文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.181663
中文引用格式： 吳豐成，曲娜，任行浩，等. 基于概率神經(jīng)網(wǎng)絡(luò)的串聯(lián)電弧故障檢測[J].電子技術(shù)應(yīng)用，2018，44(12)：65-68.
英文引用格式： Wu Fengcheng，Qu Na，Ren Xinghao，et al. Detection of series arc fault based on probabilistic neural network[J]. Application of Electronic Technique，2018，44(12)：65-68.
0 引言
近年來，由于電氣原因造成的火災(zāi)數(shù)量一直在所有火災(zāi)起因中居首位。根據(jù)《中國消防年鑒》統(tǒng)計(jì)，2004～2013年間全國范圍內(nèi)共發(fā)生電氣火災(zāi)463 045起，占火災(zāi)起數(shù)的23.8%，且電氣原因造成的火災(zāi)成上升趨勢[1]。
文獻(xiàn)[2]通過Cassie模型建立故障電弧模型，運(yùn)用傅里葉變換提取參數(shù)，但其不能反映信號(hào)的時(shí)域特征。文獻(xiàn)[3]建立的模型雖避免了局部最小值問題，但RBF神經(jīng)網(wǎng)絡(luò)在識(shí)別數(shù)目多的情況下誤差相比概率神經(jīng)較大。文獻(xiàn)[4]采用BP神經(jīng)進(jìn)行識(shí)別，但BP識(shí)別進(jìn)行故障診斷收斂速度慢，容易陷入局部最小值問題。文獻(xiàn)[5]采用正常的電流波形與可能的故障電弧波形進(jìn)行比較，有較好的創(chuàng)新性；但很難得出的確切范圍來判斷。文獻(xiàn)[6]用粒子群算法優(yōu)化了BP算法，識(shí)別準(zhǔn)確率高，有較大的參考價(jià)值。文獻(xiàn)[7]采用小波熵進(jìn)行故障識(shí)別，得到了較好的結(jié)果。文獻(xiàn)[8]通過高頻故障分量的有效高頻分量，方法經(jīng)過試驗(yàn)驗(yàn)證也是有效的。文獻(xiàn)[9]分析計(jì)算10種不同的母小波、10個(gè)采樣頻率、10個(gè)分解水平，建立自適應(yīng)系統(tǒng)來識(shí)別故障電弧。
概率神經(jīng)網(wǎng)絡(luò)不存在陷入局部最小值問題，訓(xùn)練時(shí)間短，分類能力強(qiáng)，故本文采用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，發(fā)現(xiàn)識(shí)別電氣設(shè)備其比BP神經(jīng)網(wǎng)絡(luò)更為準(zhǔn)確有效。
1 概率神經(jīng)網(wǎng)絡(luò)理論
概率神經(jīng)網(wǎng)絡(luò)[10]（PNN）是一種可用于模式分類的神經(jīng)網(wǎng)絡(luò)，其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來的一種并行算法。
PNN的層次模型是在訓(xùn)練網(wǎng)絡(luò)時(shí)只需要對(duì)高斯函數(shù)的平滑因子進(jìn)行經(jīng)驗(yàn)式統(tǒng)計(jì)的估計(jì)。在網(wǎng)絡(luò)工作時(shí)，待識(shí)別樣本由輸入層直接模式層各類單元中，完成非線性處理后，再送入求和層中。在求和層中，依照Parzen方法求和估計(jì)各類的概率。在決策層中，根據(jù)對(duì)輸入向量的概率估計(jì)，將輸入向量分別分到具有最大后驗(yàn)概率中的類別中去。
在進(jìn)行故障診斷中，求和層對(duì)模式層中同一模式的輸出求和，并乘以代價(jià)因子；決策層則選擇求和層中輸出最大者對(duì)應(yīng)的故障模式為診斷結(jié)果。當(dāng)故障模式多于兩種時(shí)，則求和神經(jīng)元將增加，概率神經(jīng)網(wǎng)絡(luò)可以不斷橫向擴(kuò)展。
2 基于PNN的電弧故障診斷模型
2.1 特征信號(hào)的提取
傳統(tǒng)電弧故障電流的識(shí)別方法[11]分析效果都有一定的局限性。本文采用神經(jīng)網(wǎng)絡(luò)識(shí)別，而基于神經(jīng)網(wǎng)絡(luò)的故障辨識(shí)關(guān)鍵是要確定輸入量即電流信號(hào)的特征值，而小波變換具有空間局部性，能確定奇異值位置。故本文首先對(duì)電感性負(fù)載和電吹風(fēng)負(fù)載電流信號(hào)進(jìn)行小波分析，將其小波變換的高頻系數(shù)作為特征輸入量，發(fā)現(xiàn)小波變換在發(fā)生故障電弧時(shí)其分解信號(hào)的值有明顯的改變。電感負(fù)載電弧故障電流信號(hào)、電吹風(fēng)負(fù)載電弧故障電流信號(hào)經(jīng)過小波分析如圖1、圖2所示，其中采樣點(diǎn)數(shù)為2 500個(gè)，采樣間隔為10 ms，平均2 ms為一周期，其中D1為一層小波分解系數(shù)，D2為二層小波分解系數(shù)。
由尺度函數(shù)的雙尺度方程可得：
對(duì)不同負(fù)載正常運(yùn)行與故障運(yùn)行數(shù)據(jù)進(jìn)行采集，22 mH電感正常、故障電流信號(hào)如圖3所示；二擋電吹風(fēng)熱風(fēng)的正常、故障電流信號(hào)如圖4所示；手電鉆的正常、故障電流信號(hào)如圖5所示；電磁爐的正常故障電流信號(hào)如圖6所示。
由圖3～圖6可知，電弧故障的細(xì)節(jié)信號(hào)能量相對(duì)于正常時(shí)明顯增加。將特征值取為P1、P2[13]，其不同負(fù)載電弧故障類型如表1所示。
2.2 故障診斷步驟
運(yùn)用概率神經(jīng)網(wǎng)絡(luò)對(duì)故障電弧進(jìn)行故障診斷分為兩個(gè)階段：對(duì)所采集的電流數(shù)據(jù)進(jìn)行歸一化處理，形成訓(xùn)練樣本和測試樣本；找到合適的spread值對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的故障模型。
利用得到的故障模型，對(duì)測試樣本進(jìn)行測試分析其正確率，得出診斷結(jié)果。
2.3 電弧故障診斷模型
特征信號(hào)P1、P2作為網(wǎng)絡(luò)的輸入，利用PNN進(jìn)行故障診斷，輸出故障類型，其模型如圖7所示。
3 實(shí)驗(yàn)訓(xùn)練與測試
對(duì)阻感負(fù)載、電吹風(fēng)負(fù)載、手電鉆負(fù)載和電磁爐負(fù)載，取各組正常故障各5組數(shù)據(jù)，共40組學(xué)習(xí)樣本。參照UL 1699標(biāo)準(zhǔn)，通過計(jì)算0.5 s內(nèi)檢測到的故障半周期數(shù)是否大于8，大于8則判斷為電弧故障。通過MATLAB進(jìn)行BP神經(jīng)網(wǎng)絡(luò)分析，取隱含層為15層收斂效果較好。用得到的模型檢驗(yàn)剩下40組樣本，BP神經(jīng)網(wǎng)絡(luò)識(shí)別正確率為92.5%。
對(duì)于概率神經(jīng)網(wǎng)絡(luò)，所用的故障類型代表的不是數(shù)的大小而是分類類型，類似于優(yōu)先分類的次序。測試集識(shí)別結(jié)果出現(xiàn)數(shù)字1、2、3、4就為判斷為正常，出現(xiàn)數(shù)字5、6、7、8就判斷為故障。測試集前20個(gè)原本為正常電弧，后20個(gè)為故障電弧，發(fā)現(xiàn)在識(shí)別故障時(shí)其值出現(xiàn)了兩個(gè)4，錯(cuò)判為正常，其識(shí)別出現(xiàn)了偏差。概率神經(jīng)網(wǎng)絡(luò)故障識(shí)別率為95%，識(shí)別結(jié)果如圖8所示。
4 結(jié)論
本文以每半周期小波分解得到的兩層小波能量為特征輸入量，構(gòu)造了用來檢測電弧故障的概率神經(jīng)網(wǎng)絡(luò)模型。根據(jù)UL 1699標(biāo)準(zhǔn)，通過計(jì)算0.5 s內(nèi)檢測到的故障半周期數(shù)是否大于8，大于8則判斷為電弧故障。利用MATLAB仿真，對(duì)40組測試樣本進(jìn)行識(shí)別，正確率為95%，高于BP神經(jīng)網(wǎng)絡(luò)，說明了概率神經(jīng)網(wǎng)絡(luò)電弧故障檢測模型的有效性。
參考文獻(xiàn)
[1] 吳一羊.電氣火災(zāi)故障電弧探測技術(shù)研究進(jìn)展[J].建筑電氣，2015，34(7)：52-55.
[2] 張春燕.基于電弧模型仿真的電氣火災(zāi)智能算法分析[D].杭州：浙江大學(xué)，2016.
[3] 呂忠，陽世群，高鵬.基于HHT和RBF神經(jīng)網(wǎng)絡(luò)的串聯(lián)故障電弧識(shí)別[J].建筑電氣，2017，36(7)：45-49.
[4] 李仁豪，黃佳平，馬琪.基于BP神經(jīng)網(wǎng)絡(luò)的直流電弧故障檢測方法[J].工業(yè)控制計(jì)算機(jī)，2018，31(1)：12-13，17.
[5] 王盼盼，吳自然，吳桂初，等.基于時(shí)域波形比較法的故障電弧檢測算法研究[J].溫州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，37(4)：46-53.
[6] 張士文，張峰，王子駿，等.一種基于小波變換能量與神經(jīng)網(wǎng)絡(luò)結(jié)合的串聯(lián)型故障電弧辨識(shí)方法[J].電工技術(shù)學(xué)報(bào)，2014，29(6)：290-295，302.
[7] 高艷艷，張認(rèn)成，楊建紅，等.采用高頻特性的低壓電弧故障識(shí)別方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28(6)：49-55.
[8] Yang Kai，Zhang Rencheng，Xu Renhao，et al.Detection of arc fault based on frequency constrained independent component analysis[C].Precision Engineering Measurements and Instrumentation，SPIE Proceedings，2015.
[9] Pan Qi，LEZAMA J，JOVANOVIC S，et al.Adaptive real-time DWT-based method for arc fault detection[C].ICEC 2014，Proceedings of The 27th International Conference on Electrical Contacts，2014.
[10] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：工業(yè)機(jī)械工業(yè)出版社，2011.
[11] Wang Bin，Ni Jiang，Geng Jianzhao，et al.Arc flash fault detection in wind farm collection feeders based on current waveform analysis[J].Journal of Modern Power Systems and Clean Energy，2017，5(2)：211-219.
[12] 孔玲軍.MATLAB小波分析超級(jí)學(xué)習(xí)手冊(cè)[M].北京：人民郵電出版社，2014.
[13] 劉明才.小波分析及其應(yīng)用[M].北京：清華大學(xué)出版社，2005.
作者信息:
吳豐成，曲 娜，任行浩，許 凱，張鵬輝
（沈陽航空航天大學(xué) 安全工程學(xué)院，遼寧 沈陽110136）