孟羽,陳思磊,吳子豪,王辰曦,李興文

(1.西安交通大學電力設備電氣絕緣國家重點實驗室,710049,西安; 2.國網(wǎng)陜西省電力公司電力科學研究院,710010,西安)

隨著我國提出“碳達峰、碳中和”的戰(zhàn)略規(guī)劃,電力系統(tǒng)中的水電、風電、光伏等清潔可再生能源的配用電技術成為了電力行業(yè)的重要研究方向。在此背景下,新型電力系統(tǒng)基建行業(yè)及直流配用電系統(tǒng)的技術日趨發(fā)展,國家電網(wǎng)公司及中國南方電網(wǎng)公司各自主導的直流配用電系統(tǒng)示范工程也逐步落地建設,并計劃在未來將直流配用電技術推廣至民用住建及市政領域。隨著直流系統(tǒng)容量的逐步增大,線纜網(wǎng)絡的復雜性及負載類型的多樣性提高了保障直流系統(tǒng)安全、可靠、穩(wěn)定運行的難度。由于連接松動、絕緣損壞等原因產(chǎn)生的故障電弧則將成為直流用電安全領域最大的隱患[1]。直流故障電弧電流沒有過零點,因此相較于交流電弧更容易自持燃燒,在缺乏檢測保護的情況下極易引發(fā)電氣火災,從而嚴重影響直流系統(tǒng)的安全與穩(wěn)定[2]。

根據(jù)發(fā)生位置故障電弧主要可分為串聯(lián)故障電弧及并聯(lián)故障電弧[3]。并聯(lián)故障電弧的發(fā)生會瞬間增大回路中的電流幅值,這可被傳統(tǒng)的過流保護裝置檢測并及時切除故障。對于串聯(lián)故障電弧,其會引發(fā)回路中電流幅值的下降,傳統(tǒng)保護裝置難以檢測,因此需要利用故障電弧檢測算法進行及時有效地檢測以實現(xiàn)整個系統(tǒng)回路的保護[4-5]。

為了有效地檢測直流故障電弧,2013年由國際電工委員會(IEC 62606)制定了直流故障電弧檢測設備的國際標準,規(guī)定額定電壓超過80 V的光伏直流系統(tǒng)必須安裝故障電弧檢測裝置[6];美國保險商實驗室也于2011和2018年制定并改進了UL1699B標準用于評估光伏直流系統(tǒng)內(nèi)故障電弧檢測算法的有效性[7]。標準內(nèi)規(guī)定直流故障電弧主要由如圖1所示的直流故障電弧發(fā)生裝置(AFG)模擬產(chǎn)生。通過上位機控制步進電機從而操控移動電極按照標準規(guī)定的分離速度移動至設置好的電弧間隙,最終以拉弧的方式在回路中產(chǎn)生故障電弧。電極采用直徑為6.35 mm的銅棒電極,每次故障電弧實驗后均需要打磨除去電極表面生成的氧化物,保障下次實驗時電極接觸良好。

國內(nèi)外研究人員主要參考上述標準進行了直流故障電弧實驗并研究了相應的故障電弧檢測技術。美國俄亥俄州立大學的王瑾等利用帶通濾波以及Hurst指數(shù)模擬構建了48 V電動汽車內(nèi)故障電弧檢測特征,采用閾值比較的算法在較少的計算量下獲得了100%的檢測準確率[8]。伊朗設拉子大學的Ahmadi等利用PCA算法實現(xiàn)了盲源分離式的故障電弧檢測特征提取,通過最大類間方差法獲得了理想的設定閾值,實現(xiàn)了12 ms以內(nèi)的故障電弧檢測[9]。西安交通大學的熊慶等通過4階Hilbert天線獲取故障電弧電測輻射信號,選用36～42 MHz構建故障電弧檢測特征從而正確區(qū)分電弧及開關操作引起的系統(tǒng)暫態(tài)[10-11]。西安交通大學的陳思磊等利用歐拉、方差等時域信號構建了直流阻性系統(tǒng)條件下的電弧特征,實現(xiàn)了0.25 s內(nèi)對故障電弧的有效檢測[12-13]。

圖1 直流故障電弧發(fā)生裝置Fig.1 DC arc fault generator (AFG)

直流系統(tǒng)應用場景豐富廣泛,線路復雜多樣,因此直流系統(tǒng)內(nèi)使用的線纜材料也種類繁多。故障電弧發(fā)生時刻及發(fā)生位置具有隨機性,不同材料的線纜均可能發(fā)生直流故障電弧。不同材料線纜特性不盡相同,因此可能會對故障電弧檢測特性造成干擾。研究不同電極材料對故障電弧檢測特征的影響并針對性地提出適用于各種材料的故障電弧檢測算法至關重要,可進一步提升直流故障電弧檢測適用范圍與檢測準確率,這也屬于國內(nèi)外尚未開展相關研究的方面。本文通過構建直流故障電弧檢測特征評價指標,分析了不同材料特性引起的直流故障電弧特征差異,基于機器學習提出了一套適用于多種電極材料的直流故障電弧檢測算法,并基于材料差異從安全保護角度提出了降低電弧風險的建議。

1 直流故障電弧實驗平臺與典型實驗 結果

1.1 直流故障電弧實驗平臺

為了研究不同電極材料條件下的故障電弧檢測特征,本文搭建了如圖2所示的直流故障電弧實驗回路。實驗回路主要通過直流模擬器供電,通過串聯(lián)在回路中的故障電弧發(fā)生裝置以拉弧的方式模擬產(chǎn)生故障電弧,選用電阻及逆變器兩種負載作為多場景直流系統(tǒng)的用電設備,通過Q1、Q2、Q3斷路器開關控制負載的投切。拉弧模擬的是故障電弧發(fā)生過程中不斷增大的生弧間隙。隨著絕緣老化和連接端子松動程度的增加,直流系統(tǒng)運行中可能會因接觸壓力的減小而突然出現(xiàn)可見的弧隙。動物咬傷或環(huán)境影響等意外的外部損傷因素,也可能會將可見的弧隙引入至直流系統(tǒng)。直流模擬器既可以按照既定的光伏曲線進行輸出,實現(xiàn)對光伏陣列供電的模擬,也可以以恒壓的方式實現(xiàn)375、750 V等常見直流電壓等級的供電輸出?；芈分械碾娏鱾鞲衅鱕OKOGAWA 701930采樣頻率為1 MHz,可以有效測量故障電弧發(fā)生前后電流參數(shù)的變化,為探究故障電弧檢測特征奠定了基礎。

為了探究不同材料對故障電弧檢測特征的影響,準備了紫銅、黃銅、純鋁、不銹鋼、石墨、球墨鑄鐵共6類材料的電極實驗,通過改變電極材料類型從而獲得不同材料條件下的故障電弧數(shù)據(jù)。表1給出了電氣工程領域的6類常用電極材料在直流場景中的主要應用,通過研究由這6類材料引起的故障電弧特征改變,可以有針對性地設計適用于不同電極材料下的直流故障電弧算法。特別地,由于紫銅材料應用范圍最為廣泛,被UL1699B標準選用為試驗電極,因此本文也以紫銅電極材料的故障電弧波形為例進行說明。

1.2 直流故障電弧典型波形

圖3所示為直流故障電弧電流及電弧電壓實驗波形,電極材料采用紫銅材料,負載選用逆變器進行實驗。階段1系統(tǒng)處于正常運行狀態(tài),在故障電弧發(fā)生后,階段2回路電流的幅值略有下降,振蕩幅度增大,電弧電壓明顯從0增加至25 V左右,在持續(xù)燃燒4 s后人為開斷回路開關,故障電弧迅速熄滅,電流降低至0,形成停機階段3。

圖3 直流故障電弧電流及電弧電壓實驗波形Fig.3 Experimental waveforms of arc current and arc voltage in DC fault

由于直流系統(tǒng)中負載啟停機、負載投切、光照幅度改變等因素的影響,回路電流會出現(xiàn)類似于故障電弧實驗波形的系統(tǒng)暫態(tài)電流變化。圖4所示為逆變器輸出功率出現(xiàn)調(diào)整后的系統(tǒng)暫態(tài)波形,系統(tǒng)狀態(tài)調(diào)整后的階段2也出現(xiàn)了電流幅值的下降過程,在故障電弧檢測過程中容易被誤認為是故障電弧而產(chǎn)生誤動干擾,因此需要構建合適的故障電弧檢測特征量來有效區(qū)分故障電弧狀態(tài)及正常狀態(tài),保障高準確率的故障電弧檢測算法。

圖4 逆變器輸出功率出現(xiàn)調(diào)整后的系統(tǒng)暫態(tài)實驗電流波形Fig.4 Current waveform in a fault-like condition

2 直流故障電弧檢測時頻特征分析

合適的直流故障電弧檢測特征不僅需要具備不同電極材料條件下的故障電弧有較好的區(qū)分程度,同時還需要在系統(tǒng)暫態(tài)條件下保持較好的一致性。故障電弧發(fā)生前后電流幅值的變化容易受到系統(tǒng)環(huán)境噪聲、負載噪聲等干擾,很難在時域內(nèi)較為明顯地進行區(qū)分;傅里葉變換雖然可以較好地在頻域內(nèi)獲得故障電弧噪聲信息,但傅里葉變換作為一種全局性變換,其較長的計算時間嚴重影響了故障電弧檢測的實時性,因此為了更好地及時獲取故障電弧信息,常常采用時頻綜合分析手段構建直流故障電弧檢測特征[15-16]。

2.1 直流故障電弧短時傅里葉變換特征

短時傅里葉變換(STFT)在傅里葉變換的基礎上對信號進行加窗處理,通過對每個時間窗的數(shù)據(jù)進行頻譜分析從而獲得整個故障電弧電流的時頻信息,這改善了傅里葉變換的局限性[17],其計算公式如下

(1)

式中:S[I]為STFT分解得到的二維矩陣;h為窗函數(shù),m為窗序數(shù);Δt為單位時間窗長度,N為單位時間窗內(nèi)的采樣點數(shù)。其中,漢明窗的加權系數(shù)能使副瓣最小,頻譜泄漏最小,因此常作為分析時間窗進行短時傅里葉變換[18],以此構建的故障電弧檢測特征記為Fs。

圖5所示為純鋁電極故障電弧短時傅里葉特征,電極材料為紫銅、選用逆變器作為用電負載,短時傅里葉特征頻段為7.5～7.625 kHz。可以看到,在故障電弧發(fā)生后,階段2構建得到的檢測特征量幅值出現(xiàn)了較大幅度的提升,未發(fā)生電弧的階段1與階段3特征量幅值較小,從而可以較好地實現(xiàn)對故障電弧狀態(tài)及正常狀態(tài)的有效區(qū)分。圖6為系統(tǒng)暫態(tài)條件下構建得到的短時傅里葉檢測特征,在系統(tǒng)狀態(tài)調(diào)整瞬間,檢測特征量會出現(xiàn)較大幅值的脈沖,之后特征量幅值趨于穩(wěn)定,且與階段1正常運行時的特征量幅值保持一致,這與故障電弧發(fā)生時特征量的變化存在差異。環(huán)境噪聲主要體現(xiàn)在低頻部分,通過短時傅里葉變換可以有效濾除低頻成分,從而獲取電弧有效信息;系統(tǒng)暫態(tài)調(diào)整過程出現(xiàn)的脈沖時間較短,可以通過適當延長電弧判斷時間實現(xiàn)多個時間窗檢測特征的比較,從而達到區(qū)分故障電弧與系統(tǒng)正常暫態(tài)過程的目的。

圖5 紫銅電極故障電弧短時傅里葉特征Fig.5 STFT characteristic of arc fault with red copper electrode

圖6 系統(tǒng)暫態(tài)條件下構建得到的短時傅里葉檢測特征Fig.6 STFT detection characteristic in a fault-like condition

圖7為純鋁電極故障電弧短時傅里葉特征,其電弧前后的特征差異不如紫銅電極材料明顯。雖然階段2有一些特征量幅值得到了提升,但是故障電弧發(fā)生前后特征量重疊較為明顯,以此為基礎的故障電弧檢測算法極易出現(xiàn)拒動的現(xiàn)象,即較難檢測到故障電弧的發(fā)生。

圖7 純鋁電極故障電弧短時傅里葉特征Fig.7 STFT characteristic of arc fault with aluminum electrode

故障電弧檢測特征量幅值提升越明顯,越有利于提高后續(xù)算法的檢測準確率,因此需要構建特征量提升定量指標,從而更好地評判特征構建效果,為后續(xù)檢測算法的設計提供借鑒與參考。由于階段3出現(xiàn)在故障電弧發(fā)生后,且是由于人為開斷電路產(chǎn)生,因此并非具體討論分析的重點,綜合比較階段1與階段2特征量幅值,定義了特征提升比為

(2)

式中:M2為故障電弧發(fā)生后即階段2特征量的平均值;M1為故障發(fā)生前電流穩(wěn)定時即階段1的特征量平均值。提升比T越大表明故障電弧發(fā)生前后特征值變化越明顯,越容易實現(xiàn)故障電弧發(fā)生時刻的定位。特別地,對于系統(tǒng)暫態(tài)波形,階段2選取狀態(tài)變化后的電流波段數(shù)據(jù),從而構建同樣的故障電弧特征,要求系統(tǒng)暫態(tài)波形的特征提升比盡可能小。本文重點討論了電阻及逆變器兩類負載條件下的特征提升比,故將電阻條件的特征提升比設為T1,將逆變器條件的特征提升比設為T2。

表2給出了不同電極材料與負載類型的故障電弧特征提升比。每組電極材料與負載類型均至少采集了15組波形,表2中數(shù)值為全部波形特征提升比的均值,從而可以更好地分析構建特征量對于不同電極材料的適用性。

表2 不同電極材料與負載類型的故障電弧特征提升比

由表2可以看出,對于電阻負載,無論電極材料如何,其相較于逆變器負載計算得到的特征提升比普遍偏小;而對于同一負載,不同電極材料條件計算得到的特征提升比大小趨勢基本相同,石墨電極材料的特征提升比最大,純鋁電極材料的特征提升比最小。其中純鋁電極材料、電阻作為負載的條件計算得到的特征提升比平均值僅為1.04,意味著故障電弧發(fā)生前后特征幅值基本無變化,很難利用檢測算法對故障電弧發(fā)生時刻進行有效定位,因此需要尋找一種適用于不同電極材料、不同負載的故障電弧檢測特征構建算法。

2.2 直流故障電弧小波變換特征

相較于短時傅里葉變換,小波變換時間窗長度是變化的,可以實現(xiàn)在低頻部分適當增加時間窗的長度,在高頻部分適當減小時間窗的長度,從而獲取更好的時間分辨率與頻率分辨率[19]。離散小波變換公式如下

(3)

式中:x(t)為待分析信號;d為變換后得到的系數(shù);k為母小波伸縮的指標;n為母小波平移的指標;Ψ為變換所選用的母小波;L2(R)為實數(shù)域平方可積空間。

陳思磊等在研究光伏直流故障電弧檢測時發(fā)現(xiàn),采用Rbio3.1小波相較于傳統(tǒng)的Db小波家族可以更好地構建故障電弧的時頻特征[20],因此本文主要采用Rbio3.1作為母小波對故障電弧電流系統(tǒng)進行構建。小波變換也可有效濾除原始采集信號的低頻部分,獲取有效電弧信息,構建得到的特征可以區(qū)分故障電弧與系統(tǒng)正常暫態(tài)過程。由2.1節(jié)可知,純鋁材料、電阻負載條件下的故障電弧短時傅里葉特征提升比最小,因此為了更好地構建適用于不同材料的故障電弧特征,主要以純鋁電極材料、電阻負載條件的故障電弧波形為例進行小波變換參數(shù)的選擇,小波變換得到的檢測特征量定義為Fw。

不同小波分解層數(shù)會對分析頻段的范圍產(chǎn)生影響,若小波分解層數(shù)過少,則會導致小波變換分析頻段范圍過大,容易引入環(huán)境噪聲、負載噪聲等干擾,不利于特征的構建;若小波分解層數(shù)過多,則會造成代碼運算量的增加,延長檢測時間,因此需要在可接受的特征提升比范圍內(nèi)最大限度地減少小波分解層數(shù)。表3給出了不同小波分解層數(shù)下特征提升比效果,由于小波分解層數(shù)不同,分析頻段的頻率范圍也存在差異。比較含23.44～31.25 kHz頻段的特征發(fā)現(xiàn),隨著小波分解層數(shù)的增加,特征提升比在逐漸增加,當采用6層小波分解時便可以較好地提升純鋁電極在阻性負載條件下的故障電弧特征提升比,2.831 1的特征提升比足夠?qū)崿F(xiàn)對故障電弧發(fā)生時刻的定位,因此無需再增加小波分解層數(shù)。

表3 不同小波分解層數(shù)對故障電弧的提升效果

在電阻負載條件下,6類不同電極材料的故障電弧電流波形及其小波特征如圖8所示,小波特征頻段為23.44～31.25 kHz?？梢钥吹綄τ诿恳环N電極材料,故障電弧發(fā)生前后特征量幅值均有較為明顯的提升,說明利用小波變換構建得到的特征量具有較好的適用性。

(a)紫銅

(b)黃銅

(c)純鋁

(d)不銹鋼

(e)石墨

(f)球墨鑄鐵圖8 不同電極材料的故障電弧電流波形及其小波特征Fig.8 Current waveforms and WT characteristics of arc faults with different electrode materials

表4為不同電極材料與負載類型的特征提升比,可以看出小波變換構建得到的特征提升效果明顯好于短時傅里葉特征。除石墨電極外,逆變器負載條件下的特征提升比大部分依然高于電阻負載條件;對于不同電極材料而言,石墨電極材料的特征提升比依然最大,純鋁電極材料的特征提升比依然最小,說明電極材料確實會對故障電弧特征的構建產(chǎn)生影響,從而最終對故障電弧的檢測造成干擾。

表4 不同電極材料與負載類型的特征提升比

3 不同電極材料對故障電弧檢測特征 的影響分析

不同電極材料下的故障電弧特征提升比具有較大差異,石墨、不銹鋼等電極材料形成的故障電弧檢測特征量在故障電弧發(fā)生前后具有較大的提升效果,因而有利于較快、較準地利用檢測算法對電弧有效檢測;純鋁、黃銅等電極材料形成的故障檢測特征量在故障電弧發(fā)生后幅值提升較小,因此檢測算法存在拒動的可能與風險。不同電極材料的特性會影響故障電弧的檢測特征,進而影響到最終故障電弧檢測算法的檢測準確率。

表5給出了不同電極材料的電阻率、熔點與沸點。通過比較表2、表4中不同時頻特征的特征提升比以及表5的電極材料特性可知,特征提升比與電極材料的熔點呈現(xiàn)出較好的正相關關系;另外,除紫銅材料外,其他材料的特征提升比也與電極材料的電阻率呈一定的正相關關系。

表5 不同電極材料的電阻率、熔點與沸點

圖9給出了不同電極材料特征提升比與熔點。對于熔點較低,導電能力較好的電極材料,其產(chǎn)生的故障電弧中含有較多的金屬顆粒,因此在同等電流等級條件下形成的電弧電阻較低。圖10所示為純鋁電極材料的故障電弧現(xiàn)象,燃弧較為溫和,電弧電流變化幅度較小,電弧噪聲較弱,從而導致最終計算得到的時頻特征并不明顯。對于熔點較高、導電能力相對較差的電極材料,其產(chǎn)生的故障電弧主要以空氣介質(zhì)為主,電弧燒蝕造成的材料顆粒也會因為熔點較高迅速噴濺至它處,并不能在電弧中長久存在,因此電弧電阻較大。圖11所示為球墨鑄鐵電極材料的故障電弧現(xiàn)象,燃弧較為劇烈,電弧電流變化幅度較大,電弧噪聲較強,從而使得電弧檢測特征量幅值在故障電弧發(fā)生前后提升較為明顯。

圖9 不同電極材料的特征提升比與熔點Fig.9 Improvement ratios of characteristic and melting points of different electrode materials

圖10 純鋁電極材料故障電弧現(xiàn)象Fig.10 Arc fault phenomenon of aluminum electrode

圖11 球墨鑄鐵電極材料故障電弧現(xiàn)象Fig.11 Arc fault phenomenon of ductile iron electrode

利用上述關系可以較好地判斷新的電極材料條件產(chǎn)生的故障電弧檢測特征提升效果,同時可以通過電鍍的方法、使用特征提升比較大的電極材料作為線纜表面,從而保障故障電弧發(fā)生后可以較快、較準地被檢測到。

4 改進Catboost算法的故障電弧檢 測算法研究

利用小波變換構建得到具有較高適用性的故障電弧檢測特征后,需要基于檢測特征量構建具有普適性的故障電弧檢測算法,要求其可以迅速、準確地檢測故障電弧,滿足UL1699B標準中2.5 s檢測時間的要求,同時不得在系統(tǒng)暫態(tài)過程出現(xiàn)不必要的誤動。

常見的故障電弧檢測算法大多基于閾值比較的算法進行構建,但通過圖8不同電極條件的故障電弧檢測特征量波形可知,不同電極材料下得到的故障電弧檢測特征數(shù)量級相差較大。對于熔點高、電阻率高的電極材料,其故障電弧檢測特征數(shù)量級較大;對于熔點低、電阻率低的電極材料,其故障電弧檢測特征數(shù)量級較小,這種差異不僅僅體現(xiàn)在故障電弧發(fā)生的階段2,在系統(tǒng)正常運行的階段1也依然存在,因此很難通過合理的閾值設定,來實現(xiàn)不同電極材料條件的故障電弧檢測。即使采用動態(tài)閾值比較的算法,也很難較好地覆蓋不同電極材料、不同用電負載下的多場景故障電弧檢測。

在此條件下,基于機器學習方式的故障電弧檢測算法逐漸成為研究主流。文獻[21]將構建得到的特征量輸入至支持向量機(SVM)模型中,實現(xiàn)了5 kW并網(wǎng)光伏逆變器條件下對串聯(lián)直流故障電弧的快速檢測[21]。陳思磊等采用隨機森林的機器學習算法,實現(xiàn)了光伏直流系統(tǒng)逆變器條件下的直流故障電弧快速檢測[20]。美國紐約州立大學的Yao等通過比較不同類型機器學習算法的檢測準確率,選用Stacking的方式較好地構建直流故障電弧檢測算法,達到了99.8%的檢測準確率[22]。因此選用適合的機器學習算法對多場景、不同電極條件的故障電弧檢測準確率具有較大的影響。

雖然幫扶資金到位，但隴西縣各個鄉(xiāng)鎮(zhèn)之間發(fā)展基礎和條件各不相同，同時還受群眾思想觀念的影響，在產(chǎn)業(yè)發(fā)展的生產(chǎn)、銷售等方面存在疑慮，群眾接受程度也不同，導致存在個別項目推進不平衡的問題。雖然建成了108座簡易日光溫室，但在年底只有53座全面投入生產(chǎn)，其余處于閑置狀態(tài)。

Adaboost算法通過集成若干個弱分類器,通過不斷地迭代訓練,逐漸分配不同分類器輸出對于最終檢測結果的權重,從而逐步提升模型的分類能力,最終構建形成一個強分類器[23]。Adaboost算法因其具有較高的檢測速率且不易出現(xiàn)過擬合現(xiàn)象,常常被用于數(shù)據(jù)分類、故障檢測等領域。將不同電極材料檢測特征量作為輸入樣本特征、電弧狀態(tài)作為輸入樣本標簽,構建得到改進Adaboost算法的故障電弧檢測算法。其中,選取特征頻段為15.63～39.06 kHz,以數(shù)字1表示當前樣本處于故障電弧狀態(tài),數(shù)字0表示當前樣本處于正常無故障狀態(tài),從而完成了對樣本標簽的設置[25-26]。由于要求最終設計的算法,需針對不同的負載類型以及不同的電極材料,因此考慮將全部數(shù)據(jù)分為訓練集與測試集,每種集合均包含不同電極材料、不同負載類型的數(shù)據(jù),訓練集用于訓練構建機器學習模型,測試集用于測驗所構建模型的檢測準確率。實驗波形共182個,每種電極材料、每種負載各14個波形,其中7個組成測試集,其他7個組成訓練集;對于系統(tǒng)暫態(tài)波形,其與電極材料關系較弱,因此也各提供7個波形分別用于訓練集及測試集的組成。

為了防止系統(tǒng)受到環(huán)境影響產(chǎn)生脈沖波動而對故障電弧檢測特征形成干擾,進而影響Adaboost算法的檢測輸出,算法設定當檢測輸出連續(xù)輸出7個故障狀態(tài)即標簽值為1時方認定系統(tǒng)出現(xiàn)了故障電弧,再引起檢測電平的變化。連續(xù)時間窗電弧狀態(tài)的判斷,可有效規(guī)避電力電子裝置或直流系統(tǒng)中瞬態(tài)尖峰對電弧檢測的干擾。最終測試集得到的檢測準確率為95.6%,意味著仍有少部分波形出現(xiàn)了誤動或拒動現(xiàn)象。圖12所示為純鋁電極材料故障電弧檢測電平的錯誤輸出,該結果主要通過Adaboost算法計算得到。故障電弧發(fā)生后,算法并未出現(xiàn)檢測電平的變化,說明純鋁電極材料構建的故障電弧檢測特征提升比較低,導致算法出現(xiàn)拒動現(xiàn)象。由于系統(tǒng)暫態(tài)波形計算得到的故障電弧檢測特征提升比較小,因此可能會對算法模型的訓練造成干擾,Adaboost傾向于較好地解決系統(tǒng)暫態(tài)下的誤動問題,但是卻引發(fā)了純鋁電極時故障電弧拒動的現(xiàn)象,因此具有一定局限性。

圖12 純鋁電極材料故障電弧檢測電平的錯誤輸出Fig.12 Detection level error output of arc fault with aluminum electrode

同樣作為Boosting算法的一種,Catboost算法是一種基于梯度提升決策樹的機器學習算法,其主要由Categorical和Boosting組成,可以較好地減少過擬合的發(fā)生,進而提高算法的準確性和泛化能力,抗干擾能力較強[24]。圖13為改進Catboost算法的直流故障電弧檢測算法流程圖。同樣的,為了預防系統(tǒng)波動產(chǎn)生的脈沖干擾,要求算法檢測結果連續(xù)輸出7個故障電弧結果才認為系統(tǒng)出現(xiàn)了故障電弧。

圖13 改進Catboost算法的直流故障電弧檢測算法流程Fig.13 Flow chart of DC arc fault detection method based on the Catboost algorithm

將訓練好的模型對測試集的91個波形進行測試,Catboost算法檢測準確率達到了100%,且對于系統(tǒng)暫態(tài)波形也沒有出現(xiàn)誤動。對于圖11純鋁電極材料出現(xiàn)的錯誤檢測結果,Catboost算法可以在1.46 s對故障電弧進行準確檢測。如圖14所示為純鋁電極材料故障電弧檢測電平,該波形也是84個故障電弧波形中檢測時間最長的一個波形。

圖14 純鋁電極材料故障電弧檢測電平輸出Fig.14 Detection level output of arc fault with aluminum electrode

不同電極材料下不同算法對故障電弧檢測準確率的比較如圖15所示,可以看到Catboost算法可以較好地適應不同電極材料與不同負載類型條件的直流故障電弧檢測,具有較好的普適性,因此可以在復雜的直流場景下準確及時地檢測不同類型的直流故障電弧。對于系統(tǒng)暫態(tài)干擾情況,Catboost算法的檢測準確率可達到100%,高于閾值比較算法的62.5%以及Adaboost算法的87.5%,從而避免算法誤動現(xiàn)象的出現(xiàn)。

圖15 不同電極材料下不同算法對故障電弧檢測準確率的比較Fig.15 An accuracy comparison of different arc fault detection algorithms for different electrode materials

表6所示為不同電極材料、逆變器條件下Catboost算法的電弧檢測平均時間與特征提升比?？梢钥闯鎏卣魈嵘仍礁?相應電極材料的電弧檢測平均時間也就越短。石墨電極條件下的電弧檢測時間最短,為0.140 9 s,純鋁電極條件下的電弧檢測時間最長,為0.510 5 s,但這些時間均遠低于UL1699B標準要求的2.5 s檢測時間,說明不同電極材料會影響故障電弧檢測算法的檢測時間,也同時驗證了所提出的Catboost檢測算法對于不同電極材料的有效性和適用性。

表6 不同電極材料、逆變器條件下Catboost算法的電弧檢測平均時間與特征提升比

5 結 論

本文通過搭建直流故障電弧實驗平臺,獲得了不同電極材料的故障電弧電流波形,分析了不同電極材料特性對直流故障電弧檢測特征構建、算法準確率、算法檢測時間等的影響,得到以下結論。

(1)短時傅里葉變換構建得到的特征量并不適用于純鋁、黃銅等材料,容易造成故障電弧檢測困難,采用6層小波變換提取15.63～39.06 kHz頻段作為故障電弧檢測特征量可以較好地反映不同電極材料下的故障電弧信息,通過適當延長檢測判斷時間可以準確區(qū)分故障電弧與瞬態(tài)尖峰等系統(tǒng)暫態(tài)過程的干擾。

(2)不同電極材料特性會對故障電弧檢測特征量產(chǎn)生影響。檢測特征提升比主要與電極材料的熔點及電阻率呈現(xiàn)正相關關系,對于熔點較低、電阻率較低的電極材料,其故障電弧檢測特征提升比較小;對于熔點較高、電阻率較高的電極材料,其故障電弧檢測特征提升比較大,因此可以通過材料的熔點及電阻率分析預測材料產(chǎn)生故障電弧檢測特征的有效性。

(3)相較于閾值比較算法及Adaboost算法,Catboost算法具有更好的魯棒性,Catboost算法對于不同電極材料下的故障電弧檢測具有較好的普適性,對實驗條件下的直流電弧檢測準確率達到了100%,同時也避免了因系統(tǒng)暫態(tài)過程而出現(xiàn)的誤動現(xiàn)象。

(4)不同電極材料會對故障電弧檢測算法的檢測準確率及檢測時間有影響。在所選實驗電極的材料樣本中,石墨電極故障電弧檢測時間最短,純鋁電極故障電弧檢測時間最長。