CN116990648B - 基于一维空洞卷积神经网络的故障电弧检测方法 - Google Patents
基于一维空洞卷积神经网络的故障电弧检测方法 Download PDFInfo
- Publication number
- CN116990648B CN116990648B CN202311243596.3A CN202311243596A CN116990648B CN 116990648 B CN116990648 B CN 116990648B CN 202311243596 A CN202311243596 A CN 202311243596A CN 116990648 B CN116990648 B CN 116990648B
- Authority
- CN
- China
- Prior art keywords
- model
- fault arc
- fault
- current
- accuracy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 28
- 239000000523 sample Substances 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 8
- 235000004257 Cordia myxa Nutrition 0.000 claims description 6
- 244000157795 Cordia myxa Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：S1.故障电弧实验与电流波形分析；S2.模型构建；S3.基于1D‑DCNN检测故障电弧，针对串联故障电弧不易检测问题，搭建点接触式串联故障电弧实验平台，采集了单负载和双支路负载正常工作与发生故障时干路电流数据，建立了以半个周期为样本的故障电弧数据库，进一步提出一维空洞卷积神经网络端到端故障电弧检测模型，该模型从高采样率电流数据中自主学习特征，无需人工提取特征，能够同时进行故障电弧检测与故障负载类型辨识，通过测试集验证模型性能，所提模型对负载分类准确率为99.95%，负载状态检测准确率为99.67%，总体准确率为99.62%，能够满足故障电弧检测的准确率要求。
Description
技术领域
本发明属于电路保护技术领域，具体是基于一维空洞卷积神经网络的故障电弧检测方法。
背景技术
电气设备在使用过程中，由于线路松动、绝缘材料破损等导致接触不良，进而产生故障电弧，当线路发生故障电弧时，可瞬间产生1400~1600℃局部高温，极易引燃线路周围可燃物进而引发火灾。不同负载电流在不同工作状态下具有不同特征而导致多样性；负载发生故障电弧时，故障电弧电流与正常工作电流相似；当某条支路发生故障电弧时，故障特征容易被干路电流淹没而造成隐蔽性。串联故障电弧常因这样的多样性、相似性、隐蔽性而难以检测。因此，检测线路故障电弧以防止潜在损失具有重要意义。
目前，故障电弧检测方法主要基于电弧物理特性和电弧电流特性。其中，物理特性主要有辐射、弧光和弧声等，但是受测量传感器安装位置限制，常用于开关柜、配电柜等特定设备故障电弧检测。因电弧电流与电弧发生位置无关，测量干路电流检测故障电弧是目前热点研究方向。利用傅里叶变换、小波变换等工具提取电弧电流时域、频域、时频域特征，通过设定经验阈值或分类算法检测故障电弧。
目前，端到端故障电弧检测模型只能处理较低采样率获取的电流短序列信号。采样率越高，对电流信号波形还原度越精确，获取的特征信息越丰富，但单位时间内采样点数据越多，输入检测模型序列越长。循环神经网络(RecurrentNeural Network,RNN)因梯度***或梯度消失等问题很难训练长序列数据，并且RNN每个时间步推理必须等待其所有前导完成，这使RNN难以并行化。传统卷积神经网络(ConvolutionalNeural Network,CNN)处理长序列数据时需要多层卷积而导致模型过大，或叠加池化层减小模型大小，但添加池化层可能会丢失故障电弧重要特征信息。
因此，有必要提供基于一维空洞卷积神经网络的故障电弧检测方法，以解决上述背景技术中提出的问题。
发明内容
为实现上述目的，本发明提供如下技术方案：基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：
S1.故障电弧实验与电流波形分析；
S2.模型构建；
S3.基于1D-DCNN检测故障电弧。
进一步，作为优选，所述S1中，其包括以下步骤：
S1-1.搭建点接触式串联故障电弧实验平台，用以模拟实际电气线路故障电弧；所述实验平台主要有交流电源、点接触电弧发生装置、负载、开关、电流采集探头和示波器组成；
S1-2.实验方案与数据采集，其中，实验方案设置12种工况，每种工况的负载A和负载B分别放置相应编号的实验负载，并在相应故障位置放置电弧发生器；实验数据采集装置置于干路，由示波器与电流探头组成；
S1-3.数据预处理与波形分析；对电流序列进行[-1,1]归一化，通过Matlab归一化函数mapminmax对电流序列进行归一化处理，其中mapminmax归一化函数如下：
将和/>代入mapminmax归一化函数得[-1,1]归一化函数，如下所示：
式中，代表归一化后的电流值，/>代表原始电流值，y代表归一化函数。
进一步，作为优选，所述S2中，其包括以下步骤：
S2-1.引用空洞卷积理论，第l层t位置的一维空洞卷积输出计算公式：
式中k代表卷积核大小，代表卷积核参数，/>代表扩张率，/>代表一维空洞卷积；
S2-2.模型构建，检测模型结构包含输入层、1D-DCNN模块、集成学习分类层、输出层，采用循环填充方法缓解边界效应，卷积层将输入信号始端与信号末端一起卷积，同时采用扩展型指数线性单元激活函数(SeLU)，即：
式中，、/>为激活函数参数、/>为以x为自变量的扩展型指数线性单元激活函数、/>为数学常数e的x次幂，由Klambauer计算出/>、/>，使用随网络深度增加而指数增大的扩张率，即第/>层扩张率为/>，模型通过层空洞卷积实现最后一个卷积层输出的每个点都能获取长度为n的序列完整信息，最后结合简单的平均集成学习和Softmax做分类决策。
进一步，作为优选，所述S3中，利用Pytorch1.6.0框架配置1D-DCNN故障电弧检测模型，其包括以下步骤：
S3-1.故障电弧数据构建，将每种工况电流序列以半个周期为一样本拆分，每样本包含5000电流采样点，构建故障电弧数据库，将拆分后的每种工况数据集按照随机采样原则分为训练集、验证集、测试集，并将其按9:1:1比例划分；
S3-2.模型训练，1D-DCNN故障电弧检测模型采用交叉熵损失函数，Adam优化器进行训练，Adam参数设置为学习率lr=0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，训练轮数Epoch=100，每训练一次Epoch用验证集验证模型准确率，保存验证集准确率最高的模型参数，之后用测试集评价其性能；
S3-3.模型性能评价，通过测试集的样本评价验证集准确率最高的模型性能；
S3-4.模型性能比较，在同样的数据集、同样的训练条件下，使用同等数量级参数的不同模型进行测试，选取负载分类准确率、负载状态识别准确率、总体准确率作为衡量指标，验证所提模型检测故障电弧性能。
与现有技术相比，本发明的有益效果是：
本发明提出基于一维空洞卷积神经网络(One-DimensionalDilatedConvolutional Neural Network,1D-DCNN)端到端故障电弧检测方法，空洞卷积能够解决在卷积和池化过程中带来的特征精度和特征信息损失的问题，并能够并行化计算易于训练；首先搭建串联故障电弧实验平台，包含单负载和双支路负载实验工况，以500khz采样干线不同工况条件下正常和故障电流数据，半个工频周期为样本建立故障电弧数据库，包含训练集、验证集和测试集。通过一维空洞卷积模块提取故障电弧特征信息，结合简单的平均集成学习和Softmax做检测分类决策，最终实现故障电弧检测与负载识别。
附图说明
图1为本发明的实验电路示意图；
图2为本发明12组实验中电路有无串联电弧电流波形示意图；
图3为本发明中一维空洞卷积示意图；
图4为本发明中模型架构示意图；
图5为本发明中训练结果示意图；
图6为本发明中测试集混淆矩阵示意图。
具体实施方式
本发明实施例中，基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：
S1.故障电弧实验与电流波形分析；
S2.模型构建；
S3.基于1D-DCNN检测故障电弧。
本实施例中，所述S1中，其包括以下步骤：
S1-1.搭建点接触式串联故障电弧实验平台（根据推荐性国家标准《电弧故障保护器(ArcFault DetectionDevices,AFDD)的一般要求》(GB/T31143-2014)），用以模拟实际电气线路故障电弧；该平台主要由220V/50Hz交流电源、点接触电弧发生装置、负载、开关、电流采集探头和示波器组成，实验电路如图1；点接触故障电弧发生装置由6mm移动铜棒电极以及6 mm固定石墨电极组成，通过控制电极间隙产生电弧；
交流故障电弧保护主要应用在家庭或办公场所，因而选取不同家用电器作为实验负载，如表1所示。据负载工作原理可分为阻性负载、感性负载、非线性负载。选取电阻为阻性负载代表，吹风机和角磨机为感性负载代表，开关电源为电力电子类非线性负载代表。
表1 实验负载及参数
S1-2.实验方案与数据采集，其中，实验方案设置12种工况，如表2所示，实验标签1到5为正常状态实验，6到12为故障状态实验，每种工况的负载A和负载B分别放置相应编号的实验负载（见表1），并在相应故障位置放置电弧发生器（见图1）；双支路负载实验选电阻和吹风机，并考虑3种故障电弧发生位置。实验数据采集装置置于干路，由MDO4104C型号数字示波器与专用TCP0020电流探头组成；将示波器采样率设为500k次/每秒，记录两秒时间内电流数据。在相同实验条件下，对每种工况做10组实验。
表2 实验参数设置
S1-3.数据预处理与波形分析；采集的电流序列包含不同时刻电流变化信息。电流幅值变化会增加检测模型识别难度，有必要对电流序列进行[-1,1]归一化，通过Matlab归一化函数mapminmax对电流序列进行归一化处理，其中mapminmax归一化函数如下：
将和/>代入mapminmax归一化函数得[-1,1]归一化函数，如下所示：
式中，代表归一化后的电流值，/>代表原始电流值，y代表归一化函数；将不同工况电流序列固定到同一维度，并保持电流序列正负变化关系。分析上述12种实验工况电路正常和故障状态下5个工频周期电流波形，如图2所示。单负载电路电流波形如图2(a)-(h)，双支路负载电路电流波形如图2(i)-(l)。
图2(a)和(b)分别为电阻正常和故障波形。电阻发生故障电弧时，交流电源过零点处，故障电弧电流出现“平肩”现象，此时因电极两端电压小于空气击穿电压而熄灭，随着交流电源电压换向增大至空气击穿电压后电弧重燃。
图2(c)和(d)分别为吹风机正常和故障波形，图2(e)和(f)分别为角磨机正常和故障波形。吹风机和角磨机正常工作电流近似正弦波形，因内部电感线圈防止电流突变，导致过零点附近电流值微小，发生故障电弧时，过零点出现“平肩”现象。
图2(g)和(h)分别为开关电源正常和故障波形，开关电源是内部含整流二极管非线性负载，正常工作电流是周期性波形，发生故障电弧时，局部信号出现突变，电流波形出现大量尖峰脉冲。
图2(i)为双支路正常波形，干路电流波形为电阻和吹风机正常波形叠加；图2(j)和图2(k)分别为双支路电阻故障和吹风机故障波形，当单支路发生故障电弧时，干路零点附近电流相等于正常支路电流，所以故障支路电流的过零“平肩”现象会被淹没。图2(l)为双负载实验的干路发生故障电弧时，电流零点附近有明显“平肩”现象。
从以上分析可得出，不同负载电弧电流有不同特征，并且有些负载正常工作电流波形与其他负载故障电弧电流波形相似。当多负载同时工作时，故障支路电弧电流特征容易被淹没。单纯依靠人工提取故障电弧特征进行检测具有局限性，容易造成故障电弧保护装置拒动作或误动作。因此，运用深度学习模型提取故障电弧电流深层特征，其对电弧表征更准确和高效，提取的抽象特征鲁棒性更强，泛化能力更好，并且可以端到端检测故障电弧。
作为较佳的实施例，所述S2中，其包括以下步骤：
S2-1.引用空洞卷积理论，空洞卷积理论广泛应用于图片、视频、文字、数据序列等智能识别。故障电弧产生的电流波形是电流与时间的序列数据，而一维卷积神经网络(1D-CNN)通常应用于时间序列任务。采用一维空洞卷积神经网络在不增加池化层的基础上，保持了原始数据输入细节特征和边缘信息，同时，用更少的卷积层获取相同的感受野。因此，可以采用一维空洞卷积神经网络识别串联故障电弧，示意图如图3所示。空洞卷积引入了扩张率(dilationrate)超参数，该参数定义卷积核处理序列数据时各值的间距。当dilationrate=1时，空洞卷积相当于标准卷积，卷积核以连续方式对输入信号进行处理，当dilationrate=2时，原始卷积核每个元素间***一个0，以跳跃方式处理输入信号，第l层t位置的一维空洞卷积输出计算公式：
式中k代表卷积核大小，代表卷积核参数，/>代表扩张率，/>代表一维空洞卷积；
S2-2.模型构建，本文检测模型结构包含输入层，1D-DCNN模块，集成学习分类层，输出层。1D-DCNN模块由卷积核大小为空洞卷积，SeLU激活函数构成的残差模块。传统神经网络通常采用零填充防止输入的边缘信息丢失，这会导致边界效应产生盲点，使模型对绝对位置信息敏感，采用循环填充方法缓解边界效应，卷积层将输入信号始端与信号末端一起卷积，同时采用扩展型指数线性单元激活函数(SeLU)，即：
式中，、/>为激活函数参数、/>为以x为自变量的扩展型指数线性单元激活函数、/>为数学常数e的x次幂，由Klambauer计算出/>、/>，SeLU函数引进了神经网络自归一化属性，可防止梯度消失和***问题，使用随网络深度增加而指数增大的扩张率，即第/>层扩张率为/>，模型通过/>层空洞卷积实现最后一个卷积层输出的每个点都能获取长度为n的序列完整信息，最后结合简单的平均集成学习和Softmax做分类决策。本文引入残差连接解决卷积神经网络随着层数的加深出现模型过拟合、网络退化等问题。最终本文构建的1D-DCNN故障电弧检测模型结构如图4所示。
本实施例中，所述S3中，主机采用Intel(R) Core(TM) i7-12700H处理器，16.0GB运行内存，NVIDIA GeForce RTX 3060 Laptop GPU。在Windows 1121H2***下，利用Pytorch1.6.0框架配置1D-DCNN故障电弧检测模型，其包括以下步骤：
S3-1.故障电弧数据构建，根据国家标准《电气火灾监控***第4部分：故障电弧探测器》(GB14287.4-2014)所提供的故障电弧探测器(AFD)报警性能指标，将每种工况电流序列以半个周期为一样本拆分，每样本包含5000电流采样点，构建故障电弧数据库，将拆分后的每种工况数据集按照随机采样原则分为训练集、验证集、测试集，并将其按9:1:1比例划分；结果如表3。训练集为16709样本，验证集为2090样本，测试集为2088样本。
表3 数据库
S3-2.模型训练，1D-DCNN故障电弧检测模型采用交叉熵损失函数，Adam优化器进行训练，Adam参数设置为学习率lr=0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，训练轮数Epoch=100，为实现模型快速收敛，训练集和验证集被分成多批次(batch)，批量处理样本数量(batchsize)设置为64。每训练一次Epoch用验证集验证模型准确率，保存验证集准确率最高的模型参数，之后用测试集评价其性能。实例化1D-DCNN故障电弧检测模型各项参数如表4所示；
表4 模型各项参数
模型训练过程中，训练集和验证集的准确率和损失随训练迭代次数变化曲线如图5所示。从图5可见，训练开始时训练集准确率上升很快，到第70轮迭代时，训练集准确率达到99%以上并趋于稳定，损失值从1.2158下降到0.0118，并趋于0。验证集准确率出现轻微振荡，到第80轮迭代时，验证集准确率达到99%以上并趋于稳定，损失值从0.5682降至0.0179，并趋于0。训练样本与验证样本准确率变化曲线不再出现较大波动，表明模型稳定性较高。验证集准确率在第99轮迭代达到最大值99.67%，保存第99轮训练之后的模型参数。在训练过程中，没有出现过拟合现象，训练结果良好。
S3-3.模型性能评价，通过表3测试集的样本评价验证集准确率最高的模型性能；测试集样本不包括训练集和验证集样本。混淆矩阵是用于监督学习中的分类模型性能评价可视化工具，克服了单独使用分类准确率的局限性。1D-DCNN故障电弧检测模型在测试集上的混淆矩阵如图6所示，坐标轴刻度标签为表2实验标签。混淆矩阵对角线表示正确分类样本个数；
从图6可知，1D-DCNN故障电弧检测模型预测结果错误的样本总共有8个，准确率为99.62%。绿框为负载分类预测错误样本个数，红框为电路状态预测错误样本个数。对负载分类预测，除1个双支路电阻故障样本归类为开关电源故障样本之外，其他负载分类都准确，准确率为99.95%。对电路状态预测，除4个双支路吹风机故障样本归类为双支路正常状态、2个角磨机故障样本归类为角磨机正常状态、1个双支路正常样本归类为双支路吹风机故障状态以外，其他电路状态都预测正确，准确率为99.67%。通过混淆矩阵计算每种实验工况的精确率、召回率、特异度三个性能指标评估模型性能，计算结果如表5所示。
表5 模型性能指标
尽管1D-DCNN故障电弧检测模型有99.62%准确率，但还是有少数样本预测错误。电路状态预测错误相比于电路负载分类预测后果更严重，将正常状态预测为故障状态会引起误报，故障状态预测为正常状态会引起漏报，而漏报有引起火灾事故的风险，需重点分析漏报样本即精确率低于1的正常状态工况样本。从表5找出正常状态工况（标签1到标签5）精确率低于1的实验工况，之后结合图6混淆矩阵和实验电流波形分析其原因。
(1)角磨机正常工况（标签3）精确率为0.988，因角磨机正常和故障状态的电流波形相似，导致2个角磨机故障状态样本漏报。
(2)双支路正常工况（标签5）精确率为0.974，因双支路吹风机故障电弧特征在干路电流淹没而造成隐蔽性，导致4个双支路吹风机故障样本漏报。
S3-4.模型性能比较，在同样的数据集、同样的训练条件下，使用同等数量级参数的不同模型进行测试，选取负载分类准确率、负载状态识别准确率、总体准确率作为衡量指标，验证所提模型检测故障电弧性能。如表6所示。1D-CNN为卷积核为标准卷积的神经网络，循环神经网络LSTM和GRU模型隐状态维数(rnn_hidden)设置为128，隐藏层数量(num_layers)设置为1。
表6 不同模型计算结果
从表6可知，循环神经网络电弧检测准确率非常低，原因在于处理高采样率获取的电流长序列数据时，LSTM和GRU存在梯度消失和梯度***问题导致模型难以训练。因卷积神经网络从电弧电流序列全局提取特征，提取的特征能够准确表征电弧，模型预测分类能达到高准确率。本文所提1D-DCNN与1D-CNN的参数数量相等条件下，空洞卷积感受野大于传统卷积，所以准确率高于1D-CNN模型。
本发明针对串联故障电弧不易检测问题，搭建点接触式串联故障电弧实验平台，采集了单负载和双支路负载正常工作与发生故障时干路电流数据，建立了以半个周期为样本的故障电弧数据库。进一步提出一维空洞卷积神经网络端到端故障电弧检测模型，该模型从高采样率电流数据中自主学习特征，无需人工提取特征，能够同时进行故障电弧检测与故障负载类型辨识。通过测试集验证模型性能，结果表明，所提模型对负载分类准确率为99.95%，负载状态检测准确率为99.67%，总体准确率为99.62%，能够满足故障电弧检测的准确率要求。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (1)
1.基于一维空洞卷积神经网络的故障电弧检测方法，其特征在于：其包括以下步骤：
步骤1.故障电弧实验与电流波形分析；
步骤2.模型构建；
步骤3.基于1D-DCNN检测故障电弧；
所述步骤1中，其包括以下步骤：
S1.搭建点接触式串联故障电弧实验平台，用以模拟实际电气线路故障电弧；所述实验平台主要有交流电源、点接触电弧发生装置、负载、开关、电流采集探头和示波器组成；
S2.实验方案与数据采集，其中，实验方案设置12种工况，每种工况的负载A和负载B分别放置相应编号的实验负载，并在相应故障位置放置电弧发生器；实验数据采集装置置于干路，由示波器与电流探头组成；
S3.数据预处理与波形分析；对电流序列进行[-1,1]归一化，通过Matlab归一化函数mapminmax对电流序列I＝[x1,x2,x3…,x1000000]进行归一化处理，其中mapminmax归一化函数如下：
将ymax＝1和ymin＝-1代入mapminmax归一化函数得[-1,1]归一化函数，如下所示：
式中，xn,i代表归一化后的电流值，xi代表原始电流值，y代表代表归一化函数；
所述步骤2中，其包括以下步骤：
S1.引用空洞卷积理论，第l层t位置的一维空洞卷积输出计算公式：
式中k代表卷积核大小，w(l)代表卷积核参数，dl代表扩张率，Ot代表一维空洞卷积；
S2.模型构建，检测模型结构包含输入层、1D-DCNN模块、集成学习分类层、输出层，采用循环填充方法缓解边界效应，卷积层将输入信号始端与信号末端一起卷积，同时采用扩展型指数线性单元激活函数(SeLU)，即：
式中，α、λ为激活函数参数、SeLU(x)为以x为自变量的扩展型指数线性单元激活函数、ex为数学常数e的x次幂，由Klambauer计算出α＝1.6773、λ＝1.0507，使用随网络深度增加而指数增大的扩张率，即第l层扩张率为dilationrate＝2l-1，模型通过层空洞卷积实现最后一个卷积层输出的每个点都能获取长度为n的序列完整信息，最后结合简单的平均集成学习和Softmax做分类决策；
所述步骤3中，利用Pytorch 1.6.0框架配置1D-DCNN故障电弧检测模型，其包括以下步骤：
S1.故障电弧数据构建，将每种工况电流序列以半个周期为一样本拆分，每样本包含5000电流采样点，构建故障电弧数据库，将拆分后的每种工况数据集按照随机采样原则分为训练集、验证集、测试集，并将其按9:1:1比例划分；
S2.模型训练，1D-DCNN故障电弧检测模型采用交叉熵损失函数，Adam优化器进行训练，Adam参数设置为学习率lr＝0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，训练轮数Epoch＝100，每训练一次Epoch用验证集验证模型准确率，保存验证集准确率最高的模型参数，之后用测试集评价其性能；
S3.模型性能评价，通过测试集的样本评价验证集准确率最高的模型性能；
S4.模型性能比较，在同样的数据集、同样的训练条件下，使用同等数量级参数的不同模型进行测试，选取负载分类准确率、负载状态识别准确率、总体准确率作为衡量指标，验证所提模型检测故障电弧性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311243596.3A CN116990648B (zh) | 2023-09-26 | 2023-09-26 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311243596.3A CN116990648B (zh) | 2023-09-26 | 2023-09-26 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116990648A CN116990648A (zh) | 2023-11-03 |
| CN116990648B true CN116990648B (zh) | 2023-12-19 |
Family
ID=88534084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311243596.3A Active CN116990648B (zh) | 2023-09-26 | 2023-09-26 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116990648B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118245886A (zh) * | 2024-05-10 | 2024-06-25 | 国网江苏省电力有限公司苏州供电分公司 | 基于循环mdc的b型剩余电流波形分类方法与*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030789A (zh) * | 2021-04-12 | 2021-06-25 | 辽宁工程技术大学 | 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 |
| CN113111820A (zh) * | 2021-04-21 | 2021-07-13 | 北京科技大学 | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 |
| CN114580829A (zh) * | 2021-12-29 | 2022-06-03 | 国网湖南省电力有限公司 | 基于随机森林算法的用电安全感知方法、设备及介质 |
| CN114861880A (zh) * | 2022-05-06 | 2022-08-05 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
| CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
| WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
| CN116432112A (zh) * | 2023-04-23 | 2023-07-14 | 扬州大学 | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 |
-
2023
- 2023-09-26 CN CN202311243596.3A patent/CN116990648B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030789A (zh) * | 2021-04-12 | 2021-06-25 | 辽宁工程技术大学 | 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 |
| CN113111820A (zh) * | 2021-04-21 | 2021-07-13 | 北京科技大学 | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 |
| CN114580829A (zh) * | 2021-12-29 | 2022-06-03 | 国网湖南省电力有限公司 | 基于随机森林算法的用电安全感知方法、设备及介质 |
| WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
| CN114861880A (zh) * | 2022-05-06 | 2022-08-05 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
| CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
| CN116432112A (zh) * | 2023-04-23 | 2023-07-14 | 扬州大学 | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 本质安全型防爆电气设备故障电弧识别技术;白嘎力等;中国人民警察大学学报;第39卷(第8期);52-57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116990648A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105425118B (zh) | 一种多信息融合故障电弧检测方法及装置 | |
| James et al. | Online false data injection attack detection with wavelet transform and deep neural networks | |
| Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
| Xiong et al. | Incipient fault identification in power distribution systems via human-level concept learning | |
| CN116990648B (zh) | 基于一维空洞卷积神经网络的故障电弧检测方法 | |
| WO2020087752A1 (zh) | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| CN102331543B (zh) | 基于支持向量机的故障电弧检测方法 | |
| Guo et al. | Detection and line selection of series arc fault in multi-load circuit | |
| Mishra et al. | Taxonomy of high impedance fault detection algorithm | |
| CN110118900A (zh) | 一种负载识别以及工频串联电弧故障检测方法 | |
| CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及*** | |
| CN115048985A (zh) | 一种电气设备故障判别方法 | |
| Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
| Paul et al. | Efficient-ArcNet: Series AC arc fault detection using lightweight convolutional neural network | |
| Shi et al. | Fast identification of power transformer magnetizing inrush currents based on mathematical morphology and ANN | |
| CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 | |
| Gao et al. | Advancing high impedance fault localization via adaptive transient process calibration and multiscale correlation analysis in active distribution networks | |
| Liu et al. | Partial Discharge Detection Method for Distribution Network Based on Feature Engineering | |
| Yang et al. | An arc fault diagnosis algorithm using multiinformation fusion and support vector machines | |
| Lu et al. | Low voltage series arc fault identification method based on VMD and RVFL neural network | |
| Ren et al. | Dynamic Impedance and Chaotic Behavior Modeling Featured Novel Robust Arc Fault Identification Approach | |
| Zhou et al. | Research on Low Voltage Series Arc Fault Prediction Method Based on Multidimensional Time-Frequency Domain Characteristics | |
| US20230341477A1 (en) | Series arc detection firmware | |
| Xiong et al. | Condition Assessment of Low Voltage Circuit Breaker based on Long Short-term Memory Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |