基于EMD和ELM的低压电弧故障识别方法的研究

张丽萍，缪希仁，石敦义

(1.福州大学 电气工程与自动化学院，福建 福州 350116；2.华能罗源发电有限责任公司，福建 福州 350600 )



基于EMD和ELM的低压电弧故障识别方法的研究

张丽萍1，缪希仁1，石敦义2

(1.福州大学 电气工程与自动化学院，福建 福州 350116；2.华能罗源发电有限责任公司，福建 福州 350600 )

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征，利用低压串联电弧故障实验平台，采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition，EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function，IMF)分量，经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息，提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine，ELM)的输入向量，建立不同负载电弧故障识别模型。实验与仿真结果表明，基于EMD分解和ELM相结合的故障电弧诊断方法，在有效提取不同负载电弧故障特征的基础上，实现了不同负载电弧故障的识别。

故障电弧；经验模态分解；本征模态函数；极端学习机

0　引　言

随着我国电力需求高速持续增长，对用电安全可靠性能的要求越来越高。保障工业用电、建筑用电甚至家庭用电的安全成为电网发展的重要环节，然而电气火灾频频的发生给用电安全性带来了挑战。电弧故障是引起电气火灾的原因之一。电弧故障一般分为接地、并联和串联电弧故障。前两种电弧故障特征明显易识别。而串联电弧故障的电流信号特征易被非线性负载额定工作、感性负载启动等的电流信号湮没，难以识别故障信号。

迄今，串联电弧故障的检测方法主要是基于电弧故障电流的检测，其利用电弧故障电流上升率突变、存在高频噪声、“零歇”等特征采用相应的算法进行识别[1-7]。文献[1]利用电流上升率变化特征，提出了不同负载情况下串联电弧故障的识别判据。文献[2]使用短时傅里叶变换得到电弧电流信号的时频特征，文献[3-4]利用电弧故障电流存在奇异点而提出了小波特征频带分析法。文献[5]用小波熵值对时频域上能量分布特性进行定量描述，实现电弧故障特征提取。文献[6]采用支持向量机(support vector machine，SVM)识别电弧故障，该方法对阻性与感性负载有一定的识别能力。文献[7]通过人工神经网络，实现了典型负载测试样本的电弧故障识别。

但这些串联电弧故障识别方法仍存在不足。其中，采用短时傅里叶变换能够在频域内得到较高的分辨率，在时域内却失去了分辨能力；小波变换能够在时域和频域内同时得到较高的分辨率，但小波分解尺度无法随信号而自适应变化；SVM是一种基于结构风险最小的机器学习算法，具有较好的泛化能力，但在映射过程引起空间维数增加，造成训练复杂且占用时间较长。神经网络在一定程度上能对典型负载电弧故障进行识别，但存在收敛速度慢、局部极小点等不足。

由于电气回路中存在非线性负载，非线性负载正常工作时的电流波形与串联电弧故障电流的“零歇现象”相似。感性负载的启动电流上升率突变的特征与电弧电流过零后上升突变十分相似。因此，上述两种信号影响电弧故障信号特征量的有效提取。

然而，检测负载端电压可间接地获取故障电弧电压信号的突变特性，且不受所在支路负载额定工作及启动过程等的电流特性影响，可消除现有电弧故障电流检测识别方法存在误判断的可靠性不足问题[8]。

为此，本文以低压配电线路负载端故障电弧电压信号为对象，研究不同负载电弧故障识别方法。针对各类负载端故障电弧电压信号的非线性非平稳特性，采用EMD的信号处理方法，获取表征不同负载故障电弧局部特征的IMF分量，以IMF方差贡献率确定表征电弧故障的主要IMF分量；由于不同负载电弧故障负载端电压信号在同阶IMF分量上有着不同的频率成分，且各个分量的幅值也相差很大。因此，本文选用能量比作为故障的特征向量，即各阶IMF的能量占总体信号的能量比值。

此外，ELM是最近几年发展起来的一种新型的前馈神经网络方法，具有训练过程简单，抗干扰能力强等优点，克服了传统神经网络训练速度慢，容易陷入局部极小值，无法达到全局最优等缺陷。因此，本文将EMD分解及其各阶IMF的能量比和极端学习机理论相结合，提出了一种有效识别串联电弧故障的方法。

1　Hilbert—Huang变换基本原理

Hilbert—Huang变换包括EMD和Hilbert变换。首先采用EMD方法[9-12]将信号x(t)逐步分解为n阶IMF(关于EMD的详细算法见文献[9-12])，具体为：

(1)

式中：ci(t)为第i阶IMF；rn(t)为信号单调趋势项。

对式(1)的各阶IMF分量ci(t)作Hilbert变换：

(2)

ci(t)的解析形式为：

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejΦi(T)。

(3)

式中ai(t)为幅值函数：

(4)

相位函数：

(5)

第i阶IMF的能量为

(6)

式中：n为信号EMD分解的IMF阶数；N为每阶IMF的数据点数。

因此，各阶IMF的能量总和为

(7)

则第i阶的IMF的能量比定义为

(8)

2　极端学习机算法

作为一类单隐层前向神经网络，ELM与传统的方法不同，它可以随机选择网络中的隐层神经元，并且其网络的输出层权值可以解析获得[13-14]，该方法具有许多优良的特性，如学习速度快、泛化能力好等。极端学习机算法可以较好地应用于非线性、不确定系统。由于串联电弧故障具有非线性的特点，实际应用时对串联电弧故障具有快速诊断要求，因此极端学习机适合于串联电弧故障的识别。

(j=1,2,…,N)。

(9)

Hβ=T。

(10)

其中：

(11)

(12)

H为隐藏层输出矩阵，ELM学习算法过程如下：

1)首先确定隐含层神经元个数，随机确定输入层与隐层间的连接权重w以及隐层神经元的阈值b的值。

2)选择隐层神经元的激活函数，该函数必须无限可微，求出H。

3　基于EMD和ELM的故障电弧诊断模型

低压配电线路发生串联电弧故障时，负载端电压信号具有明显的非线性和非平稳性(如图1、图3所示)。由于EMD分解具有较好的处理非线性和非平稳性数据的能力，采用EMD分解对电弧故障负载端电压信号进行分解，以产生一系列的不同尺度的IMF。

然而，EMD分解后的IMF分量很多，如果直接利用ELM对每一个分量分别进行建模，会增大计算的规模；此外，不同性质负载的电弧故障电压信号进行EMD分解后的IMF分量阶数是不一样的，且有些IMF分量可能是噪声分量或虚假分量(由于采样率不足以及样条插值引起的多余的分量)，这些因素显然不利于对串联电弧故障的识别。

因此，通过计算各阶IMF分量的方差贡献率来确定包含故障特征信息的主要成分，其中，第i阶IMF的贡献率为:

(13)

(14)

式中：Di为第i阶IMF分量的方差；Δt为电弧故障电压信号数据采集时间间隔。

根据式(13)和式(14)，负载端的电压信号的各阶IMF分量的方差贡献率如表1所示，从表中可知前5阶IMF分量的贡献率数值较大，表明了分解后的前5阶IMF分量包含了电弧故障特征的绝大部分信息。因此，EMD分解只选取了前5阶的IMF分量。

对前5阶IMF的能量比分别建立ELM识别模型。利用ELM进行识别时，需要确定隐层节点的个数，因为隐层节点决定了ELM的学习能力。而ELM分类精度会随着隐层节点数增加而递增，分类精度达到一定程度时会趋于平稳。因此按公式(15)确定初始隐层节点数N，式中a为输入节点数，b为输出节点数，c取值一般在1-10之间；在得到初始分类精度基础上，不断增加隐层节点数，直到分类精度达到最高不再上升。

。

(15)

表1　负载端的电压信号的各阶IMF分量的方差贡献率

4　诊断实例分析

4.1特征量的提取与分析

实验参照UL1699标准，采用自行研制的电弧发生器模拟各种典型负载电弧故障，各负载通过开关并联在220 V电源上，在负载端设置型号为HP16-400/5V的电压传感器加以检测，并将所测的信号送到研华PCI1711L数据采集卡，该采集卡带12位A/D转换器，采样速率为50 kHz，如图1所示。实验负载为日常生活中常用的阻性、感性和非线性负载，对冰箱、热水壶、微波炉、吸尘器、台灯、显示器6种负载的正常和模拟电弧故障状态进行采样分析。

图1　串联电弧负载端电弧电压检测Fig.1　Arc voltage detection in the load side of series arc fault

1)阻性负载回路电弧电压的EMD分解

图2是线路发生串联电弧故障时阻性负载(1 000 W的电烧水壶)两端的电压波形。发生串联电弧故障时，负载电压存在短暂的零休现象。这是由于电弧在燃烧过程中熄灭造成暂时的断路引起负载端的电压为零，而后电弧复燃，电路重新导通，电弧电阻迅速减小，使得负载电压瞬间增大，出现尖峰的脉冲，其故障波形具有周期性。

图2　阻性负载端串联电弧故障电压波形图Fig.2　Impedance load series arc fault voltage waveform

图3是线路发生串联电弧故障时阻性负载电压信号经EMD分解后得到一组IMF分量。所分解出来的各阶IMF分量包含了原信号的不同时间尺度的局部特征信号。从图中分析，阻性负载发生串联电弧故障时，其出现零休和尖峰的脉冲在前2阶的IMF分量中得以体现，且尖峰脉冲在IMF分量中幅值较大。

图3　阻性负载端串联电弧故障电压EMD分解图Fig.3　Impedance load series arc fault voltage EMD decomposition

2)阻感性负载回路电弧电压的EMD分解

图4为典型的阻感性负载——冰箱，在发生串联电弧故障时负载电压波形。发生串联电弧故障时，负载电压的波形存在缺少半波的现象，局部信号会出现突变，峰值幅值不稳定，呈现谐波分量大等特征。图5为上述阻感性负载发生串联电弧故障时负载电压的EMD分解图，与图2阻性负载串联电弧故障时负载电压的EMD分解图相比较，其第1、2阶的IMF分量大大增加。

图4　阻感性负载-冰箱串联电弧故障电压波形图Fig.4　Refrigerator series arc fault voltage waveform

3)非线性负载回路电弧电压的EMD分解

非线性负载以微波炉为例，如图6所示发生串联电弧故障时，负载电压波形畸变非常严重，出现不平稳的平肩电压波形，电压峰值也出现较大的波动，且负半波尖峰的脉冲大。电压波形经过EMD分解后由图7可以分析得出，平肩电压波形附近的畸变是第1、2阶的IMF分量产生的主要原因。

图5　阻感性负载-冰箱串联电弧故障电压 EMD分解图Fig.5　Refrigerator series arc fault voltage EMD decomposition

图6　微波炉串联电弧故障电压波形图Fig.6　Microwave oven series arc fault voltage waveform

图7　微波炉串联电弧故障电压EMD分解图Fig.7　Microwave oven series arc fault voltage EMD decomposition

将6种常用典型负载的故障电弧电压信号经过EMD分解后，选取前5阶能量比作为特征向量如表2所示。由表2可知，发生串联电弧故障时，负载电压经EMD分解后的1、2阶IMF能量比会比正常工作时的IMF能量比大。这是由于正常工作时1、2阶高频分量的能量较少，而大部分能量集中在3-5阶的低频能量中。而线路发生电弧故障时，负载端的电压产生畸变，波形中包含了高频分量。因此，1、2阶高频分量的能量比与正常状态能量比相比明显增大 。

表2　前5阶能量比

4.2基于ELM的故障诊断

对冰箱、热水壶、微波炉、吸尘器、台灯、显示器6种负载正常和模拟电弧故障状态进行采样，其中正常状态和故障状态训练样本各130组，每组5个特征向量，为了验证训练所得网络的正确性，选取正常状态和故障状态样本各70组进行测试，具体样本分配表如表3所示，对每组信号进行EMD处理，最后提取前5阶IMF分量的能量比作为ELM网络、BP网络和SVM的训练和测试样本。ELM网络隐层的激活函数，BP网络输入层、隐层和输出层的传递函数，SVM的核函数均为Sigmoid型函数。ELM隐层节点数为36时，达到了最大的分类精度。BP网络隐层节点数为12时，达到最优。SVM的隐层节点数目、隐层节点对输入节点的权值都是在训练的过程中自动确定的。表4表明，BP网络测试精度及测试时间在三种分类方法中效果是最不理想的。SVM的分类方法在三种方法虽然达到了最大的测试精度，但是其所用的时间较长。采用ELM网络对故障电弧进行诊断的方法虽然精度上不是最高的，但其时间是最短的。综合精度和时间两方面的因素考虑。ELM网络准是三种中较优的方法。

表3　样本分配表

表4　测试结果分析表

5　结　论

本文以低压线路负载端故障电弧电压为对象，对典型的阻性、阻感性及非线性负载研究低压串弧故障识别方法，取得了以下研究结果：

1) 低压配电线路的负载端故障电弧电压信号具有明显的非线性和非平稳性，对其EMD分解获得的IMF分量可有效反映故障电弧的特征，可用于故障电弧的特征量提取。

2)利用方差贡献率可筛选出表征故障电弧特征信息的主要IMF分量。

3)将EMD提取的前5阶IMF分量能量比作为特征向量，利用ELM网络对故障电弧进行诊断识别，具有识别效率高及实时性较好的特点。

[1]SUN Peng,GAO Xiang.Series arc fault diagnosis technology research based on the analysis of current rate[C]// 2011 1st International Conference on Electric Power Equipment-Switching Technology,October 23-27,2011,Xi′an:ICEPE-ST,2011:565-568.

[2]CHENG Hong,CHEN Xiaojuan,LIU Fangyun,et al.Series arc fault detection and implementation based on the short-time fourier transform[C]//Power and Energy Engineering Conference,March 28-31,2010.Chengdu: APPEEC,2010:1-4.

[3]ZHENG Weiyan,WU Weilin.Detecting low-voltage arc fault based on lifting multiwavelet[C]//Second Asia-Pacific Conference on Computational Intelligence and Industrial Applications,November 28-29,2009,Wuhan: PACIIA,2009:254-257.

[4]刘晓明,赵洋,曹云东,等.基于小波变换的交流系统串联电弧故障诊断[J].电工技术学报,2014,29(1):10-17.

LIU Xiaoming,ZHAO Yang,CAO Yundong,et al.Series arc fault diagnosis based on wavelet transform in AC system[J].Transactions of China Electrotechnical Society,2014,29(1):10-17.

[5]孙鹏，郑志成，闫荣妮,等.采用小波熵的串联型故障电弧检测方法[J].中国电机工程学报,2010,30(增刊)： 232-236.

SUN Peng,ZHENG Zhicheng,YAN Rongni,et al.Detection method of arc fault in series with wavelet entropy[J].Proceedings of the CSEE,2010,30(Supplement):232-236.

[6]徐贞华.支持向量机的低压故障电弧识别方法[J].电力系统及其自动化,2012,24(2): 128-131.

XU Zhenhua.Detection of Low-voltage arc fault based on support vector machine[J].Proceeding of the CSU-EPSA,2012,24(2): 128-131.

[7]张士文,张峰.王子骏,等.一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法[J]电工技术学报,2014,29(6):289-295.

ZHANG Shiwen,ZHANG Feng,WANG Zijun,et al.Series arc fault identification method based on energy produced by wavelet transformation and neural network[J] Transactions of China Electrotechnical Society,2014,29(6):289-295.

[8]缪希仁,郭银婷,唐金城,等.负载端电弧电压检测与形态小波辨识研究[J]电工技术学报.2014,29(3):237-244.

MIAO Xiren,GUO Yinting,TANG Jincheng,et.al.Load side arc fault voltage detection and identification with morphological wavelet[J].Transactions of China Electrotechnical Society,2014,29(3):237-244.

[9]张海如,王国富,张法全,等.改进的随机共振和EMD混合模型用于转子早期故障检测[J].电机与控制学报,2014,18(2):83-89.

ZHANG Hairu,WANG Guofu,ZHANG Faquan,et al.Conjoint model combining improved stochastic resonance and empirical mode decomposition for rotor incipient faults detection[J].Electric Machines and Control,2014,18(2):83-89.

[10]HUANG Jian,HU Xiaoguang，GONG Yunan.Machinery fault diagnosis of high voltage circuit breaker based on empirical mode decomposition[J].Proceedings of the CSEE,2011,12(4):108-113.

[11]孙一航,武建文,廉世军,等.结合经验模态分解能量总量法的断路器振动信号特征向量提取[J].电工技术学报,2014.29(3):228-236.

SUN Yihang,WU Jianwen,LIAN Shijun,et.al.Extraction of vibration signal feature vector of circuit breaker based on empirical mode decomposition amount of energy[J].Transactions of China Electrotechnical Society,2014,29(3):228-236.

[12]李建鹏，赵书涛，夏燕青.基于双谱和希尔伯特一黄变换的断路器故障诊断方法[J] 电力自动化设备,2013,33(2):115-119.

LI Jianpeng,ZHAO Shutao,XIA Yanqing,Fault diagnosis based on bispectrum and Hilbert·Huang transform for circuit breaker [J].Electric Power Automation Equipment，20013，33(2)：115-119.

[13]HUANG G B，HHU Q Y，SIEW C K．Extreme learning machine：Theory and applications[J]．Neurocomputing，2006(70)：489-501．

[14]王守相,王亚曼,刘岩,等.基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测[J].电力自动化设备.2014,34(8):7-12.

WANG Shouxiang,WANG Yaman,LIU Yan,et al.Hourly solar radiation forecasting based on EMD and ELM neural network[J].Electric Power Automation Equipmemt,2014,34(8):7-12.

(编辑：张楠)

Research on low voltage arc fault recognition method based on EMD and ELM

ZHANG Li-ping1，MIAO Xi-ren1，SHI Dun-yi2

(1.College of Electrical Engineering and Automation,Fuzhou University,Fuzhou 350116,China;2.HuaNeng Luoyuan Power Generation Co.,Ltd,Fuzhou 350600,China)

Arc fault voltage signal of load terminal in low-voltage is not affected by the singularity signal of power line to bring about fault misjudgment.An arc fault experimental platform was built with

to the United States standard-UL1699.The experiment was conducted to collect a large number of typical load arc fault signal.Firstly,the characteristics of arc fault signal intrinsic mode function (IMF) components were extracted effectively by using empirical mode decomposition (EMD).Secondly,with analysis of the contribution rate of IMF variance,the front five orders IMF was taken to reflect various load arc fault characteristic information.Finally,an arc fault identification model for different loads based on extreme learning machine (ELM) was put forward,whose input vectors is the IMF component ratio of energy for front five orders.The experiment and simulation results show that the arc fault diagnostic method with the combination of EMD and ELM identifies arc fault for various loads effectively.

fault; empirical mode decomposition; intrinsic mode function; extreme learning machine

2014-07-04

国家自然科学基金(51377023)；福建省教育厅教育科研项目(JA12050)

张丽萍(1977—)，女，博士研究生，讲师，研究方向为电气设备在线监测与故障诊断技术；

缪希仁(1965—)，男，教授，博士生导师，研究方向为电器及其系统智能化技术；

张丽萍

10.15938/j.emc.2016.09.008

TM 501

A

1007-449X(2016)09-0054-07

石敦义(1989—)，男，工程师，硕士，研究方向为电气设备在线监测工作。