霍亞偉 李春華

（江蘇科技大學 鎮(zhèn)江 212000）

1 引言

卷積神經(jīng)網(wǎng)絡（CNN）最早被用于圖像處理，且由于其網(wǎng)絡構(gòu)造特性被開始應用在軸承故障，變壓器故障等領(lǐng)域。傳統(tǒng)的CNN 的輸入是二維圖像的形式，為了滿足輸入條件，文獻［9～10］分別利用短時傅里葉（Short-Time Fourier Transform，STFT）變換和連續(xù)小波變換（Continuous Wavelet Transform，CWT）將采集到的1D 振動信號轉(zhuǎn)換成2D 時頻圖作為CNN 的輸入；文獻［11］為了適應軸承故障信號以1D 形式進行存儲的特點，提出了基于1D 輸入的CNN模型，實現(xiàn)了軸承故障的有效識別。在微電網(wǎng)故障診斷方面，目前尚未有在卷積神經(jīng)網(wǎng)絡基礎(chǔ)上進行故障診斷的嘗試，故本文嘗試建立了一種基于二維卷積神經(jīng)網(wǎng)絡的故障診斷模型，對故障數(shù)據(jù)提取并處理作為神經(jīng)網(wǎng)絡輸入，對故障診斷模型進行實驗調(diào)參，最終得到合適的故障診斷模型。

2 卷積神經(jīng)網(wǎng)絡介紹

卷積神經(jīng)網(wǎng)絡主要由卷積層、池化層、全連接層等組成［12］。其思想簡而言之就是利用卷積層與池化層對大量的數(shù)據(jù)進行卷積，即提取特征形成特征映射關(guān)系，再將池化層的特征映射圖頭尾相連，形成特征向量，最終，特征向量進入全連接層開始分類，得到想要的效果。

2.1 卷積層

進行卷積運算時，卷積層前一層的輸出特征圖與當前所在層的卷積核進行如式（1）所示的運算。

式中：為第l層第j個卷積核輸出的特征圖；Mi為第l-1 層輸出特征圖集合；第l-1 層輸出的第i個特征圖；為第l層第j個卷積；為對應偏置項；f(.) 為激活函數(shù)。輸出特征圖經(jīng)過卷積運算再經(jīng)過Relu 激活函數(shù)（2）非線性轉(zhuǎn)化，形成新的特征圖，這就是下一層的輸入。

2.2 池化層

池化層對卷積層提取到的特征圖降維。所謂降維即減參，通過減參使數(shù)據(jù)維度變小，特征更加明顯。本文擬采用最大池化的方式。計算公式如式（3）所示。

2.3 全連接層

全連接層本質(zhì)上是一種分類器。在全連接層中，神經(jīng)網(wǎng)絡輸入數(shù)據(jù)在經(jīng)過了多層卷積與池化后被映射到隱層特征空間，形成的特征圖還需要通過全連接層與設(shè)定的輸出樣本標簽互相映射，完成“分類”任務。文章擬使用softmax函數(shù)進行分類。

3 故障特征提取及數(shù)據(jù)處理

3.1 故障特征提取

通過PSCAD4.6建立微電網(wǎng)模型。配網(wǎng)電壓等級0.4kV，頻率50Hz。由于現(xiàn)實中微電網(wǎng)包含的分布式電源種類豐富，控制方法，特性各不相同，所以文章設(shè)置了包括光伏、風機、蓄電池、微型燃氣輪機等分布式電源。在PCC 及各條線路兩端均設(shè)置可采集系統(tǒng)電氣量的斷路保護裝置，如圖1 中的BRK1、2、3等。

馬鈴薯澆水采用深溝淺灌，水不得漫過壟面，幼苗期由于植株小需水量較少，無需澆水；塊莖形成期直至增長期要及時灌溉，此時馬鈴薯處于需水臨界期，需要足夠水量；開花期至成熟期氣溫升高，要適當澆水以防止土壤干旱，收獲前20天停止?jié)菜?/p>

圖1 微電網(wǎng)模型

仿真設(shè)置微電網(wǎng)在3s 時在F1～F5 處發(fā)生常見的單相接地短路（AG）、兩相相間短路（AB）、兩相接地短路（ABG）、三相短路（ABC）、包括正常狀態(tài)的五種故障情況，持續(xù)時間1s。圖2、3 分別模擬了F4 處分別發(fā)生AB 相接地和A 相接地故障，觀察得到的PCC處三相電流及電壓波形，比較與正常時波形的變化，可見發(fā)生明顯波動。

圖2 AB兩相接地

圖3 A相接地

3.2 故障數(shù)據(jù)處理

為了訓練故障檢測模型，需要大量輸入。因此要提取足夠充分并且有效的故障樣本。本文對微電網(wǎng)包括正常情況下的五種故障情況進行了仿真，并且公共耦合點（PCC）處測量故障時三相電流電壓。故障仿真設(shè)置在故障發(fā)生前1s 到故障發(fā)生1s的時間內(nèi)對波形圖以0.2s的時間間隔進行取樣，可以得到對應的各相電流、電壓，如表1所示。

表1 故障三相電流電壓表

經(jīng)過仿真，可以得到一系列數(shù)據(jù)：Ia1、Ia2…Ia10；Ua1、Ua2、Ua3…Ua10；Ib1、Ib2、…Ib10；Ic1、Ic2、…Ic10等。其中1、2…10分別代表對波形進行每隔0.2s 取樣得到的數(shù)據(jù)的標簽，a、b、c 為各相標簽。

將故障發(fā)生時PCC處的三相電流、三相電壓經(jīng)過歸一化預處理，再以如上表所示形式將故障電壓電流縱向排列為對矩陣形式作為輸入。先進行歸一化處理［13］。

在式中，以y 作為原始數(shù)據(jù)，x 為歸一化之后的數(shù)據(jù)。并且仿真每個周期設(shè)置了10 個取樣時間點，故障位置設(shè)置了5 個，故障類型設(shè)置了5 種，這樣就可以將得到的故障數(shù)據(jù)一一排列為矩陣形式作為故障診斷模型的輸入。對于訓練集中的數(shù)據(jù)，需要給它們打上對應的故障狀態(tài)標簽，卷積網(wǎng)絡會根據(jù)標簽來自行調(diào)整權(quán)重，來使輸出的標簽與輸入相對應。文章的故障診斷需要對故障位置以及故障類型做出分類，所以對它們設(shè)置如下的標簽。

其次故障類型算上正常情況一共有5 種，且故障位置也是5 個。所以文章解決的實際是個多標簽分類問題。這里由于訓練數(shù)據(jù)量不是很大，采用2種標簽分批次分別訓練的方法。以輸出層的5個神經(jīng)元對應5種分類結(jié)果，激活值為1，表示輸入數(shù)據(jù)與故障類型對應，為0 則表示不對應，因此對故障類型做出編碼如表2、3所示［14］。

表2 故障類型編碼

表3 故障點編碼

4 卷積神經(jīng)網(wǎng)絡模型的搭建

本文故障診斷模型設(shè)計思想是將故障數(shù)據(jù)組合成矩陣形式輸入到網(wǎng)絡中，通過CNN 自適應提取故障的特征的特點，通過正向傳播輸出結(jié)果，并與實際結(jié)果標簽比較，矢量計算之間誤差，再使用BP 算法調(diào)整和修改模型參數(shù)，得到合適模型，以用于后續(xù)故障診斷［15］。由于本文故障樣本數(shù)據(jù)不大，所以本文初步設(shè)計的卷積神經(jīng)網(wǎng)絡設(shè)計的比較簡單。如下。

圖4 微電網(wǎng)故障診斷神經(jīng)網(wǎng)絡模型

表4 故障診斷網(wǎng)絡參數(shù)表

整個過程大致如圖5。

圖5 故障診斷流程圖

5 實驗結(jié)果與分析

文章通過仿真共得到550 組故障樣本數(shù)據(jù)，隨機選取其中的80%約440 組數(shù)據(jù)作為訓練數(shù)據(jù)，剩余的110 組數(shù)據(jù)作為測試數(shù)據(jù)。對可能對實驗結(jié)果造成影響的卷積核、迭代次數(shù)等因素控制變量進行實驗分析驗證。

5.1 卷積核選取對實驗結(jié)果影響

在相同參數(shù)情況下，分別取4×4 和3×3 的卷積核。實驗結(jié)果如表5 所示，卷積核越大，準確率越低；卷積核越小準確率越高。因為卷積時據(jù)卷積核越小，對輸入數(shù)據(jù)特征提取運算次數(shù)增加，相應的，特征更明顯，輸出特征與輸入互相映射的準確率也會增加，因此模型的分類能力會更好。并且，卷積核取奇數(shù)取偶數(shù)也是有區(qū)別的，從表中可見，取奇數(shù)3 時測試準確率要稍高。原因是卷積中有一種same convolution，即卷積前后一樣大。如果卷積核尺寸為k×k，被卷積張量的尺寸為n×n，padding 為k-1 時，則可實現(xiàn)same convolution（n + padding-k + 1 = n）。若k 為偶數(shù)，那么padding 就為奇數(shù)，就不能平均分配到卷積張量兩邊。而且奇數(shù)卷積核更加適合用中心定位，所以一般卷積核大小取奇數(shù)。

表5 卷積核大小對模型準確率的影響

此外，觀察表6，取相同的卷積核尺寸，雖然隨著卷積核個數(shù)增大。訓練時間變長，但是相應的訓練集，測試集準確率卻增高了，而訓練時間最高也不過205s，所以綜合來看卷積核個數(shù)多一些，訓練準確率也會相應高一些，但是卷積核個數(shù)也無需過多，不然會增大訓練時間。訓練難度。

表6 卷積核個數(shù)對模型準確率的影響

5.2 迭代次數(shù)對實驗結(jié)果影響

為了避免在輸入數(shù)據(jù)量不夠多的情況下模型準確率受到影響，設(shè)置了迭代次數(shù)。分別取迭代次數(shù)為5、10、20、30、35，訓練模型，計算訓練準確率，如圖6所示。

圖6 模型準確率折線圖

當?shù)螖?shù)在30 之前時，準確率遞增，越接近30，增率越小。當取到迭代次數(shù)30 時，訓練準確率幾乎達到平衡，再往后幾乎不變。這表明，故障診斷模型已經(jīng)對訓練集的故障特征有了充分的學習。為避免過擬合，迭代次數(shù)也不宜過高，所以選擇30即可。

結(jié)合上述實驗結(jié)果可知，CNN中卷積核取值一般取奇，取值越小，輸入數(shù)據(jù)特征被提取的越細，診斷準確率也越高。

診斷準確率同時也被迭代次數(shù)影響，通常為了避免過擬合，迭代次數(shù)在適當取值范圍內(nèi)次數(shù)越多，準確率越高。

最后根據(jù)上述實驗結(jié)果，設(shè)置卷積層、采樣層與全連接隱含層以及輸出層組成5 層神經(jīng)網(wǎng)絡故障診斷模型，取30 的迭代次數(shù)，與基于BP 神經(jīng)網(wǎng)絡的故障診斷模型比較。同時調(diào)整兩者的權(quán)重W和偏置b 初始化為0～1 之間的隨機數(shù)，并進行訓練，觀察記錄模型的準確率、訓練時間以及測試時間［16］，如表7所示。

表7 BP與卷積神經(jīng)網(wǎng)絡準確率對比

觀察表7可知：

1）卷積神經(jīng)網(wǎng)絡在訓練集準確率、測試集準確率以及運行時間上都要優(yōu)于BP神經(jīng)網(wǎng)絡。

2）CNN 訓練時間205s，BP 神經(jīng)網(wǎng)絡訓練時間80s，CNN要慢于BP神經(jīng)網(wǎng)絡。

綜合考慮各方面因素，得出基于卷積神經(jīng)網(wǎng)絡的故障診斷模型要比使用BP神經(jīng)網(wǎng)絡更為優(yōu)秀的結(jié)論。

6 結(jié)語

文章對微電網(wǎng)網(wǎng)內(nèi)及網(wǎng)間共5 處故障點各發(fā)生5 種故障類型進行了仿真，選取故障時微電網(wǎng)模型PCC處的三相電壓電流為故障特征，經(jīng)過數(shù)據(jù)預處理作為訓練模型輸入。并通過分析卷積核與迭代次數(shù)對故障診斷模型的影響，適當調(diào)整參數(shù)，確立了故障診斷模型。解決了微電網(wǎng)網(wǎng)內(nèi)或網(wǎng)間故障時診斷政策、方法不方便的問題。

同時與BP 神經(jīng)網(wǎng)絡的比較，在故障診斷的準確率、訓練時間等方面，卷積神經(jīng)網(wǎng)絡也表現(xiàn)出了更優(yōu)的效果。