基于10?kV配電室的低壓斷路器弧光短路故障檢測研究

摘要：低壓斷路器作為保護電氣設備和電路安全的重要組件，在配電室中起到了至關重要的作用。弧光短路故障是一種常見且危險的故障類型，其發生時電路中的電流突然增大，產生高溫、高亮度的弧光，這不僅能夠破壞電氣設備，還可以引起火災，對人員安全構成威脅。圍繞10 kV配電室中低壓斷路器弧光短路故障的檢測問題展開研究，對弧光短路故障進行概述，詳細設計了一種針對該故障的檢測算法，分別從故障檢測算法設計、算法原理和數據處理等方面進行闡述，并通過技術測試驗證了該算法的有效性和實用性。

關鍵詞：10 kV配電室；低壓斷路器；弧光短路；故障檢測

中圖分類號：TM421；TM561 文獻標識碼：A

0 引言

10 kV配電室作為中壓配電系統的關鍵環節，承擔大量電能的分配與調度任務，其性能直接關系到電力供應的可靠性與安全性。在配電室內部，低壓斷路器作為一種常見的電力設備，不僅能夠在正常條件下完成電路的連通與斷開，還能夠在電路異常狀態下迅速切斷電流，避免故障蔓延，從而保護電網與負載設備。然而，弧光短路故障作為一種極易發生且后果嚴重的故障類型，其在低壓斷路器中的發生會產生一定影響。例如，在短時間內產生高溫、高亮度的弧光，進而損壞設備，影響供電穩定性，甚至引發火災，威脅人員安全。

1 弧光短路故障概述

弧光短路故障作為電力系統中一種典型的異常現象，通常是由于電氣設備內部絕緣材料的破損或電路中突發性的過電壓導致電流路徑突然改變而引發的，其本質是一種由電氣故障觸發的高溫等離子體放電現象。在10 kV配電室中，由于低壓斷路器在電力系統中具有關鍵作用，一旦發生弧光短路故障，不僅會對斷路器本身造成嚴重損害，還會影響整個配電系統的安全穩定運行。因此，弧光短路故障的檢測成為保障電力系統運行安全的重要環節。在弧光短路故障發生時，電路中的電流會急劇上升至遠超正常運行的水平，隨著大量能量的釋放，產生高溫電弧，該電弧能量足以熔化金屬并引燃周圍的可燃材料，因而弧光短路故障具有極高的破壞性和危險性[1]。

2 故障檢測技術

故障檢測技術在電力系統的安全運行和維護中具有重要作用，尤其是在10 kV配電室中，對低壓斷路器內部發生的弧光短路故障進行準確檢測和快速識別，能夠有效保障整個電力系統的穩定性和可靠性。在眾多故障檢測技術中，從傳統的基于電參數測量的方法到現代的基于信號處理和人工智能的方法，這些方法各有特點，并且適用于不同的應用場景。電參數測量方法是較為基礎和直接的故障檢測技術，主要依賴于電流互感器和電壓互感器等傳感器來監測電力系統中的電流和電壓參數，通過分析參數的異常變化來判斷系統是否發生了故障[2]。故障檢測技術的研究和開發不僅需要在理論和技術層面不斷創新和優化，還必須充分考慮技術的應用場景和實際需求，確保所開發的故障檢測方案能夠有效地融入現有的電力系統中，為提高電力系統的安全性和可靠性提供堅實的技術支撐。

3 10 kV配電室的低壓斷路器弧光短路故障檢測

3.1 故障檢測算法設計

在10 kV配電室中低壓斷路器弧光短路故障的檢測算法設計中，關鍵在于準確地識別和定位故障，以便及時采取措施防止故障擴散，保證電力系統的安全穩定運行。本文提出的故障檢測算法基于多維信號處理技術和機器學習理論，通過綜合分析電流、電壓以及弧光發光等多種信號參數，實現弧光短路故障檢測的高準確率。采用同步采樣技術對配電室中低壓斷路器的電流和電壓信號進行高精度采集，保證信號采集的同步性和準確性，為后續的信號分析奠定基礎，故障檢測算法流程如圖1所示。通過引入小波變換技術對采集的信號進行時頻分析，利用小波變換的多尺度分解能力，有效提取故障信號中的瞬態特征和非平穩特性，從而增強故障識別的敏感度和準確度[3]。

3.2 故障檢測算法原理

在探討算法原理時，本文采用了基于小波變換和深度學習相結合的方法，該方法能夠有效地從電力信號中提取故障特征并實現準確的故障分類。首先，通過小波變換將時間域的電力信號轉換到時頻域，從而更好地捕捉瞬態故障信號中的特征。小波變換的計算公式：

Wf（a，b）=f（t）dt。" " " "（1）

式中，Wf（a，b）為信號f（t）在小波變換中的系數；a和b分別為小波變換的尺度因子和平移因子；t為時間；ψ（t）為母小波函數。

通過調整a和b，控制小波的寬度和位置，以便在不同的頻率和時間尺度上分析信號。在提取信號的時頻特征之后，使用深度學習模型，特別是卷積神經網絡（convolutional neural network，CNN），來識別和分類特征。CNN的工作原理是基于卷積層和池化層的疊加，卷積層通過卷積操作提取信號的局部特征，而池化層則負責降低特征的維度和復雜性，從而減少計算量并提高模型的泛化能力[4]。CNN模型的關鍵環節是特征學習，這通過卷積操作的計算公式表示：

Fij（l）=σ（b（l）+Kpq（lm））。" " （2）

式中，Fij（l）為第l層的特征圖中的元素；i和j為輸出特征圖的某一特定位置的坐標；σ為Sigmoid激活函數，通常是ReLU或其變體，用于增加模型的非線性；b（l）為偏置項；p和q分別為在卷積操作中遍歷卷積核的寬度和高度；P為卷積核的寬度；Q為卷積核的高度；Kpq（lm）為第l層中第m個卷積核的權重。

通過層層的卷積和池化操作，CNN能夠從原始的時頻特征圖中提取強有力的故障特征表示，以適應模型的運行，提升算法測算能力。

綜合小波變換和CNN的優勢，本文提出的算法能夠在捕獲電力信號中瞬態故障特征的同時，通過深度學習的強大特征學習能力實現對特征的高效分類。這種方法不僅提高了弧光短路故障檢測的準確率，也增強了算法在面對電力系統運行中各種復雜情況時的魯棒性。基于該算法原理，本文為10 kV配電室的低壓斷路器弧光短路故障的實時監測和準確診斷提供了一種有效的技術途徑，這對保障電力系統的穩定運行和提高電力供應的可靠性具有重要的實際意義。

3.3 數據處理

在研究中數據處理階段占據核心地位，特別是在實時監測算法的應用中。針對這一需求，本文采用基于時序數據分析的長短期記憶網絡（long short-term memory，LSTM）算法，它能夠有效處理和分析電力系統運行中產生的大量時間序列數據。LSTM是一種特殊的循環神經網絡（recurrent neural network，RNN），它通過門控機制解決了傳統RNN在處理長序列數據時遇到的梯度消失或梯度爆炸問題。

LSTM單元的核心由3個門組成：遺忘門（forget gate）、輸入門（input gate）和輸出門（output gate），它們共同決定了信息如何在單元中被更新和傳遞。遺忘門負責決定哪些信息需要從單元狀態中被遺忘；輸入門控制新信息的接納程度；而輸出門則決定了下一狀態的輸出值。LSTM單元的計算公式如下。

遺忘門ft計算公式：

ft=σ（Wf·[ht-1，xt]+bf）。" " " " " " " " " " " " " " " " "（3）

式中，xt為在t時刻的輸入；ht為在t時刻的輸出；W和b分別為權重矩陣和偏置項。

輸入門it計算公式：

it=σ（Wi·[ht-1，xt]+bi）。" " " " " " " " " " " " " " " " （4）

=tanh（WC·[ht-1，xt]+bC。" " " " " " " " " " " " " （5）

式中，Ct為單元狀態。

單元狀態Ct更新計算公式：

Ct=ft × Ct-1+it×。" " " " " " " " " " " " " " " " " " " " " " （6）

輸出門ot計算公式：

ot=σ（Wo·[ht-1，xt]+bo）。" " " " " " " " " " " " " " " （7）

ht=ot × tanh（Ct）。" " " " " " " " " " " " " " " " " " " " " " （8）

本文利用LSTM模型分析從低壓斷路器采集的電流和電壓等時序數據，以便實時監測和識別弧光短路故障的發生。通過訓練LSTM模型來學習電力系統在正常運行和發生弧光短路故障時的數據模式，該模型能夠根據歷史和當前的輸入數據預測未來的系統狀態，從而實現對弧光短路故障的及時檢測和報警。LSTM在處理時間序列數據時的優勢在于其能夠捕捉數據中的長期依賴關系，這對于弧光短路故障這類具有復雜時間特性的事件尤為關鍵[5]。通過LSTM模型的實時分析，配電室的運維人員能夠獲得及時準確的故障預警，提高了電力系統的安全性和可靠性。

4 技術測試

本文使用的數據遵循了嚴格的測試流程，以確保測試結果的可靠性和準確性。技術測試共進行3遍，以減少偶然因素對結果的影響，并且確保測試結果的穩定性，測試結果如表1所示。針對測試，本文沒有對數據進行后續的分組，這主要是因為數據本身是從連續的運行記錄中提取的，其代表了電力系統在不同時間和不同條件下的真實運行狀態。通過保持數據的連續性，更好地模擬真實的電力系統運行環境，從而提高測試的實際應用價值。

表1展示了3個測試場景下的系統性能數據。在實時延遲、運行效率和資源消耗方面，優化后測試2的性能最優，具有最高的真正率（98.67%）、最短的檢測延遲時間（105.89 ms）和最低的CPU使用率（58.47%）。而初始測試的真正率（95.34%）最低，檢測延遲時間（120.34 ms）最長，并且內存使用率最高（70.45%）。優化后測試1在這3個方面的表現均略優于初始測試，顯示出中等的CPU使用率和內存使用率。這些數據表明，優化測試場景可以顯著提升系統性能，尤其是在響應時間和資源效率方面。

5 結語

綜上，通過深入分析弧光短路故障的特征參數及其變化規律，本文設計了一種更為精確、穩定且適應性強的故障檢測算法。結合先進的數據處理技術，提高了故障信號的檢測準確率，減少誤報和漏報次數，確保故障檢測系統能夠在復雜多變的配電室環境下穩定運行，以期為電力系統的故障檢測技術提供新的理論參考和實踐指導，進一步提高電力系統的安全。

參考文獻

[1] 吳笛.水廠10 kV配電室低壓斷路器弧光短路故障分析與處理[J].自動化應用，2023，64（12）：89-91.

[2] 陳繼洪.一種自主可控的弧光保護裝置設計[J].電工技術，2023（4）：128-130.

[3] 趙立國.一起10 kV配電室低壓斷路器弧光短路故障分析[J].電氣時代，2020（1）：43-45，74.

[4] 王海燕，唐軍，姚子睿，等.一起戶外10 kV母線三相短路事故的原因分析[J].廣西電力，2016，39 （6）：61-64.

[5] 任亞軍，寧楠.一起弧光保護動作后的分析[J].貴州電力技術，2016，19（1）：71-73.