基于一维多尺度轻量级DenseNet的配电网高阻接地故障检测方法

2022-07-14袁智勇白浩邵向潮潘姝慧雷金勇王康高伟

南方电网技术 2022年6期

袁智勇，白浩，邵向潮，潘姝慧，雷金勇，王康，高伟

(1. 南方电网科学研究院，广州510663；2. 广东电网有限责任公司东莞供电局，广东东莞530600；3. 福州大学电气工程与自动化学院福州350108)

0 引言

现代社会对电能质量的要求越来越高，全世界都在尽可能减少配网停电时间和运行成本。配电网故障的快速可靠检测是其中的关键，近几十年来得到了广泛研究。其中的重点问题包括高阻接地故障(high impedance grounding fault，HIF)。HIF通常由线路与树木或水泥地等高阻抗介质接触引起，接地介质电阻从几百欧姆到几千欧姆，故障电流在几安到几十安之间[1]。故障后电流电压的变化不大，无法通过传统过流保护装置检测。HIF通常伴随着电弧，又被称为弧光高阻接地故障，容易导致火灾或人身事故，在配网故障中，HIF是致死的主要原因之一，对其进行快速准确检测具有重要意义[2]。

现有文献对HIF的检测主要是通过特征提取算法对电流或电压数据进行处理，随后使用阈值或各类分类器进行判定。

文献[1,3 - 6]使用了电压或电流的时域特征进行故障检测。文献[1]发现HIF发生时零序电流的斜率具有凹凸性，将一个工频周期内凹凸性变化次数作为HIF检测的判定标准。文献[3]通过零序电流斜率变化来描述“零休”特征，并加入了格拉布斯法进行降噪，设定阈值实现HIF准确检测。文献[4]通过检测电压波形相对标准正弦波的失真程度对HIF进行检测与定位。文献[5]使用Kullback-Leibler散度来衡量发生HIF后电压波形的非线性和不对称性，该指标能够将HIF与电容器、负荷投切等各类正常工况下的操作区分开来。文献[6]使用皮尔逊偏度系数来量化故障电流的不对称性，确定阈值区分HIF与其他瞬态过程。以上时域方法检测速度较快，可解释性较强，但其通常抗噪能力较弱，且在故障特征微弱时容易漏判。

文献[7 - 10]通过时频域分析提取特征对HIF进行检测。文献[7]发现HIF发生后各频段能量占比发生较大变化，使用小波能量矩提取故障电流的各频段的能量，计算特征值实现HIF检测。文献[8]使用小波阈值降噪结合小波分解进行HIF检测，实现了在高强度噪声下的HIF检测。文献[9]使用短时傅里叶分解提取相电流的低次谐波分量，通过各次谐波的占比来判断HIF。文献[10]认为将零序电流进行变分模态分解后，得到的峰度值最高的模态能够反映电弧的重燃与熄灭现象，引入了能量熵来判断HIF的发生。以上方法能够较为准确地识别发生在不同接地介质下的HIF，但其阈值的设定十分困难。

为解决阈值设定的难题，许多文献引入各类机器学习方法，训练分类器以完成HIF的判定。文献[11 - 12]均使用小波分解进行特征提取，随后分别训练了卷积神经网络和进化神经网络判定HIF。文献[13 - 14]分别通过经验模态分解和变分模态分解进行特征提取，随后分别训练了支持向量机和前馈神经网络以实现HIF的准确识别。文献[15]引入了半监督学习以解决传统机器学习算法对标签的强依赖性。文献[16]直接使用卷积神经网络进行HIF辨识。文献[17]使用变分原型自编码器进行特征提取工作，训练决策树对HIF进行判定。以上算法解决了阈值设定的难点，但大多使用仿真信号进行建模和测试，由于实测信号与仿真信号的差异性较大，算法在实际应用时的性能有待进一步探讨。

本文在DenseNet模型基础上[18]，提出一维多尺度轻量级DenseNet(1D Multiscale Lightweight DenseNet，1D-MLDenseNet)网络实现HIF诊断。该模型使用多尺度卷积核提取不同尺度的故障信息；建立双通道全连接模块(Dense Block)使不同的特征更有效地获得传递，缓解模型的梯度消失问题；使用ELU函数作为激活函数，改善了模型的收敛性。对比实验验证了所提模型的有效性。同时本文还对HIF仿真模型进行了改进，使其对发生在不同工况下的HIF波形模拟更加准确。

1 高阻接地特征分析及仿真

1.1 高阻接地故障特征分析

HIF可以定义为不激活常规过流保护装置的低电流故障，其通常发生于导体与树枝或地面接触，或导体断裂接触到地面[19 - 20]。由于接触介质的多样性，并且导体与介质的接触受环境因素影响较大，导致HIF的特征十分复杂多变。

HIF最普遍的物理特征是其经常伴随着交流电弧，交流电弧的重燃与熄灭使得电流出现“零休”现象。当导体与接触介质之间的电压超过气隙的击穿电压时，此时电离作用较强，气隙发生击穿，电弧开始燃烧，电流迅速上升；当导体与接触介质之间的电压低于气隙的击穿电压时，此时电离作用较弱，气隙恢复绝缘，电弧熄灭，电流迅速降低[3]。在每个工频周期内中，HIF将出现两次电弧重燃和两次电弧熄灭[21]。“零休”现象表现为电流在过零点变化趋势放缓，引言中部分文献通过“零休”现象对HIF进行辨识。但实际情况中“零休”现象十分多变，表现形式各异，还会出现偏移以及不规则畸变等情况，再加上噪声的干扰，难以找到共性指标对不同的“零休”现象进行表征。

通过对大量实际故障的分析，发现HIF主要有以下几个特征[21]。

1)间歇性：HIF通常由于断线与地面接触或裸露导线与树木接触导致。受大风等因素影响，故障回路的形成具有随机性，故障回路出现间歇导通的情况。如图1所示的故障电流波形即表示了高阻接地故障的间歇性。

2)故障特征微弱：HIF发生时，故障电阻大，故障电流一般不超过系统总负荷电流的10%，三相电压电流仍基本保持对称。

3)非线性：交流电弧的重燃与熄灭，以及接地介质的非线性，导致故障电流出现非线性畸变。主要表现为“零休”现象，即电流波形在过零点附近发生明显畸变。图1有明显的“零休”现象。

图1 间歇性HIF电流波形Fig.1 Intermittent HIF current waveform

HIF的故障特征微弱是其难以检测的最主要原因。在进行负荷投切及电容器投切时，电流同样会出现相同数量级的波动。故障电流的非线性是区分HIF与其他干扰的最主要特征，但不同的接地介质、中性点接地方式会使得故障电流特征发生变化；“零休”现象可能变得微弱，或出现偏移等情况。这使得高阻接地故障没有固定的特征，难以进行检测，且仿真十分困难。

1.2 高阻接地故障仿真模型

在PSCAD/EMTDC软件平台上搭建配电网模型，实现HIF及各类干扰的仿真。拓扑图如图2所示，线路参数的设置参考文献[17]，其具体值如表1所示。故障点设置在每条线路的中段与末端，如F1—F14所示，在谐振接地、小电阻接地及不接地系统中进行仿真以获取足量的仿真数据。

图2 配网模型结构图Fig.2 Structure diagram of distribution network model

表1 线路参数Tab.1 Line parameters

HIF的仿真重点是故障模型的建立，目前常用的电弧模型有基于热平衡的Mayr模型、Cassie模型以及在Mayr模型基础上改进得到的控制论电弧模型与动态弧径模型[22]，该类模型采用微分方程描述电弧的动态发展过程，但主要适用于密闭空间内的燃弧特性[23]。由于基于热平衡理论模型的局限性，基于汤逊理论的对数电弧模型被提出，该模型适用于描述大气短间隙放电，与实际HIF的发生情景相符，在对数电弧的基础上也提出了一系列改进的模型[23 - 25]。本文使用Emanuel模型作为HIF故障模型，其为根据大量现场实验数据建立的经验模型[17]，由于其参数调节简单，与实际故障相似程度高，在国内外应用广泛[7,10 - 17]。模型由2个电阻、2个二极管及2个直流电压源反并联而成，但其无法模拟电弧的电压和电阻随机波动特性，以及“零休”现象的偏移特性。为此，本文使用了时变电阻与时变电源，即电阻及电压源的值会随时间在一定范围内随机波动，以解决电弧电压与电阻的时变性问题；加入了电感Lf，通过调节电感大小可以控制“零休”特征的偏移情况。所提改进电弧模型的结构如图3所示。

图3 电弧模型结构Fig.3 Arc model structure

图4 各种模型仿真得到的HIF波形对比Fig.4 Comparison of HIF waveforms from various models simulation

为验证所提模型的有效性，将其与Mayr模型、Cassie模型、动态弧径模型[22]以及改进对数电弧模型[24]进行对比。参照文献[3]所给出的实测典型HIF波形，通过调节模型参数，给出5个模型的仿真结果如图4所示。可以看出，在“零休”现象不发生偏移且无不规则畸变时，5类模型均能够较为准确地对实测波形进行模拟，但在电流波形出现不规则畸变或“零休”偏移现象(图4(f)、(g)、(h))时，只有所提模型能够较为准确地进行模拟。

从图4可以看出，发生在不同工况下的HIF波形存在着明显差异，其波形畸变与接地介质特性、湿度及电弧燃烧情况有关，过渡电阻越大或电弧燃烧越微弱，则畸变越不明显[3]。图4(a)、(d)中表现出标准的“零休”现象，电流在过零点变化趋势放缓，该类HIF畸变明显，且规律性强，是HIF中最易识别的情况；图4(b)、(c)、(g)“零休”现象较为微弱，仅表现为较短时间内的斜率变化，畸变较不明显，其中(b)、(g)还出现了“零休”现象的偏移，与正常工况下的电容器或负荷投切难以区分[7]；图4(e)、(f)、(h)出现不规则畸变，燃熄弧受到各类因素影响，“零休”现象不规则，这使得时域、时频域方法难以提取其中的有效信息。并且实际测量得到的数据一般含有噪声，噪声会使得本就不明显的“零休”现象被进一步遮掩。故HIF的准确检测十分困难，需要提取出发生在不同条件下HIF的共性特征来实现HIF的检测。

2 高阻接地故障诊断模型

早期的HIF检测主要依靠先验知识或人工提取样本特征，通过阈值设定实现对HIF的辨识。方法的有效性取决于所提特征的好坏，且不同高阻接地故障工况下的HIF波形差异较大，仅依靠单一特征或几个特征难以表征不同HIF波形的共性。近年来随着机器学习算法的兴起，HIF检测领域引入了许多机器学习方法。机器学习是基于数据驱动的黑箱模型，其本质是模式识别，最终目的是通过大量数据训练从数据中发现复杂规律，让机器学习到一个抽象模型。

本文使用深度学习方法对HIF进行辨识，使用HIF波形数据训练具有多个隐层的机器学习模型，实现对波形特征的主动提取，提升分类的准确性。与依靠人工经验提取波形特征的方法相比，数据驱动的方法能够充分利用数据隐含信息，所提取的波形特征更为丰富、有效，可提取不同HIF波形的共性特征，且避免了阈值设定的难题。

2.1 DenseNet模型

DenseNet模型[18]脱离了加深网络层数(如ResNet网络)和加宽网络结构(Inception结构)来提升网络性能的定式思维，通过特征重用和旁路设置，大幅度减少了网络的参数量，缓解了梯度消失问题[18]。主要贡献是引入了全连接模块(Dense Block)的概念，由多个Dense layer组成。

Dense layer的结构如图5所示，对输入先进行批量归一化，经激活函数处理后通过大小为1×1的卷积实现通道数调整，再次批量归一化后经过大小为3×3的卷积实现降维。由4个Dense layer组成的全连接模块的结构如图6所示。

图5 Dense layer结构Fig.5 Structure of Dense layer

图6 Dense Block结构Fig.6 Structure of Dense Block

Dense Block的设计使得其内部的每一层都可以从前端所有层的输出中获得梯度，使特征的传递更加有效，缓解了梯度消失的现象，使网络能够设计得更深。Dense Block的表达式如式(1)所示。

xl=Hl([x0,x1,…,xl-1])

(1)

式中：xl为卷积层的输出；Hl为卷积层所做的非线性变换。

DenseNet的每一层都在输入到激活函数前进行了批量归一化(batch normalization，BN)。BN层处理后的数据满足均值为0，方差为1的高斯分布，能够有效地避免数据在分布上的偏移，并远离激活函数的导数饱和区。BN层能够加快训练过程并提高网络性能，有效地降低了梯度消失的影响[18]。主要计算过程如式(2)所示，变量释义见文献[18]。

(2)

DenseNet的设计者证明了在卷积核数量较少时，网络效果仍较好[18]，故所使用的卷积核个数均较少。每次卷积前都预先加入1×1的卷积操作，既减少了参数，又能够融合各个通道的特征。在全连接模块之后加入了过渡层(Transition layer)，该结构也进行1×1的卷积操作，将全连接模块中所有层的输出进行融合，进一步减少网络参数。

文献[18]设计的DenseNet的结构为前端使用1个7×7的卷积层，进行最大池化处理后使用4个全连接模块与过渡层交替连接，其卷积核大小均为3×3，随后使用Dense层实现分类。

2.2 本文所提模型

本文对上述模型进行了改良以适应序列数据的检测需求，最终得到一维多尺度轻量级1D-MLDenseNet模型，如图7所示。具体改进点如下。

1)为能够将零序电流序列波形作为模型的输入，将适用于图像分类的DenseNet模型改造成可以读取一维序列数据的模型，即将卷积核大小由n×n改为1×n。

2)将原始模型的单尺度卷积改为了多尺度卷积，即进行了大小为1×3、1×5、1×7的卷积操作，多尺度特征结果再合并以提高模型性能。

3)为使特征能够更有效地进行传递，本文采用了双通道全连接模块，使用了1×3和1×5两种不同大小的卷积核并行提取特征，进一步缓解了模型的梯度消失问题。出于减少参数量考虑，本文仅使用了两个并行的全连接模块以及一个过渡层，建立了一个轻量级的网络模型。

4)使用ELU函数替代原模型的ReLU作为激活函数，改善模型的收敛性能。ReLU作为激活函数时，计算过程简单，收敛速度快。但当其输入为负时，其输出为0，一阶导数也为0，神经元无法更新参数，训练基本进入停滞，无法收敛。

图7 1D-MLDenseNet结构图Fig.7 Structure diagram of 1D-MLDenseNet

理想的激活函数应该满足两个条件[26]：1)能够输出零均值分布数据以加快训练速度；2)单侧饱和使得网络能够更好地收敛。ReLU函数单侧饱和但无法输出零均值分布数据，Leaky ReLU函数能够输出零均值分布数据但两侧均不饱和[27]。

ELU函数能够满足上述两个条件，解析式如式(3)所示，其中超参数α一般取为1[27]。3种不同激活函数的对比如图8所示。

(3)

图8 3种激活函数对比Fig.8 Comparison of three activation functions

从图8中可以看到三者在大于0的部分是完全相同的；小于0的部分ELU函数会出现饱和，且ELU在小于0的部分一直存在梯度，不会出现神经元“死亡”的问题。

3 算法验证

3.1 仿真数据获取及验证

在图2所示的配网模型中，通过改变各类故障及干扰的参数、发生位置、相角及中性点接地方式以获取足量数据。本文设置了3类干扰，电容器投切时，零序电流会出现波动，其零序电流波形如图9(a)所示。励磁涌流在变压器空载合闸时发生，考虑剩磁、合闸角的影响，三相发生涌流的程度不同，也会导致零序电流出现波动[28]，其零序电流波形如图9(b)、(c)所示。图中所展示的为小电阻接地系统中发生以上两类干扰时波形，本文考虑了不平衡电流的影响，从图9(a)、(b)、(c)中可以看到，在扰动发生前小电阻接地系统的零序电流就存在着波动。预调式谐振接地系统在正常情况下脱谐度较低，通过阻尼电阻来避免发生串联谐振，在投切三相对地电容不平衡线路时可能导致阻尼电阻的误短接，产生串联谐振使算法误判[29]，其零序电流波形如图9(d)所示。

图9 各类仿真零序电流波形Fig.9 Various simulated zero sequence current waveforms

考虑到随调试消弧线圈通常为相控式，通过晶闸管的通断进行控制，会产生谐波电流[30]，故本文各类扰动与HIF在相控式消弧线圈接地系统中也进行了仿真，根据文献[30]设定消弧补偿度为过补偿5%，可控硅导通角为120 °。

进行仿真实验时，故障发生相角设置为0 °、60 °及90 °；故障发生位置设置在线路首端、中段及末端；中性点接地方式包括中性点不接地、中性点经小电阻接地及消弧线圈接地；并改变故障模型参数以保证样本类型的全面性。最终获得了HIF数据500组，电容器投切、励磁涌流两类干扰数据各200组，串联谐振数据100组，采样频率为4 kHz，录波时长为0.5 s。

考虑到HIF的间歇性以及持续时间的差异性，要求诊断模型应该能同时满足对稳态和暂态故障波形的识别，实现在故障发生后任意时刻的辨识。考虑到即便是间歇性HIF也会持续8～9个周波[17]，故本文以3周波数据作为模型输入。

首先随机选取80%的数据作为训练集，20%的数据作为测试集。随后对分类好的数据样本进行分割，从故障前1周波开始，每3周波作为一个样本，样本重叠率为30%，实现样本增强。最终获取了4 000组训练样本，1 000组测试样本。这样处理的好处是同一条故障样本的数据经过分割后，不会同时出现在测试集和训练集中，可以有效地评估模型对新样本的检测能力。考虑到实际数据存在大量的噪声，向训练数据中随机加入了信噪比为15 ～25 dB大小的高斯白噪声。

模型经过训练集训练后，验证集准确率达到100%。使用测试集测试后，混淆矩阵如表2所示。每种类别的误判样本极少，只有2～3个，整体识别准确率达到99.5%，说明本算法面对扰动时，具有较高的HIF辨识准确率。

表2 用混淆矩阵表示的仿真数据测试结果Tab.2 Test results of simulation data represented by confusion matrix

仿真测试数据中包含400组经小电阻接地样本、300组经小电阻接地样本及300组经消弧线圈接地样本。漏判和误判样本的示例如图10所示。

图10 漏判及误判样本示例Fig.10 Examples of missed and misjudged samples

经分析发现，漏判样本均为经消弧线圈接地系统中获取的HIF样本，故障发生于线路末端，电弧电压较小。由于消弧线圈的作用，导致这些样本的“零休”现象消失，表现为近正弦波，导致模型漏判。误判样本均为电容投切时的暂态波形，包括消弧线圈接地系统及小电阻系统中获取的。其暂态波形表现出类似“零休”现象的畸变，使得模型误判。

3.2 模型的改进效果验证

为了评价模型的改进效果，使用相同训练集与测试集，将所提方法与一维单尺度DensNet网络(卷积核分别为1×3、1×5和1×7)进行了对比。训练过程准确率变化如图11所示。可以看出，所提算法的训练集准确率上升速度快，在迭代较少次数时就已收敛，且稳定下来后的准确率明显高于单尺度卷积。从表3所示的测试结果看，所提方法面对测试集时，准确率也是最高的，比单尺度DensNet至少高3.1%。

图11 不同尺度卷积核训练集准确率Fig.11 Accuracies of convolution kernel training set of different scales

表3 不同尺度卷积核模型的测试准确率Tab.3 Accuracies of convolution kernel models with different scales

在本文所提的一维多尺度DensNet模型上，使用ELU、ReLU以及Leaky ReLU作为激活函数的对比结果如图12和表4所示。训练时，收敛速度和收敛效果的排序依次是ELU、ReLU和Leaky ReLU，在面对测试集时，ELU比ReLU的准确率提高了2%，模型性能得到改善。

图12 不同激活函数模型的训练集准确率Fig.12 Training set accuracies of different activation function models

表4 不同激活函数模型测试结果Tab.4 Test results of different activation function models

为验证双通道全连接模块效果，将其分别与单通道1×3全连接模块和1×5全连接模块进行对比，结果如表5及图13所示。可以看出，所提方法收敛速度比较快，12代就达到最好结果。1×3全连接模块比1×5全连接模块收敛速度快，但17代以后，二者准确率基本一致。面对测试集时，所提方法与单通道模型相比，结果略有提高。然而与单通道相比，双通道的训练收敛速度明显较快，可以快速得到最优模型。

表5 不同通道全连接模块模型的测试结果Tab.5 Test results of different channel dense block models

图13 不同通道Dense Block模型的训练集准确率Fig.13 Training set accuracy of different channel Dense Block models

图14 实测扰动与HIF的零序电流波形Fig.14 Zero sequence current waveforms of measured disturbance and HIF

3.3 实测数据验证

从某变电站获取了6组扰动及6组HIF录波数据，波形如图14所示。可以看出，不同HIF样本之间存在着较大差别，且实测数据噪声含量较大，对诊断模型性能提出了挑战。对比图4可以发现实测HIF数据与所提改进电弧模型得到的仿真数据较为相似，证明所提改进电弧模型具有较强的实际电弧模拟能力。

实测数据的采样频率为4 kHz，从故障前一周波开始，获取了时间长度为0.25～0.3 s不等的录波数据。按照相同的处理方式，从故障开始前1周波开始，每3周波作为一个测试样本，样本重叠率为30%，最终获取了65组测试数据。直接使用仿真数据训练好的模型进行测试，测试结果以混淆矩阵给出，如表6所示。可以发现，每个类别只有1个样本出现误判，误判样本波形如图15所示。其中误判的扰动数据为阶梯波，其为进行电容投切后零序电流波动，在第1、3周波过零点时恰好出现了类似于“零休”现象的波动，导致模型误判；误判的HIF数据在第1、3周波负半波过零点时出现不同于其他HIF的正向冲击畸变，导致模型误判。总体而言，所提方法能够准确识别实测HIF，在实际应用时可以考虑连续判别多次再进行综合决策以避免误判。

表6 用混淆矩阵表示的实测数据测试结果Tab.6 Test results of measured data expressed by confusion matrix

图15 误判样本波形Fig.15 Misjudged sample waveform

3.4 采样频率和精度的影响

考虑到建设成本和投资需求的约束，实际配置的电流互感器及录波装置的采样频率及精度并不统一。本研究着重分析了在低采样频率及采样精度时本算法的效果。采样频率设定了4 kHz、2 kHz及1 kHz 3种，对原始样本进行了降采样获得新样本后，进行模型的重新训练和测试，结果如表7所示。

表7 不同采样率算法准确率测试结果Tab.7 Test results of algorithm accuracies with different sampling rates

从表7中可以看出，仿真测试集受采样频率的影响较小，即便是在1 kHz的低采样率下，对仿真数据集仍有着92.3%的准确率。实测测试集受采样频率的影响较大，在1 kHz采样率时降低到73.8%，这是由于本文所使用的实测数据已经含有较大的噪声，再进行降采样使得波形特征丢失，从而降低检测精度。因此为确保有良好的诊断准确率，在实际应用时采样率最好不低于4 kHz。

仿真数据获取时，数据的误差为0；尽管本文使用的实测数据精度难以准确确定，为了测试需要，也认定为0。为评估装置的采样精度对算法影响，将两种测试集中每个样本的每个数据点都乘以一个随机数，模拟不同采样精度下获取的数据。其中以0.99～1.01、0.97～1.03、0.95～1.05范围内的随机数代表精度为1、3、5级的电流互感器误差系数。最后直接使用新的数据进行测试，结果如表8所示。

表8 不同等级精度下的测试结果Tab.8 Test results at different levels of precision

图16 以波形表示的信号特征的输出Fig.16 Output of signal characteristic represented as waveforms

从表8中可以看到，即便是在5级精度获取的数据，所提算法对仿真测试集及实测测试集的检测准确率也在90%以上，也就是说采样精度对所提算法的影响较小。

3.5 特征提取过程可视化

所提算法为一类机器学习算法，其实质是通过数据驱动，实现特征的自动提取并确定隐含性判定阈值，且这一过程均由机器决定。为分析所提算法的特征提取过程，以两组不同类型数据为例，将卷积层输出的部分特征如图16进行可视化展示。从图16可以看出，第一层的卷积实际上是对波形进行降噪处理，能够将噪声与有效信号进行分离；经过最后一个卷积层后，HIF样本和干扰样本差异较大，HIF样本的两个特征图均在大高峰附近出现两个对称的小高峰，而干扰样本则没有这一特征。这说明通过一系列卷积计算及激活函数的作用，模型成功地“看见”HIF“零休”现象这一共同属性，并将特征进行了放大，方便最后一层分类器的使用。

t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)是常用的降维算法，其能够提取高维数据的特征[31]。使用t-SNE对数据进行降维，能够提取数据样本的分布特点，直观的表现数据的相似度，是常用的可视化手段。可通过t-SNE验证所提取的特征的有效性，对原始样本、第一个卷积层输出特征、最后一个卷积层输出特征以及分类器输入特征分别进行可视化，结果如图17所示。其中图标“1”表示HIF样本，“0”表示干扰样本。横纵坐标表示映射到低维空间的对应位置，无实际意义。

图17 t-SNE可视化的特征提取过程Fig.17 Feature extraction process for t-SNE visualization

从图17中可以看出，原始样本尽管存在一定的区分度，但不同类之间距离较近，无法直接区分。经过第一层卷积后，不同类样本之间距离明显变大，但同类样本之间的距离也较远，依然难以区分。最后一层卷积所得特征不仅将不同类别样本区分开，同类样本也基本聚集在一起，但仍有部分不同类样本互相交错。经过后续进一步处理后，两类样本成功分开，区分度很高。简而言之，经过层层提取，所提模型能够精准地获得有用的特征，将HIF和干扰有效地区分出来。

3.6 算法对比

文献[3]通过零序电流区间斜率的双“M”特征进行故障检测，并在前端加入了格拉布斯法进行降噪。文献[32]使用离散小波分解后得到的高频尺度分量，提出一个公式将“零休”这一畸变特征量化，并设定一系列规则来检测HIF。文献[33]对电流信号进行变分模态分解(variational mode decomposition，VMD)和奇异值分解(singular value decomposition, SVD)，将输出数据通过支持向量机进行分类，从而实现HIF的检测。文献[34]使用离散小波分解得到的系数特征，结合韦尔奇周期图法从功率谱中提取的故障特征，训练了增强决策树以实现HIF的检测。

为进一步评估本文所提方法的检测能力，使用相同数据集对所提方法以及文献[3, 32 - 34]算法进行训练和测试。数据样本包括3.1节所提的仿真数据集、加入信噪比为10 dB高斯白噪声的仿真数据集、3.3节实测数据集。由于实测数据本身就含有噪声，故不再考虑添加噪声测试。检测时间为单个样本的测试时间，结果如表9所示。

表9 5种算法准确率仿真及测试结果Tab.9 Simulation and test results of five algorithms accuracies

可以看到，所提算法在3种数据集下的效果都是最好的。此外，所提算法也是唯一一种对于3种不同的数据集，检测准确率均超过90%的算法，其他对比算法尽管对低噪声的仿真数据均有超过90%的检测准确率，面对强噪声或实测数据，检测准确率均显著降低。文献[3]所提算法检测时间最短，且对各类数据集的识别效果均较好。文献[32]所提算法易将励磁涌流误判为HIF，且抗噪能力较差。相较于时频分解类算法，所提方法检测时间仅为0.01 s，整体优势明显。