薛 鵬 潘國兵 歐陽靜 陳星星

(浙江工業(yè)大學機械工程學院 杭州 310023)

0 引言

隨著電力工業(yè)發(fā)展,用電設(shè)備不斷增加,低壓配電系統(tǒng)的規(guī)模和容量不斷擴大,同時配電網(wǎng)絡(luò)中超期服役的電氣不斷增加,由電氣引發(fā)火災(zāi)的風險也在增加[1]。電弧故障又是引起電氣火災(zāi)的主要起因之一,現(xiàn)有的空氣開關(guān)等保護措施無法對電弧故障產(chǎn)生保護動作。電弧故障識別技術(shù)是低壓配電線路防護系統(tǒng)中重要的新型保護技術(shù)。交流串聯(lián)電弧故障隨機性高,故障檢測會受電路中不同類型的負載影響,使得電弧故障識別變得困難。同時電弧故障識別裝置安裝在配電網(wǎng)絡(luò)的末端,既要在邊緣側(cè)獨立完成數(shù)據(jù)采集、分析、識別,又要保證準確、快速地識別串聯(lián)電弧故障并對電路進行有效保護是低壓配電線路中急需解決的問題[2]。

近幾年,國內(nèi)外主要研究者提出的電弧故障識別技術(shù)包括電弧數(shù)學模型、電弧物理特性、電弧電流電壓波形以及智能化電弧識別。這4 種電弧故障識別技術(shù)各有優(yōu)缺點,應(yīng)用場合也不同。最早提出的電弧數(shù)學模型是Cassie 黑盒電弧模型[3]和Mayr 電弧模型[4]。在此基礎(chǔ)上,研究者提出了Schavemaker模型[5]、Habedank 電弧模型[6]、Schwarz 電弧模型[7]、Stokes 電弧模型[8]等。劉艷麗等人[9]建立了神經(jīng)網(wǎng)絡(luò)黑匣子模型,并進行仿真分析,用于不適合開展現(xiàn)場試驗電弧故障檢測場景。徐秦樂等人[10]提出采集聲、光和溫度傳感器數(shù)據(jù)的融合算法,克服了單傳感器的不確定性,但多個傳感器的布置造成硬件成本增加。丁鑫等人[11]進行頻譜分析,提取基于諧波含量分析的3 個特征值。蔡杰軒[12]提出基于5 次諧波分量的電弧故障識別方法,但該方法用單一的諧波含量進行識別,誤報率相對較高,抗干擾能力較弱?？娤Ｈ实热薣13]提出檢測負載端電壓的新方法,但負載端的電壓波形收集會受到電弧發(fā)生位置的影響,電壓采集模塊的放置困難。佟為明等人[14]提出基于計算小波高頻分量的周期方差值電弧檢測方法,并將算法移植到單片機中,但只針對一些單一負載進行識別。Han 等人[15]針對電源諧波和非線性負載噪聲的干擾,提出基于核主成分分析(kernel principal components analysis,KPCA)和螢火蟲算法優(yōu)化支持向量機(firefly algorithm support vector machine,FA-SVM)的識別方法,適用一些工業(yè)領(lǐng)域的交流串聯(lián)電弧,但計算量大。蘇晶晶等人[16]基于混沌分形理論,建立基于電弧空間域特征向量和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)的診斷模型,但不適合應(yīng)用在邊緣側(cè)等算力有限的場景中。張麗萍等人[17]對比了極限學習機(extreme learning machine,ELM)、誤差逆向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)和支持向量機(support vector machine,SVM)方法,在電弧識別上的結(jié)果,得出了ELM 算法訓練相對較優(yōu)的結(jié)論。

綜上,在實際的復(fù)雜電氣環(huán)境中,目前提出的識別算法存在只能識別單一負載或者由于算法復(fù)雜、計算量增大、對硬件要求提高、模型固定因而無法在邊緣側(cè)進行適應(yīng)性訓練的情況。而電弧識別裝置要想在實際環(huán)境中安裝和應(yīng)用就不得不考慮裝置成本和計算能力問題。

因此,綜合考慮邊緣計算硬件的算力要求和實際運行中不同類型負載同時工作的情況,本文兼顧時域和頻域,提取周期均值差、脈寬百分比、間諧波因數(shù)及小波高頻能量這4 個特征,提出基于在線序列(online sequential,OS)-誤差最小(error minimization,EM)-極限學習機(ELM),即OS-EM-ELM 算法的邊緣側(cè)電弧故障檢測方法進行故障檢測,引入在線序列訓練方法來提高電弧識別在復(fù)雜電氣環(huán)境下的適應(yīng)性。實例證明,該方法具有計算量小、適應(yīng)能力強、識別精度高的特點,可供電弧故障檢測研究人員參考。

1 交流串聯(lián)電弧故障波形采集

1.1 電弧故障波形采集平臺

為獲取電弧故障的電流數(shù)據(jù)用于特性分析與實驗驗證,搭建一個低壓串聯(lián)電弧故障實驗平臺,采集不同負載、不同電流等級下電弧故障和正常運行的電流信號。根據(jù)GB 14287.4 標準搭建低壓串聯(lián)電弧故障的實驗平臺和裝置,如圖1 所示。

圖1 交流串聯(lián)電弧故障實驗平臺裝置圖

低壓串聯(lián)電弧故障的實驗平臺主要包括:220 V的交流電源、各類不同負載、空氣開關(guān)、電流傳感器、波形采集器和點接觸電弧發(fā)生器。

點接觸電弧發(fā)生器由一個可移動的銅電極、一個靜止的碳電極以及相應(yīng)的絕緣件組成。實驗時先讓動、靜電極良好接觸模擬正常工作狀態(tài),然后控制動、靜電極分離,直至產(chǎn)生串聯(lián)故障電弧。文中有關(guān)的電弧實驗原始數(shù)據(jù)均由此裝置采集。

1.2 電弧故障采集方案

由于在日常生活中的用電器絕大多數(shù)是阻感性的,為模擬現(xiàn)實條件下的負載特性,按表1 選取實驗負載進行實驗,并組建交流串聯(lián)電弧故障數(shù)據(jù)庫。

表1 采集負載類型及額定功率

1.3 采集結(jié)果與分析

為選取合適的特征參數(shù),需要對阻性、感性、阻感性負載波形特性進行研究。以阻性負載電水壺、感性負載吸塵器及阻感性負載電吹風+電機為例,具體分析電弧電流特性。

(1) 阻性負載

從電弧故障數(shù)據(jù)庫分別取出電水壺正常運行和電弧故障的電流波形如圖2 所示,圖2 左側(cè)為正常波形。對比分析發(fā)現(xiàn),阻性負載電水壺在正常工作時的電流波形光滑;電弧故障時,電流在零點附近有明顯平肩部,即“零休”現(xiàn)象,而且每個周期都反復(fù)出現(xiàn),且電流的幅值比正常時低。其他阻性負載例如純電阻、白熾燈等都有類似的特點。

圖2 阻性負載電水壺正常運行和電弧故障時的電流波形

(2) 感性負載

吸塵器在正常運行狀態(tài)和電弧故障時的電流波形分別如圖3 所示,圖3 左側(cè)為正常波形。通過對比分析發(fā)現(xiàn),吸塵器在正常運行時的電流波形近似于三角,具有周期性。吸塵器電弧故障時,在零點附近有明顯的平肩部,電流波形有大量的毛刺。

圖3 感性負載吸塵器正常運行和電弧故障時的電流波形

(3) 阻感性組合負載

阻感性負載選用電機和電吹風的組合,兩者的功率相差不大。電吹風的絕大多數(shù)的功率消耗在電阻絲發(fā)熱上,因此作為阻性負載來源。電吹風和電機在正常運行時和電弧故障時的電流波形如圖4 所示,圖4 左側(cè)為正常波形。通過對比可觀察到阻感性負載正常運行時的電流波形光滑具有周期性。而電弧故障時,每個周期2 次過零點的附近都有較長時間的平肩部,而且每個周期平肩部持續(xù)的長短相差較大。每個周期的幅值變化很明顯。

經(jīng)過上述對比分析可以發(fā)現(xiàn)以下現(xiàn)象。

(1)電弧故障時,電流在零點附近會產(chǎn)生“零休”現(xiàn)象,每次過零點前電弧都會暫時熄滅,之后極間電壓升高,電弧再次點燃。這種點燃熄滅交替的現(xiàn)象每半周期出現(xiàn)一次,在電流上表現(xiàn)為平肩部,并且伴隨著大量毛刺,這是電弧故障最重要的特征之一。

(2)雖然不同類型的負載正常運行時電流波形不盡相同,但每個周波都具有周期性,前后一致性高。電弧故障時,前后波形一致性降低。

(3)電弧故障時的電流幅值一般要比正常時的電流幅值小,這是因為電弧燃燒需要擊穿電極間的空氣介質(zhì),使得線路總阻抗增大。同時有些負載啟停緩慢,在慣性的影響下,在故障時會出現(xiàn)幅值不停波動的現(xiàn)象。

(4)電弧故障時,電流波形明顯發(fā)生畸變,在平肩部的拐點處有明顯的毛刺,且容易產(chǎn)生高頻尖峰,在感性負載中尤為明顯。

2 特征量提取與有效性分析

2.1 周期均值差

電弧電流特性分析中可知正常運行的負載電流波形一般都具有周期性,而電弧故障時的電流波形沒有呈現(xiàn)明顯的周期性現(xiàn)象。針對這一特性提取電流周期均值差,以一個周期為單位,計算每個周期采樣點的均值,后一個周期均值減去前一個周期均值得到周期均值差。計算過程如下。

(1) 假設(shè)每個周期采樣點數(shù)為N,每個采樣點的電流值用i來表示,那么相鄰的2 個電流值就是ik、ik-1,電流的平均值用Iaver表示。

(2) 相鄰周期均值差用Isub表示。

從建立的電弧數(shù)據(jù)庫中分別取出正常運行和電弧故障的電流波形數(shù)據(jù),每種負載取100 個樣本。以一個周期為單位,分別計算正常運行和電弧故障相鄰周期的均值差,并對計算結(jié)果求均值。

表2 反映了不同負載在正常和故障時具體的波動范圍,可觀察到負載在不同狀態(tài)下周期均值差存在數(shù)量級上的區(qū)別?？梢娭芷诰挡钍且粋€反映電弧的時域特征的較好特征。

2.2 脈寬百分數(shù)

在交流線路中發(fā)生電弧故障時,電弧由于其放電特性在零點附近出現(xiàn)“零休”現(xiàn)象。電弧故障時電流幅值會有比較長的一段時間在零點附近。根據(jù)此特性可以用它判斷電弧故障是否發(fā)生。脈寬百分數(shù)的計算步驟為:

(1)獲取離散波形信號,以{x1,x2,…,xN} 表示。

(2)對信號取絕對值即{|x1|,|x2|,…,|xN|}。歸一化處理,并統(tǒng)計集合內(nèi)在k1、k2之間的元素的個數(shù)n。

(3)計算n所占樣本周期內(nèi)所有點的比重,即Z=(n/N)×100%。

經(jīng)過實驗和分析波形數(shù)據(jù),綜合選取k1=0.005,k2=0.5。按上述計算步驟,對熱水壺+吸塵器的正常和故障的波形數(shù)據(jù)進行計算,獲得結(jié)果如圖5所示。從圖中可以看出,脈寬百分數(shù)能對不同運行狀態(tài)進行區(qū)分,故該參數(shù)可以作為邊緣側(cè)電弧識別的一個有效特征。

圖5 熱水壺+吸塵器的脈寬參數(shù)特征圖

2.3 部分間諧波因數(shù)

從頻域方面考慮,電弧故障時時域波形發(fā)生畸變,頻域也會產(chǎn)生變化。部分間諧波因數(shù)是采樣波形經(jīng)快速傅里葉變換(fast Fourier transform,FFT)后,相對于基頻非整數(shù)倍的部分間諧波幅值跟基頻的幅值之比,取fk=25× (2k-1)。計算公式為

其中,I2k-1為k次間諧波幅值,I0為基頻幅值,hk是k次間諧波因數(shù)。為確定k的合適取值,對數(shù)據(jù)庫中的波形數(shù)據(jù)進行分析。

阻感性負載的正常運行和電弧故障的間諧波因數(shù)如圖6 所示。正常時的間諧波因數(shù)幾乎沒有變化,在零點附近徘徊,故障時1、2 次間諧波因數(shù)發(fā)生較大變化,之后逐漸降低。數(shù)據(jù)庫中其他類型的負載也有相同的趨勢,故提取第1、2 次的間諧波因數(shù)作為識別電弧的頻域特征。

圖6 阻感性負載波形間諧波因數(shù)圖

2.4 小波高頻分量的能量

從電弧電流特性分析中可知電弧電流波形在平肩末端的階躍拐點處有明顯的毛刺,且出現(xiàn)尖峰。針對這一特性對電流信號進行小波分解重構(gòu),觀察平肩末端的階躍拐點和尖峰處高頻分量的分布情況。

以阻性負載電水壺為例,分別取出正常運行時和電弧故障時電流信號數(shù)據(jù),歸一化處理之后,用db4 進行小波3 層的分解和重構(gòu)。電水壺正常運行和電弧故障的小波分解重構(gòu)如圖7 所示,電弧故障時的d1、d2、d3 這3 層小波高頻分量明顯比正常運行時大,電弧電流波形在平肩末端的拐點處有明顯的高頻成分。d2 層的小波高頻分量相較于d1、d3 能更好地區(qū)分2 種狀態(tài)。

圖7 電水壺正常運行和電弧故障的小波分解重構(gòu)圖

感性負載吸塵器、阻感性負載電吹風+電機等等也都有類似的特點。d2 層小波高頻分量的能量計算公式為

式中,N為每周期的采樣點數(shù),d2(n) 為小波分解第2 層的小波高頻分量。

不同負載正常運行和電弧故障小波高頻分量的周期能量對比如圖8 所示。電弧故障小波高頻分量的周期能量可以有效區(qū)分正常運行和電弧故障這2種狀態(tài),可以作為電弧故障識別的特征。

圖8 不同負載正常運行和電弧故障小波高頻分量的周期能量對比圖

3 邊緣側(cè)串聯(lián)電弧故障識別算法研究

3.1 極限學習機

在邊緣計算領(lǐng)域,算力是十分有限的資源。極限學習機(ELM)作為一種機器學習算法,在標簽分類領(lǐng)域有廣泛的應(yīng)用,其網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖9 所示。極限學習機只有一層隱含層,隱含層節(jié)點數(shù)影響準確度和計算量。

圖9 ELM 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

得益于ELM 的隨機化權(quán)值和偏置,極限學習機的訓練速度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(如BP 算法)速度快百倍之多。綜合分析算力與精度,極限學習機算法十分適合在邊緣側(cè)應(yīng)用。

3.2 誤差最小化改進極限學習機

不同于傳統(tǒng)ELM 人為規(guī)定隱含層節(jié)點個數(shù),誤差最小化極限學習機(error minimized ELM,EMELM)模型通過構(gòu)造法逐步添加隱含層節(jié)點個數(shù),通過誤差最小化的方法確定最優(yōu)解。EM-ELM 訓練分為2 個階段。

初始化階段構(gòu)造一個具有L0個隱含節(jié)點的前饋神經(jīng)網(wǎng)絡(luò),選取電弧故障數(shù)據(jù)庫N0組數(shù)據(jù),隨機產(chǎn)生輸入權(quán)值矩陣wi,偏置矩陣bi,給定激活函數(shù)f(x),其中i=1、2、…、,N0≥。矩陣公式如下:

EM-ELM 的訓練時間較ELM 有所增加,訓練時間受到給定期望殘差和初始隱含層節(jié)點個數(shù)的影響,但是依然對BP 神經(jīng)網(wǎng)絡(luò)有著數(shù)量級的優(yōu)勢。

3.3 EM-ELM 在線序列訓練實現(xiàn)

為適應(yīng)復(fù)雜的電氣環(huán)境,提出根據(jù)本地數(shù)據(jù)進行OS-EM-ELM 訓練,流程如下。

此時新的隱含層輸出矩陣變?yōu)?

(2)重新計算輸出權(quán)重矩陣:

此時令k=k+1,完成一次在線序列迭代,每次訓練重復(fù)迭代過程。在線訓練可以使權(quán)重矩陣在原有基礎(chǔ)上更新而不是每一次都重新訓練。得益于ELM 類算法的計算量小的特點,OS-EM-ELM 訓練可以很好適應(yīng)邊緣計算的要求。

4 邊緣側(cè)電弧故障識別步驟

在電網(wǎng)末端配電箱中對回路的交流電信號進行高精度的實時采集,對該采樣數(shù)據(jù)在時間序列上進行完整性檢驗,通過時基計時器和一個周期的采樣點數(shù)來確保周期的完整性和同步性。

根據(jù)第2 節(jié)電弧電流特征提取與分析,采用時域特征周期均值差、脈寬百分數(shù)、頻域特征第1、2 次的部分間諧波因數(shù)及能量域特征小波高頻分量的周期能量,組成面向邊緣側(cè)電弧識別的特征指標,降低單一特征帶來的不穩(wěn)定性。周期均值差的標準差和脈寬百分數(shù)通過所列公式進行計算。采用按時間抽取的基2-FFT 算法提取第1、2 次的間諧波因數(shù)特征。小波高頻分量周期能量特征是在小波變換得到的高頻分量基礎(chǔ)之上進行周期能量計算。將提取的4 種特征作為EM-ELM 模型的輸入,模型經(jīng)過神經(jīng)網(wǎng)絡(luò)運算輸出該樣本的識別結(jié)果標簽。當模型判斷該樣本為故障樣本時,故障特征量累加器ARC_NUM 執(zhí)行累加操作。

根據(jù)GB 14287.4 相關(guān)國家標準,當被探測線路在1 s 內(nèi)發(fā)生14 個及以上半周期的故障電弧時,則判定為故障電弧。在1 s 窗口內(nèi)ARC_NUM 超過該閾值,則認為線路發(fā)生了電弧故障,并對故障標志位ARC_FAULT 置1。

為適應(yīng)復(fù)雜的電氣環(huán)境,提出在線序列OS-EMELM 訓練方法進行權(quán)重矩陣迭代,現(xiàn)場獲取參數(shù)后需要剔除漏檢和誤報數(shù)據(jù)以免污染樣本庫,總體流程如圖10 所示。當監(jiān)測的場景發(fā)生變化,整個電路整體阻抗、感抗發(fā)生改變,電流特性與初始訓練的樣本相比發(fā)生較大偏離,OS-EM-ELM 訓練方法能在邊緣側(cè)快速適應(yīng)并更新權(quán)值參數(shù),提高識別準確率。權(quán)值的更新頻率通過程序設(shè)定,更新頻率高對實時計算的要求高,反之則對裝置存儲數(shù)據(jù)的容量要求高。

圖10 邊緣側(cè)電弧故障識別流程圖

5 實驗驗證與分析

5.1 EM-ELM 算法實驗

本文提出基于EM-ELM 適應(yīng)邊緣側(cè)的電弧識別算法,為驗證該電弧識別方法的有效性,對電弧故障檢測算法初始化訓練后進行實驗測試。以下極限學習機的計算結(jié)果均是相同初始條件下10 次獨立運行取平均值。

從第1 節(jié)建立的數(shù)據(jù)庫中獲取不同場景的2200 個樣本,其中1100 個正常樣本、1100 個故障樣本。根據(jù)第2 節(jié)的方法,提取所有樣本的4 個特征。將這些場景的正常故障各100 個樣本中隨機各抽取80 個樣本,作為訓練集,剩下的作為測試集;正常樣本標簽為1,故障樣本標簽為2。

在CPU 為3.4 GHz 條件下下,EM-ELM 初始節(jié)點設(shè)置為20,殘差期望0.002。BP 使用隱含節(jié)點尋優(yōu),起始節(jié)點數(shù)為3,迭代限制20 次。SVM 采用fitcsvm 函數(shù)。對比EM-ELM、BP、SVM 算法,結(jié)果如表3 所示。

表3 EM-ELM、BP、SVM 算法對比

在相同情況下,計算量的大小可由訓練時間長短直觀地呈現(xiàn)。得益于ELM 的隨機化權(quán)值和偏置,極限學習機的訓練速度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(如BP 算法)速度快很多。EM-ELM 可以優(yōu)化節(jié)點數(shù)目,達到預(yù)期精度。

記錄EM-ELM 每次迭代訓練時的殘差和訓練集準確率如圖11 所示。從圖中可以看出,隨著迭代次數(shù)的增加殘差和訓練準確度變化趨于平緩,之后迭代的效率就會非常低,且容易陷入過擬合。通過設(shè)定期望殘差0.002 使迭代在21 次停止,EM-ELM相比于傳統(tǒng)ELM 通過殘差最小化方法在提升準確率的同時可控制計算的復(fù)雜度。綜合分析訓練用時與精度,極限學習機算法十分適合在邊緣側(cè)應(yīng)用。

圖11 EM-ELM 殘差和訓練集準確率于迭代次數(shù)的關(guān)系

EM-ELM 最終輸出的測試集結(jié)果如圖12 所示。各測試樣本所對應(yīng)的實驗場景如表4 所示。從結(jié)果可以看出,EM-ELM 的電弧故障總體識別率比較高,以1.5 做為閾值,測試集識別正確率達到了99.33%。EM-ELM 判別是總體程序的一部分,依據(jù)總體識別方法的設(shè)計,只有EM-ELM 模型在一段時間內(nèi)連續(xù)發(fā)生多次誤判,到達判斷閾值之后,該識別方法才會產(chǎn)生誤動作。

表4 EM-ELM 訓練輸出樣本對照表

圖12 EM-ELM 訓練輸出

5.2 在線序列EM-ELM 實驗

分析第341～360 號電水壺+吸塵器故障樣本,該樣本故障時電流波形平肩部狹窄且偏離零點較遠,其4 個特征值偏離其他樣本較遠,由此出現(xiàn)了識別不穩(wěn)定。本文提出的OS-EM-ELM 訓練方法能應(yīng)對這種情況。根據(jù)表5 樣本設(shè)計實驗,樣本均來自第1 節(jié)建立的數(shù)據(jù)庫,各樣本集之間沒有交集。

表5 在線序列EM-ELM 實驗樣本

(1)首先使用樣本集1 訓練EM-ELM 模型,使用樣本集2 為測試集,記錄識別結(jié)果編號為0～60。

(2)運用第4 節(jié)提出的OS-EM-ELM 訓練方法,將樣本集2 作為新增樣本加入總訓練集,以樣本集3 為測試集,記錄識別結(jié)果編號為61～120。

(3)將樣本集3 作為新增樣本加入總訓練集,以樣本集4 為測試集,記錄識別結(jié)果編號為121～180。

將在線序列實驗結(jié)果匯總獲得圖13。從結(jié)果可以看出,經(jīng)過在線訓練,以1.5 為閾值,識別錯誤的樣本從4 個降為0 個,識別精度提升明顯,輸出的穩(wěn)定性增加?？梢娨朐谶吘墏?cè)的在線序列訓練對識別率的提高有重要作用。

圖13 在線序列EM-ELM 實驗結(jié)果

5.3 邊緣側(cè)電弧識別方法泛化性能實驗

結(jié)合GB 14287.4 相關(guān)國家標準進行測試。采用應(yīng)急管理部沈陽消防研究所研發(fā)的AFD100 電弧模擬檢測系統(tǒng),如圖14 所示,系統(tǒng)包含算法未知的新樣本,以驗證邊緣側(cè)電弧識別算法的泛化性能。

圖14 AFD100 電弧模擬檢測系統(tǒng)

(1) 電弧故障實驗

分別對不同的負載類型進行電弧故障實驗,實驗次數(shù)和識別率如表6 所示。

表6 不同負載類型電弧故障實驗結(jié)果

(2) 誤報警實驗

誤報警是驗證電弧故障檢測裝置在復(fù)雜電氣條件干擾下是否會發(fā)生報警。實驗要求和結(jié)果如表7所示。

表7 誤報警試驗負載的相關(guān)要求及實驗結(jié)果

電弧故障的實驗結(jié)果表明,電弧故障識別方法的識別率可以達到96%以上,誤報警實驗結(jié)果小于2%。

6 結(jié)論

電弧故障的高度隨機性、復(fù)雜性使得其難以被準確識別。針對當前復(fù)雜電弧識別算法計算量大、對硬件算力要求高、但電弧故障檢測裝置分布在電網(wǎng)的末端又需要有一定的自主判斷和適應(yīng)能力這一需求,提出了基于OS-EM-ELM 的邊緣側(cè)電弧識別方法。使用周期均值差、脈寬百分數(shù)、第1 和2 次部分間諧波因數(shù)及小波高頻分量能量作為電弧故障識別輸入特征,為交流串聯(lián)電弧故障識別提供可靠的數(shù)據(jù)支持。

理論分析和實驗結(jié)果表明,本文所提出的邊緣側(cè)電弧故障檢測方法,結(jié)合了EM-ELM 和在線序列學習,具有計算量小、識別準確度高、適應(yīng)性強以及應(yīng)用成本低的特點,可為電弧檢測研究及邊緣側(cè)電弧故障保護器的研制提供一種可靠方法和思路。