基于小波包变换、残差卷积神经网络的电弧故障检测方法

本发明涉及一种基于小波包变换、残差卷积神经网络的电弧故障检测方法，属于电弧故障检测领域。

背景技术：

0、技术背景

1、民用低压配电系统的长期运行会导致电弧故障，电弧故障产生的高温极易引发火灾，从而导致严重的人员伤亡和财产损失。并联电弧故障能够在线路中产生过电流，可通过常规断路器进行保护。串联电弧故障相当于线路中阻抗的引入，会导致电流的轻微降低。串联电弧故障具有很强的随机性和隐蔽性，传统断路器很难实现对串联电弧故障的保护。因此，准确、快速地检测串联电弧故障对维护民用低压配电系统的安全稳定运行具有重要意义。

2、通过分析电磁辐射信号、声音信号和光信号的检测方法要求检测器靠近故障位置。基于电流信号的检测方法不受检测器位置的限制，并且易于实现，是当今研究的重点。一些学者通过设置从电弧电流信号中提取的特征的固定阈值来实现电弧故障检测。然而，基于阈值的串联电弧故障检测方法很容易受到工作条件的影响，而且在实际应用中很难设置合适的阈值。

3、如今，越来越多的学者应用机器学习方法来融合多种类型的特征，以适应不同的工作条件。joshua等人基于离散傅里叶变换、梅尔频率倒谱系数和离散小波变换从电流信号中提取不同类型的特征，将这些特征输入神经网络以实现串联电弧故障检测。有研究者使用随机森林分析特征的重要性，并将具有高重要性值的特征输入神经网络分类器。有研究者基于随机共振方法实现特征增强，并分别提取了7.8-15.6khz和39.1-46.9khz的功率振幅和值，以构建特征向量，并采用支持向量机作为分类器。有研究者从分数傅里叶变换获得的时频谱中提取奇异值，作为支持向量机分类器的输入。

4、然而，上述基于机器学习的方法有两个缺点：1)手工提取的特征依赖于专业背景经验，且难以全面包含故障信息；2)分类器的结构较浅，无法准确表示特征与故障类型之间的复杂非线性关系。

5、当前，具有更深网络结构的深度学习方法被用于直接处理电弧电流，以自动学习潜在的抽象故障特征，由此可以保证高检测精度和优异的泛化能力。卷积神经网络是最具代表性的深度学习框架，其中卷积核模拟仿生视觉机制，可以学习输入空间中的各种局部信息。同时，加权共享机制有利于降低卷积神经网络的复杂性卷积神经网络被用于直接处理电弧电流，避免了以上手工提取特征方法的主观性，利用该方法可以有效地提取深层抽象故障特征，并保证在线串联电弧故障检测的快速性，但传统卷积神经网络的训练过程易存在过拟合问题。有研究者将残差学习引入到卷积神经网络中，以削弱训练过程中的过度拟合现象，并提高检测精度。还有研究者将电弧电流的时域序列和频谱能量序列同时用作残差卷积神经网络的两个单独通道的输入。但仅仅将原始将电流时域信号或频域信号作为残差卷积神经网络的输入，分布于不同频带中的故障信息会相互干扰，从而对检测性能带来负面影响。

6、深度学习方法显示出强大的特征提取能力，可以高精度地检测串联电弧故障。然而，目前用于串联电弧故障检测的深度学习方法存在三个缺陷：1)仅将原始电流信号或频谱能量序列作为深度学习模型的输入，包含于不同频带中的故障信息的重叠增加了深度学习模型特征提取的难度；2)上述深度学习模型在训练过程中存在泛化能力不足和过度拟合现象；3)以上基于卷积神经网络的检测结果是基于softmax分类器获得的，但softmax分类器的分类能力有限。

技术实现思路

1、为解决上述问题，本发明提供了一种基于小波包变换、残差卷积神经网络的电弧故障检测方法，能够实现电弧故障特征的自适应提取，并提升电弧故障检测的准确度，避免正常线路的虚警。

2、为实现上述发明目的，本发明具体采用如下技术方案：

3、步骤1)：在正常情况下和电弧故障情况下采集电路中的电流信号数据；

4、步骤2)：将电流信号数据分割为样本数据，然后将样本数据标准化，并对每个样本标注相应的标签；

5、步骤3)：将采集到的样本数据划分为训练集与测试集；

6、步骤4)：基于小波包变换将训练集与测试集中每个样本数据进行分解，得到多个一维小波包分量，然后将一维小波包分量转换为二维矩阵；

7、步骤5)：将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入，对残差卷积神经网络进行训练；

8、步骤6)：训练集样本数据对应的二维矩阵输入至残差卷积神经网络后，可得到高维故障特征，利用训练集样本数据对应的高维故障特征训练支持向量机；

9、步骤7)：残差卷积神经网络和支持向量机训练完毕后，将测试集样本数据对应的二维矩阵输入至残差卷积神经网络后，得到高维故障特征，再将该高维故障特征输入到支持向量机，得到检测结果即测试集样本数据检测标签；

10、步骤8)：通过对比测试集样本数据的检测标签与实际标签，可对检测结果进行评估。

11、作为优选，步骤1)中，基于100khz的采样频率，每次采集2025个连续的数据点。

12、作为优选，步骤2)中，将每个样本数据按照公式(1)进行标准化：

13、

14、其中，xi为样本数据中第i个数据点,x′i为归一化后的数据点。min(xi)为样本数据中最小值，max(xi)为样本数据中最大值。

15、作为优选，步骤4)中，利用小波包变换对电流信号进行n层分解(n根据实际应用需求可调整)，得到2n个1维小波包分量，能够将包含于不同频带的故障成分解耦。

16、作为优选，利用权重截断式矩阵构造法将1维小波包分量转换为2维矩阵，权重截断式矩阵构造法相比于hankel矩阵构造法具有更高的计算效率，权重断式矩阵构造法相比于传统截断式构造法能够使构造出的矩阵聚焦于关键故障信息，降低冗余信息对检测结果的干扰。权重截断式矩阵构造法如公式(2)所示：

17、

18、式中，un×m表示小波分量中第m×n个数据点，n＝int(len/m)，int(·)为向下取整运算，len为一维小波分量的长度,{λ1,λ2,…,λn}为不同矩阵行向量的权重系数。

19、为求取权重系数，首先需计算矩阵行m第j个行向量mj＝[u(j-1)m+1,u(j-1)m+2,…,ujm]与归一化电流信号对应时间片段信号nj＝{x′(j-1)m+1,x′(j-1)m+2,…,x′jm}之间的归一化皮尔森相关系数，mj与nj的归一化皮尔森相关系数pearson(j)的计算方法如公式(3)所示

20、

21、其中，和分别为nj和mj的平均值，和分别为nj和mj的标准差。

22、然后对mj对应的pearson(j)按公式(4)进行归一化处理可得到λj

23、

24、作为优选，将步骤4)得到的二维矩阵通过不同的通道直接输入至残差卷积神经网络，以获取深层次抽象故障特征，避免了手动提取特征的主观性。残差卷积神经网络的结构包含三个卷积模块以及一个全连接层，每个卷积模块包括卷积层、批标准化层、池化层以及relu激活层；第一个卷积层和第二个卷积层的输出分别通过池化层，连接至第三个卷积层的输出，基于两个残差学习结构可同时从不同空间尺度下挖掘电弧故障特征，如公式(5)所示。

25、作为优选，残差卷积神经网络的结构包含三个卷积模块以及一个全连接层，每个卷积模块由卷积层、批标准化层、池化层以及relu激活层，第一个卷积模块对应卷积核的大小为(6×6)，第二个卷积模块和第三个卷积模块对应卷积核的大小为(3×3)。全连接层的输入层和输出层神经元个数分别为2800和200。本发明采用两个残差连接的结构，即第一个卷积层和第二个卷积层的输出分别通过池化层，连接至第三个卷积层的输出，以挖掘不同卷积尺度下的特征。

26、作为优选，基于所述残差卷积神经网络的两个残差学习结构可同时从不同空间尺度下挖掘电弧故障特征，如公式(5)所示：

27、nnin＝outconv3+pool(outconv2)+pool(outconv1) (5)

28、式中，nnin为全连接层的输入，outconv3为第三个卷积层的输出，outconv2为第二个卷积层的输出，outconv1为第一个卷积层的输出，pool(·)为池化算子。

29、作为优选，步骤5)残差卷积神经网络的训练过程中采用softmax分类器作为分类器，具体训练步骤为：将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入，残差卷积神经网络将输出的故障特征输入softmax分类器进行多分类；直至反向传播过程达到最大迭代次数时，停止训练；训练完成后的残差卷积神经网络执行参数冻结操作，将训练后的残差卷积神经网络参与至支持向量机的训练过程。

30、作为优选，步骤5)中，利用softmax分类器配合残差卷积神经网络执行训练过程。残差卷积神经网络训练完成后，softmax分类器不参与后续步骤。后续步骤利用支持向量机替代softmax分类器，以获得更准确的诊断结果。

31、作为优选，支持向量机的核函数采用高斯核函数形式，如公式(6)所示

32、

33、式中，δ2为核函数参数.ec,c∈{1,2,…,c}和e*分别是训练集和测试集对应的特征，c为训练集样本个数。

34、本发明有益效果在于：

35、1、本发明利用小波包变换将原始电流分解为不同频段对应的多个小波分量，对不同频段的故障信息进行解耦，从而减弱不同分量故障信息之间的相互干扰。然后利用权重截断式矩阵构造法将这些小波包分量快速转换成二维矩阵，通过不同的通道输入残差卷积神经网络。相比于传统电弧故障检测方法，本发明的方法可以使残差卷积神经网络更容易学习到隐藏在时频域动态特性中的多层次关键故障信息，且避免了手动提取特征的主观性。

36、2、本发明提出的权重截断式矩阵构造法不仅能实现快速的矩阵变换，同时通过对矩阵中每行向量设置相应的权重值，能够使后续的残差卷积神经网络聚焦于重要性强的故障信息，有利于降低残差卷积神经网络的训练难度并提升检测准确度。

37、3、在卷积神经网络中引入两个残差结构单元，将不同卷积块的输出链接到全连通层，有利于不同空间尺度下丰富的故障信息的学习。此外，该机制可以降低训练过程中过拟合的风险，提高串联电弧故障检测的准确性。

38、4、本发明采用支持向量机代替残差卷积神经网络的softmax分类器，与softmax分类器相比，支持向量机具有更强的稳定性和泛化能力。残差卷积神经网络与支持向量机的结合可以进一步提高电弧故障检测性能。