摘 要： 針對(duì)非線性負(fù)載和復(fù)雜組合負(fù)載發(fā)生串聯(lián)電弧故障時(shí)檢測(cè)效果不理想，提出一種基于改進(jìn)輕量型網(wǎng)絡(luò)MobileNet的串聯(lián)電弧故障檢測(cè)方法。根據(jù)磁通不對(duì)稱分布將中性線和相線同時(shí)穿過電流互感器獲取高頻電流耦合信號(hào)，通過在實(shí)驗(yàn)室模擬大量電弧故障實(shí)驗(yàn)，獲得國(guó)標(biāo)規(guī)定7種負(fù)載與常見家用電器5種負(fù)載的各類電弧故障樣本，運(yùn)用數(shù)據(jù)增強(qiáng)生成數(shù)據(jù)集進(jìn)行訓(xùn)練并測(cè)試，最后將串聯(lián)電弧故障檢測(cè)網(wǎng)絡(luò)模型搭載于電弧故障保護(hù)樣機(jī)上，進(jìn)行在線檢測(cè)測(cè)試。實(shí)驗(yàn)結(jié)果表明，所提方法能有效識(shí)別串聯(lián)電弧故障，且有利于實(shí)現(xiàn)電弧故障保護(hù)器的產(chǎn)品化。

關(guān)鍵詞： 串聯(lián)電弧故障; 不對(duì)稱分布; 輕量型網(wǎng)絡(luò); 故障檢測(cè)

中圖分類號(hào)： TM501+.2

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）02-0013-08

DOI： 10.16628/j.cnki.2095-8188.2024.02.003

Series Arc Fault Detection Method Based on Improved MobileNet

ZHENG Li， BAO Guanghai

（College of Electrical Engineering and Automation， Fuzhou University， Fuzhou 350108， China）

Abstract： A series arc fault detection method based on an improved lightweight network MobileNet is proposed to adress the unsatisfactory detection performance of series arc faclts with noulinear loads and complex combination loads. According to the asymmetric distribution of magnetic flux， the neutral and phase lines are simultaneously passed through the current transformer to obtain the high-frequency current coupling signals. By simulating a large number of arc fault experiments in the laboratory， various arc fault samples are obtained for 7 types of loads specified in the national standard and 5 types of loads commonly used in household appliances. Data augmentation is used to generate datasets for training and testing. Finally， the arc fault detection network model is mounted on the arc fault protection prototype for online detection testing.The experimental results show that the proposed method can effectively identify series arc faults and is conducive to the productization of arc fault protectors.

Key words： series arc fault; asymmetrical distribution; lightweight network; fault detection

0 引 言

根據(jù)消防局統(tǒng)計(jì)的數(shù)據(jù)，每年電氣火災(zāi)數(shù)約占總火災(zāi)數(shù)的30%，并且有逐年上升的趨勢(shì)。一般認(rèn)為引發(fā)電氣火災(zāi)的方式有短路、過載、擊穿空氣放電等，但實(shí)際上建筑中的電氣火災(zāi)大多由于各種絕緣故障因素誘發(fā)短路為主，進(jìn)而引發(fā)電火花、電弧故障等一系列連鎖反應(yīng)［1］。其中電弧故障是造成配電系統(tǒng)電氣火災(zāi)的重要誘因，可能造成嚴(yán)重的人身危害與經(jīng)濟(jì)損失。目前電弧故障檢測(cè)仍存在誤判和漏判的問題，也缺乏成型可靠的產(chǎn)品。

根據(jù)電弧故障發(fā)生位置與負(fù)載電路的串并聯(lián)關(guān)系，可將電弧故障細(xì)分為串聯(lián)型、并聯(lián)型以及接地型電弧故障3類。其中串聯(lián)電弧故障由于電弧阻抗與負(fù)載阻抗呈串聯(lián)關(guān)系，使得故障電流小于負(fù)載正常工作電流，基于電流增大的過電流保護(hù)技術(shù)無法檢測(cè)出串聯(lián)電弧故障。

串聯(lián)電弧故障檢測(cè)方法主要分為3類：基于電弧數(shù)學(xué)模型檢測(cè)電弧故障［2-4］，以 Mary 模型和Cassie經(jīng)典電弧模型為主，在其基礎(chǔ)上進(jìn)行改進(jìn)，但由于參數(shù)量與應(yīng)用問題，目前停留在仿真分析階段;基于電弧的物理現(xiàn)象檢測(cè)方法［5-6］，對(duì)電弧故障位置的聲音、光亮等進(jìn)行監(jiān)測(cè)，然而電弧故障產(chǎn)生的時(shí)間和位置都是不確定的，需要考慮傳感器的安裝位置與數(shù)量;基于主線路電壓、電流信號(hào)進(jìn)行分析，檢測(cè)電弧故障［5，7-13］。其中，文獻(xiàn)［8］引入了能量概念，構(gòu)建小波能量譜對(duì)電弧電壓信號(hào)進(jìn)行分析。文獻(xiàn)［10］提出基于電流相似度與高頻能量的檢測(cè)方法，采用小波函數(shù)預(yù)處理電流信號(hào)，由低、高頻特征量設(shè)定閾值檢測(cè)電弧故障。文獻(xiàn)［11］通過統(tǒng)計(jì)不同狀態(tài)下電流信號(hào)的峭度值，并加以多個(gè)周期檢測(cè)判斷，有效避免誤判斷的情況。文獻(xiàn)［12］采用人工智能算法對(duì)電流的時(shí)頻圖譜進(jìn)行聚類分析。根據(jù)單個(gè)特征或多特征融合設(shè)定特征閾值來判別線路是否發(fā)生電弧故障的檢測(cè)方法，在面對(duì)復(fù)雜未知的用電環(huán)境時(shí)，往往檢測(cè)效果不是很好，而人工智能算法需要獲取足夠數(shù)量的訓(xùn)練樣本和提高網(wǎng)絡(luò)深度來保證模型精度，傳統(tǒng)網(wǎng)絡(luò)硬件移植難度較大。如何提高判別的準(zhǔn)確率以及將算法應(yīng)用于實(shí)際產(chǎn)品仍是電弧故障檢測(cè)需要研究的重點(diǎn)。

因此，本文提出一種基于改進(jìn)MobileNet的串聯(lián)電弧故障檢測(cè)方法。該方法利用互感器中相線和中性線的磁通分布不對(duì)稱而產(chǎn)生的高頻剩余磁通耦合信號(hào)作為故障檢測(cè)信號(hào)，通過大量實(shí)驗(yàn)獲取不同組合負(fù)載的正常運(yùn)行數(shù)據(jù)與電弧故障情況下數(shù)據(jù)生成樣本訓(xùn)練驗(yàn)證集，基于改進(jìn)MobileNet建立串聯(lián)電弧故障檢測(cè)模型，將訓(xùn)練好的網(wǎng)絡(luò)模型移植進(jìn)芯片內(nèi)，并設(shè)計(jì)電弧故障檢測(cè)樣機(jī)的外圍電路，根據(jù)GB/T 31143—2014《電弧故障保護(hù)電器（AFDD）的一般要求》進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 串聯(lián)電弧故障實(shí)驗(yàn)及特征分析

1.1 高頻電流磁耦合機(jī)理

根據(jù)電磁感應(yīng)定律，交變的電流產(chǎn)生交變的磁場(chǎng)，若兩導(dǎo)線通有大小相等、方向相反的交變電流，在兩導(dǎo)線的外側(cè)磁場(chǎng)存在相互抵消削弱作用，而導(dǎo)線中間的磁場(chǎng)存在同向相互增強(qiáng)作用。

若將相線和中性線一起穿過互感器固定好，則線路正常工作時(shí)電流信號(hào)一進(jìn)一出相互抵消，且由于電流頻率較低，產(chǎn)生的磁場(chǎng)很小，故對(duì)互感器的耦合作用可近似為零。

發(fā)生電弧故障時(shí)，由于互感器中相線和中性線位置不對(duì)稱，導(dǎo)致電弧高頻分量在鐵芯上出現(xiàn)高頻剩余磁通，然后通過線圈耦合到二次側(cè)，對(duì)地電容造成的泄漏電流和高頻下位移電流非常小，幾乎可以忽略不計(jì)［14］。

1.2 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)采集

本文根據(jù)GB/T 31143—2014搭建的串聯(lián)電弧故障實(shí)驗(yàn)平臺(tái)由220 V/50 Hz電源、電弧發(fā)生器和負(fù)載柜組成。在標(biāo)準(zhǔn)規(guī)定的典型7種負(fù)載基礎(chǔ)上，另外添加了5種常見的家用負(fù)載進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)負(fù)載如表1所示。

電弧發(fā)生裝置是用來模擬現(xiàn)實(shí)中出現(xiàn)電弧故障的場(chǎng)景，由直徑6.5 mm 的固定碳極和直徑6.5 mm的移動(dòng)銅極組成，可以通過調(diào)節(jié)旋鈕來調(diào)整兩極之間間隙的長(zhǎng)度。電弧發(fā)生裝置如圖1所示。

實(shí)驗(yàn)平臺(tái)原理圖如圖2所示。通過連接不同的開關(guān)獲取到不同組合負(fù)載類型在不同位置發(fā)生電弧故障時(shí)主電路電流的高頻耦合信號(hào)，由采集卡將采集到的數(shù)據(jù)傳輸至電腦進(jìn)行分析處理生成訓(xùn)練集和驗(yàn)證集送入模型訓(xùn)練，并將訓(xùn)練完成的模型移植進(jìn)芯片內(nèi)部，最后編寫并調(diào)試底層代碼對(duì)電弧故障保護(hù)樣機(jī)的在線檢測(cè)效果進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1.3 電弧故障特征分析

交流電弧電流每半周自然過零，在過零前后的一小段時(shí)間內(nèi)，由于弧隙電阻變得非常大，電流值等于電弧電壓與電弧電阻的比值，從而電流被限制得很小近似為零，這段時(shí)間通常稱為電流的零休時(shí)間。電流零休前后時(shí)刻正是分析串聯(lián)電弧故障特征的關(guān)鍵點(diǎn)。熱水壺正常運(yùn)行與發(fā)生電弧故障波形如圖3所示。由圖3（b）可見，熱水壺電流波形存在零休現(xiàn)象。

然而部分非線性負(fù)載在正常運(yùn)行狀態(tài)下電流波形也出現(xiàn)了“零休”現(xiàn)象，且部分負(fù)載含有高次諧波，從而增大基于主線路電流檢測(cè)電弧故障的難度。不同負(fù)載主線路正常運(yùn)行電流波形如圖4所示。

高頻電流耦合信號(hào)是將相線和中性線同時(shí)穿過電流互感器固定，輸出端接采樣電阻得到雙線結(jié)構(gòu)耦合至二次回路的電壓信號(hào)。電流互感器使用ZCT505，該型號(hào)互感器具有良好的高頻特性。耦合信號(hào)采集互感器參數(shù)如表2所示。

典型負(fù)載的耦合信號(hào)波形如圖5所示。

由圖5可見，線路正常運(yùn)行情況下，負(fù)載電流的高頻耦合信號(hào)幅值較??；而當(dāng)線路發(fā)生電弧故障時(shí)，電弧高頻電流將耦合出許多高頻毛刺。不同負(fù)載的電流信號(hào)在經(jīng)過雙線結(jié)構(gòu)穿過高頻電流互感器轉(zhuǎn)換為耦合信號(hào)之后，使得正常特征和故障特征表現(xiàn)出明顯的差異性，降低了提取故障電流特征的復(fù)雜度，非常有利于電弧故障檢測(cè)。另外調(diào)光燈負(fù)載由于存在導(dǎo)通角，在正常運(yùn)行的情況下，會(huì)出現(xiàn)周期性的脈沖，若再與其他屏蔽性負(fù)載組合使用，人為提取特征類算法往往容易出現(xiàn)誤判斷，故引入深度學(xué)習(xí)來檢測(cè)電弧故障。

2 輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)

2.1 MobileNet神經(jīng)網(wǎng)絡(luò)架構(gòu)

MobileNet模型是基于一種深度可分離卷積的卷積結(jié)構(gòu)。其由一層深度卷積與一層逐點(diǎn)卷積組合而成，每一層卷積之后都緊跟著批規(guī)范化和ReLU激活函數(shù)。在精度基本不變的情況下，參數(shù)與計(jì)算量都明顯減少。

假設(shè)輸入的特征長(zhǎng)度為L(zhǎng)，Dk為卷積核大小，輸入通道數(shù)為M，輸出通道數(shù)為N，在計(jì)算精度不變的基礎(chǔ)上，深度可分離卷積的計(jì)算量與標(biāo)準(zhǔn)卷積計(jì)算量之比為

L·Dk·M+L·M·NL·Dk·M·N=1N+1Dk（1）

MobileNet V2模型在MobileNet模型的基礎(chǔ)上進(jìn)行改進(jìn)，加入反向殘差和線性瓶頸。傳統(tǒng)的殘差結(jié)構(gòu)特征通道維度先縮減后擴(kuò)展，V2版本網(wǎng)絡(luò)模型中殘差結(jié)構(gòu)利用第一層逐點(diǎn)卷積升維并使用Relu6激活函數(shù)代替Relu函數(shù)，之后深度卷積同樣使用Relu6激活函數(shù)，再逐點(diǎn)卷積降維，降維后使用Linear激活函數(shù)。這種結(jié)構(gòu)能使梯度更容易向淺層網(wǎng)絡(luò)流動(dòng)，解決網(wǎng)絡(luò)退化問題。

2.2 改進(jìn)的MobileNet神經(jīng)網(wǎng)絡(luò)架構(gòu)

MobileNet網(wǎng)絡(luò)被廣泛應(yīng)用于圖像識(shí)別的各個(gè)領(lǐng)域，輸入的數(shù)據(jù)為圖片各個(gè)點(diǎn)的RGB值，而電弧故障保護(hù)器所獲取到的檢測(cè)信號(hào)為一維信號(hào)，直接將其簡(jiǎn)單改成二維矩陣輸入網(wǎng)絡(luò)往往檢測(cè)效果欠佳，針對(duì)圖像識(shí)別網(wǎng)絡(luò)中二維卷積核無法較好處理一維信號(hào)的問題，本文在MobileNet-V2網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，以一維高頻電流耦合信號(hào)為輸入，調(diào)整網(wǎng)絡(luò)的內(nèi)部框架，使其能夠有效地識(shí)別電弧故障，并通過實(shí)驗(yàn)驗(yàn)證其效果。

在卷積神經(jīng)網(wǎng)絡(luò)中，感受野的定義是卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖上的像素點(diǎn)在輸入圖片上映射的區(qū)域大小。其公式可以表示為

ri=（ri+1－1）Si+ki（2）

式中： ri——第i層卷積層的感受野;

ri+1——第i+1層卷積層的感受野;

Si——卷積的步長(zhǎng);

ki——第i層卷積核的大小。

主流圖像識(shí)別卷積網(wǎng)絡(luò)選擇卷積核大小的原則是小而深，大部分采用3×3卷積核層疊來獲取更大的感受野。本文提出的改進(jìn)MobileNet網(wǎng)絡(luò)將輸入層改為3層卷積核大小為5的一維卷積層堆疊，替換掉原有的3×3的普通卷積層，在相對(duì)較少參數(shù)量的情況下獲取更大感受野，同時(shí)增加了網(wǎng)絡(luò)深度。

在構(gòu)建中間殘差網(wǎng)絡(luò)時(shí)，縮減了MobileNet倒殘差結(jié)構(gòu)層的數(shù)量，針對(duì)卷積網(wǎng)絡(luò)處理一維數(shù)據(jù)的要求和硬件算子限制，對(duì)網(wǎng)絡(luò)各層的輸入輸出結(jié)構(gòu)進(jìn)行了調(diào)整。最后輸出層使用平均池化與逐點(diǎn)卷積替代常規(guī)全連接層，以進(jìn)一步減少參數(shù)量。改進(jìn)MobileNet網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

3 實(shí)驗(yàn)結(jié)果與驗(yàn)證

3.1 訓(xùn)練驗(yàn)證樣本數(shù)據(jù)集的構(gòu)造

一般來說，數(shù)據(jù)集質(zhì)量的好壞直接影響著訓(xùn)練模型精度，故在優(yōu)化模型架構(gòu)的同時(shí)也要兼顧數(shù)據(jù)集的預(yù)處理。由于不同負(fù)載電流大小不同，訓(xùn)練時(shí)需將數(shù)據(jù)標(biāo)準(zhǔn)化處理，具體公式為

Y=X－μXσX（3）

式中： X——原始數(shù)據(jù)；

Y——標(biāo)準(zhǔn)化數(shù)據(jù)；

μX、σX——X的均值和方差。

數(shù)據(jù)增強(qiáng)可以讓有限的數(shù)據(jù)產(chǎn)生更多的數(shù)據(jù)，本實(shí)驗(yàn)將采集到的數(shù)據(jù)按10 000點(diǎn)的區(qū)間劃分后對(duì)其進(jìn)行隨機(jī)抽取20個(gè)區(qū)間長(zhǎng)度為8 000點(diǎn)的數(shù)據(jù)，既能防止等間隔劃分樣本導(dǎo)致起始點(diǎn)固定造成的過擬合，也能將數(shù)據(jù)集擴(kuò)充為原來的20倍，提高網(wǎng)絡(luò)模型的泛化能力。數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)負(fù)載類型如表3所示。

為了驗(yàn)證該方法的有效性，以改進(jìn)MobileNet網(wǎng)絡(luò)為檢測(cè)模型，按照表3中的負(fù)載類型生成訓(xùn)練集進(jìn)行實(shí)驗(yàn)。訓(xùn)練集A的每種負(fù)載由采集到的數(shù)據(jù)點(diǎn)等長(zhǎng)切片為8 000點(diǎn)的樣本;訓(xùn)練集B則將數(shù)據(jù)按10 000點(diǎn)的長(zhǎng)度等長(zhǎng)切片后，利用隨機(jī)函數(shù)抽取1個(gè)區(qū)間長(zhǎng)度為8 000點(diǎn)的數(shù)據(jù)作為樣本;訓(xùn)練集C在訓(xùn)練集B的基礎(chǔ)上每次隨機(jī)抽取20次作為訓(xùn)練樣本。3個(gè)數(shù)據(jù)集的數(shù)據(jù)源相同，均為采集卡采集的正常運(yùn)行與電弧故障各100萬(wàn)個(gè)數(shù)據(jù)點(diǎn)。實(shí)驗(yàn)中使用的驗(yàn)證集為ADS7886芯片按照表3中負(fù)載類型采集到的正常與故障實(shí)測(cè)數(shù)據(jù)各100組。

不同數(shù)據(jù)集神經(jīng)網(wǎng)絡(luò)適應(yīng)度值變化如圖7所示。由圖7可見，采用數(shù)據(jù)增強(qiáng)的訓(xùn)練集C所訓(xùn)練出來的網(wǎng)絡(luò)在驗(yàn)證集上表現(xiàn)效果最好。

3.2 超參數(shù)的選取

超參數(shù)是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中固定的參數(shù)，好的模型超參數(shù)可以有效提高網(wǎng)絡(luò)的準(zhǔn)確率，通過優(yōu)化算法來自動(dòng)學(xué)習(xí)需要耗費(fèi)較長(zhǎng)的時(shí)間，獲取的參數(shù)未必適合模型的移植和應(yīng)用。本文通過大量實(shí)驗(yàn)，以表3訓(xùn)練集C的負(fù)載類型、樣本數(shù)量為基準(zhǔn)生成訓(xùn)練集，針對(duì)輸入樣本的采樣率、每個(gè)樣本長(zhǎng)度、每個(gè)批量大小和學(xué)習(xí)率4個(gè)參數(shù)進(jìn)行經(jīng)驗(yàn)調(diào)參。訓(xùn)練參數(shù)表如表4所示。

根據(jù)實(shí)驗(yàn)結(jié)果，結(jié)合實(shí)際情況，最終采用采樣率100 k的耦合數(shù)據(jù)，以8 000點(diǎn)的數(shù)據(jù)長(zhǎng)度為輸入，樣本長(zhǎng)度設(shè)置為128，學(xué)習(xí)率設(shè)置為0.001，迭代次數(shù)設(shè)置為100次。

3.3 組合負(fù)載電弧檢測(cè)實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證改進(jìn)的MobileNet網(wǎng)絡(luò)在串聯(lián)電弧故障檢測(cè)的可靠性，在表3單負(fù)載訓(xùn)練集的基礎(chǔ)上，添加了幾組典型的組合負(fù)載的訓(xùn)練樣本，通過采集卡采集并經(jīng)過數(shù)據(jù)增強(qiáng)生成訓(xùn)練集。而驗(yàn)證集則使用ADS7886芯片采集的樣本數(shù)據(jù)，在訓(xùn)練集負(fù)載類型基礎(chǔ)上添加了未訓(xùn)練過的負(fù)載種類和組合方式來驗(yàn)證該網(wǎng)絡(luò)識(shí)別電弧的可靠性與泛化性。典型組合負(fù)載與未訓(xùn)練過的負(fù)載如表5所示。

改進(jìn)MobileNet網(wǎng)絡(luò)對(duì)組合負(fù)載驗(yàn)證集完成訓(xùn)練。電弧故障識(shí)別的混淆矩陣如圖8所示。

由混淆矩陣得出該模型的準(zhǔn)確率：TP+TNTP+TN+FP+FN=96.71%。

在統(tǒng)計(jì)學(xué)中常使用F1分?jǐn)?shù)（F1 Score）來衡量二分類模型精確度，其同時(shí)兼顧了分類模型的精確率和召回率。F1分?jǐn)?shù)可以看作是模型精確率和召回率的一種加權(quán)平均，其最大值是1，最小值是0。本文提出改進(jìn)MobileNet模型的F1分?jǐn)?shù)為TP/（TP+FN+FP2）=96.65%。

實(shí)驗(yàn)結(jié)果表明：在加入眾多未訓(xùn)練過的組合負(fù)載類型的情況下，本文所提出的改進(jìn)MobileNet網(wǎng)絡(luò)模型仍然可以實(shí)現(xiàn)較高的電弧故障識(shí)別率。

3.4 在線檢測(cè)實(shí)驗(yàn)驗(yàn)證

主控芯片采用Kendryte K210。該芯片配備雙核64位處理器，擁有較好的功耗性能。圍繞其設(shè)計(jì)外圍電路，檢測(cè)樣機(jī)主控板大小為45 mm×39 mm。檢測(cè)樣機(jī)實(shí)物圖如圖9所示。

樣機(jī)可以安裝空氣開關(guān)等保護(hù)裝置內(nèi)部，方便實(shí)現(xiàn)產(chǎn)品化。將訓(xùn)練好的網(wǎng)絡(luò)模型轉(zhuǎn)換為C語(yǔ)言可以識(shí)別的代碼移植進(jìn)芯片內(nèi)部，編寫相應(yīng)的底層代碼，利用芯片的雙線程并行處理AD信號(hào)的采集和神經(jīng)網(wǎng)絡(luò)的計(jì)算，可以實(shí)現(xiàn)電弧故障實(shí)時(shí)在線檢測(cè)。

參考GB/T 31143—2014，按負(fù)載和電弧故障發(fā)生位置分為4組配置對(duì)電弧故障檢測(cè)樣機(jī)進(jìn)行在線檢測(cè)實(shí)驗(yàn)，選取5 A阻性負(fù)載作為抑制性負(fù)載，對(duì)真空吸塵器、空氣壓縮機(jī)、調(diào)光白熾燈、熒光燈、鹵素?zé)?、手電鉆6種屏蔽性負(fù)載進(jìn)行試驗(yàn)。配置A為負(fù)載單獨(dú)運(yùn)行時(shí)發(fā)生電弧故障的檢測(cè)，配置B為抑制性負(fù)載支路發(fā)生電弧故障并與正常運(yùn)行的屏蔽性負(fù)載并聯(lián)，配置C為屏蔽性負(fù)載支路發(fā)生電弧故障并與正常運(yùn)行的抑制性負(fù)載支路并聯(lián)，配置D為抑制性負(fù)載和屏蔽性負(fù)載組合時(shí)干路發(fā)生電弧故障。在GB/T 31143—2014各個(gè)實(shí)驗(yàn)電流條件下，電弧故障檢測(cè)最長(zhǎng)時(shí)間如表6所示。未在表內(nèi)規(guī)定實(shí)驗(yàn)電流的最長(zhǎng)檢測(cè)時(shí)間應(yīng)根據(jù)線性內(nèi)插法確定，當(dāng)采用電弧故障發(fā)生器時(shí)，規(guī)定應(yīng)在2.5倍表6規(guī)定的時(shí)間內(nèi)檢測(cè)電弧故障。

實(shí)驗(yàn)首先在所有配置正常運(yùn)行情況下進(jìn)行測(cè)試，電弧故障檢測(cè)樣機(jī)均在正常運(yùn)行的30 s內(nèi)無誤判情況出現(xiàn)。隨后進(jìn)行電弧故障實(shí)驗(yàn)，通過電弧故障發(fā)生裝置模擬電弧故障，每種負(fù)載組合重復(fù)30次。在線檢測(cè)實(shí)驗(yàn)結(jié)果如表7所示。除了極少部分抑制性負(fù)載微弱的電弧故障，其余電弧故障均能被檢測(cè)樣機(jī)有效識(shí)別，且改進(jìn) MobileNet檢測(cè)方法的運(yùn)行時(shí)間為71 ms，檢測(cè)樣機(jī)采集數(shù)據(jù)時(shí)間為80 ms，利用雙線程檢測(cè)一次電弧故障耗時(shí)151 ms，在4種配置的實(shí)驗(yàn)電流下均滿足最大檢測(cè)時(shí)間要求。

3.5 同現(xiàn)有電弧檢測(cè)模型效果對(duì)比

為了進(jìn)一步驗(yàn)證本文方法在電弧故障檢測(cè)的優(yōu)勢(shì)，將其與一些常見的檢測(cè)方法進(jìn)行比較。常見電弧檢測(cè)方法對(duì)比如表8所示。文獻(xiàn)［15］采用基于模態(tài)分解與特征匹配的電弧故障識(shí)別算法，使用電熱取暖器、風(fēng)機(jī)與帶芯片控制的LED白光燈作為實(shí)驗(yàn)負(fù)載來模擬典型阻性負(fù)載、阻感性負(fù)載與非線性負(fù)載的電弧故障情況，綜合準(zhǔn)確率達(dá)94.80%，但未考慮同類型其他負(fù)載是否適用。文獻(xiàn)［16］利用小波閾值去噪對(duì)單一負(fù)載、組合負(fù)載進(jìn)行實(shí)驗(yàn)分析，提取電弧故障公共閾值，但是對(duì)采樣頻率的要求苛刻，不同負(fù)載需要進(jìn)行人為干預(yù)調(diào)整，不適合實(shí)際產(chǎn)品的應(yīng)用。文獻(xiàn)［17］采用高階統(tǒng)計(jì)量峭度，但不能區(qū)分正常脈沖與電弧脈沖，在與非線性負(fù)載一起工作時(shí)，會(huì)出現(xiàn)不必要的誤判。文獻(xiàn)［18-19］均利用神經(jīng)網(wǎng)絡(luò)來檢測(cè)電弧故障，但對(duì)于單一負(fù)載、組合負(fù)載類型的驗(yàn)證數(shù)據(jù)較少，且網(wǎng)絡(luò)體積較大。最后對(duì)部分方法進(jìn)行復(fù)現(xiàn)，并增加組合負(fù)載進(jìn)行泛化驗(yàn)證。空間卷積神經(jīng)網(wǎng)絡(luò)（SCNN）由于需要轉(zhuǎn)化圖片故無法硬件驗(yàn)證運(yùn)行時(shí)間。相比之下，本文提出的電弧故障檢測(cè)方法在實(shí)際應(yīng)用和泛化性能上更具優(yōu)勢(shì)。

4 結(jié) 語(yǔ)

針對(duì)復(fù)雜用電環(huán)境的串聯(lián)電弧故障檢測(cè)難題，本文搭建了串聯(lián)電弧故障實(shí)驗(yàn)平臺(tái)，對(duì)不同類型負(fù)載的電流信號(hào)進(jìn)行了特征分析，采用高頻電流耦合信號(hào)作為特征輸入，提出了一種基于改進(jìn)MobileNet網(wǎng)絡(luò)的電弧故障檢測(cè)方法并進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：在國(guó)標(biāo)規(guī)定及其他常見家庭負(fù)載上均實(shí)現(xiàn)了電弧故障的準(zhǔn)確檢測(cè)。此外，通過硬件實(shí)現(xiàn)電弧故障在線檢測(cè)，有利于實(shí)現(xiàn)電弧故障保護(hù)器的產(chǎn)品化，提升民用建筑領(lǐng)域?qū)﹄姎饣馂?zāi)的防范等級(jí)，具有極高的經(jīng)濟(jì)和社會(huì)價(jià)值。

【參 考 文 獻(xiàn)】

［1］ 吳志強(qiáng)， 王德坤， 伍林， 等.電氣火災(zāi)成因及防范技術(shù)分析［J］.消防界（電版），2020，6（12）：14-17.

［2］ 江潤(rùn)， 方艷東， 鮑光海， 等.適用于低壓串聯(lián)故障電弧的Mayr改進(jìn)模型［J］.電器與能效管理技術(shù)，2019（21）：14-18.

［3］ 劉艷麗， 郭鳳儀， 李磊， 等.一種串聯(lián)型故障電弧數(shù)學(xué)模型［J］.電工技術(shù)學(xué)報(bào)， 2019，34（14）：2901-2912.

［4］ 高小慶， 陳曉軍， 鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型［J］.電器與能效管理技術(shù)，2021（3）：6-12.

［5］ PARIKH P， ALLCOCK D， LUNA R， et al. A novel approach for arc-flash detection and mitigation： At the speed of light and sound［J］.IEEE Transactions on Industry Applications，2014，50（2）：1496-1502.

［6］ 陳照， 李奎， 張洋子， 等.基于電弧電磁輻射的故障電弧識(shí)別［J］.電工電能新技術(shù)，2017，36（3）：70-74.

［7］ 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.

［8］ 單瀟潔， 鄭昕.基于小波分析的低壓電弧特性識(shí)別模型的研究［J］.電器與能效管理技術(shù)，2021（6）：7-14.

［9］ GUO F， GAO H， WANG Z， et al. Detection and line selection of series arc fault in multi-load circuit［J］.IEEE Transactions on Plasma Science，2019，47（11）： 5089-5098.

［10］ 王堯， 田明， 謝振華， 等.基于電流相似度與高頻能量的串聯(lián)故障電弧檢測(cè)方法［J］.電測(cè)與儀表，2022，59（6）：158-165.

［11］ BAO G H， JIANG R， GAO X Q. Novel series arc fault detector using high-frequency coupling analysis and multi-indicator algorithm［J］.IEEE Access， 2019，7： 92161-92170.

［12］ 任志玲， 南忠明.基于改進(jìn)CNN的串聯(lián)型故障電弧識(shí)別方法研究［J］.控制工程，2022，29（2）：263-270.

［13］ 葛蘊(yùn)慧， 李靜， 曹云東.基于圖像處理的低壓直流電弧特性檢測(cè)研究［J］.電器與能效管理技術(shù)，2019（22）：17-22.

［14］ 鮑光海， 江潤(rùn).基于磁通不對(duì)稱分布的串聯(lián)電弧故障檢測(cè)研究［J］.儀器儀表學(xué)報(bào)，2019，40（3）：54-61.

［15］ 陳浩， 閻俏， 張桂青， 等.基于模態(tài)分解與特征匹配的串聯(lián)故障電弧識(shí)別方法研究［J］.計(jì)算機(jī)測(cè)量與控制，2021，29（11）：53-60.

［16］ 張冠英， 張曉亮， 劉華， 等.低壓系統(tǒng)串聯(lián)故障電弧在線檢測(cè)方法［J］.電工技術(shù)學(xué)報(bào)，2016，31（8）：109-115.

［17］ BAO G H， JIANG R， LIU D J.Research on series arc fault detection based on higher-order cumulants［J］. IEEE Access， 2019，7：4586-4597.

［18］ 余瓊芳， 徐靜， 楊藝.基于CNN_LSTM模型的復(fù)雜支路故障電弧檢測(cè)［J］.中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2022，18（4）：204-210.

［19］ 張婷， 王海淇， 張認(rèn)成， 等.基于自歸一化神經(jīng)網(wǎng)絡(luò)的電弧故障檢測(cè)方法［J］.儀器儀表學(xué)報(bào)，2021，42（3）：141-149.

收稿日期： 20230708