在家庭生活用電器中，非線性負載電器逐漸增多。這一趨勢使基于電弧“零休”特性的傳統故障電流檢測方法無法準确識别故障現象，閩江學院計算機與控制工程學院等機關的董志文、蘇晶晶，在2024年第1期《電氣技術》上撰文，提出一種基于信号時域特征結合變分模态分解固有模态能量熵的随機森林故障電弧識别方法。實驗發現，相比于其他方法，本方法的故障電弧識别準确率可達99%，且适用于多種典型負載和非線性負載工作的低壓配電故障電弧識别
電能在社會快速發展中變得越來越重要，電力事業的發展為人們提供了友善，但管理不善或使用不當可能導緻觸電傷亡事故和火災，給人民群衆的生命和财産安全帶來重大損失。導緻住宅電氣火災的一個主要原因是故障電弧的發生。
在家庭配電網絡中，由于線路複雜、環境複雜，未及時切斷故障電弧極易引發火災事故，是以研究故障電弧的檢測方法十分重要。随着工業、商業區電器産品類型和數量的增加，非線性負載電器逐漸普及。
在非線性負載和複合負載情況下，傳統檢測方法難以實作準确識别。借助人工智能算法解決傳統方法存在的缺陷是目前故障檢測領域的主要研究方向。目前故障電弧研究領域的關注點已從電流信号的時域、頻域和時頻域分析，擴充到了故障特征值的提取及機器學習算法的優化等方面，然而低壓電力配電系統中負載類型的多樣性對特征提取和故障檢測有較大的影響。
針對低壓串聯故障電弧産生時電流受負載類型影響較大，難以通過單一特征參數對故障電弧進行準确識别分類的問題，閩江學院等機關的研究者在提取電流波形時域特征的基礎上，結合變分模态分解（VMD）得到IMF并求取其能量熵作為故障判斷的特征量。結合電流波形的時域特征和能量熵建構特征向量，輸入随機森林分類器中，以實作對不同負載類型電弧故障的檢測和分類識别。
圖1 故障電弧實驗電路示意圖
圖2 基于随機森林的電弧故障檢測算法流程
他們發現，在非線性負載故障電弧檢測中，單獨應用時域特征時，識别準确率相對較低，尤其在負載的正常電流和故障電流波形相似的情況下。結合能量熵特征後，有效地提高了故障電弧的識别率。研究結果表明，時域特征與能量熵特征的聯合使用能夠顯著提升非線性負載故障電弧的檢測準确性。
表 不同分類模型故障電弧識别結果
此外，相比于其他負載，吸塵器的故障特征資訊不明顯，此時的識别準确率低，有較大的提升空間，後續需對這類特征資訊不明顯的負載作進一步研究。
研究者表示，通過對比支援向量機、樸素貝葉斯、多層感覺機、K近鄰分類及本文随機森林模型對故障電弧的識别準确率，結果表明本模型的故障電弧識别準确率最高，達到99%。
本工作成果發表在2024年第1期《電氣技術》，論文标題為“基于變分模态分解能量熵混合時域特征和随機森林的故障電弧檢測方法”，作者為董志文、蘇晶晶。本課題得到福建省自然科學基金、福建省高校産學合作項目和閩江學院科研項目的支援。