LArcNet：基于轻量级神经网络与知识蒸馏的串联交流电弧故障实时检测新方法

《IEEE Open Journal of Industry Applications》：LArcNet: Lightweight Neural Network for Real-Time Series AC Arc Fault Detection

　　为解决串联交流电弧故障在多样化住宅负载中因负载特性差异和噪声干扰而难以准确检测，以及传统人工智能算法计算复杂度高、难以在资源受限的边缘设备上实时部署的问题，研究人员开展了名为“LArcNet”的轻量级神经网络结合师生知识蒸馏（KD）技术的研究。该研究提出了一种新颖、高效的卷积神经网络（CNN）架构，仅使用原始电流数据作为输入，实现了高达99.31%的电弧故障检测精度和98.85%的负载类型分类精度。模型经TensorFlow Lite优化后，在树莓派4B和STM32H743ZI2微控制器上的推理时间分别仅为0.20毫秒和3毫秒，显著优于现有主流模型。此项工作为在低成本嵌入式系统中实现高精度、实时的电弧故障检测提供了切实可行的解决方案，对提升电气安全、预防电气火灾具有重要意义。

　　

在现代家庭和工业用电环境中，电气安全始终是重中之重。其中，电弧故障，特别是串联交流电弧故障，因其隐蔽性和潜在的高温危害（可达5000°C以上），已成为引发电气火灾的主要原因之一。根据相关统计，在美国，超过36%的火灾隐患与电气问题相关，每年发生超过3万起电弧闪光事故，造成严重的人员伤亡和财产损失。因此，国际电工委员会（IEC）、美国国家电气规范（NEC）等权威机构均强制要求在家用电器中安装电弧故障检测装置，例如电弧故障断路器（AFCI）。然而，串联电弧故障的检测面临着巨大挑战：由于其电流特性不如并联电弧故障明显，且易受负载类型（如阻性负载、电机负载、电力电子开关电源负载、气体放电灯负载等）和背景噪声的影响，传统的检测方法容易产生误报或漏报，难以满足实时、准确的检测需求。

传统检测方法，如快速傅里叶变换（FFT）、小波变换（WT）等，通常依赖于手动设定阈值，在负载多变和噪声环境下适应性差。尽管基于人工智能（AI）和机器学习（ML）的算法（如支持向量机SVM、决策树、随机森林、传统卷积神经网络CNN等）展现了较高的分类精度，但其模型往往计算复杂、参数庞大，导致推理时间长、内存占用高，难以在计算资源和存储空间有限的边缘设备（如微控制器MCU）上实现实时部署。IEC标准对故障检测的响应时间有严格要求（例如，在60Hz系统中需小于16.67毫秒），冗长的计算过程可能导致错过关键故障样本，造成安全隐患。因此，开发一种兼具高精度、低计算复杂度、快速响应能力的轻量级电弧故障检测算法，对于推动智能电弧保护技术在嵌入式系统中的实际应用具有紧迫而重要的意义。

为此，发表在《IEEE Open Journal of Industry Applications》上的这项研究，提出了一种名为LArcNet（轻量级电弧故障检测网络）的创新解决方案。该研究旨在克服现有技术的局限性，通过将高效的神经网络架构与先进的模型压缩技术相结合，打造一款真正适合在资源受限的边缘设备上运行的实时电弧故障检测算法。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：1）师生知识蒸馏（KD）框架：首先训练一个参数庞大（1013.83k）、精度高的教师网络，然后利用KD技术将其“知识”迁移到一个参数极少（8.4k）的学生网络（即LArcNet），使学生网络在保持高精度的同时大幅减小模型复杂度。2）高效的轻量级CNN块设计：借鉴EffNet和MobileNet的思想，设计了专门的LArcNet构建块，采用点卷积、深度可分离卷积（核尺寸5×1）和最大池化层的组合，避免严格的瓶颈结构，显著降低了计算量（kFLOPs）和参数量。3）TensorFlow Lite模型优化：将训练好的模型转换为TensorFlow Lite格式，并进行优化，以减小模型二进制文件大小和推理延迟，使其能部署在树莓派4B和STM32H743ZI2等微控制器上。研究所用数据样本来源于根据IEC62606标准搭建的实验平台采集的原始电流时间序列数据（采样率10 kHz，经下采样和最小-最大值归一化处理），涵盖了四种主要负载类型（阻性RE、电机MO、电力电子开关电源PESMPS、气体放电灯GDL）下的正常和电弧故障条件。

LArcNet模型架构与性能

LArcNet模型的核心是其高效的网络架构。它由三个LArcNet块和三个全连接（FC）层构成。教师网络使用较多的滤波器（256, 512, 512）和FC层神经元（128, 64, 8），而最终用于部署的学生网络则大幅精简（滤波器：16, 32, 32；FC层：64, 32, 8）。这种设计通过控制瓶颈因子（最大为2），确保了数据流中重要特征的保留，避免了因过度压缩导致性能下降。模型使用Raw current data作为输入，避免了繁琐的时域或频域特征预提取。

实验结果表明，LArcNet学生模型在电弧故障检测上达到了99.31%的准确率，在8类负载分类任务上达到98.85%的准确率。其参数量（8.4k）和计算量（182.27 kFLOPs）远低于基线CNN模型（318.63k params, 19205.4 kFLOPs）和Mobile-ArcNet模型（107.02k params, 4542.93 kFLOPs）。混淆矩阵分析显示，模型对不同负载状态下的电弧和正常电流均有很高的识别率，尽管气体放电灯（GDL）负载由于其正常电流与电弧电流相似度较高，存在一定的误分类。

模型优化与硬件实现

为了在实际边缘设备上部署，研究团队使用TensorFlow Lite对LArcNet模型进行了优化，显著减少了模型二进制文件大小（从约600kB降至49kB）。在树莓派4B上的测试显示，单个样本的平均推理时间仅为0.20毫秒，远低于IEC标准要求的最大响应时间，且运行时间方差小，表现稳定。在更资源受限的STM32H743ZI2微控制器上，推理时间为3毫秒，仅占用57.17 kB Flash和13.04 kB RAM，证明了其卓越的嵌入式适用性。

与现有技术的比较

研究人员将LArcNet与多种现有电弧故障检测模型进行了全面对比。结果表明，LArcNet在保持高精度（99.31%）的同时，其推理速度（0.20 ms on Raspberry Pi 4B）远超其他模型，如SAFNet（26.48 ms）、ArcNet（优化后2.64 ms）、RF-DNN（18.95 ms）等。LArcNet的成功得益于其三重简化策略：架构优化降低计算负载，KD实现模型压缩，以及TensorFlow Lite优化减少延迟和体积。

扩展数据测试

为了验证模型的鲁棒性，研究还使用了一个扩展数据集进行测试，该数据集包含了更多种类的电器设备（如电钻、吹风机、真空吸尘器、电脑等）以及瞬态条件数据。LArcNet在扩展数据集上仍取得了98.17%的准确率，在瞬态条件下达到97.88%的准确率，进一步证明了其在实际复杂应用场景中的有效性。

结论与意义

本研究成功开发并验证了LArcNet，一种基于轻量级卷积神经网络和知识蒸馏技术的串联交流电弧故障实时检测算法。该研究的主要结论和重要意义可归纳如下：首先，LArcNet通过创新的网络结构设计和KD技术的应用，实现了高检测精度与极低计算开销的完美平衡，其模型轻量化程度（仅8.4k参数）和推理速度（0.20 ms）为业界领先。其次，经过TensorFlow Lite优化后，LArcNet能够高效运行在树莓派4B和STM32系列微控制器等低成本、资源受限的嵌入式平台上，满足了实时检测的苛刻时间要求，为电弧故障电路中断器（AFCI）等安全设备的智能化、小型化、低成本化提供了核心技术支撑。第三，LArcNet不仅能够检测电弧故障的存在，还能有效识别故障发生的负载类型，这有助于更精确地定位故障源和减少误动作。最后，该模型对扩展数据集和瞬态条件的良好适应性，表明其具有较强的泛化能力和实际应用潜力。

综上所述，LArcNet为解决串联交流电弧故障检测在边缘计算环境下面临的精度、速度和资源消耗之间的矛盾提供了一个高效、实用的解决方案。这项工作显著推动了人工智能在电气安全领域的嵌入式应用，为预防电气火灾、保障生命财产安全做出了积极贡献。未来的研究可侧重于提升模型对未知负载类型的适应能力，以进一步增强其在实际复杂多变用电环境中的鲁棒性。