楊圖強(qiáng)

（三明市計量所，三明 365000）

1 引 言

隱蔽性和潛伏性是故障電弧最顯著的特點(diǎn)［1］，嚴(yán)重的故障電弧將導(dǎo)致電氣設(shè)備損壞，甚至引發(fā)電氣火災(zāi)［2］。 線路故障存在金屬性短路故障和電弧故障，過載保護(hù)裝置可有效防止短路故障。電弧故障具有小且不易識別的特征，極易造成繼電保護(hù)失效、不動作或不及時動作，其危害性較金屬性短路故障大。 因此如何正確識別電弧故障成為業(yè)界亟須解決的難題。 針對性地研究用電設(shè)備集成化和智能化電氣系統(tǒng)中的時域特征和頻域特征，提出AI ＋神經(jīng)網(wǎng)絡(luò)的數(shù)字化故障電弧識別方案，可實(shí)現(xiàn)故障電弧發(fā)生危害前及時進(jìn)行識別，對電氣設(shè)備的研制和電氣系統(tǒng)的安全運(yùn)行具有重要意義［3］。

2 故障電弧的產(chǎn)生及分類

電弧是電路中能量釋放的必要途徑，電弧分為正常電弧和故障電弧。 生活、工作中遇到的通、斷電源，電器插拔瞬間或使用過程產(chǎn)生的瞬時電光，通常視為正常電弧。 故障電弧是因空氣擊穿放電引起的。 絕緣皮破損、端子接觸不良、線纜壓裂、彎折、紫外線輻射造成絕緣材料老化以及動物的啃咬等造成的絕緣皮破裂、連接器和電纜扭結(jié)等因素均可能產(chǎn)生故障電弧。

低壓故障電弧類型如圖1 所示，按產(chǎn)生的方式可分為并聯(lián)電弧、串聯(lián)電弧和對地電弧三類。 相線與中性線或相線之間產(chǎn)生的電弧故障為并聯(lián)電弧故障，串聯(lián)電弧是連接點(diǎn)之間的不緊密連接造成的連接性電弧故障［4］，相線和大地或設(shè)備外殼等接地點(diǎn)之間產(chǎn)生接地電弧故障則為對地電弧。

圖1 不同類型低壓故障電弧原理示意圖Fig.1 Parallel，Series and ground arc fault

3 故障電弧的檢測技術(shù)

對線路中的電壓電流信號進(jìn)行不間斷監(jiān)視，比對分析電弧故障信號特征，可有效識別故障電弧的類型。 故障電弧檢測最重要一環(huán)是對故障信號特征進(jìn)行分析。 對不同類型的電弧故障，采用不同的檢測手段，識別線路上的電壓電流波形特征可以有效檢測和識別并聯(lián)、串聯(lián)電弧故障。 檢測線路漏電流可有效識別檢測接地電弧故障［5］。

4 故障電弧的特征

4.1 并聯(lián)故障電弧

電壓電流受負(fù)載影響的程度非常小，并聯(lián)電弧故障的電弧特征比較明顯。 但實(shí)際線路運(yùn)行過程中并聯(lián)電弧故障受電流幅值、高頻噪聲、波形“零區(qū)”、電流上升速度等不同因素的影響，電流波形發(fā)生較大改變。 因此單一的電弧特征檢測技術(shù)，難以準(zhǔn)確判別并聯(lián)電弧故障，建議利用系統(tǒng)集中分析，綜合多種電弧特征，有效進(jìn)行識別。

4.2 串聯(lián)故障電弧

串聯(lián)電弧故障發(fā)生時，電弧回路存在負(fù)載，故障電弧的電流幅度比并聯(lián)電弧低［6］，故障電弧隨著負(fù)載類型的變化而變化。 統(tǒng)計發(fā)現(xiàn)，絕大部分故障電弧與正常負(fù)載電流差別較大，小部分串聯(lián)故障電弧與正常負(fù)載電流特征類似，準(zhǔn)確識別此類故障電弧固有的特征存在較大難度。

3.3 對地故障電弧

對地電弧故障其泄漏電流特征明顯，檢測相線與中線的電流矢量和是否超限值即可準(zhǔn)確識別對地電弧故障，故對地電弧故障的識別相對并聯(lián)電弧故障和串聯(lián)電弧故障而言，更為簡單可靠。

5 傳統(tǒng)故障電弧識別方案

傳統(tǒng)故障電弧識別方案采用單一、相關(guān)性弱的結(jié)構(gòu)化數(shù)據(jù)和易干擾的模擬器件判別，閾值判別簡單，處理性能低效，穩(wěn)定性和適應(yīng)性較差，面對大數(shù)據(jù)量時，模型難以應(yīng)對［7］。 傳統(tǒng)的低壓故障電弧檢測方法采樣范圍有限，采樣范圍＜20 M，運(yùn)算能力有限，單核通用芯片限制了其算法模型，不支持智能優(yōu)化和擴(kuò)展［8］，無法準(zhǔn)確可靠地區(qū)別正常負(fù)載和故障電弧。

以調(diào)光器的故障電弧識別為例，正常電流與故障電弧電流波形特征對比圖如圖2 所示。 波形圖顯示其正常工作電流和電弧故障電流基本一致，極易產(chǎn)生電弧漏判、誤判。 究其原因在于采用的是Msps 級低頻信號提取技術(shù)，信息量不充分，未運(yùn)用運(yùn)算能力高的專用高速硬件處理單元，抗干擾能力不足。

圖2 正常電流與故障電弧電流波形特征對比圖Fig.2 Comparison of waveform characteristics of normal current and fault arc current

6 數(shù)字化故障電弧識別方案

基于用電線路中高頻出現(xiàn)的高次諧波信號、電流波形“零區(qū)”、電流幅值周期性變化、電流的上升速度非恒定、高頻信號分量較大等典型特征，結(jié)合高性能專用芯片與異構(gòu)計算及AI 智能技術(shù)，提出智能專用數(shù)字化故障電弧識別方案。

6.1 整體方案

方案依托于專用芯片技術(shù)及多傳感器高速高精度采樣，結(jié)合邊緣計算、異構(gòu)計算等數(shù)字化處理手段，完成AI 智能判別和處理整個過程，方案的架構(gòu)如圖3 所示。

圖3 數(shù)字化故障電弧識別方案架構(gòu)圖Fig.3 Architecture of digital fault arc identification scheme

多傳感器高速采集環(huán)境影響因素、高采樣率原始數(shù)據(jù)、多傳感器數(shù)據(jù)、多通道時頻域特征等內(nèi)容豐富、相關(guān)性強(qiáng)且隨機(jī)復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)，在百兆級頻率特性分析和豐富的特征提取算法的支撐下，結(jié)合高速硬件處理單元，利用DSP 加速AI 處理，可更準(zhǔn)確、及時的提取電弧特征。 此識別方案數(shù)據(jù)采集信息豐富，判別性能越好，具備覆蓋范圍廣、高精度、高穩(wěn)定性、強(qiáng)適應(yīng)性等優(yōu)勢。

6.2 電弧故障識別特征分析

故障電弧狀態(tài)的識別特征包括時域特征和頻域特征，其中時域特征主要有零休時間、電流周期性、電流變化速率、電流平均值的絕對值等，頻域特征主要包括諧波因數(shù)、總諧波畸變率、子帶能量比、頻率質(zhì)心等［9］。 由于特征取值易受負(fù)載種類的影響，可根據(jù)不同的負(fù)載種類和線路狀態(tài)，針對不同的特征影響利用電流周期積分、快速傅里葉變換等對應(yīng)的算法進(jìn)行分析和評估。 電弧故障識別的特征識別圖如圖4 所示。

圖4 電弧故障識別的特征識別圖Fig.4 Characteristic identification diagram for arc fault identification

6.3 專用芯片與多核異構(gòu)

為了應(yīng)對大數(shù)據(jù)量的運(yùn)算和建模，故障電弧專用芯片必須具備較高的性能和資源，方案提出內(nèi)部配備百M(fèi)Hz ADC 單元、高速DSP 單元、神經(jīng)網(wǎng)絡(luò)算法單元、電弧檢測單元、高速紅外單元等專用單元。融專用芯片與人工智能算法于一體，形成一個完整的異構(gòu)計算系統(tǒng)，在云端訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后通過邊緣設(shè)備對海量數(shù)據(jù)之間的關(guān)聯(lián)和特征進(jìn)行推斷。專用芯片與多核異構(gòu)的原理結(jié)構(gòu)如圖5 所示。

圖5 專用芯片與多核異構(gòu)的原理結(jié)構(gòu)圖Fig.5 Principle and structure of ASIC and multi?core heterogeneous

6.4 AI ＋神經(jīng)網(wǎng)絡(luò)算法

6.4.1 卷積神經(jīng)網(wǎng)絡(luò)模型

輸入到輸出的映射是卷積神經(jīng)網(wǎng)絡(luò)模型的核心，在沒有精確函數(shù)算式的情況，可通過已知的模式識別出正確的映射關(guān)系［10］。 卷積神經(jīng)網(wǎng)絡(luò)模型采用梯度下降算法，由多個神經(jīng)單元組成的分層Logistic 回歸模型，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度，卷積層、池化層和全鏈接層共同構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［11］，卷積層和子采樣層通過卷積濾波器由多個神經(jīng)單元提取組合輸入的特征，運(yùn)用回歸算法向量機(jī)對特征圖進(jìn)行分類處理，神經(jīng)模型結(jié)構(gòu)示意圖如圖6 所示，算法模型圖如圖7 所示。 模型公式如式（1）：

圖6 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖Fig.6 Structure diagram of convolutional neural network model

圖7 卷積神經(jīng)網(wǎng)絡(luò)算法模型圖Fig.7 Model diagram of convolution neural network algorithm

式中：h——輸出結(jié)果；x——輸入?yún)?shù)；W——模型矩陣。

6.4.2 卷積網(wǎng)絡(luò)執(zhí)行

卷積網(wǎng)絡(luò)運(yùn)算分為正向傳輸運(yùn)算、反向傳輸運(yùn)算和迭代回歸運(yùn)算三個步驟。 第一步為正向傳輸運(yùn)算：系統(tǒng)提取樣本輸入網(wǎng)絡(luò)前向傳播，給出卷積核的個數(shù)、維度、填充、步幅等參數(shù)和各層的神經(jīng)元數(shù)和激活函數(shù)的類型，由輸入層經(jīng)過逐級的變換傳送到輸出層，計算中間層輸出向量和對應(yīng)的網(wǎng)絡(luò)實(shí)際輸出向量［9］。 第二步是反向傳輸運(yùn)算：將運(yùn)算得到的輸出向量與目標(biāo)向量進(jìn)行比對分析，計算中間層和輸出層的實(shí)際輸出與對應(yīng)的理論輸出的偏差，得出各權(quán)值和閾值的調(diào)整量。 最后進(jìn)行迭代回歸運(yùn)算：根據(jù)傳輸運(yùn)算結(jié)果調(diào)整對應(yīng)的權(quán)值和閾值，按照極小化誤差的方法對權(quán)值和閾值矩陣進(jìn)行調(diào)整。 多次迭代回歸后各個權(quán)值和閾值均達(dá)到穩(wěn)定狀態(tài)，分類器穩(wěn)態(tài)生成，指標(biāo)滿足要求，將權(quán)值和閾值保存到特定文件集中。

6.4.3 模擬驗(yàn)證

以調(diào)光器的故障電弧識別為例，采用模擬電弧實(shí)測方式進(jìn)行故障識別驗(yàn)證，測試圖如圖8 所示。硬件電弧發(fā)生器符合UL1699：AFCI（美國標(biāo)準(zhǔn)：故障電弧斷路器），其靜止電極為直徑8 mm 的碳－石墨棒，（?8 mm）作為靜止電極銅棒，（?3 mm）為移動電極，調(diào)光器為可控硅調(diào)光器，測試系統(tǒng)由主回路、觸發(fā)回路、控制回路和反饋系統(tǒng)等組成。

圖8 調(diào)光器的故障電弧測試試驗(yàn)框圖Fig.8 Block diagram of fault arc test of dimmer

驗(yàn)證方法：運(yùn)用AI ＋神經(jīng)網(wǎng)絡(luò)的數(shù)字化故障電弧識別方案對電流波形特性進(jìn)行提取識別，通過計算機(jī)系統(tǒng)對采樣的電流信號進(jìn)行處理，首先初始化神經(jīng)網(wǎng)絡(luò)中所有權(quán)值和偏置參數(shù)；其次運(yùn)用前向傳播算法運(yùn)算至輸出層；再將softmax 函數(shù)帶入輸出層處理，求出損失函數(shù)；對（W，b）反向傳播求損失函數(shù)對各項(xiàng)權(quán)重或者偏置的偏導(dǎo)，更新卷積核的權(quán)值和偏置；最后基于梯度下降對權(quán)重和偏置進(jìn)行更新，算法如式（2）：

式中：W——所有權(quán)值；b——偏置參數(shù)；J——損失函數(shù)。

一次計算后，返回至前向傳播算法，重新向下計算運(yùn)行直至損失函數(shù)小于我們的預(yù)設(shè)值。 經(jīng)過數(shù)字化卷積運(yùn)算后，最終得到的故障電弧電流波形如圖9 所示。

圖9 調(diào)光器的故障電弧電流波形特征數(shù)字化識別波形圖Fig.9 Waveforms of digital recognition of fault arc current waveform characteristics of dimmer

對實(shí)測波形圖進(jìn)行必對分析，基于調(diào)光器的故障電弧的高頻特征，與特征庫進(jìn)行波形比對，圖9呈現(xiàn)了電流波形不規(guī)則的抖動，電流幅值在不同工頻、不同周期下亦產(chǎn)生明顯區(qū)別，可完全區(qū)分正常工作電流和電弧故障電流。

7 結(jié)束語

基于故障電弧固有特征以及不同的負(fù)載下電弧波形特征的的隨機(jī)性及復(fù)雜性，傳統(tǒng)故障電弧識別方案受限于采樣范圍、運(yùn)算能力和算法模型，難以準(zhǔn)確可靠地識別故障電弧。 基于AI ＋神經(jīng)網(wǎng)絡(luò)的數(shù)字化故障電弧識別方案，重視多維度特征提取技術(shù)的應(yīng)用，突破性地構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，讓AI 更有效地從不同維度上提取信號特征的有效信息。 通過模型的不斷調(diào)整和完善，可在故障電弧檢測領(lǐng)域發(fā)揮優(yōu)勢，提升故障電弧識別水平，使電弧判別更加智能與可靠。 本方案在實(shí)際應(yīng)用中，應(yīng)注重多種負(fù)載數(shù)據(jù)的采集，以作為優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)，提高整體識別性能。