0 引言
随着电力电子设备的广泛应用,电力利用变得更加高效和方便,但也给电力安全带来了潜在威胁,其中电弧故障引起的局部高温很容易引发电气火灾[1]。传统的保护装置(如保险丝,断路器)不适合检测电流故障,根据电弧与负载之间位置的不同,电弧故障又可分为串联电弧故障和并联电弧故障[2]。因为有串联负载阻抗的限制,串联负载相较于并联负载更难检测。此外,一些常用的家用电器(如取暖器、电脑)在运行期间的电流表现出与串联电弧故障相似的特征,增加了误报的可能性[3]。
目前串联电弧故障的检测方法主要有3种:① 基于电弧模型的检测方法[4-6],因为仿真模型需要大量的参数,在不同工况下参数需要重复的实验来确定,很难在实际中应用。② 基于电弧故障物理特性的检测方法[7-8],受到传感器安装位置的限制,难以在未知点检测电弧故障,具有局限性。③ 基于电压、电流特性的检测方法是当前主流的故障电弧检测方法。余琼芳等[9]直接将电流数据输入到改进的CNN_LSTM模型中,进行串联故障电弧的检测。王毅等[10]提出对电流数据进行时频域分析,并与随机森林结合的方法,该方法可以适用于多种典型负载单独或混合工作的串联型低压故障电弧识别。杨帆等[11]提出了基于改进 CEEMDAN 分解与时空特征的检测算法,使用SVM进行故障电弧的识别。Yang等[12]提出了一种基于时域可视化卷积神经网络(TDV-CNN)的方法对故障电弧进行分类。Lu等[13]提出了将域自适应与基于深度卷积生成对抗性网络(DA-DCGAN)相结合的识别方法。针对三相电路中发生的串联电弧故障,Gao等[14]利用分数傅立叶变换分析了单相电流信号从时域到频域的变化,并利用奇异值分解(SVD)提取了串联电弧故障的故障特征,但特征提取需要大量的计算,耗费过多的时间和内存资源。Han等[15]利用核主成分分析,分析了两相电流信号和相电压信号,以提取在复杂谐波条件下发生的串联电弧故障的特征,结果表明,这些信号的第五和第六主分量的峰度和偏度可以作为电弧故障的特征。但这种方法需要2个电流互感器和1个电压互感器,在系统结构上较为复杂。Xia等[16]以EfficientNetV2作为骨干特征提取算法实现电子元器件的多场景检测,获得了较好的检测结果,但是参数量较多,使得网络训练缓慢,同时使用SE通道注意力中的降维操作会降低网络预测的性能。
目前,对具有变频器低压三相系统的故障电弧研究是一个重点。变频器是一种非线性负载,在运行过程中会产生大量的谐波干扰,当变频器后部发生电弧故障时,会使得输出的三相电流不平衡,改变变频器前部的电流,导致正常状态和电弧故障状态下的电流存在差异,在实际生活中,家用电器(如取暖器、电脑)的存在又会使得这种差异变小。另外,如果我们能够仅通过分析变频器前部测得的电流信号来识别电弧故障,这将节省安装在变频器后部线路中的电流互感器,减少数据分析的计算和资源的浪费,并简化系统。针对上述问题,本文中提出了一种改进的EfficientNetV2算法,该算法具有较少的参数、较低的计算负担,能有效的验证模型效果和改善模型,在运行过程中提供了更好的性能。
1 模型搭建
1.1 马尔可夫变迁场(MTF)
MTF最早由Zhiguang Wang等[17]提出,与马尔可夫链有着密切的相关性,由于马尔可夫转移矩阵在时间序列的依赖上并不敏感,基于一阶马尔科夫链,考虑时间位置关系提出了MTF。假设时间序列X={x1,x2,x3,…,xi,…,xn},首先将序列数据按照其取值范围划分为Q个区间,序列中任何一个数据点xi都对应唯一一个qi(1≤i≤Q)。
然后由于时间序列的状态空间是有限的并且满足马尔可夫性质,因此可以构建与时间序列相对应的马尔可夫转移矩阵W:
(1)
式(1)中:
指的是从状态qj到状态qi的概率,ci, j指的是从状态qj到状态qi的转变中所有可能的数据点。
考虑时间的位置,矩阵W可以进一步扩展为MTF矩阵M,如式(2)。MTF是一种将时序序列转换为二维矩阵或者图像的有效方法,可以便于分析和可视化。本文中为了提高效率,将矩阵M进行网格化,每个网格中的子图用其平均值进行替代,减小了矩阵M的尺寸,最终输出的形状为64×64。
(2)
式(2)中: mij表示qj中的特定元素xj转移到qi中的特定元素xi的概率,对于每一行i都有
1.2 注意力机制
通道注意力极大地提高了卷积神经网络的性能,最具代表性的方法是Hu等[18]使用挤压和激励(SE)模块在2017年提出的SE-Net。SE模块首先为每个通道使用全局平均池化,然后使用2个非线性全连接层和Sigmoid函数来生成每个通道的权重。尽管SE模块在一些关于当前通道注意力模块的研究中被广泛使用,但事实证明,降维将影响通道注意力的预测性能,以及获得所有通道之间权重的效率。Wang等[19]使用了一种轻量级的通道注意力(ECA)模块,该模块只添加了少量参数,但可以实现显著的性能提升。ECA模块不使用降维,并且通过大小为k的一维卷积进行操作。该模块的结构如图1所示。
图1 ECA模块
Fig.1 ECA module
在ECA模块中,输入首先通过全局平均池化(GAP)层,然后该层使用1D卷积进行局部跨通道信息交互。1D卷积内核大小与卷积内核(k)大小相同,一般情况下,1D卷积层将填充值设置为内核的一半,并采用整数部分。然后将其输入到Sigmoid函数进行激活输出,输出的特征按元素乘以输入通道,其乘积为ECA模块输出。通道的数量应该是n2,以确定通道数量和k之间的映射关系λ,如式(3)所示:
(3)
式中: |x|odd表示x的最接近奇数,可以通过选择k来计算跨通道交互的程度。其中b和γ分别设置为2和1,C为通道数。
1.3 改进的EfficientNetV2整体架构
卷积神经网络(CNN)已成为图像任务中应用的基本特征提取程序。然而,三相电路系统中电弧电流的多种复杂行为的存在使得一些卷积框架对于电弧故障检测任务来说不太适合。EfficientNetV2[20]算法在训练速度和精确率方面优于传统算法,并且提出了改进的增量学习方法。改进的EfficientNetV2模型如图2所示。首先,使用一层膨胀卷积模块,优点是在增加内核大小的同时,既可以增大感受野又可以保持原始模型的参数或计算量,其中膨胀率设置为2个。其次,为了减少参数数量和计算复杂度,将MBConv和Fused MBConv卷积模块中的SE模块替换为ECA模块,ECA模块使用无维度局部跨通道交互方法,该方法自适应地选择合适的相邻通道来计算注意力。之后,增加了一个空间注意力模块,将该模块的输入分别进行基于通道的全局最大池化(GMP)和全局平均池化(GAP)操作,再进行融合、激活。最后,将输出的特征与该模块的输入做乘法得到该模块最后的输出,大大提高了各个特征在空间上的联系。
图2 改进的EfficientNetV2整体架构
Fig.2 Improved EfficientNetV2 overall architecture
2 实验内容
2.1 实验平台
搭建的三相电弧故障实验平台如图3所示。实验装置的供电电源采用低电压220 V/50 Hz的交流电,采用功率100 W 1P的电阻作为采样电阻。电路连接线采用4 mm实验专用铜线,采用的变频器参数为EV4300型0.75 kW。采用6KI400A-YF型三相电机,以2个断路器分别作为主开关以及明显断开点为保护装置,示波器使用TiePieSCOPE HS801五合一虚拟综合测试仪。
图3 实验平台
Fig.3 Experimental platform
2.2 实验电路
本文中实验三相电机采用三角形接法,使用所用的变频器将单相电转为三相电驱动电机。采样电阻串联在电源附近的干路中,故障发生装置固定在变频器后部三相中的某一相上(本文中实验将故障发生装置固定在A相),实验电路图如图4所示,故障发生装置与开关2的设计可以有效地避免发生误判的情况,当故障发生的时候,将开关2断开,这时候来采集故障电流数据;采集正常电流数据的时候,将开关2闭合,故障发生装置断开。为了使系统有更好的普遍适用性,实验并联了一条负载支路,分别采用感性负载、阻性负载和非线性负载作为对象。
图4 实验电路图
Fig.4 Experimental circuit diagram
2.3 数据采集与分析
在每次采样点为5 000个,采样频率为25 kHz的设置下,得到了10个周期的故障或正常电流波形,时长为0.2 s。经过筛选选出样本中具有8个及以上周期的故障数据。实验方案如表1所示,每组分别采集故障和正常样本2 300个,其中2 000个分为训练集,300个分为测试集,测试集中不包含训练集中的样本。
表1 实验方案
Table 1 Experimental scheme
组别故障发生位置负载支路额定功率/W训练集正常故障测试集正常故障1234A相断开—2 0002 000300300电风扇(感性)602 0002 000300300取暖器(阻性)4002 0002 000300300电脑(非线性)3502 0002 000300300
拉弧式是本文中实验采取的获取电弧的方法,主要由1根碳棒和铜棒构成,都为6 mm且碳棒做为静电极,铜棒做为动电极,通过控制步进电机去驱动动电极逐渐接近静电极,直到形成稳定的电弧才停止。模拟故障电弧发生实验时,在步进电机的驱动下,令移动电极与固定电极之间具备一定的间隙,产生持续的电弧,发出耀眼的白光并伴随着电火花。4组实验采集的波形如图5所示。由波形可看出变频器是利用了SPWM即正弦脉冲宽度调制进行单相到三相的转换以及调速工作,同时也因为变频器的存在,正常工作时的电流每周期都出现较长的“平肩”现象,如图5(a)所示。当负载支路加入不同的负载时,主路上测得的电流也进行相应的叠加。当故障发生的时候,4组实验中的故障波形的电流最值都会相较于正常波形出现不同程度的增大,同时相较于正常波形,高次谐波也出现在故障波形中,波形中出现大量的“尖峰”现象,故障特征明显。
图5 实验波形
Fig.5 Experimental waveform
把采集的4组8类别数据的每个时间序列样本通过MTF转换为图片样本并打上对应的标签,构建图片样本数据集,每个样本的形状为64×64。如图6所示,以第1组实验为例,可以看出,在不同的故障条件下,转换后的每一类别的电流信号在MTF中表现出潜在的周期性,且有明显的不同。
图6 第1组实验MTF图
Fig.6 MTF plot in group 1 experiments
3 实验结果与分析
实验在Windows系统上运行,该系统具有intel(R) Core(TM) I7-7700HQ处理器、16.0 GB内存和NVIDIA GeForce GTX 1080Ti双显卡。使用PyCharm软件构建程序,环境为Python 3.9和TensorFlow 2.4.0。电脑操作系统是Windows 10。在本节中,将收集的所有训练样本送到模型中进行训练,并进行了测试。将准确率作为网络的评价指标,以二分类为例,准确率表示公式为
(4)
式(4)中: TP表示预测的为故障波形类别就是实际的故障波形类别的数量,TN表示预测的为正常波形类别就是实际的正常波形类别的数量,FP表示预测的为故障波形类别实际上是正常波形类别的数量,TP表示预测的为正常波形类别实际上是故障波形类别的数量。
3.1 训练参数的选择
学习速率直接影响网络模型的收敛状态,这决定了权重迭代的步长。当学习速率设置太大时,模型将不会收敛。当学习速率设置太小时,模型的收敛速度将变慢,并且将无法学习。经过多次实验,选择0.000 1作为网络的学习速率,以加快收敛速度并节省训练时间。
训练批次大小影响卷积神经网络模型的泛化性能和准确率。在特定范围内,增加批次大小有助于收敛的稳定性,提高内存利用率,加快数据量的处理速度。经过多次实验,将批量大小设置为32。设置模型进行30个epoch,每训练一个epoch进行一次测试,计算测试损失和测试准确率。
3.2 实验分析
考虑三相电路系统中电弧电流数据集样本类型的复杂性,使用单一精度作为模型分类评价指标是不全面的,因此,本文中使用了更全面的混淆矩阵作为评估标准。图7为测试集中2 400个样本输出的混淆矩阵,对角线上的值反映了算法在每种类型标签上的正确识别概率,每行中的其他值表示被误诊为其他标签的概率。
图7 混淆矩阵
Fig.7 Confusion matrix
从图7中可以看出,改进EfficientNetV2算法在识别各个实验方案时都具有较高的识别率,仅有2个识别率有偏差,一个是负载支路接电风扇时的个别故障样本被误诊为负载支路接电脑时的故障样本,一个是负载支路接电脑时的个别故障样本被误诊为负载支路断开的故障样本和负载支路接电脑时的正常样本,其他识别率都是100%,达到了一个较高的水平,这表明该算法在识别三相电路电流方面具有很强的能力。
此外,不同的激活函数也对模型的好坏有着不同的影响,所以对模型中的改进Fused MBConv模块和改进MBConv模块统一替换不同的激活函数,以寻求最优模型。表2给出了不同激活函数的准确率对比分析,结果表明,使用SiLU激活函数使得结果最优。
表2 不同激活函数的准确率
Table 2 Accuracy of different activation functions
激活函数准确率/%激活函数准确率/%Sigmoid98.25Mish98.00ReLU97.58SiLU98.99PReLU98.27
3.3 不同模型的比较
现有的电弧故障研究中,以MTF图像作为输入比较罕见,因此,为了验证所提出的改进EfficientNetV2算法是否优于现有的神经网络模型,构建了AlexNet、Xception和ResNet18算法,用相同的数据集进行训练和测试,并比较了电弧故障检测的准确率、总参数。结果如表3所示。
表3 不同模型的比较
Table 3 Comparison of different models
模型参数/M准确率/%AlexNet[21]5.4195.83Xception[22]20.8696.58ResNet18[23]11.1997.13EfficientNetV2_s2498.32Ours9.0498.99
模型参数越多,计算量越大,运行速度越慢。将网络模型参数的数量与构建的AlexNet、Xception、ResNet18和EfficientNetV2_s进行了比较,模型参数总和分别为5.41、20.86、11.19、24 M。然而,本文中所提出的轻量级网络模型中的参数总数为9.04 M,低于Xception、ResNet18和EfficientNetV2_s算法,虽然相比AlexNet参数较多,但精确度得到了大幅度提升。从图8可以清楚地看出,随着Epoch的增加,准确率整体呈上升状态,在第19个Epoch时到达最高精度98.99%,之后逐渐趋于平稳。与其他4种算法相比,改进EfficientNetV2算法在准确性和收敛速度方面具有优势。
图8 不同模型的训练精确度
Fig.8 Training accuracy of different models
4 结论
本文中提出了一种改进的EfficientNetV2算法用于串联电弧故障检测,该方法具有参数少、计算负担低的特点。通过改进通道注意力、将具有双池化的空间注意力模块添加到网络的深层,能更好的捕获数据转换MTF图像后的一些关键特征,模型的计算负担及其预测结果都有了显著的提高。
实验结果表明:所提出的算法模型达到了98.99%的电弧故障检测准确率,并将所获得的实验结果与其他现有的模型进行比较,进一步证明了本文中所提出的模型具有较强的适应性和稳定性。根据以上分析,该方法可以用于三相电路检测串联电弧故障,减少电弧火灾危险,在串联电弧故障的识别中具有优势和研究价值。
[1]SALEH S,VALDES M E,MARDEGAN C S,et al.The state-of-the-art methods for digital detection and identification of arcing current faults[J].IEEE Transactions on Industry Applications,2019(99):1-10.
[2]张卫.低压配电系统故障中的电弧防护分析[J].集成电路应用,2021,38(12):88-89.
ZHANG Wei.Analysis of arc protection in low voltage distribution system fault[J].Integrated Circuit Applications,2021,38(12):88-89.
[3]QI P,JOVANOVIC S,LEZAMA J,et al.Discrete wavelet transform optimal parameters estimation for arc fault detection in low-voltage residential power networks[J].Electric Power Systems Research,2017,143(9):130-139.
[4]王启龙,王博文,管红立,等.低压交流串联故障电弧模型及实验[J].电力系统及其自动化学报,2018,30(2):26-29,35.
WANG Qilong,WANG Bowen,GUAN Hongli,et al.Model and experiment of low-voltage AC series fault arc[J].Journal of Power System and Automation,2018,30(2):26-29,35.
[5]刘艳丽,郭凤仪,李磊,等.一种串联型故障电弧数学模型[J].电工技术学报,2019,34(14):2901-2912.
LIU Yanli,GUO Fengyi,LI Lei,et al.A kind of series fault arc mathematical model[J].Journal of Electrical Technology,2019,34(14):2901-2912.
[6]高小庆,陈晓军,鲍光海.考虑故障电弧电流高频特征的阻抗电弧模型[J].电器与能效管理技术,2021,60(3):6-12.
GAO Xiaoqing,CHEN Xiaojun,BAO Guanghai.Impedance arc model considering high-frequency characteristics of fault arc current[J].Electrical Appliances and Energy Efficiency Management Technology,2021,60(3):6-12.
[7]卢永芳,卢珂,张玉均.基于信息融合的配电柜故障电弧预警系统研究[J].科学技术与工程,2013,13(3):735-738.
LU Yongfang,LU Ke,ZHANG Yujun.The application of information fusion technique in the early-warning system for switchbox fault arc[J].Science and Technology and Engineering,2013,13(3):735-738.
[8]PANETTA S.Design of arc flash protection system using solid state switch photo detection with parallel impedance[C]//Electrical Safety Workshop (ESW),2013 IEEE IAS.IEEE,2013.
[9]余琼芳,徐静,杨艺.基于CNN_LSTM模型的复杂支路故障电弧检测[J].中国安全生产科学技术,2022,18(4):204-210.
YU Qiongfang,XU Jing,YANG Yi.Fault arc detection of complex branch based on CNN_LSTM model[J].China Safety Production Science and Technology,2022,18(4):204-210.
[10]王毅,陈进,李松浓,等.基于时频域分析和随机森林的故障电弧检测[J].电子测量与仪器学报,2021,35(5):62-68.
WANG Yi,CHEN Jin,LI Songnong,et al.Arc fault detection based on time and frequency analysis and random forest[J].Journal of Electronic Measurement and Instrumentation,2021,35(5):62-68.
[11]杨帆,宿磊,杨志淳,等.基于改进CEEMDAN分解与时空特征的低压供电线路串联故障电弧检测[J].电力系统保护与控制,2022,50(12):72-81.
YANG Fan,SU Lei,YANG Zhichun,et al.Series fault arc detection in low voltage power supply line based on improved CEEMDAN decomposition and spatial-temporal features[J].Power System Protection and Control,2022,50(12):72-81.
[12]YANG K,CHU R B,ZHANG R C,et al.A novel methodology for series arc fault detection by temporal domain visualization and convolutional neural network[J].Sensors,2019,20(1):162-162.
[13]LU S,SIROJAN T,PHUNG B T,et al.DA-DCGAN:An effective methodology for DC series arc fault diagnosis in photovoltaic systems[J].IEEE Access,2019(7):45831-45840.
[14]GAO H,WANG Z,TANG A,et al.Research on series arc fault detection and phase selection feature extraction method[J].IEEE Transactions on Instrumentation and Measurement,2021(70):1-8.
[15]HAN C,WANG Z,TANG A,et al.Recognition method of AC series arc fault characteristics under complicated harmonic conditions[J].IEEE Transactions on Instrumentation and Measurement,2021(99):1-10.
[16]XIA Z L,GU J N,ZHANG K,et al.Research on multi-scene electronic component detection algorithm with anchor assignment based on K-means[J].Electronics,2022,11(4):514-522.
[17]WANG Z,OATES T.Encoding time series as images for visual inspection and classification using tiled convolutional neural networks[C]//Workshops at the Twenty-ninth Aaai Conference on Artificial Intelligence.2015.
[18]HU J,SHEN L,SUN G,et al.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).IEEE,2018.
[19]WANG Q,WU B,ZHU P,et al.ECA-Net:Efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).IEEE,2020.
[20]SUNIL C K,JAIDHAR C D,PATIL N.Cardamom plant disease detection approach using efficientNetV2[J].IEEE Access,2022(10):789-804.
[21]余琼芳,黄高路,杨艺.基于AlexNet深度学习网络的串联故障电弧检测方法[J].电子测量与仪器学报,2019,33(3):145-152.
YU Qiongfang,HUANG Gaolu,YANG Yi.Series arc fault detection method based on AlexNet deep learning network[J].Journal of Electronic Measurement and Instrumentation,2019,33(3):145-152.
[22]CHOLLET F.Xception:Deep learning with depthwise separable convolutions[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).IEEE,2017.
[23]HE K,ZHANG X,REN S,et al.Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).IEEE,2016.