摘 要： 基于電器種類繁多，不同電器發(fā)生電弧故障時(shí)電流波形相似難以檢測(cè)，容易引起保護(hù)的誤動(dòng)和拒動(dòng)，提出基于鯨魚優(yōu)化算法（WOA）改進(jìn)隨機(jī)森林（RF）的電弧故障檢測(cè)方法。按照GB 14287.4—2014，設(shè)計(jì)并搭建了故障電弧實(shí)驗(yàn)平臺(tái)，采集故障電弧信號(hào)，提取特征值，引入改進(jìn)WOA對(duì)RF進(jìn)行參數(shù)智能優(yōu)化并求解。對(duì)比經(jīng)典RF算法實(shí)驗(yàn)結(jié)果，共收集7種負(fù)載組合320組正常、故障數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明優(yōu)化模型的識(shí)別效果優(yōu)于經(jīng)典RF算法，可以有效地診斷電弧故障。

關(guān)鍵詞： 電弧故障; 鯨魚優(yōu)化算法; 特征提取; 改進(jìn)隨機(jī)森林

中圖分類號(hào)： TM501+.2

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）02-0021-07

DOI： 10.16628/j.cnki.2095-8188.2024.02.004

Arc Fault Detection Method Based on Whale Optimization Algorithm to Improve Random Forest

ZHU Hai

［Key Laboratory of Modern Power System Simulation and Control amp; Renewable Energy Technology Ministry of Education （Northeast Electric Power University） ， Jilin 132000， China］

Abstract： Based on the wide variety of appliances， it is difficult to detect similar current waveforms when different appliances experience a fault arc， which can easily lead to misoperation and rejection of protection. A arc fault detection method based on whale optimization algorithm （WOA） to improve random forest （RF） algorithm is proposed. According to the national standard GB14287.4—2014， a arc fault experimental platform is independently designed and built to collect fault arc signals and extract feature values. Introducing an improved WOA to intelligently optimize and solve RF parameters. Comparing the experimental results of the classical random forest algorithm， a total of 320 sets of normal fault data from seven load combinations are collected for experiments. The experimental results show that the recognition effect of the optimized model is better than that of the classical random forest algorithm， and it can effectively diagnose arcs fault.

Key words： arc fault; whale optimization algorithm（WOA）; feature extraction; improved random forest

0 引 言

在家庭用電中，電弧故障現(xiàn)象非常常見，這種現(xiàn)象通常由電氣線路或設(shè)備中的絕緣層損壞、連接松動(dòng)或電壓電流波動(dòng)等原因引起，導(dǎo)致周圍空氣被電擊穿并發(fā)生氣體放電。研究表明，即使是2～10 A的電弧電流也能產(chǎn)生幾千度的高溫［1-3］。如果線路發(fā)生短路時(shí)間過(guò)長(zhǎng)而不被切除，導(dǎo)致熱量積累，可能損壞絕緣或發(fā)生類似火災(zāi)的嚴(yán)重事故，這類電弧是人們不希望產(chǎn)生的，被稱為故障電弧。對(duì)故障電弧特征進(jìn)行分析，從而快速及時(shí)地確定故障電弧，減少嚴(yán)重事故的發(fā)生，具有很強(qiáng)的經(jīng)濟(jì)價(jià)值。

目前，電弧故障檢測(cè)方法大致分為3類。第一類是基于軟件仿真模型的檢測(cè)方法，該方法基于仿真軟件對(duì)電弧模型與電路進(jìn)行搭接，常見的電弧模型有Cassie電弧模型、Mayr電弧模型。第二類是基于弧聲、弧光等物理特征的檢測(cè)方法，故障電弧的特征物理量有很多［4-5］， 由于物理量遠(yuǎn)距離傳播會(huì)造成很大誤差或衰減為微弱信號(hào)，這就要求傳感器布置在故障發(fā)生位置附近，但電力網(wǎng)本身復(fù)雜且空間跨度大，電弧發(fā)生位置的隨機(jī)性使得物理量的測(cè)量難度較大［6-9］。第三類是基于AI的方法，并分為兩種：第一種是基于特征提取和傳統(tǒng)機(jī)器學(xué)習(xí)模型的診斷方法，使用支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）等其他模型來(lái)識(shí)別電弧故障的特點(diǎn);第二種是基于數(shù)據(jù)分割的深度學(xué)習(xí)電弧故障診斷方法［10-12］，通常采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為特征提取方法［13］，從模型中挖掘電弧故障信號(hào)的信息分布，實(shí)現(xiàn)電弧故障的有效診斷［14］。

文獻(xiàn)［15］通過(guò)特征值分析判斷是否為開關(guān)電源型負(fù)載，最后通過(guò)對(duì)應(yīng)的隨機(jī)森林模型（RF）進(jìn)行故障識(shí)別。文獻(xiàn)［16-17］通過(guò)小波熵來(lái)反映電弧故障的電信號(hào)能量分布，提取故障狀態(tài)電流的瞬變信號(hào)作為判斷電路是否發(fā)生電弧故障的依據(jù)。文獻(xiàn)［18］采用電磁輻射信號(hào)作為特征并充分考慮環(huán)境及自身的影響因素，該方法不限負(fù)載類型并有較高準(zhǔn)確率。文獻(xiàn)［19］通過(guò)利用小波包去除電流信號(hào)中的噪聲，同時(shí)利用EMD分解處理電弧故障信號(hào)，最后進(jìn)行SVM算法判斷是否發(fā)生故障。文獻(xiàn)［20］對(duì)于多種負(fù)荷的故障進(jìn)行特征提取，根據(jù)神經(jīng)網(wǎng)絡(luò)搭建基于RF模型的電弧故障檢測(cè)模型。該方法在直流系統(tǒng)中識(shí)別效果良好。但在家庭交流用電背景下，負(fù)載種類多樣化，特征往往對(duì)比不明顯，這種方法不利于在交流系統(tǒng)中檢測(cè)故障。

本文通過(guò)分析大量的電弧故障數(shù)據(jù)，同時(shí)根據(jù)故障的特性來(lái)選取合適的特征值，采用優(yōu)化的RF算法模型來(lái)進(jìn)行故障電弧的檢測(cè)。RF算法能夠快速處理高維數(shù)據(jù)，且可以給出各個(gè)特征的重要程度，并且不需要特征降維就能進(jìn)行有效識(shí)別。

1 串聯(lián)電弧故障數(shù)據(jù)的收集

1.1 電弧發(fā)生平臺(tái)的搭建與電流信號(hào)的收集

按照GB/T31143—2014《電弧故障保護(hù)電器（AFDD的一般要求）》，自主設(shè)計(jì)并搭建了適用于220 V的交流電弧故障信號(hào)采集平臺(tái)。串聯(lián)電弧故障實(shí)驗(yàn)平臺(tái)［21-22］如圖1所示。電弧故障發(fā)生裝置由固定電極和步進(jìn)電機(jī)控制的移動(dòng)電極組成。固定電極材質(zhì)為石磨棒，移動(dòng)電極為銅棒。

在實(shí)驗(yàn)開始時(shí)，收集正常狀態(tài)信號(hào)，兩電極狀態(tài)為接觸，閉合開關(guān)1形成通路，然后通過(guò)步進(jìn)電機(jī)來(lái)控制兩電極之間的距離，當(dāng)分開一定距離時(shí)，會(huì)產(chǎn)生持續(xù)的電弧。通過(guò)示波器等收集正常和故障狀態(tài)下的電信號(hào)，然后進(jìn)行信號(hào)處理分析［23］。實(shí)驗(yàn)所用負(fù)載參數(shù)如表1所示。

1.2 故障電流特性分析

1.2.1 故障電流波形

負(fù)載呈阻性時(shí)，將線路正常運(yùn)行和發(fā)生電弧故障時(shí)的電流波形進(jìn)行對(duì)比。在一些其他論文中可以發(fā)現(xiàn)在阻性負(fù)載電弧故障期間，有明顯的“零休”現(xiàn)象［24］。但是一些實(shí)際情況下，部分阻性負(fù)載不存在“零休”現(xiàn)象，而是在每個(gè)半波中時(shí)間靠近過(guò)零點(diǎn)的四分之一波中存在一段折線這一現(xiàn)象。阻性負(fù)載電流波形對(duì)比如圖2所示。負(fù)載呈感性時(shí)，與常規(guī)電流波形比較，發(fā)現(xiàn)故障電流波形在峰值與肩部附近波形存在一定的失真，并伴隨著某些頻率的高次諧波。感性負(fù)載電流波形對(duì)比如圖3所示。負(fù)載為典型非線性負(fù)載時(shí)，與上述負(fù)載故障時(shí)具有特征相似性，在發(fā)生電弧故障時(shí)零點(diǎn)處出現(xiàn)了大量明顯的波動(dòng)。非線性負(fù)載電流波形對(duì)比如圖4所示。

1.2.2 電流波形特征分析

在交流電壓作用下，通過(guò)對(duì)實(shí)驗(yàn)所得的電流波形的觀察，可以得出串聯(lián)故障電弧的總體特性：

（1）在波形峰值及“肩部”處，均有比較高次的諧波;

（2）電弧電流略小于負(fù)載正常的電流;

（3）電弧電流的上升率增大;

（4）電弧電壓波形類似于矩形，且發(fā)生故障電弧時(shí)，電壓會(huì)有所下降;

對(duì)線性負(fù)載，故障電弧電流表現(xiàn)出平肩區(qū)域、電流上升率增加、高次諧波增加、電流幅值減小等特征;而對(duì)于非線性負(fù)載，并不具備顯著的相似性，因此單純從電弧電流的波形上較難分辨出正常電流與故障電弧電流，需要使用更精確的識(shí)別手段。然而，識(shí)別難點(diǎn)在于阻性負(fù)載時(shí)故障電流波形與線路帶感性、阻感性負(fù)載時(shí)的正常電流波形十分相似，這使得識(shí)別準(zhǔn)確率明顯降低，針對(duì)該類現(xiàn)象本文采用正常電流波形先對(duì)這兩種負(fù)載進(jìn)行預(yù)分類，然后送入訓(xùn)練好的識(shí)別模型。

2 鯨魚算法優(yōu)化與隨機(jī)森林

2.1 改進(jìn)的鯨魚優(yōu)化算法原理

2.1.1 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法（WOA）由Seyedali Mirjalili教授于2016年研發(fā)的一種優(yōu)化算法［25］。該算法通過(guò)研究鯨魚產(chǎn)生螺旋氣泡捕獵的模式，來(lái)尋求方程的最優(yōu)解。該算法具有參數(shù)少、結(jié)構(gòu)簡(jiǎn)單等特點(diǎn)，尤其在多元函數(shù)求解精度方面具有一定優(yōu)勢(shì)，并且在求解的收斂速度上優(yōu)于粒子群優(yōu)化算法。

WOA的數(shù)學(xué)模型包括以下3個(gè)方面：搜索獵物、包圍獵物和氣泡網(wǎng)驅(qū)趕。

（1）包圍獵物：座頭鯨共享當(dāng)前的獵物信息，然后其他個(gè)體向最靠近獵物的那頭鯨魚靠近，數(shù)學(xué)模型為

X（t+1）=X（t）-A·DD=｜C·X（t）-X（t）｜（1）

式中： X*（t）——隨機(jī)選擇的鯨魚位置;

X（t）——當(dāng)前鯨魚的位置信息;

D——其他鯨魚與當(dāng)前鯨魚之間的距離;

t——當(dāng)前的迭代次數(shù);

A、C——向量系數(shù)。

其中，

A=2a·r1－aD=2r2a=2－2t/tmax（2）

式中： r1、r2——［0，1］均勻分布隨機(jī)數(shù);

tmax——最大迭代次數(shù);

a——收斂因子，從2到0線性遞減。

（2）旋轉(zhuǎn)搜索：鯨魚在搜尋獵物時(shí)通過(guò)氣泡螺旋驅(qū)趕獵物，最后將獵物驅(qū)趕到螺旋中心，然后一口吞下。螺旋搜尋的表達(dá)式為

X（t+1）=X（t）+D·eblcos（2πl(wèi)）D=｜C·X（t）-X（t）｜（3）

式中： b——決定螺旋形狀的參數(shù);

l——［-1，1］均勻分布隨機(jī)數(shù)。

（3）隨機(jī)搜索：為了提高鯨魚捕捉到食物的概率，讓鯨魚在初始時(shí)隨機(jī)地搜尋獵物，可以增大搜索范圍。當(dāng)鯨魚位置處于收縮圈外，即|A|≥1時(shí)，選擇隨機(jī)搜尋;當(dāng)處在收縮圈內(nèi)時(shí)，即|A|lt;1時(shí)采取螺旋收縮的方式。

X（t+1）=Xrand（t）－A·｜C·Xrand（t）－X（t）｜（4）

式中： Xrand——一個(gè)隨機(jī)的位置。

WOA是3種方法的結(jié)合。通過(guò)研究發(fā)現(xiàn)，該算法主要存在兩點(diǎn)不足：收斂速度不夠快，全局搜索能力較差。根據(jù)標(biāo)準(zhǔn)鯨魚位置更新方式，引入兩種改進(jìn)方式構(gòu)成全局搜索策略，提升算法的尋優(yōu)能力［25］。

2.1.2 改進(jìn)WOA

（1）自適應(yīng)權(quán)重：受到粒子群優(yōu)化算法的啟發(fā)，在更新位置時(shí)考慮權(quán)重w，在運(yùn)算初期，可以更快地消除效果差的數(shù)據(jù)的影響。隨著迭代次數(shù)的增加，離目標(biāo)越近的鯨魚所獲得的權(quán)重越高，這樣可以提高收斂速度。選用迭代次數(shù)T，自適應(yīng)權(quán)值為

w（t）=0.2cosπ2·（1－ttmax）（5）

由式（5）可知與正弦函數(shù)在［0，π/2］的性質(zhì)相同，當(dāng)t數(shù)值較小時(shí)，斜率較大;在計(jì)算后期數(shù)值較大，斜率較小，但變化速度會(huì)減緩，這樣可以保證算法收斂性。優(yōu)化后的位置更新公式為

X（t+1）=w（t）X（t）-A·｜C·X（t）-X（t）｜，Plt;0.5w（t）X（t）+D·eblcos（2πl(wèi)），P≥0.5（6）

X（t+1）=w（t）Xrand（t）－A·｜C·Xrand（t）－X（t）｜（7）

式中：P——［0，1］隨機(jī)生成的數(shù)值。

在引入權(quán)重后，權(quán)重值會(huì)隨著迭代次數(shù)的增加而變化。在運(yùn)算一段時(shí)間后，由于權(quán)重的影響，種群會(huì)快速地向最優(yōu)位置靠攏，并且會(huì)增加移動(dòng)速度，從而更快達(dá)到收斂條件。

（2）最優(yōu)鄰域擾動(dòng)：鯨魚在更新下個(gè)位置時(shí)，一般選取當(dāng)前最優(yōu)位置作為目標(biāo)去靠近。在迭代過(guò)程中，在最開始最優(yōu)位置不一定出現(xiàn)，導(dǎo)致剛開始計(jì)算時(shí)一些位置無(wú)法進(jìn)行位置的更新。對(duì)此提出最優(yōu)鄰域擾動(dòng)原則，將最靠近最優(yōu)位置的鯨魚作為位置更新的目標(biāo)。找到較為合適的最優(yōu)值，這樣可以提高收斂速度，還可以防止運(yùn)算結(jié)果出現(xiàn)早熟的現(xiàn)象。最優(yōu)鄰域擾動(dòng)可以增加算法對(duì)全域的搜索，鄰域擾動(dòng)公式為

Xε（t）=X（t）+0.5rand1·X（t），rand1lt;0.5X（t），rand2≥0.5（8）

式中： Xε（t）——生成的新位置；

rand1、rand2——［0，1］隨機(jī)生成的數(shù)值。

對(duì)于生成的鄰域位置，采用貪婪的策略判斷是否保留，即

X*（t）=Xε（t），f（Xε（t））lt;f（X（t））X（t），f（Xε（t））≥f（X（t））（9）

式中： f（x）——位置適應(yīng)值。

對(duì)比更新后的位置與原位置，如果優(yōu)于原位置則保留，使其成為全局最優(yōu)，否則保持不變。

2.2 改進(jìn)RF算法

RF算法的基礎(chǔ)分類器是決策樹。由于決策樹采取單一分類器的決策方式，其不可避免地存在一定缺陷［26］。① 容易陷入局部最優(yōu)解。當(dāng)在樹的某一層進(jìn)行一次測(cè)試后，其不會(huì)回溯重新考慮而是直接給出結(jié)果。② 容易發(fā)生過(guò)度擬合現(xiàn)象。由于復(fù)雜的分類器，可能出現(xiàn)對(duì)噪聲的適應(yīng)情況，出現(xiàn)過(guò)擬合現(xiàn)象。③ 對(duì)于關(guān)鍵參數(shù)的選取，沒(méi)有經(jīng)驗(yàn)的情況下選取的參數(shù)可能在配合數(shù)據(jù)運(yùn)算時(shí)產(chǎn)生不理想的結(jié)果。 RF算法原理如圖5所示。

為解決這些問(wèn)題，參考改進(jìn)WOA，對(duì)經(jīng)典的RF算法進(jìn)行了優(yōu)化，解決陷入局部最優(yōu)解和過(guò)度擬合的情況，并對(duì)關(guān)鍵的兩個(gè)參數(shù)，樹枝數(shù)和葉子數(shù)進(jìn)行最優(yōu)選取。電弧故障識(shí)別流程如圖6所示。

3 故障電弧特性選取

3.1 時(shí)域特征選取

在本文實(shí)驗(yàn)條件下采集到的各類負(fù)載的波形中可以看出，非線性負(fù)載在故障情況下電流波形特征非常復(fù)雜，對(duì)于時(shí)域波形分析，相比于有量綱指標(biāo)，無(wú)量綱指標(biāo)與標(biāo)幺值近似，運(yùn)算結(jié)果更為簡(jiǎn)潔清晰。當(dāng)線路上發(fā)生電弧故障時(shí)，電流瞬時(shí)值變化速率一般會(huì)加快。因此可將該特征和以下選取的3個(gè)無(wú)量綱指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入。電流瞬時(shí)值變化速率最大值Vmax計(jì)算公式為

Vmax=（i2－i1，i3－i2，…iN－iN－1）max（10）

式中： N——采樣點(diǎn)數(shù);

I——電流信號(hào)的瞬時(shí)值。

峰值指標(biāo)Cf定義為信號(hào)峰值與均方根值之比。計(jì)算式為

Cf=xmaxxrms=max［xτ（τ）］1N∑Ni=1xi2（11）

式中： xmax——信號(hào)峰值;

xrms——信號(hào)均方根值;

xi——第i個(gè)離散信號(hào)幅值;

xτ——所處理的離散信號(hào)序列。

脈沖指標(biāo)If定義為信號(hào)峰值與絕對(duì)均值之比。計(jì)算式為

If=xmaxx-=max［xτ（τ）］1N∑Ni=1xi（12）

式中： |x-|——信號(hào)絕對(duì)均值。

裕度指標(biāo)Lf定義為信號(hào)峰值與方根幅值之比。計(jì)算式為

Lf=xmaxxr=max［xτ（τ）］1N∑Ni=1xi2（13）

式中： xr——信號(hào)方根幅值。

對(duì)時(shí)域信號(hào)進(jìn)行FFT變換后，發(fā)現(xiàn)故障狀態(tài)下電流波形有不同程度的畸變。因此本文增加了總諧波畸變率eTHD的計(jì)算，用來(lái)表征故障信號(hào)的畸變程度。計(jì)算公式為

eTHD=∑Hk=2IkI12=∑Hk=2DkD12（14）

式中： I1——電流信號(hào)基波有效值;

Ik——電流信號(hào)第k次諧波有效值;

D1——基波幅值;

Dk——第k次諧波幅值;

H——指定階數(shù)，本文取到第60次。

選擇0～3 kHz頻段的諧波能量值作為電弧故障的識(shí)別依據(jù)。計(jì)算式為

Ek=∑nk=0D2k（15）

式中： Ek——總諧波能量;

n——諧波最高次數(shù);

Dk——第k次諧波幅值。

3.2 時(shí)頻域特征選取

串聯(lián)電弧故障時(shí)，故障電流信號(hào)帶有一定的隨機(jī)性，可能包含不同強(qiáng)度的高頻信號(hào)。小波能量譜用來(lái)描述信號(hào)或時(shí)間序列按頻率分布的能量，小波分解細(xì)節(jié)信號(hào)能量E（Dj）表達(dá)式為

∑E（Dj）=∫T0gj（t）2dt=∑Ni=1dji2（16）

式中： T——對(duì)離散信號(hào)的分析時(shí)間;

gj（t）——第j層的細(xì)節(jié)信號(hào);

dji——gj（t）的離散點(diǎn)幅值。

熵值用來(lái)表示系統(tǒng)的不確定程度，信息熵越高，可以輸出的信息越多。根據(jù)香農(nóng)信息熵的基本理論，小波熵值SWT定義為

SWT=－∑j=p+1k=1εklgεk（17）

式中： p——信號(hào)分解層數(shù);

εk——信號(hào)第k個(gè)分量能量與信號(hào)總能量之比。

影響神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率的主要因素包括神經(jīng)網(wǎng)絡(luò)參數(shù)的選取和所選取的故障特征值。

通過(guò)MATLAB對(duì)電信號(hào)處理并提取得到的特征值。不同負(fù)載在發(fā)生故障時(shí)部分特征值變化對(duì)比如圖7所示。對(duì)多數(shù)負(fù)載來(lái)說(shuō)，正常狀態(tài)與故障狀態(tài)有較明顯差別但也存在部分特征值差別不大的情況。

4 實(shí)驗(yàn)結(jié)果及分析

RF算法在實(shí)驗(yàn)時(shí)要在訓(xùn)練樣本中無(wú)放回地隨機(jī)抽取由m個(gè)特征以及一個(gè)類別標(biāo)簽組成的n個(gè)訓(xùn)練樣本組成訓(xùn)練集D1，剩下的數(shù)據(jù)作為測(cè)試集樣本T1，進(jìn)行訓(xùn)練得到準(zhǔn)確率結(jié)果，再重復(fù)操作10次并取平均值作為最終的訓(xùn)練結(jié)果。

本次實(shí)驗(yàn)總共收集特征組數(shù)320組，特征數(shù)為8，在進(jìn)行分類預(yù)測(cè)實(shí)驗(yàn)前將樣本數(shù)據(jù)隨機(jī)打亂，按照訓(xùn)練集數(shù)據(jù)與預(yù)測(cè)集數(shù)據(jù)比例為5∶1進(jìn)行劃分。進(jìn)行分類預(yù)測(cè)實(shí)驗(yàn)并重復(fù)操作10次。優(yōu)化算法識(shí)別結(jié)果如圖8所示;優(yōu)化收斂曲線如圖9所示;兩種方法測(cè)試結(jié)果對(duì)比如表2所示。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，在對(duì)數(shù)據(jù)進(jìn)行預(yù)分類后識(shí)別成功率提升，可以消除波形相近帶來(lái)的識(shí)別錯(cuò)誤。并且測(cè)試集的數(shù)據(jù)不同于訓(xùn)練集的數(shù)據(jù)，進(jìn)一步表明該模型具備良好的泛化能力?？傮w測(cè)試結(jié)果表明，經(jīng)典模型和改進(jìn)RF模型都對(duì)電弧故障的識(shí)別有著較高正確率，在對(duì)數(shù)據(jù)進(jìn)行預(yù)分類處理后，還可以小幅度提升識(shí)別的準(zhǔn)確率。但本文選用的改進(jìn)模型準(zhǔn)確率更高、誤差更小、迭代次數(shù)更少，性能明顯優(yōu)于經(jīng)典模型。

5 結(jié) 語(yǔ)

（1）通過(guò)對(duì)電流信號(hào)進(jìn)行預(yù)分類處理，把波形相似的阻性與阻感性分開，消除了由于波形相似帶來(lái)的錯(cuò)誤分類。

（2）改進(jìn)WOA，通過(guò)添加自適應(yīng)權(quán)重來(lái)使運(yùn)算時(shí)間縮短;采用最優(yōu)鄰域擾動(dòng)來(lái)防止運(yùn)算結(jié)果的早熟現(xiàn)象。

（3）利用改進(jìn)WOA優(yōu)化RF算法的樹枝數(shù)與葉子數(shù)，解決了陷入局部最優(yōu)解與算法的過(guò)擬合現(xiàn)象。

（4）所提方法無(wú)需設(shè)定閾值，具有良好的抗故障特殊點(diǎn)的能力。

本文用實(shí)驗(yàn)設(shè)備模擬家庭用電情況，成功率分布近似為以97.3%為中心的正態(tài)分布，測(cè)量誤差為電弧的隨機(jī)性與斷續(xù)燃燒造成。穩(wěn)定的97.3%準(zhǔn)確率是比較有優(yōu)勢(shì)的。但隨著負(fù)載類型的不斷更新和配電網(wǎng)中多負(fù)載隨機(jī)啟停的復(fù)雜工況，電弧故障的漏報(bào)、識(shí)別一直是一個(gè)難以解決的問(wèn)題。在改進(jìn)RF模型的基礎(chǔ)上，提出了檢測(cè)串聯(lián)電弧故障的方法，并通過(guò)多種類型負(fù)載實(shí)驗(yàn)進(jìn)行了驗(yàn)證，從而優(yōu)化了檢測(cè)電弧故障的方法。

【參 考 文 獻(xiàn)】

［1］ 公安部消防局.中國(guó)消防年鑒 2018版［M］.昆明：云南人民出版社，2018.

［2］ 曹紅偉.低壓配電系統(tǒng)故障電弧在線檢測(cè)及智能斷路器研究［D］.秦皇島：燕山大學(xué)，2018.

［3］ 李興文， 吳藝紅， 陳思磊， 等.低壓直流空氣電弧研究進(jìn)展綜述［J］.電器與能效管理技術(shù)，2017（15）：67-74.

［4］ 王堯， 田明， 牛峰， 等.低壓交流故障電弧檢測(cè)方法研究綜述［J］.電器與能效管理技術(shù)，2018（10）：8-13，44.

［5］ 何志鵬， 李偉林， 鄧云坤，等.低壓交流串聯(lián)故障電弧辨識(shí)方法［J］.電工技術(shù)學(xué)報(bào)，2023，38（10）：2806-2817.

［6］ WANG Z， BALOG R S. Arc fault and flash signal analysis in DC distribution systems using wavelet transformation［J］.IEEE Transactions on Smart Grid，2015，6（4）：1955-1963.

［7］ 陳照， 王堯， 牛峰， 等.基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的故障電弧檢測(cè)［J］.高壓電器，2019，55（3）：29-36.

［8］ 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.

［9］ 余瓊芳， 胡亞， 楊藝.低壓交流串聯(lián)故障電弧檢測(cè)概述［J］.電器與能效管理技術(shù)，2020（1）：24-30.

［10］ WANG Y， DING X， ZENG Q， et al.Intelligent rolling bearing fault diagnosis via vision ConvNet［J］.IEEE Sensors Journal，2020，21（5）：6600-6609.

［11］ WANG H， LIU Z， PENG D， et al. Understanding and learning discriminant features based on multiattention 1DCNN for wheelset bearing fault diagnosis［J］.IEEE Transactions on Industrial Informatics，2019，16（9）：5735-5745.

［12］ GUO M F， ZENG X D， CHEN D Y， et al. Deep-learning-based earth fault detection using continuous wavelet transform and convolutional neural network in resonant grounding distribution systems［J］. IEEE Sensors Journal，2017，18（3）：1291-1300.

［13］ YUAN X， QI S， WANG Y， et al. A dynamic CNN for nonlinear dynamic feature learning in soft sensor modeling of industrial process data［J］.Control Engineering Practice，2020，104：104614.

［14］ LIU R， MENG G， YANG B， et al. Dislocated time series convolutional neural architecture： An intelligent fault diagnosis approach for electric machine［J］.IEEE Transactions on Industrial Informatics，2016，13（3）：1310-1320.

［15］ 王毅， 陳進(jìn)， 李松濃， 等.基于時(shí)頻域分析和隨機(jī)森林的故障電弧檢測(cè)［J］電子測(cè)量與儀器學(xué)報(bào)，2021，35（5）：62-69.

［16］ 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(cè)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（增刊1）：233-237.

［17］ 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.

［18］ 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.

［19］ 王志斌， 曹紅偉， 劉佳佳， 等.基于小波包去噪與 EMD 的故障電弧檢測(cè)算法研究［J］.電測(cè)與儀表，2019，56（6）：117-122.

［20］ JIANG J， LI W， WEN Z H， et al.Series arc fault detection based on random forest and deep neural network［J］.IEEE Sensors Journal，2021，21（15）：17171-17179.

［21］ SALEH S A， ALJANKAWEY A S， ERROUISSI R， et al.Extracting the phase of fault currents： A new approach for identifying arc flash faults［J］.IEEE Transactions on Industry Applications，2016，52（2）：1226-1240.

［22］ LE V， YAO X， MILLER C， et al.Series DC arc fault detection based on ensemble machine learning［J］.IEEE Transactions on Power Electronics，2020，35（8）：7826-7839.

［23］ 汪洋堃.低壓交流電弧的動(dòng)態(tài)特性與故障檢測(cè)方法研究［D］.上海：上海交通大學(xué)，2021.

［24］ 趙懷軍， 秦海燕， 劉凱， 等.基于相關(guān)理論及零休特征融合的串聯(lián)故障電弧檢測(cè)方法［J］.儀器儀表學(xué)報(bào)，2020，41（4）：218-228.

［25］ 劉磊， 白克強(qiáng)， 但志宏， 等.一種全局搜索策略的鯨魚優(yōu)化算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2020，41（9）：1820-1825.

［26］ 曹正鳳.隨機(jī)森林算法優(yōu)化研究［D］.北京：首都經(jīng)貿(mào)大學(xué)，2014.

收稿日期： 20231027