PSO优化BP神经网络的串联故障电弧识别方法*

张 扬， 刘艳丽

(辽宁工程技术大学 电气与控制工程学院，辽宁 葫芦岛 125105)

PSO优化BP神经网络的串联故障电弧识别方法*

张 扬， 刘艳丽

(辽宁工程技术大学 电气与控制工程学院，辽宁 葫芦岛 125105)

运用db5小波对故障电弧信号进行4层分解，提取故障频段能量谱作为特征量，建立BP神经网络。用粒子群优化(PSO)算法优化BP神经网络，从而快速准确地对故障电弧特征量进行拟合，用训练后的神经网络对故障电弧进行预测，达到了较好的预测识别效果，验证了该串联型故障电弧识别方法的有效性。

串联故障电弧； db5小波； 能量谱； 粒子群优化(PSO)算法；BP神经网络

0 引 言

在现代电力系统中，触点松动导致的虚连、电缆材料绝缘老化、接线操作不规范等都会导致供电线路中串联型故障电弧的发生。串联型故障电弧的电流的大小受连接的负载限制[1]，电路中的电流通常小于断路器额定电流，在检测过程中不易将其与正常操作电弧相区分。要达到迅速有效的保护，同时防止误动作的发生，就要及时有效对故障电弧进行检测。

BP神经网络已经被广泛用于故障电弧检测应用中，但其收敛速度慢，精度差。因此，本文参照UL1699标准搭建了故障电弧发生装置，分别以灯泡、电钻、电磁炉、电风扇、电脑、三相电机作为负载获取相关电流信号，根据串联故障电弧电流异于正常工作电流特性(产生“零休”现象)，现象发生时产生较强高次谐波的特点，提出运用小波变换对电流信号进行四层分解。将能量谱作为特征量输入到运用粒子群优化(PSO)算法后的BP神经网络进行训练，得到最优权值和阈值参数，将预测数据输入到训练好的系统中进行预测，得到了比较理想的预测效果。

1 故障电弧实验

故障电弧实验原理如图1所示。实验过程中，通过改变负载改变电流大小和波形，通过调节电极间距产生故障电弧，从而测得发生故障电弧时的电压、电流信号波形。

图1 故障电弧实验原理图Fig 1 Principle diagram of fault arc experiments

图2为串联故障电弧实验平台组成框图[2]。

图2 实验平台组成框图Fig 2 Configuration block diagram of experimental platform

2 电流信号数据预处理

电流信号预处理流程图如图3所示。

图3 电流信号预处理流程图Fig 3 Preprocessing flow chart of current signal

2.1 阈值降噪处理

为消除故障电弧特征量提取过程中其他高频噪声信号带来的干扰，在提取之前首先要对电流信号进行阈值降噪处理。应用Matlab中的ddencmp获取电流信号在降噪过程中的默认阈值，利用wdencmp函数，选用db4小波包对信号进行6层分解，对信号进行阀值降噪[3]。以8×200 W灯泡负载情况下的电流信号为例，对降噪前后电流信号进行了对比，如图4所示。

图4 阈值降噪前后电流波形对比Fig 4 Comparison of current waveforms before and after threshold denoising

降噪后，电流波形中的“毛刺”明显减少，但故障电弧产生的“平肩部”特征依然保留完好，达到了去除干扰噪声，保留故障电弧特征信的目的。

2.2 小波变换

检测识别故障电弧即利用故障电弧发生时产生信号的奇异性识别故障电弧。小波变换解决了傅里叶变换面临的时域和频域局部化的矛盾，因而,运用小波变换来提取信号的特征参量是有效的[4]。

本文利用db5小波变换，将故障电弧电流信号4层分解。以8×200 W灯泡负载为例，在线路正常状态下和线路产生故障电弧状态下电流信号的小波分解重构信号如图5、图6所示。

图中可看到，线路中产生故障电弧后会掺杂有较明显高频信号，电流信号经小波变换后的各频段信号不规则程度发生了变化。

2.3 构造能量谱特征向量

小波能量谱能反映各个频段能量在总能量中所占的比例，因此,在故障电弧检测识别中，经小波变换后还要构造能量谱特征向量作为BP神经网络的输入，从而准确识别故障电弧。

本文应用的是db5四层小波分解，能量谱特征向量为

P=[EA4/E,ED4/E,ED3/E,ED2/E,ED1/E]

(1)

式中EAn,EDn,E分别为第n层低频信号能量、第n层高频信号能量、总能量。

图5 灯泡负载正常状态小波细节信号Fig 5 Wavelet detail signal for bulb load under normal conditions

2.4 特征向量归一化处理

在这里采用最大最小法进行向量归一化处理，直接调用Matlab中的自带函数mapminmax即可。

最大最小法函数形式如下

xk=(xk-xmin)/(xmax-xmin)

(2)

式中 xmin为数据序列中的最小值；xmax为序列中的最大值。

归一化结束后，将电流能量谱特征向量分为训练数据和预测数据2组， 训练数据600个，预测数据600个。数据预处理过程得到的电流信号能量谱特征向量分别如表1～表3所示。

图6 灯泡负载故障状态小波细节信号Fig 6 Wavelet detail signal for bulb load under fault conditions

3 故障电弧检测算法的基本原理

通过PSO算法对BP神经网络的初始权值(wij，wjk)和阈值(aj，bk)进行优化使其达到最优，将归一化后的能量谱特征向量作为BP神经网络的输入进行训练，用训练好的神经网络对测试数据进行测试识别[5]。该算法流程图如图7所示。

表1 能量谱特征向量表1Tab 1 Energy spectrum feature vector list 1

表2 能量谱特征向量表2Tab 2 Energy spectrum feature vector list 2

表3 能量谱特征向量表3Tab 3 Energy spectrum feature vector list 3

3.1 BP神经网络结构参数的确定

BP神经网络是一种多层前馈神经网络，在故障电弧的检测过程正是要将线路的正常状态与产生故障电弧的状态区别开，因此，BP神经网络可以应用到故障电弧的检测识别中。

图7 PSO算法优化BP神经网络流程图Fig 7 Flow chart of BP neural network optimizing by PSO algorithm

根据能量谱特征向量表达式(1)可知BP神经网络输入层节点数为n1=number(P)=5。

由于预测结果为线性负载与非线性负载的正常与故障状态，因此,输出层节点数n3=4。工作状态与输出向量对照表如表4所示。

3.2 PSO算法优化BP神经网络

为使BP神经网络能够在较少的电流信号训练数据条件下使网络预测值误差较小，实现较为准确快速的预测，引入PSO对神经网络进行优化。

由BP神经网络结构可知，PSO空间维度D=56+9=65,即65维空间，设定种群规模为30，进化次数为100。

在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下[6]

(3)

(4)

式中w为惯性权重；d=1,2,…,D；i=1,2,…,n；k为当前迭代次数；Vid为粒子的速度；加速度因子c1=c2=1.494 45；r1和r2为分布于[0,1]之间的随机数。

表4 工作状态与输出向量对照表Tab 4 Comparison table of working state and output vector

4 串联故障电弧识别分析

4.1 BP神经网络训练

为了对PSO优化BP神经网络的结果进行评估，本文中对BP神经网络的训练分为以下两种情况：1)取各负载在正常工作和故障电弧两种状态下各50组(共600组)特征向量对未经PSO优化的BP网络进行训练。2)取各负载在正常工作和故障电弧两种状态下各50组(共600组)特征向量对经过PSO优化的BP网络进行训练。图8为PSO优化过程中最优个体适应度变化过程。

图8 最优个体适应度值Fig 8 The optimal individual fitness value

测试方案如表5所示，每类情况各取25组经过预处理且异于训练样本的特征向量作为预测样本输入到经过以上训练的两种BP神经网络，进行预测。

表5 测试方案Tab 5 Test scheme

4.2 测 试

应用随机选取函数在数据预处理后得到的600个预测数据中选取100个输入到2组BP神经网络，对得到的输出向量进行误差率统计分析。

未经粒子群算法优化的BP神经网络，预测误差如图9(a)所示，最大值可达0.7。经PSO优化的BP神经网络，预测误差如图9(b)所示，最大值小于0.08。

图9 BP神经网络预测误差Fig 9 Prediction error of BP neural network

由两图对比可知，经PSO优化后的BP网络预测误差比未优化BP网络预测误差小得多，最大能够缩小10倍，因此更加适合对串联故障电弧进行准确识别检测。

5 结 论

本文结合小波分析、BP神经网络、PSO算法、能量谱等理论提出了一种可以进行故障电弧识别检测的方法。由预测结果可知:故障电弧高频能量谱可以作为故障电弧的特征量，经PSO优化的BP神经网络算法可以更加有效地预测故障电弧的发生。

[1] Muller Peter,Tenbohlen Stefan,Maier Reinhard.Artificial low current arc fault for pattern recognition in low voltage switch-gear[C]∥Proceedings of 55th IEEE Holm Conference on Electrical Contaces,2009:14-20.

[2] UL standard for safety for arc fault circuit interrupters[S].2nd.ANSI UL1699,2008.

[3] 江天炎，李 剑,杜 林,等.粒子群优化小波自适应阈值法用于局部放电去噪[J].电工技术学报，2012,27(5):77-83.

[4] 肖 迁，李文华，李志刚,等.基于改进的小波—BP神经网络的风速和风电功率预测[J].电力系统保护与控制，2014,42(15):80-86.

[5] 程声锋，程小华，杨 露,等.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系统保护与控制，2014,42(19):37-42.

[6] 马修元，段玉锋.基于PSO—BP神经网络的水焦浆管道压降预测[J].中国电机工程学报，2012,32(5):54-60.

Series fault arc identification method based on BP neural network optimized by PSO*

ZHANG Yang， LIU Yan-li

(College of Electrical and Control Engineering,Liaoning Technical University,Huludao 125105,China)

By means of db5 wavelet,fault arc signal is decomposed into four layers,energy spectrum fault frequency band is extracted as characteristic quantity,establish BP neural network.Optimize BP neural network by particle swarm optimization(PSO)algorithm,so as to fastly and accurately fit fault arc characteristic quantity, fault arc is predicted by trained neural network,achieve good recognition effect,verify effectiveness of fault arc recognition method.

series fault arc; db5 wavelet; energy spectrum; particle swarm optimization(PSO)algorithm; BP neural network

10.13873/J.1000—9787(2016)07—0022—04

2015—11—06

国家自然科学基金资助项目(51277090)

TM 501

B

1000—9787(2016)07—0022—04

张 扬(1990-)，男，河北沧州人，硕士研究生，研究方向为矿山智能电器。