基于特征模态分量能量分析的低压交流故障电弧检测方法

摘要

本发明涉及一种基于特征模态分量能量分析的低压交流故障电弧检测方法，该方法采用经验模态分解获得采样电流的本征模态函数，再对所述本征模态函数进行后分解得到原始序列的特征模态分量I1，经Hilbert变换提取所述特征模态分量I1的瞬时幅值分布，并计算特征模态分量I1的各个半周期能量，通过所述半周期能量与设定参考阈值的比较，实现对串联故障电弧半周波的识别。与现有技术相比，本发明具有识别度高、多种类型负载适用等优点。

说明书

技术领域

本发明涉及一种低压交流串联故障电弧的检测方法，尤其是涉及一种基于特 征模态分量能量分析的低压交流故障电弧检测方法。

背景技术

建筑电气电路长期带载或过载运行，电气接触不良等会造成线路绝缘破损、老 化、碳化，进而造成电弧隐患，电弧局部电阻增大，产生热量加剧线路恶化，甚至 引燃周围物体。

国内外现有的低压故障电弧断路器(AFCI)的内置算法多是基于对电路中故障 电弧电流、电压信号的时域、频域特征分析。

考察电气量时域特征时，有学者利用卡尔曼滤波器的学习能力，通过比较习得 信号与时域实际信号的差值大小判断电弧是否发生，判断结果准确，但其学习过程 耗时，不满足实时检测要求。另有学者把电流的时域信号特征值作为BP神经网络 的输入之一，把时域法与其他智能算法相结合。还有学者通过比较正常时和故障时 每半周期电流峰值或平均值变化量来做判断，但局限于某些具体负载，缺乏通用性。

研究电流信号的频域特征时，有学者提出用快速傅里叶分析法，取电流五次谐 波的幅值大小变化作为电弧发生的判据，但通过实验测量和数据分析，对于电吹风 高档、电容型启动风扇负载该判断方法适用，对于电水壶等阻性负载，五次谐波的 幅值大小在正常运行和故障时区别不大，对于电脑等开关电源型负载，甚至正常时 的五次谐波的幅值高于故障时的，可见该判断方法对不同负载的适用有局限性。有 研究人员用离散小波分解的方法，提取经若干层分解后的电流信号细节，结合神经 网络学习方法，用其幅值变化或与横轴围成的面积大小判断电弧发生，具有一定的 负载通用性，但自学习和样本训练过程消耗线下时间，且不同待测对象需要分别训 练学习。一些满足计算机仿真的算法有一定的计算复杂度而在微处理器中移植受 限。有学者把电弧视为一种局部放电现象，用高频电流互感器、射频线圈提取电弧 发生时的高频信号，并分析其所在频段，制作专用频带的天线来检测电弧，但该方 法易受外界空间信号干扰，有一定的误判率。

现有的故障电弧判别算法受负载特性影响较大，对线性负载时的故障电弧识别 准确，而对现代电器中应用较多的感性负载、开关电源负载发生电弧故障时识别有 困难，缺乏通用性。

希尔伯特黄变换(Hilbert-Huangtransform,HHT)包含经验模态分解(Empirical ModeDecomposition,EMD)技术和Hilbert变换技术，处理数据时，先通过EMD将 信号分解为若干个本征模态函数(IntrinsicModeFunctions,IMF)，再经Hilbert变换 得到时间序列的各个IMF的瞬时幅值、瞬时频率和Hilbert谱。通过研究HHT所 得的特征与分布来辨识输入时间序列的参数和特性。HHT广泛应用于工程体系结 构参数识别、重大工程(如：高层建筑、桥梁、道路等)变形监测、振动分析、机械 故障诊断、信号谐波分析等诸多领域，能够准确捕捉线性平稳信号的特征，也适用 于分析非线性、非稳态数据，具有识别信号的不同频率组分功能的同时，所得分量 具有较明显的实际物理意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的某些缺点而提供一种识别度 高、多种类型负载适用的基于特征模态分量能量分析的低压交流故障电弧检测方 法。

本发明的目的可以通过以下技术方案来实现：

一种基于特征模态分量能量分析的低压交流故障电弧检测方法，该方法采用经 验模态分解获得采样电流的本征模态函数，再对所述本征模态函数进行后处理得到 原始序列的特征模态分量I₁，经Hilbert变换提取所述特征模态分量I₁的瞬时幅值 分布，并计算特征模态分量I₁的半周期能量，通过所述半周期能量与设定参考阈 值的比较，实现对串联故障电弧半周波的识别。

对采样电流进行经验模态分解前包括步骤：对所述采样电流进行归一化和软件 降噪。

所述后处理具体为：

从本征模态函数中选取物理意义描述故障特征的多个固有模态分量，将其中波 形趋势相似度最高的1～3个相邻分量进行组合，得到特征模态分量I₁。

通过所述半周期能量与设定参考阈值的比较，实现对串联故障电弧半周波的识 别具体为：

1)初始化电弧故障发生标志位flag＝0；

2)判断第j个半周期能量e_j与设定参考阈值e₀的大小关系，若e_j＞e₀，则执行 步骤3)，若e_j≤e₀，则令j＝j+1，返回步骤2)；

3)电弧故障发生标志位flag＝1，记为故障半周波。

所述设定参考阈值的计算方法是：

提取当前负载下正常运行时电流的特征模态分量，取该特征模态分量的p个半 周期能量的平均值作为半周期能量的设定参考阈值，其中，e_rp为第 p个半周期能量，p为选取的半周期的个数。

所述选取的半周期的个数p取为5。

所述半周期能量e_j的计算公式为：

$e_j=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{a}_i^2}$

其中，N＝f/100是半周期信号的采样点数，f为采样电流的采样频率，a_i为 特征模态分量I₁第i个采样点处的瞬时幅值。

当第1个故障半周波与第8个故障半周波之间的时间差Δt满足Δt≤0.5s时， 开断负载所在支路。

根据上述技术方案，基于特征模态分量能量分析的低压交流故障电弧检测方法 的具体步骤可描述为：

a)按采样率采集负载所在电路的串联电流；

b)将采样电流x(t)进行归一化和软件降噪，得到y(t)；

c)对y(t)进行经验模态分解得到各个本征模态分量IMF，对IMF进行后处理 得到特征模态分量I₁，作为故障特征分析对象；

d)对特征模态分量I₁进行Hilbert变换，得到I₁的瞬时幅值分布；

e)计算特征模态分量I₁的半周期能量e_j和半周期能量参考阈值e₀；

f)比较e_j与参考阈值e₀的大小关系，若e_j≤e₀，则令j＝j+1，返回步骤e)， 若e_j＞e₀，则故障电弧发生标志位flag＝1，执行步骤g)；

g)flag每置1一次，故障电弧个数count加1，记录该序列的序列号index，并 把flag置0；

h)判断第1个故障半周波与第8个故障半周波之间的时间差Δt是否不大于0.5s, 若是，转i)，若否，转a)；

i)开断负载所在支路。

与现有技术相比，本发明具有以下优点：

(1)本发明在进行EMD前对采样电流进行归一化、降噪等处理，减小电弧 以外的因素对电流波形的影响，方便不同负载时的电流数据特征比较，提高对不同 负载电流细节特点的有效识别度，有利于特征模态分量能量分析算法对串联故障电 弧的准确识别。

(2)本发明方法适用实验条件下各类负载的串联故障电弧判断，设置适当的 半周期能量参考阈值，可以实现多种类型负载下的串联故障电弧判断，具有一定的 通用性。

(3)本发明方法对工频电流的半周期进行考察，满足UL1699标准对串联故 障电弧半周波个数的计数要求，可以识别电弧发生初期，非连续状态的故障电弧， 算法的逻辑复杂度小，不必区分前半周波和后半周波。

(4)本发明方法便于嵌入式系统的数据计算和高效传输，不需离线自学习或 样本训练过程，缩短故障判断过程时间。

附图说明

图1是本发明检测方法的流程示意图；

图2是本发明检测方法在阻性负载1000W电水壶时串联故障电弧的判断过程 示意图；

图3是本发明检测方法在感性负载500W电钻时串联故障电弧的判断过程示 意图；

图4是本发明检测方法在容性负载50W电容启动型风扇时串联故障电弧的判 断过程示意图；

图5是本发明检测方法在开关电源负载300W电脑时串联故障电弧的判断过 程示意图；

图6是本发明检测方法在开关电源负载1200W复印机时串联故障电弧的判断 过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方 案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

图1是本发明提出的基于特征模态分量能量分析的低压交流故障电弧检测方 法的逻辑流程图，该方法的工作流程是：

开始→参数初始化，包括：电弧故障发生标志位flag，电弧故障个数count， 跳闸标志位Trip均置0，设置电流采样率f→按既定采样率采样得到电流原始信号 x(t)→采样电流x(t)的归一化和软件降噪，得到y(t)→对y(t)进行经验模态分解和后 处理得到特征模态分量I₁→通过Hilbert变换得到I₁的瞬时幅值分布→计算特征模 态分量I₁的各个半周期能量→设置当前负载下半周期能量的参考阈 值e₀，即正常运行时电流的特征模态分量的5个半周期的能量的平均值 →比较e_j与参考阈值e₀的大小关系，若e_j≤e₀，待测序列号j加1， 转下一步骤，若e_j＞e₀，则故障电弧发生标志位flag＝1，转下一步骤→记录电弧 故障个数，若flag值为1，故障电弧个数count加1，并记录该序列的序列号index， 再把flag置0→判断第1个故障半周波与第8个故障半周波之间的时间差Δt是否不 大于0.5s。若是，转下一步骤，若否，继续下一个上述采样计算过程→跳闸信号 Trip＝1，开断负载所在支路。

上述过程中，后处理具体为：从本征模态函数中选取物理意义描述故障特征的 多个固有模态分量，将其中波形趋势相似度最高的1～3个相邻分量进行组合，得到 特征模态分量I₁。

实施例1

本实施例将上述方法应用于负载1000W电水壶阻性的串联故障电弧识别中， 具体步骤如下：

1)按采样率f＝10⁴Hz采集负载所在电路的串联电流。

2)将采样电流x(t)进行归一化和软件降噪，得到y(t)。

3)对y(t)进行经验模态分解得到各个本征模态分量IMF，对IMF进行后处理 得到特征模态分量I₁，作为故障特征分析对象。

4)对特征模态分量I₁进行Hilbert变换，得到I₁的瞬时幅值分布。

5)计算特征模态分量I₁的半周期能量e_j，其计算公式如下：

$e_j=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{a}_i^2}$

其中，N＝f/100是半周期信号的采样点数，a_i为特征模态分量I₁第i个采样 点处的瞬时幅值。

6)提取该负载下正常运行时电流的特征模态分量，取其5个半周期的能量的 平均值作为半周期能量的参考阈值。

7)比较e_j与参考阈值e₀的大小关系，若e_j≤e₀，待测序列号j加1，若e_j＞e₀故障电弧发生标志位flag＝1。

8)flag每置1一次，故障电弧个数count加1，记录该序列的序列号index，并 把flag置0。

9)判断第1个故障半周波与第8个故障半周波之间的时间差Δt是否不大于 0.5s。若是，转10)，若否，转1)。

10)跳闸信号标志位Trip＝1，开断负载所在支路。

图2是本发明检测方法在阻性负载1000W电水壶的串联故障电弧的判断过程。 图2中从上到下依次是电水壶负载归一化降噪后的电流y(t)、y(t)的特征模态分量 I₁、I₁的归一化半周期能量Power、负载所在支路的跳闸信号标志位Trip。由图2 可以看到，本发明的算法可以实现阻性负载电水壶时串联故障电弧(arc)的准确 识别判断。

实施例2

本实施例将本发明检测方法应用于感性负载500W电钻的串联故障电弧识别 中，识别的具体步骤同实施例1。图3显示了故障电弧的判断过程，从上到下依次 是电钻负载归一化降噪后的电流y(t)、y(t)的特征模态分量I₁、I₁的归一化半周期能 量Power、负载所在支路的跳闸信号标志位Trip。由图3可以看到，本发明的算法 可以实现感性负载电钻时串联故障电弧的准确识别判断。

实施例3

本实施例将本发明检测方法应用于容性负载50W电容启动型风扇的串联故障 电弧识别中，识别的具体步骤同实施例1。图4显示了故障电弧的判断过程，从上 到下依次是电容启动型风扇负载归一化降噪后的电流y(t)、y(t)的特征模态分量I₁、 I₁的归一化半周期能量Power、负载所在支路的跳闸信号标志位Trip。由图4可以 看到，本发明的算法可以实现容性负载电容启动型风扇时串联故障电弧的准确识别 判断。

实施例4

本实施例将本发明检测方法应用于开关电源负载300W电脑的串联故障电弧 识别中，识别的具体步骤同实施例1。图5显示了故障电弧的判断过程，从上到下 依次是电脑负载归一化降噪后的电流y(t)、y(t)的特征模态分量I₁、I₁的归一化半周 期能量Power、负载所在支路的跳闸信号标志位Trip。由图5可以看到，本发明的 算法可以实现开关电源负载电脑时串联故障电弧的准确识别判断。

实施例5

本实施例将本发明检测方法应用于开关电源负载1200W复印机的串联故障电 弧识别中，识别的具体步骤同实施例1。图6显示了故障电弧的判断过程，从上到 下依次是复印机负载归一化降噪后的电流y(t)、y(t)的特征模态分量I₁、I₁的归一化 半周期能量Power、负载所在支路的跳闸信号标志位Trip。由图6可以看到，本发 明的算法可以实现开关电源负载复印机时串联故障电弧的准确识别判断。

本领域技术人员应理解，本发明的保护范围不限于上述的实施例，任何通过考 察采样电流与正常运行时电流的特征模态分量的半周期能量相对大小关系而做出 故障电弧发生与否判断的做法均属于本发明检测方法之内。