电动汽车充电系统串联电弧故障智能识别方法

潘广旭，裴丽伟，李兴玉，王希涛，班云升

（1.国网日照供电公司，日照 276800；2.北京七星华创流量计有限公司，北京 100176）

在“碳中和、碳达峰”目标下，大力发展可再生能源等低碳能源体系，实现新型电力系统的绿色转型，成为能源领域的重要战略方向，其中的电动汽车充电系统应运而生。但随着电动汽车充电系统的发展，系统老化等因素引起的直流电弧问题越来越多。直流电弧不存在自然过零点，一旦产生很难自行熄灭，局部温度可达数千摄氏度，极易造成电气火灾事故，因此对直流电弧故障进行识别和检测十分重要[1]。目前直流电弧故障识别和检测的方法主要分为基于物理特性的检测方法、基于时频域分析的检测方法和基于人工智能的检测方法[2]。

物理特性检测主要依据电弧发生时的辐射信息，研究发现电弧产生阶段能量不稳定，辐射电磁信号幅值小且主要集中在千赫兹频段；进入稳定发展阶段后，电弧能量大且辐射频带集中在兆赫兹范围[3-4]。文献[5]提出一种基于双天线的电弧故障平面定位方法，该方法利用神经网络与接收信号强度指标进行电弧故障位置估计。虽然此类方法利用的物理特性原理简单，但很容易受到外界环境因素影响，因此有学者提出了基于故障电弧电压和电流信号时频域分析的方法。

时域分析检测主要集中于时间序列的特征研究，例如，比较故障前后电压电流基于时间的变化率和电流的平均值等。基于时域的直流串联电弧故障检测算法是利用3个窗口检测电流波形，并提取故障电弧的时域和频域特征作为标准进行电弧故障检测[6]；对相邻两个周期电流幅值差进行小波降噪和归一化处理，由此来检测电弧故障[7-8]。频域分析主要通过时间序列对频率特性的分析，由于在电弧的不同阶段电弧电流高频脉冲出现的频段不同，而现有研究一般主要关注电弧电流起始阶段的频域特征。因此，文献[9]采用滑动离散傅里叶变换对串联直流电弧进行识别，结果显示电弧故障前后滑动离散傅里叶频谱存在明显变化，证明了该算法用于电弧故障识别的可行性；文献[10]基于串联直流电弧的初始电流变化和脉冲-时间模式特征，提出一种直流电弧检测方法。

随着人工智能领域技术的不断发展，有学者开始尝试将该技术应用于故障电弧识别领域，避免了传统阈值法中需要人为设定阈值的局限，并通过模型训练自动建立故障电弧识别边界条件，有效地提高了检测方法的普适性和准确率[11-13]。文献[14]采用分段频谱二次加权方法提取出电弧电流的频域特征及多路信号频谱的相关系数，经实验验证，该方法具有高精度的直流电弧故障识别能力和识别可靠性；文献[15-16]引入机器学习方法进行直流电弧故障检测，通过实验提取正常状态与故障状态下的4 种时域特征和3 种频域特征，利用这些特征训练支持向量机，最终求得直流电弧故障识别模型，经实验证明所提方法可以有效检测直流电弧故障，并具有精度高和方法精简的优势；文献[17]利用一个轻量级传输网络直接从原始互感器采集信号中提取广义故障特征，从而实现电弧故障识别。基于机器学习的直流电弧故障检测方法普遍具有较高的准确辨识率（超过80%），对于不同工况条件具有良好的适应性，检测效果优于传统阈值法。

综上，本文针对电动汽车充电系统串联电弧故障电弧电流小、准确检测困难问题，提出一种基于16层视觉几何群网络VGG16（16-layer visual geometry group network）的电动汽车充电系统串联电弧故障检测模型。研究结果表明，基于VGG16 的电动汽车充电系统串联电弧故障检测模型可以在各类工况下有效检测直流串联电弧故障，具有良好的泛化能力和抗干扰能力。

1 电动汽车充电系统串联故障电弧实验

1.1 实验平台

电动汽车充电系统电弧故障实验平台如图1所示。该实验平台主要由主电路部分和数据采集部分组成，其能有效模拟由于接触不良而产生的电动汽车充电系统串联电弧故障。主电路部分主要包括大功率直流电源、电动汽车充电桩、去耦网络、模块线路阻抗网络、模块和逆变器之间的连接线阻抗及故障电弧发生器等。其中，C1～C3、L1～L3组成去耦网络，用于调节直流电源的输出电容，模拟汽车充电系统直流特性；R3、R4、L4、L5构成线路阻抗网络，模拟80 m的线路，用来模拟充电桩与电源之间的连接线，实验电路各参数如表1所示。数据采集部分主要包括示波器、笔记本电脑及电流互感器；电弧发生位置分别为A1、A2、A3 和A4；为采集到电弧高频特征，设置采样频率为250 kHz。

表1 电动车充电系统直流电弧实验平台元件参数Tab.1 Component parameters of DC arc experiment platform for electric vehicle charging system

图1 电动汽车充电系统电弧故障实验平台Fig.1 Arc fault test platform for electric vehicle charging system

全部实验工况条件如表2所示，各工况下电弧发生位置均处在正母线线路阻抗前（串首）、正母线线路阻抗后、负母线线路阻抗前及负母线线路阻抗后处。

表2 不同实验条件Tab.2 Different load experiment conditions

1.2 数据采集

神经网络训练需要的数据量极其庞大，意味着可能需要进行上千次实验，然而光伏发电系统直流电弧实验单次实验耗时长，每次实验后均需要对电极进行打磨。并且由于实验中电弧维持时间不同，有些情况下只能维持20～40 ms，因此很难采集大量直流电弧数据。除了样本数据量对于神经网络训练影响很大以外，样本数据集质量对网络训练结果影响十分明显，如果样本数据集中各类别数据量不均衡，也容易导致神经网络模型识别精度降低和模型过拟合，故要构建符合神经网络需要的电弧电流频谱数据集。构建过程主要包括对数据标签、数据分割、数据清洗、数据归一化及数据增强5个步骤。

直流串联电弧故障识别属于二分类问题，标签包括“有弧”和“无弧”两类。为减小标签的难度，在数据分割前对数据进行标签。由于同一波形信号中，故障电弧电流波形与正常状态下电流波形在时域上存在明显区别，因此可以利用该特点使用人工标签的方式对电流信号进行分类，将有弧和无弧电流波形区分开，区分过程如图2所示。

图2 利用时域信号标签分类示意Fig.2 Schematic of classification using time-domain signal label

由图2 可知，由于故障电弧电流信号是在不同时间、不同实验中通过人工采集获取，各电弧信号中包含的有弧、无弧状态长度不完全相等，可能在数据分割时出现数据缺失，即分割后某段数据不足10 ms；并且在人工标签数据时也会出现误差，导致10 ms信号内同时包括有弧、无弧两种状态，因此需要对数据进行数据清洗。本文通过人工筛选的方式进行数据清洗，删除不符合要求的数据。经过数据清洗，共获得6 178组数据，其中，有弧2 858组、无弧3 320组，生成频谱图后划分为训练集、验证集和测试集，各类数据集信息如表3所示。电弧故障检测实验包括的4 种电流等级分别为3 A、8 A、8.5 A、15 A，由于数据集总体数据量有限，本实验的数据集中增大了测试集数据比例，目的是为了更好的利用测试集验证模型性能，减少偶然性的影响，提高验证结果的说服力。

表3 电弧电流数据集信息Tab.3 Information about arc current datasets

经过数据预处理后训练数据集的数据量仍十分有限，为了利用有限的数据训练模型，采用数据增强技术提升模型训练效果，该方法可以将有限的数据产生几倍甚至几十倍等价数据。常见数据增强方法主要包括对图片进行随机比例放大和缩小、随机角度旋转及随机位置截取等。数据增强技术主要分为离线增强和在线增强两种，离线增强就是对现有原始数据集进行增强处理后，直接加入到原始数据集中；而在线数据增强则是在训练过程中对每批数据进行增强，不对原始数据集更改。

离线增强技术需要人为控制各类数据增强比例，并保证每次训练中输入一定比例的原始数据，操作较为复杂。因此本文选择在线数据增强技术，在增加数据量的同时，保证样本可控性。采用ImageDataGenerator进行数据增强，在每个批次中对该批样本内数据进行翻转等操作后将样本输送给网络模型。这样便可保证在训练过程中会保持一定的几率使用到原始数据。当训练轮次足够多时，也只是相当于让网络学习到更多样本信息，而不会对网络的训练过程造成不良影响。

2 数据预处理及电弧特征分析

2.1 离散傅里叶变换

故障电弧电流信号波形幅值较小，与正常电流信号的差距难以分辨，并且还存在与某些干扰下电流波形相似的可能。若直接使用时域波形作为识别特征，很容易出现误判，因此需要对直流电弧故障电流进行特征分析[18]。表4给出了离散傅里叶变换、短时傅里叶变换及小波变换3种常见特征分析方法的计算难度、应用限制和能否区分有弧无弧特征的对比情况。

表4 特征分析方法对比Tab.4 Comparison among feature analysis methods

离散傅里叶变换是一种被广泛应用的信号分析方法，可以将直流电弧故障电流信号在频域中离散化，将时域中的采样转换为频域中的采样，从而给出直流电弧故障信号的频域特征。通过时间窗将整个直流电弧故障信号划分成若干个等长小信号可获得信号足够的细节信息，该方法计算简单，技术成熟，应用门槛低，能有效区分有弧、无弧特征，处理结果中只包含频域和幅值信息，对机器学习模型的信息处理能力要求较低；而短时傅里叶变换和小波变换虽然也可以区分有弧、无弧特征，但计算更加复杂，应用门槛较高，处理后结果中同时包含时域、频域及幅值大小3 类信息，对机器学习模型处理信息能力要求更高。综上，本文选择离散傅里叶变换提取故障电弧电流信号特征。

应用离散傅里叶变换原理进行数据信号分析。信号经过离散傅里叶变换后在频域中被离散化，从时域转换到频域，从而实现了频谱特性的研究。假设一个信号x()n为一个长度为N的有限长序列，其表达式为

式中：x(n)为信号序列中第n个信号；N为信号长度。

使用离散傅里叶变换对信号x(n)进行分析，得到x(k)仍为长度为N的有限长序列，变换过程可表示为

式中，x(k)为经过离散傅里叶变换得到的信号序列中第k个信号。

逆变换可表示为

2.2 时间窗选取

如果直接对示波器采集的原始电弧故障信号进行傅里叶变换，会丢失很多微小的电流突变信息，导致频谱不够精准，因此在对故障电弧电流进行特征分析之前，需要确定合理的时间窗对数据进行分割。

窗口大小的选择十分重要，过大或过小的时间窗均会对数据特征分析产生不良的影响。可将傅里叶变换理解为对窗口内的信号分别在各频段取均值，因此窗口越小越能反映信号的细小突变，实时性好，同时也会增加计算负担；而过大的时间窗虽然会减小计算负担，却不能很好反映信号的实时性，同时显示细节的能力也更差一些。为了选择合适的时间窗口，分别采用2 ms、10 ms 及50 ms 时间窗口对同一段8 A 直流电弧故障电流信号进行分析。考虑到实验的安全性和简便性，本文使用互感器采集的信号进行故障电弧识别，但为了尽量地对比有弧、无弧状态下电流频谱的区别，在特征分析中使用电流探头直接采集的电弧电流信号。直流电弧故障信号的高频分量一般分布在40～100 kHz 频段，设定频谱频率范围为1～120 kHz。由分析可知，窗口越小，频谱结果中显示细节越清楚，有弧时电流频谱和无弧时电流频谱之间的特征区别越明显，更有利于网络模型识别；但窗口太小会增加计算量，对硬件的计算能力提出了更高的要求，因此本文选择10 ms时间窗口的电流频谱如图3所示。该频谱在提供区分有弧、无弧的有效特征同时，保证了方案的实际可行性。

图3 窗口大小10 ms 电流频谱Fig.3 Current spectra with 10 ms window

2.3 电弧特征分析

将采集到的直流电弧故障电流信号按照选定10 ms窗口进行分割，并划分为有弧和无弧两类，逐个进行离散傅里叶变换，生成直流电弧故障电流信号频谱。

图4 为不同电流水平下的有弧、无弧电流频谱。由图4 可以看出，在不同电流水平下，经过离散傅里叶变换后有弧、无弧电流频谱均存在较大差异；故障电弧电流频谱在5～60 kHz频段内频谱幅值远大于稳定运行时电流频谱幅值，两者特征区别明显，而其余频段内两者区分度降低。

图4 不同电流水平有弧、无弧电流频谱Fig.4 Arc and non-arc current spectra at different current levels

图5为误脱扣实验中3 A电流水平下逆变器正常工作时最大功率点跟踪太阳能控制器MPPT（maximum power point tracking）突然变化时电流信号频谱。由图5 可以看出，MPPT 变化时的电流频谱与稳定工作时电流频谱的特征较为接近，与故障电弧电流的频谱存在较大差异，在60 kHz频段之后会发生频谱值突然增大的情况，该情况MPPT 变化时电流频谱与故障电弧电流频谱之间存在相似性，会对后续电弧检测造成干扰；在5～60 kHz频段范围内，MPPT电流频谱与故障电弧电流频谱差距较大，因此使用离散傅里叶变换提取特征可以区分MPPT状态与有弧状态。

图5 MPPT 变化时电流信号频谱Fig.5 Current signal spectra when MPPT changes

通过上述分析，使用离散傅里叶变换对电弧故障检测实验中各类工况下所采集的电流信号进行特征提取，生成电流频谱均可有效区分有弧、无弧；且故障电弧电流频谱和另外两种情况下电流频谱之间的区别主要集中在5～60 kHz频段，证明了选择离散傅里叶变换提取故障电弧信号特征的有效性。

3 基于VGG16 的电弧故障检测算法原理分析

3.1 VGG16 网络结构分析

VGG16网络模型识别能力较强，至今仍广泛应用于图像分类及目标检测任务中，其网络结构由多个卷积层和池化层结合相应的激活函数组成网络提取特征部分，再由3个全连接层及Softmax激活函数构成网络分类输出部分[19]。在VGG16 网络结构上卷积层和激活函数联系紧密，即网络不是单独的卷积层与激活函数组成，而是多个卷积层和激活函数组合成卷积模块，并在卷积模块之间进行池化操作构成整个网络，网络结构如图6所示。VGG16网络结构包括13个卷积层、5个最大池化层、3个全连接层和1 个Softmax 激活函数。VGG16 网络的一个最大突破是摒弃了常见的5×5、7×7的卷积核，将卷积层的所有卷积核均替换成步长为1 的3×3 卷积核；池化层也将池化核大小从3×3变为了2×2、步长为2，在示例VGG16网络3个全连接层中，前两层一共包括4 096 个输出通道，第3 层包括1 000 个输出通道，代表1 000 类标签，并且采用Softmax 激活函数。通过这种用较小卷积核代替大卷积核，使VGG16 卷积核增多，扩大了通道数；通过池化缩小了输入图像的宽和高，在增加网络深度的同时，一方面控制了网络参数的规模，另一方面相当于进行了更多的非线性映射，增强了网络的拟合能力[20]。

图6 VGG16 网络结构Fig.6 VGG16 network structure

3.2 基于VGG16 的直流串联电弧检测模型

由第3.1 节中的分析可得基于VGG16 的直流串联电弧检测模型工作流程如图7所示，具体步骤如下。

图7 基于VGG16 的直流串联电弧检测方法流程Fig.7 Flow chart of DC series arc detection method based on VGG16

步骤1 将初始充电系统直流侧电流信号进行离散傅里叶分解，提取频谱特征，调整图像分辨率为224×224。

步骤2进行数据预处理，将数据集划分为训练集、测试集和验证集。

步骤3初始化VGG16网络参数，然后从训练集中提取随机样本，通过前向传播得到网络训练误差；并通过该误差反向传播得到网络修正参数，不断循环使训练误差下降至期望值。

步骤4利用测试集测试训练好的模型，得到测试准确率。

训练VGG16 网络需要提前确定的一个重要参数就是学习率。学习率对卷积神经网络收敛步长和收敛状态均有决定性影响，过大或过小的学习率均不利于网络的训练。当学习率过大时，会导致模型无法有效收敛；当学习率过小时，会导致模型收敛速度变慢甚至导致无法学习，因此需要研究不同学习率对模型训练结果的影响。

在模型中输入相同数据集，并分别设置不同学习率进行训练。选取学习率为0.01、0.000 1、0.000 01三种学习率进行分析。图8给出了学习率由0.000 01开始增加，学习率与损失值及准确率之间的关系。由图8 可以看出，当学习率为0.000 1 时，模型在15次迭代后基本进入稳定状态，损失值可下降到0.1以内，而准确率也可达到95%以上；在30 次迭代过程中，模型可以达到理想状态，有效提高了网络模型训练速度，节约了训练时间，因此选择0.000 1 作为VGG16 原始模型及后续改进模型的学习率。选取学习率为0.000 1，使用包含全部工况的训练数据集对VGG16 网络模型进行训练，由曲线趋势可以看出，模型整体收敛状态平稳，验证集与训练集准确率曲线趋势始终保持一致，没有出现过拟合和欠拟合等情况。完成训练后模型训练集准确率可达98.45%，验证集准确率可达98%，达到较好的直流电弧故障识别能力，证明了数据集和模型的可行性。

图8 直流电弧故障检测模型损失值、准确率变化曲线Fig.8 Curves of loss value and accuracy for DC arc fault detection model

4 实验验证及结果分析

4.1 电弧故障检测实验

为了验证不同电流水平下模型检测故障电弧的能力，使用测试集对模型进行测试。测试集中每种电流水平下有弧、无弧类别分别包括200 组数据，标签分别为有弧和无弧。利用测试集输入训练好的电动汽车充电系统串联电弧检测模型，进行实验验证，验证结果如图9所示。由图9可知，不同电流水平下故障检测准确率不完全相同，并且误判在有弧、无弧两类间分布也不平衡，主要原因是不同电流水平下故障电弧电流频谱分布存在差别；从总体上看各类电流水平下有弧、无弧检测准确率均达到98%以上。结果表明，本文所提模型可以有效检测出不同电流水平下的直流串联电弧故障，具有良好的泛化能力。

4.2 误脱扣实验

除了电弧故障检测实验之外，还需要误脱扣实验来验证模型的抗干扰能力。本文所使用负载为逆变器，由于实际中遮挡和天气变化等因素会导致光照强度变化，因此在光照强度改变情况下MPPT变化是逆变器常见工作情况之一，此时线路中电流电压根据MPPT 调整规律进行波形变化，可能会造成模型误判。使用MPPT调整电弧电流测试集进行实验验证，实验结果如图10所示。由图10可知，在200组数据中有4组MPPT变化状态被误判为有弧，这是由于MPPT变化时频谱和稳定运行状态频谱虽然相似，但仍存在着一定细微差距，对检测结果造成了干扰。虽然有误判情况发生，但训练模型在总体上可以有效区别，测试集准确率为98%，实验表明模型对于MPPT具有较强的抗干扰能力。结果表明了本文提出的基于原始VGG16 网络的直流串联电弧故障检测模型在各类工况下准确率均能达到98.00%以上，并具有良好的抗干扰能力。

5 结 语

本文提出一种基于VGG16 的直流串联电弧故障检测方法。采用分辨率为224×224 的故障电弧电流频谱数据集输入网络进行训练，为验证该模型对不同工况下故障电弧的检测能力，使用各工况测试集对模型进行测试，识别准确率均可达到98%以上，结果表明基于VGG16 的直流串联电弧检测模型可以在各工况下有效检测出直流串联电弧故障，并拥有良好的抗干扰能力。