低压交流串联电弧故障检测方法研究.pdf

摘要

由于低压配电线路错综复杂，当导线长期曝晒绝缘层老化破损、电气设备松

动或端子接触不良等问题增大电路中产生电弧的可能性，电弧故障发生的同时伴

随强光和高热，容易引燃线路周围的可燃物导致火灾的发生，甚至会引发爆炸，

造成人员伤亡和财产损失。因此，电弧故障智能检测技术的研究对预防电气火灾

具有重要意义。

本课题针对现有低压交流串联电弧故障检测方法在电流信号采集方式选择、

串联电弧故障量化描述和高检度检测模型设计存在的不足，提出了一种低压交流

串联电弧故障检测方法，并对提出的算法进行验证。主要开展工作如下：

首先，研制了低压交流串联电弧故障检测系统。根据GB/T31143—2014国

家标准，搭建了基于点接触电弧故障发生装置的低压交流串联电弧故障检测系统，

该系统由下位机和上位机组成，可实现实验数据的采集和电弧故障检测算法验证。

其次，针对用于电弧故障检测的电流信号采集方式选择问题，进行了低压交

流串联电弧故障识别的最优采集方式研究。对比使用不同互感器类别和接线方式

采集不同负载类别的四种电流信号的波形在时域、频域的特点，分析不同负载类

别和不同采集方式对电流信号所含电弧信息的影响。

然后，针对电弧的量化描述问题，进行了低压交流串联电弧故障特异性特征

提取及选择。提取电流信号时域、频域特征和小波包能量特征对故障电弧进行描

述。基于主成分分析方法对所提取的特征进行降维，同时，基于平均影响值算法

和随机森林进行特征选择，产生或选择能量化描述故障电弧的特性。

最后，针对电弧故障的精准检测问题，提出基于深度学习的低压交流串联电

弧故障智能检测模型。在一维卷积神经网络的基础上，引入了残差模块和霜冰优

化算法对卷积神经网络进行优化，使用三种采集方式获取的电流信号构建的电弧

故障特征集作为特征集训练所提出的检测模型。结果表明，就优化模型而言，霜

冰优化算法优化引入残差模块的一维卷积神经网络检测模型的表现最好，检测准

确率可达99.42%±0.11%，模型检测kappa系数可达95.69%±0.97%，就采集方式

而言，高频耦合电流信号为低压交流串联电弧故障检测最优采集方式，就特征选

择方法而言，基于随机森林特征重要性排序为最优特征选择方法。

关键词：串联电弧故障；故障诊断；特征提取；卷积神经网络

Abstract

Duetothecomplexityoflow-voltagedistributionlines,whenthelong-term

exposureofthewireinsulationlayeragingdamage,looseelectricalequipmentorpoor

terminalcontactandotherproblemsincreasethepossibilityofarcinthecircuit,arc

failureaccompaniedbystronglightandhighheat,easytoignitethecombustible

materialaroundthelineleadingtofire,andevenexplosion,resultingincasualtiesand

propertylosses.Therefore,theresearchofarcfaultintelligentdetectiontechnologyis

ofgreatsignificancetopreventelectricfire.

AimingattheshortcomingsofexistinglowvoltageACseriesarcfaultdetection

methodsincurrentsignalacquisitionmodeselection,seriesarcfaultquantitative

descriptionandhighdetectionmodeldesign,thispaperproposesalowvoltageAC

seriesar