低压系统串联故障电弧在线检测方法

张冠英张晓亮刘 华汪友华

（1. 河北工业大学电磁场与电器可靠性省部共建重点实验室 天津 300130 2. 保定天威集团博士后科研工作站 保定 071056）

低压系统串联故障电弧在线检测方法

张冠英1,2张晓亮1刘 华1汪友华1

（1. 河北工业大学电磁场与电器可靠性省部共建重点实验室 天津 300130 2. 保定天威集团博士后科研工作站 保定 071056）

故障电弧是引发电气火灾的主要原因，有效可靠地检测出故障电弧是预防电气火灾的迫切要求。本文首先基于居民用电系统搭建了模拟串联故障电弧的实验平台，而后设计了以常见家用电器为负载的实验方案并采集到不同条件下的故障电弧信号。基于电弧电流的特性分析，提出了一种故障电弧在线检测方法。该方法在线路电流相邻周期相减的基础上进行小波阈值去噪和归一化，利用周期幅值作为电弧的特征量，将特征量与参考值进行比较来判断故障电弧的发生。通过对单一负载、组合负载、启动过程、正常工作以及不同电压下串联故障电弧实验数据进行分析，得到了不同负载下电弧特征量的公共阈值。与其他方法的比较结果表明所提方法能够有效检测故障电弧的发生。

故障电弧 家用电器 阈值去噪 差值信号 检测方法

0 引言

电弧是一种气体游离放电现象，故障电弧发生时，伴随持续强烈的弧光、弧声、放热等现象，如果不及时切断，就可能引发电气火灾。而切断故障电弧首先需要检测到电弧，因此检测方法的可靠性直接关系到电气火灾的预防。当前，国内外电弧检测的方法大致可以归纳为三类[1]：①建立电弧模型并通过检测相应的参量检测电弧；②根据电弧发生时所产生的弧光、噪声、辐射、温度等变化检测电弧；③根据电弧发生时的电流、电压波形变化检测电弧。

在家庭供配电线路中，开关操作频繁、设备线路状况复杂，容易发生触头松动、绝缘老化、击穿、接地故障等问题，增加了故障电弧发生的概率[2]。同时，由于用电设备分散，利用电弧光、热等物理现象来检测电弧并不现实，适合利用线路电流的变化来检测电弧。本文针对家庭供配电系统下的常见负载，进行了串联故障电弧实验，提出了一种基于电弧随机性的在线检测方法。

1 利用线路电流检测电弧研究现状

电弧检测的理论研究始于20世纪70年代，国内外多位学者从时域和频域两个方面对故障电弧特性及检测开展了研究。目前的检测方法可以分为三大类：一类基于电弧的某个或某些特征，如基于电弧电流畸变点的小波分析法[3,4]，基于电弧电流高频谐波的傅里叶分析方法[5-7]，基于电弧电流上升率的分形法[8]，基于电弧随机性的差值-方均根检测方法[9]等；二是对电弧进行整体识别，已有的算法有模型参数法[10,11]、支持向量机法[12]、神经网络法[13]等；三是上述两种方法的组合[14-16]。文献[3, 4]基于电弧电流波形的畸变性，通过小波变换的细节系数检测电弧电流的畸变点，进而检测出电弧。然而某些非线性负载正常工作时也存在相似的畸变点，如何有效区分成为一个问题，此外不同负载下的细节系数阈值不统一，需要判断负载的类型；文献[5]提出了一种傅里叶分析方法，采用电流频谱轮廓图上前M个峰值对应的频率作为电弧特征量，通过与参考特征量进行比较来检测电弧，然而在电弧电流与正常电流频谱相似的情况下，其有效性大大降低，另外其参考特征量也需要判断负载的类型；文献[8]基于电弧电流上升率的增大，利用分形理论来检测电弧，用相邻网格电流变率比值作为电弧特征量，其优点是不用考虑负载功率的影响，但是非线性负载下同样存在较高的电流变化率，影响了检测的可靠性；文献[9]基于电弧的随机性，提出了一种差值-方均根检测方法，其算法简单、实时性强且不需要判断负载的类型，然而所有负载下正常特征量与电弧特征量交叉与否有待检验。文献[10, 11]采用Burg自回归模型参数作为电弧的特征量，通过与参考特征量求欧式距离进行判断，在其实验数据下，不同负载下的正常特征量和故障电弧特征量分属不同的区域，具有区分度大的优点，然而其参考特征量需要把所有可能出现的负载均考虑进去，这在实际中并不现实，同时对于间歇性电弧和瞬时性电弧，其有效性有待检验；文献[12,13]从整体识别的角度，使用支持向量机和神经网络算法对电弧信号进行训练，其特点是识别率较高，但是实时性差，需要对大量数据进行训练。文献[14,15]把小波（包）检测和神经网络识别进行结合，以减少模式识别的数据量，提高了检测的实时性，然而其改善程度并不明显。

本文基于低压串联故障电弧实验平台实验数据，对燃弧前后的电流数据进行波形分析，在相邻周期波形相减的基础上，利用小波阈值消噪提取到故障电弧特征量，并应用软件对实验数据进行分析，结果表明该检测方法具有很高的识别率。

2 实验装置与数据采集

2.1实验装置

在家庭供配电线路中，用电设备分散、设备线路状况复杂，利用弧光、温度等物理现象检测电弧并不现实，本文选择检测线路中电流的变化来检测电弧。实验平台总体结构如图1所示，由调压器、电弧发生器、电压传感器、电流传感器、示波器以及开关等组成。本文实验负载均为家庭常用电器，分别有电阻、荧光灯、电磁炉、电水壶、空调、电吹风、计算机、微波炉，对部分负载进行了组合实验。

图1　故障电弧实验平台Fig.1 The arcing fault experimental platform

2.2数据采集

数据采集使用示波器，采样速率选择为20kHz，某些负载根据需要进行了相应调整（如进行长时间的启动过程时，降低了采样速率），实验步骤如图2所示，调节示波器的采样速率和延迟时间，使采集到的波形跨越正常、起弧、燃弧、熄弧全过程。

Transwell结果显示，与control组与空白组比较，下调EZH2表达时穿过基膜的MDA-MB-468细胞数目明显增加(P＜0.05)，control组与空白组细胞侵袭能力比较，差异无统计学意义(P＞0.05)。见表4

图2　实验步骤示意图Fig.2 The schematic diagram of experimental procedure

3 故障电弧电流信号特征分析

图3a为不同负载下发生电弧前后的电流波形。观察电流的变化特征，发现电器正常工作下，线路电流都是具有稳定周期的，其畸变点也是具有很强的周期性。而发生电弧后，线路电流波形较正常情况发生变化，在周期性的基础上叠加了很强的随机性，相应的其畸变处（位置和幅度）也会呈现出一定的随机性。可用公式表示为

图3　原始电流波形与相邻周期相减电流波形Fig.3 The waveforms of original current and difference value between two adjacent periods

式中，I1k(t)、I2k(t)是电器正常工作和发生电弧的第k周期的电流瞬时值（发生电弧时，仍采用电器正常工作时的周期），k取整数；e1k(t)、e2k(t)是正常和电弧时第 k周期的噪声信号；Ak(t)代表电弧电流第k周期的随机特征，是一个变化的量，受温度、湿度、电极材料、放电介质种类等多种因素影响。这样，如果进行相邻周期相减，正常信号变为

电弧电流信号变为

可见，相邻周期相减后，正常电流信号只剩下了噪声信号，而电弧电流信号除了噪声信号外还有另外一项，此项信号一方面与正常电流的稳定周期信号有关，另一方面与电弧的随机特征有关。图3b为图3a对应的相邻周期相减后的波形。由图3b可知，通过相邻周期相减，在相同负载下正常电流和电弧电流在幅值下可以区分开，但是不同负载下由于噪声以及负载电流的大小变化导致提取公共阈值较难。小波能在消除噪声的同时，保留信号的细节信息（电弧特征）。本文通过小波获取相邻周期波形差信号的默认阈值，通过置零消噪策略消除噪声的影响，对消噪后的信号除以原始电流的周期绝对值的平均值，以减弱稳定周期信号的影响，得到了较好的检测效果。

4 数据分析

在上述的基础上，利用软件对采集的电流信号进行了分析。首先对电流信号进行相邻周期相减得到波形差信号，然后波形差信号进行了小波阈值去噪，再对消噪后的信号进行归一化处理，提取出了电弧特征量（波形差信号每个周期的幅值），并根据数据分析结果得到了公共阈值。最后统计规定时间电弧特征量大于参考值的个数判断电弧的发生。

4.1小波阈值消噪

实际中获取的信号不可避免地会夹杂噪声，有时噪声甚至会与信号的幅度相当，给电弧的检测带来极大的干扰，图4a所示波形是消噪前的波形差信号，可以发现消噪前微波炉的噪声信号超过了电磁炉+荧光灯的局部电弧信号，给电弧检测带来了很大的难度。为极大地消除噪声对后续信号处理的干扰，同时保留电弧信号的细节（畸变点信息）特征，本文采用小波阈值消噪。采取“阈值以下全部置0，阈值以上保留原始值和阈值的差值”的消噪策略。图4b所示为消噪后的波形差信号，可以发现消噪后滤除了大部分噪声，而电弧电流波形的畸变点信息并没有因为消噪而丢失。

图4　电流波形差信号消噪前后对比Fig.4 The waveforms contrast between difference value of current and after de-noising

4.2单一负载

对单一负载的电弧前后全过程电流进行分析，发现电弧前后消噪归一化后的电流波形差信号存在显著差别：发生电弧后，波形差信号的每个周期的幅值很大（与正常段相比）；而在正常工作时，波形差信号幅值几乎为 0，每个周期电流极值个数和幅值都很小。通过对不同负载下的数据进行分析，发现消噪归一化后波形差信号周期幅值的阈值取 0.3就可以比较可靠地检测出电弧。图5是计算机和电阻两类典型负载下的波形分析图，对照原始电流波形，可以发现方法准确识别了电弧发生区间。

图5　单一负载下电流分析Fig.5 The current analysis under single loads

图6是组合负载下的分析结果，可以发现与单个负载具有相同的结论，在电磁炉+电吹风负载下，燃弧前也出现了一些畸变点，但是其幅值较小，不影响检测效果。

图6　组合负载下电流分析Fig.6 The current analysis under combined loads

4.4启动过程

图7是计算机和空调启动过程的分析结果（空调压缩机没有启动），可以发现计算机和空调启动时间都较长，但是其电流波形变化较缓，计算机波形差信号仅在电源打开时出现了畸变点，其虽然超过了阈值，但是数量少。空调波形差信号虽然出现了较多的畸变点，但是其幅度和密度较小，50s时间内阈值以上只有有限几个，并不影响故障电弧的判断，所以实际中可以根据规定时间内波形差信号电弧特征量的个数判断电弧故障的发生。

图7　启动过程电流分析Fig.7 The current analysis of loads starting

4.5正常工作分析

图8是微波炉和荧光灯正常工作下的电流波形，由图8可知，微波炉波形差信号没有出现畸变点，荧光灯虽出现了畸变点，但是数量和幅值较小，不影响故障电弧判断。

4.6不同电压下（以电阻为例）分析

图 9是电阻负载不同电压下的串联故障电弧分析结果，图9中，从上到下电阻负载的电压分别为180V、200V、230V、250V。可以发现所提方法在不同电压下能够准确识别出电弧发生区间，虽然在局部少量周期内有漏判，但并不影响故障电弧的判断。

图9　不同电压下电流分析Fig.9 The current analysis under different work voltages

5 方法对比

图10是微波炉负载下小波方法、FFT方法、本文方法、差值-方均根方法的检测效果，其中图10a采用DB5小波进行5层分解重构后的d3～d5层（由于d1、d2层系数电弧前后几乎一样，故没有在图中画出）的细节系数以及a5层的近似系数。图10b正常电流截取的是[-0.4 -0.3]时间段内的电流数据，电弧电流截取的是[0.25 0.35]时间段内的电流数据。由图10可知，在波形极其相似的情况下，直接采用小波分析和傅里叶分析检测故障电弧的难度非常大；差值-方均根方法在正常和故障段存在一定的误检和漏检，本文方法取得了较好的检测效果。

图10 微波炉负载下不同方法的检测效果Fig.10 The detection results of different methods under microwave oven load

图11是计算机负载下小波分析、FFT分析、本文方法、差值-方均根方法的分析结果，其中图11a采用DB5小波进行5层分解重构后的d1～d3层的细节系数以及a5层的近似系数（d4和d5层系数对于区间段 0.3～0.4检测效果不好，故图中没有画出）。图 11b正常电流截取的是[−0.4 −0.3]时间段内的电流数据，电弧电流截取的是[0.4 0.5]时间段内的电流数据。由图11可知，在波形差别很大的情况下，采用小波分析和傅里叶分析检测能取得较好的检测效果；差值-方均根方法出现了较严重的漏检（0.3～0.5区间段内仅检测到3个周期的电弧特征量），而本文方法同样取得了较好的检测效果。

图11　计算机负载下不同方法的检测效果Fig.11 The detection results of different methods under computer load

表1和表2是微波炉负载和计算机负载下3阶Burg AR模型参数，由表中数据可知，计算机负载下 3阶 AR模型参数(a1,a2,a3)在正常和电弧时的区分度较大，而在微波炉负载下，3阶 AR参数在正常与电弧时的区分度较小。若以计算机负载和微波炉负载下正常[-0.4 0.4]时间段内的参数平均值作为参考量，计算出的欧式距离见表3，由表 3可知，波形相似的情况下3阶Burg自回归模型参数可以检测出电弧，但区分度较小。

表1　微波炉负载下3阶Burg AR模型参数Tab.1 3 order burg AR model parameters of microwave oven

表2　计算机负载下3阶Burg AR模型参数Tab.2 3 order burg AR model parameters of computer

表3　3阶Burg AR模型参数的欧式距离Tab.3 3 order burg AR model Euclidean distance

6 结论

本文基于电弧随机性，在相邻周期波形相减的基础上，运用小波阈值消噪置零策略，提出了一种电弧在线检测方法。方法利用电流相邻周期波形差的幅值作为电弧特征量，通过对单一负载、组合负载、启动过程、正常工作以及不同电压下串联故障电弧实验数据进行分析，找出了公共阈值。而后通过与现有的其他方法进行对比，验证了本文方法的有效性和可靠性。方法的优点是无需判断负载类型，阈值不随负载种类变动和电压等级变动而变化，并且能够在线检测出间歇性电弧的发生；方法的不足在于对频率变化要求严格，但考虑到实际频率变化不大，具有可行性。此外，对于启动过程较长同时电流变化急剧的负载以及随机性的非电弧故障，上述方法的有效性需要进一步讨论。

[1] 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. Arc fault detection device based on dsPIC[J]. Low Voltage Apparatus,2009(5): 1-4.

[2] Kawady Tamer A, Taalab Abdel-Maksoud I, El-Geziry Mohamed. Impact of load variations on arcing fault detection in LV distribution networks[C]//10th IET International Conference on Developments in Power System Protection (DPSP), Manchester, UK, 2010: 37-42.

[3] 范李平, 袁兆强, 张凯. 基于小波变换的单相接地故障电弧模型及其 PSCAD/EMTDC仿真研究[J].电力系统保护与控制, 2011, 39(5): 51-56. Fan Liping, Yuan Zhaoqiang, Zhang Kai. Simulation on arc model of single phase earth fault and PSCAD/ EMTDC based on wavelet transformation[J]. Power System Protection and Control, 2011, 39(5): 51-56.

[4] Elkalashy N I, Lehtonen M, Darwish H A. A novel selectivity technique for high impedance arcing fault detection in compensated MV networks[J]. European Transactions on Electrical Power, 2008, 18(4): 344-363.

[5] 马征, 张国刚, 柯春俊. 一种基于高频电流频谱分析的故障电弧检测方法[J]. 低压电器, 2010(9): 10-12. Ma Zheng, Zhang Guogang, Ke Chunjun. A method of fault arc detection based on spectral analysis of high-frequency current[J]. Low Voltage Apparatus, 2010(9): 10-12.

[6] 刘湘澎, 李宏文, 张小青, 等. 调光灯电弧电流的谐波分析[J]. 电气应用, 2012(20): 36-39. Liu Xiangpeng, Li Hongwen, Zhang Xiaoqing, et al. Harmonic analysis of arc current in dimming lights[J]. Electrotechnical Application, 2012(20): 36-39.

[7] Lee Weijen, Sahni M, Methaprayoon K, et al. A novel approach for arcing fault detection for mediumlow-voltage switchgear[J]. IEEE Transactions on Industry Applications, 2009, 45(4): 1475-1483.

[8] 孙鹏, 佟雅, 秦猛. 基于网格分形理论的串联故障电弧检测诊断技术[J]. 低压电器, 2013(1): 56-60. Sun Peng, Tong Ya, Qin Meng. Detection and diagnosis technology of series arc-fault based on grid fractal theory[J]. Low Voltage Apparatus, 2013(1): 56-60.

[9] 卢其威, 巫海东, 王肃珂, 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): 6-13. 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): 6-13.

[10] 雍静, 桂小智, 牛亮亮, 等. 基于自回归参数模型的低压系统串联电弧故障识别[J]. 电工技术学报, 2011, 26(8): 213-219. Yong Jing, Gui Xiaozhi, Niu Liangliang, et al. Series arc fault identification in low voltage system based on autoregressive parameter model[J]. Transactions of China Electrotechnical Society, 2011, 26(8): 213-219.

[11] Arunachalam S，Diong B. A parametric model approach to arc fault detection for DC and AC power systems[C]//IEEE Industry Applications Conference, 2006, 5: 8-12.

[12] 王子骏, 张峰, 张士文, 等. 基于支持向量机的低压串联故障电弧识别方法研究[J]. 电测与仪表, 2013, 50(4): 22-26. Wang Zijun, Zhang Feng, Zhang Shiwen, et al. Seriesarc fault recognition method based on support vector machine approach[J]. Electrical Measurement & Instrumentation, 2013, 50(4): 22-26.

[13] Ma Shaohua, Guan Lina. Arc fault recognition based on BP neural networks[C]//3rd International Conference on Measuring Technology and Mechatro- nics Automation, Shanghai, China, 2011: 584-586.

[14] 刘晓明, 王丽君, 侯春光, 等. 基于小波包能量熵的低压串联故障电弧诊断[J]. 沈阳工业大学学报, 2013, 35(6): 606-612. Liu Xiaoming, Wang Lijun, Hou Chunguang, et al. Diagnosis of low voltage siries arc fault based on wavelet packet-energy entropy[J]. Journal of Shenyang University of Technology, 2013, 35(6): 606-612.

[15] Jamali S, Ghaffarzadeh N. A new method for arcing fault location using discrete wavelet trans- form and wavelet networks[J]. European Transactions on Electrical Power, 2012, 22(5): 601-615.

[16] Baqui I, Zamora I, Mazón J, et al. High impedance fault detection methodology using wavelet transform and artificial neural networks[J]. Electric Power Systems Research, 2011, 81(7): 1325- 1333.

Online Detection Method for Series Arcing Fault in Low Voltage System

Zhang Guanying1,2Zhang Xiaoliang1Liu Hua1Wang Youhua1
（1. Province-Ministry Joint Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability Hebei University of Technology Tianjin 300130 China 2. Post-Doctoral Research Station Baoding Tianwei Group Co. Ltd Baoding 071056 China）

Arcing faults are major cause of electrical fire. Thus, an effective and reliable detection method for arcing faults is an urgent requirement to prevent electrical fire. In this paper, an experiment platform based on residential electricity system is built, and then testing procedure is designed to detect the arcing fault signals in household appliances under different conditions. Based on the characteristics of arcing fault currents, an online detection method is presented in this paper. Herein, the original signal is obtained firstly from the difference value of two adjacent waveforms, and then is extracted after wavelet threshold de-noising and normalization. The amplitude of the extracted signal in a period is used as a characteristic value. This value combined with a given reference value is used as the judgment basis for the occurrence of arcing faults. Test results were obtained under single load conditions and combined load conditions, for the case of starting a load and its operation process, and under different work voltages. Hence, the common thresholds of characteristic values under different load conditions were obtained. At last, compared with other detection methods, it is demonstrated that the presented method is effective for the detection of arcing faults.

Arcing fault, household appliances, threshold de-noising, difference signal, detection method

TM 501+.2

张冠英 女，1969年生，副教授，硕士生导师，研究方向为低压电器智能保护技术。

E-mail: susan.zgy@163.com（通信作者）

张晓亮 男，1986年生，硕士研究生，研究方向为电弧检测。

E-mail: 361757636@qq.com

河北省博士后科研（201215）和河北省科学技术研究与发展规划（11213567）资助项目。

2013-11-20 改稿日期 2014-06-01