串联型故障电弧检测方法对比分析

(1.辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛 125105； 2.国网辽宁省电力有限公司北辰新汇公司，辽宁沈阳 110000； 3.国网辽宁省电力有限公司葫芦岛供电公司，辽宁葫芦岛 125000)

摘要：由于线路故障位置的不确定性，目前串联型故障电弧检测方法主要基于电流信号分析进行识别。通过对不同负载在串联型故障电弧发生前后的电流波形进行对比，得出了串联型故障电弧电流特性及其变化规律；以串联型故障电弧的电流信号为研究对象，介绍了基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法，概述了不同检测方法的故障电弧特征提取过程；对3种串联型故障电弧检测方法优缺点进行了比较，指出基于希尔伯特黄变换、信息熵与短时傅里叶变换的检测方法可有效提取故障电弧发生时电流的时频特性，对提取的时频谱幅值设置合适的阈值即可作为串联型故障电弧识别的依据，但准确性和实时性不高，而基于小波近似熵与支持向量机的检测方法可直接提取近似熵作为支持向量机的输入来识别串联型故障电弧，具有较高的准确性和实时性，更适用于煤矿现场。

关键词：串联型故障电弧；电流信号；频谱特征；希尔伯特黄变换；信息熵；短时傅里叶变换；小波近似熵；支持向量机

0 引言

据国家煤矿安全监察局事故调查司统计，2007—2012年中国煤矿较大火灾事故共发生31起，其中电缆起火9起，占30%，电气设备起火7起，占22%。由此可见，电缆和电气设备起火是引起矿井火灾的主要原因。电缆线路虚连、电缆材料绝缘老化、接线不规范、器件质量不合格及外力损伤等原因会导致串联型故障电弧发生[1]，伴随持续强烈的弧光、弧声、放热等现象，如果不及时切断，将导致供电中断，严重时会引发火灾甚至瓦斯与煤尘爆炸等事故[2]。因此，有效地检测串联型故障电弧是保证安全供电、避免电气火灾发生的关键，对煤矿安全生产具有重要意义。

目前，国内外针对故障电弧的检测方法主要分为2种[3]：① 基于电弧放电时所产生的弧光、噪声、电磁辐射、温度等物理特性变化检测故障电弧[4-6]；② 对电力线路中故障电流、电压波形变化进行分析，判定线路中是否产生故障电弧。由于线路故障位置的不确定性，串联型故障电弧检测方法主要基于电流信号分析。文献[7-8]研究了矿用栓接电缆电连接松动故障时的电流特征，通过电流特性识别故障电弧发生前的松动状态。文献[9]研究了不同负载时故障电弧电流的频谱特性，提出了基于故障电弧电流频域特征的故障电弧检测方法，但该方法只对故障电弧电流频率处于特定频段时有效，且检测精度不高。文献[10]提出了一种基于多分辨率分析的快速小波变换提取故障电弧特征频段的检测方法，但该方法没有考虑工业现场负载波动的影响。文献[11]提出了基于差值-均方根法的故障电弧检测方法，然而该方法会对实际线路中与故障电弧电流波形相似的正常工作电流产生误判。

本文依据串联型故障电弧发生时的电流信号特性，介绍了基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法原理[12-14]，给出了串联型故障电弧的特征提取过程，并比较了3种方法的优缺点。

1 典型串联型故障电弧电流波形分析

选取三相异步电动机和工控机2个典型负载进行串联型故障电弧模拟实验，其中三相异步电动机为线性负载中阻感性负载，工控机为非线性负载。实验中采集的典型负载在线路正常运行和发生串联型故障电弧时的电流波形如图1所示。在线路正常运行时，三相异步电动机电流波形具有周期性，近似为正弦波；在线路发生串联型故障电弧时，三相异步电动机电流波形在过零点处出现了明显的“零休”现象，整体波形发生了一定程度的畸变。工控机由于本身的非线性负载特性，其在线路正常运行时的电流波形便有明显的“零休”现象，但仍具有周期性；在线路发生串联型故障电弧时，工控机电流波形在过零点处出现了大量毛刺，整体波形发生了较为严重的畸变。

(d) 工控机在线路发生串联型故障电弧时的电流波形

图1 典型负载在线路正常运行和发生串联型故障电弧时的电流波形
Fig.1 Current waveforms of typical loads during normal operation and series fault arc of line

2 基于电流信号分析的串联型故障电弧检测方法

串联型故障电弧发生时，电流信号会有一定程度的畸变，造成这种变化的原因是电流信号过零点时电弧将会熄灭与重燃，导致电弧的等效电阻发生非线性变化，造成回路电流非线性变化。如何提取这种变化的特征是串联型故障电弧检测的关键。

基于希尔伯特黄变换的串联型故障电弧检测方法首先利用经验模态分解(Empirical Mode Decomposition，EMD)将电流信号分解为若干本征模态函数(Intrinsic Mode Function，IMF)，对比线路发生串联型故障电弧前后电流信号的IMF，找出能表征故障电弧特征的特征IMF。对特征IMF进行希尔伯特变换，得到其时频谱，进而获得串联型故障电弧发生前后电流信号的特征IMF在时间、频率和能量上的变化规律，从而对串联型故障电弧进行识别[12]。

典型负载在串联型故障电弧发生前后电流信号的特征IMF时频谱如图2所示。线路正常运行时，特征IMF的时频谱幅值较小；在0.06 ms线路发生串联型故障电弧后，时频谱幅值相对线路正常运行时明显增加。针对特征IMF的时频谱幅值设置合适的阈值，即可作为串联型故障电弧检测的依据。

基于信息熵与短时傅里叶变换的串联型故障电弧检测方法首先通过sym5小波包对串联型故障电弧发生前后的电流信号进行4层分解、重构及归一化处理。然后计算各重构信号的信息熵，对比串联型故障电弧发生前后各重构信号的信息熵变化，信息熵变化越大，说明该部分重构信号包含串联型故障电弧的信息量较大，因此选取信息熵变化最大的重构信号作为特征重构信号进行研究。最后采用短时傅里叶变换对选取的特征重构信号进行时频分析，得到串联型故障电弧电流信号的时频特性，以实现对串联型故障电弧的识别[13]。

典型负载在线路正常运行和发生串联型故障电弧时电流信号的特征重构信号时频谱如图3所示。对于三相异步电动机负载，线路发生串联型故障电弧时特征重构信号的时频谱幅值相对线路正常运行时明显增加；对于工控机负载，线路发生串联型故障电弧时特征重构信号的时频谱幅值变化比三相异步电动机明显得多。但无论是三相异步电动机还是工控机负载，线路发生串联型故障电弧时特征重构信号的时频谱幅值相对线路正常运行时均有明显增加，因此针对特征重构信号的时频谱幅值设置合适的阈值，即可区分出线路正常运行状态与串联型故障电弧状态。

(b) 工控机在串联型故障电弧发生前后电流信号的特征IMF时频谱
图2 典型负载在串联型故障电弧发生前后电流信号的特征IMF时频谱
Fig.2 Feature IMF time-frequency spectrum of typical loads current signal before and after series fault arc

基于小波近似熵与支持向量机的串联型故障电弧检测方法首先利用db5小波变换对串联型故障电弧发生前后的电流信号进行4层分解，并重构近似系数和各层细节系数，以获得低频分量和高频分量的重构信号。近似熵可反映各重构信号的不规则程度，因此提取各重构信号的近似熵作为特征向量。最后将该特征向量输入到支持向量机中，对串联型故障电弧进行识别[14]。

典型负载在线路正常运行和发生串联型故障电弧时电流信号的各重构信号近似熵见表1。对于工控机负载，在线路发生串联型故障电弧后，重构信号D1—D4的近似熵相对线路正常运行时均有所减小，A4的近似熵相对线路正常运行时有所增大；对于三相异步电动机负载，在线路发生串联型故障电弧后，D1，D2的近似熵相对线路正常运行时有所减小，D3，D4，A4的近似熵相对线路正常运行时均有所增大。串联型故障电弧的发生对各层频率都有不同程度的影响，单以某个或某几个重构信号的近似熵变化作为串联型故障电弧识别依据不够准确。因此，结合智能识别算法——支持向量机做进一步处理，将所有重构信号的近似熵作为支持向量机的输入，分别设置不同负载时线路的正常运行状态与串联型故障电弧状态作为类别标签，对支持向量机进行训练，用训练后的支持向量机对串联型故障电弧进行识别。

(d) 工控机在线路发生串联型故障电弧时电流信号的特征重构信号时频谱
图3 典型负载在线路正常运行和发生串联型故障电弧时电流信号的特征重构信号时频谱
Fig.3 Feature reconstructed signal time-frequency spectrum of typical loads current signal during normal operation and series fault arc of line

表1 典型负载在线路正常运行和发生串联型故障电弧时电流信号的各重构信号近似熵
Table 1 Approximate entropy of reconstructed current signals of typical loads during normal operation and series fault arc of line

注：D1—D4分别为电流信号经db5小波4层分解后第1—4层细节系数的重构信号，A4为第4层近似系数的重构信号。

3 串联型故障电弧检测方法比较

基于希尔伯特黄变换的串联型故障电弧检测方法采用EMD对电流信号进行处理，其自适应性和时频分辨率好，分解出的各模态分量经希尔伯特变换后可直观地看出不同频率信号在时间和能量上的分布规律，从而提取出串联型故障电弧发生时电流的畸变信息。但由于EMD算法本身的缺陷，分解过程中会造成各分量之间的模态混叠，同时该算法的分解层数和分解后各分量的频段不能事先给定，且特征IMF是通过观察确定的，导致针对不同负载和工况下提取的特征IMF可能处于不同频段或不能很好地表征故障信息。

基于信息熵与短时傅里叶变换的串联型故障电弧检测方法采用小波包分解电流信号，小波包分解可事先给定分解层数，分解得到的各分量均处于特定频段，且信息熵的引入为特征重构信号的选取提供了理论依据，因此该方法可有效提取表征串联型故障电弧信息的特征频段，仅针对特征频段进行分析来实现对串联型故障电弧的检测，一定程度上减少了计算量。但小波包分解的计算量大，小波基需事先给定，后期还需进行短时傅里叶变换，且短时傅里叶变换的窗函数也需事先选取，同时仅提取了信息熵变化最大的单个重构信号进行研究，提取的串联型故障电弧特征信息可能不够完整。

基于小波近似熵与支持向量机的串联型故障电弧检测方法采用小波变换分解电流信号，小波变换逐层分解时只分解低频信号，所以其计算量相对小波包分解大大减小，且该方法提取了所有重构信号的近似熵作为特征向量，可较完整地提取串联型故障电弧特征信息，并结合了支持向量机对串联型故障电弧进行识别，可提高准确性与鲁棒性。但小波变换的小波基需事先选取，且小波变换在分解过程中不同频段的信息会发生混叠。

对基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法的优缺点进行比较，见表2。基于希尔伯特黄变换、信息熵与短时傅里叶变换的串联型故障电弧检测方法均提取各自特征信号的时频信息，针对时频谱幅值设置合适的阈值即可作为串联型故障电弧检测的依据，但由于EMD算法本身缺陷和小波包较大的计算量，识别的准确性和实时性不高。基于小波近似熵与支持向量机的串联型故障电弧检测方法直接提取小波分解后各重构信号的近似熵作为支持向量机的输入进行识别，相对前2种方法具有更高的准确性和实时性，更适合现场应用。

表2 基于电流信号分析的串联型故障电弧检测方法比较
Table 2 Comparison of series fault arc detection methods based on current signal analysis

4 结语

通过对基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法的原理、优缺点进行比较分析，指出基于希尔伯特黄变换、信息熵与短时傅里叶变换的串联型故障电弧检测方法可有效提取串联型故障电弧发生时电流的时频特性，针对提取的时频谱幅值设置合适的阈值即可作为串联型故障电弧检测的依据，但准确性和实时性不高，而基于小波近似熵与支持向量机的串联型故障电弧检测方法可直接提取近似熵作为支持向量机的输入来检测串联型故障电弧，具有较高的准确性和实时性，更适用于煤矿现场。

[2] 齐建伟,宋建成.矿井高压电缆接头温度在线监测系统的研究[J].工矿自动化,2009,35(12):32-34.

QI Jianwei,SONG Jiancheng.Research of on-line monitoring system for temperature of high-voltage cable joint of mine[J].Industry and Mine Automation,2009,35(12):32-34.

[3] 杨艺,董爱华,付永丽.低压故障电弧检测概述[J].低压电器,2009(5):1-4.

YANG Yi,DONG Aihua,FU Yongli.Overview of low voltage fault arc detection[J].Low Voltage Apparatus,2009(5):1-4.

[4] GOODMAN M.How ultrasound can detect electrical discharge non-invasively and help eliminate arc flash incidents[C]//IEEE Electrical Insulation Conference and Electrical Manufacturing Expo,Nashville,2007:247-252.

[5] PANETTA S.Design of arc flash protection system using solid state switch,photo detection,with parallel impedance[C]//IEEE IAS Electrical Safety Workshop,Dallas,2013:211-213.

[6] RESTREPO C E.Arc fault detection and discrimination methods[C]//The 53rd IEEE Holm Conference on Electrical Contacts,Pittsburgh,2007:115-122.

[7] 郭凤仪,陈艳君,王智勇,等.基于WVD和OEW算法识别矿用栓接电缆电连接松动故障[J].煤炭学报,2015,40(9):2218-2224.

GUO Fengyi,CHEN Yanjun,WANG Zhiyong,et al.Identification of electric connection looseness fault for mining bolt cable based on WVD and OEW algorithm[J].Journal of China Coal Society,2015,40(9):2218-2224.

[8] 王智勇,郭凤仪,王海潮,等.矿用栓接电缆接头松动故障识别方法研究[J].煤炭学报,2016,41(4):1045-1051.

WANG Zhiyong,GUO Fengyi,WANG Haichao,et al.Research on identification methods of looseness fault in coal-mine bolted cable joint[J].Journal of China Coal Society,2016,41(4):1045-1051.

[9] LEZAMA J,SCHWEITZER P,WEBER S,et al.Frequency analysis to arcing detection and prototyping FPGA approach[C]//The 59th IEEE Holm Conference on Electrical Contacts,Newport,2013:1-6.

[10] 孙鹏,郑志成,高翔.基于小波分析的故障电弧检测方法[J].高压电器,2012,48(1):25-34.

SUN Peng,ZHENG Zhicheng,GAO Xiang.Arc fault detection based on wavelet analysis[J].High Voltage Apparatus,2012,48(1):25-34.

[11] 卢其威,巫海东,王肃坷,等.基于差值-均方根法的故障电弧检测的研究[J].低压电器,2013(1):6-10.

LU Qiwei,WU Haidong,WANG Suke,et al.Research on arc-fault detection based on difference-root mean square method[J].Low Voltage Apparatus,2013(1):6-10.

[12] CHEN Changken,GUO Fengyi,LIU Yanli,et al.Recognition of series arc fault based on the Hilbert Huang transform[C]//The 61st IEEE Holm Conference on Electrical Contacts,San Diego,2015:324-330.

[13] 刘艳丽,郭凤仪,王智勇,等.基于信息熵的串联型故障电弧频谱特征研究[J].电工技术学报,2015,30(12):488-495.

LIU Yanli,GUO Fengyi,WANG Zhiyong,et al.Research on the spectral characteristics of series arc fault based on information entropy[J].Transactions of China Electrotechnical Society,2015,30(12):488-495.

[14] 郭凤仪,李坤,陈昌垦,等.基于小波近似熵的串联电弧故障识别方法[J].电工技术学报,2016,31(24):164-172.

GUO Fengyi,LI Kun,CHEN Changken,et al.Series arc fault identification method based on wavelet approximate entropy[J].Transactions of China Electrotechnical Society,2016,31(24):164-172.

DFH-20/10矿用本安型电动球阀由天地(常州)自动化股份有限公司研制推出，具有适应压力范围广、不受泥沙和污水影响、通径大、工作稳定可靠、使用寿命长、抗干扰能力强等特点，而且电动球阀具备数据采集、控制输出、数据传输等功能,能与矿山各种安全生产监控系统配套使用。

ZJK系列矿用隔爆兼本安型电动执行器由天地(常州)自动化股份有限公司研制推出，集转矩监测、开度定位、网络通信、信息显示、电气综合保护等功能于一体，具有故障诊断、智能定位、总线控制等特点，契合国家建立精细化水气计量管理、绿色能源矿山节能减排等要求，是“互联网+”阀门在矿山管道控制智能化、物联化的解决方案。

(1.Faculty of Electrical and Control Engineering, Liaoning Technical University, Huludao 125105, China; 2.Beichen Xinhui Company, State Grid Liaoning Electric Power Supply Co., Ltd., Shenyang 110000, China; 3.Huludao Power Supply Company, State Grid Liaoning Electric Power Supply Co., Ltd., Huludao 125000, China)

Abstract：For uncertainty of line fault location, current series fault arc detection methods are mainly based on current signal analysis. By comparing current waveforms before and after series arc fault under different loads, characteristics and regularities of series fault arc current were obtained. Taking current signal of series fault arc as research object, three kinds of series fault arc detection methods were introduced which use Hilbert-Huang transform, information entropy and short-time Fourier transform and wavelet approximate entropy and support vector machine respectively. Extraction processes of fault arc feature with different detection methods were summarized, and advantages and disadvantages of the three methods were compared. A view was pointed out that the detection method based on Hilbert-Huang transform and the one based on information entropy and short-time Fourier transform can effectively extract time-frequency characteristics of fault arc, and series fault arc can be identified according to proper threshold of time-frequency spectrum amplitude with low accuracy and real-time performance. The detection method based on wavelet approximate entropy and support vector machine can directly extract approximate entropy as input of support vector machine to detect series fault arc with higher accuracy and real-time performance, which is more suitable for coal mine.

Key words：series fault arc; current signal; spectrum feature; Hilbert-Huang transform; information entropy; short-time Fourier transform; wavelet approximate entropy; support vector machine

作者简介：郭凤仪(1964-)，男，内蒙古赤峰人，教授，博士，博士研究生导师，研究方向为电器基础理论及其应用，E-mail:fyguo64@126.com。

引用格式：郭凤仪，BILGUUN Baatar，任雪，等.串联型故障电弧检测方法对比分析[J].工矿自动化，2017,43(8)：31-36. GUO Fengyi, BILGUUN Baatar, REN Xue, et al. Comparative analysis of series fault arc detection methods[J].Industry and Mine Automation，2017,43(8)：31-36.

网络出版地址：http://kns.cnki.net/kcms/detail/32.1627.TP.20170727.0946.007.html