1.3 故障电弧检测技术研究现状

故障电弧实际上是可以用数学统计法描述的随机气体电离放电物理现象，根据其伏安特性和随机性特点分析，故障电弧还可被看作电网网络中一个随时间变化的非线性电阻元件[16]。当发生并联电弧和接地电弧时，相当于在电弧两端直接施加电源电压，由于电弧电阻较小，所以电流非常大，接近短路电流。另外，在产生电弧过程中，受电弧燃烧影响，电弧间隙无规则变化，电弧电阻时大时小，电弧也可能时断时续。并联故障电弧电流和接地故障电弧电流尽管会小于短路电流，但是也远远大于正常负载时的电流，所以利用发生并联故障电弧和接地故障电弧时电流较大、电流幅值无规则随机波动等特点，故障电弧相对容易检测。

对于串联故障电弧，电弧串联在电路，相当于在原电路中额外串联了一个电阻，因此会导致线路电流比在正常工作状态下要小。电弧在燃烧过程中，电极可能挥发，电弧间隙（弧隙）处在动态变化过程中，因此电弧电阻也处于动态变化过程中，会引起线路电流在原来基础上增加随机动态变化分量。在交流供电时，还会破坏在正常工作状态下电流严格意义上的周期性特点。正常工作时的电流，虽然线路电流不是正弦的，但是连续多个周期内电流波形基本相同，而当发生电弧故障时，连续多个周期内电流波形不可能完全相同。由于交流电在每个周期电流都存在过零点，当电流值接近零，且当电弧两端的电压不足以维持电弧电流时，电弧将熄灭，电流一直维持为零，直到空气被击穿，重新达到电弧起燃条件，这段时间电流将一直保持为零，即电流会出现“零休”现象。经过“零休”后，电流将以脉冲形式迅速增大，形成高频脉冲电流。当发生电弧故障时，由于电弧燃烧引起的弧隙距离变化无规则性，还会引起电流无规则变化，即电流具有了混沌特性。

目前大部分故障电弧检测方法都是基于检测分析线路正常电流信号和发生电弧故障时线路电流信号实现的，交流电弧的检测方法主要分为以下几类：①根据发生电弧故障时线路电流信号的变化规律，对电流信号在时域上进行分析并提出相应的识别方法；②对电流信号进行傅里叶变换，对比在正常状态下和发生电弧故障时线路电流信号的幅频特性，根据发生电弧故障时的特征分量辨别故障电弧；③结合人工智能算法，如人工神经网络、机器学习等方法，通过对大量发生电弧故障时的电流信号进行统计分析，寻找相应规律，得到故障电弧的判据，然后根据这些判据对输入电流信号进行分析判断，确定是否发生串联电弧故障。

当线路中发生串联电弧故障时，利用电弧的弧光、弧声、电磁辐射、温度等物理量特征同样可以检测电弧，但前提是需要事先知道故障电弧可能发生的具体位置，因此利用这些方法检测故障电弧有很大的局限性，一般用于对特定开关柜内的电弧进行检测。文献[27-32]均是针对此类场合的故障电弧提出的相应检测方法，其目的在于检测开关柜内的故障电弧，提升安全供电水平。另外，文献[33]利用具有低调幅特性且具有上兆带宽的便携式天线，检测空气被击穿时刻故障电弧的瞬变特性，但是需要提高频率检测的灵敏度、范围及方向性。

文献[34]利用故障电弧模型检测电弧的发生时刻，同时利用电流有效值及故障电弧电流的注入能量进一步检测故障电弧。文献[35]总结了故障电弧电流的一些特点，如电流峰值特性、连续多个周期电流信号丧失严格周期性等特点，将半个周期的电流求绝对值后进一步得到平均值，并将这一平均值与连续多个周期内求得的平均值相比，利用发生电弧故障时表现的不规则特性检测故障电弧，类似的方法还有“三周期算法”[36]。单纯利用电流信号时域特征检测串联故障电弧的方法，存在阈值不好确定等问题。现在各类负载的供电都通过电力电子装置实现，其电流本身就存在不规则的特性，因此可能会出现负载不同，阈值也会不同等问题。同时，个别负载如空气压缩机往往多个电源的工频周期为一个工作周期，这样也会导致“三周期”方法的失效，因此此类检测方法应用范围受到限制，需要结合负载识别方法，对正常工作时负载电流进行分析，预测在故障电弧状态下的电流变化规律，从而进一步提升故障电弧的识别效果。

在正常工作状态下，无论是直流还是交流供电都可能在特定频率上有电流信号，但幅值是基本稳定的。当发生电弧故障时，由于电流无规则的混沌特性，电流信号中存在不稳定的高频分量。有文献通过实验得到1kHz～100kHz范围内的信号幅值会增加的规律，如果对电流信号进行傅里叶变换，在频域上进行分析，也能提取相应的特征分量。文献[37]除利用平均值外，还借助卡尔曼滤波进一步根据每个功率周期电流信号的特征值分析不规则特性以进行故障电弧检测；文献[38]对电流信号进行频谱分析以实现故障电弧的检测，但是有些负载往往具有类似的频谱特性，因此单独对信号进行频谱分析也难以准确检测故障电弧；文献[39]对电流信号时域和频域进行分析，截取较短的时间窗口对电流信号进行短时傅里叶变换以检测发生电弧故障时电流信号的变化规律。

由于发生电弧故障时，电流信号存在很多突变点，而小波变换在处理突变信号上具有明显的优势，因此近些年对电流信号进行小波变换，寻找正常电流信号与发生电弧故障时电流信号的区别已成为当前故障电弧检测的一个重要的研究方向。另外，通过小波变换与其他方法结合，可进一步降低计算量并提高检测准确率。文献[40]利用离散小波变换检测故障电弧比采用短时傅里叶变换提高了时域和频域的分辨率，将小波变换系数进行相加并与设定的阈值进行比较以检测故障电弧；文献[41]利用多层小波变换分析电流信号，进一步通过模式识别提出了故障电弧检测方法，相对于文献[40]具有更高的检测精度。另外，还有一些文献研究提出通过小波熵能量结合短时傅里叶变换[42-43]建立自回归参数模型[44]，以及特征模态分量与Hilbert变换相结合[45]等多种算法。

随着人工智能技术的不断发展，近年来采用神经网络、机器学习等方法进行故障电弧识别的研究越来越多，已成为故障电弧检测的重要研究方向[46-48]。文献[49]运用人工神经网络与FFT相结合的方法，将电流和功率信息输入神经网络中进行训练，检测直流电弧故障；文献[50]将小波变换与粒子群优化算法相结合，提升了神经网络的学习速度，取得了较好的检测效果；利用小波变换与人工神经网络[51-53]或者最小二乘支持向量机[54]等方法结合，进行故障电弧识别也取得了较好的研究成果。然而，这些方法的缺点是需要大量的基础数据进行训练，否则准确度很难保证。由于故障电弧的发生具有随机性特点，因此很难把所有的数据都进行训练。

综上，上述分析的各种故障电弧检测方法都还存在一些不足之处。在对故障电弧的相关时域、频域特性，以及故障电弧对线路相关电气参数的影响等深入分析的基础上，建立基于多信息融合的故障电弧检测与识别方法必将能够进一步提高检测的准确率。目前，随着社会不断发展，人均用电量不断提高，工矿企业、建筑照明、家用电器等用电负荷也在不断增大，用电设备及线路的老化、绝缘破损、接头松动等的发生概率也在不断提高，因意外产生的故障电弧在不断威胁着人们的生命财产安全。UL—1699、IEC—62606、UL—1699B、GB 14287.4—2013和GB 31143—2014这些国内外故障电弧检测与保护装置标准的出台，大大促进了相关研究和生产单位对故障电弧检测技术的研究热情，必将进一步提高故障电弧检测与保护技术水平。目前，交直流故障电弧检测技术已成为电气工程的热点研究方向之一。