图1 实验装置电路原理
Fig.1 Circuit schematic diagram of experimental device
摘要 故障电弧是影响配电网络安全可靠运行的主要问题之一，研制故障电弧保护开关能够有效降低因故障电弧引发的电气火灾事故，从而保障配电网络安全可靠运行。但故障电弧辨识因线路负载、燃弧条件等原因而存在一定复杂性，该文在分析电弧燃烧特点的基础上介绍了一种多特征融合的故障电弧辨识方法。首先，借助高速相机在微小时间尺度内分析了燃弧特性，电弧不稳定性影响回路电流谐波含量；然后，从时域、频域和信号无序度三个方面分析了回路电流在线路正常和发生电弧故障时的差异，并提取了电流平均值、谐波幅值、小波能量熵三个特征量，结合各种负载特征变化的共同点确定了线路正常与故障的特征量阈值范围；最后，通过制作样机对故障电弧辨识方法的有效性和稳定性进行了验证。结果表明，所述方法在实际工程应用中的平均辨识准确率为90 %，满足工程应用中的准确性和稳定性要求。
关键词：配电网络 故障电弧 燃弧特点 辨识方法 多特征融合
高层建筑中的配电线路分布密集，且部分裸露在外，受风吹雨淋极易发生绝缘老化、接触不良等问题。线路绝缘老化、接触不良易引起线路发生故障电弧[1-3]，电弧中心温度高达5 000～15 000 ℃[4-5]，易引燃周围可燃物品，导致发生电气火灾事故，影响配电网络安全可靠运行。据统计，2012～2021年，全国共发生居住场所火灾132.4万起，其中电气火灾占42.7 %[6]，而电气火灾发生的一个重要原因就是线路产生故障电弧。
依据故障电弧在线路中的拓扑结构，可将其划分为串联和并联故障电弧。并联故障电弧发生时，回路电流明显增大，传统断路器能够及时被触发切断回路[7-8]。而串联故障电弧发生时，回路电流会减小，无法触发传统断路器，且回路电流信号易受线路负载和外界环境等因素的影响，串联故障电弧具有隐匿性、复杂性和不稳定等特点[9]，准确辨识串联故障电弧存在一定难度。
电弧发生时伴随着弧光、弧声和电磁辐射等现象的产生，因此早期常利用温度、光敏、天线等传感器监测故障电弧[10]，但该方法的有效性受传感器安装位置的限制，且易受外界环境等因素的影响。当线路发生串联故障电弧时，电路相当于串入了一个可变负载，回路负载的变化势必影响回路电流的大小，因此监测回路电流信号成为监测线路是否发生故障电弧的另外一条途径。相比直流电弧，交流电弧更具不稳定性，它会因电极电压变化而反复熄灭和复燃，回路电流会引入大量谐波分量，因此许多专家学者利用傅里叶变换[11-13]、小波变换[14-20]等工具提取回路电流信号中的谐波成分，以此作为回路处于正常状态和发生电弧故障的判据。另外，故障电弧发生时，电流波形特征会发生明显变化，如幅值减小、出现平肩部特征等[21-23]，因此电流波形的时域特征也常被用来辨识故障电弧。但线路处于正常状态时，回路电流信号也可能包含大量谐波成分，出现平肩部等类似故障电弧特征，如线路中存在开关电源等非线性负载时。近年来，随着机器学习等人工智能方法在各领域内的广泛应用，许多专家学者也开展了借助机器学习辨识故障电弧的工作[2, 12-16]，且在一些方面取得了不错的成绩。但目前利用机器学习方法研制的故障电弧辨识模块制造成本高，不利于广泛推广应用。
针对故障电弧物理特性研究较少、现有故障电弧辨识模块制造成本高等问题，本文在分析故障波形特征的基础上介绍了一种简单的基于多特征融合的串联故障电弧辨识方法。在分析燃弧过程特性的基础上，从时域、频域和信号无序度三个方面提取了相关特征量，通过对比线路处于正常状态和发生电弧故障时各特征量的差异确定了阈值范围，借助自制的故障电弧保护开关模块验证了多特征融合诊断方法的有效性。
线路老化、接触不良等原因易引起线路发生电弧故障，为模拟这种电弧故障，本文依据国标GB/T 31143-2014和GB 14287.4-2014搭建了故障电弧实验装置[24-25]。炭化线和电弧发生器均可以模拟故障电弧，相比炭化线，利用拉弧方式产生的故障电弧不稳定性更高，检测难度也更大，本文以拉弧的生弧方式开展了不同实验负载下的串联故障电弧实验，获取了相应的实验数据。故障电弧实验装置的电路原理如图1所示。
图1 实验装置电路原理
Fig.1 Circuit schematic diagram of experimental device
利用220 V交流电源、生弧装置、负载搭建了一个简单的实验回路，用导线短接生弧装置时，采集的电流信号为线路在正常状态下的回路电流；生弧装置选择电弧发生器时，采集的电流信号为线路发生故障时的回路电流。故障电弧的模拟过程分为三步，首先计算机向可编程逻辑控制器（Pro- grammable Logic Controller, PLC）发送拉弧指令，然后由PLC向电机驱动器输出驱动信号和方向信号，最后由电机带动丝杆转动，使移动电极（铜棒）与静止电极（碳棒）分离产生电弧。电流互感器实时将回路大电流信号转换为小电流信号，采样电阻将小电流信号转换为电压信号后输入数据采集卡，计算机驱动采集卡完成数据采集任务。
真实场景中的负载多种多样，不同负载下的回路电流信号特征也略有区别，因此本文在多种负载下开展了串联故障电弧实验，实验负载类型和负载电流见表1。
表1 实验负载参数
Tab.1 Experimental load parameters
负载类型负载电流/A 线性电阻3, 6, 13, 20 钨丝灯 (带灯光调节器)2.6 电阻+荧光灯5.6 电阻+卤素灯6.3 非线性真空吸尘器7.5 电机7 电子式开关电源 (带载)12 电钻6
为减小实验数据采集过程中的误差，本文针对每种负载开展了5次实验，电流信号的采样频率为10 kHz，采样长度为10 000个数据点，移动电极的运动速度为1 mm/s，电极分断距离为1 mm，典型负载在回路处于正常状态和发生电弧故障时的电流波形如图2所示。
在图2中，每种负载的前5个周波是回路处于正常状态下的电流波形，后5个周波是回路发生电弧故障时的电流波形。对比正常状态和发生电弧故障时的回路电流波形，可以看出：
图2 线路处于正常与发生电弧故障时回路电流波形
Fig.2 Waveforms of circuit current when the line is in normal and arcing state
（1）发生电弧故障时，回路电流的谐波含量明显增加。相比正常状态下的回路电流，在发生电弧故障时，回路电流波形带有明显的毛刺，相比电钻等非线性负载，阻性负载下“毛刺”现象更加明显。
（2）发生电弧故障时，回路电流出现“零休”（平肩部）特征。当回路发生电弧故障时，电弧容易在电流过零附近熄灭，但随着电极电压升高，介质恢复强度没有跟上电源电压的变化，电弧再次复燃，导致回路电流出现“零休”特征。
（3）发生电弧故障时，回路电流的幅值会略微降低。当回路发生电弧故障时，回路相当于接入了一个可变电阻，相比正常状态下的回路电阻，发生电弧故障时的回路电阻更大，从而引起回路电流减小。
虽然在发生电弧故障时回路电流有以上三点特征，但回路电流出现上述三点特征时并不意味着回路一定发生了电弧故障。如回路存在开关电源等非线性负载时，回路电流的谐波含量仍然非常高，同时电流波形中也包含“零休”现象。所以研究燃弧过程特点，针对不同负载选用有效特征量是构建故障电弧辨识模型的关键环节。
回路发生故障电弧时，回路电流信号会出现零休、谐波分量增大等特征，但回路处于正常状态时，电流信号因为一些特殊负载也会出现类似特征。相比线路正常状态，发生故障电弧的电路串入了电弧，电流信号的变化也是因为电弧的存在而产生，所以研究电弧特性有助于辨识故障电弧。本节利用高速摄像机在更微小的时间尺度内研究了燃弧过程的特点，对比了不同电流下燃弧过程的异同。
利用220 V交流电源、电弧发生器和可调阻性负载搭建了一个简单的实验回路，在电极距离一定的情况下借助高速相机和示波器分别记录了电极间的燃弧过程和电弧电流波形。图3为借助高速相机记录的某次拉弧时的燃弧过程，通过统计电弧像素点数目（电弧体积），图4给出了电弧燃烧剧烈程度的变化情况，图5为与该次燃弧过程对应的电弧电流波形。由图3和图4可以看出，在10 ms内弧柱经历了从小到大、从大到小的非线性变化过程；在5.8～7.4 ms内电弧随回路电流过零而熄灭；在7.4 ms后随着电极两端电压升高，电弧复燃。由图5可知，在每个电弧电流周期内，零休时间并非常量，零休时间与电极间的介质强度恢复过程和电极两端电压的变化过程有关。
图3 动静电极间的燃弧过程（2.5 A）
Fig.3 Arcing process between moving electrode and stationary electrode (2.5 A)
图4 电弧体积变化过程（2.5 A）
Fig.4 The varition process of arc column volume (2.5 A)
图5 电弧电流波形（2.5 A）
Fig.5 The waveform of arc current (2.5 A)
图6为5 A电流下某次拉弧时的部分燃弧过程，图7给出了连续5个电流周期的电弧体积变化过程。由图6可知，电弧燃烧剧烈程度每隔0.1 ms就会发生明显变化，电弧从零星火点到剧烈燃烧仅用时1 ms左右；另外由图7可知，并非每个电流周期内的电弧发展过程都会遵循图6所示的电弧发展过程，电弧在某些电流周期也会缓慢燃烧。图6和图7所示结果再次说明故障电弧具有很强的不稳定性，故障电弧的不稳定性会加剧电路状态的不稳定性，从而使正常状态下的回路电流与发生电弧故障时的回路电流产生差异。
图6 动静电极间的燃弧过程（5 A）
Fig.6 Arcing process between moving electrode and stationary electrode (5 A)
图7 电弧体积变化过程（5 A）
Fig.7 The varition process of arc column volume (5 A)
如2.1节和2.2节所述，电弧燃烧过程中存在零休现象，且燃弧过程极具不稳定性，本节将结合具体波形来说明燃弧过程特点在典型负载电流波形上的体现，以便为提取特征量奠定基础。
图8为卤素灯负载下的回路电流波形，包含了线路处于正常状态、燃弧初期和燃弧末期的回路电流波形。可以看出：线路处于正常状态时，电流波形无零休现象；线路发生电弧故障时，电流波形出现零休现象，在燃弧初期，零休特征并不明显，随着电弧剧烈燃烧，零休特征愈加明显。在燃弧初期，电极间隙较小，电极表面较平整，电极电压升高后，电极间隙迅速击穿，电弧复燃；在燃弧末期，电极间隙增大，电极表面平整度下降，电极间隙击穿需要更高的电压，零休时间延长。由此可见，同一燃弧过程中零休时间是个变量，燃弧过程具有较强的不确定性，图6所示的燃弧过程也直观地反映了这一点。另外，由图8可以看出，在零休阶段，电流波形包含的纹波明显增多。根据相似性检测方法（见式（1）），图9给出了卤素灯负载下相邻电流周波相似性变化过程。可以看出：当线路发生电弧故障时（从第194个周波开始），相邻两个电流周波之间的差异增大，且变化过程较不稳定；在线路处于正常状态时，相邻两个电流周波之间的差异较小，且变化过程较稳定。当线路发生电弧故障时，回路电流引入谐波分量，相邻两个电流周波包含的细节信息差异较大，引起电流周波相似性计算数值增大。电阻、荧光灯、电机、吸尘器等负载在线路发生电弧故障时电流波形的变化特点与卤素灯负载类似，这里不再赘述。
（1）
式中，S为相邻电流周波相似性计算数值；X1为第一个周波序列；X2为第二个周波序列；m为每个周波序列的采样点数。
图8 卤素灯负载下的回路电流波形
Fig.8 Waveform of circuit current under halogen lamp load
图9 相邻电流周波相似性
Fig.9 Similarity of adjacent current waveform
如1.2节所述，当发生串联电弧故障时，相当于在线路中串联了一个可变电阻，回路电流幅值会降低；另外，电弧电流也存在零休现象，因此可将回路电流平均值作为一个特征参数，其计算方法为
（2）
式中，Ia为回路电流平均值；i(n)为第n个时刻的回路电流瞬时值；N为每个周期的电弧电流信号采样点数。
图10给出了线路在各种负载下由正常到发生故障过程的电弧电压，图11给出了线路在各种负载下发生故障电弧时回路电流平均值的变化情况。结合图10和图11可以看出，除开关电源外，线路在其他负载下发生故障电弧和处于正常状态时回路电流平均值会有明显差异。
图10 正常与电弧故障状态下的电弧电压波形
Fig.10 Arc voltage waveforms when line is in normal and arcing state
图11 正常与电弧故障状态下时域特征的差异
Fig.11 Characteristic difference of time domain when line is in normal and arcing state
由第2节内容可知，故障电弧燃烧时极具不稳定性，回路参数时刻在发生变化，可以将电极间的燃弧过程视为电容不断充放电的过程，相比线路正常状态，发生故障电弧时回路中的谐波分量急剧增加，体现为回路电流高次谐波幅值的增加，因此可以统计电流波形中包含的谐波成分来间接反映回路是否发生故障电弧，本文选用谐波幅值和作为一个判断线路是否发生故障电弧的判据，其计算方法为
（3）
式中，f为谐波幅值和；F(50j)为j次谐波分量的幅值，因信号采样频率为10 kHz，故经快速傅里叶变换后能提取到的谐波成分最高频率为5 kHz。
需要说明的是，在计算该特征量之前，需要利用快速傅里叶变化对电弧电流信号进行处理，计算各次谐波分量幅值。图12给出了线路在各种负载下发生故障电弧时谐波幅值和的变化情况，结合图10和图12可以看出，阻性负载的谐波幅值和在线路发生电弧故障和线路处于正常状态时具有明显的差异，而在一些非线性负载下该特征量的区分度稍弱一些。
图12 正常与电弧故障状态下频域特征的差异
Fig.12 Characteristic difference of frequency domain when line is in normal and arcing state
当线路处于正常状态时，回路电流波形由电源和负载决定；当线路发生故障电弧时，回路电流波形还受故障电弧的影响。不稳定的故障电弧向回路电流注入了高频噪声，增加了回路电流信号的无序性，信息熵能够有效反映信号无序程度，因此本文也选用小波能量熵来作为回路是否发生故障电弧的一个判据，其计算方法为
（4）
（5）
式中，w为小波能量熵。
图13给出了线路在各种负载下发生故障电弧时小波能量熵的变化情况，结合图10和图13可以看出，除开关电源外，回路在其他负载下发生故障电弧时，小波能量熵具有明显增大的趋势。
图13 正常与电弧故障状态下小波能量熵的差异
Fig.13 Difference of wavelet entropy when line is in normal and arcing state
从时域、频域和信号无序度三个方面对线路处于正常和发生电弧故障时的回路电流信号进行分析，电流平均值、谐波幅值和、小波能量熵这三个特征量在线路处于正常和发生电弧故障时具有明显差异，但不同负载下各特征量的阈值不同，单纯依靠某一负载的阈值作为整个故障电弧辨识系统的阈值会导致误判和漏判。本文选用线路发生电弧故障和正常两种状态的特征量之比作为判断阈值，相比直接选取特征量数值作为判断阈值，这种选取方法受负载类型的影响更小，其适用性更广。表2给出了不同负载下每种特征量比值的实验数值。
表2 各特征量在线路正常和发生电弧故障时的比值
Tab.2 The characteristic ratio when line is in normal and arcing state
负载类型电流平均值比谐波幅值和比小波能量熵比 阻性负载 (3 A)0.936 62.725 30.864 3 阻性负载 (6 A)0.943 91.810 60.890 8 阻性负载 (13 A)0.940 01.525 00.892 0 阻性负载 (20 A)0.940 91.401 10.892 1 吸尘器0.939 40.996 90.873 2 开关电源1.037 11.172 71.159 8 电机0.858 21.090 70.764 0 钨丝灯0.966 81.290 50.934 4 电阻+荧光灯0.956 41.160 90.916 8 电阻+卤素灯0.946 61.334 70.899 8 电钻0.938 11.217 00.855 4
由表2可知，线路发生电弧故障时，除开关电源外，其他负载下的回路电流平均值会降低至线路正常时回路电流平均值的97 %以下；除吸尘器、电机和开关电源外，其他负载下的谐波幅值和会增加至原来的1.2倍以上；除开关电源和钨丝灯外，其他负载下的小波能量熵也会增大8 %以上。因此，可以将这些实验结果作为故障电弧判断阈值的选取依据。
由第3节可知，当线路发生电弧故障时，回路电流平均值、谐波幅值和、小波能量熵这三个特征量会发生明显变化，本节以这三个特征量为故障电弧判断依据设计了故障电弧辨识算法，并以微控制器为载体设计了故障电弧保护开关。故障电弧辨识模块的硬件组成如图14所示，其主要由微控制器最小系统（STM32F103RET6）、电流采样滤波电路、电磁铁驱动电路和电源变换模块四部分组成。图14b中，OC为光耦合器件，SCR为晶闸管，VDR为压敏电阻，L为电磁线圈。当检测到线路发生电弧故障时，微控制器向电磁铁驱动电路输出信号，光耦合器件导通，晶闸管控制极电位升高导通，电磁线圈通电带动导杆运动使断路器脱扣。
图14 故障电弧辨识模块硬件组成
Fig.14 Hardware components of arc fault detection device
图15给出了故障电弧辨识程序流程。故障电弧辨识程序分为两部分：一部分为中断子程序，实现电流信号滤波校准；另外一部分为主程序，实现故障电弧辨识诊断，中断子程序的设计可以提高程序运行效率，实现实时计算与诊断。程序运行时首先会存储8个周期的特征量作为线路正常状态的参考值，当回路电流平均值降低至参考值的0.97以下，且谐波幅值和、小波能量熵分别高于参考值的1.2倍和1.08倍以上时，线路会被认定发生疑似故障电弧，参考值不再更新。当疑似故障电弧周波数目大于设定阈值时，线路会被认定发生故障电弧，微控制器会向电磁铁驱动电路输出脱扣信号。
图15 故障电弧辨识程序流程
Fig.15 Program flow chart of arc fault detection device
本文利用实验数据集（每种负载下3组，共30组）对4.1节所述故障电弧辨识方法的准确性进行测试，图16给出了在阻性负载（3 A）下故障电弧辨识时脱扣信号的输出波形。可以看出，在电弧故障发生120 ms后，微控制器向电磁铁驱动电路输出了脱扣信号。国标对故障电弧辨识时间有明确要求，当电弧电流小于等于3 A时，分断时间需在1 s之内，由此可知，此次故障电弧辨识有效。本文也对其他负载下的故障电弧辨识时间进行了统计，其故障电弧辨识准确率见表3，辨识准确率是样机正确动作的实验次数与实验总次数的比值。
图16 脱扣信号输出波形
Fig.16 Output waveforms of tripping signal
表3 各负载下故障电弧辨识准确率
Tab.3 Detection accuracy of arc fault for each load
负 载准确率(%) 阻性负载 (3 A)100 阻性负载 (6 A)100 阻性负载 (13 A)100 阻性负载 (20 A)100 电阻+荧光灯100 吸尘器67 钨丝灯 (120 °导通)100 电钻100 电阻+卤素灯100 电机33
由表3可知，除吸尘器和电机负载外，其他负载下的故障电弧辨识效果较好。当负载为电机（或吸尘器）且线路处于正常状态时，回路电流带有很大的噪声；当线路发生故障电弧时，电弧噪声被负载噪声湮灭，导致故障电弧辨识准确率下降。通过计算各种负载下故障电弧辨识准确率的平均值，可以得到故障电弧辨识平均准确率为90 %。
本小节利用炭化线生弧的方式在电阻、钨丝灯（带灯光调节器）、电钻、卤素灯、荧光灯等负载下开展了串联故障电弧实验，在每种负载下进行3次实验，利用实验数据对4.1节所述故障电弧辨识方法的稳定性进行了测试。图17给出了在阻性负载（20 A）下发生故障电弧时脱扣信号的输出波形，可以看出，在发生串联故障电弧80 ms后，微控制器输出了脱扣信号，国标规定电弧电流等于20 A时，最大分断时间需小于150 ms，由此可知，此次辨识有效。其他负载下故障电弧的辨识准确率见表4，可以看出，除在电机负载下发生误动外，在其他负载下均能够准确地辨识故障电弧，通过计算各种负载下故障电弧辨识准确率的平均值，可以得到故障电弧辨识平均准确率为90 %。
图17 脱扣信号输出波形（炭化线生弧）
Fig.17 Output waveforms of tripping signal (arc generated by carbonization line)
表4 各负载下故障电弧辨识准确率（炭化线生弧）
Tab.4 Detection accuracy of arc fault for each load (arc generated by carbonization line)
负 载准确率(%) 电阻 (3、6、13、20、40 A)100 钨丝灯 (带电子灯光调节器)100 电阻+卤素灯100 电钻100 电机0 电阻+荧光灯100
本小节也选用功率与表1和表4所示负载不同的钨丝灯（带电子灯光调节器）、电机和吸尘器开展了串联电弧故障实验，验证了在这些负载下线路正常工作时故障电弧辨识模块的误动情况，图18给出在上述三种负载下脱扣信号的输出波形。可以看出，在电机和吸尘器起动瞬间，本文所述故障电弧辨识方法也不会产生误动，具有较好的稳定性。
针对串联故障电弧辨识困难、故障电弧保护开关研制成本高等问题，本文在分析电弧燃烧特点的基础上介绍了一种故障电弧辨识方法，并通过制作样机对故障电弧辨识方法的有效性和适用性进行了验证。主要得到以下结论：
图18 脱扣信号输出波形（负载起动瞬间）
Fig.18 Output waveforms of tripping signal (load starting)
1）借助高速相机在更微小的时间尺度内分析了电弧燃烧特点，通过电弧影像直观地反映了故障电弧燃烧的不稳定性。分析了电弧燃烧的物理现象与电流波形特征之间的联系，零休特征和纹波特征可被用来辨识故障电弧。
2）在线路处于正常状态和发生故障电弧时，线路电流波形在时域、频域和信号无序度三个方面存在明显差异，经过实验验证，提取的回路电流平均值、谐波幅值和、小波能量熵三个特征量能够有效地区分大多数负载下的电弧故障。
3）以通用微控制器为载体制作了故障电弧保护开关样机，通过实验验证了多特征融合方法的有效性和稳定性。将特征量比值作为阈值选取依据可以避免不同负载下阈值差异大的问题，简化故障电弧辨识方法的复杂性。经过测试，本文所述故障电弧辨识方法的平均准确率在90 %以上，且具有较好的抗干扰性。
参考文献
[1] 苏晶晶, 许志红. 基于EMD和PNN的故障电弧多变量判据诊断方法[J]. 电力自动化设备, 2019, 39(4): 106-113.
Su Jingjing, Xu Zhihong. Diagnosis method of multi- variable criterion based on EMD and PNN for arc fault diagnosis[J]. Electric Power Automation Equipment, 2019, 39(4): 106-113.
[2] 褚若波, 张认成, 杨凯, 等. 基于多层卷积神经网络的串联电弧故障检测方法[J]. 电网技术, 2020, 44(12): 4792-4798.
Chu Ruobo, Zhang Rencheng, Yang Kai, et al. A series arc fault detection method based on multi-layer convolutional neural network[J]. Power System Tech- nology, 2020, 44(12): 4792-4798.
[3] 崔芮华, 张振, 佟德栓, 等. 基于改进经验小波变换多特征融合的航空交流串联电弧故障检测[J]. 电工技术学报, 2022, 37(12): 3148-3161.
Cui Ruihua, Zhang Zhen, Tong Deshuan, et al. Aviation AC series arc fault detection based on improve empirical wavelet transform multi-feature fusion[J]. Transactions of China Electrotechnical Society, 2022, 37(12): 3148-3161.
[4] Le V, Yao Xiu, Miller C, et al. Series DC arc fault detection based on ensemble machine learning[J]. IEEE Transactions on Power Electronics, 2020, 35(8): 7826-7839.
[5] Yao Xiu, Le V, Lee I. Unknown input observer-based series DC arc fault detection in DC microgrids[J]. IEEE Transactions on Power Electronics, 2022, 37(4): 4708-4718.
[6] 应急管理部消防救援局. 近10年全国居住场所火灾造成11634人遇难[EB/OL]. 北京: 应急管理部消防救援局, 2022, https://www.119.gov.cn/article/ 46rcva01Vzg [2022-02-18].
[7] Park H P, Kim M, Jung J H, et al. Series DC arc fault detection method for PV systems employing differ- ential power processing structure[J]. IEEE Transa- ctions on Power Electronics, 2021, 36(9): 9787-9795.
[8] 熊庆, 陈维江, 汲胜昌, 等. 低压直流系统故障电弧特性、检测和定位方法研究进展综述[J]. 中国电机工程学报, 2020, 40(18): 6015-6027.
Xiong Qing, Chen Weijiang, Ji Shengchang, et al. Review of research progress on characteristics, detection and localization approaches of fault arc in low voltage DC system[J]. Proceedings of the CSEE, 2020, 40(18): 6015-6027.
[9] 刘艳丽, 郭凤仪, 李磊, 等. 一种串联型故障电弧数学模型[J]. 电工技术学报, 2019, 34(14): 2901- 2912.
Liu Yanli, Guo Fengyi, Li Lei, et al. A kind of series fault arc mathematical model[J]. Transactions of China Electrotechnical Society, 2019, 34(14): 2901- 2912.
[10] 熊庆, 汲胜昌, 陆伟锋, 等. 低气压下串联直流电弧故障电磁辐射幅值及频率特性[J]. 中国电机工程学报, 2017, 37(4): 1071-1080.
Xiong Qing, Ji Shengchang, Lu Weifeng, et al. Amplitude and frequency characteristics of elec- tromagnetic radiation of series DC arc faults under low pressure[J]. Proceedings of the CSEE, 2017, 37(4): 1071-1080.
[11] 曲娜, 王建辉, 刘金海, 等. 基于Cassie模型和L3/4范数的串联电弧故障检测方法[J]. 电网技术, 2018, 42(12): 3992-3997.
Qu Na, Wang Jianhui, Liu Jinhai, et al. A series arc fault detection method based on Cassie model and L3/4 norm[J]. Power System Technology, 2018, 42(12): 3992-3997.
[12] 王尧, 李阳, 葛磊蛟, 等. 基于滑动离散傅里叶变换的串联直流电弧故障识别[J]. 电工技术学报, 2017, 32(19): 118-124.
Wang Yao, Li Yang, Ge Leijiao, et al. A series DC arcing fault recognition method based on sliding discrete Fourier transform[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 118-124.
[13] 郭凤仪, 高洪鑫, 唐爱霞, 等. 局部二值模式直方图匹配的串联故障电弧检测及选线[J]. 电工技术学报, 2020, 35(8): 1653-1661.
Guo Fengyi, Gao Hongxin, Tang Aixia, et al. Series arc fault detection and line selection based on local binary pattern histogram matching[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1653- 1661.
[14] Georgijevic N L, Jankovic M V, Srdic S, et al. The detection of series arc fault in photovoltaic systems based on the arc current entropy[J]. IEEE Transa- ctions on Power Electronics, 2016, 31(8): 5917- 5930.
[15] 唐圣学, 刁旭东, 陈丽, 等. 光伏发电系统直流串联微弱故障电弧检测方法研究[J]. 仪器仪表学报, 2021, 42(3): 150-160.
Tang Shengxue, Diao Xudong, Chen Li, et al. Study on detection method of weak series DC fault arc in PV power generation systems[J]. Chinese Journal of Scientific Instrument, 2021, 42(3): 150-160.
[16] 吴春华, 徐文新, 李智华, 等. 光伏系统直流侧故障电弧类型辨识及电路保护[J]. 中国电机工程学报, 2017, 37(17): 5028-5036, 5222.
Wu Chunhua, Xu Wenxin, Li Zhihua, et al. Arc fault type identification and circuit protection in photo- voltaic system[J]. Proceedings of the CSEE, 2017, 37(17): 5028-5036, 5222.
[17] 牟龙华, 王伊健, 蒋伟, 等. 光伏系统直流电弧故障特征及检测方法研究[J]. 中国电机工程学报, 2016, 36(19): 5236-5244, 5405.
Mu Longhua, Wang Yijian, Jiang Wei, et al. Study on characteristics and detection method of DC arc fault for photovoltaic system[J]. Proceedings of the CSEE, 2016, 36(19): 5236-5244, 5405.
[18] 吴春华, 黄宵宵, 李智华, 等. 光伏系统直流微弱电弧信号检测研究[J]. 中国电机工程学报, 2019, 39(20): 6025-6033, 6183.
Wu Chunhua, Huang Xiaoxiao, Li Zhihua, et al. Research on DC weak arc signal detection in photo- voltaic system[J]. Proceedings of the CSEE, 2019, 39(20): 6025-6033, 6183.
[19] 崔芮华, 佟德栓. 基于Levene检验的航空交流串联电弧故障检测[J]. 电工技术学报, 2021, 36(14): 3034-3042.
Cui Ruihua, Tong Deshuan. Aviation AC series arc fault detection based on Levene test[J]. Transactions of China Electrotechnical Society, 2021, 36(14): 3034-3042.
[20] 崔芮华, 李泽, 佟德栓. 基于三维熵距和熵空间的航空电弧故障检测与分类技术[J]. 电工技术学报, 2021, 36(4): 869-880.
Cui Ruihua, Li Ze, Tong Deshuan. Arc fault detection and classification based on three-dimensional entropy distance and entropy space in aviation power system[J]. Transactions of China Electrotechnical Society, 2021, 36(4): 869-880.
[21] Yao Xiu, Herrera L, Ji Shengchang, et al. Characteri- stic study and time-domain discrete- wavelet-transform based hybrid detection of series DC arc faults[J]. IEEE Transactions on Power Electronics, 2014, 29(6): 3103-3115.
[22] 崔芮华, 佟德栓, 李泽. 基于广义S变换的航空串联电弧故障检测[J]. 中国电机工程学报, 2021, 41(23): 8241-8250.
Cui Ruihua, Tong Deshuan, Li Ze. Aviation arc fault detection based on generalized S transform[J]. Pro- ceedings of the CSEE, 2021, 41(23): 8241-8250.
[23] 孟羽, 陈思磊, 吴子豪, 等. 基于随机共振方法增强光伏直流故障电弧检测特征的研究[J]. 中国电机工程学报, 2022, 42(6): 2396-2407.
Meng Yu, Chen Silei, Wu Zihao, et al. Research on feature enhancement of DC arc fault detection in photovoltaic systems based on stochastic resonance[J]. Proceedings of the CSEE, 2022, 42(6): 2396-2407.
[24] 国家质量监督检验检疫总局, 中国国家标准化管理委员会. 电弧故障保护电器(AFDD)的一般要求: GB/T 31143-2014[S]. 北京: 中国标准出版社, 2015.
[25] 国家质量监督检验检疫总局, 中国国家标准化管理委员会. 电气火灾监控系统 第4部分: 故障电弧探测器: GB 14287.4-2014[S]. 北京: 中国标准出版社, 2015.
Abstract Traditional protection switching devices can not open the line that occurs series arc fault in time because the current amplitude when the line is in a series arc fault state is lower than that in a normal state. Recently, the development of machine learning has provided a new idea for detecting an arc fault. However, a large amount of data is needed to train an arc fault detection model, and it is expensive to make a circuit module that uses a machine learning algorithm to recognize arc faults, which causes troubles in promotion and application of arc fault detection device (AFDD). Therefore, this paper introduces an arc fault recognition method based on multi-feature fusion.
Firstly, a test device is constructed, and series arc fault experiments are carried out under different load types, accumulating a large number of test data. Secondly, the arcing processes of arc fault are observed within a smaller time scale by a high-speed camera to establish the relationship between the arcing process’s physical phenomenon and arc current waveform. Besides, the feature of circuit current waveform is analyzed when the line occurs arc fault. Thirdly, based on current zero and current ripple features of circuit current, three characteristics, current average, harmonic amplitude sum, and wavelet energy entropy, are extracted from the time domain, frequency domain, and signal disorder degree, respectively. To avoid the influences of different load types on characteristic threshold selection, the characteristic ratio between arcing state and normal state serves as a reference for characteristic threshold selection. Finally, the prototype of AFDD is made by a universal microcontroller (STM32), and the accuracy of the arc fault detection method is verified by experiments. Besides, the stability of the method is also verified by arc fault simulations (arc generated by carbonization line) and special loads starting experiments.
The photos of arcing processes intuitively reflect the current zero phenomena and instability of arcing. These physical phenomena can be characterized by the current zero feature and current ripple feature of the current waveform. Meanwhile, three characteristics can distinguish arcing and normal states of the line under different load types. In addition, each characteristic value is different under different load types, causing difficulty in selecting the threshold between normal and arcing states. However, the characteristic ratio exists similarity under different load types. The characteristic ratio can serve as a reference for characteristic threshold selection. Through experimental verification, the accuracy of the arc fault detection method is 90%, and the applicability of the method is not affected by modes of arc fault simulation experiment.
The following conclusions can be drawn from experimental results: (1) Both the current zero feature and the current ripple feature of arcing processes can be used to identify the arcing state of the line. (2) Three characteristics, current average, harmonic amplitude sum, and wavelet energy entropy are effective for distinguishing arcing and normal states of the line under different load types. (3) The characteristic ratio of arcing and normal states can provide references for characteristics threshold selection, avoiding the effects of different load types on threshold selection.
keywords：Distribution system, arc fault, arcing characteristic, detection method, multi-feature fusion
DOI: 10.19595/j.cnki.1000-6753.tces.220442
中图分类号：TM501.2
收稿日期 2022-03-28
改稿日期 2022-07-01
何志鹏 男，1996年生，博士研究生，研究方向为低压交流电弧故障检测与定位技术。E-mail: zphe@mail.nwpu.edu.cn
赵 虎 男，1986年生，博士，副教授，研究方向为低压开关电器智能化、电器设备状态检测技术。E-mail: hzhao@nwpu.edu.cn（通信作者）
（编辑 崔文静）