基于贝叶斯网络的微电网故障诊断（基于概率神经网络的串联电弧故障检测）
基于贝叶斯网络的微电网故障诊断（基于概率神经网络的串联电弧故障检测）2.1 特征信号的提取2 基于PNN的电弧故障诊断模型概率神经网络[10]（PNN）是一种可用于模式分类的神经网络，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法。PNN的层次模型是在训练网络时只需要对高斯函数的平滑因子进行经验式统计的估计。在网络工作时，待识别样本由输入层直接模式层各类单元中，完成非线性处理后，再送入求和层中。在求和层中，依照Parzen方法求和估计各类的概率。在决策层中，根据对输入向量的概率估计，将输入向量分别分到具有最大后验概率中的类别中去。在进行故障诊断中，求和层对模式层中同一模式的输出求和，并乘以代价因子；决策层则选择求和层中输出最大者对应的故障模式为诊断结果。当故障模式多于两种时，则求和神经元将增加，概率神经网络可以不断横向扩展。
近年来，由于电气原因造成的火灾数量一直在所有火灾起因中居首位。根据《中国消防年鉴》统计，2004～2013年间全国范围内共发生电气火灾463 045起，占火灾起数的23.8%，且电气原因造成的火灾成上升趋势[1]。
文献[2]通过Cassie模型建立故障电弧模型，运用傅里叶变换提取参数，但其不能反映信号的时域特征。文献[3]建立的模型虽避免了局部最小值问题，但RBF神经网络在识别数目多的情况下误差相比概率神经较大。文献[4]采用BP神经进行识别，但BP识别进行故障诊断收敛速度慢，容易陷入局部最小值问题。文献[5]采用正常的电流波形与可能的故障电弧波形进行比较，有较好的创新性；但很难得出的确切范围来判断。文献[6]用粒子群算法优化了BP算法，识别准确率高，有较大的参考价值。文献[7]采用小波熵进行故障识别，得到了较好的结果。文献[8]通过高频故障分量的有效高频分量，方法经过试验验证也是有效的。文献[9]分析计算10种不同的母小波、10个采样频率、10个分解水平，建立自适应系统来识别故障电弧。
概率神经网络不存在陷入局部最小值问题，训练时间短，分类能力强，故本文采用概率神经网络进行故障诊断，发现识别电气设备其比BP神经网络更为准确有效。
1 概率神经网络理论
概率神经网络[10]（PNN）是一种可用于模式分类的神经网络，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法。
PNN的层次模型是在训练网络时只需要对高斯函数的平滑因子进行经验式统计的估计。在网络工作时，待识别样本由输入层直接模式层各类单元中，完成非线性处理后，再送入求和层中。在求和层中，依照Parzen方法求和估计各类的概率。在决策层中，根据对输入向量的概率估计，将输入向量分别分到具有最大后验概率中的类别中去。
在进行故障诊断中，求和层对模式层中同一模式的输出求和，并乘以代价因子；决策层则选择求和层中输出最大者对应的故障模式为诊断结果。当故障模式多于两种时，则求和神经元将增加，概率神经网络可以不断横向扩展。
2 基于PNN的电弧故障诊断模型
2.1 特征信号的提取
传统电弧故障电流的识别方法[11]分析效果都有一定的局限性。本文采用神经网络识别，而基于神经网络的故障辨识关键是要确定输入量即电流信号的特征值，而小波变换具有空间局部性，能确定奇异值位置。故本文首先对电感性负载和电吹风负载电流信号进行小波分析，将其小波变换的高频系数作为特征输入量，发现小波变换在发生故障电弧时其分解信号的值有明显的改变。电感负载电弧故障电流信号、电吹风负载电弧故障电流信号经过小波分析如图1、图2所示，其中采样点数为2 500个，采样间隔为10 ms，平均2 ms为一周期，其中D1为一层小波分解系数，D2为二层小波分解系数。
由尺度函数的双尺度方程可得：
对不同负载正常运行与故障运行数据进行采集，22 mH电感正常、故障电流信号如图3所示；二挡电吹风热风的正常、故障电流信号如图4所示；手电钻的正常、故障电流信号如图5所示；电磁炉的正常故障电流信号如图6所示。
由图3～图6可知，电弧故障的细节信号能量相对于正常时明显增加。将特征值取为P1、P2[13]，其不同负载电弧故障类型如表1所示。
2.2 故障诊断步骤
运用概率神经网络对故障电弧进行故障诊断分为两个阶段：对所采集的电流数据进行归一化处理，形成训练样本和测试样本；找到合适的spread值对网络进行训练，得到相应的故障模型。
利用得到的故障模型，对测试样本进行测试分析其正确率，得出诊断结果。
2.3 电弧故障诊断模型
特征信号P1、P2作为网络的输入，利用PNN进行故障诊断，输出故障类型，其模型如图7所示。
3 实验训练与测试
对阻感负载、电吹风负载、手电钻负载和电磁炉负载，取各组正常故障各5组数据，共40组学习样本。参照UL 1699标准，通过计算0.5 s内检测到的故障半周期数是否大于8，大于8则判断为电弧故障。通过MATLAB进行BP神经网络分析，取隐含层为15层收敛效果较好。用得到的模型检验剩下40组样本，BP神经网络识别正确率为92.5%。
对于概率神经网络，所用的故障类型代表的不是数的大小而是分类类型，类似于优先分类的次序。测试集识别结果出现数字1、2、3、4就为判断为正常，出现数字5、6、7、8就判断为故障。测试集前20个原本为正常电弧，后20个为故障电弧，发现在识别故障时其值出现了两个4，错判为正常，其识别出现了偏差。概率神经网络故障识别率为95%，识别结果如图8所示。
4 结论
本文以每半周期小波分解得到的两层小波能量为特征输入量，构造了用来检测电弧故障的概率神经网络模型。根据UL 1699标准，通过计算0.5 s内检测到的故障半周期数是否大于8，大于8则判断为电弧故障。利用MATLAB仿真，对40组测试样本进行识别，正确率为95%，高于BP神经网络，说明了概率神经网络电弧故障检测模型的有效性。
参考文献
[1] 吴一羊.电气火灾故障电弧探测技术研究进展[J].建筑电气，2015，34(7)：52-55.
[2] 张春燕.基于电弧模型仿真的电气火灾智能算法分析[D].杭州：浙江大学，2016.
[3] 吕忠，阳世群，高鹏.基于HHT和RBF神经网络的串联故障电弧识别[J].建筑电气，2017，36(7)：45-49.
[4] 李仁豪，黄佳平，马琪.基于BP神经网络的直流电弧故障检测方法[J].工业控制计算机，2018，31(1)：12-13，17.
[5] 王盼盼，吴自然，吴桂初，等.基于时域波形比较法的故障电弧检测算法研究[J].温州大学学报(自然科学版)，2016，37(4)：46-53.
[6] 张士文，张峰，王子骏，等.一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法[J].电工技术学报，2014，29(6)：290-295，302.
[7] 高艳艳，张认成，杨建红，等.采用高频特性的低压电弧故障识别方法[J].电力系统及其自动化学报，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] 张德丰.MATLAB神经网络应用设计[M].北京：工业机械工业出版社，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] 孔玲军.MATLAB小波分析超级学习手册[M].北京：人民邮电出版社，2014.
[13] 刘明才.小波分析及其应用[M].北京：清华大学出版社，2005.
作者信息:
吴丰成，曲 娜，任行浩，许 凯，张鹏辉
（沈阳航空航天大学 安全工程学院，辽宁 沈阳110136）
