在采樣頻率為50 kHz/s下，采集到10 000個采樣點的10個周期的電流波形，以DAT格式存儲至計算機中。在1個故障波形數據中，當存在8個及以上的半周故障的電弧波形時，即判斷該數據為故障數據。在采集故障數據時，由于電弧熄滅引起的電弧畸變不計為故障電弧。

單負載電路結構下的3種類型負載發生故障的電流波形如圖3所示。電視是內部含有整流設備的非線性負載，正常工作時的電流是周期性波形，發生電弧故障時，局部信號出現突變，電流波形出現了大量的尖峰脈沖；熱水壺是純阻性負載，發生電弧故障時波形過零點處出現“零休”現象，此時電弧能量最小而自動熄滅，隨著電壓換向，電弧在1段時間后重燃[13]，因其導電系數呈現強非線性特征，在非“零休”時段電流信號中含有高次諧波；空調是感性負載，正常工作時電流是近似正弦波形，發生電弧故障時，過零點出現“零休”現象、其他時段尖峰脈沖增多。

圖3 單支路不同負載電流波形

對于不同的電路結構，同一負載支路(以熱水壺為例)發生電弧故障的電流波形如圖4所示。在單、3、6支路的電路結構中，正常工作時干路電流均是近似的正弦波形，單支路發生故障電弧時波形發生畸變，過零點出現“平肩”現象和尖峰脈沖增多現象。隨著電路的結構趨于復雜，電路運行趨于穩定，支路故障受到其他支路負載電流的影響，故障電弧特征削弱。在6支路電路結構中，電流整體變化并不明顯，如圖4(f)所示，增大了故障識別難度。

圖4 不同支路同一負載支路電流波形

2 CNN_LSTM網絡模型

CNN_LSTM模型主要由輸入層、卷積層、池化層、LSTM層、分類層和輸出層組成，如圖5所示，圖中波形是1個完整的故障電流波形，是一維時間序列，故模型輸入為1*10 000的矩陣。將其送入CNN卷積層進行卷積計算，經池化層進行池化操作，然后將特征矩陣輸入LSTM層，學習故障特征。最后使用softmax激活函數，對故障特征進行分類，完成故障診斷。該模型不僅保留了輸入數據的特征及其相互關系，且保證模型的時序性。

圖5 CNN_LSTM網絡結構

2.1 CNN特征提取過程

卷積神經網絡(CNN)是LeCun等[14]首次提出的1種深度學習模型，用于解決視覺任務。與傳統神經網絡的非線性復合不同，CNN將輸入信號的局部信息與卷積核進行卷積計算提取數據特征。CNN具有局部權值共享、最大池化的特殊結構，降低了網絡的復雜性從而減少了計算。本文直接將一維的電流信號作為檢測對象送入CNN，所以卷積層使用一維卷積函數，卷積核也作出相應的調整。

CNN卷積層通常包含多個相同維度、大小不同的卷積核，本文選擇4個卷積核，即通道數為4。CNN卷積層將一維的電流數據作為輸入信號與一維的核進行卷積運算生成特征矩陣，如式(1)所示：

x(n)=wm*i(n)+bm

(1)

式中：i(n)表示電流數據第n個區域，wm和bm分別表示權重和偏置，x(n)表示輸出矩陣。

池化層設置在卷積層之后，其目的是繼續降低特征矩陣的維度，提高運算速度。池化運算選取max-pooling，池化窗口對特征矩陣從左到右進行掃描，同時選取池化窗口中最大值作為該位置輸出，最后得到維數更小的特征矩陣，如圖6所示。

圖6 最大池化原理

2.2 LSTM基本原理

循環神經網絡(RNN)用于解決樣本輸入是連續的序列，如基于時間序列的問題。長短期記憶網絡(LSTM)是Schmidhuber提出的RNN的1種特殊變種[15]，被廣泛地應用到各個領域，其網絡的模型結構如圖7所示。不僅能夠很好地解決RNN的梯度消失和梯度爆炸的問題，而且能夠充分地挖掘時間序列數據的時序性、非線性的關系。

圖7 LSTM網絡單元結構

LSTM主要由3個門結構來控制數據的流通。

1)遺忘門主要是對上1個神經元傳進來的信息進行選擇性忘記，如式(2)所示：

ft=σ(wf[ht-1,xt]+bf)

(2)

式中：σ表示sigmoid激活函數，ht-1是前1個神經元的輸出；xt是CNN的輸出。

2)輸入門對新輸入信息有選擇性地進行記憶，起到控流的作用，如式(3)～(4)所示：

it=σ(wi[ht-1,xt]+bi)

(3)

Ct=ft*Ct-1+it*tanh(wc[ht-1,xt]+bc)

(4)

式中：tanh表示雙曲正切激活函數；ct-1是上1個神經元的狀態，ct是當前神經元的狀態。

3)輸出門將決定哪些將會被當成當前狀態的輸出，控制多少信息提取到隱含狀態中，如式(5)所示：

yt=ht=σ(wo[ht-1,xt]+bo)*tanhCt

(5)

式中：yt是當前神經元的輸出。

2.3 性能指標

為了衡量網絡分類預測的準確性，本文選用準確率作為衡量標準，可以直觀地觀察到網絡性能，2分類混淆矩陣如表3所示。

表3 2分類混淆矩陣

準確率是模型所有分類預測正確的樣本占全部樣本的比例，如式(6)所示：

(6)

準確率函數雖然可觀，但是該函數不可微而無法應用于網絡訓練，于是提出將損失函數應用于網絡來更新網絡參數。損失函數計算步驟如下：先對網絡全連接層的輸出進行softmax處理，即預測出結果屬于哪個類別。再對softmax預測的標簽向量與實際標簽向量做交叉熵，并求平均值即可得到損失函數，計算如式(7)～(8)所示：

(7)

(8)

3 模型優化與實驗結果

主機采用intel(R) Core(TM) I7-7700HQ處理器，16.00 GB運行內存。在Ubuntu16.04系統下，利用PycharmCommuntiy 2018.2版軟件的tensorflow-gpu配置構建改進的CNN_LSTM模型。

3.1 判別故障的分類結果

將實驗數據分為“有弧”加標簽1、“無弧”加標簽0的數據集，按照5∶1的比例劃分訓練集和測試集。模型通過實際標簽和預測標簽值的誤差求出殘差，再根據鏈式求導法則，將殘差通過求解偏導數逐步向前傳遞，從而調整權重以及偏置。經過反復測試來調整模型參數，最終確定模型參數如表4。最終發現學習率和epoch分別為0.000 9和2，訓練批次為100，dropout為0.5的情況下，訓練和測試效果比較好。

表4 模型各層參數說明

以單回路電路的電流數據為例，將6 000個訓練樣本送入模型中進行訓練。模型在迭代120次(2個epoch)后，訓練結束，如圖8～9所示。隨著迭代次數的增加，訓練準確率呈整體上升的趨勢，訓練損失值呈整體下降的趨勢。準確率和損失值在迭代60次后基本收斂，最高具有99%的準確率，損失值收斂在0.1左右。

圖8 訓練準確率變化

圖9 訓練損失值變化

將單支路1 200個測試樣本輸入到訓練好的模型中進行檢測，測試結果總體維持在98.33%左右。將18組實驗數據分為正常和故障數據進行訓練，對不同的支路數下的檢測準確率進行統計，如表5所示。隨著電路趨于復雜，運行穩定，發生電弧故障時，主干路的故障電流中包含各支路的正常電流而使得檢測難度加大，準確率降低。

表5 不同支路數檢測準確率

3.2 判別故障支路的分類結果

應用本文所提出的算法對電流樣本進行有無故障電弧辨識具有極高的準確率。基于此，提出將所有的“無弧”樣本歸為1大類，所有“有弧”樣本劃分為純阻性、純感性和非線性樣本3大類，從而進行4分類。以此識別電路正常工作和哪1類負載支路下發生電弧故障的情況。其中正常電流數據為21 600組，純阻性、純感性和非線性支路故障電流數據各為7 200組，標簽依次設計為0，1，2，3。同一標簽下隨機打亂后，按照5∶1的比例劃分訓練集和測試集，構成最終數據集。并送入CNN_LSTM網絡中進行訓練，網絡參數不變。每個類別的準確率和總體準確率如表6所示。

表6 識別故障支路的測試結果

3.3 與其他模型的比較

為了驗證所提模型檢測電弧故障的性能，在同樣的數據集上使用不同的模型進行測試，選取準確率和總時間作為衡量標準，如表7所示。

表7 不同模型的計算結果

1D CNN由1層卷積層和全連接層組成，檢測準確率約85%，但是全連接層導致網絡訓練慢。AlexNet由5層卷積層和全連接層組成，準確率為95%左右，但是網絡結構復雜且網絡參數較多，訓練時間尤其緩慢。LSTM僅有單個記憶門控單元組成，參數較少，訓練時間較短，在2分類時表現較好，但是在多分類時，準確率較低。本文所提CNN_LSTM結構簡單，參數量少，訓練時間短且準確率較高。

4 結論

1)在對所有的實驗數據進行正常故障分類時，單支路到6支路的測試準確率呈下降趨勢，總體達到了99.04%。在對故障支路用電設備的類型進行分類時，正常類、純阻類、純感類、非線性4大類的識別準確率依次降低，總體達到了97.90%。

2)雖然用電設備的增多、負載支路數的增加、電流波形故障特征不明顯，檢測準確率略有下降，但依然具有較高的準確率，該方法為復雜支路下的串聯故障電弧識別方法提供分析思路。