基于OS-EM-ELM的边缘侧串联电弧故障检测方法①

薛 鹏 潘国兵 欧阳静 陈星星

(浙江工业大学机械工程学院 杭州 310023)

0 引言

随着电力工业发展,用电设备不断增加,低压配电系统的规模和容量不断扩大,同时配电网络中超期服役的电气不断增加,由电气引发火灾的风险也在增加[1]。电弧故障又是引起电气火灾的主要起因之一,现有的空气开关等保护措施无法对电弧故障产生保护动作。电弧故障识别技术是低压配电线路防护系统中重要的新型保护技术。交流串联电弧故障随机性高,故障检测会受电路中不同类型的负载影响,使得电弧故障识别变得困难。同时电弧故障识别装置安装在配电网络的末端,既要在边缘侧独立完成数据采集、分析、识别,又要保证准确、快速地识别串联电弧故障并对电路进行有效保护是低压配电线路中急需解决的问题[2]。

近几年,国内外主要研究者提出的电弧故障识别技术包括电弧数学模型、电弧物理特性、电弧电流电压波形以及智能化电弧识别。这4 种电弧故障识别技术各有优缺点,应用场合也不同。最早提出的电弧数学模型是Cassie 黑盒电弧模型[3]和Mayr 电弧模型[4]。在此基础上,研究者提出了Schavemaker模型[5]、Habedank 电弧模型[6]、Schwarz 电弧模型[7]、Stokes 电弧模型[8]等。刘艳丽等人[9]建立了神经网络黑匣子模型,并进行仿真分析,用于不适合开展现场试验电弧故障检测场景。徐秦乐等人[10]提出采集声、光和温度传感器数据的融合算法,克服了单传感器的不确定性,但多个传感器的布置造成硬件成本增加。丁鑫等人[11]进行频谱分析,提取基于谐波含量分析的3 个特征值。蔡杰轩[12]提出基于5 次谐波分量的电弧故障识别方法,但该方法用单一的谐波含量进行识别,误报率相对较高,抗干扰能力较弱。缪希仁等人[13]提出检测负载端电压的新方法,但负载端的电压波形收集会受到电弧发生位置的影响,电压采集模块的放置困难。佟为明等人[14]提出基于计算小波高频分量的周期方差值电弧检测方法,并将算法移植到单片机中,但只针对一些单一负载进行识别。Han 等人[15]针对电源谐波和非线性负载噪声的干扰,提出基于核主成分分析(kernel principal components analysis,KPCA)和萤火虫算法优化支持向量机(firefly algorithm support vector machine,FA-SVM)的识别方法,适用一些工业领域的交流串联电弧,但计算量大。苏晶晶等人[16]基于混沌分形理论,建立基于电弧空间域特征向量和概率神经网络(probabilistic neural network,PNN)的诊断模型,但不适合应用在边缘侧等算力有限的场景中。张丽萍等人[17]对比了极限学习机(extreme learning machine,ELM)、误差逆向传播(back propagation,BP)神经网络和支持向量机(support vector machine,SVM)方法,在电弧识别上的结果,得出了ELM 算法训练相对较优的结论。

综上,在实际的复杂电气环境中,目前提出的识别算法存在只能识别单一负载或者由于算法复杂、计算量增大、对硬件要求提高、模型固定因而无法在边缘侧进行适应性训练的情况。而电弧识别装置要想在实际环境中安装和应用就不得不考虑装置成本和计算能力问题。

因此,综合考虑边缘计算硬件的算力要求和实际运行中不同类型负载同时工作的情况,本文兼顾时域和频域,提取周期均值差、脉宽百分比、间谐波因数及小波高频能量这4 个特征,提出基于在线序列(online sequential,OS)-误差最小(error minimization,EM)-极限学习机(ELM),即OS-EM-ELM 算法的边缘侧电弧故障检测方法进行故障检测,引入在线序列训练方法来提高电弧识别在复杂电气环境下的适应性。实例证明,该方法具有计算量小、适应能力强、识别精度高的特点,可供电弧故障检测研究人员参考。

1 交流串联电弧故障波形采集

1.1 电弧故障波形采集平台

为获取电弧故障的电流数据用于特性分析与实验验证,搭建一个低压串联电弧故障实验平台,采集不同负载、不同电流等级下电弧故障和正常运行的电流信号。根据GB 14287.4 标准搭建低压串联电弧故障的实验平台和装置,如图1 所示。

图1 交流串联电弧故障实验平台装置图

低压串联电弧故障的实验平台主要包括:220 V的交流电源、各类不同负载、空气开关、电流传感器、波形采集器和点接触电弧发生器。

点接触电弧发生器由一个可移动的铜电极、一个静止的碳电极以及相应的绝缘件组成。实验时先让动、静电极良好接触模拟正常工作状态,然后控制动、静电极分离,直至产生串联故障电弧。文中有关的电弧实验原始数据均由此装置采集。

1.2 电弧故障采集方案

由于在日常生活中的用电器绝大多数是阻感性的,为模拟现实条件下的负载特性,按表1 选取实验负载进行实验,并组建交流串联电弧故障数据库。

表1 采集负载类型及额定功率

1.3 采集结果与分析

为选取合适的特征参数,需要对阻性、感性、阻感性负载波形特性进行研究。以阻性负载电水壶、感性负载吸尘器及阻感性负载电吹风+电机为例,具体分析电弧电流特性。

(1) 阻性负载

从电弧故障数据库分别取出电水壶正常运行和电弧故障的电流波形如图2 所示,图2 左侧为正常波形。对比分析发现,阻性负载电水壶在正常工作时的电流波形光滑;电弧故障时,电流在零点附近有明显平肩部,即“零休”现象,而且每个周期都反复出现,且电流的幅值比正常时低。其他阻性负载例如纯电阻、白炽灯等都有类似的特点。

图2 阻性负载电水壶正常运行和电弧故障时的电流波形

(2) 感性负载

吸尘器在正常运行状态和电弧故障时的电流波形分别如图3 所示,图3 左侧为正常波形。通过对比分析发现,吸尘器在正常运行时的电流波形近似于三角,具有周期性。吸尘器电弧故障时,在零点附近有明显的平肩部,电流波形有大量的毛刺。

图3 感性负载吸尘器正常运行和电弧故障时的电流波形

(3) 阻感性组合负载

阻感性负载选用电机和电吹风的组合,两者的功率相差不大。电吹风的绝大多数的功率消耗在电阻丝发热上,因此作为阻性负载来源。电吹风和电机在正常运行时和电弧故障时的电流波形如图4 所示,图4 左侧为正常波形。通过对比可观察到阻感性负载正常运行时的电流波形光滑具有周期性。而电弧故障时,每个周期2 次过零点的附近都有较长时间的平肩部,而且每个周期平肩部持续的长短相差较大。每个周期的幅值变化很明显。

经过上述对比分析可以发现以下现象。

(1)电弧故障时,电流在零点附近会产生“零休”现象,每次过零点前电弧都会暂时熄灭,之后极间电压升高,电弧再次点燃。这种点燃熄灭交替的现象每半周期出现一次,在电流上表现为平肩部,并且伴随着大量毛刺,这是电弧故障最重要的特征之一。

(2)虽然不同类型的负载正常运行时电流波形不尽相同,但每个周波都具有周期性,前后一致性高。电弧故障时,前后波形一致性降低。

(3)电弧故障时的电流幅值一般要比正常时的电流幅值小,这是因为电弧燃烧需要击穿电极间的空气介质,使得线路总阻抗增大。同时有些负载启停缓慢,在惯性的影响下,在故障时会出现幅值不停波动的现象。

(4)电弧故障时,电流波形明显发生畸变,在平肩部的拐点处有明显的毛刺,且容易产生高频尖峰,在感性负载中尤为明显。

2 特征量提取与有效性分析

2.1 周期均值差

电弧电流特性分析中可知正常运行的负载电流波形一般都具有周期性,而电弧故障时的电流波形没有呈现明显的周期性现象。针对这一特性提取电流周期均值差,以一个周期为单位,计算每个周期采样点的均值,后一个周期均值减去前一个周期均值得到周期均值差。计算过程如下。

(1) 假设每个周期采样点数为N,每个采样点的电流值用i来表示,那么相邻的2 个电流值就是ik、ik-1,电流的平均值用Iaver表示。

(2) 相邻周期均值差用Isub表示。

从建立的电弧数据库中分别取出正常运行和电弧故障的电流波形数据,每种负载取100 个样本。以一个周期为单位,分别计算正常运行和电弧故障相邻周期的均值差,并对计算结果求均值。

表2 反映了不同负载在正常和故障时具体的波动范围,可观察到负载在不同状态下周期均值差存在数量级上的区别。可见周期均值差是一个反映电弧的时域特征的较好特征。

2.2 脉宽百分数

在交流线路中发生电弧故障时,电弧由于其放电特性在零点附近出现“零休”现象。电弧故障时电流幅值会有比较长的一段时间在零点附近。根据此特性可以用它判断电弧故障是否发生。脉宽百分数的计算步骤为:

(1)获取离散波形信号,以{x1,x2,…,xN} 表示。

(2)对信号取绝对值即{|x1|,|x2|,…,|xN|}。归一化处理,并统计集合内在k1、k2之间的元素的个数n。

(3)计算n所占样本周期内所有点的比重,即Z=(n/N)×100%。

经过实验和分析波形数据,综合选取k1=0.005,k2=0.5。按上述计算步骤,对热水壶+吸尘器的正常和故障的波形数据进行计算,获得结果如图5所示。从图中可以看出,脉宽百分数能对不同运行状态进行区分,故该参数可以作为边缘侧电弧识别的一个有效特征。

图5 热水壶+吸尘器的脉宽参数特征图

2.3 部分间谐波因数

从频域方面考虑,电弧故障时时域波形发生畸变,频域也会产生变化。部分间谐波因数是采样波形经快速傅里叶变换(fast Fourier transform,FFT)后,相对于基频非整数倍的部分间谐波幅值跟基频的幅值之比,取fk=25× (2k-1)。计算公式为

其中,I2k-1为k次间谐波幅值,I0为基频幅值,hk是k次间谐波因数。为确定k的合适取值,对数据库中的波形数据进行分析。

阻感性负载的正常运行和电弧故障的间谐波因数如图6 所示。正常时的间谐波因数几乎没有变化,在零点附近徘徊,故障时1、2 次间谐波因数发生较大变化,之后逐渐降低。数据库中其他类型的负载也有相同的趋势,故提取第1、2 次的间谐波因数作为识别电弧的频域特征。

图6 阻感性负载波形间谐波因数图

2.4 小波高频分量的能量

从电弧电流特性分析中可知电弧电流波形在平肩末端的阶跃拐点处有明显的毛刺,且出现尖峰。针对这一特性对电流信号进行小波分解重构,观察平肩末端的阶跃拐点和尖峰处高频分量的分布情况。

以阻性负载电水壶为例,分别取出正常运行时和电弧故障时电流信号数据,归一化处理之后,用db4 进行小波3 层的分解和重构。电水壶正常运行和电弧故障的小波分解重构如图7 所示,电弧故障时的d1、d2、d3 这3 层小波高频分量明显比正常运行时大,电弧电流波形在平肩末端的拐点处有明显的高频成分。d2 层的小波高频分量相较于d1、d3 能更好地区分2 种状态。

图7 电水壶正常运行和电弧故障的小波分解重构图

感性负载吸尘器、阻感性负载电吹风+电机等等也都有类似的特点。d2 层小波高频分量的能量计算公式为

式中,N为每周期的采样点数,d2(n) 为小波分解第2 层的小波高频分量。

不同负载正常运行和电弧故障小波高频分量的周期能量对比如图8 所示。电弧故障小波高频分量的周期能量可以有效区分正常运行和电弧故障这2种状态,可以作为电弧故障识别的特征。

图8 不同负载正常运行和电弧故障小波高频分量的周期能量对比图

3 边缘侧串联电弧故障识别算法研究

3.1 极限学习机

在边缘计算领域,算力是十分有限的资源。极限学习机(ELM)作为一种机器学习算法,在标签分类领域有广泛的应用,其网络结构示意图如图9 所示。极限学习机只有一层隐含层,隐含层节点数影响准确度和计算量。

图9 ELM 网络结构示意图

得益于ELM 的随机化权值和偏置,极限学习机的训练速度比传统神经网络(如BP 算法)速度快百倍之多。综合分析算力与精度,极限学习机算法十分适合在边缘侧应用。

3.2 误差最小化改进极限学习机

不同于传统ELM 人为规定隐含层节点个数,误差最小化极限学习机(error minimized ELM,EMELM)模型通过构造法逐步添加隐含层节点个数,通过误差最小化的方法确定最优解。EM-ELM 训练分为2 个阶段。

初始化阶段构造一个具有L0个隐含节点的前馈神经网络,选取电弧故障数据库N0组数据,随机产生输入权值矩阵wi,偏置矩阵bi,给定激活函数f(x),其中i=1、2、…、,N0≥。矩阵公式如下:

EM-ELM 的训练时间较ELM 有所增加,训练时间受到给定期望残差和初始隐含层节点个数的影响,但是依然对BP 神经网络有着数量级的优势。

3.3 EM-ELM 在线序列训练实现

为适应复杂的电气环境,提出根据本地数据进行OS-EM-ELM 训练,流程如下。

此时新的隐含层输出矩阵变为:

(2)重新计算输出权重矩阵:

此时令k=k+1,完成一次在线序列迭代,每次训练重复迭代过程。在线训练可以使权重矩阵在原有基础上更新而不是每一次都重新训练。得益于ELM 类算法的计算量小的特点,OS-EM-ELM 训练可以很好适应边缘计算的要求。

4 边缘侧电弧故障识别步骤

在电网末端配电箱中对回路的交流电信号进行高精度的实时采集,对该采样数据在时间序列上进行完整性检验,通过时基计时器和一个周期的采样点数来确保周期的完整性和同步性。

根据第2 节电弧电流特征提取与分析,采用时域特征周期均值差、脉宽百分数、频域特征第1、2 次的部分间谐波因数及能量域特征小波高频分量的周期能量,组成面向边缘侧电弧识别的特征指标,降低单一特征带来的不稳定性。周期均值差的标准差和脉宽百分数通过所列公式进行计算。采用按时间抽取的基2-FFT 算法提取第1、2 次的间谐波因数特征。小波高频分量周期能量特征是在小波变换得到的高频分量基础之上进行周期能量计算。将提取的4 种特征作为EM-ELM 模型的输入,模型经过神经网络运算输出该样本的识别结果标签。当模型判断该样本为故障样本时,故障特征量累加器ARC_NUM 执行累加操作。

根据GB 14287.4 相关国家标准,当被探测线路在1 s 内发生14 个及以上半周期的故障电弧时,则判定为故障电弧。在1 s 窗口内ARC_NUM 超过该阈值,则认为线路发生了电弧故障,并对故障标志位ARC_FAULT 置1。

为适应复杂的电气环境,提出在线序列OS-EMELM 训练方法进行权重矩阵迭代,现场获取参数后需要剔除漏检和误报数据以免污染样本库,总体流程如图10 所示。当监测的场景发生变化,整个电路整体阻抗、感抗发生改变,电流特性与初始训练的样本相比发生较大偏离,OS-EM-ELM 训练方法能在边缘侧快速适应并更新权值参数,提高识别准确率。权值的更新频率通过程序设定,更新频率高对实时计算的要求高,反之则对装置存储数据的容量要求高。

图10 边缘侧电弧故障识别流程图

5 实验验证与分析

5.1 EM-ELM 算法实验

本文提出基于EM-ELM 适应边缘侧的电弧识别算法,为验证该电弧识别方法的有效性,对电弧故障检测算法初始化训练后进行实验测试。以下极限学习机的计算结果均是相同初始条件下10 次独立运行取平均值。

从第1 节建立的数据库中获取不同场景的2200 个样本,其中1100 个正常样本、1100 个故障样本。根据第2 节的方法,提取所有样本的4 个特征。将这些场景的正常故障各100 个样本中随机各抽取80 个样本,作为训练集,剩下的作为测试集;正常样本标签为1,故障样本标签为2。

在CPU 为3.4 GHz 条件下下,EM-ELM 初始节点设置为20,残差期望0.002。BP 使用隐含节点寻优,起始节点数为3,迭代限制20 次。SVM 采用fitcsvm 函数。对比EM-ELM、BP、SVM 算法,结果如表3 所示。

表3 EM-ELM、BP、SVM 算法对比

在相同情况下,计算量的大小可由训练时间长短直观地呈现。得益于ELM 的随机化权值和偏置,极限学习机的训练速度比传统神经网络(如BP 算法)速度快很多。EM-ELM 可以优化节点数目,达到预期精度。

记录EM-ELM 每次迭代训练时的残差和训练集准确率如图11 所示。从图中可以看出,随着迭代次数的增加残差和训练准确度变化趋于平缓,之后迭代的效率就会非常低,且容易陷入过拟合。通过设定期望残差0.002 使迭代在21 次停止,EM-ELM相比于传统ELM 通过残差最小化方法在提升准确率的同时可控制计算的复杂度。综合分析训练用时与精度,极限学习机算法十分适合在边缘侧应用。

图11 EM-ELM 残差和训练集准确率于迭代次数的关系

EM-ELM 最终输出的测试集结果如图12 所示。各测试样本所对应的实验场景如表4 所示。从结果可以看出,EM-ELM 的电弧故障总体识别率比较高,以1.5 做为阈值,测试集识别正确率达到了99.33%。EM-ELM 判别是总体程序的一部分,依据总体识别方法的设计,只有EM-ELM 模型在一段时间内连续发生多次误判,到达判断阈值之后,该识别方法才会产生误动作。

表4 EM-ELM 训练输出样本对照表

图12 EM-ELM 训练输出

5.2 在线序列EM-ELM 实验

分析第341～360 号电水壶+吸尘器故障样本,该样本故障时电流波形平肩部狭窄且偏离零点较远,其4 个特征值偏离其他样本较远,由此出现了识别不稳定。本文提出的OS-EM-ELM 训练方法能应对这种情况。根据表5 样本设计实验,样本均来自第1 节建立的数据库,各样本集之间没有交集。

表5 在线序列EM-ELM 实验样本

(1)首先使用样本集1 训练EM-ELM 模型,使用样本集2 为测试集,记录识别结果编号为0～60。

(2)运用第4 节提出的OS-EM-ELM 训练方法,将样本集2 作为新增样本加入总训练集,以样本集3 为测试集,记录识别结果编号为61～120。

(3)将样本集3 作为新增样本加入总训练集,以样本集4 为测试集,记录识别结果编号为121～180。

将在线序列实验结果汇总获得图13。从结果可以看出,经过在线训练,以1.5 为阈值,识别错误的样本从4 个降为0 个,识别精度提升明显,输出的稳定性增加。可见引入在边缘侧的在线序列训练对识别率的提高有重要作用。

图13 在线序列EM-ELM 实验结果

5.3 边缘侧电弧识别方法泛化性能实验

结合GB 14287.4 相关国家标准进行测试。采用应急管理部沈阳消防研究所研发的AFD100 电弧模拟检测系统,如图14 所示,系统包含算法未知的新样本,以验证边缘侧电弧识别算法的泛化性能。

图14 AFD100 电弧模拟检测系统

(1) 电弧故障实验

分别对不同的负载类型进行电弧故障实验,实验次数和识别率如表6 所示。

表6 不同负载类型电弧故障实验结果

(2) 误报警实验

误报警是验证电弧故障检测装置在复杂电气条件干扰下是否会发生报警。实验要求和结果如表7所示。

表7 误报警试验负载的相关要求及实验结果

电弧故障的实验结果表明,电弧故障识别方法的识别率可以达到96%以上,误报警实验结果小于2%。

6 结论

电弧故障的高度随机性、复杂性使得其难以被准确识别。针对当前复杂电弧识别算法计算量大、对硬件算力要求高、但电弧故障检测装置分布在电网的末端又需要有一定的自主判断和适应能力这一需求,提出了基于OS-EM-ELM 的边缘侧电弧识别方法。使用周期均值差、脉宽百分数、第1 和2 次部分间谐波因数及小波高频分量能量作为电弧故障识别输入特征,为交流串联电弧故障识别提供可靠的数据支持。

理论分析和实验结果表明,本文所提出的边缘侧电弧故障检测方法,结合了EM-ELM 和在线序列学习,具有计算量小、识别准确度高、适应性强以及应用成本低的特点,可为电弧检测研究及边缘侧电弧故障保护器的研制提供一种可靠方法和思路。