基于小波变换及深度神经网络的故障电弧检测方法研究

【摘要】：随着人民生活水平的提升,低压交流配电系统中的电气设备越来越多,给生活带来便利的同时,电气火灾事故时有发生。而由供电线路或设备绝缘保护层老化破损、电气接触不良等原因产生的串联故障电弧是造成电气火灾的主要原因。若不能及时切除线路或设备中的串联故障电弧,故障可能进一步发展蔓延,严重时发生大面积停电、火灾、爆炸等恶性事件,产生不可预估损失。为探索全面且完善的解决方案,本文提出了一种基于小波变换及深度神经网络的串联故障电弧检测方法。参照GB14287.4-2014标准,本文搭建串联故障电弧实验平台,采集了纯阻性负载、纯感性负载、阻感性负载及非线性负载下的正常工作电流和串联故障电弧发生时的故障电流,共21600个信号;结合小波变换理论,对比分析不同小波基函数和分解层数对故障辨识的影响,从中选出sym8小波基函数对采集的电流信号进行3层分解,求取单支重构信号的各层系数作为故障特征矩阵,并将特征矩阵以5:1的比例分为训练集和测试集。对深度神经网络理论进行研究,搭建了用于串联故障电弧辨识的深度神经网络模型。将小波变换提取的故障特征矩阵输入模型进行训练,并从激活函数、学习率及批次大小三个方面优化模型参数。测试结果表明,将小波变换和深度神经网络用于串联故障电弧检测具有99.19%的辨识准确率,能够很好地区分正常电流和故障电流。数据集之外的400个电风扇测试样本验证了模型具有较强的泛化能力,通用性好。为实现对每类正常样本和故障样本进行有效辨识,重新标记数据集,将其分为8类。重新标记的训练集被送进深度神经网络训练,得到81.78%的测试准确率。为此,通过增加网络层数改进模型的多分类能力。对比测试辨识效果后发现,11层网络的辨识效果比16层和19层网络要好,总体准确率为91.58%。通过增加dropout和局部响应归一化,将11层模型的总体准确率提升到93.03%。研究结果证明,改进模型不仅能辨识出样本属于正常状态还是故障状态,还能辨识出是由哪类负载引起,具有比较理想的串联故障电弧检测效果。