基于深度自編碼網絡的電弧故障檢測與負載類型識別

摘要： 針對有監督學習的電弧故障檢測方法需要大量帶標簽數據且大多只檢測電弧故障而未對負載類型進行識別的問題，提出一種基于深度自編碼網絡的電弧故障檢測與負載類型識別方法；采用小波包分解的節點系數作為自編碼網絡的無標簽輸入特征量，并運用逐層訓練方法對自編碼網絡進行預訓練；為了使所提出方法的權重系數達到全局最優，采用少量有標簽數據對所得權重進行微調，通過Softmax多分類器輸出電弧故障檢測結果，并根據負載類別最大概率識別電弧故障可能的負載類型。結果表明，所提出的方法對電弧故障檢測與負載類型識別準確率達到98.56%，高于相同層數和參數規模的有監督學習網絡的準確率。

關鍵詞： 電弧故障； 深度自編碼網絡； 無監督學習； 故障檢測； 負載類型

中圖分類號： TM501+.2

文獻標志碼： A

Abstract： To solve the problem that arc fault detection approaches based on supervised learning required a large amount of labeled data and most of them only detected arc faults without identifying load types， a method of arc fault detection and load type identification based on deep autoencoding network was proposed. Node coefficients of wavelet packet decompositionwere used as the unlabeled input characteristic quantity of deep autoencoding network， and layerbylayer training method was employed to pretrain the deep autoencoding network. In order to make weight coefficients of the proposed method reach the global optimum， a small amount of labeled data were used to finetune the obtained weight. The arc fault detection results were output by using a Softmax multiclassifier. The approximated load type for each arc fault was determined according to the maximum probability of the load category. The results show that the accuracy of the proposed method for arc fault detection and load type identification reaches 98.56%， which is higher than that of supervised learning network with the same number of layers and parameter scale.

Keywords： arc fault; deep autoencoding network; unsupervised learning; fault detection; load type

基金項目： 國家自然科學基金項目（51907047）；河北省自然科學基金項目（E2020202204）；特種電機與高壓電器教育部重點實驗室

開放課題項目（KFKT202003）；浙江省基礎公益研究計劃項目（LGG20E070002）

第一作者簡介： 王堯（1981—），男，河北石家莊人。教授，博士，博士生導師，研究方向為電器智能化技術與電弧故障檢測。Email：

wangyao@hebut.edu.cn。

網絡首發地址： https：//kns.cnki.net/kcms/detail/37.1378.n.20230314.1712.002.html

隨著經濟的快速發展，電能已經成為人們日常生活中不可或缺的部分，隨之而來的電氣火災事故日益頻發。據統計，因電氣故障引發的火災占火災總數的30%以上，居各類火災之首［1］。在電氣火災原因的調查中發現，故障電弧是引發電氣火災的首要原因［2-3］。由于串聯故障電弧電流一般小于線路正常工作電流，因此線路中的斷路器或熔斷器通常無法切除此類故障。非線性負載電流與故障電弧電流在時域和頻域方面具有相似特征，使得有些負載的故障電弧特征與其他負載正常工作特征相混淆，難以通過單一特征量進行準確辨別［4-5］，因此，能否在非線性負載條件下準確檢測出串聯故障電弧至關重要。

故障電弧的傳統識別方法主要包括以下3類： 一是基于電弧數學模型的識別方法， 多用于理論的研究［6］； 二是基于故障電弧物理現象的識別方法， 常用到弧光、 熱、 電磁輻射等［7-8］， 受安裝位置的影響較大， 一般應用于開關柜等特殊環境中； 三是基于電弧電壓電流特征的識別方法［9-11］， 依賴于所設置的閾值大小， 而實際情況中非線性負載種類繁多， 其工作特性存在較大差異， 限制了閾值的泛化能力。

近年來，不斷發展的深度學習算法為故障電弧診斷提供了一種新的研究思路。文獻［12］中應用經驗模態分解提取故障電弧電流多個特征量，并構建概率神經網絡模型進行故障電弧識別。文獻［13］中提出一種基于主成分分析與支持向量機的故障電弧識別方法，并對4種典型負載進行了試驗驗證。文獻［14］中應用傅里葉變換、梅爾頻率倒譜變換以及離散小波變換對數據進行預處理，結合深度神經網絡進行了故障電弧識別。文獻［15］中采用變分模態分解進行特征量提取，通過深度神經網絡實現故障電弧識別。文獻［16］中提出了一種傅里葉變換與前饋傳播神經網絡相結合的故障電弧檢測算法。文獻［17］中提出一種小波變換能量與神經網絡相結合的串聯型故障電弧識別方法，并采用了自適應學習率的方法。文獻［18］中應用分形維數對電流高頻信號的混沌特性進行定量衡量，并通過盒維數與關聯維數構造出故障電弧特征向量，最后采用支持向量機對其進行分類。文獻［19］中應用小波變換與近似熵算法得到電流信號的特征向量，并將其輸入支持向量機進行故障電弧診斷。雖然人工智能算法能在一定程度上解決特征量選取及閾值設置的問題，但常常需要借助大量有標簽數據訓練網絡，人為標記數據成本較高，且現有方法大多只識別故障電弧，未對負載類型進行識別。

本文中結合自編碼網絡（autoencoder，AE）與Softmax多分類器，構建一種深度自編碼網絡（deep autoencoding network，DAEN）模型，既具有自編碼網絡的無監督特征學習功能，又具有Softmax多分類器的有監督多分類功能，用于同時檢測故障電弧并識別負載類型。

1 故障電弧試驗數據處理與特征分析

1.1 故障電弧試驗數據采集

根據GB/T 31143—2014《電弧故障保護電器的一般要求》搭建串聯故障電弧試驗平臺，如圖1所示。該試驗平臺包含數據采集裝置和拉弧、碳化電纜2種電弧發生裝置，其中拉弧可以模擬接線端子松動、導體接觸不良導致的故障電弧，碳化電纜可以模擬導線絕緣老化、絕緣擊穿引起的故障電弧。

根據國家標準，試驗選取工作電流分別為3、 6、 13、 20、 40 A的5個不同的電阻負載及7種非線性負載，具體參數如表1所示。試驗中，采用DL850E型示波記錄儀（日本橫河公司）采集電弧電流試驗數據，其采樣率108 s-1，垂直分辨率為12 bit。考慮到故障電弧的隨機特性，分別對表1所述負載進行多次試驗，完成數據采集。

1.2 故障電弧電流時域和頻域特征分析

以線性負載電阻、氣體放電光源類負載電子調光燈、電機啟動類負載真空吸塵器為例，分析故障電弧電流時域和頻域特征。圖2為這3種負載正常工作與故障電弧的時域和傅里葉變換頻域波形圖。從時域波形可以看出：電阻負載屬于線性負載，正常工作狀態下電流波形為平滑的正弦波，發生故障電弧時在電流過零點附近會出現零休現象，且伴隨高頻毛刺的出現［見圖2（a）］；電子調光燈負載通過改變可控硅的觸發角實現調光，正常工作時在電流過零點附近出現平肩部，易與故障電弧的零休現象混淆［見圖2（b）］；真空吸塵器負載通電后電動機高速旋轉，內部電刷換向導致波形在電流過零點附近發生畸變，其特征與故障電弧時類似［見圖2（c）］。

從頻域波形可以看出： 在100～1 000 Hz頻段內， 電阻負載的故障電弧頻譜振幅大于正常狀態下的諧波分量振幅［見圖2（d）］； 電子調光燈負載的故障電弧頻譜振幅整體上略大于正常工作狀態的，但是2種狀態的頻譜混疊嚴重，難以確定某一特定頻段設置閾值來識別故障電弧［見圖2（e）］； 在1～10 kHz頻段內，真空吸塵器負載的故障電弧高頻分量較為明顯， 但是其他頻段頻譜也有所混疊［見圖2（f）］。

由電弧電流的時域和頻域特征分析可知，由于電弧放電存在比較復雜的物理及化學變化，不同負載下電弧電流差別較大，相同負載下電弧電流也不同。同時，某類負載正常電流波形可能與其他類負載故障電弧電流波形相似，導致故障電弧難以準確識別。人工智能算法可以

在一定程度上解決故障電弧識別問題，但是現有方法大多基于有監督學習進行故障電弧特征提取與故障電弧識別，其訓練過程需要大量有標簽數據，所用數據集中每個數據樣本均需要人為標記數據所屬類別，增加了人為標記數據的成本。由于現實中非線性負載種類繁多，為大量故障電弧數據增加標簽的任務量較大，而自編碼網絡能夠通過無監督學習，運用大量無標簽數據，自主提取數據的深層次特征，因此堆疊多個自編碼網絡構成深度自編碼網絡，通過多隱含層進行逐層貪心學習，能夠獲取數據的深層特征。

1.3 基于小波包分解的數據預處理

由于信號采集過程中不可避免地混入其他干擾信號，因此需要對數據進行篩選，剔除不合理數據。為了避免不同負載的電流不同的影響，對電流數據進行歸一化處理形成無量綱量，使其值在［0， 1］區間內。根據文獻［10］中選取6～12 kHz作為故障電弧特征頻段及圖2中故障電弧頻域特征分析，本文中采樣頻率設置為40 kHz，能夠滿足電弧數據采集要求。選擇一個工頻周期數據為一個樣本，每個樣本包括800個數據點，形成電流原始數據集。

不同負載的電弧電流與正常工作電流在時域和頻域有一定的差異，利用信號分析工具對原始電流數據集進行預處理，得到數據的初步特征，使用自編碼網絡訓練預處理數據，在預處理得到的初步特征基礎上提取深層特征，能夠加快自編碼網絡的收斂速度。電弧電流具有非線性及非平穩性，小波包分解不僅對低頻部分進行分解，對高頻部分也實施分解，更利于非平穩信號的分析，因此，選用小波包分解對數據進行預處理，每一層分解由一組高通濾波器和一組低通濾波器實現，每次分解產生的所有信號均參與下一層的分解，對信號進行多分辨率時頻域分解。小波包分解后的信號節點用I（j，n）表示，其中j為分解層數，n為節點重構信號，則每個信號節點代表的信號頻率可以表示為

由于電弧發生時間不確定，選取適用于突變動態信號檢測的dbN小波基函數，其中N為小波包階數。隨著N的增大，計算量隨之增大，考慮計算的復雜性要求，選用db4小波包基函數［20］。在故障電弧電流信號分解過程中，分解層數過多會導致特征提取過程繁雜，計算量增大；分解層數過少則會導致特征提取能力較差。結合數據采樣率及電弧信號頻段特征［10］和Nyquist采樣定理可知，原始電流采樣頻率為40 kHz，能真實反映0～20 kHz頻帶范圍原始信號。選取分解層數為5，第5層共有32個小波包系數，則單個小波包系數所覆蓋的頻帶寬度為625 Hz。圖3所示為電阻、電子調光燈和真空吸塵器3種負載的小波包分解第5層625～1 250 Hz及6 875～7 500 Hz頻段的節點系數。由圖可知，不同負載的同一頻段內的節點系數不同，同種負載不同頻段的故障電弧與正常工作的節點系數也有差異，同時某類負載同一頻段內故障電弧與正常工作的節點系數出現混疊現象，難以用某一特定閾值進行區分，但通過小波包分解的多分辨率特征，能夠提取出各個頻段內的節點系數。

選取第5層的32個節點系數形成小波包特征向量數據集，每個樣本包括992個數據點。每類負載包含1 200組數據，其中600組正常工作數據，600組故障電弧數據，8類負載共計9 600組數據。不同負載種類的故障電弧與正常工作狀態的數據標簽如表2所示。

2 基于深度自編碼網絡的故障電弧分類識別方法

2.1 自編碼網絡原理

自編碼網絡包括編碼器和解碼器，使用自身的高階特征自我編碼， 如圖4所示。當輸出數據與輸入數據誤差足夠小時，隱含層輸出數據即為輸入數據的深層特征表示，能夠挖掘出輸入數據中隱含的特定結構。

2.2 基于深度自編碼網絡的故障電弧分類識別模型

單個自編碼網絡訓練完成之后，去掉解碼器的輸出層，并將其隱含層作為下一個自編碼網絡的輸入，繼續訓練下一個自編碼網絡，依次進行，此過程稱為逐層貪心無監督預訓練，解決了傳統深度神經網絡訓練算法容易陷入局部最優的問題。深度自編碼網絡即由多個自編碼網絡堆疊而成，學習到輸入數據的深層特征［22］。

基于深度自編碼網絡的故障電弧分類識別模型是將深度自編碼網絡的最后一層隱含層編碼輸出連接至一個多分類器，使得該模型既具有深度自編碼網絡的深層特征提取功能，又具有多分類功能。在預訓練得到的網絡權重基礎上，使用少量有標簽的數據微調網絡的權重，優化深度特征的最終提取。構建整個網絡的損失函數，調整網絡全局參數，使得所有層的參數達到全局最優。考慮到8種負載的故障電弧與正常工作需要16種分類結果，選擇邏輯回歸模型中適用于多分類問題上的Softmax多分類器，該分類器應用激活函數將各個輸入向量映射為（0， 1）區間值，且所有輸出映射值之和等于1，輸入向量歸屬于輸出值中條件概率最大的值所對應的類別，將該類別作為分類器輸出結果，并選擇適用于多分類問題的交叉熵損失函數J，即

2.3 深度自編碼網絡關鍵參數選取

深度自編碼網絡通過隱含層神經元學習輸入數據的特征， 而各隱含層神經元節點數的設置沒有固定的理論與公式，通常根據經驗或者多次試驗進行確定［23］。 根據隱含層神經元個數的不同組合， 設置平穩型、 遞增型、 遞減型3類隱含層神經元配置， 并通過仿真確定模型最優參數。 網絡輸入數據是樣本長度為992的小波包特征向量數據集，平穩型設置為992-992神經元組合， 依此類推， 遞增型設置為992-1100、 992-1300神經元組合， 遞減型設置為992-800、 992-600神經元組合。基于Python語言中的Keras 深度學習庫搭建網絡模型進行實驗研究， 不同隱含層神經元配置的網絡模型識別準確率如圖5所示。 由圖可知， 992-800遞減型神經元配置識別準確率稍高于平穩型、 遞增型的； 但當遞減的步長過大時， 由于隱含層神經元數量過少， 神經元學習不夠充分， 因此992-600遞減型神經元配置準確率降低。 當隱含層神經元數量增多時， 識別準確率不一定提高， 其中992-1300遞增型的識別準確率相對較差， 其原因是， 相對于數據集， 過多的隱含層神經元網絡出現了過擬合現象。平穩型的識別準確率與遞減型992-800神經元組合相近；但是遞減型神經元配置網絡模型參數更少，更有利于模型訓練，且實現了數據降維，因此選用遞減型隱層神經元組合。

為了研究深度自編碼網絡隱含層的網絡層數對準確率的影響，選用遞減型隱含層節點組合，分別測試1～6層時的識別準確率，其結果如表3所示。由表可知，隨著自編碼網絡層數的增加，得益于深度網絡較強的學習能力，網絡識別準確率會有所升高。與網絡層數為3時相比， 4層網絡的識別準確率略有升高。雖然網絡層數為3時訓練時間相對較短，但4層網絡的最后一層隱含層輸出數據規模較小，能夠提取到數據的壓縮表示，加快Softmax多分類器的收斂速度，此后隨著網絡層數的繼續增加，識別準確率提高極其緩慢，甚至會出現下降的情況。當網絡層數為6時，由于隱含層神經元較少，導致神經元學習不徹底，因此識別準確率略有下降，且訓練時間增加。受限于準確率和訓練時間的要求，當網絡層數大于6時，最后一層神經元個數過少將導致神經元學習不徹底。綜合考慮，本文中選取4層自編碼網絡結構。

圖6為基于深度自編碼網絡的故障電弧分類識別模型示意圖。模型的輸入為不同負載故障電弧與正常工作狀態的小波包特征向量數據集，模型輸出為相應樣本分別屬于不同類別的概率值，概率值最大的即為模型輸出結果。

3 基于深度自編碼網絡的故障電弧分類識別過程及其驗證

3.1 故障電弧分類識別過程

基于深度自編碼網絡的故障電弧分類識別方法流程如圖7所示。故障電弧分類識別方法的具體實現過程如下：

1）采集不同負載的故障電弧和正常工作狀態線路電流信號，進行數據預處理，形成小波包特征向量數據集，將數據分為訓練集、驗證集。

2）設置網絡的結構和超參數，如網絡每層的神經元個數、學習率、迭代次數等。

3）網絡預訓練，選用7 200組無標簽數據作為訓練集輸入網絡，逐層訓練自編碼網絡，得到網絡初始參數。若準確率和誤差達到要求，則結束訓練，否則繼續調整網絡超參數，直至滿足要求。

4）去掉自編碼網絡中的解碼器部分，將編碼器部分的最后一層輸出連接至Softmax多分類器，輸入800組有標簽數據， 利用反向傳播算法微調全局參數，完成整個網絡的訓練。

5）形成深度自編碼網絡模型，輸入1 600組驗證集數據進行驗證，輸出分類識別結果，用于評估模型性能。

3.2 故障電弧分類識別結果驗證

重新選取故障電弧與正常工作各100組數據形成測試集，共1 600個樣本，負載類型包括上述8種負載。將樣本數據輸入訓練好的網絡模型，網絡輸出的混淆矩陣如圖8所示。由圖可計算得到，負載種類識別及故障電弧檢測均正確的概率為98.56%，負載種類識別正確的概率為98.69%，故障電弧檢測的準確率為99.88%，將正常工作識別為故障電弧（誤判）的概率為0.06%，將故障電弧識別為正常工作（拒判）的概率為0.06%。

各負載識別結果如表4所示。由表可知，深度自編碼網絡對不同負載的電弧識別準確率較高，均大于99%；負載類型及電弧均正確識別的概率均大于96.5%，能夠滿足故障電弧識別的準確率要求。

3.3 與其他神經網絡模型對比

為了進一步驗證深度自編碼網絡模型（DAE）識別準確率水平，采用模型層數規模相近的深度全連接神經網絡（DNN）和一維卷積神經網絡（1DCNN）2種有監督特征學習神經網絡進行對比分析，各負載故障電弧識別準確率結果如圖9所示。

由圖可知，對于不同負載， DAE的故障電弧識別準確率更高，比DNN的高出7.25%，比1DCNN的高出6.50%。DNN和1DCNN網絡采用有監督學矩陣非對角線元素表示將真實類別判為其他類別的個數。

習方式，依賴于有標簽數據，當使用具有很強表達能力的有監督學習網絡訓練有限樣本時容易出現過擬合現象，且在深度網絡訓練時，有監督學習方式容易導致局部最優，降低模型識別準確率。例如對于熒光燈和電子調光燈負載的識別準確率較低，而DAE預訓練輸入的是無標簽數據，基于無監督逐層貪心訓練方法，與有監督學習網絡相比，能夠降低人為標記數據的成本，并在一定程度上防止出現過擬合和局部最優現象。通過結合少量有標簽數據微調網絡模型參數，使DAE能夠從樣本底層特征中挖掘出更深層次的特征，形成對故障電弧分類識別的魯棒表征，具有一定的應用價值。

4 結論

本文中提出一種基于深度自編碼網絡的故障電弧分類識別方法，可以解決傳統故障電弧識別方法中特征量提取困難和人工智能方法需要大量有標簽數據的問題。主要研究成果如下：

1）采集了不同類別家用電器正常工作與故障電弧的電流數據，并采用小波包分解進行了數據預處理，建立了故障電弧特征數據集，并為少量數據樣本添加標簽。

2）建立了基于深度自編碼網絡的故障電弧分類識別模型，該模型既具有自編碼網絡的無監督特征學習功能，又具有Softmax多分類器的有監督多分類功能，解決了有監督網絡需要大量有標簽數據的問題。

3）進行深度自編碼網絡模型識別準確率的實驗驗證。結果表明，該網絡模型的故障電弧與負載類型識別準確率達到98.56%，故障電弧識別準確率達到99.875%，高于相同層數和參數規模的有監督學習網絡的識別準確率。

參考文獻：

［1］ 劉義祥， 湯昊， 金靜， 等. 基于原因分析的典型城市火災統計［J］. 消防科學與技術， 2017， 36（8）： 1135.

［2］ 羅云慶， 何泰健. 供電線路中電弧性短路檢測技術探討［J］. 消防科學與技術， 2018， 37（11）： 1557.

［3］ 謝正榮， 單立輝， 時慶兵， 等. 電氣火災早期預警及監測前沿技術探討［J］. 建筑電氣， 2019， 38（8）： 39.

［4］ ARTALE G， CATALIOTTI A， NUCCIO V C S， et al. A set of indicatorsfor arc faults detection based on low frequency harmonic analysis［C］//2016 IEEE International Instrumentation and MeasurementTechnology Conference Proceedings. May 23-26， 2016， Taipei， China. New York： IEEE， 2016： 16176609.

［5］ QI P， JOVANOVIC S， LEZAMA J， et al. Discrete wavelet transform optimal parameters estimation for arc fault detection in lowvoltage residential power networks［J］. Electric Power Systems Research， 2017， 143： 130.

［6］ 鄭昕， 許志紅. 低壓串聯電弧故障通用診斷方法的研究［J］. 電子測量與儀器學報， 2014， 28（9）： 991.

［7］ 陳照， 李奎， 張洋子， 等. 基于電弧電磁輻射的故障電弧識別［J］. 電工電能新技術， 2017， 36（3）： 70.

［8］ 戴雋文， 郝瑞祥， 游小杰. 一種用于大功率電弧加熱器的等離子電弧模型［J］. 電工技術學報， 2011， 26（1）： 129.

［9］ 張冠英， 張曉亮， 劉華， 等. 低壓系統串聯故障電弧在線檢測方法［J］. 電工技術學報， 2016， 31（8）： 109.

［10］ 王堯， 韋強強， 葛磊蛟， 等. 基于電弧電流高頻分量的串聯交流電弧故障檢測方法［J］. 電力自動化設備， 2017， 37（7）：191.

［11］ 孫鵬， 鄭志成， 閆榮妮， 等. 采用小波熵的串聯型故障電弧檢測方法［J］. 中國電機工程學報， 2010， 30（增刊1）：232.

［12］ 蘇晶晶， 許志紅. 基于EMD和PNN的故障電弧多變量判據診斷方法［J］. 電力自動化設備， 2019， 39（4）： 106.

［13］ JIANG J， WEN Z， ZHAO M X， et al. Series arc detection and complex load recognition based on principal component analysis and support vector machine［J］. IEEE Access， 2019， 7： 47221.

［14］ SIEGEL J E， PRATT S， SUN Y B， et al. Realtime deep neural networks for internetenabled arcfault detection［J］. Engineering Applications of Artificial Intelligence， 2018， 74： 35.

［15］ LEE S， KANG S， KIM T， et al. Improving the performance of serial arc detection using VMD and deep neural network［C］//IEEE 62nd International Midwest Symposium on Circuits and Systems （MWSCAS）， August 04-07， 2019， Dallas， TX， USA. New York： IEEE， 2019： 19113029.

［16］ ABDULRACHMAN M A， PRASETYONO E， ANGGRIAWAN D O， et al. Smart detection of AC series arc fault on home voltageline based on fast Fourier transf orm and artificial neural network［C］//2019 International Electronics Symposium （IES）， September 27-28， 2019， Surabaya， Indonesia. New York： IEEE， 2019： 19172753.

［17］ 張士文， 張峰， 王子駿， 等. 一種基于小波變換能量與神經網絡結合的串聯型故障電弧辨識方法［J］. 電工技術學報， 2014， 29（6）： 290.

［18］ 楊凱， 張認成， 楊建紅， 等. 基于分形維數和支持向量機的串聯電弧故障診斷方法［J］. 電工技術學報， 2016， 31（2）： 70.

［19］ 郭鳳儀， 李坤， 陳昌墾， 等. 基于小波近似熵的串聯電弧故障識別方法［J］. 電工技術學報， 2016， 31（24）： 164.

［20］ WANG Z， McCONNELL S， BALOG R S， et al. Arc fault signal detection： Fourier transformation vs. wavelet decomposition techniques using synthesized data［C］//2014 IEEE 40th Photovoltaic Specialist Conference （PVSC）， June 08-13， 2014， Denver， CO， USA. New York： IEEE， 2014： 14683858.

［21］ 崔江， 唐軍祥， 龔春英， 等. 一種基于改進堆棧自動編碼器的航空發電機旋轉整流器故障特征提取方法［J］. 中國電機工程學報， 2017， 37（19）： 5696.

［22］ CHO K， COURVILLE A， BENGIO Y. Describing multimedia content using attentionbased encoder-decoder networks［J］. IEEE Transactions on Multimedia， 2015， 17（11）： 1875.

［23］ 賀珂珂. 基于深度學習理論的電機故障診斷方法研究［D］. 蘭州： 蘭州理工大學， 2019.

（責任編輯：劉建亭）