基于長短期記憶神經網絡的生命體觸電電流檢測*

趙啟承， 虞雁凌

(1.國網浙江省電力有限公司電力科學研究院，浙江 杭州 310014；2.浙江億安電力電子科技有限公司，浙江 杭州 311300)

0 引 言

隨著社會的飛速發展，電力設備與電力線路的規模不斷擴大，隨之而來的火災與觸電事故也時常發生，因此,電力設備的安全性成為目前電力行業所聚焦的熱點問題之一。目前,剩余電流保護設備與漏電電流檢測技術已獲得大量突破性進展，但仍未能從根本上解決剩余電流保護設備正確投運率較低問題。當前絕大多數的剩余電流保護器主要是通過總剩余電流有效值的大小來判斷觸電事故的發生，對于觸電類型缺乏判別能力，當剩余電流保護裝置的電氣環境受到影響時可能會引起誤動。此外，在一些特殊的場合下,電網的漏電電流有可能會使總剩余電流減小，從而造成剩余電流保護裝置拒動。要解決這些問題，預防觸電、漏電事故的發生，需要從剩余電流和生命體觸電電流兩方面來開發剩余電流保護裝置。國內外許多學者對生命體觸電檢測與觸電類型識別進行了大量的研究。文獻[1]利用Mallat算法對總剩余電流進行濾波并構造實時更新的自適應閾值對觸電波形進行檢測，同時提取觸電電流特征、時域特征和波形特征等多個特征值，并作為反向傳播(BP)神經網絡的輸入，從而獲得觸電分類模型。文獻[2]利用循環功率譜獲取剩余電流信號的循環功率三維圖，并利用K-means聚類對不同維度的循環頻譜密度特征進行聚類分析，在此基礎上添加偏置修正的歐式距離測度，一定程度上提升了聚類分析識別的準確度，但該模型并未提出如何確定觸電時刻。文獻[3]應用希爾伯特—黃(Hilbert-Huang)變換分析剩余電流的暫態過程頻譜特性，并且利用經驗模態分解剩余電流的暫態信號獲得模態函數，通過此模態函數提出基于剩余電流固有模態分量的觸電電流檢測方法。文獻[4]基于混沌系統對于噪聲的免疫特性，以及對初始信號敏感的優勢，根據混沌狀態輸出的特征，將輸出作為混沌信號時域包絡線波動情況的指標，以此判別定量系統的臨界狀態，并利用矢量分析方法提出觸電電流幅值檢測方法。

本文先通過生命體觸電試驗獲取具有時域特征及變化趨勢的生命體觸電特種波形，利用所獲取的觸電電流數據訓練出長短期記憶(long and short-term memory,LSTM)神經網絡模型，并利用此LSTM神經網絡對觸電事故進行分類，最后通過測試數據對網絡進行可行性驗證。本文研究結果將為研究與開發新一代針對于生命體觸電的剩余電流保護裝置提供參考，對于用電安全具有重要的現實意義。

1 算法原理

本文應用小波分解對已獲取的具有時域特征及變化趨勢的生命體觸電特種波形進行降噪處理，將降噪后的特種波形作為LSTM神經網絡的輸入，對觸電電流的時間序列進行映射，獲取觸電分類模型。

1.1 生命體觸電特種波形特征

生命體作為一個復雜的阻抗網絡，很難準確描述發生觸電時電流的變化情況，根據文獻[5～8]和現在主流的觀點，生命體的阻抗主要由皮膚阻抗所構成，在觸電發生的較短時間內電流呈現出一個遞增周期函數的趨勢，因此,將觸電電流波形的前3個周期的電流波形作為生命體觸電特種波形。經過小波濾波降噪后的生命體觸電特種波形如下圖1所示。

圖1 生命體觸電特種波形

將所有通過生命體(動物)觸電試驗獲取的電流波形全部取前3個周期，并通過小波濾波降噪，將濾波降噪后的電流作為LSTM神經網絡的輸入。

1.2 基于LSTM神經網絡的觸電識別模型

循環神經網絡是以序列作為輸入的遞歸神經網絡，其在處理常規的序列問題上相較于傳統的神經網絡有著明顯的優勢[9～12]。但缺點也比較明顯，在遞歸層數較大時，容易產生梯度爆炸和消失的問題，嚴重影響訓練出的模型準確性，因而在基于傳統的循環神經網絡基礎上提出了LSTM神經網絡[13～16]。作為一種改進的循環神經網絡，LSTM神經網絡可以自適應地捕捉存在長距離依賴和非線性動態變化的時間序列數據。LSTM神經網絡中增加了控制門，分別是遺忘門、輸入門和輸出門。遺忘門主要功能是使得LSTM神經網絡能夠遺忘和刪除部分不相關信息，這樣就解決了傳統循環神經網絡的長期依賴問題。LSTM神經網絡結構如圖2所示。

圖2 LSTM神經網絡結構

圖2中xt為t時刻輸入，ht為t時刻隱含層輸出，ft為t時刻遺忘門，it為t時刻的輸入門，ot為t時刻輸出門，st為t時刻細胞狀態，ct為記憶單元的輸入狀態，σ為Sigmoid函數，tanh為雙曲線正切函數。

LSTM神經網絡通過遺忘門來確定和刪除神經元所不需要的信息，遺忘門ft的輸出值計算方法為

ft=σ(Wxfxt+Whfht-1+bf)

(1)

式中Wxf,Whf為遺忘門權重系數，bf為遺忘門偏移量。

在遺忘門對LSTM神經網絡結構中神經元取舍的基礎之上，通過xti和ht-1與權重的乘積來控制輸入門中神經元狀態it，其計算公式為

it=σ(Wxixti+Wxiht-1+bi)

(2)

式中Wxi和Whi為輸入門權重系數，bi為輸入門偏移量。

再利用tanh函數將神經元信息進一步更新，進而得到記憶單元在時間t的神經元狀態Ct，其計算公式如下

(3)

Ct=ftCt-1+itt

(4)

式中Wxc和Whc為細胞狀態權重系數，bc為細胞狀態偏移量。

最終的輸出結果通過Sigmoid函數判斷神經元狀態是否輸出從而得到ot，其計算公式如下

ot=σ(Wxoxt+Whoht-1+b0)

(5)

式中Wxo和Who為輸出門的權重系數，bo為輸出門的偏移量。

在t時刻隱含層輸出的計算公式為

ht=ottanh(Ct)

(6)

2 試驗驗證

為了驗證本文所提方法的有效性，搭建了生命體觸電試驗平臺，采集試驗過程中的剩余電流波形數據，使用Python編寫的觸電電流檢測算法進行驗證。

2.1 實驗數據來源

生命體觸電實驗平臺使用動物體作為觸電試驗對象，并且控制部分試驗條件如電流、濕度、接觸面積等，來模擬不同情況下的生命體觸電。

圖3觸電試驗平臺采用三相電源，并加上負載用于模擬低壓配電系統中的負載。取C相電路模擬觸電事故，限流電阻用于控制電流大小。示波器用于記錄試驗中經過待測生命體的電壓和電流。

圖3 觸電試驗平臺

實驗共進行了數百次，獲取剩余電流波形數據400余組。電流幅值大小為30 mA的剩余電流波形數據100組，100,300,500 mA的剩余電流波形數據各100組。

圖4為正常情況下的剩余電流波形圖和發生觸電的剩余電流波形圖。

圖4 正常和觸電情況剩余電流波形

2.2 隱含層層數與節點數的確定

為了能夠較大程度地提升模型性能，對LSTM隱含層的層數與節點數進行網絡參數調優。因此，設置2組限制條件的實驗測試，第1組實驗為了確定最優的隱含層層數，將每層的節點數設置為固定值64，其他條件均不變，通過設置隱含層數從1到4，觀察MAE值，通過MAE來確定最終的隱含層數。實驗結果見表1。對于隱含層節點數的確定也采用同樣的方法，將隱含層設置為固定值，其他條件不變，隱含層節點數設置為8,16,32,64，觀察MAE值，通過MAE來確定隱含層節點數。實驗結果見表2。

表1 隱含層層數MAE

表2 隱含層節點數MAE

一般，模型隱含層層數越大，能獲取信息就越多，訓練出的模型準確度也就越高，但是隨著層數的不斷增加，過擬合以及其他問題發生概率也不斷增加。從表1可以看出隱含層數為1時，MAE誤差評價最小，故確定隱含層數為1。同樣節點數也會影響訓練時的學習效果，從表2可以看出隨著節點數的增加MAE不斷下降，但是當超過一定數值時就會使模型的訓練效果降低。隱含層節點數為32時MAE最小，因此確定隱含層節點數為32。

3 觸電類型識別仿真

3.1 觸電類型識別模型訓練

將試驗獲取的共計400組生命體觸電剩余電流波形信號按照3︰1比例隨機劃分為訓練集和測試集并作為模型的輸入對模型進行訓練。訓練過程中將誤差限制設置為1×10-7。優化器選擇Adam，Adam優化器可以自適應調節學習率，大大提升訓練的速度，同時提升訓練過程中的穩定性。此外，引入Dropout算法，Dropout主要功能是對模型進行正則化，可有效防止過擬合發生。在模型訓練過程中，Dropout會隨機地屏蔽部分神經元，因此，會形成新的神經元結果并且神經元直接互相不依賴，有效解決局部性特征依賴的問題，進一步提升了神經網絡的穩定性。Dropout概率設置為0.3。通過Python搭建訓練模型，對樣本進行訓練，訓練過程中損失曲線如圖5所示。

圖5 訓練誤差

圖5中橫軸為神經網絡模型訓練輪次，縱軸為訓練集損失函數值。可知隨著訓練次數的增加，損失函數不斷減小直到收斂，說明模型較好地學習了所輸入的信號特征。

3.2 觸電類型識別結果分析

利用訓練的LSTM網絡對100組測試數據進行測試，結果如表3所示。其中，總均方差為3.323 8×10-6，平均仿真時間為0.000 034 s，準確率100 %，滿足實際需求。

表3 觸電識別結果

4 對比分析

為驗證基于LSTM的生命體觸電檢測方法有效性，分別用CNN和BP神經網絡與本文方法進行了對比。

從表4可看出，本文方法準確率更高且迭代次數少，表明本文方法對于生命體觸電具有更好的表征能力。另外，在平均計算時間上也要優于CNN和BP神經網絡，平均識別時間僅為0.000 034 s。

表4 不同方法檢測效果對比

5 結 論

本文提出了基于LSTM神經網絡的生命體觸電電流檢測方法，通過生命體觸電試驗平臺獲取觸電剩余電流信號進行小波分解降噪，再利用總剩余電流所表現出的特種波形電流信號并結合其時域特征和波形特征對LSTM進行訓練，構建生命體觸電識別模型,并取得了良好的檢測效果。與CNN和BP網絡相比，LSTM在訓練次數以及平均計算時間上均有明顯的優勢。