基于改進的AlexNet 模型的家用負載電弧檢測?

李 斌，楊亦航

(遼寧工程技術大學電氣與控制工程學院，遼寧 葫蘆島 125105)

電能作為我們日常生活必可不少的能源，與我們的生活中各種領域息息相關，但我們在得到電能帶來的便利的同時，還需面臨著巨大的電氣安全問題。據數據統計，在2021 年全國火災中，由于電氣原因造成的火災已占據28.4%，而由于各種負載中電弧的產生造成的火災更比比皆是。發生電弧時，不僅會對用電負載造成影響，嚴重時更是會引發燃燒爆炸，對人身安全有著重大威脅，因此電弧檢測已成為相關領域學者的研究重點。

劉艷麗等[1]通過不同實驗條件分析了Mayr-Schwarz 電弧數學模型中的各種參數，為電弧故障診斷識別提供了思路。早期學者常通過時頻域信息提取信號平均值、有效值、最大變化率、標準差偏差、高次諧波、能量譜密度等特征，并設置閾值作為判斷依據。王堯等[2]提取了故障電弧電流的變化率和有效值兩個時域特征以及6 kHz～12 kHz 高頻電流信號進行電弧故障識別。盧其威等[3]采用小波變化和奇異值分解對信號進行頻域分析。由于電流信號容易受負載的影響，變化很大，采用時頻域特征往往會造成誤判。隨著人工智能的發展，越來越多的算法出現，智能算法和時頻特征結合的方法逐漸成為主流。吳春華等[4]基于FFT 和BP 神經網絡相結合的方法，取特定頻率分段進行檢測，但訓練過程收斂速度較慢，很可能最終結果迭代到局部最小值。吳珊珊等[5]利用諧波數據，以此為參數作為SVM 的輸入進行識別。李亞松等[6]將線路電壓的標準差和相應頻率諧波功率結合支持向量機進行識別。Schweitzer 等[7]通過計算實際和估計電流值的殘差以及狀態變量三階差為特征進行識別。上述方法雖取得一定成效，但一般適用于指定負載，泛化能力較弱，且算法收斂不夠快。

隨著深度學習的發展，為電弧故障檢測提供了新思路，深度學習卷積神經網絡[8－10]具有強大的提取深層特征的功能，避免了傳統方法依靠人工提取特征以及設置閾值的困難。余瓊芳等[11]將電流信號直接輸入到深度學習網絡中，由網絡自主挖掘特征用于識別，但為了充分發揮深度學習提取二維圖像深層特征的優勢，本文提出一種基于改進的Alexnet 模型的串聯故障電弧檢測方法，使用Adam算法，加快收斂，引入BN 算法，并改變卷積核的大小，減少網絡參數數目。利用短時傅里葉變換構造電流信號的二維時頻圖作為深度學習網絡的輸入，通過深度學習卷積神經網絡實現故障電弧的檢測，經過驗證，提出的方法對常用負載電弧具有較高的識別率。

1 串聯故障電弧實驗

1.1 實驗裝置

搭載實驗平臺，如圖1 所示，實驗電源選用標準工頻電源(220 V，50 Hz)，負載采用電風扇、電熱毯、洗衣機等常用的家庭負載。在實驗時，電源與負載之間連接一個斷路器，起到保護電路的作用，電弧發生由電弧故障發生器實現，主線路電流數據由電流傳感器采集，電弧兩端電壓數據由電壓互感器采集。將上述采集到的數據傳輸到上位機中，利用MATLAB 軟件將采集到的電流數據處理成CSV格式。

圖1 實驗原理圖

故障電弧發生器結構如圖2 所示，具體結構由動靜觸頭、固定支架、步進電機等結構組成。在模擬電弧產生實驗過程中，步進電機的主要作用是帶動動觸頭緩慢移動，使兩觸頭之間產生很小的間隙，產生串聯故障電弧。

圖2 故障電弧發生器

本次實驗以常用家庭負載為實驗對象，如表1所示。每次實驗時間為5 min，分別采集不同負載正常狀態下和故障狀態下的電流數據，每種負載做10 組。

表1 實驗方案

1.2 數據分析

實驗中，當處于正常狀態下，電弧發生器動靜觸頭接觸良好，接觸電阻很小，電流波形比較光滑，移動故障電弧發生器的動靜觸頭，當兩個觸頭的間距足夠小，兩端的電壓就會大于空氣擊穿電壓，兩端之間介質就會發生電離，進一步產生電弧，在電弧狀態下，電流波形會由于高次諧波導致波形中出現大量毛刺以及零休現象。

下面對1 kHz 采樣頻率時部分負載如電風扇和洗衣機的電流信號進行分析。電風扇和洗衣機運行特性如圖3 和圖4 所示。

圖3 電風扇正常和故障電流波形

圖4 洗衣機正常和故障電流波形

1.3 短時傅里葉變換

短時傅里葉變換(STFT)在分析電流信號時，能夠將一維的電流信號轉換為用于卷積神經網絡識別的二維圖像，能夠包含原始信號的時域和頻域信息以及能量分布信息。

理論上STFT 的思路非常直觀，即先選取一個窗函數g(t)，將窗口中心位置移動到t＝τ0，對采樣信號進行加窗處理得到下式:

再進行傅里葉變換:

窗函數的長度會對分析信號頻譜有著一定的影響，窗口越長，時間分辨率越低，頻率分辨率越高，窗口越短，時間分辨率越高，頻率分辨率就越低，因此窗函數的選取以及窗函數的長度十分重要。

本文利用MATLAB 中Spectrogram 函數來實現電流信號的短時傅里葉變換，將一維的電流信號轉換為用于卷積神經網絡識別的二維圖像。本文選用長度為180 點的漢明窗(hamming)窗，noverlap 為重疊點數。為了得到更清晰的時頻譜圖，noverlap 選為9。

1.4 時頻圖數據集

通過上位機采集到主線路電流數據之后，分別對電弧故障電流與正常工作電流數據進行短時傅里葉變換，獲取一維信號的時頻譜圖，形成二維的特征分布，便于后續深度學習卷積神經網絡研究。

本文采取1 024 個取樣點為一個周期，為了得到更加豐富的數據集，本文通過重疊采樣增加樣本數量。假設電流信號采集數據長度為N，樣本取樣點為M，重疊量為ΔX，則一個時間序列能得到的數據集為:

對電風扇時頻圖進行分析，電風扇正常與故障時頻譜圖分別如圖5 和圖6 所示。分析時頻圖可以看出，系統在正常狀態和故障狀態時，時頻譜圖的特征并不相同，主要是因為當發生電弧時，電流信號的能量譜密度會顯著增加，而正常工作基本保持不變。因此正常和故障狀態下能量譜密度的變化梯度就會有所不同，使得使用卷積神經網絡捕捉深層特征，進一步識別故障電弧成為可能。

圖5 串聯電弧正常狀態時頻圖

圖6 串聯電弧故障狀態時頻圖

在每種負載下生成正常和故障時頻圖各200 張，共收集1 600 張時頻圖用于網絡訓練，選取1 280 張數據集作為訓練集，320 張作為測試集，比例為8 ∶2，以此來進行參數優化。數據集分類如表2 所示。

表2 數據集

2 Alexnet 模型網絡結構

2.1 經典Alexnet 模型

Alexnet 為卷積神經網絡(Convolutional Neural Networks，CNN)的一種，CNN 以其局部權值共享的特ntg 使網絡更加智能化，減少了網絡參數，提高了訓練速度，性能優于以往的傳統神經網絡。

AlexNet 網絡[11－13]最早由Alex 等人提出，此模型曾在ImageNet 競賽中大放異彩并奪得最后冠軍，相較于傳統CNN，該模型是一個深層卷積神經網絡。

其中卷積層的計算表達式為:

池化層本文采用最大池化[14]，目的是得到有效降維以及提取到有效特征。

Alexnet 網絡加入了全連接層，會引進大量參數，增加了計算量，加大訓練難度以及影響最終模型效果，出現過擬合的現象。因此在模型中需要引進Dropout 策略，其實質為將一些神經元在傳遞過程中隨機定義為0，引入稀疏性。Dropout 策略有效地減少了運算量，解決過擬合的問題。

2.2 Alexnet 模型改進

2.2.1 Adam 優化算法

本文在訓練優化中不再使用梯度下降法(SGD)算法，選用Adam(A Method for Stochastic Optimization)算法，Adam 算法是對傳統SGD 的擴展，傳統SGD 保持單一的學習率更新權重，而Adam 算法則是計算了梯度的一階矩估計和二階矩估計而設計自適應學習率。

優點:可以計算每個參數的自適應學習率，迭代速度快，解決無法收斂的問題，高效性，以及內存需求較小。

Adam 參數計算過程為以下四步:

①計算目標函數當前梯度

②計算一階矩和二階矩

③計算下降梯度

④利用下降梯度更新參數

2.2.2 BN 算法

傳統Alexnet 使用局部響應歸一化算(LRN)進行歸一化操作來增強模型的泛化能力和精度，隨著任務復雜度的提升，LRN 算法的提升變得十分有限，實際改善效果有限，本文不再使用LRN 而改用批量歸一化算法(BN)，核心思想就是給定一批次數據，計算其均值和方差來達到特征歸一化的目的，引入可拉伸參數與偏移參數進行修正處理。本文選擇將BN 算法加入到卷積層和激活函數之間。以下是BN 層的前向傳導過程公式:

式中:μB是給定數據集的均值，是給定數據集的方差。

BN 層的優點:①相較于LRN 能加快收斂速度，在優化過程中，更快地走到最優點，防止過擬合。②減少梯度彌散問題和梯度爆炸。③提高網絡的泛化性能。

2.2.3 激活函數

使用Relu 函數作為激活函數，和傳統激活函數[15]相比，具有如下優點:①解決了梯度消失問題；②呈線性關系，降低模型復雜度，計算速度很快，只需判斷輸入是否大于0；③加快了網絡的收斂速度。

Relu 激活函數表達式如下:

2.3 改進的Alexnet 模型及參數選取

優化算法選擇Adam 算法，迭代次數為50 次，損失函數選擇交叉熵損失函數[16]，dropout 率設置為0.5，初始學習率為0.002。

交叉熵(Cross Entropy)損失函數公式如下:

式中:yi表示樣本i的lable，正類為1，負類為0。pi表示樣本i預測為正的概率。

以準確率來評價網絡的性能，定義公式如下所示:

式中:ncorrect為測試集識別正確的樣本個數，n為測試集總個數。

傳統的Alexnet 模型中卷積層使用較大的卷積核，本文為了加快計算速度，減少訓練時長，在此作了改進，統一將卷積核大小改為3×3，。卷積層后加入BN 算法代替傳統的LRN。圖7 所示為改進的Alexnet 模型。

圖7 改進的Alexnet 模型

本文采用改進的Alexnet 網絡模型完成數據集的自動分類，具體流程如圖8 所示。

圖8 流程圖

2.4 網絡構建環境

本文實驗部分使用的計算機配置:Windows 10家庭中文版，AMD 4800H，16G 內存，Nvidia 1650 顯卡，使用使用基于python 的anaconda 科學計算環境，基于Tensorflow2.0 構建AlexNet 深度學習網絡。

2.5 實驗結果

為了驗證改進的Alexnet 網絡的訓練效果，將處理得到的數據集大小統一設置為128×128，并將訓練集圖片順序打亂，避免順序對網絡造成影響，為了體現改進Alexnet 模型的性能，本文將同樣的數據集輸入到改進的Alexnet，傳統的Alexnet 以及常規CNN 網絡進行對比，損失曲線和準確率曲線對比如圖9 所示。各算法準確率統計如表3 所示。

表3 對比網絡訓練數據表

圖9 對比網絡訓練過程圖

分析圖9 可以得到，在輸入相同的數據集下，三種模型的準確率曲線均成上升趨勢，但改進后的Alexnet 模型在相同數據集上具有更高的準確率，當迭代周期達到30 次后，準確率已超過94%，當迭代周期達到50 次時，準確率已達到98%。損失值呈下降趨勢，在迭代周期達到30 次后，損失值已基本趨向于0，得到了穩定的訓練模型。并且可以看到改進后的模型訓練過程具有較快的收斂速度。由此可見該方法具有較好的識別能力和泛化能力。通過對比可以看到，改進的Alexnet 模型在準確率和損失值方面相較于傳統的Alexnet 和CNN 模型具有明顯的優勢。

針對歸一化層，本文對比使用BN 算法和未使用BN 算法兩種情況進行仿真。

由圖10 可知，使用BN 算法后的Alexnet 模型在訓練過程中提高了中間層輸出數值的穩定性，降低了損失值，加快了收斂速度，準確率得到了提高。

圖10 使用BN 算法對比圖

3 結論

本文通過實驗采集了常用家庭負載下的主線路電流信號，并將一維時序電流信號通過STFT 變換得到二維圖像數據集，利用改進的Alexnet 來深度挖掘圖像深層特征，以此進行家用負載電弧的識別。

①通過實驗分別采集了常用家庭負載正常以及發生電弧時的電流數據，并進行分析，通過短時傅里葉變換，將電流數據數據轉為二維時頻圖圖像形式，建立數據集。

②將傳統Alexnet 網絡模型進行改進，使用Adam 算法代替SGD 算法，加入了BN 算法代替傳統模型中的LRN，對網絡數據進行歸一化處理。降低了網絡訓練時長，加快了模型收斂速度。經驗證，該模型的電弧故障識別準確率達到了98%。

③本文改進的Alexnet 相較于常規CNN，傳統的Alexnet，準確率得到提高，損失值得到降低，可以看出改進的模型性能更加優越。