基于长短期记忆神经网络的生命体触电电流检测*

赵启承， 虞雁凌

(1.国网浙江省电力有限公司电力科学研究院，浙江 杭州 310014；2.浙江亿安电力电子科技有限公司，浙江 杭州 311300)

0 引 言

随着社会的飞速发展，电力设备与电力线路的规模不断扩大，随之而来的火灾与触电事故也时常发生，因此,电力设备的安全性成为目前电力行业所聚焦的热点问题之一。目前,剩余电流保护设备与漏电电流检测技术已获得大量突破性进展，但仍未能从根本上解决剩余电流保护设备正确投运率较低问题。当前绝大多数的剩余电流保护器主要是通过总剩余电流有效值的大小来判断触电事故的发生，对于触电类型缺乏判别能力，当剩余电流保护装置的电气环境受到影响时可能会引起误动。此外，在一些特殊的场合下,电网的漏电电流有可能会使总剩余电流减小，从而造成剩余电流保护装置拒动。要解决这些问题，预防触电、漏电事故的发生，需要从剩余电流和生命体触电电流两方面来开发剩余电流保护装置。国内外许多学者对生命体触电检测与触电类型识别进行了大量的研究。文献[1]利用Mallat算法对总剩余电流进行滤波并构造实时更新的自适应阈值对触电波形进行检测，同时提取触电电流特征、时域特征和波形特征等多个特征值，并作为反向传播(BP)神经网络的输入，从而获得触电分类模型。文献[2]利用循环功率谱获取剩余电流信号的循环功率三维图，并利用K-means聚类对不同维度的循环频谱密度特征进行聚类分析，在此基础上添加偏置修正的欧式距离测度，一定程度上提升了聚类分析识别的准确度，但该模型并未提出如何确定触电时刻。文献[3]应用希尔伯特—黄(Hilbert-Huang)变换分析剩余电流的暂态过程频谱特性，并且利用经验模态分解剩余电流的暂态信号获得模态函数，通过此模态函数提出基于剩余电流固有模态分量的触电电流检测方法。文献[4]基于混沌系统对于噪声的免疫特性，以及对初始信号敏感的优势，根据混沌状态输出的特征，将输出作为混沌信号时域包络线波动情况的指标，以此判别定量系统的临界状态，并利用矢量分析方法提出触电电流幅值检测方法。

本文先通过生命体触电试验获取具有时域特征及变化趋势的生命体触电特种波形，利用所获取的触电电流数据训练出长短期记忆(long and short-term memory,LSTM)神经网络模型，并利用此LSTM神经网络对触电事故进行分类，最后通过测试数据对网络进行可行性验证。本文研究结果将为研究与开发新一代针对于生命体触电的剩余电流保护装置提供参考，对于用电安全具有重要的现实意义。

1 算法原理

本文应用小波分解对已获取的具有时域特征及变化趋势的生命体触电特种波形进行降噪处理，将降噪后的特种波形作为LSTM神经网络的输入，对触电电流的时间序列进行映射，获取触电分类模型。

1.1 生命体触电特种波形特征

生命体作为一个复杂的阻抗网络，很难准确描述发生触电时电流的变化情况，根据文献[5～8]和现在主流的观点，生命体的阻抗主要由皮肤阻抗所构成，在触电发生的较短时间内电流呈现出一个递增周期函数的趋势，因此,将触电电流波形的前3个周期的电流波形作为生命体触电特种波形。经过小波滤波降噪后的生命体触电特种波形如下图1所示。

图1 生命体触电特种波形

将所有通过生命体(动物)触电试验获取的电流波形全部取前3个周期，并通过小波滤波降噪，将滤波降噪后的电流作为LSTM神经网络的输入。

1.2 基于LSTM神经网络的触电识别模型

循环神经网络是以序列作为输入的递归神经网络，其在处理常规的序列问题上相较于传统的神经网络有着明显的优势[9～12]。但缺点也比较明显，在递归层数较大时，容易产生梯度爆炸和消失的问题，严重影响训练出的模型准确性，因而在基于传统的循环神经网络基础上提出了LSTM神经网络[13～16]。作为一种改进的循环神经网络，LSTM神经网络可以自适应地捕捉存在长距离依赖和非线性动态变化的时间序列数据。LSTM神经网络中增加了控制门，分别是遗忘门、输入门和输出门。遗忘门主要功能是使得LSTM神经网络能够遗忘和删除部分不相关信息，这样就解决了传统循环神经网络的长期依赖问题。LSTM神经网络结构如图2所示。

图2 LSTM神经网络结构

图2中xt为t时刻输入，ht为t时刻隐含层输出，ft为t时刻遗忘门，it为t时刻的输入门，ot为t时刻输出门，st为t时刻细胞状态，ct为记忆单元的输入状态，σ为Sigmoid函数，tanh为双曲线正切函数。

LSTM神经网络通过遗忘门来确定和删除神经元所不需要的信息，遗忘门ft的输出值计算方法为

ft=σ(Wxfxt+Whfht-1+bf)

(1)

式中Wxf,Whf为遗忘门权重系数，bf为遗忘门偏移量。

在遗忘门对LSTM神经网络结构中神经元取舍的基础之上，通过xti和ht-1与权重的乘积来控制输入门中神经元状态it，其计算公式为

it=σ(Wxixti+Wxiht-1+bi)

(2)

式中Wxi和Whi为输入门权重系数，bi为输入门偏移量。

再利用tanh函数将神经元信息进一步更新，进而得到记忆单元在时间t的神经元状态Ct，其计算公式如下

(3)

Ct=ftCt-1+itt

(4)

式中Wxc和Whc为细胞状态权重系数，bc为细胞状态偏移量。

最终的输出结果通过Sigmoid函数判断神经元状态是否输出从而得到ot，其计算公式如下

ot=σ(Wxoxt+Whoht-1+b0)

(5)

式中Wxo和Who为输出门的权重系数，bo为输出门的偏移量。

在t时刻隐含层输出的计算公式为

ht=ottanh(Ct)

(6)

2 试验验证

为了验证本文所提方法的有效性，搭建了生命体触电试验平台，采集试验过程中的剩余电流波形数据，使用Python编写的触电电流检测算法进行验证。

2.1 实验数据来源

生命体触电实验平台使用动物体作为触电试验对象，并且控制部分试验条件如电流、湿度、接触面积等，来模拟不同情况下的生命体触电。

图3触电试验平台采用三相电源，并加上负载用于模拟低压配电系统中的负载。取C相电路模拟触电事故，限流电阻用于控制电流大小。示波器用于记录试验中经过待测生命体的电压和电流。

图3 触电试验平台

实验共进行了数百次，获取剩余电流波形数据400余组。电流幅值大小为30 mA的剩余电流波形数据100组，100,300,500 mA的剩余电流波形数据各100组。

图4为正常情况下的剩余电流波形图和发生触电的剩余电流波形图。

图4 正常和触电情况剩余电流波形

2.2 隐含层层数与节点数的确定

为了能够较大程度地提升模型性能，对LSTM隐含层的层数与节点数进行网络参数调优。因此，设置2组限制条件的实验测试，第1组实验为了确定最优的隐含层层数，将每层的节点数设置为固定值64，其他条件均不变，通过设置隐含层数从1到4，观察MAE值，通过MAE来确定最终的隐含层数。实验结果见表1。对于隐含层节点数的确定也采用同样的方法，将隐含层设置为固定值，其他条件不变，隐含层节点数设置为8,16,32,64，观察MAE值，通过MAE来确定隐含层节点数。实验结果见表2。

表1 隐含层层数MAE

表2 隐含层节点数MAE

一般，模型隐含层层数越大，能获取信息就越多，训练出的模型准确度也就越高，但是随着层数的不断增加，过拟合以及其他问题发生概率也不断增加。从表1可以看出隐含层数为1时，MAE误差评价最小，故确定隐含层数为1。同样节点数也会影响训练时的学习效果，从表2可以看出随着节点数的增加MAE不断下降，但是当超过一定数值时就会使模型的训练效果降低。隐含层节点数为32时MAE最小，因此确定隐含层节点数为32。

3 触电类型识别仿真

3.1 触电类型识别模型训练

将试验获取的共计400组生命体触电剩余电流波形信号按照3︰1比例随机划分为训练集和测试集并作为模型的输入对模型进行训练。训练过程中将误差限制设置为1×10-7。优化器选择Adam，Adam优化器可以自适应调节学习率，大大提升训练的速度，同时提升训练过程中的稳定性。此外，引入Dropout算法，Dropout主要功能是对模型进行正则化，可有效防止过拟合发生。在模型训练过程中，Dropout会随机地屏蔽部分神经元，因此，会形成新的神经元结果并且神经元直接互相不依赖，有效解决局部性特征依赖的问题，进一步提升了神经网络的稳定性。Dropout概率设置为0.3。通过Python搭建训练模型，对样本进行训练，训练过程中损失曲线如图5所示。

图5 训练误差

图5中横轴为神经网络模型训练轮次，纵轴为训练集损失函数值。可知随着训练次数的增加，损失函数不断减小直到收敛，说明模型较好地学习了所输入的信号特征。

3.2 触电类型识别结果分析

利用训练的LSTM网络对100组测试数据进行测试，结果如表3所示。其中，总均方差为3.323 8×10-6，平均仿真时间为0.000 034 s，准确率100 %，满足实际需求。

表3 触电识别结果

4 对比分析

为验证基于LSTM的生命体触电检测方法有效性，分别用CNN和BP神经网络与本文方法进行了对比。

从表4可看出，本文方法准确率更高且迭代次数少，表明本文方法对于生命体触电具有更好的表征能力。另外，在平均计算时间上也要优于CNN和BP神经网络，平均识别时间仅为0.000 034 s。

表4 不同方法检测效果对比

5 结 论

本文提出了基于LSTM神经网络的生命体触电电流检测方法，通过生命体触电试验平台获取触电剩余电流信号进行小波分解降噪，再利用总剩余电流所表现出的特种波形电流信号并结合其时域特征和波形特征对LSTM进行训练，构建生命体触电识别模型,并取得了良好的检测效果。与CNN和BP网络相比，LSTM在训练次数以及平均计算时间上均有明显的优势。