李曉真

【摘 要】 為提高供電系統(tǒng)運行的可靠性，以電機(jī)和變頻器為負(fù)載，分別在15A、18A、20A電流等級開展了一系列串聯(lián)型故障電弧實驗。為使電流信號畸變特征明顯，利用CEEMD方法對不同負(fù)載相鄰5周期的電流信號進(jìn)行了分解，得到若干IMF，選取前5階IMF進(jìn)行信息熵和樣本熵特征提取。取正常和故障狀態(tài)下的特征向量構(gòu)成訓(xùn)練樣本和測試樣本，作為LSSVM的輸入，對樣本進(jìn)行分類，從而識別串聯(lián)型故障電弧是否發(fā)生。實驗結(jié)果表明，該方法能夠有效地識別故障的發(fā)生，并且信息熵比樣本熵具有更高的識別率。

【關(guān)鍵詞】 故障電弧;CEEMD;信息熵;樣本熵;LSSVM

【中圖分類號】 TM501 【文獻(xiàn)標(biāo)識碼】 A

【文章編號】 2096-4102（2019）05-0095-04

電弧通常是在開關(guān)電器分合閘過程中產(chǎn)生的，電力系統(tǒng)的電弧具有極大的能量，可以在瞬間形成爆炸氣體，燒融導(dǎo)體，形成短路。強(qiáng)制熄滅電弧還會引起過電壓。因此，為使供配電系統(tǒng)安全運行，需建立一種電弧故障的識別方法，以提高供配電系統(tǒng)運行的安全性。

為研究故障電弧的特征以及診斷方法，通過自制的實驗裝置開展了一系列串聯(lián)型故障電弧實驗。提取不同電流等級正常和故障狀態(tài)下的電流信號，考慮外界噪聲干擾以及電弧故障的隱蔽性，利用CEEMD方法對電流信號進(jìn)行分解，選取能代表故障特征的前5階IMF，對其提取特征量——香農(nóng)熵，最后采用LSSVM對正常和故障狀態(tài)電流信號進(jìn)行了診斷識別，通過實驗結(jié)果分析證明其有效性。

1實驗裝置和實驗方案

1.1實驗裝置

本文搭建了實驗平臺，實驗平臺主要由供電電源、電弧發(fā)生器、數(shù)據(jù)采集卡、負(fù)載、PC機(jī)組成，負(fù)載主要包括三相異步電機(jī)和變頻器。實驗平臺電路圖如圖1所示。

1.2實驗方案

實驗方案如表1所示。電源電壓為交流380V，在僅有電機(jī)負(fù)載的條件下，選取電機(jī)端子進(jìn)線處的某一相作為故障相，串入故障電弧發(fā)生裝置，分別在工作電流為15A、18A、20A時，做了相應(yīng)的故障電弧實驗并采集了電壓電流的數(shù)據(jù)。在電機(jī)帶變頻器工作時，選取變頻器進(jìn)線處的某一相作為故障相，串入故障電弧發(fā)生裝置。同樣的，以電機(jī)的工作電流為基準(zhǔn)，進(jìn)行了上述3種電流等級的故障和正常工作狀態(tài)的實驗。

1.3實驗結(jié)果

實驗結(jié)果如圖2所示，電機(jī)負(fù)載正常運行時，電流峰值基本保持不變，當(dāng)故障產(chǎn)生時，相鄰峰值不再相等，但是仍具有周期性;并且電流越大，電機(jī)電流波形越接近于正弦波。變頻器正常運行時，因自身非線性性質(zhì)，電流波形呈現(xiàn)雙峰現(xiàn)象，并且雙峰值相等;出現(xiàn)故障后，雙峰值不再相等，甚至出現(xiàn)單峰現(xiàn)象，零休時間也明顯增加。

2特征提取

由圖2可見，故障電弧產(chǎn)生時電流信號會產(chǎn)生畸變，為使故障特征更加易于區(qū)分，本文首先采用CEEMD方法對電流信號進(jìn)行分解。選取能代表故障信號特性的IMF，對其進(jìn)行提取香農(nóng)熵和信息熵，再利用LSSM方法進(jìn)行訓(xùn)練并測試分類效果。

2.1 CEEMD分解理論

為了更好地解決EMD分解方法存在模態(tài)混疊現(xiàn)象的問題，鑒于此，又提出了改進(jìn)的EMD方法，即CEEMD。

對于非平穩(wěn)信號的CEEMD分解步驟如下：

2.2 CEEMD分解結(jié)果

利用CEEMD對電機(jī)和變頻器負(fù)載的故障電流信號進(jìn)行了分解，以15A電流等級為例，所得結(jié)果如圖3所示，發(fā)現(xiàn)前9階IMF包了故障信號的所有信息，但是電機(jī)負(fù)載的IMF6、IMF7、IMF8、IMF9以及變頻器負(fù)載的IMF7、IMF8、IMF9的結(jié)果已經(jīng)失真，不能體現(xiàn)故障發(fā)生時電流信號的畸變特性。并且，通過觀察發(fā)現(xiàn)，前5階IMF已經(jīng)包含了原始信號的主要頻率特征，所以選擇電流信號的前5階IMF進(jìn)行特性提取。

2.3特征量提取

香農(nóng)熵也稱為信息熵，通過隨機(jī)系統(tǒng)的統(tǒng)計特性，反應(yīng)系統(tǒng)的內(nèi)部信息。系統(tǒng)中變化量的不確定性越大，熵值就越大，需要了解的信息量也越大，反之，則熵值越小。對于一個離散的隨機(jī)變量x（n），其概率分布{pi}，0≤pi≤1，i=1，2，3，…，n且滿足

選取電機(jī)和變頻器負(fù)載的前5階IMF分量，提取其香農(nóng)熵和樣本熵。由于篇幅限制，分別給出電機(jī)負(fù)載和變頻器負(fù)載15A條件下的2個樣本值，如表2和表3所示。

3 LSSVM訓(xùn)練與測試

3.1 LSSVM原理

SVM訓(xùn)練樣本時需要求解二次規(guī)劃問題，訓(xùn)練樣本的速度相對較慢，所以本文選用LSSVM方法。LSSVM和SVM的區(qū)別就在于，LSSVM把原方法的不等式約束變?yōu)榈仁郊s束，從而大大方便了Lagrange乘子α的求解。從QP問題，轉(zhuǎn)成求解線性方程組的問題，所以提高了運算速率。其優(yōu)化表達(dá)式為：

3.2訓(xùn)練與測試

SVM和LSSVM將訓(xùn)練樣本劃分為兩類，t=1和t=0。t=1代表正常工作狀態(tài)，t=0代表故障狀態(tài)。將表2電機(jī)負(fù)載提取的香農(nóng)熵和樣本熵作為LSSVM和SVM的輸入量。采集80組樣本進(jìn)行訓(xùn)練，其中40組正常，40組故障。之后再采集40組樣本進(jìn)行測試，其中包含20組正常和20組故障，測試結(jié)果如表4所示。

由表4對比可以看出，電機(jī)負(fù)載時，將香農(nóng)熵作為特征輸入LSSVM時，識別率為95%，作為SVM的特征輸入時，識別率為85%，并且LSSVM的運行時間小于SVM的運行時間，識別速度較快。除此之外，還可看出香農(nóng)熵作為輸入特征的識別率高于樣本熵。而且和樣本熵相對比，香農(nóng)熵可以更有效地區(qū)別電機(jī)負(fù)載故障和正常狀態(tài)。當(dāng)變頻器負(fù)載時，識別結(jié)果如表5所示，同樣對于變頻器負(fù)載運行時，香農(nóng)熵的識別率依然優(yōu)于樣本熵，并且LSSVM的運行時間小于SVM。實驗結(jié)果表明：香農(nóng)熵和LSSVM的結(jié)合可以更加快速、準(zhǔn)確地識別串聯(lián)型電弧故障。

4結(jié)論

對于串聯(lián)型故障電弧，本文以電機(jī)和變頻器為負(fù)載，在15A、18A和20A電流等級下進(jìn)行了一系列實驗，分別采集了正常和故障狀態(tài)下的電流和電壓數(shù)據(jù)，提出了CEEMD-香農(nóng)熵，LSSVM這一新的識別方法，所得結(jié)論如下：

（1）CEEMD分解所得的前5階IMF能夠完全代表串聯(lián)型故障電弧的特性，所提取的信息熵和樣本熵能夠識別正常和故障狀態(tài)。

（2）信息熵對故障的識別率高于樣本熵，可以作為診斷串聯(lián)電弧故障的特征。

（3）香農(nóng)熵和LSSVM相結(jié)合的辨識方法具有較好的快速性和準(zhǔn)確性，具有理論研究和工程應(yīng)用價值。

【參考文獻(xiàn)】

[1]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(shù)學(xué)報，2016，31（8）：109-15.

[2]王曉遠(yuǎn)，高淼，趙玉雙，等.阻性負(fù)載下低壓故障電弧特性分析[J].電力自動化設(shè)備，2015，35（5）：106-110.

[3]趙遠(yuǎn)，張冠英，王堯，等.基于負(fù)載端電壓分析的串聯(lián)故障電弧檢測方法[J].電器與能效管理技術(shù)，2016（15）：74-78.

[4]劉艷麗，郭鳳儀，朱連勇，等.礦用電連接器串聯(lián)型故障電弧診斷方法研究[J].電子測量與儀器學(xué)報，2017，31（8）：1257-1264.

[5]王子駿，張峰，張士文，等.基于支持向量機(jī)的低壓串聯(lián)故障電弧識別方法研究[J].電測與儀表，2013（4）：22-26.

[6]陳照，李奎，張洋子，等.基于電弧電磁輻射的故障電弧識別[J].電工電能新技術(shù)，2017，36（3）：70-74.

[7]鄭夢笛，吳細(xì)秀，閆格.基于新型故障電弧模型的電弧能量特性分析[J].中國電力，2015，48（11）：49-53.