基于支持向量机的串联故障电弧识别方法

吴珊珊 张聪 赵欢欢 杨采薇

摘  要：电力在对人们生活的影响日益加深的同时，也带来了更大的火灾隐患。相关数据统计显示，电气火灾的第一大成因就是故障电弧。为提高串联型故障电弧检测的准确度，针对串联故障电弧的隐蔽性、随机性与不稳定性，文章提出基于谐波与SVM的串联故障电弧检测方法。通过自主搭建串联故障电弧实验平台以采集正常运行电路与产生串联故障电弧时的谐波数据，并以此为参数作为SVM的输入变量建立模型。研究结果表明，基于SVM的串联故障电弧检测方法，识别串联故障电弧的准确率较高，具有一定的可行性与有效性。

关键词：串联故障电弧;谐波;SVM

中图分类号：TP181;TM501               文献标识码：A文章编号：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

我国应急管理部消防救援局公布的2010年1月至10月全国火灾形势报告数据显示，电气火灾占火灾总数的32.1%，是火灾的第一大成因，而电弧故障所引起的火灾事故在电气火灾中的占比高达67%。并联与接地型故障电弧因其电流明显变大，传统电气保护设备能够灵敏地将其切断。而串联型故障电弧可认为是在回路中串入了一个非线性电阻而使回路电流减小，小于传统电气保护设备设定的短路和过载阈值，所以普通的断路器不能有效地预防串联型故障电弧，致使串联型故障电弧成为引发电气火灾的主要元凶之一。故而，对串联型故障电弧进行研究具有十分重要的意义。

目前国内外建筑配电系统中故障电弧的研究方向主要集中在以下几个方面：（1）建立电弧数学模型，通过检测电弧的相应参量来辨识电弧，高小庆提出一种考虑电流高频特征的阻抗电弧模型[1];（2）通过弧声、弧光、温度及辐射等非电物理量的变化来判断是否发生故障电弧，潘刚毅提出了一种基于弧声信号分析的弓网电弧检测方法[2];（3）依据故障电弧发生前后包括电压、电流波形及频谱特性等在内的电信号变化特征进行识别，并且包括傅里叶变换、神经网络等算法正不断被引入该研究方向，王毅、陈进等人针对不同类型负载、两种工况下的电流波形进行时频域分析，融合随机森林模型对故障电弧进行检测[3]，乔维德、张婷、武雪伟[4-6]等人引用各种神经网络进行故障电弧的检测识别研究。

本文通过搭建实验平台，分别采集存储正常工作线路和发生串联故障电弧时的谐波含量，将31次谐波作为特征变量引入支持向量机（Support Vector Machine， SVM）模型，進行训练、学习与测试，从而实现串联故障电弧的识别。

1  故障电弧实验平台搭建

参照UL1699B-2008标准，并依据GB14287-2014《电弧故障保护电器的一般要求》[7]和GB/T31143-2014《电气火灾监控系统第4部分：故障电弧探测器》[8]自主搭建串联故障电弧实验平台。平台主要由故障电弧发生装置、电源模块、负载模块与数据采集模块等构成。

1.1  故障电弧发生装置

为保证实验的安全性，减少外界环境变量的干扰，将故障电弧发生装置固定于一个密闭绝缘的盒体中，其主体包括触头组、带步进电机的精密滑台、控制部分与多种传感器。其中，动触头采用直径为8 mm的平头碳棒，通过触头座和绝缘电木底座固定于滑台滑块之上，静触头采用直径为8 mm的尖头铜棒，动、静触头中轴线在同一水平线上且状态稳定。控制部分包括单片机STM32F405和步进电机驱动器，单片机发送控制信号至步进电机驱动器，驱动器控制步进电机的正、反转和启停，即控制滑台丝杆转动，最终实现动、静触头的接触与分离，从而产生故障电弧。固定于触头组上的温度传感器用于探测铜棒和碳棒温度，防止实验器件的损坏;弧光、弧压传感器用于检测电弧的产生;压力传感器用于确保动、静触头的可靠接触;温湿度传感器主要监测盒体内环境以确保实验的安全性;盒内安装高清摄像头，便于观察电弧发生装置的工作状态等[9]。

1.2  其他模块

数据采集模块主要负责采集所搭建线路正常工作和产生串联故障电弧两种工况下的31次谐波数据。该部分所采用的仪器是中创智合ZH-4041H-19N型谐波多功能电量仪，将其接入电路，配合上位机软件可采集多种电量参数和31次谐波数据。

电源及负载模块均使用菊水皇家产品，电源模块使用PVS 7100T型电网模拟器，负载模块使用PV-RLC385-60K型防孤岛测试负载，可实现感性、容性、阻性负载功率的任意组合。在实际配电系统中，分为低压配电系统和高压配电系统两种，其中负载端的负载类型与连接方式具有多样性与复杂性。因此，为使实验条件更符合实际配电网，采用上述可变负载与可变电源进行串联故障电弧实验，可更大限度地模拟实际电路中的负载特性进而提高实验结果的可靠性。

2  串联故障电弧实验

低压交流电源条件下，采用小功率阻性负载进行实验。该平台可实现串联故障电弧的自动连续产生与数据保存。初始状态下动、静触头可靠接触，电路正常工作，谐波多功能电量仪进行数据实时采集;通电后，已按照实验要求编程的单片机控制步进电机正转，使动触头向远离静触头的方向缓慢运动，动、静触头分离直至弧光、弧压传感器达到阈值，表明产生串联故障电弧[10]，此时数据采集模块再次采集数据并存储至计算机，保持该状态1 s后触头组继续分离直至电弧消失，此时若监测触头组温度的传感器达到阈值则静置至温度符合实验要求再次运行，否则电机反转至触头组归位，继续进入下一个运行周期，串联故障电弧发生实验流程如图1所示。

实验现象如图2所示，电弧产生时，发出耀眼白光，伴随有声响，同时触头温度明显升高，谐波含量出现明显波动。与计算机实时通信的谐波多功能电量仪进行数据采集的采样频率为50 kHz，采样时间为0.2 s，一次采样5个周期[11]。采样结果自动存储至计算机。电流、电压、功率与31次谐波含量可实时显示在上位机界面。

3  串联故障电弧SVM识别模型

支持向量机是一套有监督学习的方法集，常用于分类、回归和异常点检测。SVM理论提供了一种避开高维空间复杂性，可以简化高维空间问题的求解难度。SVM基于小样本统计理论基础，符合机器学习的目的，同时支持向量机，其泛化推广能力优于神经网络。与其他方法相比，建立SVM模型所需的先验干预较少，同样的问题复杂度下，SVM需求的样本相对较少。

建立基于SVM的串联故障电弧识别模型路程，如图3所示，首先将所采集的正常工作和产生串联故障电弧两种工况下的31次谐波数据划分为训练集和测试集。从3 000组数据中随机选取2 000组数据作为训练数据，剩下的1 000组数据作为测试数据[12]。

为便于后期的数据处理，同时保证程序运行时收敛加速，对输入的训练数据进行归一化处理。数据的归一化预处理，主要分为两种方式，一种是线性函数归一化，该方法主要是将原始数据线性化的方法转换到[0 1]的范围，归一化公式见式（1）：

该方法实现对原始数据的等比例缩放，其中xnorm为归一化后的数据，x为原始数据，xmin、xmax分别为原始数据集的最大值和最小值。

另一種方法为0均值标准化（Z-score standardization），该方法将原始数据集归一化为均值0、方差1的数据集，具体公式见式（2）：

其中，μ、σ分别为原始数据集的均值和方法。该种归一化方式要求原始数据的分布近似为高斯分布，否则会严重影响归一化的效果。

该模型不涉及距离度量、协方差计算，同时数据不符合正太分布，所以采用线性函数归一化的方法。SVM的输入样本矩阵行数为样本数，列数为特征数即自变量数。而该模型在进行数据读取时通常依据数据集按列读取，因此必须在归一化后进行转置操作。

经过测试，选择效果更佳的高斯径向基核函数。关于两个样本x和x'的RBF可表示为某个输入空间的样本或向量，它的定义为：

可以理解为向量的模，σ为高斯核函数唯一的超参数。

SVM模型的参数优化。采用交叉验证的方式自适应选择模型中重要的两个参数c（惩罚系数，即对误差的宽容度）和gamma（隐含地决定了数据映射到新的特征空间后的分布）。使用回归预测分析最佳的参数进行SVM训练，利用建立的模型进行测试，查看其在训练集合上的回归效果。

4  结果分析

由分类结果分析可知，所建立的SVM模型识别串联故障电弧的准确率可达98.67%，按照真实类别与分类模型做出的分类判断进行汇总绘制混淆矩阵图，进而对串联故障电弧SVM分类模型进行性能评价，由图可知预测值与真实值之间的差距较小。模型测试样本数据的分类结果如图4所示。

5  结  论

为提高建筑配电中串联故障电弧的识别准确度，本文通过自主搭建串联故障电弧实验平台以采集模型搭建所需电流谐波含量数据，在此基础上，采用按监督学习方式解决二元分类问题的SVM分类器，通过数据处理，选择最佳参数，训练及测试等操作建立，分析结果表明，该模型识别串联故障电弧的准确率达98.67%，具有较高的识别精度，对于实际线路中电弧的识别具有一定的参考价值。

本文所建立的基于SVM的串联故障识别模型依赖于训练样本数据，即仅包含阻性负载下正常线路和串联故障电弧条件时的试验数据，故在感性、容性及复合负载条件下的应用性能有待考究。可将以上条件下的数据采集放入模型进行训练，以增强已建立串联故障电弧识别模型的普适性。

参考文献：

[1] 高小庆，陈晓军，鲍光海.考虑故障电弧电流高频特征的阻抗电弧模型 [J].电器与能效管理技术，2021（3）：6-12.

[2] 潘刚毅.基于弧声信号特征的弓网电弧检测方法 [J].机车车辆工艺，2017（6）：34-36.

[3] 王毅，陈进，李松浓，等.基于时频域分析和随机森林的故障电弧检测 [J].电子测量与仪器学报，2021，35（5）：62-68.

[4] 乔维德.基于反向传播神经网络的故障电弧识别 [J].南通大学学报（自然科学版），2020，19（3）：42-48.

[5] 张婷，王海淇，张认成，等.基于自归一化神经网络的电弧故障检测方法 [J].仪器仪表学报，2021，42（3）：141-149.

[6] 武雪伟，程晋培.基于负载分类的神经网络故障电弧检测 [J].科学技术创新，2020（30）：118-119.

[7] 全国消防标准化技术委员会火灾探测与报警分技术委员会.电气火灾监控系统第4 部分：故障电弧探测器：GB14287.4-2014 [S].北京：中国标准出版社，2014.

[8] 全国低压电器标准化技术委员会.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，2014.

[9] 邓勇.基于灰度图像的串联故障电弧特征研究 [D].阜新：辽宁工程技术大学，2018.

[10] 张冠英，张晓亮，刘华，等.低压系统串联故障电弧在线检测方法 [J].电工技术学报，2016，31（8）：109-115.

[11] 余琼芳，路文浩，杨艺.基于深度长短时记忆网络的多支路串联故障电弧检测方法 [J].计算机应用，2021，41（S1）：321-326.

[12] 陈烜，冷继伟，李海峰.基于全相位谱和深度学习的串联故障电弧识别方法 [J].电力系统保护与控制，2020，48（17）：1-8.

作者简介：吴珊珊（1997—），女，满族，河北承德人，研究生在读，研究方向：建筑电气与智能化工程。

3765500338206