采用高頻特性的低壓電弧故障識別方法

高艷艷，張認(rèn)成，楊建紅，杜建華，楊　凱

（華僑大學(xué)機(jī)電及自動化學(xué)院，廈門 361021）

?

采用高頻特性的低壓電弧故障識別方法

高艷艷，張認(rèn)成，楊建紅，杜建華，楊凱

（華僑大學(xué)機(jī)電及自動化學(xué)院，廈門 361021）

摘要：為準(zhǔn)確識別交流電力系統(tǒng)中的電弧故障問題，針對不同類型負(fù)載的電弧故障，提出一種基于小波熵的電弧故障普適性檢測方法。運用小波變換提取電弧故障發(fā)生時在電流過零點附近產(chǎn)生的高頻信號，采用該高頻信號的小波熵表征電弧故障的突變信息，并利用最小二乘支持向量機(jī)對小波熵進(jìn)行分類，實現(xiàn)對電弧故障的有效識別。結(jié)果表明，在文中的實驗條件下能夠全部識別出電弧故障。該方法不僅可以對單一負(fù)載和組合型負(fù)載的電弧故障進(jìn)行識別，還可以避免負(fù)載正常電弧和負(fù)載啟動過程引起的誤判，也能克服一些抑制性負(fù)載的干擾。關(guān)鍵詞：電弧故障；小波熵；高頻輻射；支持向量機(jī)；小波變換

隨著用電負(fù)荷不斷增加，因短路、過載、接觸不良、線路老化等引發(fā)的電氣火災(zāi)時有發(fā)生，據(jù)《2010年中國火災(zāi)統(tǒng)計年鑒》統(tǒng)計，全國每年因電氣原因引起的火災(zāi)占火災(zāi)總數(shù)的30.7%，造成了慘痛的生命代價和嚴(yán)重的財產(chǎn)損失。

電弧故障是引起電氣火災(zāi)的重要原因之一，傳統(tǒng)的電弧故障檢測方法多基于電弧產(chǎn)生的弧光、弧聲、溫度等物理參數(shù)［1-5］，但是線路中電弧故障位置的不確定性限制了這些方法的應(yīng)用。電弧電流測量的便利性使其成為電弧故障檢測的理想?yún)?shù)［6-10］。

傳統(tǒng)電弧故障的識別方法主要基于電弧電流的諧波占有率分析法［6］、小波提取電弧電流故障特征的時頻分析法［7-8］以及基于自回歸模型參數(shù)的識別方法［9］等。這些方法基于電弧電流、負(fù)載電弧故障特征曲線或負(fù)載時間序列AR（auto regressive）模型參數(shù)，其局限性在于：電弧故障因位置未知而無法直接測得電弧電壓；電器的類型繁多且推陳出新，不可能事先測出每一種負(fù)載的電弧特征曲線和模型參數(shù)；負(fù)載混聯(lián)時，其綜合電弧特征曲線不可事先得知，難于可靠區(qū)分電弧故障與正常負(fù)載電弧。

近年來，小波理論和熵理論在電力系統(tǒng)和機(jī)械系統(tǒng)的故障診斷領(lǐng)域已有很多成功的應(yīng)用［11-15］。在電弧故障檢測方面也有運用小波分析和熵理論的例子［16-17］。這些方法主要從電弧信號的低頻方面入手，在特定的單一線性負(fù)載或非線性負(fù)載的電弧故障識別中表現(xiàn)出各自的適用性，但是對于常用的各種負(fù)載及其多種負(fù)載混聯(lián)的電弧故障識別的普適性有待進(jìn)一步的研究。

通過實驗發(fā)現(xiàn)電弧故障發(fā)生時在過零點附近會有大量的高頻信號，同時研究表明，不同工況下電弧故障產(chǎn)生的高頻信號在1MHZ～3GHz之間［18-20］，因此本文運用小波分析提取電弧故障發(fā)生時電流過零點附近1.25 MHz～2.5 MHz的高頻信號，以此高頻信號的小波能量熵作為識別參數(shù)，借助支持向量機(jī)對電弧故障信號進(jìn)行識別，以期獲得具有適應(yīng)于大多數(shù)負(fù)載及負(fù)載混聯(lián)時電弧故障識別的普適性檢測算法。

1　實驗

實驗平臺須能夠模擬典型負(fù)載的典故故障、連續(xù)采集電弧故障電流，為算法研究提供原始數(shù)據(jù)。如圖1所示，是依據(jù)UL1699標(biāo)準(zhǔn)［21］研制的電弧故障實驗平臺。主要由以碳-石墨棒和銅棒為電極的可調(diào)式電弧故障發(fā)生裝置、隔離變壓器、ZTC210S10007型號電流波形傳感器、NI PXI-5122數(shù)據(jù)采集系統(tǒng)以及計算機(jī)。系統(tǒng)采樣頻率為5 MHz/s。實驗負(fù)載包括1 500 W吸塵器、700 W手電鉆、300 W鹵素?zé)簟? 200 W電阻爐、350 W開關(guān)電源、2 200 W空氣機(jī)以及5個200 W燈泡。

圖1實驗電路原理Fig.1 Principle diagram of experiment

為了研究電弧故障與負(fù)載正常電弧的本質(zhì)區(qū)別、負(fù)載正常啟動、多負(fù)載并聯(lián)以及具有抑制性負(fù)載時電弧故障識別方法的有效性，按照表1所示的方案進(jìn)行實驗，分別采集有電弧故障和無電弧故障時電路的電流數(shù)據(jù)。表1中第1～7組實驗為單一負(fù)載實驗；第8～10組為負(fù)載正常啟動過程實驗；第11～15組并聯(lián)負(fù)載組合實驗，其中第11～13為抑制性實驗。

表1實驗方案Tab.1　Experimental scheme

2　小波熵原理簡介

2.1小波變換

傳統(tǒng)的在頻域分析方法是傅里葉變換，但其不能反映信號的時域特征，發(fā)生電弧故障時信號產(chǎn)生短時高頻沖擊和微弱的波形突變，經(jīng)傅里葉變換后，這些時域特征因積分而被踢出，因此傅里葉變換難以提取電弧故障有效信息。小波變換從時域和頻域兩個方面來反映電弧故障信號時頻特征，可以用于辨別電弧故障時電流信號的微小變化。

小波φ（t）函數(shù)的選取必須滿足

式中：φ（t）∈L2（R）；ψ（w）為 φ（t）的傅里葉變換，ψ（w）w=0=0。

信號s（t）的小波變換（WT）定義為

式中，小波變換的基函數(shù)φβ,γ（t）=1/β φ（t-γ/β）是窗函數(shù)φ（t）經(jīng)過時間尺度平移γ和幅值尺度伸縮β的結(jié)果，其中β＞0，1β是為了變換結(jié)果歸一化而引入的系數(shù)。實際使用中采用離散小波變換。離散小波變換由Mallat快速算法實現(xiàn)，該算法采用小波濾波器對離散信號進(jìn)行反復(fù)的低通和高通濾波過程，每次濾波得到一個低頻分量和一個高頻分量，再對低頻分量分別進(jìn)行高通和低通濾波得到更大尺度上的高頻和低頻分量，圖2為離散小波分解的樹形結(jié)構(gòu)，其中s為源信號、ai和di分別表示第i尺度上的低頻和高頻分量［22］。

圖2　離散小波分解的樹形結(jié)構(gòu)Fig.2　Tree structure of the discrete wavelet

2.2小波能量熵

小波能量熵是小波熵中的一種，利用小波能量熵能夠發(fā)現(xiàn)故障信號中微小的異常。

假設(shè)第 j層高頻小波系數(shù)為dj，采樣點數(shù)為N，將采樣點上的小波系數(shù)分成n個子區(qū)間。

則第j層高頻小波系數(shù)的總能量為

第m個子區(qū)間上的小波系數(shù)能量值為

第m個子區(qū)間的能量占總能量的概率為

則第j層高頻小波對應(yīng)信號的小波熵為

3　電弧故障識別

3.1實驗結(jié)果分析

電弧的電磁輻射現(xiàn)象是電弧動態(tài)放電過程的反映。在熄弧到電弧重燃這個短暫瞬間，由于大量的弧隙氣體被電離，等離子的運動加劇，釋放大量的高頻電磁輻射信號，而在其他時間，高頻信號慢慢減少。該現(xiàn)象也可解釋為連續(xù)工頻電流信號在過零點處因電弧故障產(chǎn)生平肩時，信號被突然截斷，導(dǎo)致高頻信號產(chǎn)生。

分析如圖3～圖5中負(fù)載電弧故障發(fā)生時的源信號s（t），發(fā)現(xiàn)高頻信號產(chǎn)生在電流過零點附近，且不同的負(fù)載類型高頻成分增加的不同，所以不能簡單地依靠高頻成分的小波系數(shù)來識別電弧故障。

然而電弧發(fā)生時，高頻成分大量產(chǎn)生的時間是在電流過零點附近，而小波熵可以發(fā)現(xiàn)信號這種短暫的畸變，所以采用小波熵的方法對電弧故障進(jìn)行識別。為了提取電弧故障發(fā)生時產(chǎn)生的高頻信號，選擇db5小波進(jìn)行1層分解，提取的d1層小波系數(shù)，由小波變換原理可知d1層小波的頻率范圍為1.25 MHz～2.5 MHz。

針對實驗方案中1～15組實驗，將采集到電流波形進(jìn)行小波變換后，把d1層小波系數(shù)分成100個區(qū)間，按照式（3）～式（6）進(jìn)行小波熵計算。每個實驗中的d1層小波系數(shù)各區(qū)間能量變化如圖3～圖6所示。

圖3和圖4分別為線性負(fù)載電阻爐正常和故障下電流信號的小波分解圖，圖5和圖6為非線性負(fù)載吸塵器正常和故障下電流信號的小波分解圖。從圖3與圖4對比、圖5與圖6對比可知，無論是線性負(fù)載還是非線性負(fù)載，當(dāng)電弧故障發(fā)生時，在電流過零點附近的高頻信號能量加劇，高頻信號的包絡(luò)線具有周期性的凸起，表現(xiàn)在d1層的小波能量變化趨勢圖中的過零點的區(qū)間會出現(xiàn)幅值的增加，而正常情況下僅會在一個范圍內(nèi)穩(wěn)定的變動。圖3、圖4和圖5、圖6對比也可以看出非線性負(fù)載的這種變化會比較明顯。

圖3　電阻爐負(fù)載正常電流信號小波分解后的細(xì)節(jié)信號Fig.3　Detail signal of wavelet transform for the furnace on normal condition

圖4　電阻爐負(fù)載故障電流信號小波分解后的細(xì)節(jié)信號Fig.4　Detail signal of wavelet transform for the furnace on arc fault condition

圖5　吸塵器負(fù)載正常電流信號小波分解后的細(xì)節(jié)信號Fig.5　Detail signal of wavelet transform for the vacuum cleaner on normal condition

圖6　吸塵器負(fù)載故障電流信號小波分解后的細(xì)節(jié)信號Fig.6　Detail signal of wavelet transform for the vacuum cleaner on arc fault condition

圖7　手電鉆負(fù)載正常電流信號小波分解后的細(xì)節(jié)信號Fig.7　Detail signal of wavelet transform for the electric drill on arc fault condition

圖8　手電鉆負(fù)載故障電流信號小波分解后的細(xì)節(jié)信號Fig.8　Detail signal of wavelet transform for the electric drill on normal condition

如圖7和圖8所示為手電鉆負(fù)載正常和故障下電流信號的小波分解圖，這種負(fù)載被稱為干擾性負(fù)載，對比圖7與圖8比較可以看出，雖然手電鉆正常工作時也會有高頻產(chǎn)生，但是這種高頻信號的位置是隨機(jī)的，不受電流過零點的影響且這種高頻信號也很微弱，而發(fā)生電弧故障時，高頻信號會在過零點附近產(chǎn)生，表現(xiàn)在小波系數(shù)能量變化趨勢圖中的過零點位置出現(xiàn)類似周期性的凸起。

一些負(fù)載在啟動過程中會出現(xiàn)一些電流波形畸變和少量高頻沖擊信號，如圖9和圖10分別是吸塵器和手電鉆負(fù)載啟動過程中的電流信號小波分解圖，由圖可以發(fā)現(xiàn)手電鉆和吸塵器這兩種負(fù)載啟動時雖然波形畸變嚴(yán)重，且有少量的高頻脈沖，但是它們的小波系數(shù)能量變化趨勢圖中的過零點附近沒有出現(xiàn)類似周期性的凸起的現(xiàn)象。

圖9　手電鉆負(fù)載啟動時電流信號小波分解后的細(xì)節(jié)信號Fig.9　Detail signal of wavelet transform for the electric drill on start condition

圖10　吸塵器負(fù)載啟動時電流信號小波分解后的細(xì)節(jié)信號Fig.10　Detail signal of wavelet transform for the vacuum cleaner on start condition

表2～表4為計算的小波熵?？梢园l(fā)現(xiàn)，由于電弧故障發(fā)生時電路中會產(chǎn)生較強(qiáng)的周期性高頻信號，使信號中的信息量減少，導(dǎo)致熵減小；正常情況下電路中高頻信號是隨機(jī)的近似高斯噪聲，包含更多的信息量，從而具有較大的熵?？偠灾a(chǎn)生故障電弧時，過零點附近高頻成分的增加導(dǎo)致其小波熵的數(shù)值會減小，利用這一性質(zhì)能夠識別電弧故障。

表2　不同類型負(fù)載的小波能量熵Tab.2　Wavelet energy entropy of different kinds of load

表3　個別負(fù)載啟動時的小波能量熵Tab.3　Wavelet energy entropy of individual load on startup

表4　兩個負(fù)載并聯(lián)下的小波能量熵Tab.4　Wavelet energy entropy of two load in parellel

3.2電弧故障識別算法

由于有電弧故障和無電弧故障時，小波熵變化區(qū)間不大，因此，引入最小二乘支持向量機(jī)LS-SVM （least squares support vector machine）對電弧故障進(jìn)行識別。

LS-SVM是對SVM（support vector machine）的一種改進(jìn)，該算法具有較強(qiáng)的非線性數(shù)據(jù)處理能力，它用對等式約束代替了不等式約束，它的出發(fā)點是尋求形如（w?x）+b=0的分劃超平面，引進(jìn)變換x=Φ（x）和相應(yīng)的核函數(shù)K（x,x′）=（Φ（x）?Φ（x′），它的原始問題可以表示成凸二次規(guī)劃問題，即

所以其拉格朗日函數(shù)可表示為

線性決策函數(shù)為

式中：xi為樣本輸入；l為樣本總數(shù)；c為懲罰系數(shù)，c=0；ηi為松弛因子，ηi≥0；w為權(quán)向量；b為常數(shù)；αi為拉格朗日乘子。

本文選擇徑向基核函數(shù)RBF（radial basis func?tion），以σ為參數(shù)的RBF函數(shù)可表示為

LS-SVM識別過程的步驟如下。

（1）將d1層小波熵作為輸入量，分類結(jié)果y為輸出量，y=0表示無電弧故障的正常樣本；y=1表示有電弧故障樣本。

（2）將表1中的每組實驗重復(fù)20次，共580組數(shù)據(jù)，取290組數(shù)據(jù)作為訓(xùn)練樣本，其中電弧故障樣本130個，正常工作狀態(tài)樣本160個。選擇RBF 對LS-SVM模型進(jìn)行訓(xùn)練，采用交叉驗證法對樣本進(jìn)行參數(shù)尋優(yōu)，RBF參數(shù)σ取0.2，懲罰參數(shù)c取10。LS-SVM模型對以上290組訓(xùn)練樣本的訓(xùn)練結(jié)果如圖11所示，圖中圈定的區(qū)域表示正常區(qū)域，而圈定以下的區(qū)域表示故障區(qū)域。

圖11電弧故障LS-SVM訓(xùn)練結(jié)果Fig.11　LS-SVM training results of arc fault identification

（3）另外290組作為測試樣本，其中電弧故障樣本130個，正常工作狀態(tài)樣本160個。290測試樣本輸入到已經(jīng)訓(xùn)練好的LS-SVM模型中。

實驗結(jié)果顯示290組測試樣本全部被正確地識別出來，達(dá)到了較理想的電弧故障識別效果。由上分析，該方法不僅可以對線性負(fù)載和非線性負(fù)載的電弧故障進(jìn)行識別，適應(yīng)并聯(lián)負(fù)載的情況，而且還可以消除抑制性負(fù)載的影響、消除負(fù)載啟動過程帶來的誤判。

4　結(jié)論

（1）根據(jù)電弧故障發(fā)生時在電流過零點附近產(chǎn)生的高頻信號的性質(zhì)，給出了利用小波熵表征電弧故障特征信息的方法，實驗證明該方法是可行的。

（2）基于高頻電流信號小波熵的電弧故障識別方法不僅可以對單一負(fù)載和組合型負(fù)載的電弧故障進(jìn)行識別，還可以避免負(fù)載正常工作和負(fù)載啟動過程中產(chǎn)生的好弧引起的誤判，也能克服一些抑制性負(fù)載的干擾。

（3）采用LS-SVM對小波熵進(jìn)行分類，實現(xiàn)對電弧故障的有效識別，在本文的實驗條件下能夠全部識別出電弧故障。

參考文獻(xiàn)：

［1］藍(lán)會立，張認(rèn)成（Lan Huili，Zhang Rencheng）.基于小波分析的故障電弧伴生弧聲特征提?。⊿tudy on the fea?ture extraction of fault arc sound signal based on wavelet analysis）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU-EPSA），2008，20（4）：57-62.

［2］Sidhu T S，Singh G，Sachdew M S.A new technique for de?tection and location of arcing faults in power system appa?ratus［C］//IEEE Canadian Conference on Electrical and Computer Engineering，1998（1）：185-188.

［3］Sidhu T S，Sachdew M S，Sagoo G S.Detection and loca?tion of low-level arcing faults in metal-clad electrical ap?paratus［C］//Seventh International Conference on Develop?ments in Power System Protection.Amsterdam，Nether?land，2001：157-160.

［4］蔡彬，陳德桂，吳銳，等（Cai Bin，Chen Degui，Wu Rui，et al）.開關(guān)柜內(nèi)部故障電弧的在線檢測和保護(hù)裝置（On?line detecting and protection system for internal faults arc in switchgear）［J］.電工技術(shù)學(xué)報（Transactions of China Electrotechnical Society），2005，20（10）：83-87.

［5］陳奎，程天華，彭偉光，等（Chen Kui，Cheng Tianhua，Peng Weiguang，et al）.饋電開關(guān)用電弧性單相接地保護(hù)方法的研究（Research of arc single-phase earth protec?tion for feed switch protection）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2013，41（3）：107-111.

［6］ 李夏河，張認(rèn)成，楊建紅（Li Xiahe，Zhang Rencheng，Yang Jianhong）.基于FastICA的低壓電弧特征分析（Feature analysis of arc fault in low voltage based on FastICA）［J］.低壓電器（Low Voltage Apparatus），2012，11（10）：4-7，46.

［7］范李平，袁兆強(qiáng)，張凱（Fan Liping，Yuan Zhaoqiang，Zhang Kai）.基于小波變換的單相接地故障電弧模型及其PSCAD/EMTDC仿真研究（Simulation on arc model of single phase earth fault and PSCAD/EMTDC based on wavelet transformation）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2011，39（5）：51-56.

［8］劉曉明，趙洋，曹云東，等（Liu Xiaoming，Zhao Yang，Cao Yundong，et al）.基于小波變換的交流系統(tǒng)串聯(lián)電弧故障診斷（Series arc fault diagnosis based on wavelet transform in AC system）［J］.電工技術(shù)學(xué)報（Transactions of China Electrotechnical Society），2014，29（1）：10-17.

［9］雍靜，桂小智，牛亮亮，等（Yong Jing，Gui Xiaozhi，Niu Liangliang，et al）.基于自回歸參數(shù)模型的低壓系統(tǒng)串聯(lián)電弧故障識別（Series arc fault identification in low voltage system based on autoregressive parameter model）［J］.電工技術(shù)學(xué)報（Transactions of China Electrotechni?cal Society），2011，26（8）：213-219.

［10］任龍霞，吳為麟（Ren Longxia，Wu Weilin）.虛擬儀器在低壓電弧故障斷路器研制中的應(yīng)用（Application of LabVIEW in the development of arc fault circuit interrupt?ers（AFCI））［J］.電力系統(tǒng)保護(hù)與控制（Power System Pro?tection and Control），2011，39（5）：134-138，143.

［11］何正友，蔡玉梅，錢清泉（He Zhengyou，Cai Yumei，Qian Qingquan）.小波熵理論及其在電力系統(tǒng)故障檢測中的應(yīng)用研究（A study of wavelet entropy theory and its appli?cation in electric power system fault detection）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2005，25（5）：38-43.

［12］任震，張征平，黃雯瑩，等（Ren Zhen，Zhang Zhengping，Huang Wenying，et al）.基于最優(yōu)小波包基的電動機(jī)故障信號的消噪與檢測（Denoising and detection of fault?ed motor signal based on best wavelet packet basis）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2002，22 （8）：53-57.

［13］Blanco S，F(xiàn)igliosa A，Quiroga R Q，et al.Time-frequency analysis of electroencephalogram series.III.Wavelets packets and information cost function［J］.Physical Review E，1998，57（1）：932-940.

［14］肖賢，周步祥，林楠，等（Xiao Xian，Zhou Buxiang，Lin Nan，et al）.結(jié)合H-S變換和BSVM的高壓輸電線路故障識別（High-voltage transmission line fault identifica?tion based on the hyperbolic S-transform and multiple BSVM）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU-EPSA），2015，27（2）：70-76.

［15］高云，楊洪耕（Gao Yun，Yang Honggeng）.基于多尺度小波分解的家用負(fù)荷分類計量（Household load measure?ment by classification based on multi-scale wavelet de?composition）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceed?ings of the CSU-EPSA），2015，27（7）：84-90.

［16］孫鵬，鄭志成，閆榮妮，等（Sun Peng，Zheng Zhicheng，Yan Rongni，et al）.采用小波熵的串聯(lián)型故障電弧檢測方法（Detection method of arc fault in series with wavelet entropy）［J］.中國電機(jī)工程學(xué)報（Proceedings of the CSEE），2010，30（S）：232-236.

［17］孫鵬，董榮剛，鄭志成（Sun Peng，Dong Ronggang，Zheng Zhicheng）.基于小波分析信號特征頻段能量變比的故障電弧診斷技術(shù)研究（Arc fault diagnosis technology based on the analysis of energy variation of signal’s char?acteristic frequency band with wavelet transform）［J］.高壓電器（High Voltage Apparatus），2010，46（7）：46-50，56.

［18］Kayano Y，Nakamura T，Miyanaga K，et al.Current and ra?diation noise up to GHz band generated by slowly break?ing silver-compound contacts［J］.IEICE Transactions on Electronics，2007，E90-C（7）：1504-1506.

［19］Kayano Y，Miura H，Miyanaga K，et al.The relationship between voltage and duration of short-time arc generated by slowly breaking silver contact［J］.IEICE Transactions on Electronics，2008，E91-C（8）：1230-1232.

［20］Inoue H，Miura H，Kayano Y，et al.Current noise up to GHz band generated by slowly breaking silver-compound contacts with external dc magnetic field［J］.European Physical Journal，2010，49（2）：22908-22915.

［21］UL 1699—2011，Underwriters laboratories inc.standard for arc-fault circuit-interrupters［S］.

［22］倪林.小波變換與圖像處理［M］.合肥：中國科學(xué)技術(shù)大學(xué)出版社，2010.

中圖分類號：TM51

文獻(xiàn)標(biāo)志碼：A

文章編號：1003-8930（2016）06-0049-07

DOI：10.3969/j.issn.1003-8930.2016.06.009

作者簡介：

高艷艷（1989—），女，碩士研究生，研究方向為信號特征提取、電弧故障檢測技術(shù)。Email：18850173952@163.com

張認(rèn)成（1962—），男，博士，教授，研究方向為機(jī)電系統(tǒng)狀態(tài)監(jiān)測與安全保障技術(shù)、現(xiàn)代檢測技術(shù)。Email：zhangrc1218@ 126.com

楊建紅（1976—），男，博士，副教授，研究方向為電氣火災(zāi)預(yù)警技術(shù)、工程機(jī)械液壓智能控制。Email：yjhong@hqu.edu.cn

收稿日期：2014-09-17；修回日期：2015-10-19

基金項目：福建省高校產(chǎn)學(xué)合作科技計劃重大項目（2012H6013）；福建省科技計劃重點項目（2013H0028）；福建省自然科學(xué)基金資助項目（2012J01214）

Method of Low-voltage Arc Fault Recognition Using High Frequency Feature

GAO Yanyan，ZHANG Rencheng，YANG Jianhong，DU Jianhua，YANG Kai
（College of Mechanical Engineering and Automation，Huaqiao University，Xiamen 361021，China）

Abstract：In order to accurately identify the arc fault in AC system，for different types of load，a universal arc fault de?tection method based on wavelet entropy was proposed.This paper discussed the high frequency signals features when the arc occurs，the wavelet transforming are applied to extract the high frequency spectrum of the arc fault signals and used its wavelet energy entropy as feature parameters，then the arc fault was effectively identified by using the least squares support vector machine（SVM）where wavelet entropy were classified.Identification results show that arc fault was entirely recognized under the experiment conditions，this method can not only identify arc fault of the single and combination loads，but also avoid some miscalculations which some loads brought out under the processing of startup or working and can also overcome disturbances which generated by some inhibitory loads.

Key words：arc fault；wavelet entropy；high frequency radiation；support vector machine（SVM）；wavelet transform