CN103278711A

CN103278711A - 一种短路故障与串联电弧故障的早期检测与辨识方法

Info

Publication number: CN103278711A
Application number: CN2013101553888A
Authority: CN
Inventors: 缪希仁; 吴晓梅; 唐金城
Original assignee: Fuzhou University
Current assignee: JIANGSU LUOKAI MECHANICAL & ELECTRICAL Co.,Ltd.
Priority date: 2013-04-28
Filing date: 2013-04-28
Publication date: 2013-09-04
Anticipated expiration: 2033-04-28
Also published as: CN103278711B

Abstract

本发明公开了一种短路故障及串联电弧故障早期检测辨识的方法，通过使用该方法可以仅用一套检测装置即可实现短路故障及串联电弧故障的早期检测与辨识。该方法先对线路电流进行A/D采样，然后利用软件滤波算法滤除噪声干扰，进而利用算法提取出滤波后的信号中的特征量，最后利用该特征量进行两种故障的早期检测与辨识。

Description

一种短路故障与串联电弧故障的早期检测与辨识方法

技术领域

本发明属于电气线路故障检测领域，特别是涉及电弧故障和短路故障的同时早期检测与辨识。

背景技术

历年来的火灾事故中，电气火灾所占比例始终居于高位。电弧故障是引起电气火灾的重要原因之一。电弧故障的故障电流值与负载额定电流值在一定条件下可比拟，然而传统的断路器等开关保护元件难以检测到电弧故障，无法起到有效的保护作用。因此，对电弧故障的有效检测在防范电气火灾的发生中就显得尤为重要。

短路故障是低压配电***中最常见也是危害最大的故障类型之一，传统的断路器等开关元件虽然能检测或切断短路故障，但它们对短路故障的识别是通过检测线路电流的幅值是否超过了额定电流的8-10倍来实现的。这样的检测方法检测速度较慢，大的短路电流所产生的热和力的效应会对***的电气设备造成很大的威胁，对电气设备与保护开关的动热稳定性也提出了较高的要求。因此，需要研究出一种新的短路故障的检测方法，对短路故障进行早期检测，并配合快速的执行机构，将故障消灭在萌芽状态，从而提高电气设备的保护性能。

目前，国内外分别针对电弧故障或短路故障的检测方法都进行了大量的研究，也取得了一些成果。例如：利用故障电弧电流中的“零休”现象、正负半波不对称、含有丰富的高频分量等特征或者是根据电弧发生时所产生的物理量来检测故障电弧；利用基于回归分析的峰值预测法、电压跌落法、小波分析法等方法实现对短路故障的早期检测。但这些研究都是单独地针对电弧故障或者是短路故障，并未将二者放在同一个检测装置中考虑，本发明将采用一种算法且在一个装置中，实现短路故障与串联电弧故障的早期检测与故障辨识，克服了现有配电线路保护装置功能单一、结构复杂、经济性考虑不足等缺点。

发明内容

本发明的目的是提供了一种短路故障及串联电弧故障早期检测辨识的方法，通过该方法可以有效地实现在一个装置中，同时对故障电弧及短路故障的早期检测与故障辨识。

本发明采用以下方案实现：一种短路故障与串联电弧故障的早期检测与辨识方法，其特征在于：包括以下步骤：

S01：对电流信号进行固定采样频率的A/D采样，然后对采样信号进行形态滤波算法滤除信号中的脉冲噪声；

S02：对滤波后的信号进行小波包细节分解得到细节分量dd5，该细节分量dd5的瞬时值即为短路故障的特征量；

S03：判断当前得到细节分量dd5是否超过短路故障的阈值；若超过，判断线路上发生了短路故障；

S04：重复以上步骤，当采样点达到一个周期后，计算该周期的细节分量dd5的最大值，该值即为电弧故障的特征量；

S05：判断当前周期的细节分量dd5最大值是否超过了电弧故障的设定阈值；若否，跳到步骤S06；若是，判断该周期发生了电弧，电弧发生周期计数加一，跳到步骤S07；

S06：判断是否连续多个周期的各尺度细节分量最大值变化不大；若是，判断该时段内线路正常运行，则根据正常运行时小波包细节分解的到的细节分量dd5更新特征量的基准值，之后跳到步骤S01；若否，跳到步骤S07；

S07：判断连续25个周期中发生电弧的周期数是否超过了8.5个；若是，判断线路上发生了电弧故障；若不是，跳到步骤S01，进入新一轮的检测循环。

本发明可以仅用一套检测装置即可实现短路故障及串联电弧故障的早期检测与辨识，方法简单，具有较好的使用价值。

附图说明

图1为本发明的软件处理流程图。

图2为小波包细节分解算法示意图。

图3为本发明具体实施方式中阈值自适应更新的流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种短路故障及串联电弧故障早期检测辨识的方法，先对线路电流进行A/D采样，然后利用软件滤波算法滤除噪声干扰，进而利用算法提取出滤波后的信号中的特征量，最后将该特征量与设定的两种故障的阈值进行比较，从而同时实现两种故障的早期检测与辨识。其中，滤波算法采用形态小波滤波算法；特征量的提取算法采用小波包细节分解算法；所提取的特征量为电流信号经小波包细节分解后得到的细节分量

的瞬时值与周期最大值。在故障判定中，对于短路故障的判定是通过检测瞬时的细节分量dd5是否超过设定的短路故障阈值；而对于电弧故障的判定，则是通过检测该细节分量dd5的周期最大值是否超过设定阈值来先判断该周期是否发生了电弧，然后通过判断连续25个周期内有电弧的周期数是否超过了8.5个。

短路电流的变化率会在故障发生后极短的时间内剧增，而电弧故障的故障电流也存在明显的奇异性。小波变换具有较好的突变信号检测能力及一定的消噪能力，采用多尺度小波分解得到的细节分量既能反应出信号的变化率大小，又能消除一定的噪声。目前，国内已有研究人员利用多尺度小波分解算法来检测短路电流或电弧故障。但是，短路故障电流的变化规律与短路瞬间电源电压或电流的相位有密切的关系，存在个别故障初相角下的短路电流波形较光滑，利用多尺度小波分解得到的故障特征量也不明显，因此本发明中采用小波包细节分解算法对利用三次B样条小波分解得到的第四尺度细节分量进行进一步的分解得到细节分量dd5，并以此作为故障特征量，从而在硬件运算能力允许的情况下进一步放大故障特征，达到更优的检测效果。由于小波降噪仅能较好地滤除白噪声，而对于脉冲噪声不能起到明显的作用。因此，在小波分解之前要加一级形态滤波器来滤除信号中的脉冲噪声。

本方案的具体实施步骤如下：

（1）对电流信号进行固定采样频率的A/D采样，然后对采样信号进行形态滤波算法滤除信号中的脉冲噪声。

（2）对滤波后的信号进行小波包细节分解得到细节分量dd5，该dd5的瞬时值即为短路故障的特征量。

（3）判断当前得到细节分量dd5是否超过短路故障的阈值（该阈值设定为正常运行时细节分量dd5的周期最大值的倍数）。若超过，判断线路上发生了短路故障。

（4）重复以上步骤，当采样点达到一个周期后，计算该周期的细节分量dd5的最大值，该值即为电弧故障的特征量。

（5）判断当前周期的细节分量dd5最大值是否超过了电弧故障的设定阈值。若否，跳到步骤（6）；若是，判断该周期发生了电弧，电弧发生周期计数加一，跳到步骤（7）。

（6）判断是否连续多个周期的各尺度细节分量最大值变化不大。若是，判断该时段内线路正常运行，则根据正常运行时小波包细节分解的到的细节分量dd5更新特征量的基准值（即同时更新了故障阈值），之后跳到步骤（1）；若否，跳到步骤（7）。

（7）判断连续25个周期（该周期可以是0.5s）中发生电弧的周期数是否超过了8.5个。若是，判断线路上发生了电弧故障。

（8）结束本次故障检测，返回步骤（1）进入下一个循环，开始新一轮的线路短路与电弧故障检测及辨识的在线监测。

下面对上述步骤中的特征量提取算法、故障阈值的自适应变化做进一步的解释。

（1）故障特征量提取算法——小波包分解算法

小波变换是目前应用较广泛的时频域分析工具。基于多分辨率分析的小波变换是利用正交小波基将信号分解为不同尺度下的各个分量，其实现过程相当于重复使用一组高通和低通滤波器，对时间序列信号进行逐步分解，高通滤波器产生信号的高频细节分量低通滤波器产生信号的低频平滑分量

。但是，小波变换的多分辨率分析仅将平滑分量进行逐级分解，随着分解尺度的增大，相应的小波基函数的频域分辨率变好，而时域分辨率变差，即由小波分解得到第四尺度细节分量

虽然有较好的时域分辨率但其频域分辨率确较差。因此，后来有学者在小波变换的基础上提出了小波包变换，将各尺度下的细节分量

进行进一步的分解，从而分解得到的细节分量同时具有较好的时域分辨率与频域分辨率。

小波包细节分解算法引用了小波包分解算法的思想，仅对经多尺度小波分解得到的第四尺度细节分量做进一步的分解，得到细节分量从而在硬件运算能力允许的情况下提高信号高频部分频率的分辨率，更好的应用于故障早期检测。如下是小波包分解算法的数学模型：

\{\begin{matrix} {S_{2^{1}}}^{(0)} = h_{- 1} {S_{2^{0}}}^{(0)} f (n + 1) + h_{0} {S_{2^{0}}}^{(0)} f (n) + h_{1} {S_{2^{0}}}^{(0)} f (n - 1) h_{2} {S_{2^{0}}}^{(0)} f (n - 2) \\ = \frac{1}{8} {S_{2^{0}}}^{(0)} f (n + 1) + \frac{3}{8} {S_{2^{0}}}^{(0)} f (n - 1) + \frac{1}{8} {S_{2^{0}}}^{(0)} f (n - 2) \\ {S_{2^{2}}}^{(0)} f (n) = h_{- 1} {S_{2^{1}}}^{(0)} f (n + 2) + h_{0} {S_{2^{1}}}^{(0)} f (n) + h_{1} {S_{2^{1}}}^{(0)} f (n - 2) + h_{2} {S_{2^{1}}}^{(0)} f (n - 4) \\ = \frac{1}{8} {S_{2^{1}}}^{(0)} f (n + 2) + \frac{3}{8} {S_{2^{1}}}^{(0)} f (n) + \frac{3}{8} {S_{2^{1}}}^{(0)} f (n - 2) + \frac{1}{8} {S_{2^{1}}}^{(0)} f (n - 4) \\ {S_{2^{3}}}^{(0)} f (n) = h_{- 1} {S_{2^{2}}}^{(0)} f (n + 4) + h_{0} {S_{2^{2}}}^{(0)} f (n) + h_{1} {S_{2^{2}}}^{(0)} f (n - 4) + h_{2} {S_{2^{2}}}^{(0)} f (n - 8) \\ = \frac{1}{8} {S_{2^{2}}}^{(0)} f (n + 4) + \frac{3}{8} {S_{2^{2}}}^{(0)} f (n) + \frac{3}{8} {S_{2^{2}}}^{(0)} f (n - 4) + \frac{1}{8} {S_{2^{2}}}^{(0)} f (n - 8) \\ {W_{2^{4}}}^{(1)} f (n) = g_{0} {S_{2^{3}}}^{(0)} f (n) + g_{1} {S_{2^{3}}}^{(0)} f (n - 8) = - 2 ({S_{2^{3}}}^{(0)} f (n) - {S_{2^{3}}}^{(0)} f (n - 8)) \end{matrix} - - - (1)

\{\begin{matrix} {S_{2^{5}}}^{(2)} f (n) = h_{- 1} {W_{2^{4}}}^{(1)} f (n + 16) + h_{0} {W_{2^{4}}}^{(1)} f (n) + h_{1} {W_{2^{4}}}^{(1)} f (n - 16) + h_{2} {W_{2^{4}}}^{(1)} f (n - 32) \\ = \frac{1}{8} {W_{2^{4}}}^{(1)} f (n + 16) + \frac{3}{8} {W_{2^{4}}}^{(1)} f (n) + \frac{3}{8} {W_{2^{4}}}^{(1)} f (n - 16) + \frac{1}{8} {W_{2^{4}}}^{(1)} F (N - 32) \\ {W_{2^{5}}}^{(3)} f (n) = g_{0} {W_{2^{4}}}^{(1)} f (n) + g_{1} {W_{2^{4}}}^{(1)} f (n - 16) = - 2 ({W_{2^{4}}}^{(1)} f (n) - {W_{2^{4}}}^{(1)} f (n - 16)) \end{matrix} - - - (2)

公式（1）为三次B样条分解的数学模型，其中，

为输入信号，

分别为第一到第三尺度小波分解得到的平滑分量，

为小波分解得到的第四尺度细节分量，h_i、g_i分别为相应低通、高通滤波器的有限脉冲响应系数；公式（2）为小波包细节分解的数学模型，其中，

为将进一步分解得到的平滑分量与细节分量，h_i、g_i分别为相应低通、高通滤波器的有限脉冲响应系数。

（2）故障阈值自适应变化的具体实现步骤

由于线路参数的变化（例如：负载的投入或切除、电机的启动等）会引起线路中电压电流波形的变化，而不同负载或负载动态转换情况下检测装置提取到的特征量的值是不一样的。如果设置故障的阈值为一个固定的量，则会使得检测装置无法适应于这种变化，从而不能有效的检测到故障或产生误判。因此，本发明中采用故障阈值自适应变化的故障判断方法，将正常运行时电流的细节分量dd5的周期最大值作为一个基准值（XJMAXreg），设置故障的阈值为该基准值的N倍，且在判断线路为正常运行时更新该基准值，从而实现故障阈值自适应于线路负载情况变化。

本发明中将线路参数变化分为无运行（零电流）、正常运行、负载变化、启动、潜在故障等五种情况。在软件处理中，先判断出当前周期线路处于上述哪一种情况，然后在判断线路正常运行时更新该基准值。具体步骤如下：（初始设置XJMAXreg=0）

（1）判断当前周期细节分量dd5的最大值XJMAX与XJMAXreg是否相差不大。若是，进入步骤（2）；若否，进入步骤（3）。

（2）判断XJMAXreg是否等于零。若是，判断为无运行（零电流）情况；若否，判断为正常运行情况。如果有连续几个周期的XJMAX与XJMAXreg都相差不大（一般可按|XJMAX-XJMAXreg|/XJMAXreg≤15%以内设定或根据实际情况加以适当调整），则取这几个周期XJMAX的平均值作为新的XJMAXreg。

（3）判断XJMAXreg是否等于零。若是，判断为启动情况，当连续有多个周期的XJMAX相差不大时，更新XJMAXreg为这几个周期XJMAX的平均值；若否，判断为负载变化情况或潜在故障情况，进入步骤（4）。

（4）判断是否有多个周期的XJMAX相差不大（一般可按|XJMAX-XJMAXreg|/XJMAXreg≤15%以内设定或根据实际情况加以适当调整）。若是，判断为负载变化情况，更新XJMAXreg为这几个周期XJMAX的平均值；若否，判断为潜在故障情况，进行相应的故障判断。

（5）故障阈值更新。更新短路故障的阈值为N1*XJMAXreg，串联电弧故障阈值为N2*XJMAXreg。

本发明不局限于以上具体的实施方式，只要采用了本发明的使用同一软件处理流程及算法在同一检测装置中同时实现对短路故障及串联电弧故障的早期检测与辨识的，无论采用何种滤波算法或特征量提取算法，都落入本发明的保护范围。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims

1.一种短路故障与串联电弧故障的早期检测与辨识方法，其特征在于：包括以下步骤：

S01：对电流信号进行固定采样频率的A/D采样，然后对采样信号进行滤波算法滤除信号中的脉冲噪声；

S07：判断连续25个周期中发生电弧的周期数是否超过了8.5个；若是，判断线路上发生了电弧故障；若否，跳到步骤S01，进入新一轮的检测循环。

2.根据权利要求1所述的短路故障与串联电弧故障的早期检测与辨识方法，其特征在于：所述的滤波算法是形态小波滤波算法。

3.根据权利要求1所述的短路故障与串联电弧故障的早期检测与辨识方法，其特征在于：所述阈值的设定为正常运行时细节分量dd5的周期最大值的倍数。

4.根据权利要求1所述的短断路故障与串联电弧故障的早期检测与辨识方法，其特征在于：所述小波包分解仅对经多尺度小波分解得到的第四尺度细节分量

做进一步的分解，得到细节分量其数学模型：

\{\begin{matrix} {S_{2^{1}}}^{(0)} = h_{- 1} {S_{2^{0}}}^{(0)} f (n + 1) + h_{0} {S_{2^{0}}}^{(0)} f (n) + h_{1} {S_{2^{0}}}^{(0)} f (n - 1) h_{2} {S_{2^{0}}}^{(0)} f (n - 2) \\ = \frac{1}{8} {S_{2^{0}}}^{(0)} f (n + 1) + \frac{3}{8} {S_{2^{0}}}^{(0)} f (n - 1) + \frac{1}{8} {S_{2^{0}}}^{(0)} f (n - 2) \\ {S_{2^{2}}}^{(0)} f (n) = h_{- 1} {S_{2^{1}}}^{(0)} f (n + 2) + h_{0} {S_{2^{1}}}^{(0)} f (n) + h_{1} {S_{2^{1}}}^{(0)} f (n - 2) + h_{2} {S_{2^{1}}}^{(0)} f (n - 4) \\ = \frac{1}{8} {S_{2^{1}}}^{(0)} f (n + 2) + \frac{3}{8} {S_{2^{1}}}^{(0)} f (n) + \frac{3}{8} {S_{2^{1}}}^{(0)} f (n - 2) + \frac{1}{8} {S_{2^{1}}}^{(0)} f (n - 4) \\ {S_{2^{3}}}^{(0)} f (n) = h_{- 1} {S_{2^{2}}}^{(0)} f (n + 4) + h_{0} {S_{2^{2}}}^{(0)} f (n) + h_{1} {S_{2^{2}}}^{(0)} f (n - 4) + h_{2} {S_{2^{2}}}^{(0)} f (n - 8) \\ = \frac{1}{8} {S_{2^{2}}}^{(0)} f (n + 4) + \frac{3}{8} {S_{2^{2}}}^{(0)} f (n) + \frac{3}{8} {S_{2^{2}}}^{(0)} f (n - 4) + \frac{1}{8} {S_{2^{2}}}^{(0)} f (n - 8) \\ {W_{2^{4}}}^{(1)} f (n) = g_{0} {S_{2^{3}}}^{(0)} f (n) + g_{1} {S_{2^{3}}}^{(0)} f (n - 8) = - 2 ({S_{2^{3}}}^{(0)} f (n) - {S_{2^{3}}}^{(0)} f (n - 8)) \end{matrix} - - - (1)

\{\begin{matrix} {S_{2^{5}}}^{(2)} f (n) = h_{- 1} {W_{2^{4}}}^{(1)} f (n + 16) + h_{0} {W_{2^{4}}}^{(1)} f (n) + h_{1} {W_{2^{4}}}^{(1)} f (n - 16) + h_{2} {W_{2^{4}}}^{(1)} f (n - 32) \\ = \frac{1}{8} {W_{2^{4}}}^{(1)} f (n + 16) + \frac{3}{8} {W_{2^{4}}}^{(1)} f (n) + \frac{3}{8} {W_{2^{4}}}^{(1)} f (n - 16) + \frac{1}{8} {W_{2^{4}}}^{(1)} F (N - 32) \\ {W_{2^{5}}}^{(3)} f (n) = g_{0} {W_{2^{4}}}^{(1)} f (n) + g_{1} {W_{2^{4}}}^{(1)} f (n - 16) = - 2 ({W_{2^{4}}}^{(1)} f (n) - {W_{2^{4}}}^{(1)} f (n - 16)) \end{matrix} - - - (2)

公式（1）为三次B样条分解的数学模型，其中，

为输入信号，

分别为第一到第三尺度小波分解得到的平滑分量，为小波分解得到的第四尺度细节分量，h_i、g_i分别为相应低通、高通滤波器的有限脉冲响应系数；公式（2）为小波包细节分解的数学模型，其中，

为将

进一步分解得到的平滑分量与细节分量，h_i、g_i分别为相应低通、高通滤波器的有限脉冲响应系数。

5.根据权利要求1所述的短路故障与串联电弧故障的早期检测与辨识方法，其特征在于：所述阈值采用自适应变化，其实现步骤如下：

S51：初始设置XJMAXreg=0，判断当前周期细节分量dd5的最大值XJMAX与基准值XJMAXreg是否相差不大，若是，进入步骤S52；若否，进入步骤S53；

S52：判断XJMAXreg是否等于零；若是，判断为无运行情况；若否，判断为正常运行情况；如果有连续M个周期的XJMAX与XJMAXreg都相差不大，即|XJMAX-XJMAXreg|/XJMAXreg≤15%以内，则取这M个周期XJMAX的平均值作为新的XJMAXreg；其中，M为自然数；

S53：判断XJMAXreg是否等于零；若是，判断为启动情况，当连续有多个周期的XJMAX相差不大时，更新XJMAXreg为这M个周期XJMAX的平均值；若否，判断为负载变化情况或潜在故障情况，进入步骤S54；

S54：判断是否有多个周期的XJMAX相差不大，即|XJMAX-XJMAXreg|/XJMAXreg≤15%以内；若是，判断为负载变化情况，更新XJMAXreg为这M个周期XJMAX的平均值；若否，判断为潜在故障情况，进行相应的故障判断；

S55：故障阈值更新，更新短路故障的阈值为N1*XJMAXreg，串联电弧故障阈值为N2*XJMAXreg；其中，N1、N2为自然数。