基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究.pdf

第51 卷 第13 期 电力系统保护与控制电力系统保护与控制 Vol.51 No.13 2023年7 月1 日 Power System Protection and Control Jul.1,2023 DOI:10.19783/ki.pspc.221564 基于高频重构信号与 Bayes-XGBoost 的低压电弧 故障辨识方法研究 罗 晨1，喻 锟1，曾祥君1，仝海昕1，慕静茹1，谢志成2，邓 军2(1.电网防灾减灾全国重点实验室(长沙理工大学)，湖南 长沙 410114；2.中国南方电网有限责任公司超高压输电公司，广东 广州 510663)摘要：针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题，提出一种基于高频重构信号和Bayes-XGBoost 的低压电弧辨识方法。首先，搭建多支路、多负载类型的低压电弧故障真型实验平台，并采集相关数据。其次，基于故障前后主线路电流高频信号变化规律，提出信号微弱变化叠加法重构故障有效信号。最后，建立适用于单个负载支路电弧故障辨识的 XGBoost 模型，并采用 Bayes 算法对模型多个超参数进行优化。实验结果表明，所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与 6 种主流故障分析方法对比，所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性，有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。关键词：低压系统；XGBoost；支路电弧故障；特征提取；信号重构 Low voltage arc fault identification method based on high frequency reconstructed signal and Bayes-XGBoost LUO Chen1,YU Kun1,ZENG Xiangjun1,TONG Haixin1,MU Jingru1,XIE Zhicheng2,DENG Jun2(1.National Key Laboratory of Disaster Prevention and Reduction for Power Grid(Changsha University of Science and Technology),Changsha 410114,China;2.Extra-High Voltage Transmission Company of CSG,Guangzhou 510663,China)Abstract:There is a problem of difficult identification of series arcing faults in single power-using load branches in low-voltage distribution systems.Thus a low-voltage arc identification method based on high-frequency reconstructed signals and Bayes-XGBoost is proposed.First,a multi-branch,multi-load type LV arc fault true type experimental platform is built and relevant data is collected.Second,based on the main line current high frequency signal change law before and after a fault,the signal weak change superposition method is proposed to reconstruct the effective signal of the fault.Finally,an XGBoost model for single load branch arc fault identification is established,and the Bayes algorithm is used to optimize several hyperparameters of the model.The experimental results show that the proposed method has a high accuracy in identifying arc faults in a single load branch in a variety of operating scenarios.In comparison with the six mainstream fault analysis methods,the proposed method shows significant advantages in terms of accuracy,training speed and generalizability.The proposed method is useful for the reliable identification of arcing faults in single load branches of LV distribution systems.This work is supported by the National Natural Science Foundation of China(No.52037001 and No.52207125).Key words:low voltage systems;XGBoost;branch circuit arc faults;feature extraction;signal reconstruction 0 引言 随着国民经济水平的不断发展，居民用电需求 基金项目：国家自然科学基金项目资助(52037001，52207125)；湖南省自然科学基金项目资助(2022JJ50187)；湖南省教育厅项目资助(22A0231)；湖南省研究生科研创新项目资助(CX20220858)显著提高，但同时也使得用电安全隐患随之增长1。线路老化、绝缘破损、接线端子松动、线路长期过负荷运行等原因导致的电弧故障现象频发，而电弧故障一旦发生，其弧隙温度可高达 30004000，且常伴随有金属熔融喷溅物，极易引燃周围可燃物，导致电气火灾发生，给人们的生命及财产安全带来巨大威胁2-4。然而，电弧故障因具有较强的随机性、隐蔽性，在故障初期及故障持续期间，均难以被有-92-电力系统保护与控制电力系统保护与控制 效感知5。因此，快速、准确地实现电弧故障辨识有利于对其进行及时处理，降低事故率，提高居民用电安全系数。目前，针对低压系统故障电弧辨识的研究主要分为基于物理现象和基于电气数据分析等两个不同角度。基于电弧故障物理现象的检测方法大多采用热、光电、声、红外等几个特征6-10。文献11通过电晕、阳光、手电筒光、灯光及电弧故障弧光等一系列光源进行传感实验研究，研制了一种基于弧光单一判据的开关柜内部电弧故障检测装置。文献12根据电弧故障发生前弧声信号主要集中在 510 kHz的特点，建立混沌检测系统判断是否存在弧声，提出一种基于混沌理论的电弧故障早期检测方法。这些方法虽然能够较好地实现故障电弧的检测，但存在成本高、应用场景受限等缺点，无法广泛应用于低压用电场景。基于电气数据分析的辨识方法大多根据电弧机理，提取故障前后电流、电压及功率等电气数据的频域与数学统计量特征值，结合人工智能模型进行电弧故障辨识13-17。文献18通过理论推导出负载电流波形畸变的全相位频谱特征产生机理，并提取实验负载的全相位频谱特征量，结合深度学习模型实现对不同负载的电弧故障辨识。文献19针对传统线路保护装置存在对电弧故障的误判和漏判等问题，提出一种基于支持向量机的故障电弧辨识方法。文献20针对非典型负载发生电弧故障时难以检测的问题，提出一种基于 BP 神经网络与电流特征融合的故障电弧辨识方法。以上基于电气数据分析的方法均达到了较高准确率的辨识效果，但其考虑的只是不同类型单负载或是多负载运行工况下主线路发生电弧故障时的辨识问题，而实际生活用电场景中的故障电弧断路器则需在多个负载多条支路运行工况下，通过主线路电气参数实现任意支路电弧故障的辨识。此外，还需考虑开关开断、插头插拔及非线性负载启停等干扰因素对实现电弧故障精准辨识的影响。因此，在多负载运行工况下，通过主线路电流信号实现任意支路电弧故障的快速精准辨识，更有利于解决生活实际问题。为解决以上问题，本文针对 220 V/50 Hz 低压单相家庭用电系统，搭建电弧故障真型实验平台，并获取多支路不同类型负载工况下的正常与电弧故障数据。从而进行波形特性、高频信号及多维特征量分析，采用叠加信号微弱变化的方法，得到支路电弧故障发生时主线路的故障有效信号。通过提取故障多维特征，解决了不同负载正常和电弧状态下，因单一特征重叠导致的故障漏判与误判问题。进而提出基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法。最后通过测试数据集对所提方法进行深度测试，证明了该方法的有效性和泛化能力。并通过多模型对比分析，体现了本文所提方法在时间、精度及泛化能力等方面的优越性。1 混淆性负载电弧故障特性分析 1.1 实验平台搭建与数据采集 为获取多支路不同类型负载工况下的电压与电流数据，研究支路电弧故障发生时的主线路电流波形特性，本文搭建了多负载支路电弧故障实验平台，接线示意图如图 1 所示。该平台可在不同负载类型随机组合的工况下，模拟任意负载支路电弧故障情况。为使实验与真实低压电弧故障场景更加贴近，选取吹风机(阻性)、电磁炉及手电钻(感性)和可控硅电子调节器(非线性)等多种类型常见的负载，分别组合接成双回路、三回路及四回路工况进行多次电弧故障实验。负载接入方案如表 1 所示。图 1 多负载支路电弧故障实验平台接线示意图 Fig.1 Wiring diagram of multi-load branch arc fault experimental platform 表 1 支路数量与故障设置 Table 1 Number of branches and fault settings 实验组别试验负载 支路数 故障支路 1 电磁炉、电子调节器 2 电磁炉 2 电磁炉、手电钻、吹风机 3 吹风机 3 电磁炉、电钻、吹风机、电子调节器 4 电子调节器4 电磁炉、电钻、吹风机、电子调节器 4 吹风机 实验采集正常与故障两种运行状态下的弧隙电压、故障支路电流及主回路电流等数据，采样率为 10 kHz。获得原始数据后，对其进行去噪及归一化处理，并对电流、电压进行波形分析。图 2 为三负载运行工况下吹风机支路发生电弧故障前后的电流电压波形图。罗 晨，等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -93-图 2 电弧故障前后电流电压波形图 Fig.2 Current and voltage waveforms before and after an arc fault 由图 2 可知，多负载运行工况下，当吹风机支路发生电弧故障时，故障所在支路电流故障特征明显，而上一级主线路电流变化情况受负载数量及功率影响严重。当负载数量多且故障支路功率较小时，故障特征被正常支路信号淹没，难以通过主线路原始电流信号实现电弧故障有效辨识。但故障发生后电流波形整体毛刺增多，波形过零及波峰波谷位置有微小畸变，信号高频成分发生变化。1.2 主线路电流频谱特性分析 相比正常状态的电流，发生电弧故障时电流信号表现出宽频特性，其高频信号增多。分别对实验组别 14 的主线路电流信号进行频谱分析，其中，实验组别 1 的频谱图如图 3 所示，由图 3 可知，故障电弧发生时，电流基频信号减少，0.35 kHz 频带内电弧电流波形整体幅值高于正常状态电流信号。图 3 实验组别 1 频谱分析图 Fig.3 Experimental group 1 spectrum analysis graph 为兼顾信号信噪比及高频抗干扰能力，通过对不同类型负载支路正常与电弧故障时主线路电流的频谱进行比较，选取 0.35 kHz 作为特征频段进行电流特性分析。1.3 干扰性影响分析 为有效避免开关开断、非线性负载启动及插头插拔等因素对电弧故障辨识的影响，通过实验模拟此类真实场景，为与家庭实际用电场景更加贴近，将实验平台中弧隙与负载间线长设置为 25 m，并对其进行波形分析可知，插头插拔与开关开断瞬间电流出现高频信号，并在不足 1/2 个正弦周期内恢复稳定，其高频信号持续时间与电弧故障发生时存在较大差异。电钻启动波形变化持续时间虽比开关开断及插头插拔时间长，但其整体变化也未超过一个采样周期，且信号频率与正常工作状态及电弧故障状态均存在差异。图 4 为多负载随机组合情况下，吹风机插头插拔、电钻启动及稳定运行时的主线路电流波形图。图 4 干扰性场景主线路电流波形图 Fig.4 Main line current waveform graph of interference scenario 由此可知，通过多频段信号变化叠加及多维特征融合可有效避免插头插拔、开关开断及电钻等非线性负载启动对故障辨识的影响。2 故障信号重构与多维特征提取 2.1 故障高频信号分析与重构 多负载多支路运行工况下，主线路信号由各负载支路信号混叠组成，且随着支路数量的增加，主线路电流信号混叠现象越严重。因此，针对小功率负载支路发生电弧故障时，主线路电流波形因只发生细微变化而不容易准确辨识的问题进行高频信号分析。而小波分析可以实现多分辨率分析且具有良好的时频局部化特征，采用小波分析在时域与频域中能够同时获得较好的分辨率，能够很好地得到电弧故障在高频段的信息，保留良好的电弧故障特征信息。选用小波分析的方法进一步分割细化 0.35 kHz特征区间，并提取各细分区间信号时域波形，通过信号重构叠加各细分频段内信号故障特征。根据已有研究进行小波基筛选，选取电气信号分析领域常用的小波包基 sym4 对预处理后的数据进行 6 层小波分解，研究其高频信号的变化规律。通过对比分析正常与故障状态下主线路电流的高频细节信号，-94-电力系统保护与控制电力系统保护与控制 发现经过预处理的电流信号经小波分解后，故障前后高频细节信号均会在 d1d4四层发生明显变化。图 5 为实验组别 1 正常与电弧故障状态下的主线路电流高频细节信号。图 5 主线路电流高频细节信号 Fig.5 Main line current high frequency detail signal 因此，可剔除其他故障无效信号，通过叠加故障前后发生变化的1d4d四层细节信号来凸显故障特征，并提取有效故障特征量。根据小波分解原理21-23，当采样频率为 10 kHz时，可计算得到1d4d四层高频细节信号的频率范围分别为 2.55 kHz、1.252.5 kHz、0.6251.25 kHz和 0.31250.625 kHz。根据小波重构原理，将其他信号置零，并将故障前后发生明显变化的四层高频信号重构形成新的信号S。图 6 为各实验组别重构信号，图 6 中，iI为重构信号正常状态电流，iI为重构信号电弧状态电流，1,4i。1234Sdddd (1)观察图 6 可知，对电流数据归一化，并进行高频信号分析与重构，得到的重构信号波形故障前后存在明显区别，相比原始电流波形信号具有更加明 图 6 主线路电流高频重构信号 Fig.6 Main line current high frequency reconfiguration signal 显的故障特征，将其作为电弧故障有效信号进行特征提取可提高辨识准确度。因此，本文采用故障微弱信号叠加法进行高频信号分析与重构，能够实现故障有效信号的提取，且对于凸显故障特征具有显著效果。2.2 多维特征分析与提取 根据电弧特性分析与实验研究，多负载工况下小功率负载支路发生电弧故障时，主线路电流信号高频成分会发生改变。为进一步分析每个采样点的特征变化情况，通过滑动时间窗法对数据进行样本化处理，每个采样点的特征值通过其最近一个周期的采样数据进行计算得到。在不同类型负载运行工况下，电弧故障前后的罗 晨，等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -95-高频细节信号均在d1d4上发生了变化，而小波能量熵具有对信号突变敏感的特点，能够体现信号序列的复杂程度，在信号发生改变时会随之发生变化，可以表征故障前后信号特征的改变。因此，可通过提取d1d4四层细节信号小波能量熵进行分析，具体计算公式为 lg()eejjjHpp (2)式中：eeH为计算得到的小波能量熵值；/jjpEE，1mjjEE，其中jE为各频段小波能量，m为分解层数。故障前后d1d4小波能量熵特征分布如图 7 所示。图 7 故障前后 d1d4小波能量熵特征分布图 Fig.7 Distribution of d1d4 wavelet energy entropy features before and after the fault 由图 7 可知，故障前后四层细节信号小波能量熵均发生明显变化，说明其与电弧故障具有较强的关联性，能够作为故障特征判据鉴别是否发生电弧故障。同时，根据故障前后重构信号波形的差异性，结合重构信号时域特征进行分析。为提高模型泛化能力和缩短模型训练时间，减少冗余特征的计算，本文对重构信号的积分、方差和峰态等 3 个时域特征及香农熵进行可视化分析，其特征分布情况如图8 所示。由图 8 可知，电流重构信号积分、方差、香农熵以及峰态等特征量在故障前后均发生明显变化，可作为串联电弧故障的有效特征判据。综合以上特征分析可知，不同负载正常与电弧故障状态下的电流信号存在特征交叠现象，因此，利用单一特征作为判据进行串联电弧故障辨识容易导致漏判和误判，为避免这一问题，可通过融合以上 8 个特征形成多维特征向量，构建故障综合判据，进而提高故障电弧的辨识精度。注：峰态分布图实验组别 1 以左侧坐标轴为刻度，其他 3 个实验组别以右侧坐标轴为刻度 图 8 重构信号特征分布图 Fig.8 Reconstructed signal feature distribution map 3 基于 XGBoost 的电弧故障辨识模型 3.1 XGBoost 算法原理 XGBoost24-26通过不断迭代增加新的树模型拟合剩余残差，每次迭代都使得预测结果与真实值更加接近，具有更高精度，并适用于更大范围，能够实现电弧故障的辨识。XGBoost 模型训练原理如图9 所示。图 9 XGBoost 模型训练原理示意图 Fig.9 Schematic of XGBoost model training principle 一个含有m个多负载正常与电弧故障特征值、n个多负载正常与电弧故障混合样本的数据集(,)(,1,)miiiiyRyR in DXX，iX为第i-96-电力系统保护与控制电力系统保护与控制 个样本的特征向量，iy为对样本状态标签。通过残差迭代拟合的方式，不断集成新的决策树模型，对线路是否发生电弧故障进行辨识，集成K棵决策树模型的强学习器预测值公式可表示为 1T()()()(:1,)Kikikkmkqyfffq RT,XXFFXR (3)式中：每一个kf都对应一棵独立的 CART 树，F 为所有树构成的集合；T为单个决策树的叶子节点数量；()qX 为特征向量与对应叶子节点的映射函数；函数()kifX为第k棵决策树中样本i对应的特征向量所在的叶子权重，即()kiX。为使模型整体效果最佳，根据集成模型泛化误差决定因素及偏差与方差此消彼长的特点，可将XGBoost算法的目标函数设置为 bj1121(,)()1()2nKiikikTkjjOl y yffT (4)式中：1(,)niiil y y为训练损失函数，用于描绘模型预测值iy与实际值iy之间的误差；1()Kkkf为模型复杂度惩罚函数，用于避免模型训练过拟合；和代表模型复杂度控制的正则化参数。模型迭代过程中，假设每次迭代都添加新的函数()kifX，则迭代t次后预测值表达式为 ()(1)1()()tttikiitikyfyfXX (5)式中，()tiy代表t次迭代过程中第i个样本的预测值。通过分步向前加性模型最小化目标函数，得到(1)bj1()(,()()ntiititiOty yffX (6)此时等价于选取合适的函数()tf X使得目标函数最小，对目标函数进行二阶泰勒展开得到 2bj1(1)11()()()2(,)()nitiitiintiitiOtg fh fl y yfXX (7)式中，ig和ih分别为损失函数的一阶和二阶偏导数。去除式(7)中的常数项并代入惩罚项可得 2bj1111()()()22nTitiitijijOtg fh fTXX(8)设()jii qjIX为叶子节点j的样本数集，jjii IGg，jjii IHh。则式(8)可表示为 2bj11()()2TjjjjjOtGHT (9)因此，为求目标函数最小值，需对bj()Ot进行求导，即 bj()()0jjjjOtGH (10)由式(10)得到最优权重*jjjGH。将求出的最优权重*j代回式(9)，从而得到最优目标函数为 2bj11()2TjjjGOtTH (11)3.2 Bayes-XGBoost模型数据拟合 1)模型输入/输出选取 首先，在模型训练前将4组实验数据进行状态编码，不同工况运行状态编码如表2所示。然后，为提升模型的泛化能力及辨识准确率，融合数据多维特征形成空间向量，完成故障判别特征数据集的构建，进而将故障判别特征数据集中的8维特征向量作为电弧故障辨识模型输入值，状态编码作为电弧故障辨识模型输出值。表 2 运行状态编码 Table 2 Operational status code 实验组别 工作状态 状态编码 正常 0 实验一 电弧故障 1 正常 2 实验二 电弧故障 3 正常 4 实验三 电弧故障 5 正常 6 实验四 电弧故障 7 2)超参数优化 超参数的选取会严重影响模型训练和测试效果。而XGBoost模型中存在多个超参数。因此，其超参数优化是一个大参数空间的参数寻优问题，采用传统网格搜索的方法在计算时间与计算量上都存在不可避免的缺陷。为兼顾算法效率与精度，选用通过Optuna库实现的贝叶斯优化算法对XGBoost中的多个超参数进行同时优化，以提高模型分类辨识的精度。根据不同超参数对模型的影响及模型所罗 晨，等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -97-需优化方向，设定各参数的寻优范围，并最终选取超参数如表3所示。3)方法整体构建流程 整体构建流程如图10所示，基于Bayes优化的XGBoost电弧故障辨识模型的具体实现步骤如下：(1)采集真实实验数据，并对实验数据进行去噪、归一化和状态编码等预处理；(2)基于预处理后的实验数据研究故障前后高频信号变化规律，重构故障有效信号，并提取多维特征值构建故障判别特征数据集；表 3 超参数优化设置表 Table 3 Hyperparameter optimization settings table 超参数类别 参数含义 优化范围 超参数选取learning_rate 学习率 0.05,0.4 0.162 46 n_estimators 决策树个数 20,100 25 max_depth 构建树的深度 5,25 24 subsample 随机采样训练样本0.3,1 0.7465 colsample_bytree 生成树时进行的 列采样 0.3,1 0.5762 reg_lambda L2 正则化项参数0,1 0.9 min_child_weight 决定最小叶子节点权重和 0.1,10 0.343 图 10 方法整体构建流程图 Fig.10 Flow chart of methodology overall establishment process(3)将故障判别特征数据集按比例划分成训练集和测试集，选取8维特征向量作为模型输入，状态编码作为模型输出；(4)根据模型效果初步设置超参数进行预训练，并通过贝叶斯优化算法对模型的多个超参数进行同时优化；(5)将模型训练损失值是否达到最小作为终止迭代条件输出最优超参数值；(6)设置模型最优超参数，利用测试集对模型进行辨识效果测试，输出模型辨识结果。4 实验验证与方法对比 4.1 方法测试结果分析 对实验数据进行去噪、归一化和状态编码等预处理后，提取样本特征值构建故障判别特征数据集，并按比例将数据集划分为训练集和测试集，对模型进行数据拟合。样本分布如表4所示。表 4 样本分布表 Table 4 Sample distribution 实验组别 样本总数 训练集样本数 测试集样本数实验一 16 281 13 024 3257 实验二 9800 7840 1960 实验三 9800 7840 1960 实验四 9800 7840 1960 通过测试集对已完成数据拟合的XGBoost电弧故障辨识模型进行测试，方法测试结果混淆矩阵如图11所示。由图11可知，双负载运行工况下，电磁炉支路发生电弧故障时，辨识准确率为100%；三负载运行工况下，吹风机支路发生电弧故障时，辨识准确率为100%；四负载运行工况下，电子调节器支路发生电弧故障时，辨识准确率为99.95%；四负载运行工况下，吹风机负载支路发生电弧故障 图 11 方法测试结果混淆矩阵示意图 Fig.11 Schematic diagram of the confusion matrix of methodological test results-98-电力系统保护与控制电力系统保护与控制 时，辨识准确率为100%。由此可见，本文所提方法辨识准确率较高，且在不同数量、不同类型负载及不同支路数量的运行工况下均表现稳定。为证明所提方法在更加复杂运行工况下的分类辨识效果，体现模型泛化能力，对4组实验数据进行综合，将模型置于多分类场景下，分类识别不同工况下的正常和电弧故障状态，同时，为进一步验证所提方法不受插头插拔、开关开断及非线性负载启动的影响，在数据中加入以上3种状态特征数据，并分别将其状态编码为8、9、10，其分类辨识结果见图12的方法分类测试结果混淆矩阵示意图。由图12可知，在9137个测试样本中，三负载运行工况下吹风机负载支路正常和故障状态共出现2个误判，四负载运行工况下电子调节器负载支路故障状态出现5个误判，总体准确率超过99.9%。说明了本文所提方法具有一定的有效性和抗干扰能力。图 12 方法分类测试结果混淆矩阵示意图 Fig.12 Schematic diagram of the confusion matrix for method classification test results 4.2 小功率负载支路电弧故障实验验证 为进一步验证所提方法的泛化能力和有效性，增加负载及支路数量，并减小故障支路负载功率。将台式计算机、电风扇、吹风机、手电钻、电子调节器和电磁炉等6个负载作为实验负载接入实验平台，并将每个负载单独作为一条支路接入，分别在计算机支路和电风扇支路设置电弧故障。实验现场实物图如图13所示。经多次实验测量，计算机支路正常运行电流仅在0.160.21 A之间波动，电风扇正常运行电流在0.170.20 A之间波动，主线路电流为11 A，为避免环境噪声对采集小功率负载电流数据造成影响，分别在计算机支路和电风扇支路接入5.1 小电阻，通过采集小电阻两端电压数据换算得到计算机与电风扇的支路电流。图 13 实验现场实物图 Fig.13 Physical view of the experimental site 对实验数据进行预处理后，分别绘制六负载运行工况下，计算机支路与电风扇支路电弧故障前后主线路电流波形，如图14所示，图中*iI为主线路归一化电流，5,6i。图 14 主线路电流波形 Fig.14 Main line current waveform 观察图14中的电流波形可知，计算机支路与电风扇支路发生电弧故障时，主线路电流波形没有变化，无故障特征伴随出现，从而难以通过原始主线路电流直接提取电弧故障特征指标实现准确辨识。因此，根据电弧故障发生时，高频信号的变化规律，对波形进行高频信号分析与重构后，得到重构信号波形，如图15所示，图中iI为重构信号正常状态电流，iI为重构信号电弧状态电流，5,6i。由图15可知，故障前后高频重构信号波形有明显的变化特征，相比主线路原始电流波形具有更加显著的故障特征。提取相同8维特征值作为模型输入，划分数据集后代入模型进行数据拟合与测试，罗 晨，等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -99-样本分布与测试结果如表5所示。图 15 主线路电流高频重构信号图 Fig.15 Main line current high frequency reconfiguration signal 表 5 样本分布与模型测试结果 Table 5 Sample distribution and model test results 故障支路 训练集 样本个数 测试集 样本个数 准确率/%训练 时间/s 计算机 7682 1920 99.94 0.140 电风扇 7682 1920 99.92 0.147 由表5数据可知，本文所提方法在六负载六支路工况下，计算机与电风扇等小功率非线性负载支路发生电弧故障时，仍可实现高精度辨识。可说明该方法在不同数量和类型负载及不同支路数工况下均可达到很好的电弧辨识效果，模型泛化能力强，且能够实现多负载工况下任意支路电弧故障的准确辨识。4.3 多模型对比分析 为说明本文所用模型具有好的电弧故障分类辨识效果，选取BP、SVM、RNN、K近邻(KNN)、决策树(DT)及随机森林(RF)等6个主流分类预测模型设置经验参数，在同一训练样本集下进行模型数据拟合，并选取同一测试样本集对模型进行深度测试，测试结果如表6所示。表 6 模型测试准确率 Table 6 Model test accuracy%准确率 模型类别 双负载 三负载 四负载(电子 调节器负载)四负载(阻性负载)BP 98.9 98.8 97.4 98.8 SVM 99.48 98.32 96.79 99.37 RNN 98.46 98.7 97.71 96.8 KNN 99.97 98.52 98.62 99.75 DT 99.99 99.95 94.63 99.23 RF 99.99 99.98 99.59 99.98 本文方法本文方法 100 100 99.95 100 由表6数据可知，基于XGBoost的电弧故障辨识模型在不同工况下的辨识准确率均比其他6种模型高，证明本文所建模型具好的分类辨识效果，模型整体性能具有显著的优越性。此外，其他6种模型通过训练数据集进行模型数据拟合后，辨识准确率均有较高水平，尤其DT、RF两种模型在双负载、三负载及四负载阻性支路故障工况下的辨识准确率均超过99%，说明本文所提取的特征同样具有强普适性。同时，为考虑算法时间效率，在模型数据拟合时输出计算时间，电脑环境为Intel(R)Core(TM)i7-6700HQ、3.50 GHz，模型训练时间如表7所示。表 7 模型训练时间 Table 7 Model training time s 训练时间 模型类别 双负载 三负载 四负载(电子 调节器负载)四负载(阻性负载)BP 4.96 3.99 5.15 3.06 SVM 1.048 0.134 1.628 1.479 RNN 99.819 66.150 65.564 65.541 KNN 0.072 0.018 0.019 0.017 DT 0.018 0.013 0.010 0.014 RF 0.71 0.396 0.596 0.467 本文方法本文方法 0.221 0.110 0.159 0.128 由表7数据可知，在相同训练集样本下，超参数优化后的XGBoost模型训练时间优于BP、SVM、RNN、RF等4种模型。与训练时间较短的DT及KNN两种算法时间相差不大，而辨识准确率及泛化能力却明显优于DT和KNN两种模型，可进一步说明本文所提方法在算法空间上具有轻量化特征，在训练时间上具有优越性。5 结论 本文提出了一种基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法，得出以下结论：1)在多负载运行工况下，任意负载支路发生电弧故障时，主线路电流信号具有宽频特性，其高频信号增加，且在0.35 kHz频带范围内正常与故障状态下的主线路电流信号具有差异，可作为支路电弧故障辨识的特征频段。2)利用叠加信号微弱变化的方法，对信号进行多分辨率分析与重构，能够凸显故障特征和提取故障有效信号，可解决主线路信号因受其他正常支路负载影响导致故障特征极其微弱，进而难以有效感知电弧故障的问题。-100-电力系统保护与控制电力系统保护与控制 3)在10 kHz采样率下，d1d4四层小波高频细节信号能量熵与重构信号方差、积分、香农熵及峰态等特征均与低压电弧故障具有较强的相关性，在故障前后表现出明显差异，将其融合成多维向量空间后具有更高的电弧辨识准确率，且能够有效避免插头插拔及开关开断导致的故障误判，减小电钻等非线性负载启动对电弧故障辨识的影响。4)利用Optuna库实现的贝叶斯优化算法对XGBoost模型中的多个超参数进行同时优化，提高了模型整体性能，能够有效避免模型陷入局部极值和过拟合。5)与基于BP、SVM、RNN、KNN、DT和RF等6种主流分类预测算法的电弧辨识模型对比，所用模型具有更高的辨识精度、更强的泛化能力及更少的计算时间。不同工况下的电弧故障辨识准确率均达到较高水平。能够实现低压多负载工况下小功率负载支路电弧故障的精准辨识。参考文献 1 徐扬.居民用电安全监测诊断技术研究与应用D.昆明:昆明理工大学,2021.XU Yang.Research on safety monitoring and diagnosis technology of residential electricity consumption applicationD.Kunming:Kunming University of Science and Technology,2021.2 刘官耕,杜松怀,苏娟,等.低压电弧故障防护技术研究与发展趋势J.电网技术,2017,41(1):305-313.LIU Guangeng,DU Songhuai,SU Juan,et al.Research on LV arc fault protection and its development trendsJ.Power System Technology,2017,41(1):305-313.3 胡恩瑞.基于卷积神经网络的故障电弧检测算法研究D.杭州:浙江大学,2020.HU Enrui.Research on arc fault detection algorithm based on convolutional neural networkD.Hangzhou:Zhejiang University,2020.4 余琼芳,胡亚倩,杨艺.基于小波特征及深度学习的故障电弧检测J.电子测量与仪器学报,2020,34(3):100-108.YU Qiongfang,HU Yaqian,YANG Yi.Arc fault detection based on wavelet feature and deep learningJ.Journal of Electronic Measurement and lnstrumentation,2020,34(3):100-108.5 TELFORD R D,GALLOW