基于一維多尺度輕量級DenseNet的配電網高阻接地故障檢測方法

袁智勇，白浩，邵向潮，潘姝慧，雷金勇，王康，高偉

(1. 南方電網科學研究院，廣州510663；2. 廣東電網有限責任公司東莞供電局，廣東 東莞530600；3. 福州大學電氣工程與自動化學院 福州350108)

0 引言

現代社會對電能質量的要求越來越高，全世界都在盡可能減少配網停電時間和運行成本。配電網故障的快速可靠檢測是其中的關鍵，近幾十年來得到了廣泛研究。其中的重點問題包括高阻接地故障(high impedance grounding fault，HIF)。HIF通常由線路與樹木或水泥地等高阻抗介質接觸引起，接地介質電阻從幾百歐姆到幾千歐姆，故障電流在幾安到幾十安之間[1]。故障后電流電壓的變化不大，無法通過傳統過流保護裝置檢測。HIF通常伴隨著電弧，又被稱為弧光高阻接地故障，容易導致火災或人身事故，在配網故障中，HIF是致死的主要原因之一，對其進行快速準確檢測具有重要意義[2]。

現有文獻對HIF的檢測主要是通過特征提取算法對電流或電壓數據進行處理，隨后使用閾值或各類分類器進行判定。

文獻[1,3 - 6]使用了電壓或電流的時域特征進行故障檢測。文獻[1]發現HIF發生時零序電流的斜率具有凹凸性，將一個工頻周期內凹凸性變化次數作為HIF檢測的判定標準。文獻[3]通過零序電流斜率變化來描述“零休”特征，并加入了格拉布斯法進行降噪，設定閾值實現HIF準確檢測。文獻[4]通過檢測電壓波形相對標準正弦波的失真程度對HIF進行檢測與定位。文獻[5]使用Kullback-Leibler散度來衡量發生HIF后電壓波形的非線性和不對稱性，該指標能夠將HIF與電容器、負荷投切等各類正常工況下的操作區分開來。文獻[6]使用皮爾遜偏度系數來量化故障電流的不對稱性，確定閾值區分HIF與其他瞬態過程。以上時域方法檢測速度較快，可解釋性較強，但其通?？乖肽芰^弱，且在故障特征微弱時容易漏判。

文獻[7 - 10]通過時頻域分析提取特征對HIF進行檢測。文獻[7]發現HIF發生后各頻段能量占比發生較大變化，使用小波能量矩提取故障電流的各頻段的能量，計算特征值實現HIF檢測。文獻[8]使用小波閾值降噪結合小波分解進行HIF檢測，實現了在高強度噪聲下的HIF檢測。文獻[9]使用短時傅里葉分解提取相電流的低次諧波分量，通過各次諧波的占比來判斷HIF。文獻[10]認為將零序電流進行變分模態分解后，得到的峰度值最高的模態能夠反映電弧的重燃與熄滅現象，引入了能量熵來判斷HIF的發生。以上方法能夠較為準確地識別發生在不同接地介質下的HIF，但其閾值的設定十分困難。

為解決閾值設定的難題，許多文獻引入各類機器學習方法，訓練分類器以完成HIF的判定。文獻[11 - 12]均使用小波分解進行特征提取，隨后分別訓練了卷積神經網絡和進化神經網絡判定HIF。文獻[13 - 14]分別通過經驗模態分解和變分模態分解進行特征提取，隨后分別訓練了支持向量機和前饋神經網絡以實現HIF的準確識別。文獻[15]引入了半監督學習以解決傳統機器學習算法對標簽的強依賴性。文獻[16]直接使用卷積神經網絡進行HIF辨識。文獻[17]使用變分原型自編碼器進行特征提取工作，訓練決策樹對HIF進行判定。以上算法解決了閾值設定的難點，但大多使用仿真信號進行建模和測試，由于實測信號與仿真信號的差異性較大，算法在實際應用時的性能有待進一步探討。

本文在DenseNet模型基礎上[18]，提出一維多尺度輕量級DenseNet(1D Multiscale Lightweight DenseNet，1D-MLDenseNet)網絡實現HIF診斷。該模型使用多尺度卷積核提取不同尺度的故障信息；建立雙通道全連接模塊(Dense Block)使不同的特征更有效地獲得傳遞，緩解模型的梯度消失問題；使用ELU函數作為激活函數，改善了模型的收斂性。對比實驗驗證了所提模型的有效性。同時本文還對HIF仿真模型進行了改進，使其對發生在不同工況下的HIF波形模擬更加準確。

1 高阻接地特征分析及仿真

1.1 高阻接地故障特征分析

HIF可以定義為不激活常規過流保護裝置的低電流故障，其通常發生于導體與樹枝或地面接觸，或導體斷裂接觸到地面[19 - 20]。由于接觸介質的多樣性，并且導體與介質的接觸受環境因素影響較大，導致HIF的特征十分復雜多變。

HIF最普遍的物理特征是其經常伴隨著交流電弧，交流電弧的重燃與熄滅使得電流出現“零休”現象。當導體與接觸介質之間的電壓超過氣隙的擊穿電壓時，此時電離作用較強，氣隙發生擊穿，電弧開始燃燒，電流迅速上升；當導體與接觸介質之間的電壓低于氣隙的擊穿電壓時，此時電離作用較弱，氣隙恢復絕緣，電弧熄滅，電流迅速降低[3]。在每個工頻周期內中，HIF將出現兩次電弧重燃和兩次電弧熄滅[21]?！傲阈荨爆F象表現為電流在過零點變化趨勢放緩，引言中部分文獻通過“零休”現象對HIF進行辨識。但實際情況中“零休”現象十分多變，表現形式各異，還會出現偏移以及不規則畸變等情況，再加上噪聲的干擾，難以找到共性指標對不同的“零休”現象進行表征。

通過對大量實際故障的分析，發現HIF主要有以下幾個特征[21]。

1)間歇性：HIF通常由于斷線與地面接觸或裸露導線與樹木接觸導致。受大風等因素影響，故障回路的形成具有隨機性，故障回路出現間歇導通的情況。如圖1所示的故障電流波形即表示了高阻接地故障的間歇性。

2)故障特征微弱：HIF發生時，故障電阻大，故障電流一般不超過系統總負荷電流的10%，三相電壓電流仍基本保持對稱。

3)非線性：交流電弧的重燃與熄滅，以及接地介質的非線性，導致故障電流出現非線性畸變。主要表現為“零休”現象，即電流波形在過零點附近發生明顯畸變。圖1有明顯的“零休”現象。

圖1 間歇性HIF電流波形Fig.1 Intermittent HIF current waveform

HIF的故障特征微弱是其難以檢測的最主要原因。在進行負荷投切及電容器投切時，電流同樣會出現相同數量級的波動。故障電流的非線性是區分HIF與其他干擾的最主要特征，但不同的接地介質、中性點接地方式會使得故障電流特征發生變化；“零休”現象可能變得微弱，或出現偏移等情況。這使得高阻接地故障沒有固定的特征，難以進行檢測，且仿真十分困難。

1.2 高阻接地故障仿真模型

在PSCAD/EMTDC軟件平臺上搭建配電網模型，實現HIF及各類干擾的仿真。拓撲圖如圖2所示，線路參數的設置參考文獻[17]，其具體值如表1所示。故障點設置在每條線路的中段與末端，如F1—F14所示，在諧振接地、小電阻接地及不接地系統中進行仿真以獲取足量的仿真數據。

圖2 配網模型結構圖Fig.2 Structure diagram of distribution network model

表1 線路參數Tab.1 Line parameters

HIF的仿真重點是故障模型的建立，目前常用的電弧模型有基于熱平衡的Mayr模型、Cassie模型以及在Mayr模型基礎上改進得到的控制論電弧模型與動態弧徑模型[22]，該類模型采用微分方程描述電弧的動態發展過程，但主要適用于密閉空間內的燃弧特性[23]。由于基于熱平衡理論模型的局限性，基于湯遜理論的對數電弧模型被提出，該模型適用于描述大氣短間隙放電，與實際HIF的發生情景相符，在對數電弧的基礎上也提出了一系列改進的模型[23 - 25]。本文使用Emanuel模型作為HIF故障模型，其為根據大量現場實驗數據建立的經驗模型[17]，由于其參數調節簡單，與實際故障相似程度高，在國內外應用廣泛[7,10 - 17]。模型由2個電阻、2個二極管及2個直流電壓源反并聯而成，但其無法模擬電弧的電壓和電阻隨機波動特性，以及“零休”現象的偏移特性。為此，本文使用了時變電阻與時變電源，即電阻及電壓源的值會隨時間在一定范圍內隨機波動，以解決電弧電壓與電阻的時變性問題；加入了電感Lf，通過調節電感大小可以控制“零休”特征的偏移情況。所提改進電弧模型的結構如圖3所示。

圖3 電弧模型結構Fig.3 Arc model structure

圖4 各種模型仿真得到的HIF波形對比Fig.4 Comparison of HIF waveforms from various models simulation

為驗證所提模型的有效性，將其與Mayr模型、Cassie模型、動態弧徑模型[22]以及改進對數電弧模型[24]進行對比。參照文獻[3]所給出的實測典型HIF波形，通過調節模型參數，給出5個模型的仿真結果如圖4所示?？梢钥闯?，在“零休”現象不發生偏移且無不規則畸變時，5類模型均能夠較為準確地對實測波形進行模擬，但在電流波形出現不規則畸變或“零休”偏移現象(圖4(f)、(g)、(h))時，只有所提模型能夠較為準確地進行模擬。

從圖4可以看出，發生在不同工況下的HIF波形存在著明顯差異，其波形畸變與接地介質特性、濕度及電弧燃燒情況有關，過渡電阻越大或電弧燃燒越微弱，則畸變越不明顯[3]。圖4(a)、(d)中表現出標準的“零休”現象，電流在過零點變化趨勢放緩，該類HIF畸變明顯，且規律性強，是HIF中最易識別的情況；圖4(b)、(c)、(g)“零休”現象較為微弱，僅表現為較短時間內的斜率變化，畸變較不明顯，其中(b)、(g)還出現了“零休”現象的偏移，與正常工況下的電容器或負荷投切難以區分[7]；圖4(e)、(f)、(h)出現不規則畸變，燃熄弧受到各類因素影響，“零休”現象不規則，這使得時域、時頻域方法難以提取其中的有效信息。并且實際測量得到的數據一般含有噪聲，噪聲會使得本就不明顯的“零休”現象被進一步遮掩。故HIF的準確檢測十分困難，需要提取出發生在不同條件下HIF的共性特征來實現HIF的檢測。

2 高阻接地故障診斷模型

早期的HIF檢測主要依靠先驗知識或人工提取樣本特征，通過閾值設定實現對HIF的辨識。方法的有效性取決于所提特征的好壞，且不同高阻接地故障工況下的HIF波形差異較大，僅依靠單一特征或幾個特征難以表征不同HIF波形的共性。近年來隨著機器學習算法的興起，HIF檢測領域引入了許多機器學習方法。機器學習是基于數據驅動的黑箱模型，其本質是模式識別，最終目的是通過大量數據訓練從數據中發現復雜規律，讓機器學習到一個抽象模型。

本文使用深度學習方法對HIF進行辨識，使用HIF波形數據訓練具有多個隱層的機器學習模型，實現對波形特征的主動提取，提升分類的準確性。與依靠人工經驗提取波形特征的方法相比，數據驅動的方法能夠充分利用數據隱含信息，所提取的波形特征更為豐富、有效，可提取不同HIF波形的共性特征，且避免了閾值設定的難題。

2.1 DenseNet模型

DenseNet模型[18]脫離了加深網絡層數(如ResNet網絡)和加寬網絡結構(Inception結構)來提升網絡性能的定式思維，通過特征重用和旁路設置，大幅度減少了網絡的參數量，緩解了梯度消失問題[18]。主要貢獻是引入了全連接模塊(Dense Block)的概念，由多個Dense layer組成。

Dense layer的結構如圖5所示，對輸入先進行批量歸一化，經激活函數處理后通過大小為1×1的卷積實現通道數調整，再次批量歸一化后經過大小為3×3的卷積實現降維。由4個Dense layer組成的全連接模塊的結構如圖6所示。

圖5 Dense layer結構Fig.5 Structure of Dense layer

圖6 Dense Block結構Fig.6 Structure of Dense Block

Dense Block的設計使得其內部的每一層都可以從前端所有層的輸出中獲得梯度，使特征的傳遞更加有效，緩解了梯度消失的現象，使網絡能夠設計得更深。Dense Block的表達式如式(1)所示。

xl=Hl([x0,x1,…,xl-1])

(1)

式中：xl為卷積層的輸出；Hl為卷積層所做的非線性變換。

DenseNet的每一層都在輸入到激活函數前進行了批量歸一化(batch normalization，BN)。BN層處理后的數據滿足均值為0，方差為1的高斯分布，能夠有效地避免數據在分布上的偏移，并遠離激活函數的導數飽和區。BN層能夠加快訓練過程并提高網絡性能，有效地降低了梯度消失的影響[18]。主要計算過程如式(2)所示，變量釋義見文獻[18]。

(2)

DenseNet的設計者證明了在卷積核數量較少時，網絡效果仍較好[18]，故所使用的卷積核個數均較少。每次卷積前都預先加入1×1的卷積操作，既減少了參數，又能夠融合各個通道的特征。在全連接模塊之后加入了過渡層(Transition layer)，該結構也進行1×1的卷積操作，將全連接模塊中所有層的輸出進行融合，進一步減少網絡參數。

文獻[18]設計的DenseNet的結構為前端使用1個7×7的卷積層，進行最大池化處理后使用4個全連接模塊與過渡層交替連接，其卷積核大小均為3×3，隨后使用Dense層實現分類。

2.2 本文所提模型

本文對上述模型進行了改良以適應序列數據的檢測需求，最終得到一維多尺度輕量級1D-MLDenseNet模型，如圖7所示。具體改進點如下。

1)為能夠將零序電流序列波形作為模型的輸入，將適用于圖像分類的DenseNet模型改造成可以讀取一維序列數據的模型，即將卷積核大小由n×n改為1×n。

2)將原始模型的單尺度卷積改為了多尺度卷積，即進行了大小為1×3、1×5、1×7的卷積操作，多尺度特征結果再合并以提高模型性能。

3)為使特征能夠更有效地進行傳遞，本文采用了雙通道全連接模塊，使用了1×3和1×5兩種不同大小的卷積核并行提取特征，進一步緩解了模型的梯度消失問題。出于減少參數量考慮，本文僅使用了兩個并行的全連接模塊以及一個過渡層，建立了一個輕量級的網絡模型。

4)使用ELU函數替代原模型的ReLU作為激活函數，改善模型的收斂性能。ReLU作為激活函數時，計算過程簡單，收斂速度快。但當其輸入為負時，其輸出為0，一階導數也為0，神經元無法更新參數，訓練基本進入停滯，無法收斂。

圖7 1D-MLDenseNet結構圖Fig.7 Structure diagram of 1D-MLDenseNet

理想的激活函數應該滿足兩個條件[26]：1)能夠輸出零均值分布數據以加快訓練速度；2)單側飽和使得網絡能夠更好地收斂。ReLU函數單側飽和但無法輸出零均值分布數據，Leaky ReLU函數能夠輸出零均值分布數據但兩側均不飽和[27]。

ELU函數能夠滿足上述兩個條件，解析式如式(3)所示，其中超參數α一般取為1[27]。3種不同激活函數的對比如圖8所示。

(3)

圖8 3種激活函數對比Fig.8 Comparison of three activation functions

從圖8中可以看到三者在大于0的部分是完全相同的；小于0的部分ELU函數會出現飽和，且ELU在小于0的部分一直存在梯度，不會出現神經元“死亡”的問題。

3 算法驗證

3.1 仿真數據獲取及驗證

在圖2所示的配網模型中，通過改變各類故障及干擾的參數、發生位置、相角及中性點接地方式以獲取足量數據。本文設置了3類干擾，電容器投切時，零序電流會出現波動，其零序電流波形如圖9(a)所示。勵磁涌流在變壓器空載合閘時發生，考慮剩磁、合閘角的影響，三相發生涌流的程度不同，也會導致零序電流出現波動[28]，其零序電流波形如圖9(b)、(c)所示。圖中所展示的為小電阻接地系統中發生以上兩類干擾時波形，本文考慮了不平衡電流的影響，從圖9(a)、(b)、(c)中可以看到，在擾動發生前小電阻接地系統的零序電流就存在著波動。預調式諧振接地系統在正常情況下脫諧度較低，通過阻尼電阻來避免發生串聯諧振，在投切三相對地電容不平衡線路時可能導致阻尼電阻的誤短接，產生串聯諧振使算法誤判[29]，其零序電流波形如圖9(d)所示。

圖9 各類仿真零序電流波形Fig.9 Various simulated zero sequence current waveforms

考慮到隨調試消弧線圈通常為相控式，通過晶閘管的通斷進行控制，會產生諧波電流[30]，故本文各類擾動與HIF在相控式消弧線圈接地系統中也進行了仿真，根據文獻[30]設定消弧補償度為過補償5%，可控硅導通角為120 °。

進行仿真實驗時，故障發生相角設置為0 °、60 °及90 °；故障發生位置設置在線路首端、中段及末端；中性點接地方式包括中性點不接地、中性點經小電阻接地及消弧線圈接地；并改變故障模型參數以保證樣本類型的全面性。最終獲得了HIF數據500組，電容器投切、勵磁涌流兩類干擾數據各200組，串聯諧振數據100組，采樣頻率為4 kHz，錄波時長為0.5 s。

考慮到HIF的間歇性以及持續時間的差異性，要求診斷模型應該能同時滿足對穩態和暫態故障波形的識別，實現在故障發生后任意時刻的辨識?？紤]到即便是間歇性HIF也會持續8～9個周波[17]，故本文以3周波數據作為模型輸入。

首先隨機選取80%的數據作為訓練集，20%的數據作為測試集。隨后對分類好的數據樣本進行分割，從故障前1周波開始，每3周波作為一個樣本，樣本重疊率為30%，實現樣本增強。最終獲取了4 000組訓練樣本，1 000組測試樣本。這樣處理的好處是同一條故障樣本的數據經過分割后，不會同時出現在測試集和訓練集中，可以有效地評估模型對新樣本的檢測能力?？紤]到實際數據存在大量的噪聲，向訓練數據中隨機加入了信噪比為15 ～25 dB大小的高斯白噪聲。

模型經過訓練集訓練后，驗證集準確率達到100%。使用測試集測試后，混淆矩陣如表2所示。每種類別的誤判樣本極少，只有2～3個，整體識別準確率達到99.5%，說明本算法面對擾動時，具有較高的HIF辨識準確率。

表2 用混淆矩陣表示的仿真數據測試結果Tab.2 Test results of simulation data represented by confusion matrix

仿真測試數據中包含400組經小電阻接地樣本、300組經小電阻接地樣本及300組經消弧線圈接地樣本。漏判和誤判樣本的示例如圖10所示。

圖10 漏判及誤判樣本示例Fig.10 Examples of missed and misjudged samples

經分析發現，漏判樣本均為經消弧線圈接地系統中獲取的HIF樣本，故障發生于線路末端，電弧電壓較小。由于消弧線圈的作用，導致這些樣本的“零休”現象消失，表現為近正弦波，導致模型漏判。誤判樣本均為電容投切時的暫態波形，包括消弧線圈接地系統及小電阻系統中獲取的。其暫態波形表現出類似“零休”現象的畸變，使得模型誤判。

3.2 模型的改進效果驗證

為了評價模型的改進效果，使用相同訓練集與測試集，將所提方法與一維單尺度DensNet網絡(卷積核分別為1×3、1×5和1×7)進行了對比。訓練過程準確率變化如圖11所示?？梢钥闯觯崴惴ǖ挠柧毤瘻蚀_率上升速度快，在迭代較少次數時就已收斂，且穩定下來后的準確率明顯高于單尺度卷積。從表3所示的測試結果看，所提方法面對測試集時，準確率也是最高的，比單尺度DensNet至少高3.1%。

圖11 不同尺度卷積核訓練集準確率Fig.11 Accuracies of convolution kernel training set of different scales

表3 不同尺度卷積核模型的測試準確率Tab.3 Accuracies of convolution kernel models with different scales

在本文所提的一維多尺度DensNet模型上，使用ELU、ReLU以及Leaky ReLU作為激活函數的對比結果如圖12和表4所示。訓練時，收斂速度和收斂效果的排序依次是ELU、ReLU和Leaky ReLU，在面對測試集時，ELU比ReLU的準確率提高了2%，模型性能得到改善。

圖12 不同激活函數模型的訓練集準確率Fig.12 Training set accuracies of different activation function models

表4 不同激活函數模型測試結果Tab.4 Test results of different activation function models

為驗證雙通道全連接模塊效果，將其分別與單通道1×3全連接模塊和1×5全連接模塊進行對比，結果如表5及圖13所示?？梢钥闯?，所提方法收斂速度比較快，12代就達到最好結果。1×3全連接模塊比1×5全連接模塊收斂速度快，但17代以后，二者準確率基本一致。面對測試集時，所提方法與單通道模型相比，結果略有提高。然而與單通道相比，雙通道的訓練收斂速度明顯較快，可以快速得到最優模型。

表5 不同通道全連接模塊模型的測試結果Tab.5 Test results of different channel dense block models

圖13 不同通道Dense Block模型的訓練集準確率Fig.13 Training set accuracy of different channel Dense Block models

圖14 實測擾動與HIF的零序電流波形Fig.14 Zero sequence current waveforms of measured disturbance and HIF

3.3 實測數據驗證

從某變電站獲取了6組擾動及6組HIF錄波數據，波形如圖14所示?？梢钥闯?，不同HIF樣本之間存在著較大差別，且實測數據噪聲含量較大，對診斷模型性能提出了挑戰。對比圖4可以發現實測HIF數據與所提改進電弧模型得到的仿真數據較為相似，證明所提改進電弧模型具有較強的實際電弧模擬能力。

實測數據的采樣頻率為4 kHz，從故障前一周波開始，獲取了時間長度為0.25～0.3 s不等的錄波數據。按照相同的處理方式，從故障開始前1周波開始，每3周波作為一個測試樣本，樣本重疊率為30%，最終獲取了65組測試數據。直接使用仿真數據訓練好的模型進行測試，測試結果以混淆矩陣給出，如表6所示。可以發現，每個類別只有1個樣本出現誤判，誤判樣本波形如圖15所示。其中誤判的擾動數據為階梯波，其為進行電容投切后零序電流波動，在第1、3周波過零點時恰好出現了類似于“零休”現象的波動，導致模型誤判；誤判的HIF數據在第1、3周波負半波過零點時出現不同于其他HIF的正向沖擊畸變，導致模型誤判?？傮w而言，所提方法能夠準確識別實測HIF，在實際應用時可以考慮連續判別多次再進行綜合決策以避免誤判。

表6 用混淆矩陣表示的實測數據測試結果Tab.6 Test results of measured data expressed by confusion matrix

圖15 誤判樣本波形Fig.15 Misjudged sample waveform

3.4 采樣頻率和精度的影響

考慮到建設成本和投資需求的約束，實際配置的電流互感器及錄波裝置的采樣頻率及精度并不統一。本研究著重分析了在低采樣頻率及采樣精度時本算法的效果。采樣頻率設定了4 kHz、2 kHz及1 kHz 3種，對原始樣本進行了降采樣獲得新樣本后，進行模型的重新訓練和測試，結果如表7所示。

表7 不同采樣率算法準確率測試結果Tab.7 Test results of algorithm accuracies with different sampling rates

從表7中可以看出，仿真測試集受采樣頻率的影響較小，即便是在1 kHz的低采樣率下，對仿真數據集仍有著92.3%的準確率。實測測試集受采樣頻率的影響較大，在1 kHz采樣率時降低到73.8%，這是由于本文所使用的實測數據已經含有較大的噪聲，再進行降采樣使得波形特征丟失，從而降低檢測精度。因此為確保有良好的診斷準確率，在實際應用時采樣率最好不低于4 kHz。

仿真數據獲取時，數據的誤差為0；盡管本文使用的實測數據精度難以準確確定，為了測試需要，也認定為0。為評估裝置的采樣精度對算法影響，將兩種測試集中每個樣本的每個數據點都乘以一個隨機數，模擬不同采樣精度下獲取的數據。其中以0.99～1.01、0.97～1.03、0.95～1.05范圍內的隨機數代表精度為1、3、5級的電流互感器誤差系數。最后直接使用新的數據進行測試，結果如表8所示。

表8 不同等級精度下的測試結果Tab.8 Test results at different levels of precision

圖16 以波形表示的信號特征的輸出Fig.16 Output of signal characteristic represented as waveforms

從表8中可以看到，即便是在5級精度獲取的數據，所提算法對仿真測試集及實測測試集的檢測準確率也在90%以上，也就是說采樣精度對所提算法的影響較小。

3.5 特征提取過程可視化

所提算法為一類機器學習算法，其實質是通過數據驅動，實現特征的自動提取并確定隱含性判定閾值，且這一過程均由機器決定。為分析所提算法的特征提取過程，以兩組不同類型數據為例，將卷積層輸出的部分特征如圖16進行可視化展示。從圖16可以看出，第一層的卷積實際上是對波形進行降噪處理，能夠將噪聲與有效信號進行分離；經過最后一個卷積層后，HIF樣本和干擾樣本差異較大，HIF樣本的兩個特征圖均在大高峰附近出現兩個對稱的小高峰，而干擾樣本則沒有這一特征。這說明通過一系列卷積計算及激活函數的作用，模型成功地“看見”HIF“零休”現象這一共同屬性，并將特征進行了放大，方便最后一層分類器的使用。

t分布隨機近鄰嵌入(t-distributed stochastic neighbor embedding,t-SNE)是常用的降維算法，其能夠提取高維數據的特征[31]。使用t-SNE對數據進行降維，能夠提取數據樣本的分布特點，直觀的表現數據的相似度，是常用的可視化手段?？赏ㄟ^t-SNE驗證所提取的特征的有效性，對原始樣本、第一個卷積層輸出特征、最后一個卷積層輸出特征以及分類器輸入特征分別進行可視化，結果如圖17所示。其中圖標“1”表示HIF樣本，“0”表示干擾樣本。橫縱坐標表示映射到低維空間的對應位置，無實際意義。

圖17 t-SNE可視化的特征提取過程Fig.17 Feature extraction process for t-SNE visualization

從圖17中可以看出，原始樣本盡管存在一定的區分度，但不同類之間距離較近，無法直接區分。經過第一層卷積后，不同類樣本之間距離明顯變大，但同類樣本之間的距離也較遠，依然難以區分。最后一層卷積所得特征不僅將不同類別樣本區分開，同類樣本也基本聚集在一起，但仍有部分不同類樣本互相交錯。經過后續進一步處理后，兩類樣本成功分開，區分度很高。簡而言之，經過層層提取，所提模型能夠精準地獲得有用的特征，將HIF和干擾有效地區分出來。

3.6 算法對比

文獻[3]通過零序電流區間斜率的雙“M”特征進行故障檢測，并在前端加入了格拉布斯法進行降噪。文獻[32]使用離散小波分解后得到的高頻尺度分量，提出一個公式將“零休”這一畸變特征量化，并設定一系列規則來檢測HIF。文獻[33]對電流信號進行變分模態分解(variational mode decomposition，VMD)和奇異值分解(singular value decomposition, SVD)，將輸出數據通過支持向量機進行分類，從而實現HIF的檢測。文獻[34]使用離散小波分解得到的系數特征，結合韋爾奇周期圖法從功率譜中提取的故障特征，訓練了增強決策樹以實現HIF的檢測。

為進一步評估本文所提方法的檢測能力，使用相同數據集對所提方法以及文獻[3, 32 - 34]算法進行訓練和測試。數據樣本包括3.1節所提的仿真數據集、加入信噪比為10 dB高斯白噪聲的仿真數據集、3.3節實測數據集。由于實測數據本身就含有噪聲，故不再考慮添加噪聲測試。檢測時間為單個樣本的測試時間，結果如表9所示。

表9 5種算法準確率仿真及測試結果Tab.9 Simulation and test results of five algorithms accuracies

可以看到，所提算法在3種數據集下的效果都是最好的。此外，所提算法也是唯一一種對于3種不同的數據集，檢測準確率均超過90%的算法，其他對比算法盡管對低噪聲的仿真數據均有超過90%的檢測準確率，面對強噪聲或實測數據，檢測準確率均顯著降低。文獻[3]所提算法檢測時間最短，且對各類數據集的識別效果均較好。文獻[32]所提算法易將勵磁涌流誤判為HIF，且抗噪能力較差。相較于時頻分解類算法，所提方法檢測時間僅為0.01 s，整體優勢明顯。

4 結論

本文對電弧故障模型進行了改進，對比現場波形發現改進后的模型能夠較為準確的模擬發生在不同工況下的HIF波形。

對DenseNet進行改良，建立了一維多尺度輕量級DenseNet(1D-MLDenseNet)模型。實現了對仿真及實測HIF高速、準確的檢測。算法抗噪能力強，能夠對強噪聲下HIF信號進行準確檢測，效果優于其他3種對比算法。

本文所提算法能夠成功檢測出發生在不同接地方式、不同接地介質下的HIF，且不受故障位置和故障相角的影響。由于可以在故障發生的任意一個時間點進行檢測，對故障樣本的要求不高，具有較強的工程應用價值。