论文部分内容阅读
【摘 要】 为提高供电系统运行的可靠性，以电机和变频器为负载，分别在15A、18A、20A电流等级开展了一系列串联型故障电弧实验。为使电流信号畸变特征明显，利用CEEMD方法对不同负载相邻5周期的电流信号进行了分解，得到若干IMF，选取前5阶IMF进行信息熵和样本熵特征提取。取正常和故障状态下的特征向量构成训练样本和测试样本，作为LSSVM的输入，对样本进行分类，从而识别串联型故障电弧是否发生。实验结果表明，该方法能够有效地识别故障的发生，并且信息熵比样本熵具有更高的识别率。
【关键词】 故障电弧;CEEMD;信息熵;样本熵;LSSVM
【中图分类号】 TM501 【文献标识码】 A
【文章编号】 2096-4102（2019）05-0095-04
电弧通常是在开关电器分合闸过程中产生的，电力系统的电弧具有极大的能量，可以在瞬间形成爆炸气体，烧融导体，形成短路。强制熄灭电弧还会引起过电压。因此，为使供配电系统安全运行，需建立一种电弧故障的识别方法，以提高供配电系统运行的安全性。
为研究故障电弧的特征以及诊断方法，通过自制的实验装置开展了一系列串联型故障电弧实验。提取不同电流等级正常和故障状态下的电流信号，考虑外界噪声干扰以及电弧故障的隐蔽性，利用CEEMD方法对电流信号进行分解，选取能代表故障特征的前5阶IMF，对其提取特征量——香农熵，最后采用LSSVM对正常和故障狀态电流信号进行了诊断识别，通过实验结果分析证明其有效性。
1实验装置和实验方案
1.1实验装置
本文搭建了实验平台，实验平台主要由供电电源、电弧发生器、数据采集卡、负载、PC机组成，负载主要包括三相异步电机和变频器。实验平台电路图如图1所示。
1.2实验方案
实验方案如表1所示。电源电压为交流380V，在仅有电机负载的条件下，选取电机端子进线处的某一相作为故障相，串入故障电弧发生装置，分别在工作电流为15A、18A、20A时，做了相应的故障电弧实验并采集了电压电流的数据。在电机带变频器工作时，选取变频器进线处的某一相作为故障相，串入故障电弧发生装置。同样的，以电机的工作电流为基准，进行了上述3种电流等级的故障和正常工作状态的实验。
1.3实验结果
实验结果如图2所示，电机负载正常运行时，电流峰值基本保持不变，当故障产生时，相邻峰值不再相等，但是仍具有周期性;并且电流越大，电机电流波形越接近于正弦波。变频器正常运行时，因自身非线性性质，电流波形呈现双峰现象，并且双峰值相等;出现故障后，双峰值不再相等，甚至出现单峰现象，零休时间也明显增加。
2特征提取
由图2可见，故障电弧产生时电流信号会产生畸变，为使故障特征更加易于区分，本文首先采用CEEMD方法对电流信号进行分解。选取能代表故障信号特性的IMF，对其进行提取香农熵和信息熵，再利用LSSM方法进行训练并测试分类效果。
2.1 CEEMD分解理论
为了更好地解决EMD分解方法存在模态混叠现象的问题，鉴于此，又提出了改进的EMD方法，即CEEMD。
对于非平稳信号的CEEMD分解步骤如下：
2.2 CEEMD分解结果
利用CEEMD对电机和变频器负载的故障电流信号进行了分解，以15A电流等级为例，所得结果如图3所示，发现前9阶IMF包了故障信号的所有信息，但是电机负载的IMF6、IMF7、IMF8、IMF9以及变频器负载的IMF7、IMF8、IMF9的结果已经失真，不能体现故障发生时电流信号的畸变特性。并且，通过观察发现，前5阶IMF已经包含了原始信号的主要频率特征，所以选择电流信号的前5阶IMF进行特性提取。
2.3特征量提取
香农熵也称为信息熵，通过随机系统的统计特性，反应系统的内部信息。系统中变化量的不确定性越大，熵值就越大，需要了解的信息量也越大，反之，则熵值越小。对于一个离散的随机变量x（n），其概率分布{pi}，0≤pi≤1，i=1，2，3，…，n且满足
选取电机和变频器负载的前5阶IMF分量，提取其香农熵和样本熵。由于篇幅限制，分别给出电机负载和变频器负载15A条件下的2个样本值，如表2和表3所示。
3 LSSVM训练与测试
3.1 LSSVM原理
SVM训练样本时需要求解二次规划问题，训练样本的速度相对较慢，所以本文选用LSSVM方法。LSSVM和SVM的区别就在于，LSSVM把原方法的不等式约束变为等式约束，从而大大方便了Lagrange乘子α的求解。从QP问题，转成求解线性方程组的问题，所以提高了运算速率。其优化表达式为：
3.2训练与测试
SVM和LSSVM将训练样本划分为两类，t=1和t=0。t=1代表正常工作状态，t=0代表故障状态。将表2电机负载提取的香农熵和样本熵作为LSSVM和SVM的输入量。采集80组样本进行训练，其中40组正常，40组故障。之后再采集40组样本进行测试，其中包含20组正常和20组故障，测试结果如表4所示。
由表4对比可以看出，电机负载时，将香农熵作为特征输入LSSVM时，识别率为95%，作为SVM的特征输入时，识别率为85%，并且LSSVM的运行时间小于SVM的运行时间，识别速度较快。除此之外，还可看出香农熵作为输入特征的识别率高于样本熵。而且和样本熵相对比，香农熵可以更有效地区别电机负载故障和正常状态。当变频器负载时，识别结果如表5所示，同样对于变频器负载运行时，香农熵的识别率依然优于样本熵，并且LSSVM的运行时间小于SVM。实验结果表明：香农熵和LSSVM的结合可以更加快速、准确地识别串联型电弧故障。
4结论
对于串联型故障电弧，本文以电机和变频器为负载，在15A、18A和20A电流等级下进行了一系列实验，分别采集了正常和故障状态下的电流和电压数据，提出了CEEMD-香农熵，LSSVM这一新的识别方法，所得结论如下：
（1）CEEMD分解所得的前5阶IMF能够完全代表串联型故障电弧的特性，所提取的信息熵和样本熵能够识别正常和故障状态。
（2）信息熵对故障的识别率高于样本熵，可以作为诊断串联电弧故障的特征。
（3）香农熵和LSSVM相结合的辨识方法具有较好的快速性和准确性，具有理论研究和工程应用价值。
【参考文献】
[1]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）：109-15.
[2]王晓远，高淼，赵玉双，等.阻性负载下低压故障电弧特性分析[J].电力自动化设备，2015，35（5）：106-110.
[3]赵远，张冠英，王尧，等.基于负载端电压分析的串联故障电弧检测方法[J].电器与能效管理技术，2016（15）：74-78.
[4]刘艳丽，郭凤仪，朱连勇，等.矿用电连接器串联型故障电弧诊断方法研究[J].电子测量与仪器学报，2017，31（8）：1257-1264.
[5]王子骏，张峰，张士文，等.基于支持向量机的低压串联故障电弧识别方法研究[J].电测与仪表，2013（4）：22-26.
[6]陈照，李奎，张洋子，等.基于电弧电磁辐射的故障电弧识别[J].电工电能新技术，2017，36（3）：70-74.
[7]郑梦笛，吴细秀，闫格.基于新型故障电弧模型的电弧能量特性分析[J].中国电力，2015，48（11）：49-53.
【关键词】 故障电弧;CEEMD;信息熵;样本熵;LSSVM
【中图分类号】 TM501 【文献标识码】 A
【文章编号】 2096-4102（2019）05-0095-04
电弧通常是在开关电器分合闸过程中产生的，电力系统的电弧具有极大的能量，可以在瞬间形成爆炸气体，烧融导体，形成短路。强制熄灭电弧还会引起过电压。因此，为使供配电系统安全运行，需建立一种电弧故障的识别方法，以提高供配电系统运行的安全性。
为研究故障电弧的特征以及诊断方法，通过自制的实验装置开展了一系列串联型故障电弧实验。提取不同电流等级正常和故障状态下的电流信号，考虑外界噪声干扰以及电弧故障的隐蔽性，利用CEEMD方法对电流信号进行分解，选取能代表故障特征的前5阶IMF，对其提取特征量——香农熵，最后采用LSSVM对正常和故障狀态电流信号进行了诊断识别，通过实验结果分析证明其有效性。
1实验装置和实验方案
1.1实验装置
本文搭建了实验平台，实验平台主要由供电电源、电弧发生器、数据采集卡、负载、PC机组成，负载主要包括三相异步电机和变频器。实验平台电路图如图1所示。
1.2实验方案
实验方案如表1所示。电源电压为交流380V，在仅有电机负载的条件下，选取电机端子进线处的某一相作为故障相，串入故障电弧发生装置，分别在工作电流为15A、18A、20A时，做了相应的故障电弧实验并采集了电压电流的数据。在电机带变频器工作时，选取变频器进线处的某一相作为故障相，串入故障电弧发生装置。同样的，以电机的工作电流为基准，进行了上述3种电流等级的故障和正常工作状态的实验。
1.3实验结果
实验结果如图2所示，电机负载正常运行时，电流峰值基本保持不变，当故障产生时，相邻峰值不再相等，但是仍具有周期性;并且电流越大，电机电流波形越接近于正弦波。变频器正常运行时，因自身非线性性质，电流波形呈现双峰现象，并且双峰值相等;出现故障后，双峰值不再相等，甚至出现单峰现象，零休时间也明显增加。
2特征提取
由图2可见，故障电弧产生时电流信号会产生畸变，为使故障特征更加易于区分，本文首先采用CEEMD方法对电流信号进行分解。选取能代表故障信号特性的IMF，对其进行提取香农熵和信息熵，再利用LSSM方法进行训练并测试分类效果。
2.1 CEEMD分解理论
为了更好地解决EMD分解方法存在模态混叠现象的问题，鉴于此，又提出了改进的EMD方法，即CEEMD。
对于非平稳信号的CEEMD分解步骤如下：
2.2 CEEMD分解结果
利用CEEMD对电机和变频器负载的故障电流信号进行了分解，以15A电流等级为例，所得结果如图3所示，发现前9阶IMF包了故障信号的所有信息，但是电机负载的IMF6、IMF7、IMF8、IMF9以及变频器负载的IMF7、IMF8、IMF9的结果已经失真，不能体现故障发生时电流信号的畸变特性。并且，通过观察发现，前5阶IMF已经包含了原始信号的主要频率特征，所以选择电流信号的前5阶IMF进行特性提取。
2.3特征量提取
香农熵也称为信息熵，通过随机系统的统计特性，反应系统的内部信息。系统中变化量的不确定性越大，熵值就越大，需要了解的信息量也越大，反之，则熵值越小。对于一个离散的随机变量x（n），其概率分布{pi}，0≤pi≤1，i=1，2，3，…，n且满足
选取电机和变频器负载的前5阶IMF分量，提取其香农熵和样本熵。由于篇幅限制，分别给出电机负载和变频器负载15A条件下的2个样本值，如表2和表3所示。
3 LSSVM训练与测试
3.1 LSSVM原理
SVM训练样本时需要求解二次规划问题，训练样本的速度相对较慢，所以本文选用LSSVM方法。LSSVM和SVM的区别就在于，LSSVM把原方法的不等式约束变为等式约束，从而大大方便了Lagrange乘子α的求解。从QP问题，转成求解线性方程组的问题，所以提高了运算速率。其优化表达式为：
3.2训练与测试
SVM和LSSVM将训练样本划分为两类，t=1和t=0。t=1代表正常工作状态，t=0代表故障状态。将表2电机负载提取的香农熵和样本熵作为LSSVM和SVM的输入量。采集80组样本进行训练，其中40组正常，40组故障。之后再采集40组样本进行测试，其中包含20组正常和20组故障，测试结果如表4所示。
由表4对比可以看出，电机负载时，将香农熵作为特征输入LSSVM时，识别率为95%，作为SVM的特征输入时，识别率为85%，并且LSSVM的运行时间小于SVM的运行时间，识别速度较快。除此之外，还可看出香农熵作为输入特征的识别率高于样本熵。而且和样本熵相对比，香农熵可以更有效地区别电机负载故障和正常状态。当变频器负载时，识别结果如表5所示，同样对于变频器负载运行时，香农熵的识别率依然优于样本熵，并且LSSVM的运行时间小于SVM。实验结果表明：香农熵和LSSVM的结合可以更加快速、准确地识别串联型电弧故障。
4结论
对于串联型故障电弧，本文以电机和变频器为负载，在15A、18A和20A电流等级下进行了一系列实验，分别采集了正常和故障状态下的电流和电压数据，提出了CEEMD-香农熵，LSSVM这一新的识别方法，所得结论如下：
（1）CEEMD分解所得的前5阶IMF能够完全代表串联型故障电弧的特性，所提取的信息熵和样本熵能够识别正常和故障状态。
（2）信息熵对故障的识别率高于样本熵，可以作为诊断串联电弧故障的特征。
（3）香农熵和LSSVM相结合的辨识方法具有较好的快速性和准确性，具有理论研究和工程应用价值。
【参考文献】
[1]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）：109-15.
[2]王晓远，高淼，赵玉双，等.阻性负载下低压故障电弧特性分析[J].电力自动化设备，2015，35（5）：106-110.
[3]赵远，张冠英，王尧，等.基于负载端电压分析的串联故障电弧检测方法[J].电器与能效管理技术，2016（15）：74-78.
[4]刘艳丽，郭凤仪，朱连勇，等.矿用电连接器串联型故障电弧诊断方法研究[J].电子测量与仪器学报，2017，31（8）：1257-1264.
[5]王子骏，张峰，张士文，等.基于支持向量机的低压串联故障电弧识别方法研究[J].电测与仪表，2013（4）：22-26.
[6]陈照，李奎，张洋子，等.基于电弧电磁辐射的故障电弧识别[J].电工电能新技术，2017，36（3）：70-74.
[7]郑梦笛，吴细秀，闫格.基于新型故障电弧模型的电弧能量特性分析[J].中国电力，2015，48（11）：49-53.