VGGNet检测矿井供电漏电应用研究

李同同，满正行，赵少芳，金洪德

(1.西北民族大学 数学与计算机科学学院，甘肃 兰州 730030；2.西北民族大学 动态流数据计算与应用实验室，甘肃 兰州 730030；3.黑龙江科技大学 电气与控制工程学院，黑龙江 哈尔滨 150022)

0 引言

矿井下供电系统一般选用中性点不直接接地，这种供电方式通常来说其零序阻抗比较大，因而当系统出现漏电故障时，故障电流比较小，也称为小电流接地方式.我国的低压矿井下供电方式，绝大部分选用中性点不接地，即中性点绝缘[1-3]，这种供电方式会发生单相、两相及三相接地故障，使系统对地绝缘电阻值降低到阀值.由于矿井生产环境条件差，这些故障会引发矿井严重安全事故，引起瓦斯或者粉尘爆炸，漏电电流导致电气雷管爆炸，造成人身伤害、烧毁生产设备等严重事故，由此可见漏电电流的危害性[4]，而及时发现漏电支路，可以保证矿井安全生产作业[5-6].在我国大多数煤炭矿井的电网中，多数变压器采用中性不接地方式运行[7].近年来，面向矿井漏电检测保护措施有开关系统[8-9]、选线方法[10]等措施对漏电进行检测与保护.传统检测漏电需要人工定时，耗时耗力且效率底下，而如何利用人工智能技术自动检测并判断矿井漏电故障已成为矿井安全保护的重点问题.

随着深度学习技术的不断发展，神经网络在图像分类、图像分割和目标检测等任务中展现出良好的智能性与竞争力.卷积神经网络作为深度学习的典型代表，在计算机视觉领域展示了其优良性能[11].

本文基于MATLAB对漏电数据特征进行仿真，并将其转为波形图像数据.借助深度学习方法对漏电故障波形图进行识别分类.本文基于经典卷积神经网络模型VGG-Net研究并构建不同层数的VGG-Net分类器进行波形图分类,仿真得到漏电故障波形图，这种波形图在漏电检测中具有较高的准确率与稳定性.

1 研究基础

1.1 附加直流理论

当供电系统发生漏电故障时，其特征表现为绝缘电阻显著下降.当系统发生单相漏电时，系统就相当于并联了一个阻值不大的电阻，如图1所示，将整个电网的绝缘电阻值降到一个较低的数值.此网络附加的直流电路线路为：附加直流源的正极端子到地，流经漏电电阻回到母线，再经零序电抗器、三相电抗器、直流继电器到达负极端子.当电网出现单相漏电时，系统在附加直流的作用下漏电电阻值变得极小，其结果造成直流电流较大增加，通过比较直流电大小就能够判断出电网绝缘电阻值是否发生变动，进而判定电网是否存在漏电故障.这种选漏方法保护范围比较广，并且对整个供电单元能够起到电容电流补偿效果，但它的保护并不具有选择性，保护装置起动时间比较久.

图1 附加直流源漏电保护原理图

1.2 附加直流源系统单相漏电分析

1.2.1 附加直流系统电路图

矿井下供电系统一般为全电缆电路，在现实矿井供电网络中要综合考虑线路电阻、电感，对地绝缘电阻以及对地电容.若线路较短，可以忽略线路电阻和电感，只需考虑对地绝缘电阻与对地电容.因此在本文矿井供电系统发生单相漏电模型中，搭建三线矿井供电系统模型L1、L2与L3，并设置第一条支路发生单相漏电，其余为正常支路.图2中US为附加的直流电压源，LK为零序电抗器，SK为三相电抗器，Ra为限流电阻，Cn为隔直电容，C和R各自为电网对地电容值与对地电阻值.为使附加直流矿井系统更容易分析，令电网中各相对地电容与对地电阻值各自相等，即各相对电容满足Ca1=Cb1=Cc1=C1、Ca2=Cb2=Cc2=C2、Ca3=Cb3=Cc3=C3；各相对电阻满足Rr1=Rr1=Rr1=R1、Rr2=Rr2=Rr2=R2、Rr3=Rr3=Rr3=R3.

由图2可知，附加直流源系统运行时，由于系统附加了直流源，导致直流在电网中始终存在.当系统发生单相接地故障时，不论是稳态还是暂态过程，附加直流系统所提供的直流电流都不能流过电容Cn与对地电容Ck.同时，电网发出的直流对于正常支路来说只能通过附加直流源的正极端子流向各个支路的对地电阻，再流回系统母线.而对于出现故障支路的直流电流部分直接由接地电阻流回系统母线，附加直流源发出的直流电流部分集合在母线，再经母线流向零序电抗器三与相电抗器，最终流回附加直流源系统的负极端子.

1.2.2 交流系统单相接故障电流

本文采用瞬时对称分量法对暂态附加直流系统单相故障进行探讨[8]，在交流作用下对图2建立瞬时暂态时序网络模型.图中隔直电容Cm只起到隔离直流的作用.为更加符合实际矿井系统模型，设其值要远远高于对地电容(在本电网模型可以忽略不计)，模型简化如图3.

图2 附加直流供电系统图

图3 交流系统下零序网络

1.2.3 正常支路零序电流

由图3可知，在交流系统作用下正常支路绝缘电阻和对地电容的零序电流最终流入大地，也就是正常的对地零序电流，表达式如公式(1)：

(1)

其中，iopg为正常支路p交流作用下的零序电流值，U10为零序电压，Rp和Cp分别为正常支路下第p条支路的绝缘电阻与对地电容值.

稳态值为：

(2)

根据式(1)可推出暂态分量iopt为：

(3)

正常支路在交流作用下零序电流为：

(4)

1.2.4 故障支路零序电流

故障支路在交流作用下的零序电流可分为两个部分：一部分为正常支路交流机理下的零序电流，另一部分为流经零序电抗器交流下的零序电流iL0，其值为：

(5)

因此在交流作用下故障支路零序电流为：

(6)

2 附加直流漏电系统仿真

本文针对380V附加直流源的矿井低压供电系统发生单相接地故障进行仿真，搭建3回出线的附加直流矿井供电模型，通过设置是否单相接地，仿真出故障与正常波形(图4).

图4 附加直流矿井漏电仿真模型

其中，图4右上角“Powergui”模块可以显示系统稳定状态的电流、电压及电路(电感电流和电容电压)所有的状态变量值，可为研究人员提供电能图形界面.

仿真设置支路L1发生单相接地故障，故障初相角为0°，接地电阻设置为500 Ω，发生单相漏电时，三相不平衡产生了零序电压.如果系统中构造回路，会导致零序电流在系统中产生.在发生单相漏电后，可产生明显的暂态过程，此过程含有丰富的高频信号，可以看出漏电支路上暂态零序电流的幅值大小高于正常支路.图5为仿真得到的系统单相接地故障与正常波形数据.

图5 系统单相接地故障(a)与正常波形(b)

3 基于VGGNet的分类实验及结果

深度学习作为人工智能领域的一个重要分支，在计算机视觉、目标检测等任务中发挥着重要的作用.卷积神经网络作为深度学习的重要方法，在图像分类、图像分割等任务中表现出强大的竞争力.针对传统人工检测接地故障方法耗时长、效率低等问题，为进一步提高面向单相接地故障波形图与正常波形图的识别精度，本文提出基于卷积神经网络的单相接地故障与正常波形图的分类识别.

3.1 数据集扩展

为了提升模型的泛化能力，本文提出面向单相接地故障与正常波形图的数据集扩展.考虑到数据集为仿真得到的波形图，且单相接地波形图中漏电支路上暂态零序电流的幅值大小高于正常支路，由此可知，在波形图中存在着重要的数据特征，无法直接基于传统的数据增强方式进行数据扩展.针对波形图特征，本文在保存其特征的情况下提出随机数据平移和随机数据镜像等数据集扩展方式.

随机数据平移：数据平移是像素级上进行数据扩展.在波形图中将图像进行随机上下、左右α的平移.本文α取值范围为(5,30)，此操作不仅保留了数据特征，还有效地对数据集进行了扩展.设定任意空间坐标(x0,y0)先沿X轴平移tx，再沿Y轴平移ty，最终得到坐标(x1,y1)=(x+tx,y+ty).平移矩阵公式为(9).

(7)

其中xo,yo为初始图片像素值，x1,y1为进行平移操作后的像素值.

随机数据镜像：考虑到波形图的对称性，本文提出面向波形图数据的镜像扩展.将波形数据进行随机上下、左右镜像，从而达到像素级的数据增强操作.公式(10)给出镜像过程.

(8)

其中w为原图像的宽度，xi、yi为原始图片像素值，xo、yo为镜像之后的像素数值.图6为数据扩展效果图.

a.故障波形原图;b.左右平移扩展;c.水平镜像扩展

将仿真得到的数据集作为原始数据集Dataset1，并进行扩展得到扩展数据集Dataset2.本文将单相接地故障波形视为Positive类，将正常波形视为Negative类，实验数据概况如表1所示.

表1 本文实验数据概况

3.2 基于VGG-Net的分类器

自首个CNNs(Convolutional Neural Networks,CNNs)模型LeNet[13]成功应用于手写体数字识别以来，深度学习技术在计算机视觉领域发挥着重要作用，CNNs依靠其卷积、池化层组合进行高纬度特征提取，在图像分类领域展现出巨大的优势.VGG-Net[14]由牛津大学计算机视觉组和谷歌旗下DeepMind团队共同研发提出.近几年，随着硬件设备的飞速发展，VGG-Net及其变种在各种图像分类任务中表现出强大竞争力.因其深度不同，通常有VGG11-Net、VGG13-Net、VGG16-Net等不同模型.本文数据量较小，为避免因模型层数加深导致模型性能退化，精确度降低.在参考传统的VGG-Net模型基础上，本文定义构建浅层的VGG-Net模型VGG4-Net、VGG7-Net用于单相接地故障与正常波形图分类判别.

3.2.1 VGG4-Net模型

VGG4-Net由2层3×3的卷积层、1层2×2的最大池化层和2层全连接层构成.其中不同层卷积核个数为64、128.模型输入数据为1024×512的3通道图像，经过2层3×3的卷积层实现不同层的提取特征．再通过最大池化层实现下采样，降低数据维数，最后由全连接层进行分类识别，模型结构见表2.

3.2.2 VGG7-Net模型

与VGG4-Net模型结构类似，VGG7-Net模型包含4层3×3的卷积层、2层2×2的最大池化层和3层全连接层.不同层卷积核个数分别为64、64、128和128.在2层卷积层以后进行最大池化，再经过2层卷积层进一步提取特征，并由一层最大池化层进行下采样，通过全连接层进行特征识别，进行单相接地故障与正常波形图的分类判别，具体模型结构见表2.

3.2.3 VGG11-Net，VGG16-Net模型

VGG11-Net，VGG16-Net是经典模型[14].VGG11-Net包含8层卷积层，3层全连接层；VGG16-Net包含13卷积层，3层全连接层.在本实验中，实验数据尺寸为1024×512的3通道图像，由卷积层、池化层的组合进行特征提取及降维，最后由全连接层进行特征识别并进行特征分类，具体模型结构见表2.

表2 VGGNet模型结构

3.3 实验结果及评价

实验主要面向仿真得到的单相接地故障与正常波形图数据集Dataset1及扩展数据集Dataset2，验证并评价本文构建的分类器在Dataset2数据集中的分类性能.

3.3.1 实验设计

为获得数据的真实性，本文在实验数据准备阶段进行仿真并进行数据标记.根据标记结果，验证分类器扩展数据集Dataset2的分类性能并进行实验评估.使用表4的评判指标进行实验评估.

表3 混淆矩阵

True Positive (TP)：标记为单相接地故障类的图像被模型正确判别为单相接地故障类图像.

True Negative (TN)：标记为正常类图像块被模型正确判别为正常类图像.

False Positive (FP)：标记为正常类的图像块被模型错误判别为单相接地故障类图像.

False Negative (FN)：标记为单相接地故障类的图像块被模型错误判别为正常类图像.

基于上述定义，可得以下性能评价指标：准确度Acc、精确度Pre、召回率Rec、F-1Score如下：

(9)

(10)

(11)

(12)

Acc为总样本中识别正确的样本所占的比率；Pre为在识别出的样本中TP所占的比率；Rec为测试集中所有正样本样例中被正确识别为正样本的比例；F-1为此时视召回率和精确率都很重要，且权重相同.

本文将实验数据集随机选取作为训练集和测试集，且训练集和测试集的比例为7︰3.为了保证实验的稳定性与可信性，将实验进行10次，把10次结果的均值作为本次实验的最终结果.

实验环境为Inter(R) Core(TM)i7-6700，深度学习框架为TensorFlow 2.0.模型训练和测试过程中，优化器选取SGD，学习率设为0.001、Batch设为32、Epoch设为300.

3.3.2 实验结果

本文将仿真获得的单相接地故障与正常波形图进行标记，并进行数据扩展.基于经典深度学习模型VGG-Net构建浅层序列化模型并进行训练.表4是VGG-Net系列模型在扩展数据集Dataset2上的性能，图7是VGG-Net系列模型的训练过程图.

表4 VGG-Net系列模型在扩展数据集Dataset2上的性能

图7 VGG-Net系列模型的训练过程

由表4、图7得出：对于扩展后的波形数据集，使用VGG-Net系列模型可以有效识别出单相接地故障波形图与正常波形图.本文提出的浅层模型VGG7-Net分类效果要优于经典深层VGG-Net的分类性能，其中Acc、Pre、Roc、F-1分别达到0.976 8、0.990 8、0.966 5、0.978 5.

由表4中混淆矩阵可以得出：VGG7-Net的召回率高，且由图7可以看出该模型收敛也较快，即模型可以更好地将故障波形识别出来.虽然VGG16-Net召回率为1.000，但是随着模型层数的加深，模型性能开始下降，出现梯度弥散现象，最终将其归为一类，使得模型丧失了分辨能力.

综上可得，基于VGG7-Net识别单相接地故障波形图与正常波形图具有一定的可行性与可靠性.

4 结论

本文针对智能化矿井漏电保护，搭建模拟矿井生产环境的MATLAB模型进行仿真，得到矿井系统单相接地故障与正常波形数据.通过经典卷积神经网络模型构建故障波形分类器进行分类识别，以达到利用计算机技术自动检测是否发生单相接地故障的目的.在进行实验训练与测试时，先对波形数据集进行有效数据集扩展，并基于VGG7-Net模型进行分类判别.由实验结果可得，VGG7-Net可对波形图进行有效自动判别，在矿井供电漏电检测中具有一定的可靠性和可行性.