基于聚类分析和电磁辐射信号的电弧故障识别

李奎 陈照 张洋子 王尧 牛峰 戴逸华

摘 要：当前非线性负载日益增多，基于故障电弧电流特征的故障检测存在信息源单一的不足，容易出现故障误判别。针对该问题，提出了一种基于聚类分析和电弧电磁辐射信号的故障电弧识别方法。该方法在分析电弧电磁辐射理论的基础上，分析不同负载条件下的电弧电磁辐射信号，首先对信号进行低通滤波降噪，提取降噪后故障电弧时域信号的模极大值作为特征值，最后利用模糊c-均值聚类方法进行电弧故障识别。试验结果表明该方法能够有效提高故障电弧的识别准确率。

关键词：故障电弧； 电磁辐射信号； 聚类分析； 非线性负载

中图分类号：TM 501

文献标志码：A

文章编号：1007-449X（2018）05-0094-08

Abstract：Nowadays the current nonlinear loads in the power system increase，and the main drawback of fault arc detection method based on arc current characteristics is that there is only one information source，which leads to misjudgment.A method of series arc fault diagnosis was presented based on the method of cluster analysis and the electromagnetic signals. On the basis of analying the theory of electromagnetic signal of arc，the signal was filtered to reduce noise，then combined with the research on electromagnetic behaviors of arcing fault，the feature vector of the electromagnetic signals of arc fault was extracted.The fault is diagnosed by the fuzzy cmeans clustering method.The result of test shows that the accuracy of the method for the identification of series arc fault meets the requirements.

Keywords：arc fault； electromagnetic signals； cluster analysis； nonlinear loads

0 引 言

电弧是穿过绝缘介质的电气辉光放电现象，通常伴随着电极的局部挥发，其两电极之间为拥有5 000～15 000 ℃温度的等离子体[1-2]，研究表明2～10 A的电弧电流就可以产生2 000～4 000 ℃的局部高温，0.5 A的电弧电流就足以引起火灾[3-6]。

尽管人们在低压配电网中采用了断路器、熔断器和剩余电流保护器等一系列保护装置，对于维护系统的可靠性、稳定性和减少电气火灾起到很大作用，但是这些保护装置无法对故障电弧进行有效保护[7]。并且随着智能电网的发展，低压配电网中采用电力电子技术的非线性负荷的种类不断增多，如电子节能灯、变频空调、微波炉等。实验表明，大量非线性负荷可能导致线路电流波形与故障电弧电流波形十分相近，而且在非线性负荷回路中正常电弧的电流波形与故障电弧的电流波形也难以区分[8]，因此仅仅依靠故障电弧的电压、电流波形特征无法实现非线性负荷条件下故障电弧的准确检测，容易造成保护装置误动作或拒动作。

近年来，随着非电量检测技术和信号处理技术的发展，人们注意到配电柜中出现故障电弧时除了电流、电压的变化外还伴生一系列声、光、化学和热效应，根据这些物理现象发展出多种新故障电弧检测方法，如紫外线检测法、弧声检测法、热电离法和超高频信号检测法等[9-13]。上述新方法摆脱了传统检测方法以故障电弧电压、电流为研究对象的局限性，提高了配电柜故障電弧的检测精度，并实现了故障电弧的预报警[12-13]。其中，电弧电磁辐射信号特征及其在故障识别中的应用正成为新的研究热点。Charles J.Kim利用环形天线和棒状天线测量并研究了120 V、2 A故障电弧的电磁辐射时域特性，研究结果表明，在不需信号放大的情况下示波器可以直接测得天线感应的电磁辐射信号，其频率范围为几千赫兹到几十兆赫兹，验证了利用电弧电磁辐射进行低电压、小电流故障检测的可行性[14]。

聚类分析（cluster analysis）又称集群分析，它是研究“物以类聚” 的一种数理统计方法，聚类分析可将一些观察对象依据某些特征加以归类[16]。可用于衡量不同数据源间的相似性，以及把数据源分类到不同的簇中，其中，模糊c均值聚类算法应用最为广泛。它按照某种判别准则，将数据的聚类转化为一个非线性优化问题，并通过迭代来进行求解，目前已成为非监督模式识别的一个重要分支。因此本文提出一种基于聚类分析和电弧电磁辐射信号的故障电弧识别方法。在分析电弧电磁辐射理论的基础上，充分考虑距离衰减、屏蔽、非线性负荷干扰以及传感器测量方位等的影响因素，以电弧故障模拟实验采得的电磁辐射信号为故障分析和研究的物理参数，结合模糊c-均值聚类的方法，实现串联电弧故障的识别。

1 电弧辐射的电磁信号分析

1.1 电弧产生的机理分析

空气电弧因电极两端电压击穿形成，阴极斑点处包含场致发射及热发射，并向触头间隙提供电子，维持电弧产生。

一般情况下，电弧可被划分为3个区域：阴极位降区、弧柱区和阳极位降区。如图1所示，沿弧柱长度方向的电场强度一般情况下可近似为常数，所以图1上电位曲线在弧柱区为一直线，而在阴极区和阳极区（它们的空间尺度很小，在大气压的条件下仅为10-4 cm左右），电场强度变化剧烈，而且其数量级可高达105～106 V/cm，比弧柱中的电场强度高几个数量级，其原因就在于阴极区和阳极区中存在空间电弧。由于电弧上的阳极基本上只是接受从弧柱中来的电子，除极少的特例外，阳极没有发射正离子的显著能力，故阳极本质上未参加电弧放电的基本过程。电弧阴极区域的变化过程对电弧的发生和物理过程有重要的意义[17-18]。

1.2 电弧产生电磁辐射的机理分析

按照电弧的近阴极区域过程，电弧可以分为3类 [18]。点接触试验中的铜阴极电弧属于有迅速无规则移动的阴极斑点的一类。在这类阴极上，在任何时刻往往包含有许多小面积的发射点。发射点的数量一般与电流成比例而增加，因此可认为每一发射点的电流是常数。对于固体阴极，发射点存在的时间大约为2×10-6～3×10-6 s。且在铜阴极上，阴极斑点能以很高速度运动，根据测量，这类斑点的电流密度就可超过106 A/cm2（甚至达到108 A/cm2）[18]。事实上，铜阴极电弧已用作为微波发生器。阴极斑点作用于铜电极表面， 电场磁场变化程度较大，电子在电场的作用下由阴极斑点发射，并向阳极高速移动，产生高频电磁波，从实验可证实，电弧能够产生109 Hz频率的信号。

因此，在发生故障电弧时，会伴有高频电磁辐射信号产生，故可以通过检测电磁辐射信号实现故障电弧的检测。

1.3 电弧电磁辐射的理论计算

在计算电弧辐射电场功率谱时，可以将电弧看作一个辐射电磁波的线电流[19]。电流元沿x轴产生的磁场如图2所示，在距离为R处通过一个长度为σ的电流分量，沿x轴在特定时间内辐射出来的电磁场Erad为

由于本文只研究家庭条件下的低压故障电弧识别，电磁传感器与故障点的距离属于近区场范围，电场信号与磁场信号不存在比例关系，因此本文需对两种信号都检测，以实现信号互补，提高故障识别的精度。

2 故障电弧实验平台的搭建与数据采集

2.1 串聯故障电弧实验

图3所示是集成串联电弧发生装置，是该实验平台的核心。串联电弧实验平台包括集成电弧发生装置、数据采集部分及系统控制部分，其中串联电弧发生装置的设计参照了美国UL1699标准，是试验平台的核心，该装置包括一个固定电极和一个移动电极，固定电极采用直径为6.4 mm的石墨棒，移动电极采用末端尖锐、直径为10.0 mm的铜棒。移动电极在步进电机和丝杠机构的带动下进行水平运动，当两个电极拉开一定距离时，两极之间的电场使空气击穿并维持高能量放电，从而产生电弧。该装置可以模拟低压配电系统中连接松动、接触不良等情况下的串联电弧故障，其供电电源为220 V、50 Hz的低压单相交流电。本文利用该故障电弧模拟实验装置进行数据采集。

负载的选择应该最大限度体现串联电弧故障特性。常用低压设备各异，根据家用和类似场合下用电系统中的实际情况，本文选用常用的线性以及非线性用电设备。线性负载选取50 Ω纯阻性负载，非线性负载选取吸尘器、微波炉、电磁炉等典型负载为研究对象进行数据采集。研究表明线性负荷下故障电弧电场辐射频率在30 MHz以下，磁场辐射频率在20 kHz以下[15]，经分析后本文选取0～250 kHz频率段的信号。采用电流传感器、电场探头和磁场探头来采集故障电弧信号与正常工作时的信号，并用示波器显示、存储，如图4所示，示波器带宽为25 MHz，能有效保证捕捉到实时瞬态信号。

2.2 电弧故障数据分析

对每一负载进行多次重复试验，采集正常和故障情况下的电流、电场、磁场数据。示波器采样频率设为4 MHZ。

图5是一组阻性负载的电流信号实测波形，图6是一组非线性负载电流信号实测波形。对比可知，阻性负载故障时电流存在明显的“零休”现象，而非线性负载在正常时由于畸变也会出现“零休”现象，这造成了单纯利用电流信号进行故障区分的困难。

图7是实测阻性负载磁场信号波形，图8是实测非线性负载磁场信号波形。对比可知，磁场信号在线性负载或非线性负载条件下故障前后波形幅值变化明显，可用于故障区分。

3 串联电弧故障的特征提取

3.1 抗干扰实验

为充分考虑距离衰减、屏蔽、干扰以及传感器的方位对故障电弧信号检测的影响。实验中，考虑通过对比实验研究背景噪声对信号测量的影响，通过分析频谱选取了工作频率范围在0～250 kHz范围的电磁炉为典型影响源；考虑到距离衰减对信号测量的影响，因此加入不同距离范围和墙壁遮挡因素的实验组；考虑到屏蔽因素，加入铁壶和配电柜组的实验；考虑到传感器方位对测量的影响，实验中加入不同方位测量的对照实验。实验编号如表1所示（不作说明时，默认传感器与电弧距离为1 m）。

3.2 利用低通滤波对信号降噪

为了提高利用电磁信号进行电弧故障识别的抗干扰能力，可对信号进行滤波优化。具体操作如下：在SIMULINK中搭建模型，用2阶巴特沃斯低通滤波器对信号进行滤波处理，其中滤波器截止频率设为5 kHz，如图9，通过滤波去除高频干扰信号，实现信噪分离和，使得信号更易处理。

降噪后的波形信号和实测波形对比图10、图11所示。

3.3 提取信号的时域特征值

将滤波后每组数据按周期求取模极大值，再求平均值，运算结果如表2所示。

对非线性负载也采用相同的处理方法，处理结果如表3。

从表2、表3中的数据来看，电场信号、磁场信号的特征值Z在阻性负载与非线性负载情况下均有明显的故障区分效果。因此，考虑选取一种分类方法利用该特征值实现对上述所有实验数据的分类，从而实现故障识别。

4 基于聚类分析的串联电弧故障识别

4.1 基于模糊C-均值聚类的诊断决策

聚类的基本思想是：开始将n个样本各自作为一类，并规定样本之间的距离和类与类之间的距离，然后将距离最近的两类合并成一个新类，计算新类与其他类的距离；重复进行两个最近类合并，每次减少一个类，直至所有样本合并为一类。

本文目的是将试验数据分为故障和正常两类，设定FCM类隶属度阈值为δ，对故障集的隶属度大于阈值δ的作为故障类，给出故障诊断决策。

对表3表4中预处理过的数据进行聚类分析，图12是阻性负载下聚类结果树状图，图13是非线性负载的聚类结果树状图。

图12中最左侧一列数据从下到上依次共23组数据，纵坐标表示实验编号（编号见表1），横坐标（图上方）表示个案与个案之间的距离值。通过设定各组数据距离聚类中心的距离进行第1次迭代，将17、22、6、11、7、18、21、15、3、23、12合为一类，5、9、20、4、13、1、2为一类，14、16、19为一类，8为一类，每一类中数据之间最相似，距离最近。

计算新类与其他类的距离后进行第2次迭代，将8并入14、16、19的类。

再次计算新类与其他类的距离进行第3次迭代，将8、14、16、19并入5、9、20、4、13、1、2所在类。此时就剩两类了，即最终经3次迭代将数据分为了两类：17、22、6、11、7、18、21、15、3、23、12组为正常类数据；8、14、16、19、5、9、20、4、13、1、2组为故障类数据，与表2中数据对比可知，该分类完全正确。因此，该方法能实现阻性负载下的故障识别。

同理，对非线性负载的分类如下，第1次迭代将2、6、4、8合为一类，1、5合为一类，3一类，7一类；第2次迭代将3、7合为一类；第3次实现了将1、5、3、7合为一类，2、6、4、8一类。即最终经3次迭代将数据分为了两类，2、6、4、8为正常组，1、5、3、7为故障组，对比表3与图14可知，聚类分析结果正确。因此，该方法能实现非线性负载下的故障识别。

加入非线性负载后的聚类结果如图14，同理，图中在3次迭代后，将数据分成了3类，其中正常组分类完全正确，而故障组把试驗编号24、28的试验数据给排除在外了，即吸尘器负载组的试验，此时聚类分析结果并不完全正确，因此，此处需要人为修正，并用更多实验数据训练调整阈值，以防止此误判。

4.2 对未知负载的电弧故障检测

经多次试验修正后确定阈值，重新选取未知负载的样本300个，负载分别为电阻、电磁炉、微波炉、荧光灯、吸尘器等，利用上述方法进行电弧故障识别。识别结果如表4所示，其中，故障识别率为聚类识别方法成功识别电弧故障次数与实验样本次数的比值。

从识别结果来看，该方法对未知负载的识别依然非常有效，识别准确率相比利用电流进行同类故障检测大大提高，因此可初步判定，该方法不依赖于负载类型，可实现非线性负载情况下串联电弧故障的识别分类问题。

5 结 论

通过对串联电弧故障进行模拟实验，提出一种基于聚类分析和电弧电磁辐射信号的低压电弧故障识别方法，分析得到如下结论：

1）在串联电弧故障识别中，在分析电弧电磁辐射理论的基础上，提出利用电弧辐射的电场、磁场信号作为检测参量的方法，避免了由于大量非线性负荷可能导致线路电流波形与故障电弧电流波形难以区分的问题。

2）提出利用模糊c-均值聚类的方法进行故障识别。首先对实验所采集信号进行滤波以实现信噪分离，之后提取降噪后时域信号的模极大值作为特征值，最后，利用糊c-均值聚类的方法进行故障识别。实验结果表明，在计及距离衰减、屏蔽、非线性负荷干扰以及传感器测量方位等影响因素的条件下，识别准确率均在98%以上，满足故障识别要求。

3）本方法简单易行，识别准确率高，且不需要判断接入的负载类型，具有一定的创新意义。在此研究的基础上，下一步继续研究电弧电极材料等因素对电磁辐射的影响。

参 考 文 献：

[1] ZHANG Ruixiang，SONG Zhengxiang.Arc Fault Detection Method Based on Signal Energy Distribution in Frequency Band[C].2012 AsiaPacific Power and Energy Engineering Conference.27-29 March 2012，Shanghai China： 1-4.

[2] IEC 62606 ed1.0 General requirements for arc fault detection devices[S]，2013.

[3] Underwriter Laboratories Inc.UL standard forsafety for arcfault circuitinterrupters UL 1699[J].2008.

[4] 贾宁，李宏文，魏幼平，等.一种新型电弧故障断路器的研究[J].低压电器，2011，1：18.

JIA Ning，LI Hongwen，WEI Youping，et al.Research of a novel arc fault circuit interrupter[J].Low Voltage Apparatus，2011，1：18.

[5] 陈德桂.低压电弧故障断路器—一种新型低压保护电器[J].低压电器，2007，3：7.

CHEN Degui.The arc fault interrupter—a new low voltage protection apparatus[J].Low Voltage Apparatus，2007，3：7.

[6] CHAI Sim Por，KUAN Lee Choo，LIM You Jian.A study of arc fault current in low voltage switchboard[C].2012 IEEE Conference on Sustainable Utilization and Development in Engineering and Technology.6-9 Oct.，2012，Kuala Lumpur，Malaysia： 52-56.

[7] GREGORY G D，SCOTT G W.The arcfault circuit interrupter： an emerging product[J].IEEE Transactions on Industry Applications，1998，34（5）：928.

[8] 雍静，桂小智，牛亮亮，等.基于自回归参数模型的低压系统串联电弧故障识别[J].电工技术学报.2011，26（8）：213.

YONG Jing，GUIXiaozhi，NIU Liangliang，et al.Series arc fault identification in low voltage system based on autoregressive parameter model[J].Transactions of China Electrotechnical Society，2011，26（8）：213.

[9] 卢永芳.基于信息融合的配电柜故障电弧预报警系统算法研究[D].郑州：河南理工大学，2010.

[10] 余琼芳.基于小波分析及数据融合的电气火灾预报系统及应用研究[D].秦皇岛：燕山大学，2013.

[11] 杨建红，张认成，杜建华.基于多信息融合的故障电弧保护系统的应用研究[J].高压电器，2007，3： 194.

YANG Jianhong，ZHANG Rencheng，DU Jianhua.Study on application of arcing protective system faults based on multiple information fusion[J].High Voltage Apparatus，2007，3： 194.

[12] 仲啟树.基于弧声的故障电弧预测预警保护技术研究[D].福建：华侨大学，2007.

[13] 张瑞祥，耿英三，宋政湘，等.开关柜故障电弧检测与预警方法的新进展[J].电气制造，2012，7： 36.

[14] KIM C J.Electromagnetic Radiation Behavior of LowVoltage Arcing Fault[J].IEEE Transactions on Power Delivery，2009，24（1）： 416.

[15] Micha¨el Rabla，Patrick Schweitzer，Etienne Tisserand.Method to Design Arc Fault Detection Algorithm Using FPGA[C].The 57rd IEEE Holm Conference on Electrical Contacts，11-14 Sept.2011，Minneapolis，MN.

[16] 彭显刚，赖家文，陈奕.基于聚类分析的客户用电模式智能识别方法[J].电力系统保护与控制，2014，19：68.

PENG Xiangang，LAI Jiawen，CHEN Yi.Application of clustering analysis in typical power consumption profile analysis[J].Power System Protection and Control，2014，19：68.

[17] 徐学基.气体放电物理[M].上海：复旦大学出版社，1996：45-47.

[18] 王其平.电器电弧理论[M].北京：机械工业出版社，1991：25-28.

[19] MichelMardiguian.辐射发射控制设计技术[M].北京：科学出版社，2008：45-47.

（编辑：张 楠）