基于卷积神经网络的微电网故障诊断*

霍亚伟 李春华

（江苏科技大学 镇江 212000）

1 引言

卷积神经网络（CNN）最早被用于图像处理，且由于其网络构造特性被开始应用在轴承故障，变压器故障等领域。传统的CNN 的输入是二维图像的形式，为了满足输入条件，文献［9～10］分别利用短时傅里叶（Short-Time Fourier Transform，STFT）变换和连续小波变换（Continuous Wavelet Transform，CWT）将采集到的1D 振动信号转换成2D 时频图作为CNN 的输入；文献［11］为了适应轴承故障信号以1D 形式进行存储的特点，提出了基于1D 输入的CNN模型，实现了轴承故障的有效识别。在微电网故障诊断方面，目前尚未有在卷积神经网络基础上进行故障诊断的尝试，故本文尝试建立了一种基于二维卷积神经网络的故障诊断模型，对故障数据提取并处理作为神经网络输入，对故障诊断模型进行实验调参，最终得到合适的故障诊断模型。

2 卷积神经网络介绍

卷积神经网络主要由卷积层、池化层、全连接层等组成［12］。其思想简而言之就是利用卷积层与池化层对大量的数据进行卷积，即提取特征形成特征映射关系，再将池化层的特征映射图头尾相连，形成特征向量，最终，特征向量进入全连接层开始分类，得到想要的效果。

2.1 卷积层

进行卷积运算时，卷积层前一层的输出特征图与当前所在层的卷积核进行如式（1）所示的运算。

式中：为第l层第j个卷积核输出的特征图；Mi为第l-1 层输出特征图集合；第l-1 层输出的第i个特征图；为第l层第j个卷积；为对应偏置项；f(.) 为激活函数。输出特征图经过卷积运算再经过Relu 激活函数（2）非线性转化，形成新的特征图，这就是下一层的输入。

2.2 池化层

池化层对卷积层提取到的特征图降维。所谓降维即减参，通过减参使数据维度变小，特征更加明显。本文拟采用最大池化的方式。计算公式如式（3）所示。

2.3 全连接层

全连接层本质上是一种分类器。在全连接层中，神经网络输入数据在经过了多层卷积与池化后被映射到隐层特征空间，形成的特征图还需要通过全连接层与设定的输出样本标签互相映射，完成“分类”任务。文章拟使用softmax函数进行分类。

3 故障特征提取及数据处理

3.1 故障特征提取

通过PSCAD4.6建立微电网模型。配网电压等级0.4kV，频率50Hz。由于现实中微电网包含的分布式电源种类丰富，控制方法，特性各不相同，所以文章设置了包括光伏、风机、蓄电池、微型燃气轮机等分布式电源。在PCC 及各条线路两端均设置可采集系统电气量的断路保护装置，如图1 中的BRK1、2、3等。

马铃薯浇水采用深沟浅灌，水不得漫过垄面，幼苗期由于植株小需水量较少，无需浇水；块茎形成期直至增长期要及时灌溉，此时马铃薯处于需水临界期，需要足够水量；开花期至成熟期气温升高，要适当浇水以防止土壤干旱，收获前20天停止浇水。

图1 微电网模型

仿真设置微电网在3s 时在F1～F5 处发生常见的单相接地短路（AG）、两相相间短路（AB）、两相接地短路（ABG）、三相短路（ABC）、包括正常状态的五种故障情况，持续时间1s。图2、3 分别模拟了F4 处分别发生AB 相接地和A 相接地故障，观察得到的PCC处三相电流及电压波形，比较与正常时波形的变化，可见发生明显波动。

图2 AB两相接地

图3 A相接地

3.2 故障数据处理

为了训练故障检测模型，需要大量输入。因此要提取足够充分并且有效的故障样本。本文对微电网包括正常情况下的五种故障情况进行了仿真，并且公共耦合点（PCC）处测量故障时三相电流电压。故障仿真设置在故障发生前1s 到故障发生1s的时间内对波形图以0.2s的时间间隔进行取样，可以得到对应的各相电流、电压，如表1所示。

表1 故障三相电流电压表

经过仿真，可以得到一系列数据：Ia1、Ia2…Ia10；Ua1、Ua2、Ua3…Ua10；Ib1、Ib2、…Ib10；Ic1、Ic2、…Ic10等。其中1、2…10分别代表对波形进行每隔0.2s 取样得到的数据的标签，a、b、c 为各相标签。

将故障发生时PCC处的三相电流、三相电压经过归一化预处理，再以如上表所示形式将故障电压电流纵向排列为对矩阵形式作为输入。先进行归一化处理［13］。

在式中，以y 作为原始数据，x 为归一化之后的数据。并且仿真每个周期设置了10 个取样时间点，故障位置设置了5 个，故障类型设置了5 种，这样就可以将得到的故障数据一一排列为矩阵形式作为故障诊断模型的输入。对于训练集中的数据，需要给它们打上对应的故障状态标签，卷积网络会根据标签来自行调整权重，来使输出的标签与输入相对应。文章的故障诊断需要对故障位置以及故障类型做出分类，所以对它们设置如下的标签。

其次故障类型算上正常情况一共有5 种，且故障位置也是5 个。所以文章解决的实际是个多标签分类问题。这里由于训练数据量不是很大，采用2种标签分批次分别训练的方法。以输出层的5个神经元对应5种分类结果，激活值为1，表示输入数据与故障类型对应，为0 则表示不对应，因此对故障类型做出编码如表2、3所示［14］。

表2 故障类型编码

表3 故障点编码

4 卷积神经网络模型的搭建

本文故障诊断模型设计思想是将故障数据组合成矩阵形式输入到网络中，通过CNN 自适应提取故障的特征的特点，通过正向传播输出结果，并与实际结果标签比较，矢量计算之间误差，再使用BP 算法调整和修改模型参数，得到合适模型，以用于后续故障诊断［15］。由于本文故障样本数据不大，所以本文初步设计的卷积神经网络设计的比较简单。如下。

图4 微电网故障诊断神经网络模型

表4 故障诊断网络参数表

整个过程大致如图5。

图5 故障诊断流程图

5 实验结果与分析

文章通过仿真共得到550 组故障样本数据，随机选取其中的80%约440 组数据作为训练数据，剩余的110 组数据作为测试数据。对可能对实验结果造成影响的卷积核、迭代次数等因素控制变量进行实验分析验证。

5.1 卷积核选取对实验结果影响

在相同参数情况下，分别取4×4 和3×3 的卷积核。实验结果如表5 所示，卷积核越大，准确率越低；卷积核越小准确率越高。因为卷积时据卷积核越小，对输入数据特征提取运算次数增加，相应的，特征更明显，输出特征与输入互相映射的准确率也会增加，因此模型的分类能力会更好。并且，卷积核取奇数取偶数也是有区别的，从表中可见，取奇数3 时测试准确率要稍高。原因是卷积中有一种same convolution，即卷积前后一样大。如果卷积核尺寸为k×k，被卷积张量的尺寸为n×n，padding 为k-1 时，则可实现same convolution（n + padding-k + 1 = n）。若k 为偶数，那么padding 就为奇数，就不能平均分配到卷积张量两边。而且奇数卷积核更加适合用中心定位，所以一般卷积核大小取奇数。

表5 卷积核大小对模型准确率的影响

此外，观察表6，取相同的卷积核尺寸，虽然随着卷积核个数增大。训练时间变长，但是相应的训练集，测试集准确率却增高了，而训练时间最高也不过205s，所以综合来看卷积核个数多一些，训练准确率也会相应高一些，但是卷积核个数也无需过多，不然会增大训练时间。训练难度。

表6 卷积核个数对模型准确率的影响

5.2 迭代次数对实验结果影响

为了避免在输入数据量不够多的情况下模型准确率受到影响，设置了迭代次数。分别取迭代次数为5、10、20、30、35，训练模型，计算训练准确率，如图6所示。

图6 模型准确率折线图

当迭代次数在30 之前时，准确率递增，越接近30，增率越小。当取到迭代次数30 时，训练准确率几乎达到平衡，再往后几乎不变。这表明，故障诊断模型已经对训练集的故障特征有了充分的学习。为避免过拟合，迭代次数也不宜过高，所以选择30即可。

结合上述实验结果可知，CNN中卷积核取值一般取奇，取值越小，输入数据特征被提取的越细，诊断准确率也越高。

诊断准确率同时也被迭代次数影响，通常为了避免过拟合，迭代次数在适当取值范围内次数越多，准确率越高。

最后根据上述实验结果，设置卷积层、采样层与全连接隐含层以及输出层组成5 层神经网络故障诊断模型，取30 的迭代次数，与基于BP 神经网络的故障诊断模型比较。同时调整两者的权重W和偏置b 初始化为0～1 之间的随机数，并进行训练，观察记录模型的准确率、训练时间以及测试时间［16］，如表7所示。

表7 BP与卷积神经网络准确率对比

观察表7可知：

1）卷积神经网络在训练集准确率、测试集准确率以及运行时间上都要优于BP神经网络。

2）CNN 训练时间205s，BP 神经网络训练时间80s，CNN要慢于BP神经网络。

综合考虑各方面因素，得出基于卷积神经网络的故障诊断模型要比使用BP神经网络更为优秀的结论。

6 结语

文章对微电网网内及网间共5 处故障点各发生5 种故障类型进行了仿真，选取故障时微电网模型PCC处的三相电压电流为故障特征，经过数据预处理作为训练模型输入。并通过分析卷积核与迭代次数对故障诊断模型的影响，适当调整参数，确立了故障诊断模型。解决了微电网网内或网间故障时诊断政策、方法不方便的问题。

同时与BP 神经网络的比较，在故障诊断的准确率、训练时间等方面，卷积神经网络也表现出了更优的效果。