電動汽車充電系統(tǒng)串聯(lián)電弧故障智能識別方法

潘廣旭，裴麗偉，李興玉，王希濤，班云升

（1.國網(wǎng)日照供電公司，日照 276800；2.北京七星華創(chuàng)流量計有限公司，北京 100176）

在“碳中和、碳達峰”目標(biāo)下，大力發(fā)展可再生能源等低碳能源體系，實現(xiàn)新型電力系統(tǒng)的綠色轉(zhuǎn)型，成為能源領(lǐng)域的重要戰(zhàn)略方向，其中的電動汽車充電系統(tǒng)應(yīng)運而生。但隨著電動汽車充電系統(tǒng)的發(fā)展，系統(tǒng)老化等因素引起的直流電弧問題越來越多。直流電弧不存在自然過零點，一旦產(chǎn)生很難自行熄滅，局部溫度可達數(shù)千攝氏度，極易造成電氣火災(zāi)事故，因此對直流電弧故障進行識別和檢測十分重要[1]。目前直流電弧故障識別和檢測的方法主要分為基于物理特性的檢測方法、基于時頻域分析的檢測方法和基于人工智能的檢測方法[2]。

物理特性檢測主要依據(jù)電弧發(fā)生時的輻射信息，研究發(fā)現(xiàn)電弧產(chǎn)生階段能量不穩(wěn)定，輻射電磁信號幅值小且主要集中在千赫茲頻段；進入穩(wěn)定發(fā)展階段后，電弧能量大且輻射頻帶集中在兆赫茲范圍[3-4]。文獻[5]提出一種基于雙天線的電弧故障平面定位方法，該方法利用神經(jīng)網(wǎng)絡(luò)與接收信號強度指標(biāo)進行電弧故障位置估計。雖然此類方法利用的物理特性原理簡單，但很容易受到外界環(huán)境因素影響，因此有學(xué)者提出了基于故障電弧電壓和電流信號時頻域分析的方法。

時域分析檢測主要集中于時間序列的特征研究，例如，比較故障前后電壓電流基于時間的變化率和電流的平均值等。基于時域的直流串聯(lián)電弧故障檢測算法是利用3個窗口檢測電流波形，并提取故障電弧的時域和頻域特征作為標(biāo)準(zhǔn)進行電弧故障檢測[6]；對相鄰兩個周期電流幅值差進行小波降噪和歸一化處理，由此來檢測電弧故障[7-8]。頻域分析主要通過時間序列對頻率特性的分析，由于在電弧的不同階段電弧電流高頻脈沖出現(xiàn)的頻段不同，而現(xiàn)有研究一般主要關(guān)注電弧電流起始階段的頻域特征。因此，文獻[9]采用滑動離散傅里葉變換對串聯(lián)直流電弧進行識別，結(jié)果顯示電弧故障前后滑動離散傅里葉頻譜存在明顯變化，證明了該算法用于電弧故障識別的可行性；文獻[10]基于串聯(lián)直流電弧的初始電流變化和脈沖-時間模式特征，提出一種直流電弧檢測方法。

隨著人工智能領(lǐng)域技術(shù)的不斷發(fā)展，有學(xué)者開始嘗試將該技術(shù)應(yīng)用于故障電弧識別領(lǐng)域，避免了傳統(tǒng)閾值法中需要人為設(shè)定閾值的局限，并通過模型訓(xùn)練自動建立故障電弧識別邊界條件，有效地提高了檢測方法的普適性和準(zhǔn)確率[11-13]。文獻[14]采用分段頻譜二次加權(quán)方法提取出電弧電流的頻域特征及多路信號頻譜的相關(guān)系數(shù)，經(jīng)實驗驗證，該方法具有高精度的直流電弧故障識別能力和識別可靠性；文獻[15-16]引入機器學(xué)習(xí)方法進行直流電弧故障檢測，通過實驗提取正常狀態(tài)與故障狀態(tài)下的4 種時域特征和3 種頻域特征，利用這些特征訓(xùn)練支持向量機，最終求得直流電弧故障識別模型，經(jīng)實驗證明所提方法可以有效檢測直流電弧故障，并具有精度高和方法精簡的優(yōu)勢；文獻[17]利用一個輕量級傳輸網(wǎng)絡(luò)直接從原始互感器采集信號中提取廣義故障特征，從而實現(xiàn)電弧故障識別。基于機器學(xué)習(xí)的直流電弧故障檢測方法普遍具有較高的準(zhǔn)確辨識率（超過80%），對于不同工況條件具有良好的適應(yīng)性，檢測效果優(yōu)于傳統(tǒng)閾值法。

綜上，本文針對電動汽車充電系統(tǒng)串聯(lián)電弧故障電弧電流小、準(zhǔn)確檢測困難問題，提出一種基于16層視覺幾何群網(wǎng)絡(luò)VGG16（16-layer visual geometry group network）的電動汽車充電系統(tǒng)串聯(lián)電弧故障檢測模型。研究結(jié)果表明，基于VGG16 的電動汽車充電系統(tǒng)串聯(lián)電弧故障檢測模型可以在各類工況下有效檢測直流串聯(lián)電弧故障，具有良好的泛化能力和抗干擾能力。

1 電動汽車充電系統(tǒng)串聯(lián)故障電弧實驗

1.1 實驗平臺

電動汽車充電系統(tǒng)電弧故障實驗平臺如圖1所示。該實驗平臺主要由主電路部分和數(shù)據(jù)采集部分組成，其能有效模擬由于接觸不良而產(chǎn)生的電動汽車充電系統(tǒng)串聯(lián)電弧故障。主電路部分主要包括大功率直流電源、電動汽車充電樁、去耦網(wǎng)絡(luò)、模塊線路阻抗網(wǎng)絡(luò)、模塊和逆變器之間的連接線阻抗及故障電弧發(fā)生器等。其中，C1～C3、L1～L3組成去耦網(wǎng)絡(luò)，用于調(diào)節(jié)直流電源的輸出電容，模擬汽車充電系統(tǒng)直流特性；R3、R4、L4、L5構(gòu)成線路阻抗網(wǎng)絡(luò)，模擬80 m的線路，用來模擬充電樁與電源之間的連接線，實驗電路各參數(shù)如表1所示。數(shù)據(jù)采集部分主要包括示波器、筆記本電腦及電流互感器；電弧發(fā)生位置分別為A1、A2、A3 和A4；為采集到電弧高頻特征，設(shè)置采樣頻率為250 kHz。

表1 電動車充電系統(tǒng)直流電弧實驗平臺元件參數(shù)Tab.1 Component parameters of DC arc experiment platform for electric vehicle charging system

圖1 電動汽車充電系統(tǒng)電弧故障實驗平臺Fig.1 Arc fault test platform for electric vehicle charging system

全部實驗工況條件如表2所示，各工況下電弧發(fā)生位置均處在正母線線路阻抗前（串首）、正母線線路阻抗后、負母線線路阻抗前及負母線線路阻抗后處。

表2 不同實驗條件Tab.2 Different load experiment conditions

1.2 數(shù)據(jù)采集

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要的數(shù)據(jù)量極其龐大，意味著可能需要進行上千次實驗，然而光伏發(fā)電系統(tǒng)直流電弧實驗單次實驗耗時長，每次實驗后均需要對電極進行打磨。并且由于實驗中電弧維持時間不同，有些情況下只能維持20～40 ms，因此很難采集大量直流電弧數(shù)據(jù)。除了樣本數(shù)據(jù)量對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練影響很大以外，樣本數(shù)據(jù)集質(zhì)量對網(wǎng)絡(luò)訓(xùn)練結(jié)果影響十分明顯，如果樣本數(shù)據(jù)集中各類別數(shù)據(jù)量不均衡，也容易導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型識別精度降低和模型過擬合，故要構(gòu)建符合神經(jīng)網(wǎng)絡(luò)需要的電弧電流頻譜數(shù)據(jù)集。構(gòu)建過程主要包括對數(shù)據(jù)標(biāo)簽、數(shù)據(jù)分割、數(shù)據(jù)清洗、數(shù)據(jù)歸一化及數(shù)據(jù)增強5個步驟。

直流串聯(lián)電弧故障識別屬于二分類問題，標(biāo)簽包括“有弧”和“無弧”兩類。為減小標(biāo)簽的難度，在數(shù)據(jù)分割前對數(shù)據(jù)進行標(biāo)簽。由于同一波形信號中，故障電弧電流波形與正常狀態(tài)下電流波形在時域上存在明顯區(qū)別，因此可以利用該特點使用人工標(biāo)簽的方式對電流信號進行分類，將有弧和無弧電流波形區(qū)分開，區(qū)分過程如圖2所示。

圖2 利用時域信號標(biāo)簽分類示意Fig.2 Schematic of classification using time-domain signal label

由圖2 可知，由于故障電弧電流信號是在不同時間、不同實驗中通過人工采集獲取，各電弧信號中包含的有弧、無弧狀態(tài)長度不完全相等，可能在數(shù)據(jù)分割時出現(xiàn)數(shù)據(jù)缺失，即分割后某段數(shù)據(jù)不足10 ms；并且在人工標(biāo)簽數(shù)據(jù)時也會出現(xiàn)誤差，導(dǎo)致10 ms信號內(nèi)同時包括有弧、無弧兩種狀態(tài)，因此需要對數(shù)據(jù)進行數(shù)據(jù)清洗。本文通過人工篩選的方式進行數(shù)據(jù)清洗，刪除不符合要求的數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗，共獲得6 178組數(shù)據(jù)，其中，有弧2 858組、無弧3 320組，生成頻譜圖后劃分為訓(xùn)練集、驗證集和測試集，各類數(shù)據(jù)集信息如表3所示。電弧故障檢測實驗包括的4 種電流等級分別為3 A、8 A、8.5 A、15 A，由于數(shù)據(jù)集總體數(shù)據(jù)量有限，本實驗的數(shù)據(jù)集中增大了測試集數(shù)據(jù)比例，目的是為了更好的利用測試集驗證模型性能，減少偶然性的影響，提高驗證結(jié)果的說服力。

表3 電弧電流數(shù)據(jù)集信息Tab.3 Information about arc current datasets

經(jīng)過數(shù)據(jù)預(yù)處理后訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)量仍十分有限，為了利用有限的數(shù)據(jù)訓(xùn)練模型，采用數(shù)據(jù)增強技術(shù)提升模型訓(xùn)練效果，該方法可以將有限的數(shù)據(jù)產(chǎn)生幾倍甚至幾十倍等價數(shù)據(jù)。常見數(shù)據(jù)增強方法主要包括對圖片進行隨機比例放大和縮小、隨機角度旋轉(zhuǎn)及隨機位置截取等。數(shù)據(jù)增強技術(shù)主要分為離線增強和在線增強兩種，離線增強就是對現(xiàn)有原始數(shù)據(jù)集進行增強處理后，直接加入到原始數(shù)據(jù)集中；而在線數(shù)據(jù)增強則是在訓(xùn)練過程中對每批數(shù)據(jù)進行增強，不對原始數(shù)據(jù)集更改。

離線增強技術(shù)需要人為控制各類數(shù)據(jù)增強比例，并保證每次訓(xùn)練中輸入一定比例的原始數(shù)據(jù)，操作較為復(fù)雜。因此本文選擇在線數(shù)據(jù)增強技術(shù)，在增加數(shù)據(jù)量的同時，保證樣本可控性。采用ImageDataGenerator進行數(shù)據(jù)增強，在每個批次中對該批樣本內(nèi)數(shù)據(jù)進行翻轉(zhuǎn)等操作后將樣本輸送給網(wǎng)絡(luò)模型。這樣便可保證在訓(xùn)練過程中會保持一定的幾率使用到原始數(shù)據(jù)。當(dāng)訓(xùn)練輪次足夠多時，也只是相當(dāng)于讓網(wǎng)絡(luò)學(xué)習(xí)到更多樣本信息，而不會對網(wǎng)絡(luò)的訓(xùn)練過程造成不良影響。

2 數(shù)據(jù)預(yù)處理及電弧特征分析

2.1 離散傅里葉變換

故障電弧電流信號波形幅值較小，與正常電流信號的差距難以分辨，并且還存在與某些干擾下電流波形相似的可能。若直接使用時域波形作為識別特征，很容易出現(xiàn)誤判，因此需要對直流電弧故障電流進行特征分析[18]。表4給出了離散傅里葉變換、短時傅里葉變換及小波變換3種常見特征分析方法的計算難度、應(yīng)用限制和能否區(qū)分有弧無弧特征的對比情況。

表4 特征分析方法對比Tab.4 Comparison among feature analysis methods

離散傅里葉變換是一種被廣泛應(yīng)用的信號分析方法，可以將直流電弧故障電流信號在頻域中離散化，將時域中的采樣轉(zhuǎn)換為頻域中的采樣，從而給出直流電弧故障信號的頻域特征。通過時間窗將整個直流電弧故障信號劃分成若干個等長小信號可獲得信號足夠的細節(jié)信息，該方法計算簡單，技術(shù)成熟，應(yīng)用門檻低，能有效區(qū)分有弧、無弧特征，處理結(jié)果中只包含頻域和幅值信息，對機器學(xué)習(xí)模型的信息處理能力要求較低；而短時傅里葉變換和小波變換雖然也可以區(qū)分有弧、無弧特征，但計算更加復(fù)雜，應(yīng)用門檻較高，處理后結(jié)果中同時包含時域、頻域及幅值大小3 類信息，對機器學(xué)習(xí)模型處理信息能力要求更高。綜上，本文選擇離散傅里葉變換提取故障電弧電流信號特征。

應(yīng)用離散傅里葉變換原理進行數(shù)據(jù)信號分析。信號經(jīng)過離散傅里葉變換后在頻域中被離散化，從時域轉(zhuǎn)換到頻域，從而實現(xiàn)了頻譜特性的研究。假設(shè)一個信號x()n為一個長度為N的有限長序列，其表達式為

式中：x(n)為信號序列中第n個信號；N為信號長度。

使用離散傅里葉變換對信號x(n)進行分析，得到x(k)仍為長度為N的有限長序列，變換過程可表示為

式中，x(k)為經(jīng)過離散傅里葉變換得到的信號序列中第k個信號。

逆變換可表示為

2.2 時間窗選取

如果直接對示波器采集的原始電弧故障信號進行傅里葉變換，會丟失很多微小的電流突變信息，導(dǎo)致頻譜不夠精準(zhǔn)，因此在對故障電弧電流進行特征分析之前，需要確定合理的時間窗對數(shù)據(jù)進行分割。

窗口大小的選擇十分重要，過大或過小的時間窗均會對數(shù)據(jù)特征分析產(chǎn)生不良的影響。可將傅里葉變換理解為對窗口內(nèi)的信號分別在各頻段取均值，因此窗口越小越能反映信號的細小突變，實時性好，同時也會增加計算負擔(dān)；而過大的時間窗雖然會減小計算負擔(dān)，卻不能很好反映信號的實時性，同時顯示細節(jié)的能力也更差一些。為了選擇合適的時間窗口，分別采用2 ms、10 ms 及50 ms 時間窗口對同一段8 A 直流電弧故障電流信號進行分析。考慮到實驗的安全性和簡便性，本文使用互感器采集的信號進行故障電弧識別，但為了盡量地對比有弧、無弧狀態(tài)下電流頻譜的區(qū)別，在特征分析中使用電流探頭直接采集的電弧電流信號。直流電弧故障信號的高頻分量一般分布在40～100 kHz 頻段，設(shè)定頻譜頻率范圍為1～120 kHz。由分析可知，窗口越小，頻譜結(jié)果中顯示細節(jié)越清楚，有弧時電流頻譜和無弧時電流頻譜之間的特征區(qū)別越明顯，更有利于網(wǎng)絡(luò)模型識別；但窗口太小會增加計算量，對硬件的計算能力提出了更高的要求，因此本文選擇10 ms時間窗口的電流頻譜如圖3所示。該頻譜在提供區(qū)分有弧、無弧的有效特征同時，保證了方案的實際可行性。

圖3 窗口大小10 ms 電流頻譜Fig.3 Current spectra with 10 ms window

2.3 電弧特征分析

將采集到的直流電弧故障電流信號按照選定10 ms窗口進行分割，并劃分為有弧和無弧兩類，逐個進行離散傅里葉變換，生成直流電弧故障電流信號頻譜。

圖4 為不同電流水平下的有弧、無弧電流頻譜。由圖4 可以看出，在不同電流水平下，經(jīng)過離散傅里葉變換后有弧、無弧電流頻譜均存在較大差異；故障電弧電流頻譜在5～60 kHz頻段內(nèi)頻譜幅值遠大于穩(wěn)定運行時電流頻譜幅值，兩者特征區(qū)別明顯，而其余頻段內(nèi)兩者區(qū)分度降低。

圖4 不同電流水平有弧、無弧電流頻譜Fig.4 Arc and non-arc current spectra at different current levels

圖5為誤脫扣實驗中3 A電流水平下逆變器正常工作時最大功率點跟蹤太陽能控制器MPPT（maximum power point tracking）突然變化時電流信號頻譜。由圖5 可以看出，MPPT 變化時的電流頻譜與穩(wěn)定工作時電流頻譜的特征較為接近，與故障電弧電流的頻譜存在較大差異，在60 kHz頻段之后會發(fā)生頻譜值突然增大的情況，該情況MPPT 變化時電流頻譜與故障電弧電流頻譜之間存在相似性，會對后續(xù)電弧檢測造成干擾；在5～60 kHz頻段范圍內(nèi)，MPPT電流頻譜與故障電弧電流頻譜差距較大，因此使用離散傅里葉變換提取特征可以區(qū)分MPPT狀態(tài)與有弧狀態(tài)。

圖5 MPPT 變化時電流信號頻譜Fig.5 Current signal spectra when MPPT changes

通過上述分析，使用離散傅里葉變換對電弧故障檢測實驗中各類工況下所采集的電流信號進行特征提取，生成電流頻譜均可有效區(qū)分有弧、無弧；且故障電弧電流頻譜和另外兩種情況下電流頻譜之間的區(qū)別主要集中在5～60 kHz頻段，證明了選擇離散傅里葉變換提取故障電弧信號特征的有效性。

3 基于VGG16 的電弧故障檢測算法原理分析

3.1 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)分析

VGG16網(wǎng)絡(luò)模型識別能力較強，至今仍廣泛應(yīng)用于圖像分類及目標(biāo)檢測任務(wù)中，其網(wǎng)絡(luò)結(jié)構(gòu)由多個卷積層和池化層結(jié)合相應(yīng)的激活函數(shù)組成網(wǎng)絡(luò)提取特征部分，再由3個全連接層及Softmax激活函數(shù)構(gòu)成網(wǎng)絡(luò)分類輸出部分[19]。在VGG16 網(wǎng)絡(luò)結(jié)構(gòu)上卷積層和激活函數(shù)聯(lián)系緊密，即網(wǎng)絡(luò)不是單獨的卷積層與激活函數(shù)組成，而是多個卷積層和激活函數(shù)組合成卷積模塊，并在卷積模塊之間進行池化操作構(gòu)成整個網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。VGG16網(wǎng)絡(luò)結(jié)構(gòu)包括13個卷積層、5個最大池化層、3個全連接層和1 個Softmax 激活函數(shù)。VGG16 網(wǎng)絡(luò)的一個最大突破是摒棄了常見的5×5、7×7的卷積核，將卷積層的所有卷積核均替換成步長為1 的3×3 卷積核；池化層也將池化核大小從3×3變?yōu)榱?×2、步長為2，在示例VGG16網(wǎng)絡(luò)3個全連接層中，前兩層一共包括4 096 個輸出通道，第3 層包括1 000 個輸出通道，代表1 000 類標(biāo)簽，并且采用Softmax 激活函數(shù)。通過這種用較小卷積核代替大卷積核，使VGG16 卷積核增多，擴大了通道數(shù)；通過池化縮小了輸入圖像的寬和高，在增加網(wǎng)絡(luò)深度的同時，一方面控制了網(wǎng)絡(luò)參數(shù)的規(guī)模，另一方面相當(dāng)于進行了更多的非線性映射，增強了網(wǎng)絡(luò)的擬合能力[20]。

圖6 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 VGG16 network structure

3.2 基于VGG16 的直流串聯(lián)電弧檢測模型

由第3.1 節(jié)中的分析可得基于VGG16 的直流串聯(lián)電弧檢測模型工作流程如圖7所示，具體步驟如下。

圖7 基于VGG16 的直流串聯(lián)電弧檢測方法流程Fig.7 Flow chart of DC series arc detection method based on VGG16

步驟1 將初始充電系統(tǒng)直流側(cè)電流信號進行離散傅里葉分解，提取頻譜特征，調(diào)整圖像分辨率為224×224。

步驟2進行數(shù)據(jù)預(yù)處理，將數(shù)據(jù)集劃分為訓(xùn)練集、測試集和驗證集。

步驟3初始化VGG16網(wǎng)絡(luò)參數(shù)，然后從訓(xùn)練集中提取隨機樣本，通過前向傳播得到網(wǎng)絡(luò)訓(xùn)練誤差；并通過該誤差反向傳播得到網(wǎng)絡(luò)修正參數(shù)，不斷循環(huán)使訓(xùn)練誤差下降至期望值。

步驟4利用測試集測試訓(xùn)練好的模型，得到測試準(zhǔn)確率。

訓(xùn)練VGG16 網(wǎng)絡(luò)需要提前確定的一個重要參數(shù)就是學(xué)習(xí)率。學(xué)習(xí)率對卷積神經(jīng)網(wǎng)絡(luò)收斂步長和收斂狀態(tài)均有決定性影響，過大或過小的學(xué)習(xí)率均不利于網(wǎng)絡(luò)的訓(xùn)練。當(dāng)學(xué)習(xí)率過大時，會導(dǎo)致模型無法有效收斂；當(dāng)學(xué)習(xí)率過小時，會導(dǎo)致模型收斂速度變慢甚至導(dǎo)致無法學(xué)習(xí)，因此需要研究不同學(xué)習(xí)率對模型訓(xùn)練結(jié)果的影響。

在模型中輸入相同數(shù)據(jù)集，并分別設(shè)置不同學(xué)習(xí)率進行訓(xùn)練。選取學(xué)習(xí)率為0.01、0.000 1、0.000 01三種學(xué)習(xí)率進行分析。圖8給出了學(xué)習(xí)率由0.000 01開始增加，學(xué)習(xí)率與損失值及準(zhǔn)確率之間的關(guān)系。由圖8 可以看出，當(dāng)學(xué)習(xí)率為0.000 1 時，模型在15次迭代后基本進入穩(wěn)定狀態(tài)，損失值可下降到0.1以內(nèi)，而準(zhǔn)確率也可達到95%以上；在30 次迭代過程中，模型可以達到理想狀態(tài)，有效提高了網(wǎng)絡(luò)模型訓(xùn)練速度，節(jié)約了訓(xùn)練時間，因此選擇0.000 1 作為VGG16 原始模型及后續(xù)改進模型的學(xué)習(xí)率。選取學(xué)習(xí)率為0.000 1，使用包含全部工況的訓(xùn)練數(shù)據(jù)集對VGG16 網(wǎng)絡(luò)模型進行訓(xùn)練，由曲線趨勢可以看出，模型整體收斂狀態(tài)平穩(wěn)，驗證集與訓(xùn)練集準(zhǔn)確率曲線趨勢始終保持一致，沒有出現(xiàn)過擬合和欠擬合等情況。完成訓(xùn)練后模型訓(xùn)練集準(zhǔn)確率可達98.45%，驗證集準(zhǔn)確率可達98%，達到較好的直流電弧故障識別能力，證明了數(shù)據(jù)集和模型的可行性。

圖8 直流電弧故障檢測模型損失值、準(zhǔn)確率變化曲線Fig.8 Curves of loss value and accuracy for DC arc fault detection model

4 實驗驗證及結(jié)果分析

4.1 電弧故障檢測實驗

為了驗證不同電流水平下模型檢測故障電弧的能力，使用測試集對模型進行測試。測試集中每種電流水平下有弧、無弧類別分別包括200 組數(shù)據(jù)，標(biāo)簽分別為有弧和無弧。利用測試集輸入訓(xùn)練好的電動汽車充電系統(tǒng)串聯(lián)電弧檢測模型，進行實驗驗證，驗證結(jié)果如圖9所示。由圖9可知，不同電流水平下故障檢測準(zhǔn)確率不完全相同，并且誤判在有弧、無弧兩類間分布也不平衡，主要原因是不同電流水平下故障電弧電流頻譜分布存在差別；從總體上看各類電流水平下有弧、無弧檢測準(zhǔn)確率均達到98%以上。結(jié)果表明，本文所提模型可以有效檢測出不同電流水平下的直流串聯(lián)電弧故障，具有良好的泛化能力。

4.2 誤脫扣實驗

除了電弧故障檢測實驗之外，還需要誤脫扣實驗來驗證模型的抗干擾能力。本文所使用負載為逆變器，由于實際中遮擋和天氣變化等因素會導(dǎo)致光照強度變化，因此在光照強度改變情況下MPPT變化是逆變器常見工作情況之一，此時線路中電流電壓根據(jù)MPPT 調(diào)整規(guī)律進行波形變化，可能會造成模型誤判。使用MPPT調(diào)整電弧電流測試集進行實驗驗證，實驗結(jié)果如圖10所示。由圖10可知，在200組數(shù)據(jù)中有4組MPPT變化狀態(tài)被誤判為有弧，這是由于MPPT變化時頻譜和穩(wěn)定運行狀態(tài)頻譜雖然相似，但仍存在著一定細微差距，對檢測結(jié)果造成了干擾。雖然有誤判情況發(fā)生，但訓(xùn)練模型在總體上可以有效區(qū)別，測試集準(zhǔn)確率為98%，實驗表明模型對于MPPT具有較強的抗干擾能力。結(jié)果表明了本文提出的基于原始VGG16 網(wǎng)絡(luò)的直流串聯(lián)電弧故障檢測模型在各類工況下準(zhǔn)確率均能達到98.00%以上，并具有良好的抗干擾能力。

5 結(jié) 語

本文提出一種基于VGG16 的直流串聯(lián)電弧故障檢測方法。采用分辨率為224×224 的故障電弧電流頻譜數(shù)據(jù)集輸入網(wǎng)絡(luò)進行訓(xùn)練，為驗證該模型對不同工況下故障電弧的檢測能力，使用各工況測試集對模型進行測試，識別準(zhǔn)確率均可達到98%以上，結(jié)果表明基于VGG16 的直流串聯(lián)電弧檢測模型可以在各工況下有效檢測出直流串聯(lián)電弧故障，并擁有良好的抗干擾能力。