ADINet:一种用于电弧故障检测的自适应依赖关系交互网络
《Electric Power Systems Research》:ADINet: An adaptive dependency interaction network for arc fault detection
【字体:
大
中
小
】
时间:2026年08月30日
来源:Electric Power Systems Research 4.3
编辑推荐:
• 低秩特征融合(LFF)模块用于融合多波段电弧信号特征。
• 频时特征交互(TFFI)模块增强了跨波段建模能力。
• 自适应依赖交互(ADI)模块可以交替进行时频交互。
• 轻量级ADINet在保持高性能的同时,计算成本较低。
引言
电弧故障是一种常见且危险的电气异常现象,通
• 低秩特征融合(LFF)模块用于融合多波段电弧信号特征。
• 频时特征交互(TFFI)模块增强了跨波段建模能力。
• 自适应依赖交互(ADI)模块可以交替进行时频交互。
• 轻量级ADINet在保持高性能的同时,计算成本较低。
引言
电弧故障是一种常见且危险的电气异常现象,通常由电线老化、接触不良或绝缘层退化引起。其特征是电流信号中存在高频波动和随机放电成分。如果这些故障未能及时检测到,它们很容易引发电气火灾、损坏设备,并对人身安全构成威胁,从而危及配电网络和家庭用电安全。目前,电弧故障检测方法可分为传统方法和机器学习方法。传统电弧故障检测方法主要依赖于手工设计的特征提取和信号处理技术。这些方法可以通过三种方式实现:时域分析[1]、[2]、[3]、[4],频域分析[5]、[6]、[7]、[8],以及时频分析[9]、[10]、[11]、[12]。尽管这些方法在某些特定负载条件下表现良好,但它们存在两个主要限制。首先,传统方法的性能严重依赖于提取特征的质量,而这些特征往往是针对有限范围的负载类型设计的。当遇到新型电器或复杂的负载组合时,这些手动设计的特征通常泛化能力较差。其次,这些方法对噪声非常敏感,在实际应用中会导致检测精度大幅下降。机器学习方法已广泛应用于电弧故障检测,包括一些统计学习方法(如支持向量机(SVM)[13]和随机森林(RF)[10])以及网络学习模型(如全连接神经网络[14]、[15])。虽然统计学习方法在某些方面提高了检测性能,但它们仍然依赖于手动设计的特征,在处理高维和非平稳电弧信号时表现有限。正如Wang等人[14]所指出的,与深度学习方法相比,统计学习方法在复杂负载条件和数据不平衡情况下的检测性能较差。幸运的是,尤其是深度学习,在电弧故障检测方面展现了显著优势。深度学习模型主要基于三种基本网络架构:卷积神经网络(CNN)、循环神经网络(RNN)和Transformer。现有的深度检测模型单独或组合使用这些架构。通常,深度模型可以自动从输入数据中学习特征。因此,根据深度模型的作用,可以将其分为两类:特征提取和特征重建。前者直接从原始信号中提取特征,而后者首先应用某种特定的数据转换(如小波变换),然后使用深度模型重新提取特征。
作为特征提取方法,CNN、RNN和Transformer已分别应用于电弧故障检测。Wang等人[16]设计了一种基于CNN的电弧故障检测模型ArcNet。ArcNet以端到端的方式学习时间信息,并通过一维CNN(1D-CNN)在较高采样率下实现高精度,无需任何中间转换。Zhou等人[17]应用了一种定制的多尺度CNN(MS-CNN)从原始电弧信号中学习不同感受野的时间特征。Wang等人[18]提出了一种信号自适应特征网络(SAFNet),该网络使用投影-追踪映射过程将一维电流信号转换为二维矩阵,并结合深度可分离卷积和瓶颈结构实现轻量级检测。Li等人[19]直接采用RNN捕获原始信号的时间依赖性,并结合快速连续检测策略和概率校正机制,在处理动态电弧信号时表现优异。Chabert等人[20]首次引入Transformer神经网络(TNN)用于检测电弧故障,提供了Transformer架构在此任务上可行且有效的最早证据。尽管上述模型简单有效,但它们主要直接从原始信号中学习时域波形变化,没有明确将电流信号分解为物理意义上的频带特征。因此,可能无法充分考虑低频成分和高频瞬变之间的耦合。
为了充分利用信号中包含的频率或时频信息,研究人员考虑了特征重建方法。这类方法首先对原始信号应用一些数据预处理技术(如低通滤波器和小波分析),然后通过深度模型对处理后的信号进行电弧故障预测。例如,基于迁移学习的低能量电弧故障检测网络(TL-LEDarcNet)将经过20kHz低通滤波器过滤的信号作为1D-CNN的输入[21]。Yang等人[22]提出了一种时域可视化卷积神经网络(TDV-CNN),该网络首先通过5-200 kHz巴特沃斯数字带通滤波器处理从原始信号生成的灰度图像,然后通过CNN检测电弧故障。类似地,Chu等人[23]设计了一种高频耦合卷积神经网络(HCCNN),该网络使用高频耦合传感器将电弧信号转换为灰度图像,增强了与电弧相关的特征表示。尽管这些方法通过过滤或图像变换提取了频率相关信息,但得到的特征通常由CNN以相同的方式处理,没有区分不同的频带成分。因此,这些方法没有明确建模物理意义上的频带成分之间的依赖性。Ning等人[24]提出的CNN-Transformer并行神经网络(CTPNN)首先通过ADC(模数转换器)对测量数据进行采样,分别从低频和高频信号中提取特征。Yu等人[25]和Zhang等人[26]都首先使用小波分解对原始信号进行预处理,然后生成包含时频信息的数据。前者采用了门控循环单元(GRU[25](RNN的一种变体)来捕获多分辨率时频特征和时间演化模式,而后者则使用残差网络(ResNet[27](一种CNN)在变化和动态负载条件下保持强大的检测性能。此外,最近的研究将轻量级架构引入了特征重建框架。例如,Xu等人[28]提出了一种基于MobileNet的方法,该方法结合了时频特征提取和轻量级深度特征学习模型(MobileNetV2[29]),并采用了基于注意力的融合和鲸鱼优化算法。最近,Wang等人[30]提出了一种基于傅里叶的轻量级多频神经网络(MFNN),该网络通过增强的自适应正弦激活和分解式分支结构实现了强大的抗噪声能力,并且参数成本较低。总体而言,特征重建方法有效地利用了原始信号中的频率或时频信息,但它们通常没有明确表征频带成分的不同物理含义或建模它们之间的依赖性。此外,大多数方法对深度模型本身关注较少。因此,当它们依赖于复杂的CNN、RNN或Transformer架构时,计算成本可能相对较高。因此,需要设计一种轻量级机制来明确协调电弧故障检测中的时频交互和跨波段交互。
为了交互时频特征并降低高计算复杂性,我们提出了一种自适应依赖交互网络(ADINet)用于电弧故障检测。ADINet的主要特点是能够以明确、自适应和轻量级的方式交互时频信息。与现有的特征提取和特征重建方法不同,ADINet将离散小波变换(DWT)的成分视为频带表示,并与时间特征进行交互。在ADINet中,频时特征交互(TFFI)模块使用ADI模块来明确和自适应地建模局部时间特征与频带之间的交互。本工作的主要贡献总结如下:
1. 提出了一种低秩特征融合(LFF)模块,用于融合来自电弧信号的多波段特征。该模块采用轻量级的低秩全连接(LrFC)块实现高效的特征重建和维度对齐,从而保持特征表示能力。
2. TFFI模块用于交互时频特征信息,然后生成交互后的时频表示。在该模块中,新设计的自适应依赖交互(ADI)块依次交互时间和频带信息。此外,ADI可以通过频带自适应单元(BAU)调整跨波段交互信息的强度,并通过频带门控单元(BGU)调节注入交互时间特征的跨波段交互信息的比例。
3. 基于LFF和TFFI模块,我们提出了ADINet用于电弧故障检测。ADINet通过处理这些信号中包含的时频信息,将给定的电弧信号分类为两种类型(正常和故障)。在公共电弧故障数据集上进行了与主流方法的全面比较。结果表明,ADINet参数较少,在大多数情况下具有更优的检测性能。
ADINet架构
图1展示了ADINet的总体架构。该模型包含四个主要模块:特征提取(1D-DWT)、特征融合(LFF)、特征交互(TFFI)和分类(Softmax)。给定输入信号x,ADINet的目标是自动识别它是正常还是电弧故障。以下简要描述推理过程:
首先,特征提取模块通过应用1D-DWT从电流信号x中捕获稳态和瞬态成分。
数据集描述和模型评估
为了验证所提出的ADINet模型在电弧故障检测中的有效性,我们在公开可用的IAED(Intever公共电弧事件检测数据库)数据集上进行了实验。该数据集由Zhou等人[17]提出,并由东南大学和江苏Intever能源技术有限公司构建。IAED包含从十种常见家用电器在三种典型负载连接类型下收集的电弧电流数据。
结论
本研究提出了ADINet,这是一种轻量级的电弧故障检测网络,它集成了LFF和TFFI模块,用于多波段特征融合和时频信息交互。在IAED数据集上的全面实验表明,ADIN在六个子集中的五个上实现了具有竞争力的检测性能。具体来说,ADIN在HR集上的F1分数达到了97.35%-98.26%,在LR集上达到了93.94%-96.15%。消融实验表明LrFC的性能优于CRedI。
作者贡献声明
Zhenyu Zhou:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、软件、资源、项目管理、方法论、调查、正式分析、数据管理、概念化。
Xiaofeng Chen:软件、方法论、调查、数据管理、概念化。
Jie Gao:撰写 - 原始草稿、验证、项目管理、方法论、调查、资金获取、概念化。
Li Zhang:撰写 - 审稿与编辑。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号