杨图强
（三明市计量所，三明 365000）
隐蔽性和潜伏性是故障电弧最显著的特点［1］，严重的故障电弧将导致电气设备损坏，甚至引发电气火灾［2］。
线路故障存在金属性短路故障和电弧故障，过载保护装置可有效防止短路故障。电弧故障具有小且不易识别的特征，极易造成继电保护失效、不动作或不及时动作，其危害性较金属性短路故障大。
因此如何正确识别电弧故障成为业界亟须解决的难题。
针对性地研究用电设备集成化和智能化电气系统中的时域特征和频域特征，提出AI ＋神经网络的数字化故障电弧识别方案，可实现故障电弧发生危害前及时进行识别，对电气设备的研制和电气系统的安全运行具有重要意义［3］。
电弧是电路中能量释放的必要途径，电弧分为正常电弧和故障电弧。
生活、工作中遇到的通、断电源，电器插拔瞬间或使用过程产生的瞬时电光，通常视为正常电弧。
故障电弧是因空气击穿放电引起的。
绝缘皮破损、端子接触不良、线缆压裂、弯折、紫外线辐射造成绝缘材料老化以及动物的啃咬等造成的绝缘皮破裂、连接器和电缆扭结等因素均可能产生故障电弧。
低压故障电弧类型如图1 所示，按产生的方式可分为并联电弧、串联电弧和对地电弧三类。
相线与中性线或相线之间产生的电弧故障为并联电弧故障，串联电弧是连接点之间的不紧密连接造成的连接性电弧故障［4］，相线和大地或设备外壳等接地点之间产生接地电弧故障则为对地电弧。
图1 不同类型低压故障电弧原理示意图Fig.1 Parallel，Series and ground arc fault
对线路中的电压电流信号进行不间断监视，比对分析电弧故障信号特征，可有效识别故障电弧的类型。
故障电弧检测最重要一环是对故障信号特征进行分析。
对不同类型的电弧故障，采用不同的检测手段，识别线路上的电压电流波形特征可以有效检测和识别并联、串联电弧故障。
检测线路漏电流可有效识别检测接地电弧故障［5］。
4.1 并联故障电弧
电压电流受负载影响的程度非常小，并联电弧故障的电弧特征比较明显。
但实际线路运行过程中并联电弧故障受电流幅值、高频噪声、波形“零区”、电流上升速度等不同因素的影响，电流波形发生较大改变。
因此单一的电弧特征检测技术，难以准确判别并联电弧故障，建议利用系统集中分析，综合多种电弧特征，有效进行识别。
4.2 串联故障电弧
串联电弧故障发生时，电弧回路存在负载，故障电弧的电流幅度比并联电弧低［6］，故障电弧随着负载类型的变化而变化。
统计发现，绝大部分故障电弧与正常负载电流差别较大，小部分串联故障电弧与正常负载电流特征类似，准确识别此类故障电弧固有的特征存在较大难度。
3.3 对地故障电弧
对地电弧故障其泄漏电流特征明显，检测相线与中线的电流矢量和是否超限值即可准确识别对地电弧故障，故对地电弧故障的识别相对并联电弧故障和串联电弧故障而言，更为简单可靠。
传统故障电弧识别方案采用单一、相关性弱的结构化数据和易干扰的模拟器件判别，阈值判别简单，处理性能低效，稳定性和适应性较差，面对大数据量时，模型难以应对［7］。
传统的低压故障电弧检测方法采样范围有限，采样范围＜20 M，运算能力有限，单核通用芯片限制了其算法模型，不支持智能优化和扩展［8］，无法准确可靠地区别正常负载和故障电弧。
以调光器的故障电弧识别为例，正常电流与故障电弧电流波形特征对比图如图2 所示。
波形图显示其正常工作电流和电弧故障电流基本一致，极易产生电弧漏判、误判。
究其原因在于采用的是Msps 级低频信号提取技术，信息量不充分，未运用运算能力高的专用高速硬件处理单元，抗干扰能力不足。
图2 正常电流与故障电弧电流波形特征对比图Fig.2 Comparison of waveform characteristics of normal current and fault arc current
基于用电线路中高频出现的高次谐波信号、电流波形“零区”、电流幅值周期性变化、电流的上升速度非恒定、高频信号分量较大等典型特征，结合高性能专用芯片与异构计算及AI 智能技术，提出智能专用数字化故障电弧识别方案。
6.1 整体方案
方案依托于专用芯片技术及多传感器高速高精度采样，结合边缘计算、异构计算等数字化处理手段，完成AI 智能判别和处理整个过程，方案的架构如图3 所示。
图3 数字化故障电弧识别方案架构图Fig.3 Architecture of digital fault arc identification scheme
多传感器高速采集环境影响因素、高采样率原始数据、多传感器数据、多通道时频域特征等内容丰富、相关性强且随机复杂的非结构化数据，在百兆级频率特性分析和丰富的特征提取算法的支撑下，结合高速硬件处理单元，利用DSP 加速AI 处理，可更准确、及时的提取电弧特征。
此识别方案数据采集信息丰富，判别性能越好，具备覆盖范围广、高精度、高稳定性、强适应性等优势。
6.2 电弧故障识别特征分析
故障电弧状态的识别特征包括时域特征和频域特征，其中时域特征主要有零休时间、电流周期性、电流变化速率、电流平均值的绝对值等，频域特征主要包括谐波因数、总谐波畸变率、子带能量比、频率质心等［9］。
由于特征取值易受负载种类的影响，可根据不同的负载种类和线路状态，针对不同的特征影响利用电流周期积分、快速傅里叶变换等对应的算法进行分析和评估。
电弧故障识别的特征识别图如图4 所示。
图4 电弧故障识别的特征识别图Fig.4 Characteristic identification diagram for arc fault identification
6.3 专用芯片与多核异构
为了应对大数据量的运算和建模，故障电弧专用芯片必须具备较高的性能和资源，方案提出内部配备百MHz ADC 单元、高速DSP 单元、神经网络算法单元、电弧检测单元、高速红外单元等专用单元。融专用芯片与人工智能算法于一体，形成一个完整的异构计算系统，在云端训练神经网络，最后通过边缘设备对海量数据之间的关联和特征进行推断。专用芯片与多核异构的原理结构如图5 所示。
图5 专用芯片与多核异构的原理结构图Fig.5 Principle and structure of ASIC and multi⁃core heterogeneous
6.4 AI ＋神经网络算法
6.4.1 卷积神经网络模型
输入到输出的映射是卷积神经网络模型的核心，在没有精确函数算式的情况，可通过已知的模式识别出正确的映射关系［10］。
卷积神经网络模型采用梯度下降算法，由多个神经单元组成的分层Logistic 回归模型，通过频繁的迭代训练提高网络的精度，卷积层、池化层和全链接层共同构成卷积神经网络结构［11］，卷积层和子采样层通过卷积滤波器由多个神经单元提取组合输入的特征，运用回归算法向量机对特征图进行分类处理，神经模型结构示意图如图6 所示，算法模型图如图7 所示。
模型公式如式（1）：
图6 卷积神经网络模型结构示意图Fig.6 Structure diagram of convolutional neural network model
图7 卷积神经网络算法模型图Fig.7 Model diagram of convolution neural network algorithm
式中：h——输出结果；
x——输入参数；
W——模型矩阵。
6.4.2 卷积网络执行
卷积网络运算分为正向传输运算、反向传输运算和迭代回归运算三个步骤。
第一步为正向传输运算：系统提取样本输入网络前向传播，给出卷积核的个数、维度、填充、步幅等参数和各层的神经元数和激活函数的类型，由输入层经过逐级的变换传送到输出层，计算中间层输出向量和对应的网络实际输出向量［9］。
第二步是反向传输运算：将运算得到的输出向量与目标向量进行比对分析，计算中间层和输出层的实际输出与对应的理论输出的偏差，得出各权值和阈值的调整量。
最后进行迭代回归运算：根据传输运算结果调整对应的权值和阈值，按照极小化误差的方法对权值和阈值矩阵进行调整。
多次迭代回归后各个权值和阈值均达到稳定状态，分类器稳态生成，指标满足要求，将权值和阈值保存到特定文件集中。
6.4.3 模拟验证
以调光器的故障电弧识别为例，采用模拟电弧实测方式进行故障识别验证，测试图如图8 所示。硬件电弧发生器符合UL1699：AFCI（美国标准：故障电弧断路器），其静止电极为直径8 mm 的碳－石墨棒，（ϕ8 mm）作为静止电极铜棒，（ϕ3 mm）为移动电极，调光器为可控硅调光器，测试系统由主回路、触发回路、控制回路和反馈系统等组成。
图8 调光器的故障电弧测试试验框图Fig.8 Block diagram of fault arc test of dimmer
验证方法：运用AI ＋神经网络的数字化故障电弧识别方案对电流波形特性进行提取识别，通过计算机系统对采样的电流信号进行处理，首先初始化神经网络中所有权值和偏置参数；
其次运用前向传播算法运算至输出层；
再将softmax 函数带入输出层处理，求出损失函数；
对（W，b）反向传播求损失函数对各项权重或者偏置的偏导，更新卷积核的权值和偏置；
最后基于梯度下降对权重和偏置进行更新，算法如式（2）：
式中：W——所有权值；
b——偏置参数；
J——损失函数。
一次计算后，返回至前向传播算法，重新向下计算运行直至损失函数小于我们的预设值。
经过数字化卷积运算后，最终得到的故障电弧电流波形如图9 所示。
图9 调光器的故障电弧电流波形特征数字化识别波形图Fig.9 Waveforms of digital recognition of fault arc current waveform characteristics of dimmer
对实测波形图进行必对分析，基于调光器的故障电弧的高频特征，与特征库进行波形比对，图9呈现了电流波形不规则的抖动，电流幅值在不同工频、不同周期下亦产生明显区别，可完全区分正常工作电流和电弧故障电流。
基于故障电弧固有特征以及不同的负载下电弧波形特征的的随机性及复杂性，传统故障电弧识别方案受限于采样范围、运算能力和算法模型，难以准确可靠地识别故障电弧。
基于AI ＋神经网络的数字化故障电弧识别方案，重视多维度特征提取技术的应用，突破性地构建卷积神经网络模型，让AI 更有效地从不同维度上提取信号特征的有效信息。
通过模型的不断调整和完善，可在故障电弧检测领域发挥优势，提升故障电弧识别水平，使电弧判别更加智能与可靠。
本方案在实际应用中，应注重多种负载数据的采集，以作为优化神经网络模型的训练数据，提高整体识别性能。
猜你喜欢电弧波形运算基于时域波形掩护的间歇采样干扰对抗研究电子技术与软件工程(2022年6期)2022-07-07重视运算与推理，解决数列求和题中学生数理化(高中版.高考数学)(2022年1期)2022-04-26电弧沉积TiSiN涂层的制备工艺研究陶瓷学报(2021年4期)2021-10-14基于Halbach阵列磁钢的PMSM气隙磁密波形优化防爆电机(2020年4期)2020-12-14三丝焊接参数对电弧形态特征的影响上海交通大学学报(2020年7期)2020-08-03有趣的运算数学小灵通(1-2年级)(2020年6期)2020-06-24用于SAR与通信一体化系统的滤波器组多载波波形雷达学报(2018年5期)2018-12-05全新迈腾B7L车喷油器波形测试汽车维护与修理(2018年9期)2018-10-31“整式的乘法与因式分解”知识归纳中学生数理化·八年级数学人教版(2017年2期)2017-03-25航空电气系统中故障电弧的分析电子制作(2017年22期)2017-02-02