《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 基于概率神經(jīng)網(wǎng)絡(luò)的串聯(lián)電弧故障檢測(cè)
基于概率神經(jīng)網(wǎng)絡(luò)的串聯(lián)電弧故障檢測(cè)
2018年電子技術(shù)應(yīng)用第12期
吳豐成，曲 娜，任行浩，許 凱，張鵬輝
沈陽(yáng)航空航天大學(xué) 安全工程學(xué)院，遼寧 沈陽(yáng)110136
摘要： 故障電弧分為串聯(lián)電弧和并聯(lián)電弧，并聯(lián)電弧故障表現(xiàn)為電流短路、故障電流大，現(xiàn)有電氣保護(hù)體系能對(duì)其保護(hù)；而串聯(lián)電弧故障因受線路負(fù)載限制，其故障電流小，以至于現(xiàn)有體系無(wú)法實(shí)現(xiàn)對(duì)串聯(lián)電弧故障保護(hù)，存在電氣安全隱患。提出一種方法通過(guò)實(shí)驗(yàn)獲得正常工作和電弧故障時(shí)電流波形，并提取小波變換的特征值，將特征值輸入概率神經(jīng)網(wǎng)絡(luò)模型，參照UL 1699標(biāo)準(zhǔn)，通過(guò)計(jì)算0.5 s內(nèi)檢測(cè)到的故障半周期數(shù)是否大于8，大于8則判斷為電弧故障。通過(guò)MATLAB分析，選擇40組測(cè)試數(shù)據(jù)，故障識(shí)別率為95%，表明了該方法的有效性。
中圖分類號(hào)： TM743
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.181663
中文引用格式： 吳豐成，曲娜，任行浩，等. 基于概率神經(jīng)網(wǎng)絡(luò)的串聯(lián)電弧故障檢測(cè)[J].電子技術(shù)應(yīng)用，2018，44(12)：65-68.
英文引用格式： Wu Fengcheng，Qu Na，Ren Xinghao，et al. Detection of series arc fault based on probabilistic neural network[J]. Application of Electronic Technique，2018，44(12)：65-68.
Detection of series arc fault based on probabilistic neural network
Wu Fengcheng，Qu Na，Ren Xinghao，Xu Kai，Zhang Penghui
School of Safety Engineering，Shenyang Aerospace University，Shenyang 110136，China
Abstract： The arc fault includes parallel arc and series arc. The parallel arc fault is characterized by short circuit current and fault current is large, which can be protected by the current circuit breaker. The series arc fault is limited by the load and fault current is small，which cannot be protected by the current circuit breaker. The current waveform of normal operation and arc fault is obtained through experiments, and the characteristic values of wavelet transform are extracted. The characteristic value was input into the probabilistic neural network model. According to UL 1699 standard, arc fault is judged by calculating whether the half-cycle fault number is greater than 8 in 0.5 s. Using MATLAB simulation, 40 groups of test data are selected. 38 groups of test results are correct and 2 groups are wrong. The fault identification rate is 95%, which shows the effectiveness of the method.
Key words : arc fault detection；probalitistic neural network；feature signal value；wavelet transform

0 引言

    近年來(lái)，由于電氣原因造成的火災(zāi)數(shù)量一直在所有火災(zāi)起因中居首位。根據(jù)《中國(guó)消防年鑒》統(tǒng)計(jì)，2004～2013年間全國(guó)范圍內(nèi)共發(fā)生電氣火災(zāi)463 045起，占火災(zāi)起數(shù)的23.8%，且電氣原因造成的火災(zāi)成上升趨勢(shì)[1]。

    文獻(xiàn)[2]通過(guò)Cassie模型建立故障電弧模型，運(yùn)用傅里葉變換提取參數(shù)，但其不能反映信號(hào)的時(shí)域特征。文獻(xiàn)[3]建立的模型雖避免了局部最小值問(wèn)題，但RBF神經(jīng)網(wǎng)絡(luò)在識(shí)別數(shù)目多的情況下誤差相比概率神經(jīng)較大。文獻(xiàn)[4]采用BP神經(jīng)進(jìn)行識(shí)別，但BP識(shí)別進(jìn)行故障診斷收斂速度慢，容易陷入局部最小值問(wèn)題。文獻(xiàn)[5]采用正常的電流波形與可能的故障電弧波形進(jìn)行比較，有較好的創(chuàng)新性；但很難得出的確切范圍來(lái)判斷。文獻(xiàn)[6]用粒子群算法優(yōu)化了BP算法，識(shí)別準(zhǔn)確率高，有較大的參考價(jià)值。文獻(xiàn)[7]采用小波熵進(jìn)行故障識(shí)別，得到了較好的結(jié)果。文獻(xiàn)[8]通過(guò)高頻故障分量的有效高頻分量，方法經(jīng)過(guò)試驗(yàn)驗(yàn)證也是有效的。文獻(xiàn)[9]分析計(jì)算10種不同的母小波、10個(gè)采樣頻率、10個(gè)分解水平，建立自適應(yīng)系統(tǒng)來(lái)識(shí)別故障電弧。

    概率神經(jīng)網(wǎng)絡(luò)不存在陷入局部最小值問(wèn)題，訓(xùn)練時(shí)間短，分類能力強(qiáng)，故本文采用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，發(fā)現(xiàn)識(shí)別電氣設(shè)備其比BP神經(jīng)網(wǎng)絡(luò)更為準(zhǔn)確有效。

1 概率神經(jīng)網(wǎng)絡(luò)理論

    概率神經(jīng)網(wǎng)絡(luò)[10]（PNN）是一種可用于模式分類的神經(jīng)網(wǎng)絡(luò)，其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來(lái)的一種并行算法。

ck5-1-x1.gif

ck5-gs1-2.gif

    PNN的層次模型是在訓(xùn)練網(wǎng)絡(luò)時(shí)只需要對(duì)高斯函數(shù)的平滑因子進(jìn)行經(jīng)驗(yàn)式統(tǒng)計(jì)的估計(jì)。在網(wǎng)絡(luò)工作時(shí)，待識(shí)別樣本由輸入層直接模式層各類單元中，完成非線性處理后，再送入求和層中。在求和層中，依照Parzen方法求和估計(jì)各類的概率。在決策層中，根據(jù)對(duì)輸入向量的概率估計(jì)，將輸入向量分別分到具有最大后驗(yàn)概率中的類別中去。

    在進(jìn)行故障診斷中，求和層對(duì)模式層中同一模式的輸出求和，并乘以代價(jià)因子；決策層則選擇求和層中輸出最大者對(duì)應(yīng)的故障模式為診斷結(jié)果。當(dāng)故障模式多于兩種時(shí)，則求和神經(jīng)元將增加，概率神經(jīng)網(wǎng)絡(luò)可以不斷橫向擴(kuò)展。

2 基于PNN的電弧故障診斷模型

2.1 特征信號(hào)的提取

    傳統(tǒng)電弧故障電流的識(shí)別方法[11]分析效果都有一定的局限性。本文采用神經(jīng)網(wǎng)絡(luò)識(shí)別，而基于神經(jīng)網(wǎng)絡(luò)的故障辨識(shí)關(guān)鍵是要確定輸入量即電流信號(hào)的特征值，而小波變換具有空間局部性，能確定奇異值位置。故本文首先對(duì)電感性負(fù)載和電吹風(fēng)負(fù)載電流信號(hào)進(jìn)行小波分析，將其小波變換的高頻系數(shù)作為特征輸入量，發(fā)現(xiàn)小波變換在發(fā)生故障電弧時(shí)其分解信號(hào)的值有明顯的改變。電感負(fù)載電弧故障電流信號(hào)、電吹風(fēng)負(fù)載電弧故障電流信號(hào)經(jīng)過(guò)小波分析如圖1、圖2所示，其中采樣點(diǎn)數(shù)為2 500個(gè)，采樣間隔為10 ms，平均2 ms為一周期，其中D1為一層小波分解系數(shù)，D2為二層小波分解系數(shù)。

ck5-t1.gif

ck5-t2.gif

ck5-gs3-6.gif

    由尺度函數(shù)的雙尺度方程可得：

ck5-gs7-13.gif

    對(duì)不同負(fù)載正常運(yùn)行與故障運(yùn)行數(shù)據(jù)進(jìn)行采集，22 mH電感正常、故障電流信號(hào)如圖3所示；二擋電吹風(fēng)熱風(fēng)的正常、故障電流信號(hào)如圖4所示；手電鉆的正常、故障電流信號(hào)如圖5所示；電磁爐的正常故障電流信號(hào)如圖6所示。

ck5-t3.gif

ck5-t4.gif

ck5-t5.gif

ck5-t6.gif

    由圖3～圖6可知，電弧故障的細(xì)節(jié)信號(hào)能量相對(duì)于正常時(shí)明顯增加。將特征值取為P1、P2[13]，其不同負(fù)載電弧故障類型如表1所示。

ck5-b1.gif

2.2 故障診斷步驟

    運(yùn)用概率神經(jīng)網(wǎng)絡(luò)對(duì)故障電弧進(jìn)行故障診斷分為兩個(gè)階段：對(duì)所采集的電流數(shù)據(jù)進(jìn)行歸一化處理，形成訓(xùn)練樣本和測(cè)試樣本；找到合適的spread值對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的故障模型。

    利用得到的故障模型，對(duì)測(cè)試樣本進(jìn)行測(cè)試分析其正確率，得出診斷結(jié)果。

2.3 電弧故障診斷模型

    特征信號(hào)P1、P2作為網(wǎng)絡(luò)的輸入，利用PNN進(jìn)行故障診斷，輸出故障類型，其模型如圖7所示。

ck5-t7.gif

3 實(shí)驗(yàn)訓(xùn)練與測(cè)試

    對(duì)阻感負(fù)載、電吹風(fēng)負(fù)載、手電鉆負(fù)載和電磁爐負(fù)載，取各組正常故障各5組數(shù)據(jù)，共40組學(xué)習(xí)樣本。參照UL 1699標(biāo)準(zhǔn)，通過(guò)計(jì)算0.5 s內(nèi)檢測(cè)到的故障半周期數(shù)是否大于8，大于8則判斷為電弧故障。通過(guò)MATLAB進(jìn)行BP神經(jīng)網(wǎng)絡(luò)分析，取隱含層為15層收斂效果較好。用得到的模型檢驗(yàn)剩下40組樣本，BP神經(jīng)網(wǎng)絡(luò)識(shí)別正確率為92.5%。

    對(duì)于概率神經(jīng)網(wǎng)絡(luò)，所用的故障類型代表的不是數(shù)的大小而是分類類型，類似于優(yōu)先分類的次序。測(cè)試集識(shí)別結(jié)果出現(xiàn)數(shù)字1、2、3、4就為判斷為正常，出現(xiàn)數(shù)字5、6、7、8就判斷為故障。測(cè)試集前20個(gè)原本為正常電弧，后20個(gè)為故障電弧，發(fā)現(xiàn)在識(shí)別故障時(shí)其值出現(xiàn)了兩個(gè)4，錯(cuò)判為正常，其識(shí)別出現(xiàn)了偏差。概率神經(jīng)網(wǎng)絡(luò)故障識(shí)別率為95%，識(shí)別結(jié)果如圖8所示。

ck5-t8.gif

4 結(jié)論

    本文以每半周期小波分解得到的兩層小波能量為特征輸入量，構(gòu)造了用來(lái)檢測(cè)電弧故障的概率神經(jīng)網(wǎng)絡(luò)模型。根據(jù)UL 1699標(biāo)準(zhǔn)，通過(guò)計(jì)算0.5 s內(nèi)檢測(cè)到的故障半周期數(shù)是否大于8，大于8則判斷為電弧故障。利用MATLAB仿真，對(duì)40組測(cè)試樣本進(jìn)行識(shí)別，正確率為95%，高于BP神經(jīng)網(wǎng)絡(luò)，說(shuō)明了概率神經(jīng)網(wǎng)絡(luò)電弧故障檢測(cè)模型的有效性。

參考文獻(xiàn)

[1] 吳一羊.電氣火災(zāi)故障電弧探測(cè)技術(shù)研究進(jìn)展[J].建筑電氣，2015，34(7)：52-55.

[2] 張春燕.基于電弧模型仿真的電氣火災(zāi)智能算法分析[D].杭州：浙江大學(xué)，2016.

[3] 呂忠，陽(yáng)世群，高鵬.基于HHT和RBF神經(jīng)網(wǎng)絡(luò)的串聯(lián)故障電弧識(shí)別[J].建筑電氣，2017，36(7)：45-49.

[4] 李仁豪，黃佳平，馬琪.基于BP神經(jīng)網(wǎng)絡(luò)的直流電弧故障檢測(cè)方法[J].工業(yè)控制計(jì)算機(jī)，2018，31(1)：12-13，17.

[5] 王盼盼，吳自然，吳桂初，等.基于時(shí)域波形比較法的故障電弧檢測(cè)算法研究[J].溫州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，37(4)：46-53.

[6] 張士文，張峰，王子駿，等.一種基于小波變換能量與神經(jīng)網(wǎng)絡(luò)結(jié)合的串聯(lián)型故障電弧辨識(shí)方法[J].電工技術(shù)學(xué)報(bào)，2014，29(6)：290-295，302.

[7] 高艷艷，張認(rèn)成，楊建紅，等.采用高頻特性的低壓電弧故障識(shí)別方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28(6)：49-55.

[8] Yang Kai，Zhang Rencheng，Xu Renhao，et al.Detection of arc fault based on frequency constrained independent component analysis[C].Precision Engineering Measurements and Instrumentation，SPIE Proceedings，2015.

[9] Pan Qi，LEZAMA J，JOVANOVIC S，et al.Adaptive real-time DWT-based method for arc fault detection[C].ICEC 2014，Proceedings of The 27th International Conference on Electrical Contacts，2014.

[10] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：工業(yè)機(jī)械工業(yè)出版社，2011.

[11] Wang Bin，Ni Jiang，Geng Jianzhao，et al.Arc flash fault detection in wind farm collection feeders based on current waveform analysis[J].Journal of Modern Power Systems and Clean Energy，2017，5(2)：211-219.

[12] 孔玲軍.MATLAB小波分析超級(jí)學(xué)習(xí)手冊(cè)[M].北京：人民郵電出版社，2014.

[13] 劉明才.小波分析及其應(yīng)用[M].北京：清華大學(xué)出版社，2005.



作者信息:

吳豐成，曲  娜，任行浩，許  凱，張鵬輝

（沈陽(yáng)航空航天大學(xué) 安全工程學(xué)院，遼寧 沈陽(yáng)110136）

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。