基于灰度-梯度共生矩阵的串联故障电弧特征

辽宁工程技术大学电气与控制工程学院的研究人员郭凤仪、邓勇、王智勇、游江龙、高洪鑫，在2018年第1期《电工技术学报》上撰文，为了获取非线性负载回路中串联故障电弧的特征，利用自行研制的故障电弧实验系统开展了变频器和工控机负载条件下的串联故障电弧实验。提出一种基于灰度-梯度共生矩阵的特征提取方法。

采用前向差分法对电流信号进行预处理，并利用小波包技术对差分信号进行分解、重构，将重构信号按频率高低依次放入二维数组；二维数组中同时刻各频段的能量归一化后，将其转换为0~255的灰度值图像，对灰度值图像进行Wiener滤波并采用Laplace算子进行锐化和加强处理，取频率高于1 562.5 Hz的图像求解灰度-梯度共生矩阵。

通过计算共生矩阵的15种特征量，筛选得到工控机和变频器负载条件下串联故障电弧的特征向量。将获取的故障电弧特征向量输入到支持向量机进行故障电弧识别测试，验证了上述故障电弧特征提取方法的有效性。

电器设备在使用过程中，由于电缆老化、电连接松动、触头虚接等情况，经常会发生故障电弧。如果不及时采取有效的灭弧措施，可能导致火灾甚至爆炸的危险发生。发生串联型故障电弧时，回路电流略小于正常电流，常规的过电流保护型断路器难以及时断开回路。因此，研究串联故障电弧特征对研发故障电弧断路器（Arc-FaultCircuit-Interrupter, AFCI）具有重要的实际意义。

串联型故障电弧的检测及识别方法主要分为两类：一类是从故障电弧产生时的声、光、磁等物理现象进行检测及识别[1,2]，此方法受传感器位置限制，大多用于定点检测；另一类是通过分析故障电弧发生时电流信号或电压信号的时域、频域和时-频域特征对故障电弧进行诊断，此方法不受故障电弧发生位置的限制。

常用的特征提取和识别方法有：通过小波、小波包变换对电流信号进行分解，利用各频段的能量比例、信息熵、小波熵找出故障电弧的特征频段并判断是否有故障电弧发生[3-8]；利用小波细节信号模的极大值、各层细节信号能量的平均值和标准差等特征建立特征向量，结合BP神经网络对故障电弧进行识别[9,10]；利用信息维度、客观熵权等方法进行故障电弧的识别[11-13]；将发生故障电弧时电流的高次谐波含有率急剧上升、谐波分量相对变化作为故障电弧的特征[14,15]。

随着现代工业和科学技术的发展，非线性负载的使用急剧增加。由于非线性负载中含有电容、电感等储能元件以及电子开关电路，导致负载电流不随电压同步变化，电流频率成分复杂，谐波含有率较高。当非线性负载发生故障电弧时，仅使用小波熵、能量熵、谐波含有率等单一的特征量难以准确地识别。

以工业现场动力系统应用最为广泛的变频器-电动机负载（简称变频器负载）以及测控系统的工控机作为研究对象，研究非线性负载回路中故障电弧的特征提取和识别方法。

该方法将电流信号转换为各频段能量分布的灰度图像，计算图像的灰度-梯度共生矩阵的15种特征量，筛选出有效的特征量输入支持向量机（Support VectorMachine, SVM）进行故障状态识别。最后利用电磁炉、PC机和手电钻等非线性负载对该方法的有效性进行了对比验证。

图1  串联故障电弧发生器

图2  串联故障电弧实验系统

结论

1）对电流信号进行前向差分，对所构建的灰度图像进行Weiner滤波，并采用Laplace锐化加强处理能很好地滤除背景噪声，凸显特征，识别效果更好。

2）频段能量分布灰度图的特征主要集中在1562.5 Hz以上。

3）使用灰度梯度共生矩阵提取故障电弧特征，并结合SVM进行识别的方法具有很高的识别准确率和一定的通用性，可以利用该方法对工控机以及变频器负载回路中的故障电弧进行识别。