0 引言

    近年來，由于電氣原因造成的火災數量一直在所有火災起因中居首位。根據《中國消防年鑒》統計，2004～2013年間全國范圍內共發生電氣火災463 045起，占火災起數的23.8%，且電氣原因造成的火災成上升趨勢^[1]。

    文獻[2]通過Cassie模型建立故障電弧模型，運用傅里葉變換提取參數，但其不能反映信號的時域特征。文獻[3]建立的模型雖避免了局部最小值問題，但RBF神經網絡在識別數目多的情況下誤差相比概率神經較大。文獻[4]采用BP神經進行識別，但BP識別進行故障診斷收斂速度慢，容易陷入局部最小值問題。文獻[5]采用正常的電流波形與可能的故障電弧波形進行比較，有較好的創新性；但很難得出的確切范圍來判斷。文獻[6]用粒子群算法優化了BP算法，識別準確率高，有較大的參考價值。文獻[7]采用小波熵進行故障識別，得到了較好的結果。文獻[8]通過高頻故障分量的有效高頻分量，方法經過試驗驗證也是有效的。文獻[9]分析計算10種不同的母小波、10個采樣頻率、10個分解水平，建立自適應系統來識別故障電弧。

    概率神經網絡不存在陷入局部最小值問題，訓練時間短，分類能力強，故本文采用概率神經網絡進行故障診斷，發現識別電氣設備其比BP神經網絡更為準確有效。

1 概率神經網絡理論

    概率神經網絡^[10]（PNN）是一種可用于模式分類的神經網絡，其實質是基于貝葉斯最小風險準則發展而來的一種并行算法。

    PNN的層次模型是在訓練網絡時只需要對高斯函數的平滑因子進行經驗式統計的估計。在網絡工作時，待識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方法求和估計各類的概率。在決策層中，根據對輸入向量的概率估計，將輸入向量分別分到具有最大后驗概率中的類別中去。

    在進行故障診斷中，求和層對模式層中同一模式的輸出求和，并乘以代價因子；決策層則選擇求和層中輸出最大者對應的故障模式為診斷結果。當故障模式多于兩種時，則求和神經元將增加，概率神經網絡可以不斷橫向擴展。

2 基于PNN的電弧故障診斷模型

2.1 特征信號的提取

    傳統電弧故障電流的識別方法^[11]分析效果都有一定的局限性。本文采用神經網絡識別，而基于神經網絡的故障辨識關鍵是要確定輸入量即電流信號的特征值，而小波變換具有空間局部性，能確定奇異值位置。故本文首先對電感性負載和電吹風負載電流信號進行小波分析，將其小波變換的高頻系數作為特征輸入量，發現小波變換在發生故障電弧時其分解信號的值有明顯的改變。電感負載電弧故障電流信號、電吹風負載電弧故障電流信號經過小波分析如圖1、圖2所示，其中采樣點數為2 500個，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，D₂為二層小波分解系數。

    由尺度函數的雙尺度方程可得：

    對不同負載正常運行與故障運行數據進行采集，22 mH電感正常、故障電流信號如圖3所示；二擋電吹風熱風的正常、故障電流信號如圖4所示；手電鉆的正常、故障電流信號如圖5所示；電磁爐的正常故障電流信號如圖6所示。

    由圖3～圖6可知，電弧故障的細節信號能量相對于正常時明顯增加。將特征值取為P₁、P₂^[13]，其不同負載電弧故障類型如表1所示。

2.2 故障診斷步驟

    運用概率神經網絡對故障電弧進行故障診斷分為兩個階段：對所采集的電流數據進行歸一化處理，形成訓練樣本和測試樣本；找到合適的spread值對網絡進行訓練，得到相應的故障模型。

    利用得到的故障模型，對測試樣本進行測試分析其正確率，得出診斷結果。

2.3 電弧故障診斷模型

    特征信號P₁、P₂作為網絡的輸入，利用PNN進行故障診斷，輸出故障類型，其模型如圖7所示。

3 實驗訓練與測試

    對阻感負載、電吹風負載、手電鉆負載和電磁爐負載，取各組正常故障各5組數據，共40組學習樣本。參照UL 1699標準，通過計算0.5 s內檢測到的故障半周期數是否大于8，大于8則判斷為電弧故障。通過MATLAB進行BP神經網絡分析，取隱含層為15層收斂效果較好。用得到的模型檢驗剩下40組樣本，BP神經網絡識別正確率為92.5%。

    對于概率神經網絡，所用的故障類型代表的不是數的大小而是分類類型，類似于優先分類的次序。測試集識別結果出現數字1、2、3、4就為判斷為正常，出現數字5、6、7、8就判斷為故障。測試集前20個原本為正常電弧，后20個為故障電弧，發現在識別故障時其值出現了兩個4，錯判為正常，其識別出現了偏差。概率神經網絡故障識別率為95%，識別結果如圖8所示。

4 結論

    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，構造了用來檢測電弧故障的概率神經網絡模型。根據UL 1699標準，通過計算0.5 s內檢測到的故障半周期數是否大于8，大于8則判斷為電弧故障。利用MATLAB仿真，對40組測試樣本進行識別，正確率為95%，高于BP神經網絡，說明了概率神經網絡電弧故障檢測模型的有效性。

參考文獻

[1] 吳一羊.電氣火災故障電弧探測技術研究進展[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智能算法分析[D].杭州：浙江大學，2016.

[3] 呂忠，陽世群，高鵬.基于HHT和RBF神經網絡的串聯故障電弧識別[J].建筑電氣，2017，36(7)：45-49.

[4] 李仁豪，黃佳平，馬琪.基于BP神經網絡的直流電弧故障檢測方法[J].工業控制計算機，2018，31(1)：12-13，17.

[5] 王盼盼，吳自然，吳桂初，等.基于時域波形比較法的故障電弧檢測算法研究[J].溫州大學學報(自然科學版)，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網絡結合的串聯型故障電弧辨識方法[J].電工技術學報，2014，29(6)：290-295，302.

[7] 高艷艷，張認成，楊建紅，等.采用高頻特性的低壓電弧故障識別方法[J].電力系統及其自動化學報，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神經網絡應用設計[M].北京：工業機械工業出版社，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小波分析超級學習手冊[M].北京：人民郵電出版社，2014.

[13] 劉明才.小波分析及其應用[M].北京：清華大學出版社，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 安全工程學院，遼寧 沈陽110136）