摘"要：針對故障電弧特征提取不足、檢測精度不高等問題，提出一種多特征融合的改進蜣螂算法（IDBO）優(yōu)化融合注意力（Attention）機制的卷積神經(jīng)網(wǎng)絡（CNN）和雙向長短期記憶（BiLSTM）神經(jīng)網(wǎng)絡的串聯(lián)電弧故障檢測方法。通過實驗平臺提取電流的時域、頻域、時頻域以及信號自回歸參數(shù)模型特征;利用核主成分分析（KPCA）對特征進行降維融合，并將求取的特征向量作為CNN-BiLSTM-Attention的輸入向量;引入Cubic混沌映射、螺旋搜索策略、動態(tài)權重系數(shù)、高斯柯西變異策略對蜣螂算法進行改進，利用改進蜣螂算法對CNN-BiLSTM-Attention超參數(shù)優(yōu)化實現(xiàn)串聯(lián)電弧故障診斷。結果表明，所提方法故障電弧檢測準確率達到97.92%，可高效識別串聯(lián)電弧故障。

關鍵詞： 電弧故障; 改進蜣螂算法; 多特征融合; CNN-BiLSTM-Attention

中圖分類號： TM501+.2

文獻標志碼： A

文章編號： 2095-8188（2024）08-0057-12

DOI： 10.16628/j.cnki.2095-8188.2024.08.008

Series Arc Fault Detection Based on Improved Dung Beetle Optimizer Optimized CNN-BiLSTM-Attention

LI Haibo

［Key Laboratory of Modern Power System Simulation and Control amp; Renewable Energy Technology Ministry of Education（Northeast Electric Power University），Jilin 132012，China］

Abstract：

Aiming at the problems of insufficient arc fault feature extraction and low detection accuracy，a multi-feature fusion improved dung beetle optimizer （IDBO） optimized fusion of the attention mechanism of convolutional neural network （CNN） and bidirectional long short term memory （BiLSTM） neural network series arc fault detection method is proposed.The current time-domain，frequency-domain，time-frequency domain，and signal autoregressive parameter model features are extracted through an experimental platform.The kernel principal component analysis （KPCA） is used to reduce the dimensionality of the features，and they are fused to obtain the feature vectors as the input vectors for CNN-BiLSTM-Attention.The cubic chaotic mapping，the spiral search strategy，the dynamic weight coefficients，and the gaussian cauchy mutation strategy are introduced to improve the dung beetle optimizer.An improved dung beetle optimizer is used to optimize the hyperparameters of CNN-BiLSTM-Attention for the series arc fault diagnosis.The results show that the proposed method can achieve an accuracy of 97.92% in detecting fault arcs and efficiently identify the series arc faults.

Key words：

arc fault; improved dung beetle optimizer; multi-level feature fusion; CNN-BiLSTM-Attention

0"引"言

線路老化、接頭松動等可能導致導體間產(chǎn)生氣隙，氣隙在強電場作用下被擊穿易引起電弧故障［1］。故障電弧產(chǎn)生時，故障點產(chǎn)生的高溫會使得線路絕緣層融化，造成安全事故。串聯(lián)電弧故障的電流很小，基于電流增大的過電流保護技術無法檢測出串聯(lián)電弧故障［2］，因此還需對電弧故障進行深入研究，提高電弧故障診斷的準確率。

目前對電弧故障的檢測方法主要集中在構建電弧故障仿真模型［3-5］，通過電弧所附帶的電磁輻射［6-7］等物理特征以及提取電弧電流的時域、頻域或時頻域特征［8-10］進行故障識別。但是，電弧模型使用條件存在較大限制，且檢測參數(shù)設置困難;物理特征識別電弧受檢測裝置安裝位置的限制，難以廣泛應用［11］;時域或頻域特征的檢測存在信息不完備的缺點，而時頻域檢測需要聯(lián)合多個特征量進行處理，非線性負載下很難保證提取的電弧特征具有代表性。

電流信號多特征融合可提高電弧故障檢測的準確率。文獻［12］從時域、頻域和信號無序度3個方面提取電流平均值、諧波幅值、小波能量熵進行電弧故障檢測，但也存在故障特征提取不充分的缺點。

機器學習算法，如支持向量機（SVM）［13］、隨機森林（RF）［14］、極限學習機（ELM）［15］等也被應用到電弧故障檢測中，但這些方法存在特征提取不充分的問題，無法準確表達故障電弧特征。卷積神經(jīng)網(wǎng)絡（CNN）由于具有高效的特征提取能力被應用到電弧故障檢測中。文獻［16］構建多層卷積神經(jīng)網(wǎng)絡，以時域灰度值圖像形式對故障電弧數(shù)據(jù)特征進行提取。然而CNN存在丟失故障電弧重要特征信息的問題。

雙向長短期記憶（BiLSTM）神經(jīng)網(wǎng)絡是長短期記憶（LSTM）神經(jīng)網(wǎng)絡的優(yōu)化改進［17］，可以同時提取數(shù)據(jù)的正向特征和反向特征，提高模型的預測精度。注意力（Attention）機制可基于加權的方式計算BiLSTM中所有時刻隱藏狀態(tài)的注意力權重［18］，調(diào)整注意力系數(shù)可以提高模型整體的記憶能力［19］。

基于BiLSTM和Attention機制的優(yōu)勢，本文提出一種基于CNN-BiLSTM-Attention的電弧故障檢測方法。

CNN可以提取特征向量，將特征向量構造成時間序列［20］作為BiLSTM的輸入數(shù)據(jù)。BiLSTM提取數(shù)據(jù)的雙向特征，形成特征與故障類別的對應關系。Attention機制對BiLSTM提取的數(shù)據(jù)通過加權的方式進行排序，使模型更關注故障發(fā)生時的變化。但是CNN-BiLSTM-Attention模型的超參數(shù)隨機產(chǎn)生，使故障檢測具有不確定性和不穩(wěn)定性。

蜣螂算法（DBO）的搜索速度快［21］，可對CNN-BiLSTM-Attention的超參數(shù)進行尋優(yōu)。但DBO存在搜尋能力較弱和容易陷入局部最優(yōu)的缺點，因此本文提出改進蜣螂算法（IDBO）來彌補DBO的缺點。

綜上，本文針對目前對于電弧電流特征提取無法準確表達故障電弧特征、特征提取信息不充足的問題，選擇電流最大上升速率、峭度、三次諧波電流含有率、電流總諧波畸變率、小波能量熵、Tsallis小波包奇異熵和二階伯格（Burg）自回歸模型所得模型參數(shù)矢量與參考矢量的歐氏距離作為檢測電弧故障特征指標。

利用核主成分分析（KPCA）對提取的故障特征進行降維融合。由于人工無法準確搜尋CNN-BiLSTM-Attention的最優(yōu)超參數(shù)，提出IDBO-CNN-BiLSTM-Attention的電弧故障檢測方法，有效解決串聯(lián)電弧故障特征利用不充分、檢測精度不高的問題。

1"電弧故障實驗和故障電弧電流特性分析

1.1"電弧故障實驗

依據(jù)GB/T 31143—2014《電弧故障保護電器（AFDD）的一般要求》搭建串聯(lián)故障電弧實驗平臺。實驗負載為線性負載（1 000 W電水壺）和非線性負載（1 300 W電磁爐、800 W調(diào)壓電路和100 W計算機）。實驗平臺示意圖如圖1所示。

1.2"故障電弧電流特性分析

對正常工作及故障電弧電流信號周期采樣256點。正常和故障負載電流波形如圖2所示。

由圖2（a）可知，故障電弧電流在電流過零時刻附近存在短暫的平肩區(qū)間，即故障電弧電流的“零休現(xiàn)象”。由圖2（b）可知，正常工作時電流波形與正弦波形類似，然而在波形的頂端和底端都存在著較大的諧波。由圖2（c）可知，正常電流波形周期性變化，但是電流波形畸變，有“零休現(xiàn)象”發(fā)生。發(fā)生電弧故障時，電流波形中含有大量的高次諧波，電流波形畸變程度更加劇烈。由圖2（d）可知，正常工作時電流波形各周期連續(xù)，而且波形幅值保持穩(wěn)定。發(fā)生電弧故障時，電流波形變化幅度較大，并且存在諧波。

故障電弧會導致電流波形發(fā)生畸變，因此可以通過提取電流波形的時域特征來檢測電弧故障是否產(chǎn)生。但是由于存在一些負載正常工作的電流波形與電弧故障時電流波形類似，僅提取電流波形特征來檢測故障電弧并不可靠。

2"串聯(lián)故障電弧特征提取

2.1"串聯(lián)故障電弧時域特征

電弧電流的時域特征主要表現(xiàn)為過零時電流波形產(chǎn)生“平肩部”，電弧電流高頻分量較為豐富，電流波形不對稱。針對上述特征，選取電流最大上升速率和峭度作為電弧電流的時域特征。

2.1.1"電流最大上升速率

電弧故障時電流幅值發(fā)生突變，導致過零時電流最大上升速率產(chǎn)生突變。

選取周期內(nèi)相鄰2個離散點電流信號采樣值的差值，并取其絕對值的最大值表示電流最大上升速率。計算公式為

Vmax="""""""""""""""（I2-I1，I3-I2，…，IN-IN-1）max（1）

式中："I——電流瞬時值;

N——采樣點數(shù)。

2.1.2"峭度

峭度體現(xiàn)故障電流信號隨機分布特征。故障電弧出現(xiàn)時，電流信號的峭度增大。

峭度指標計算公式為

K=1N∑Ni=1（Ii-I—）41N∑Ni=1（Ii-I—）22（2）

式中："Ii——電流第i個采樣點數(shù)值;

I———電流平均值。

2.2"串聯(lián)故障電弧頻域特征

對負載電流進行快速傅里葉變換得到對應頻譜，并對數(shù)據(jù)進行歸一化處理。歸一化后負載頻譜圖如圖3所示。

2.2.1"三次諧波電流含有率

電弧故障時，電流奇次諧波幅值較正常時明顯增大，且奇次諧波幅值的增大不受負載類型影響，可引入諧波電流含有率表示電流信號中諧波含量的變化。

為降低計算復雜度，選取三次諧波電流含有率作為檢測串聯(lián)電弧故障的頻域特征指標之一。三次諧波電流含有率計算公式為

HIn=InI0（3）

式中："HIn——第n次諧波電流含有率，n取1，2，3;

In——第n次諧波電流有效值;

I0——基波電流有效值。

2.2.2"電流總諧波畸變率

發(fā)生電弧故障時電流波形發(fā)生畸變，本文選用電流總諧波畸變率作為電弧電流頻域特征來描述電流波形失真程度。電流總諧波畸變率eTHD計算公式為

eTHD=∑Nk=2IkI02=∑Nk=2HkH02（4）

式中："Ik——第k次諧波電流有效值;

N——指定最大諧波次數(shù)，這里取30;

H0——基波幅值;

Hk——第k次諧波幅值。

2.3"串聯(lián)故障電弧時頻域特征

熵表征系統(tǒng)的不確定性程度，是對系統(tǒng)復雜度和不確定性的描述［22］。電弧故障時，信號復雜程度會提高，本文選取小波能量熵、Tsallis小波包奇異熵作為電弧電流的時頻域特征，選擇db3小波作為小波包基函數(shù)對電流信號進行4層分解。

2.3.1"小波能量熵

出現(xiàn)電弧故障時，信號的各頻率能量會發(fā)生相應變化，能量熵可體現(xiàn)能量的分布情況，小波能量熵越大，其包含的信息能量越多［23］。

小波能量熵計算公式為

Hp=-∑Nq=1εpqlgεpq

εpq=EpqEq

Eq=∑Nq=1Epq（5）

式中："Hp——小波能量熵;

ε——p尺度q時刻小波能量與p尺度能量總和的比值;

N——分解后小波系數(shù)的個數(shù)，這里N取16;

Eq——p尺度采樣點信號能量總和;

Epq——信號在p尺度q時刻上小波能量。

正常負載和故障負載小波能量熵如表1所示。

2.3.2"Tsallis小波包奇異熵

將db3小波對電流進行4層分解后的各節(jié)點重構信號構成矩陣。

根據(jù)矩陣奇異值分解理論及重構信號的相關特性，節(jié)點重構信號近似時，對應奇異值接近于0。當節(jié)點重構信號差異較大時，非零奇異值數(shù)量較少。非零奇異值的數(shù)量可反映信號的復雜程度［24］。

根據(jù)小波奇異熵定義，提出將Tsallis小波包奇異熵作為故障特征指標。

Tsallis小波包奇異熵（WPSE）計算公式為

HWPSE=1q-11-∑kl=1pql（6）

pl=λl∑ki=1λl（7）

式中："HWPSE——Tsallis小波包奇異熵;

q——非廣延拓參數(shù)，這里取1.1;

pl——第l個奇異值占奇異值總和的比值;

k——奇異值個數(shù)，這里取16;

λ——奇異值。

正常負載和故障負載Tsallis小波包奇異熵如表2所示。

時域、頻域和時頻域特征可以區(qū)分大多數(shù)負載電弧故障狀態(tài)，然而調(diào)壓電路負載的小波能量熵和Tsallis小波包奇異熵特征區(qū)別不夠明顯，盡管這2個指標對故障狀態(tài)判別有效。二階Burg自回歸模型所得模型參數(shù)矢量與參考矢量的歐氏距離對區(qū)分調(diào)壓電路負載正常工作和電弧故障的效果較好，可將該指標作為故障電弧特征指標。

2.4"串聯(lián)故障電弧信號自回歸參數(shù)模型特征

電弧故障的電流波形畸變較嚴重，二階Burg算法對電流信號求解模型得到參數(shù)差異明顯［25］，可區(qū)分調(diào)壓電路負載正常工作與電弧故障狀態(tài)。

電流信號二階Burg自回歸全極點模型函數(shù)表達式為

H2（z）=11+a1z-1+a2z-2（8）

式中："H2（z）——二階Burg自回歸全極點模型函數(shù);

a1、a2——參數(shù)。

本文采用二階Burg自回歸模型所得模型參數(shù)矢量與參考矢量的歐氏距離d（AR，AT）作為檢測電弧故障的特征指標，計算公式為

d（AR，AT）=∑2i=1（ari-ati）2（9）

式中："AR——參數(shù)矢量，表征采集的電流信號;

AT——參考矢量，采用原點為參考矢量;

ari——參數(shù)矢量第i個元素;

ati——參考矢量第i個元素。

4種負載的二階Burg自回歸模型所得模型參數(shù)矢量與參考矢量的歐氏距離如表3所示。

依靠人工提取故障電弧特征進行檢測具有局限性，而深度學習提取故障電弧電流特征的準確率更高。

3"IDBO-CNN-BiLSTM-Attention電弧故障檢測方法

3.1"CNN-BiLSTM-Attention電弧故障檢測模型

本文實驗平臺為MATLAB2022a，模型由以2個卷積層為核心的縱向特征提取層和以BiLSTM為核心的橫向特征提取層組成。加入Attention機制，可以使模型關注故障發(fā)生時刻數(shù)據(jù)特征變化。

CNN-BiLSTM-Attention模型如圖4所示。卷積神經(jīng)網(wǎng)絡由輸入層、卷積層（2個）、池化層和壓平層組成。數(shù)據(jù)經(jīng)輸入層輸送到卷積層;經(jīng)過ReLU函數(shù)進行非線性變換，然后將提取的特征向量輸送到池化層;壓平層將每個卷積通道的數(shù)據(jù)一維展開，用于CNN與BiLSTM之間的過渡;經(jīng)激活函數(shù)Softmax函數(shù)對BiLSTM輸入數(shù)據(jù)通過注意力層打分得到注意力分數(shù)，對注意力分數(shù)進行歸一化得到注意力權重并進行加權求和，即可得到故障類別。其中，卷積層1的卷積核尺寸大小為3×1，數(shù)量為32個，步長為1;卷積層2的卷積核尺寸大小為3×1，數(shù)量為64個，步長為1。卷積層激活函數(shù)為ReLU，選擇Adam優(yōu)化器訓練神經(jīng)網(wǎng)絡。

與單一神經(jīng)網(wǎng)絡相比，該模型能有效利用輸入特征量進行故障診斷，并具有較強的泛化能力。

CNN-BiLSTM-Attention電弧故障檢測方法的準確度，一方面取決特征提取的全面性，另一方面受模型超參數(shù)選擇的影響。

隱含層節(jié)點數(shù)、初始學習率和正則化參數(shù)是模型的3個關鍵超參數(shù)，將其作為優(yōu)化對象，利用IDBO尋找出超參數(shù)的最優(yōu)值，以提高CNN-BiLSTM-Attention電弧故障檢測準確率。

3.2"改進蜣螂算法

DBO是2022年提出的一種算法，靈感來自蜣螂的滾球、跳舞、繁殖、覓食和偷竊行為。該算法同時考慮全局探索和局部搜索，其收斂速度快，但局部尋優(yōu)能力不強，容易陷入局部最優(yōu)。

為提高DBO的性能，通過以下4種措施改進原始蜣螂算法。

3.2.1"Cubic混沌映射

Cubic混沌映射可以形成均勻分布的隨機序列，使初始蜣螂個體盡可能均勻分布，從而增加種群的多樣性，提高算法的全局搜索能力和收斂速度。

Cubic混沌映射公式為

Xi+1=ρXi（1-X2i）（10）

式中："ρ——控制函數(shù)，本文取1;

Xi——第i個Cubic混沌映射個體。

3.2.2"螺旋搜索策略

受鯨魚優(yōu)化算法（WOA）的啟發(fā)，將螺旋搜索策略應用到算法位置更新，公式為

β=ebl·cos（2πb）（11）

l=ekcosπtMax-iteration（12）

式中："""""β——螺旋因子;

b——0～1分布隨機數(shù);

l——隨迭代次數(shù)變化;

k——取到5;

t——迭代次數(shù);

Max-iteration——最大迭代次數(shù)。

更新后的蜣螂繁殖公式為

Xi（t+1）=X+β·b1·［Xi（t）-Lb］+β·b2·［Xi（t）-Ub］（13）

式中："Xi（t）——第t次迭代第i個蜣螂位置;

X——當前最優(yōu)解;

Lb——區(qū)域下界;

Ub——區(qū)域上界;

b1、b2——0～1分布隨機數(shù)。

3.2.3"動態(tài)權重系數(shù)

蜣螂偷竊階段添加動態(tài)權重系數(shù)更新算法當前最優(yōu)解，有助于算法跳出局部最優(yōu)。

動態(tài)權重系數(shù)的計算公式為

ω1=1-t3Max-iteration3（14）

ω2=t3Max-iteration3（15）

式中："ω1、ω2——動態(tài)權重系數(shù)。

更新后的蜣螂偷竊公式為

Xi（t+1）=ω1·Xb+ω2·C·｜Xi（t）-X｜+｜Xi（t）-Xb｜/2（16）

式中："Xb——全局最優(yōu)解;

C——0～1分布隨機數(shù)。

3.2.4"高斯柯西變異策略

高斯柯西變異策略綜合高斯變異和柯西變異的優(yōu)點，可以幫助算法跳出局部最優(yōu)解，提高算法的尋優(yōu)精度。高斯柯西變異策略更新后蜣螂公式為

Xi（t+1）=Xi（t）［1+μ1·Cauchy（0，1）+μ2Causs（0，1）］

μ1=1-tMax-iteration

μ2=tMax-iteration（17）

式中："Cauchy（0，1）——柯西分布隨機數(shù);

Causs（0，1）——高斯分布隨機數(shù);

μ1——柯西分布隨機數(shù)的權重系數(shù);

μ2——高斯分布隨機數(shù)的權重系數(shù)。

改進蜣螂算法流程如圖5所示。

3.2.5"IDBO算法性能分析

對IDBO算法、DBO算法、麻雀搜索算法（SSA）和WOA在CEC2005中3個單峰基準函數(shù)（F1～F3）和3個多峰基準函數(shù)（F8～F10）進行算法性能比較。

對所有算法設置種群規(guī)模為30，最大迭代次數(shù)為500。4種算法的基準函數(shù)迭代曲線如圖6所示。單峰函數(shù)尋優(yōu)結果如表4所示;多峰函數(shù)

尋優(yōu)結果如表5所示。評價指標為最優(yōu)值、平均值和標準差。

由圖6可知，3個單峰基準函數(shù)和3個多峰基準函數(shù)同一精度下，IDBO算法迭代次數(shù)最少，隨著迭代次數(shù)的增加，DBO算法、SSA和WOA的收斂曲線趨于平緩，出現(xiàn)停滯現(xiàn)象，尋優(yōu)精度相對較低;IDBO算法波動式降低，改進策略能夠幫助算法擺脫局部極值，增強全局尋優(yōu)。

由表4可知，函數(shù)為F1、F2和F3時，IDBO算法能找到最優(yōu)值、標準差和平均值，與其他3種算法相比，IDBO算法尋優(yōu)的能力更強。由表5可知，當函數(shù)為F8時，IDBO算法未能找到最優(yōu)值、標準差和平均值，但相對于其他算法尋優(yōu)結果更接近;當函數(shù)為F9時，IDBO算法和SSA可以找到最優(yōu)結果;當函數(shù)為F10時，IDBO算法可以找到標準差，4種算法找到的最優(yōu)值相同，但IDBO算法尋優(yōu)速度要比其他算法快。綜上所述，IDBO算法具有更優(yōu)的穩(wěn)定性和優(yōu)越的尋優(yōu)性。

3.3"實驗數(shù)據(jù)預處理

采集4種負載正常工作和電弧故障320個數(shù)據(jù)樣本，將數(shù)據(jù)集隨機打亂按照7∶3的比例劃分訓練集和測試集。訓練集由224個樣本組成，主要用于訓練;測試集由96個樣本組成，主要用于測試檢測效果。樣本和標簽對應情況如表6所示。

利用KPCA對提取的故障特征進行降維融合。降維特征信息占比圖如圖7所示。由圖7可知，前5個主元累計方差貢獻率達到0.976 4，因此選擇這5個主元作為電弧故障檢測的特征向量，然后輸入CNN-BiLSTM-Attention中進行電弧故障檢測。

3.4"IDBO-CNN-BiLSTM-Attention電弧故障檢測流程

步驟1：建立串聯(lián)電弧故障實驗平臺并對采集的實驗數(shù)據(jù)進行特征提取。

步驟2：選取7種特征量作為檢測指標，并對特征進行降維融合。根據(jù)負載類型給樣本貼上標簽，建立數(shù)據(jù)集。

步驟3：隨機抽取訓練集和測試集，比例為7∶3，進行歸一化處理。

步驟4：利用IDBO算法對CNN-BiLSTM-Attention參數(shù)進行優(yōu)化，輸入訓練集進行訓練。

步驟5：將測試集輸入訓練好的模型中，進行故障診斷并輸出測試結果。

IDBO-CNN-BiLSTM-Attention電弧故障檢測流程如圖8所示。

3.5"IDBO-CNN-BiLSTM-Attention電弧故障檢測結果

采用IDBO算法搜尋CNN-BiLSTM-Attention的最優(yōu)組合參數(shù)，IDBO種群數(shù)量設置為30，最大迭代次數(shù)為20，維度為3。搜尋參數(shù)分別為初始學習率，隱含層節(jié)點數(shù)，正則化參數(shù)，神經(jīng)網(wǎng)絡訓練次數(shù)為500次。CNN-BiLSTM-Attention超參數(shù)最優(yōu)值如表7所示。

利用IDBO-CNN-BiLSTM-Attention對樣本數(shù)據(jù)進行故障檢測。IDBO-CNN-BiLSTM-Attention電弧故障檢測結果如圖9所示;IDBO-CNN-BiLSTM-Attention電弧故障混淆矩陣如圖10所示。

由圖9可知，訓練集和測試集的識別結果相對一致，訓練集的準確率為98.21%，測試集的準確率為97.92%。

圖10中，IDBO-CNN-BiLSTM-Attention電弧故障混淆矩陣下方顯示的數(shù)據(jù)表示各實驗負載的準確率，右側(cè)顯示的數(shù)據(jù)表示各實驗負載的召回率。圖10（a）的訓練集混淆矩陣中，調(diào)壓電路發(fā)生電弧故障（標簽為5）的準確率和召回率分別為87.5%和85.7%，其余負載的準確率和召回率均為100%;圖10（b）的測試集混淆矩陣中，調(diào)壓電

路發(fā)生電弧故障識別準確率和召回率為85.7%和83.3%，其余負載所有情況的準確率和召回率均為100%。

調(diào)壓電路發(fā)生電弧故障在訓練和測試時均發(fā)生誤判，深入分析可知，調(diào)壓電路正常工作和發(fā)生電弧故障時的電流波形都存在諧波，這給電弧故障檢測帶來干擾。

本文提出的IDBO-CNN-BiLSTM-Attention串聯(lián)故障電弧識別方法的準確率較高，可以達到97.92%，說明本文方法能夠較好地實現(xiàn)對串聯(lián)電弧故障的檢測。

3.6"不同故障電弧檢測方法效果綜合對比

為驗證IDBO-CNN-BiLSTM-Attention電弧故障檢測方法的有效性，設計了3個對比實驗。

第1個實驗對比CNN-BiLSTM-Attention模型不同的卷積核大小、步長以及激活函數(shù)的電弧故障檢測準確率。不同模型參數(shù)設置如表8所示。各模型參數(shù)隱含層節(jié)點數(shù)為32，初始學習率為0.01，正則化參數(shù)為0.001，訓練次數(shù)為500次。不同參數(shù)模型電弧故障檢測結果如圖11所示。由圖11可知，本文設置的參數(shù)模型電弧故障檢測準確率要高于其他參數(shù)模型電弧故障檢測的準確率。

第2個實驗對比5種不同的模型，包括CNN、BiLSTM以及機器學習算法如RF、ELM以及本文的CNN-BiLSTM-Attention。5種不同模型電弧故障檢測結果如圖12所示。由圖12可知，CNN-BiLSTM-Attention模型電弧故障檢測的準確率要高于其他4種模型，驗證本文方法的有效性。

第3個實驗對比不同優(yōu)化算法優(yōu)化CNN-BiLSTM-Attention進行電弧故障檢測的準確率。

不同方法電弧故障檢測結果如圖13所示。由圖13可知，SSA、DBO算法、WOA優(yōu)化CNN-BiLSTM-Attention進行電弧故障檢測的準確率分別為95.83%、96.88%、96.88%。本文方法的準確率為97.92%，說明IDBO算法對CNN-BiLSTM-Attention優(yōu)化搜尋超參數(shù)最優(yōu)值可以提高CNN-BiLSTM-Attention電弧故障檢測的準確率，相比較其他優(yōu)化算法，IDBO算法優(yōu)化CNN-BiLSTM-Attention進行電弧故障檢測有著更高的準確率。

4"結"語

本文選取IDBO-CNN-BiLSTM-Attention方法對多維度特征融合實現(xiàn)串聯(lián)電弧故障診斷，提高電弧故障檢測的準確率。

（1） 選擇電流最大上升速率、峭度、三次諧波電流含有率、電流總諧波畸變率、小波能量熵、Tsallis小波包奇異熵和二階Burg自回歸模型所得模型參數(shù)矢量與參考矢量的歐氏距離為電弧故障的特征指標，利用KPCA對故障特征進行降維融合，充分利用了各特征指標對不同類型負載電弧故障檢測精度的融合互補，提高檢測方法的泛化能力。

（2） 基于CNN-BiLSTM-Attention模型融合各維度特征，充分保留特征之間的關聯(lián)性，提高串聯(lián)電弧故障檢測精度。

（3） IDBO算法優(yōu)化CNN-BiLSTM-Attention的隱含層節(jié)點數(shù)、初始學習率和正則化參數(shù)，彌補依賴經(jīng)驗設置超參數(shù)的不足，提高故障診斷準確率?；贗DBO-CNN-BiLSTM-Attention方法的串聯(lián)電弧故障診斷準確率可達97.92%，可高效識別串聯(lián)電弧故障。

【參 考 文 獻】

［1］"吳春華，鄭宇旋，汪飛，等.直流微電網(wǎng)故障電弧信號特性［J］.高電壓技術，2022，48（9）：3689-3699.

［2］"鄭力，鮑光海.基于改進MobileNet的串聯(lián)電弧故障檢測方法［J］.電器與能效管理技術，2024（2）：13-20.

［3］"江潤，方艷東，鮑光海，等.適用于低壓串聯(lián)故障電弧的Mayr改進模型［J］.電器與能效管理技術，2019（21）：14-18.

［4］"聶云良，趙宇，李瑞.基于改進Mayr模型與Comsol的串聯(lián)故障電弧研究與火災風險評估［J］.電器與能效管理技術，2022（11）：74-80.

［5］"高小慶，陳曉軍，鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型［J］.電器與能效管理技術，2021（3）：6-12.

［6］"王堯，馬桐桐，趙宇初，等.基于電磁輻射時延估計的串聯(lián)光伏直流電弧故障定位方法［J］.電工技術學報，2023，38（8）：2233-2243.

［7］"王堯，張彥風，牛峰，等.光伏直流電弧電磁輻射特性分析與測量方法［J］.電工技術學報，2019，34（14）：2913-2921.

［8］"崔芮華，佟德栓，李澤，等.航空交流電弧故障和串擾問題的頻域分析及特征量提?。跩］.電機與控制學報，2021，25（6）：18-26.

［9］"林靖怡，武建文，李奎，等.基于主成分分析和決策樹的故障電弧識別方法［J］.電器與能效管理技術，2023（4）：1-7.

［10］"單瀟潔，鄭昕.基于小波分析的低壓電弧特性識別模型的研究［J］.電器與能效管理技術，2021（6）：7-14.

［11］"盧其威，王濤，李宗睿，等.基于小波變換和奇異值分解的串聯(lián)電弧故障檢測方法［J］.電工技術學報，2017，32（17）：208-217.

［12］"何志鵬，李偉林，鄧云，等.低壓交流串聯(lián)故障電弧辨識方法［J］.電工技術學報，2023，38（10）：2806-2817.

［13］"崔芮華，佟德栓，李澤.基于廣義S變換的航空串聯(lián)電弧故障檢［J］.中國電機工程學報，2021，41（23）：8241-8250.

［14］"江永鑫，陳麗安，郭夢倩，等.基于改進CEEMD和RF的低壓串聯(lián)故障電弧識別方法［J］.電力系統(tǒng)保護與控制，2024，52（1）：97-108.

［15］"崔芮華，張振，佟德栓，等.基于改進經(jīng)驗小波變換多特征融合的航空交流串聯(lián)電弧故障檢測［J］.電工技術學報，2022，37（12）：3148-3161.

［16］"褚若波，張認成，楊凱，等.基于多層卷積神經(jīng)網(wǎng)絡的串聯(lián)電弧故障檢測方法［J］.電網(wǎng)技術，2020，44（12）：4792-4798.

［17］"任建吉，位慧慧，鄒卓霖，等.基于CNN-BiLSTM-Attention的超短期電力負荷預測［J］.電力系統(tǒng)保護與控制，2022，50（8）：108-116.

［18］"周凱，王曉東，王剛，等.基于注意力機制的永磁同步風電機組早期匝間短路故障診斷方法［J］.電器與能效管理技術，2023（6）：1-8.

［19］"歐陽福蓮，王俊，周杭霞.基于改進遷移學習和多尺度CNN-BiLSTM-Attention的短期電力負荷預測方法［J］.電力系統(tǒng)保護與控制，2023，51（2）：132-140.

［20］"謝彤彤，劉穎明，王曉東，等.基于CNN-LSTM的永磁同步風力發(fā)電機轉(zhuǎn)子偏心早期故障診斷［J］.電器與能效管理技術，2024（3）：1-6.

［21］"XUE J K， SHEN B.Dung beetle optimizer：A new meta-heuristic algorithm for global optimization［J］.Journal of Supercomputing，2023，79（7）：7305-7336.

［22］"崔芮華，李澤，佟德栓.基于三維熵距和熵空間的航空電弧故障檢測與分類技術［J］.電工技術學報，2021，36（4）：869-880.

［23］"白輝，許志紅.基于小波包變換和高階累積量的電弧故障識別方法［J］.電力自動化設備，2020，40（11）：195-202，224，203.

［24］"陳繼開，李浩昱，楊世彥，等.Tsallis小波包奇異熵與功率譜分析在電力諧波檢測的應用［J］.電工技術學報，2010，25（8）：193-199.

［25］"雍靜，桂小智，牛亮亮，等.基于自回歸參數(shù)模型的低壓系統(tǒng)串聯(lián)電弧故障識別［J］.電工技術學報，2011，8（8）：213-219.

收稿日期： 20240520