基于支持向量機的串聯(lián)故障電弧識別方法

吳珊珊 張聰 趙歡歡 楊采薇

摘? 要：電力在對人們生活的影響日益加深的同時，也帶來了更大的火災隱患。相關數據統(tǒng)計顯示，電氣火災的第一大成因就是故障電弧。為提高串聯(lián)型故障電弧檢測的準確度，針對串聯(lián)故障電弧的隱蔽性、隨機性與不穩(wěn)定性，文章提出基于諧波與SVM的串聯(lián)故障電弧檢測方法。通過自主搭建串聯(lián)故障電弧實驗平臺以采集正常運行電路與產生串聯(lián)故障電弧時的諧波數據，并以此為參數作為SVM的輸入變量建立模型。研究結果表明，基于SVM的串聯(lián)故障電弧檢測方法，識別串聯(lián)故障電弧的準確率較高，具有一定的可行性與有效性。

關鍵詞：串聯(lián)故障電弧;諧波;SVM

中圖分類號：TP181;TM501? ? ? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2021）15-0051-04

Abstract： While the influence of electric power on people’s life is deepening， it also brings greater fire hazards. Relevant statistics show that the first major cause of electrical fire is fault arc. In order to improve the accuracy of series fault arc detection， aiming at the concealment， randomness and instability of series fault electric arc， a series fault electric arc detection method based on harmonic and SVM is proposed in this paper. The series fault electric arc experimental platform is built independently to collect the harmonic data of normal operation circuit and series fault electric arc， and take this as the parameter and take this parameter as the input variable of SVM to establish the model. The results show that the series fault electric arc detection method based on SVM has high accuracy of identifying series fault electric arc， which has a certain feasibility and effectiveness.

Keywords： series fault electric arc; harmonics; SVM

0? 引? 言

我國應急管理部消防救援局公布的2010年1月至10月全國火災形勢報告數據顯示，電氣火災占火災總數的32.1%，是火災的第一大成因，而電弧故障所引起的火災事故在電氣火災中的占比高達67%。并聯(lián)與接地型故障電弧因其電流明顯變大，傳統(tǒng)電氣保護設備能夠靈敏地將其切斷。而串聯(lián)型故障電弧可認為是在回路中串入了一個非線性電阻而使回路電流減小，小于傳統(tǒng)電氣保護設備設定的短路和過載閾值，所以普通的斷路器不能有效地預防串聯(lián)型故障電弧，致使串聯(lián)型故障電弧成為引發(fā)電氣火災的主要元兇之一。故而，對串聯(lián)型故障電弧進行研究具有十分重要的意義。

目前國內外建筑配電系統(tǒng)中故障電弧的研究方向主要集中在以下幾個方面：（1）建立電弧數學模型，通過檢測電弧的相應參量來辨識電弧，高小慶提出一種考慮電流高頻特征的阻抗電弧模型[1];（2）通過弧聲、弧光、溫度及輻射等非電物理量的變化來判斷是否發(fā)生故障電弧，潘剛毅提出了一種基于弧聲信號分析的弓網電弧檢測方法[2];（3）依據故障電弧發(fā)生前后包括電壓、電流波形及頻譜特性等在內的電信號變化特征進行識別，并且包括傅里葉變換、神經網絡等算法正不斷被引入該研究方向，王毅、陳進等人針對不同類型負載、兩種工況下的電流波形進行時頻域分析，融合隨機森林模型對故障電弧進行檢測[3]，喬維德、張婷、武雪偉[4-6]等人引用各種神經網絡進行故障電弧的檢測識別研究。

本文通過搭建實驗平臺，分別采集存儲正常工作線路和發(fā)生串聯(lián)故障電弧時的諧波含量，將31次諧波作為特征變量引入支持向量機（Support Vector Machine， SVM）模型，進行訓練、學習與測試，從而實現(xiàn)串聯(lián)故障電弧的識別。

1? 故障電弧實驗平臺搭建

參照UL1699B-2008標準，并依據GB14287-2014《電弧故障保護電器的一般要求》[7]和GB/T31143-2014《電氣火災監(jiān)控系統(tǒng)第4部分：故障電弧探測器》[8]自主搭建串聯(lián)故障電弧實驗平臺。平臺主要由故障電弧發(fā)生裝置、電源模塊、負載模塊與數據采集模塊等構成。

1.1? 故障電弧發(fā)生裝置

為保證實驗的安全性，減少外界環(huán)境變量的干擾，將故障電弧發(fā)生裝置固定于一個密閉絕緣的盒體中，其主體包括觸頭組、帶步進電機的精密滑臺、控制部分與多種傳感器。其中，動觸頭采用直徑為8 mm的平頭碳棒，通過觸頭座和絕緣電木底座固定于滑臺滑塊之上，靜觸頭采用直徑為8 mm的尖頭銅棒，動、靜觸頭中軸線在同一水平線上且狀態(tài)穩(wěn)定?？刂撇糠职▎纹瑱CSTM32F405和步進電機驅動器，單片機發(fā)送控制信號至步進電機驅動器，驅動器控制步進電機的正、反轉和啟停，即控制滑臺絲桿轉動，最終實現(xiàn)動、靜觸頭的接觸與分離，從而產生故障電弧。固定于觸頭組上的溫度傳感器用于探測銅棒和碳棒溫度，防止實驗器件的損壞;弧光、弧壓傳感器用于檢測電弧的產生;壓力傳感器用于確保動、靜觸頭的可靠接觸;溫濕度傳感器主要監(jiān)測盒體內環(huán)境以確保實驗的安全性;盒內安裝高清攝像頭，便于觀察電弧發(fā)生裝置的工作狀態(tài)等[9]。

1.2? 其他模塊

數據采集模塊主要負責采集所搭建線路正常工作和產生串聯(lián)故障電弧兩種工況下的31次諧波數據。該部分所采用的儀器是中創(chuàng)智合ZH-4041H-19N型諧波多功能電量儀，將其接入電路，配合上位機軟件可采集多種電量參數和31次諧波數據。

電源及負載模塊均使用菊水皇家產品，電源模塊使用PVS 7100T型電網模擬器，負載模塊使用PV-RLC385-60K型防孤島測試負載，可實現(xiàn)感性、容性、阻性負載功率的任意組合。在實際配電系統(tǒng)中，分為低壓配電系統(tǒng)和高壓配電系統(tǒng)兩種，其中負載端的負載類型與連接方式具有多樣性與復雜性。因此，為使實驗條件更符合實際配電網，采用上述可變負載與可變電源進行串聯(lián)故障電弧實驗，可更大限度地模擬實際電路中的負載特性進而提高實驗結果的可靠性。

2? 串聯(lián)故障電弧實驗

低壓交流電源條件下，采用小功率阻性負載進行實驗。該平臺可實現(xiàn)串聯(lián)故障電弧的自動連續(xù)產生與數據保存。初始狀態(tài)下動、靜觸頭可靠接觸，電路正常工作，諧波多功能電量儀進行數據實時采集;通電后，已按照實驗要求編程的單片機控制步進電機正轉，使動觸頭向遠離靜觸頭的方向緩慢運動，動、靜觸頭分離直至弧光、弧壓傳感器達到閾值，表明產生串聯(lián)故障電弧[10]，此時數據采集模塊再次采集數據并存儲至計算機，保持該狀態(tài)1 s后觸頭組繼續(xù)分離直至電弧消失，此時若監(jiān)測觸頭組溫度的傳感器達到閾值則靜置至溫度符合實驗要求再次運行，否則電機反轉至觸頭組歸位，繼續(xù)進入下一個運行周期，串聯(lián)故障電弧發(fā)生實驗流程如圖1所示。

實驗現(xiàn)象如圖2所示，電弧產生時，發(fā)出耀眼白光，伴隨有聲響，同時觸頭溫度明顯升高，諧波含量出現(xiàn)明顯波動。與計算機實時通信的諧波多功能電量儀進行數據采集的采樣頻率為50 kHz，采樣時間為0.2 s，一次采樣5個周期[11]。采樣結果自動存儲至計算機。電流、電壓、功率與31次諧波含量可實時顯示在上位機界面。

3? 串聯(lián)故障電弧SVM識別模型

支持向量機是一套有監(jiān)督學習的方法集，常用于分類、回歸和異常點檢測。SVM理論提供了一種避開高維空間復雜性，可以簡化高維空間問題的求解難度。SVM基于小樣本統(tǒng)計理論基礎，符合機器學習的目的，同時支持向量機，其泛化推廣能力優(yōu)于神經網絡。與其他方法相比，建立SVM模型所需的先驗干預較少，同樣的問題復雜度下，SVM需求的樣本相對較少。

建立基于SVM的串聯(lián)故障電弧識別模型路程，如圖3所示，首先將所采集的正常工作和產生串聯(lián)故障電弧兩種工況下的31次諧波數據劃分為訓練集和測試集。從3 000組數據中隨機選取2 000組數據作為訓練數據，剩下的1 000組數據作為測試數據[12]。

為便于后期的數據處理，同時保證程序運行時收斂加速，對輸入的訓練數據進行歸一化處理。數據的歸一化預處理，主要分為兩種方式，一種是線性函數歸一化，該方法主要是將原始數據線性化的方法轉換到[0 1]的范圍，歸一化公式見式（1）：

該方法實現(xiàn)對原始數據的等比例縮放，其中xnorm為歸一化后的數據，x為原始數據，xmin、xmax分別為原始數據集的最大值和最小值。

另一種方法為0均值標準化（Z-score standardization），該方法將原始數據集歸一化為均值0、方差1的數據集，具體公式見式（2）：

其中，μ、σ分別為原始數據集的均值和方法。該種歸一化方式要求原始數據的分布近似為高斯分布，否則會嚴重影響歸一化的效果。

該模型不涉及距離度量、協(xié)方差計算，同時數據不符合正太分布，所以采用線性函數歸一化的方法。SVM的輸入樣本矩陣行數為樣本數，列數為特征數即自變量數。而該模型在進行數據讀取時通常依據數據集按列讀取，因此必須在歸一化后進行轉置操作。

經過測試，選擇效果更佳的高斯徑向基核函數。關于兩個樣本x和x'的RBF可表示為某個輸入空間的樣本或向量，它的定義為：

可以理解為向量的模，σ為高斯核函數唯一的超參數。

SVM模型的參數優(yōu)化。采用交叉驗證的方式自適應選擇模型中重要的兩個參數c（懲罰系數，即對誤差的寬容度）和gamma（隱含地決定了數據映射到新的特征空間后的分布）。使用回歸預測分析最佳的參數進行SVM訓練，利用建立的模型進行測試，查看其在訓練集合上的回歸效果。

4? 結果分析

由分類結果分析可知，所建立的SVM模型識別串聯(lián)故障電弧的準確率可達98.67%，按照真實類別與分類模型做出的分類判斷進行匯總繪制混淆矩陣圖，進而對串聯(lián)故障電弧SVM分類模型進行性能評價，由圖可知預測值與真實值之間的差距較小。模型測試樣本數據的分類結果如圖4所示。

5? 結? 論

為提高建筑配電中串聯(lián)故障電弧的識別準確度，本文通過自主搭建串聯(lián)故障電弧實驗平臺以采集模型搭建所需電流諧波含量數據，在此基礎上，采用按監(jiān)督學習方式解決二元分類問題的SVM分類器，通過數據處理，選擇最佳參數，訓練及測試等操作建立，分析結果表明，該模型識別串聯(lián)故障電弧的準確率達98.67%，具有較高的識別精度，對于實際線路中電弧的識別具有一定的參考價值。

本文所建立的基于SVM的串聯(lián)故障識別模型依賴于訓練樣本數據，即僅包含阻性負載下正常線路和串聯(lián)故障電弧條件時的試驗數據，故在感性、容性及復合負載條件下的應用性能有待考究?？蓪⒁陨蠗l件下的數據采集放入模型進行訓練，以增強已建立串聯(lián)故障電弧識別模型的普適性。

參考文獻：

[1] 高小慶，陳曉軍，鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型 [J].電器與能效管理技術，2021（3）：6-12.

[2] 潘剛毅.基于弧聲信號特征的弓網電弧檢測方法 [J].機車車輛工藝，2017（6）：34-36.

[3] 王毅，陳進，李松濃，等.基于時頻域分析和隨機森林的故障電弧檢測 [J].電子測量與儀器學報，2021，35（5）：62-68.

[4] 喬維德.基于反向傳播神經網絡的故障電弧識別 [J].南通大學學報（自然科學版），2020，19（3）：42-48.

[5] 張婷，王海淇，張認成，等.基于自歸一化神經網絡的電弧故障檢測方法 [J].儀器儀表學報，2021，42（3）：141-149.

[6] 武雪偉，程晉培.基于負載分類的神經網絡故障電弧檢測 [J].科學技術創(chuàng)新，2020（30）：118-119.

[7] 全國消防標準化技術委員會火災探測與報警分技術委員會.電氣火災監(jiān)控系統(tǒng)第4 部分：故障電弧探測器：GB14287.4-2014 [S].北京：中國標準出版社，2014.

[8] 全國低壓電器標準化技術委員會.電弧故障保護電器（AFDD）的一般要求：GB/T 31143-2014 [S].北京：中國標準出版社，2014.

[9] 鄧勇.基于灰度圖像的串聯(lián)故障電弧特征研究 [D].阜新：遼寧工程技術大學，2018.

[10] 張冠英，張曉亮，劉華，等.低壓系統(tǒng)串聯(lián)故障電弧在線檢測方法 [J].電工技術學報，2016，31（8）：109-115.

[11] 余瓊芳，路文浩，楊藝.基于深度長短時記憶網絡的多支路串聯(lián)故障電弧檢測方法 [J].計算機應用，2021，41（S1）：321-326.

[12] 陳烜，冷繼偉，李海峰.基于全相位譜和深度學習的串聯(lián)故障電弧識別方法 [J].電力系統(tǒng)保護與控制，2020，48（17）：1-8.

作者簡介：吳珊珊（1997—），女，滿族，河北承德人，研究生在讀，研究方向：建筑電氣與智能化工程。

3765500338206