張麗萍，繆希仁，石敦義

(1.福州大學(xué) 電氣工程與自動化學(xué)院，福建 福州 350116；2.華能羅源發(fā)電有限責(zé)任公司，福建 福州 350600 )

?

基于EMD和ELM的低壓電弧故障識別方法的研究

張麗萍1，繆希仁1，石敦義2

(1.福州大學(xué) 電氣工程與自動化學(xué)院，福建 福州 350116；2.華能羅源發(fā)電有限責(zé)任公司，福建 福州 350600 )

針對低壓配電線路負(fù)載端電弧故障電壓具有較強(qiáng)的信號奇異性波形特征，利用低壓串聯(lián)電弧故障實(shí)驗(yàn)平臺，采集若干典型的低壓配電線路負(fù)載端故障電弧電壓信號進(jìn)行分析。采用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)有效地提取反映電弧故障信號局部特性的本征模態(tài)函數(shù)(intrinsic mode function，IMF)分量，經(jīng)分析IMF分量的方差貢獻(xiàn)率確定前5階IMF用于表征各類負(fù)載電弧故障主要特征信息，提取前5階IMF分量能量比為特征向量作為極端學(xué)習(xí)機(jī)(extreme learning machine，ELM)的輸入向量，建立不同負(fù)載電弧故障識別模型。實(shí)驗(yàn)與仿真結(jié)果表明，基于EMD分解和ELM相結(jié)合的故障電弧診斷方法，在有效提取不同負(fù)載電弧故障特征的基礎(chǔ)上，實(shí)現(xiàn)了不同負(fù)載電弧故障的識別。

故障電?。唤?jīng)驗(yàn)?zāi)B(tài)分解；本征模態(tài)函數(shù)；極端學(xué)習(xí)機(jī)

0　引　言

隨著我國電力需求高速持續(xù)增長，對用電安全可靠性能的要求越來越高。保障工業(yè)用電、建筑用電甚至家庭用電的安全成為電網(wǎng)發(fā)展的重要環(huán)節(jié)，然而電氣火災(zāi)頻頻的發(fā)生給用電安全性帶來了挑戰(zhàn)。電弧故障是引起電氣火災(zāi)的原因之一。電弧故障一般分為接地、并聯(lián)和串聯(lián)電弧故障。前兩種電弧故障特征明顯易識別。而串聯(lián)電弧故障的電流信號特征易被非線性負(fù)載額定工作、感性負(fù)載啟動等的電流信號湮沒，難以識別故障信號。

迄今，串聯(lián)電弧故障的檢測方法主要是基于電弧故障電流的檢測，其利用電弧故障電流上升率突變、存在高頻噪聲、“零歇”等特征采用相應(yīng)的算法進(jìn)行識別[1-7]。文獻(xiàn)[1]利用電流上升率變化特征，提出了不同負(fù)載情況下串聯(lián)電弧故障的識別判據(jù)。文獻(xiàn)[2]使用短時(shí)傅里葉變換得到電弧電流信號的時(shí)頻特征，文獻(xiàn)[3-4]利用電弧故障電流存在奇異點(diǎn)而提出了小波特征頻帶分析法。文獻(xiàn)[5]用小波熵值對時(shí)頻域上能量分布特性進(jìn)行定量描述，實(shí)現(xiàn)電弧故障特征提取。文獻(xiàn)[6]采用支持向量機(jī)(support vector machine，SVM)識別電弧故障，該方法對阻性與感性負(fù)載有一定的識別能力。文獻(xiàn)[7]通過人工神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了典型負(fù)載測試樣本的電弧故障識別。

但這些串聯(lián)電弧故障識別方法仍存在不足。其中，采用短時(shí)傅里葉變換能夠在頻域內(nèi)得到較高的分辨率，在時(shí)域內(nèi)卻失去了分辨能力；小波變換能夠在時(shí)域和頻域內(nèi)同時(shí)得到較高的分辨率，但小波分解尺度無法隨信號而自適應(yīng)變化；SVM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小的機(jī)器學(xué)習(xí)算法，具有較好的泛化能力，但在映射過程引起空間維數(shù)增加，造成訓(xùn)練復(fù)雜且占用時(shí)間較長。神經(jīng)網(wǎng)絡(luò)在一定程度上能對典型負(fù)載電弧故障進(jìn)行識別，但存在收斂速度慢、局部極小點(diǎn)等不足。

由于電氣回路中存在非線性負(fù)載，非線性負(fù)載正常工作時(shí)的電流波形與串聯(lián)電弧故障電流的“零歇現(xiàn)象”相似。感性負(fù)載的啟動電流上升率突變的特征與電弧電流過零后上升突變十分相似。因此，上述兩種信號影響電弧故障信號特征量的有效提取。

然而，檢測負(fù)載端電壓可間接地獲取故障電弧電壓信號的突變特性，且不受所在支路負(fù)載額定工作及啟動過程等的電流特性影響，可消除現(xiàn)有電弧故障電流檢測識別方法存在誤判斷的可靠性不足問題[8]。

為此，本文以低壓配電線路負(fù)載端故障電弧電壓信號為對象，研究不同負(fù)載電弧故障識別方法。針對各類負(fù)載端故障電弧電壓信號的非線性非平穩(wěn)特性，采用EMD的信號處理方法，獲取表征不同負(fù)載故障電弧局部特征的IMF分量，以IMF方差貢獻(xiàn)率確定表征電弧故障的主要IMF分量；由于不同負(fù)載電弧故障負(fù)載端電壓信號在同階IMF分量上有著不同的頻率成分，且各個(gè)分量的幅值也相差很大。因此，本文選用能量比作為故障的特征向量，即各階IMF的能量占總體信號的能量比值。

此外，ELM是最近幾年發(fā)展起來的一種新型的前饋神經(jīng)網(wǎng)絡(luò)方法，具有訓(xùn)練過程簡單，抗干擾能力強(qiáng)等優(yōu)點(diǎn)，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢，容易陷入局部極小值，無法達(dá)到全局最優(yōu)等缺陷。因此，本文將EMD分解及其各階IMF的能量比和極端學(xué)習(xí)機(jī)理論相結(jié)合，提出了一種有效識別串聯(lián)電弧故障的方法。

1　Hilbert—Huang變換基本原理

Hilbert—Huang變換包括EMD和Hilbert變換。首先采用EMD方法[9-12]將信號x(t)逐步分解為n階IMF(關(guān)于EMD的詳細(xì)算法見文獻(xiàn)[9-12])，具體為：

(1)

式中：ci(t)為第i階IMF；rn(t)為信號單調(diào)趨勢項(xiàng)。

對式(1)的各階IMF分量ci(t)作Hilbert變換：

(2)

ci(t)的解析形式為：

zi(t)=ci(t)+jH[ci(t)]=ai(t)ejΦi(T)。

(3)

式中ai(t)為幅值函數(shù)：

(4)

相位函數(shù)：

(5)

第i階IMF的能量為

(6)

式中：n為信號EMD分解的IMF階數(shù)；N為每階IMF的數(shù)據(jù)點(diǎn)數(shù)。

因此，各階IMF的能量總和為

(7)

則第i階的IMF的能量比定義為

(8)

2　極端學(xué)習(xí)機(jī)算法

作為一類單隱層前向神經(jīng)網(wǎng)絡(luò)，ELM與傳統(tǒng)的方法不同，它可以隨機(jī)選擇網(wǎng)絡(luò)中的隱層神經(jīng)元，并且其網(wǎng)絡(luò)的輸出層權(quán)值可以解析獲得[13-14]，該方法具有許多優(yōu)良的特性，如學(xué)習(xí)速度快、泛化能力好等。極端學(xué)習(xí)機(jī)算法可以較好地應(yīng)用于非線性、不確定系統(tǒng)。由于串聯(lián)電弧故障具有非線性的特點(diǎn)，實(shí)際應(yīng)用時(shí)對串聯(lián)電弧故障具有快速診斷要求，因此極端學(xué)習(xí)機(jī)適合于串聯(lián)電弧故障的識別。

(j=1,2,…,N)。

(9)

Hβ=T。

(10)

其中：

(11)

(12)

H為隱藏層輸出矩陣，ELM學(xué)習(xí)算法過程如下：

1)首先確定隱含層神經(jīng)元個(gè)數(shù)，隨機(jī)確定輸入層與隱層間的連接權(quán)重w以及隱層神經(jīng)元的閾值b的值。

2)選擇隱層神經(jīng)元的激活函數(shù)，該函數(shù)必須無限可微，求出H。

3　基于EMD和ELM的故障電弧診斷模型

低壓配電線路發(fā)生串聯(lián)電弧故障時(shí)，負(fù)載端電壓信號具有明顯的非線性和非平穩(wěn)性(如圖1、圖3所示)。由于EMD分解具有較好的處理非線性和非平穩(wěn)性數(shù)據(jù)的能力，采用EMD分解對電弧故障負(fù)載端電壓信號進(jìn)行分解，以產(chǎn)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對每一個(gè)分量分別進(jìn)行建模，會增大計(jì)算的規(guī)模；此外，不同性質(zhì)負(fù)載的電弧故障電壓信號進(jìn)行EMD分解后的IMF分量階數(shù)是不一樣的，且有些IMF分量可能是噪聲分量或虛假分量(由于采樣率不足以及樣條插值引起的多余的分量)，這些因素顯然不利于對串聯(lián)電弧故障的識別。

因此，通過計(jì)算各階IMF分量的方差貢獻(xiàn)率來確定包含故障特征信息的主要成分，其中，第i階IMF的貢獻(xiàn)率為:

(13)

(14)

式中：Di為第i階IMF分量的方差；Δt為電弧故障電壓信號數(shù)據(jù)采集時(shí)間間隔。

根據(jù)式(13)和式(14)，負(fù)載端的電壓信號的各階IMF分量的方差貢獻(xiàn)率如表1所示，從表中可知前5階IMF分量的貢獻(xiàn)率數(shù)值較大，表明了分解后的前5階IMF分量包含了電弧故障特征的絕大部分信息。因此，EMD分解只選取了前5階的IMF分量。

對前5階IMF的能量比分別建立ELM識別模型。利用ELM進(jìn)行識別時(shí)，需要確定隱層節(jié)點(diǎn)的個(gè)數(shù)，因?yàn)殡[層節(jié)點(diǎn)決定了ELM的學(xué)習(xí)能力。而ELM分類精度會隨著隱層節(jié)點(diǎn)數(shù)增加而遞增，分類精度達(dá)到一定程度時(shí)會趨于平穩(wěn)。因此按公式(15)確定初始隱層節(jié)點(diǎn)數(shù)N，式中a為輸入節(jié)點(diǎn)數(shù)，b為輸出節(jié)點(diǎn)數(shù)，c取值一般在1-10之間；在得到初始分類精度基礎(chǔ)上，不斷增加隱層節(jié)點(diǎn)數(shù)，直到分類精度達(dá)到最高不再上升。

。

(15)

表1　負(fù)載端的電壓信號的各階IMF分量的方差貢獻(xiàn)率

4　診斷實(shí)例分析

4.1特征量的提取與分析

實(shí)驗(yàn)參照UL1699標(biāo)準(zhǔn)，采用自行研制的電弧發(fā)生器模擬各種典型負(fù)載電弧故障，各負(fù)載通過開關(guān)并聯(lián)在220 V電源上，在負(fù)載端設(shè)置型號為HP16-400/5V的電壓傳感器加以檢測，并將所測的信號送到研華PCI1711L數(shù)據(jù)采集卡，該采集卡帶12位A/D轉(zhuǎn)換器，采樣速率為50 kHz，如圖1所示。實(shí)驗(yàn)負(fù)載為日常生活中常用的阻性、感性和非線性負(fù)載，對冰箱、熱水壺、微波爐、吸塵器、臺燈、顯示器6種負(fù)載的正常和模擬電弧故障狀態(tài)進(jìn)行采樣分析。

圖1　串聯(lián)電弧負(fù)載端電弧電壓檢測Fig.1　Arc voltage detection in the load side of series arc fault

1)阻性負(fù)載回路電弧電壓的EMD分解

圖2是線路發(fā)生串聯(lián)電弧故障時(shí)阻性負(fù)載(1 000 W的電燒水壺)兩端的電壓波形。發(fā)生串聯(lián)電弧故障時(shí)，負(fù)載電壓存在短暫的零休現(xiàn)象。這是由于電弧在燃燒過程中熄滅造成暫時(shí)的斷路引起負(fù)載端的電壓為零，而后電弧復(fù)燃，電路重新導(dǎo)通，電弧電阻迅速減小，使得負(fù)載電壓瞬間增大，出現(xiàn)尖峰的脈沖，其故障波形具有周期性。

圖2　阻性負(fù)載端串聯(lián)電弧故障電壓波形圖Fig.2　Impedance load series arc fault voltage waveform

圖3是線路發(fā)生串聯(lián)電弧故障時(shí)阻性負(fù)載電壓信號經(jīng)EMD分解后得到一組IMF分量。所分解出來的各階IMF分量包含了原信號的不同時(shí)間尺度的局部特征信號。從圖中分析，阻性負(fù)載發(fā)生串聯(lián)電弧故障時(shí)，其出現(xiàn)零休和尖峰的脈沖在前2階的IMF分量中得以體現(xiàn)，且尖峰脈沖在IMF分量中幅值較大。

圖3　阻性負(fù)載端串聯(lián)電弧故障電壓EMD分解圖Fig.3　Impedance load series arc fault voltage EMD decomposition

2)阻感性負(fù)載回路電弧電壓的EMD分解

圖4為典型的阻感性負(fù)載——冰箱，在發(fā)生串聯(lián)電弧故障時(shí)負(fù)載電壓波形。發(fā)生串聯(lián)電弧故障時(shí)，負(fù)載電壓的波形存在缺少半波的現(xiàn)象，局部信號會出現(xiàn)突變，峰值幅值不穩(wěn)定，呈現(xiàn)諧波分量大等特征。圖5為上述阻感性負(fù)載發(fā)生串聯(lián)電弧故障時(shí)負(fù)載電壓的EMD分解圖，與圖2阻性負(fù)載串聯(lián)電弧故障時(shí)負(fù)載電壓的EMD分解圖相比較，其第1、2階的IMF分量大大增加。

圖4　阻感性負(fù)載-冰箱串聯(lián)電弧故障電壓波形圖Fig.4　Refrigerator series arc fault voltage waveform

3)非線性負(fù)載回路電弧電壓的EMD分解

非線性負(fù)載以微波爐為例，如圖6所示發(fā)生串聯(lián)電弧故障時(shí)，負(fù)載電壓波形畸變非常嚴(yán)重，出現(xiàn)不平穩(wěn)的平肩電壓波形，電壓峰值也出現(xiàn)較大的波動，且負(fù)半波尖峰的脈沖大。電壓波形經(jīng)過EMD分解后由圖7可以分析得出，平肩電壓波形附近的畸變是第1、2階的IMF分量產(chǎn)生的主要原因。

圖5　阻感性負(fù)載-冰箱串聯(lián)電弧故障電壓 EMD分解圖Fig.5　Refrigerator series arc fault voltage EMD decomposition

圖6　微波爐串聯(lián)電弧故障電壓波形圖Fig.6　Microwave oven series arc fault voltage waveform

圖7　微波爐串聯(lián)電弧故障電壓EMD分解圖Fig.7　Microwave oven series arc fault voltage EMD decomposition

將6種常用典型負(fù)載的故障電弧電壓信號經(jīng)過EMD分解后，選取前5階能量比作為特征向量如表2所示。由表2可知，發(fā)生串聯(lián)電弧故障時(shí)，負(fù)載電壓經(jīng)EMD分解后的1、2階IMF能量比會比正常工作時(shí)的IMF能量比大。這是由于正常工作時(shí)1、2階高頻分量的能量較少，而大部分能量集中在3-5階的低頻能量中。而線路發(fā)生電弧故障時(shí)，負(fù)載端的電壓產(chǎn)生畸變，波形中包含了高頻分量。因此，1、2階高頻分量的能量比與正常狀態(tài)能量比相比明顯增大 。

表2　前5階能量比

4.2基于ELM的故障診斷

對冰箱、熱水壺、微波爐、吸塵器、臺燈、顯示器6種負(fù)載正常和模擬電弧故障狀態(tài)進(jìn)行采樣，其中正常狀態(tài)和故障狀態(tài)訓(xùn)練樣本各130組，每組5個(gè)特征向量，為了驗(yàn)證訓(xùn)練所得網(wǎng)絡(luò)的正確性，選取正常狀態(tài)和故障狀態(tài)樣本各70組進(jìn)行測試，具體樣本分配表如表3所示，對每組信號進(jìn)行EMD處理，最后提取前5階IMF分量的能量比作為ELM網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和SVM的訓(xùn)練和測試樣本。ELM網(wǎng)絡(luò)隱層的激活函數(shù)，BP網(wǎng)絡(luò)輸入層、隱層和輸出層的傳遞函數(shù)，SVM的核函數(shù)均為Sigmoid型函數(shù)。ELM隱層節(jié)點(diǎn)數(shù)為36時(shí)，達(dá)到了最大的分類精度。BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)為12時(shí)，達(dá)到最優(yōu)。SVM的隱層節(jié)點(diǎn)數(shù)目、隱層節(jié)點(diǎn)對輸入節(jié)點(diǎn)的權(quán)值都是在訓(xùn)練的過程中自動確定的。表4表明，BP網(wǎng)絡(luò)測試精度及測試時(shí)間在三種分類方法中效果是最不理想的。SVM的分類方法在三種方法雖然達(dá)到了最大的測試精度，但是其所用的時(shí)間較長。采用ELM網(wǎng)絡(luò)對故障電弧進(jìn)行診斷的方法雖然精度上不是最高的，但其時(shí)間是最短的。綜合精度和時(shí)間兩方面的因素考慮。ELM網(wǎng)絡(luò)準(zhǔn)是三種中較優(yōu)的方法。

表3　樣本分配表

表4　測試結(jié)果分析表

5　結(jié)　論

本文以低壓線路負(fù)載端故障電弧電壓為對象，對典型的阻性、阻感性及非線性負(fù)載研究低壓串弧故障識別方法，取得了以下研究結(jié)果：

1) 低壓配電線路的負(fù)載端故障電弧電壓信號具有明顯的非線性和非平穩(wěn)性，對其EMD分解獲得的IMF分量可有效反映故障電弧的特征，可用于故障電弧的特征量提取。

2)利用方差貢獻(xiàn)率可篩選出表征故障電弧特征信息的主要IMF分量。

3)將EMD提取的前5階IMF分量能量比作為特征向量，利用ELM網(wǎng)絡(luò)對故障電弧進(jìn)行診斷識別，具有識別效率高及實(shí)時(shí)性較好的特點(diǎn)。

[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]劉曉明,趙洋,曹云東,等.基于小波變換的交流系統(tǒng)串聯(lián)電弧故障診斷[J].電工技術(shù)學(xué)報(bào),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]孫鵬，鄭志成，閆榮妮,等.采用小波熵的串聯(lián)型故障電弧檢測方法[J].中國電機(jī)工程學(xué)報(bào),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]徐貞華.支持向量機(jī)的低壓故障電弧識別方法[J].電力系統(tǒng)及其自動化,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]張士文,張峰.王子駿,等.一種基于小波變換能量與神經(jīng)網(wǎng)絡(luò)結(jié)合的串聯(lián)型故障電弧辨識方法[J]電工技術(shù)學(xué)報(bào),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]繆希仁,郭銀婷,唐金城,等.負(fù)載端電弧電壓檢測與形態(tài)小波辨識研究[J]電工技術(shù)學(xué)報(bào).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]張海如,王國富,張法全,等.改進(jìn)的隨機(jī)共振和EMD混合模型用于轉(zhuǎn)子早期故障檢測[J].電機(jī)與控制學(xué)報(bào),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]孫一航,武建文,廉世軍,等.結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解能量總量法的斷路器振動信號特征向量提取[J].電工技術(shù)學(xué)報(bào),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]李建鵬，趙書濤，夏燕青.基于雙譜和希爾伯特一黃變換的斷路器故障診斷方法[J] 電力自動化設(shè)備,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,王亞曼,劉巖,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽能輻照量預(yù)測[J].電力自動化設(shè)備.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.

(編輯：張楠)

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

國家自然科學(xué)基金(51377023)；福建省教育廳教育科研項(xiàng)目(JA12050)

張麗萍(1977—)，女，博士研究生，講師，研究方向?yàn)殡姎庠O(shè)備在線監(jiān)測與故障診斷技術(shù)；

繆希仁(1965—)，男，教授，博士生導(dǎo)師，研究方向?yàn)殡娖骷捌湎到y(tǒng)智能化技術(shù)；

張麗萍

10.15938/j.emc.2016.09.008

TM 501

A

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

石敦義(1989—)，男，工程師，碩士，研究方向?yàn)殡姎庠O(shè)備在線監(jiān)測工作。