故障电弧诊断总结

1、研究意义：电弧故障分为并联电弧故障和串联电弧故障。并联电弧故障的特点是短路和故障电流大，可以通过现有的电气保护系统进行保护。然而，串联电弧故障受线路负载的限制，其故障电流通常为530A甚至更低(荧光灯电弧故障电流的有效值约为0.1A)。因此，现有的保护系统不能保护串联电弧故障，这是现有电气保护系统的漏洞之一，并且具有电气安全隐患。串联电弧可分为“好电弧”和“坏电弧”，如弧焊机、有刷电机工作时产生的电弧和插座插拔时产生的电弧，通常称为“好电弧”；其他不是根据人类意志或控制产生的弧被称为“坏弧”。当检测到电弧故障时，“良好电弧”不应被误认为电弧故障，从而切断电源并造成不必要的损失。实时准确地检测串

2、联电弧故障并切断故障电路是避免连续电弧燃烧引起火灾等事故的有效方法。根据电弧产生时产生的声、光、电、磁等特性，用实验方法研究了电弧特性。以电弧的电、磁特性作为检测方法的输入，对电弧故障进行了实验研究，分析了串联电弧与并联电弧、交流电弧与DC电弧的区别。对电弧特性进行了频域研究，指出故障电弧特性主要集中在2-200千赫频段。随着电力电子技术的发展和非线性负载的增加，传统的基于电弧“零断”特性的检测方法已经不能满足要求。采用自回归参数模型检测低压电弧故障，并给出回路辨识的参考向量。用小波熵分析电弧故障，指出如果小波熵大于0.002，就可以判断电弧故障。为了实现电弧故障的检测和分类，建立了基于小波变

3、换模极大值的电弧故障神经网络模型。注：输入参数可从以下三个方面提取：(1)负载正常工作时的电流特性；(2)开关插拔产生正常电弧电流的特性在现实中，我们也会在插拔时产生电弧。它们持续的时间很短，瞬间就消失了。不连续性不会影响线路中设备的正常运行，也不会引起火灾威胁环境安全。(3)故障电弧的电流特性(接触不良)。主要是由于线路绝缘层老化、绝缘损坏或短路等原因引起的电弧。这种电弧持续时间长，燃烧时会放出大量热量。对周围环境有很大的消防安全隐患。这是一个需要预防和阻止的弧线。它也被称为断层弧。一、具有高频特性的低压电弧故障识别方法(2016.6)针对不同类型负荷的电弧故障，提出了一种基于小波熵的电弧故

4、障通用检测方法。小波变换用于提取电弧故障发生时电流过零点附近产生的高频信号。利用高频信号的小波熵表征电弧故障的突变信息，利用最小二乘支持向量机对小波熵进行分类，实现电弧故障的有效识别。引言：电弧故障是电气火灾的重要原因之一。传统的电弧故障检测方法大多基于电弧产生的物理参数，如电弧光、电弧声和电弧温度，但电弧故障在电路中的不确定性限制了这些方法的应用。电弧电流测量的方便性使其成为电弧故障检测的理想参数。传统的电弧故障识别方法主要基于电弧电流的谐波占有率分析、电弧电流故障特征的小波提取的时频分析以及基于自回归模型参数的识别方法。其局限性在于电弧电压无法测量，因为电弧故障的位置不确定。有许多类型的负

5、载和不同的连接模式。很难可靠地区分电弧故障和正常负载电弧。本文采用小波分析提取1.25的高频信号它主要由以碳、石墨棒和铜棒为电极的可调电弧故障发生装置、隔离变压器、电流波形传感器、数据采集系统和计算机组成。系统采样频率为5mhz/s。2.小波熵原理介绍2.1小波变换传统的频域分析方法是傅里叶变换，但它不能反映信号的时域特性。当电弧故障发生时，信号会产生短期高频冲击和微弱的波形突变。傅里叶变换后，这些时域特征由于积分而被剔除，因此傅里叶变换很难提取电弧故障的有效信息。小波变换从时域和频域两方面反映了电弧故障信号的时频特征，可用于识别电弧故障时电流信号的微小变化。二、利用小波熵的串联故障电弧检测方

6、法(2010年12月30日)一些电气设备在正常运行期间的电流特性类似于故障电弧电流的典型特性。当设备或线路发生串联故障电弧时，很难可靠地诊断和检测故障电弧。提出了一种利用小波熵来反映故障电弧电流信号的能量分布并从故障电弧电流信号中提取暂态信号的方法，可以有效地从故障电弧电流信号中提取低能量暂态信号，为串联故障电弧的诊断提供依据。前言：故障电弧经常发生在绝缘老化或损坏的线路和设备中，或在导线连接松动等情况下。有许多物理量可以描述故障电弧，如温度、电弧声、电弧光、电弧电压等。用于测量这些物理参数的传感器必须安装在故障电弧发生点附近。本文提出将电弧电流作为故障电弧检测和分析的物理参数，提取特征量，用

7、于故障电弧的快速有效诊断。注意：线性负载和非线性负载之间的区别两者的区别是：“当正弦电压施加于两者时，线性负载的电流是正弦的，而非线性负载的电流是非正弦的。”线性负载：当故障电弧发生时，电弧电流会产生明显的“过零现象”，而故障电弧前的电流不存在这种“过零现象”。小波分析算法和快速傅里叶变换可用于实现快速诊断。非线性负载：当施加正弦交流电压时，波形会严重失真，会出现与上述类似的电流“过零”现象。因此，很难直接利用这种电流特性来诊断故障电弧。利用小波分析理论进行多分辨率分析。1.小波熵原理介绍1.1小波变换在瞬态信号检测领域，引入小波熵的概念来发现信号中微小的异常变化，可以定量描述信号在时域和频域

8、的能量分布特征。小波熵代表信号复杂度在时间和频率上的变化。三、低压系统串联故障电弧在线检测方法(2016.4)本文首先基于住宅电力系统搭建了一个模拟串联故障电弧的实验平台。实验方案基于普通家用电器，采集不同条件下的故障电弧信号。基于电弧电流的特性分析。引言：国内外电弧检测方法大致可分为三类：建立电弧模型，通过检测相应的参数来检测电弧；(2)根据电弧发生时产生的电弧光、噪声、辐射、温度等变化检测电弧；(3)当电弧发生时，根据电流和电压波形变化检测电弧。在家用供配电线路中，频繁的开关操作(正常工作电弧)、复杂的设备线路条件、容易发生的接触松动、绝缘老化、击穿、接地故障(故障电弧)等问题增加了故障电

9、弧发生的概率。由于电气设备是分散的，利用弧光和热等物理现象来探测电弧是不现实的。它适用于利用线路电流的变化来检测电弧。1.线电流电弧检测的研究现状电流检测方法可分为三类：一类是基于电弧的一种或几种特性，如基于电弧电流畸变点的小波分析、基于电弧电流高频谐波的傅里叶分析、基于电弧电流上升率的分形方法、基于电弧随机性的差平方根检测方法；第二个是把弧线看作一个整体。现有的算法包括模型参数法、支持向量机法和神经网络法。第三是以上两种方法的结合。基于电弧电流波形的畸变，利用小波变换的细节系数检测电弧电流的畸变点，进而检测电弧。然而，一些非线性负载在正常工作时具有相似的变形点。不同载荷下细节系数的阈值是不一

10、致的，因此有必要判断载荷的类型。从整体识别的角度出发，采用神经网络算法训练电弧信号，识别率高，但实时性差，需要大量的数据训练。小波(包)检测和神经网络识别相结合，减少了模式识别的数据量，提高了检测的实时性。然而，改进的程度并不明显。分析了电弧放电前后电流数据的波形。基于相邻周期波形的相减，利用小波阈值去噪提取故障电弧特征。实验数据用软件进行分析。结果表明，该检测方法具有较高的识别率。2.实验设备和数据采集2.1实验设备2.2数据采集数据采集使用示波器，采样率选择为20k赫兹。实验步骤如图2所示。调整示波器的采样速率和延迟时间，使采集的波形能够跨越正常、电弧、电弧和熄灭的整个过程。四、电弧故障断

11、路器故障电弧电流特性研究(示例)(2012年6月)电弧故障断路器可以发现故障电弧。其工作的关键在于准确识别故障电弧。研究了故障电弧电流和正常电流的本质区别，用不同的数学方法分析了电弧电流和正常电流。流量数据的特征为识别故障电弧提供了依据。通过搭建电弧实验平台，模拟电路中发生串联电弧的条件，分别以纯电阻、调光灯、空调、计算机和调光灯组合为负载，获得故障电弧电流和正常电流(不同负载的故障电弧电流和正常电流)的测量数据。对于实测数据，首先对数据指标进行分析，分析故障电弧和正常情况下电流有效值、平均值、峰峰值、平肩百分比和电流上升率等数据指标之间的差异，找出这些指标在相同负荷条件下的特性。其次，利用傅

12、里叶变换观察两种情况下的频谱特性，比较故障电弧中奇次谐波含量和偶次谐波含量与正常情况下的差异。根据分解重构后误差值的大小，选择合适的小波基函数和分解级数。根据选取的小波基函数，对数据进行去噪，判断信号故障点，提取小波变换后的能量特征向量，并将该特征向量作为小波神经网络的输入样本。基于傅里叶分析结果和小波变化分析结果的故障电弧神经网络识别方法。1、对于电弧的一般特性：(1)电压和电流都包含大量高频噪声信号；(2)电压波形类似矩形波；(3)电弧中存在压降，因此对于同一电路，非电弧电流的幅值一般大于电弧电流的幅值，但电路中存在补偿的情况除外；(4)非电弧电流的上升速度通常小于电弧电流的上升速度；(5

13、)每半周，电弧电流在非电弧电流零点之前熄灭，在非电弧电流零点之后重新点燃。在该区域内建立一个振幅接近于零且无明显变形的区域，称为“平肩”；(6)电弧通常是零星的短脉冲，夹杂着一些正常电流。电弧的检测可以基于这些特征来研究app电弧一般分为三种形式：串联电弧、并联电弧和接地电弧，如下图所示。如果以第三种形式产生的弧被分为第二种类型，则它被分为串联弧和并联弧。电弧发生器和测量电路图：电弧实验物理图；安装电极部件：铜棒电极和碳电极：2.测量数据及其处理比较两种当前数据的有效值、平均值、峰峰值、平肩百分比和上升率的差异，即指数分析法。对于一般纯电阻负载，正常情况下的波形明显不同于电弧故障时的波形。然而

14、，当调光灯负载在60W和300W时，波形变化不是特别明显。3.数据的小波变换傅里叶变换是一种全局分析，因此不可能表达信号的时频局部特征，而这正是非平稳信号的最基本和最关键的特性。稳定信号的理想处理工具是傅里叶变换分析。傅立叶分析：信号被分解成不同频率的正弦波。小波分析：信号被分解成不同尺度(尺度)和位移(起始位置)的小波。连续小波变换的五个基本步骤：1.选择一个小波，并将其与原始信号的开头进行比较。小波基函数的选择可以通过小波分解级数的误差来比较。2.计算小波系数C，其值取决于小波和所选信号段之间的相似度。值越相似，值越大。更准确地说，如果信号和小波能量都等于1，那么C可以解释为互相关系数。注

15、意：系数的大小与所选小波的形状有关。3.将小波从左向右移动，逐段重复步骤1和2的比较，直到完成整个信号的比较。4、小波展开(缩放)，重复步骤1至3。5.重复步骤1-4，获得所有尺度的小波系数。离散小波变换；连续小波变换的计算量非常大且耗时。滤波的第一部分：近似和细节近似分量对应于大尺度低频分量，细节分量对应于小尺度高频分量。原始信号S通过两个互补滤波器以获得两个信号A和D所用的原始信号是叠加了高频噪声的真实正弦信号，其分解示意图如下。在离散小波分析中，利用二取一的“下采样技术”分别获得500点的小波系数cD和cA。Matlab声明如下s=sin(20。*linspace(0，pi，1000)

16、0.5。*兰特(1，1000)；cA，cD=dwt(s，db 2)；Db2是小波类型的。离散小波多级分解小波分解树分解时，近似系数被重复分解。信号的小波分解；小波重构：小波分解是小波分析的一半，而另一半是信号小波重构或合成(无信息损失)。它被称为逆小波变换(IDWT)。下图是信号小波重构的示意图：小波分解得到的小波系数重构信号。信号的小波重构包括滤波和上采样。向上采样：小波重构中的上采样是在两个原始数据点之间插入零值。上面提到的是从小波分解系数中重构原始信号。类似地，我们可以从小波分解系数中重建某一阶段的近似和细节信号。单阶段重建多级重建滤波器与小波形状的关系；在小波的实际应用中，很少直接构造小波，而是设计一个合适的镜像滤波器，然后选择一个小波函数来计算波形。构造适合db2小波的低通重构滤波器L；(1)低通滤波器系数可以通过Matlab中的dbaux命令获得；(2)如果滤波器系数向量被反转，并且每个偶数样本乘以-1，则可以获得高通重构滤波器的系数。(3)H上采样(H系数区间的零插入)(4)上采样向量和原始低通滤波器的卷积(5)如果该过程重复几次