包络微分算子增强直流故障电弧特征及其半监督式辨识方法_陈思磊.pdf

第59卷第7期：014501552023年 7月16日High Voltage ApparatusVol.59，No.7：01450155Jul.16，2023DOI:10.13296/j.10011609.hva.2023.07.016包络微分算子增强直流故障电弧特征及其半监督式辨识方法陈思磊1，王源丰1，孟羽2，高佳宇1，伍李阳1（1.西安理工大学电气工程学院，西安710048；2.西安交通大学电力设备电气绝缘国家重点实验室，西安710049）摘要：针对生弧材料弱化故障电弧特征和监督式学习方法依赖于大量标记数据的问题，提出了包络微分算子增强故障电弧特征，并采用半监督学习模型融合该特征辨识直流故障电弧和生弧材料的方法。首先依据UL 1699B搭建直流故障电弧实验平台，采集了铝、黄铜、不锈钢、石墨铸铁以及球墨铸铁常见电力设备材料下的故障电弧信号，再采用包络微分算子增强电弧小波特征，有效提升了多生弧材料条件下的故障电弧特征显著性。然后通过KMeans算法进行离群点检测，有效降低了同种生弧材料的特征波动。最后通过采用半监督学习算法MixMatch改进长短期记忆网络(long shortterm memory，LSTM)模型，实验结果验证了该模型可在有限故障数据条件下获得比现有监督式学习模型更高的故障电弧和生弧材料辨识性能，为直流故障电弧精准运维提供了可行的技术手段。关键词：直流故障电弧；生弧材料；特征增强；离群点检测；半监督学习Envelopedifferentialoperatorbased DC Arc Fault Feature Enhancement and ItsSemisupervised Identification MethodCHEN Silei1，WANG Yuanfeng1，MENG Yu2，GAO Jiayu1，WU Liyang1（1.School of Electrical Engneering，Xi an University of Technology，Xi an 710048，China；2.The State Key Laboratory of ElectricalInsulation and Power Equipment，Xi an Jiaotong University，Xi an 710049，China）Abstract:Aiming at the problems that the arc generation material weakens arc fault features and the supervisedlearning method depends on a large number of labeled data，the method of envelope differential operator to enhancethe arc fault feature is proposed in this paper.Meanwhile，a semisupervised learning model is used to fuse the features to identify DC arc faults and arc generation material.Firstly，the DC arc fault experimental platform is set up inaccordance with UL 1699B standard.Arc fault signals are sampled with common power equipment materials including aluminum，brass，stainless steel，graphite cast iron and nodular cast iron.Then，an envelope differential operatoris used to enhance the arc fault wavelet feature，which effectively improves the significance of arc fault feature underthe condition of multiple arc generation materials.After that，the KMeans algorithm is applied to detect outliers，which effectively reduces the fluctuation of arc fault features with the same arc generation material.Finally，the semisupervised learning algorithm MixMatch is used to improve the long shortterm memory（LSTM）model.The experimental results prove that the model can obtain higher identification performance of arc fault and arc generation material than existing supervised learning models in the case of limited fault data.This research provides a feasible technical means for accurate maintenance of DC arc faults.Key words:DC arc fault；arc generation material；feature enhancement；outlier detection；semi supervisedlearning_收稿日期：20230303；修回日期：20230508基金项目：陕西省自然科学基础研究计划(2021JQ476)。Project Supported by Natural Science Basic Research Plan in Shaanxi Province of China(2021JQ476).2023年7月第59卷第7期0引言“双碳”目标下，光伏发电和风力发电等可再生能源的日益增多1-10，电子设备等直流负荷的快速增长，愈多直流场景的接入使得交流配用电系统呈现出非线性、随机性、强耦合等特征11-17。直流配用电技术也应用于直流微电网、“光储直柔”建筑等全直流系统18。直流场景中，线缆在系统运行过程中发生机械损伤、绝缘老化、接头松动等突发事件时，容易导致故障电弧的发生。故障电弧发生极易引起火灾等事故，严重地影响了电气设备的稳定运行和人身安全。2021年11月26日，国家能源局发布 关于加强分布式光伏发电安全工作的通知(征求意见稿)，明确提出80 V及以上分布式光伏必须安装电弧故障断路器19。同年，国家标准化管理委员会发布 光伏发电系统直流电弧保护技术要求 规定了光伏发电系统直流故障电弧保护装置的保护方式及测试要求20。绝缘老化、接头松动等电弧成因将不可控地发生于各类场景、系统和设备中，这些生弧环境中所使用的材料种类纷杂多样，因而亟需可靠检测多样生弧材料影响条件下的直流故障电弧。利用弧声、弧温等物理特性的故障电弧检测技术对传感器采样精度要求较高、保护范围相对有限21。基于仿真建模的故障电弧检测技术对系统和电弧模型的实时仿真准确性要求高，且模拟工况均为先验知识22。因而大多串联故障电弧检测技术主要利用故障电弧引入系统的非线性电阻、噪声对电流时域、频域特性产生的影响23，通过提取电流信号的时域、频域以及时频域特征，反映出故障电弧带来的生弧前后特征差异，并以此作为故障电弧检测的判断依据。文24通过计算平均值、中位数、均方根、方差以及最大值与最小值之差等时域特征提取了电流信号在生弧前后的振幅和波动差异，来实现多种电力电子负载干扰条件下的故障电弧检测。针对光伏并网系统中的故障电弧检测问题，文25提出电流信号连续窗口间的互相关系数分析反映电弧信噪比；文26通过计算48.8393.99 kHz频带范围内电流信号的平均能量提取故障电弧特征；文27通过计算电流信号的Tsallis熵检测故障电弧的随机性。然而，故障电弧会烧蚀生弧材料产生大量蒸汽，由此改变生弧环境而影响电弧特性，干扰着故障电弧检测的可靠性28-29。机器学习技术相较于传统阈值比较方法展现出更强的抗干扰能力，如隐马尔可夫模型(hidden markov models，HMM)30、支持向量 机(support vector machine，SVM)31、随 机 森 林(random forest，RF)32、概率神经网络(probabilisticneural networks，PNN)33、人 工 神 经 网 络(artificialneural network，ANN)34、CatBoost35均被用于故障电弧的状态辨识以提高检测精度。这些监督式学习模型依赖于大量存在先验知识的训练数据，实际工程中所获取的有限标记数据将降低学习模型的泛化性能。另一方面，现有研究集中于故障电弧状态的准确辨识，进一步可靠辨识引发故障电弧发生的生弧材料也有助于锁定故障电弧发生位置进而提升运维效率。鉴于此，文中首先依据标准搭建直流系统故障电弧实验平台，采集不同生弧材料条件下故障电弧发生前后的电信号，再探究故障电弧特征增强方法及其在多种生弧材料因素干扰条件下的有效性，见图1。然后探究这一特征在不同生弧材料作用条件下的故障电弧特征差异，并研究增大特征差异的方法。最后，应用半监督式学习方法结合前述两类特征构建同时辨识故障电弧和生弧材料的算法，在不同标记样本训练情况下对比了该算法与现有算法的故障电弧和生弧材料辨识效果。图1直流故障电弧检测与生弧材料辨识方法的实现思路Fig.1The implementation ideas of DC arc fault detectionand arc generation material identification methods1多种生弧材料干扰条件下的直流故障电弧实验与特征分析1.1直流故障电弧实验平台与结果为了探究不同生弧材料条件下的电弧特性，搭建直流故障电弧实验平台见图2。实验平台中包括直流模拟器、电弧发生装置(arc fault generator，AFG)、信号采集装置、逆变器负载以及线缆。系统应用的主要电力设备见表1，使用黄铜、铝、球墨铸铁、不锈钢以及石墨5种材料制作AFG设备中的电极，由此模拟获得这些生弧材料因素干扰条件下的故障电弧信号。线缆用于模拟实际系统阻抗对电弧信号传输产生的特征弱化影响。根据UL 1699B中 的 拉 弧 法 来 产 生 串 联 故 障 电 弧，使 用YOKOGAWA 701930电流传感器按1 MHz其采样频 146率获得A点处的故障电弧电信号，将采集到的数据存储至HIOKI 886050录波器中。图2直流故障电弧实验平台Fig.2DC arc fault experimental platform表1不同生弧材料在电力系统中的主要应用Table 1Main applications of different arc generationmaterials in electrical power systems生弧材料铝黄铜球墨铸铁不锈钢石墨主要应用设备空心电抗器、断路器、电容器、互感器、避雷器、隔离开关、电力金具以及气体绝缘全封闭组合电器等输变电设备，铝芯电缆，铝线线圈电机等。电缆、变压器、电容器、开关设备和电机等。风力发电设备，铸铁电机，发电机曲轴，电力专用井盖等。不锈钢电机，电缆，光伏汇流箱等设备外壳。电极、电刷、电器元件等。1.2生弧材料弱化故障电弧噪声的结果分析AFG设备中电极使用的生弧材料为球墨铸铁时，实验得到的典型直流串联故障电弧电信号见图 3(a)。第1阶段的正常回路电流稳定运行在8 A左右，开始生弧后，系统进入故障状态；第2阶段的回路电流由于电弧的非线性电阻特性而减小按标准获取 2.5 s 以上电弧数据后断开断路器开关 S；第3阶段的系统停机使得故障电弧熄灭。对该电流信号进行时频变换分析便可获得故障电弧噪声结果，现有常见的小波变换是将电流信号映射到2j(j为分解层数)个小波包子空间，以正常状态和故障状态小波系数差异最大为原则选定子空间，对相应选定频段第r层中第n个节点上的小波系数进行重构，从能量角度对重构小波系数dr，n进一步处理构建特征量F1F1t+(N-1)Ts=w=0N-1dr,n(t+wTs)2(1)式(1)中：t是分析时间窗口的开始时间；N是窗口采样点数量；Ts是采样周期；w是采样点计数变量。采用小波基Rbio3.1对故障电弧电流信号进行6层分解后，选定7.8115.63 kHz频段上的小波系数进行重构，获得的特征波形如图3线1所示。图3(a)中的球墨铸铁生弧材料干扰条件下的噪声分析结果，式(1)构建的小波特征在正常运行与发生故障电弧阶段有着较为明显的区分，能够作为检测故障电弧的有效依据。不锈钢、黄铜、石墨生弧材料干扰条件下的电弧小波特征也呈现出显著的区分效果，但该特征对铝生弧材料干扰条件下的故障电弧区分度显著下降。见图3(b)线1，虽然在第2阶段中部分分析时间窗口出现了较大的瞬时特征值，但是大部分特征值都与正常运行阶段的特征值重叠，证实铝材料对故障电弧小波特征有着一定的屏蔽效应，将导致故障电弧检测误判而产生拒动失效风险。因此，需要研究有效的故障电弧特征增强方法以及其在多生弧材料条件下故障电弧工况的有效性。2多生弧材料干扰条件下的故障电弧共性与差异特征增强方法研究2.1基于包络微分算子的小波特征增强方法针对铝生弧材料弱化电弧小波特征的问题，文中提出了包络微分算子(envelope derivative operator，EDO)增强小波特征区分度的方法。EDO通过希尔伯特变换获得信号的包络线，再使用微分算子进一步处理信号的时变包络分析结果来反映信号的局部特性36，由此更准确地捕获电弧信号引发的噪声波动。对小波重构系数进行EDO处理，而后量化包络线振幅获得的特征F2如下：Sdr,n=|(dr,n)+jH(dr,n)2(2)图3不同生弧材料条件下的故障电弧电流及其噪声分析Fig.3Arc fault current and noise analysis with differentarc generation materials研究与分析陈思磊，王源丰，孟 羽，等.包络微分算子增强直流故障电弧特征及其半监督式辨识方法 1472023年7月第59卷第7期F2=w=0N-1Sdr,n2(3)式(2)、(3)中：H为希尔伯特变换算子；Sdr，n为包络微分处理后的信号。为避免特征值分布范围差异造成提升效果对比不直观的问题，EDO增强前后的小波特征波形按正常运行阶段的特征量平均值进行归一化处理，所得结果见图4。从图4可以看出，EDO处理小波重构系数后所得特征在故障电弧状态下幅值显著增大，因而EDO方法能够有效增强铝生弧材料干扰条件下7.8115.63 kHz频段上的小波特征。图4包络微分算子增强铝材料下故障电弧小波特征效果Fig.4EDO enhances arc fault wavelet feature withaluminum arc generation material为了更好地评估EDO方法对不同频段和生弧材料条件下故障电弧小波特征的增强效果，建立提升比T见式(4)T=FF(4)式(4)中：F代表着第2阶段故障电弧发生过程中的特征量平均值；F代表着第1阶段系统正常运行过程中的特征量平均值。较大的提升比表示故障电弧发生前后的特征差异大，有利于提升检测准确率。采用提升比指标验证所提出方法对铝生弧材料下多个故障电弧频段上的小波特征增强效果。对078.13 kHz全频段上的小波特征均采用EDO增强，且对增强前后的小波特征按式(4)计算提升比。由图4中线2所示增大的提升比可知，EDO对铝材料下的多频段故障电弧小波特征均具有增强效果。经过EDO增强处理后，增大的小波特征幅值会在故障电弧状态下呈现更显著的指示，有利于故障电弧检测。通过计算图5中的全频段上提升比的平均值、最小值来评估特征的全局有效性、最差特征效果，对5种生弧材料干扰条件下的多故障电弧工况评估特征增强有效性的结果见图6。较大的深色圆柱结果表明，EDO能有效增强不同生弧材料干扰条件下的小波特征。未增强小波特征的提升比最小值均小于1，表明5种生弧材料干扰条件下均存在着如图3(b)所示区分度不佳的小波特征，存在着故障电弧误判导致的拒动可能性。而EDO增强小波特征的提升比最小值均大于1，表明增强后的小波特征对故障电弧状态指示性能大幅提升。图5铝材料下多频段故障电弧小波特征的增强效果Fig.5Wavelet feature enhancement of arc faults inmultiple frequency bands with aluminum arcgeneration material图6不同生弧材料下多频段故障电弧小波特征增强效果Fig.6Wavelet feature enhancement of arc faults inmultiple frequency bands with different arcgeneration materials目前在故障电弧检测领域中，除时频特征外，Hurst指数常被用来从随机性角度提取故障电弧特征，以此来实现故障电弧检测37。Hurst指数是时域特征，缺乏图5中的小波特征的频率维度，因而直接计算得到特征提升比见图6 Hurst指数圆柱所示。5种生弧材料下，EDO增强小波特征的提升比最小值均大于Hurst指数特征的提升比，表明了EDO增强后小波特征有着最佳的故障电弧状态指示效果。整体来看，Hurst 指数、小波特征和 EDO 增强小波特征 3 种特征提取方法在图6所示的5种生弧材料均依次呈现出较大的特征提升比。这也表明了故障电弧特征在不同生弧材料作用下存在着固有差异，这种差异可能是较高电阻率材料引发燃弧过程中的不稳定性增大，最终形成同等生弧条件下较大的电弧噪声，这一现象可用于辨识生弧材料。1482.2基于KMeans聚类检测离群点的特征差异性增强方法故障电弧随机性将部分分析时间窗口的特征量波动较大，会导致生弧材料类型的误判断，最终不利于故障电弧发生位置的判断。见图7，文中采用KMeans聚类检测并除去离群点，形成更为集中的增强小波特征数据，进而准确辨识生弧材料。图7KMeans算法检测离群点增强特征差异性流程图Fig.7Flow chart of enhancing feature disparity throughapplying KMeans algorithm to detect outliers将样本分成两个簇，分别代表着需要保留的稳定特征样本以及需要剔除的离群特征样本，簇Cy的均值向量为38y=1|CyfCyf(5)式(5)中：y为该簇的质心；f代表着所输入的故障阶段特征量样本。通过使用欧式距离来计算当前特征数据与两个簇质心的距离，以距离值来衡量当前特征数据与两个簇的相似程度，即通过式(6)寻找K个质心来让平方误差ER最小化。两簇样本通过不断的特征距离计算更新簇及其质心，最终输出各生弧材料干扰条件下的稳定特征样本簇，由此实现故障特征离群点的剔除ER=y=1KfCyf-y22(6)经上述流程处理5种生弧材料下的故障特征样本，结果见图8。5种生弧材料干扰条件下的特征提升比幅值大小的分布规律与图6一致，表明不同生弧材料的故障电弧特征分布存在较为明显的区分度，这为实时的生弧材料辨识提供了基础。图8离群点处理后不同生弧材料的故障电弧特征分布Fig.8Feature distribution of arc faults with different arcgeneration materials after outlier removal通过单一生弧材料特征最大值、最小值确定分布范围，以该分布范围内的这一生弧材料特征样本数量与全部生弧材料特征样本数量之比评估 KMeans处理离群点的效果PD=len(Pu)lenmin(Pu)pmax(Pu)(P)(7)式(7)中：Pu和P分别代表着单一类型生弧材料以及全部生弧材料下特征样本；p为样本集合P中具体某个特征样本元素；min、max、len分别代表着对数据集求最小值、最大值以及样本数量。较大的PD值表示其他生弧材料特征对这一生弧材料特征的混叠程度越小，越有利于生弧材料的准确检测。5 种生弧材料条件下，对KMeans处理离群点前后的故障电弧特征按式(7)计算PD值见表2。结果表明，KMeans检测去除离群点前，较小的PD值表明不同生弧材料尤其是不锈钢材料条件下的故障电弧特征存在着较大的混叠情况，这将导致生弧材料的误判问题。而经过离群点处理后，更为集中的增强小波特征有利于辨识生弧材料，进而提升故障电弧运维效率。表2离群点处理前后的PD指标评估结果Table 2PD index value before and after outlier removal生弧材料处理前处理后铝0.5300.980黄铜0.4530.973球墨铸铁0.4220.867不锈钢0.1440.831石墨0.8700.980注：箭头表示处理后PD指标的数值比处理前均发生了增大，证实离群点处理方法有效，显著提升了小波特征分布的集中性。3基于半监督式机器学习的故障电弧与生弧材料辨识方法3.1基于MixMatch半监督学习方法改进的长短时记忆网络模型长短时记忆网络(long shortterm memory，LSTM)研究与分析陈思磊，王源丰，孟 羽，等.包络微分算子增强直流故障电弧特征及其半监督式辨识方法 1492023年7月第59卷第7期通过引入门控单元的记忆历史状态来提升当前故障状态的辨识性能39。半监督式学习的主要思想为通过在损失函数中增加一个图9中的无标记特征样本计算上的损失项，以避免LSTM模型在小样本特征样本训练条件下发生过拟合，进而有效地将小样本训练模型的推广适用到了大量的数据样本中。图9MixMatch算法改进LSTM模型Fig.9Modified LSTM model based onMixMatch algorithmMixMatch是使用熵最小化原则促进模型可靠预测无标记特征样本数据的整合型半监督算法40。通过数据增强(Augment)过程来为样本添加扰动，通过样本混合(Mix Up)过程混合标记样本和无标记样本，利用总损失函数评估的方式以少量标记样本的正确辨识结果来改善大量无标记样本的学习效果，进而尽可能地提升模型对无标记样本的预测置信度。因此，半监督式学习模型可有效减少模型训练过程中对于标记样本数量的依赖，少量标记样本条件下也能获取高准确率，进而有效减少了辨识模型的训练时间，解决了实际工程中已知先验知识故障电弧数据样本获取有限的问题。在每一次训练迭代的过程中，数据增强处理主要是对数据进行了翻转与裁剪操作，通过翻转操作对数据进行位置交换、裁剪操作对数据进行截取，由此增加多样的数据扰动，以此提升模型对小样本无标记特征数据的检测性能。MixMatch需要使用模型的预测结果作为该样本的猜测“伪”标记，其使用了平均的方式来对无标记特征样本数据进行了预测，平均主要是针对多次增强下的每个未标记样本，具体输出预测结果为-qb=1Kk=1Kpmodel(y|u?b,k;)(8)式(8)中：K为对数据进行数据增强操作的次数；u?b为经过数据增强后得到的无标记数据；-qb为模型对无标记数据预测出的“伪”标记；pmodel为训练过程中结合标记数据形成的模型；为模型参数；y为第k次增强数据所形成的预测标记。多次预测求平均的方式可增加无标记数据预测标记的置信度。为使得模型预测所得“伪”标记的熵更低，利用锐化(Sharpen)操作更加突出模型辨识概率高的正常或故障类别，计算式为Sharpen(-qb,Q)i=-qb1Qi/j=1L-qb1Qj(9)式(9)中：Q为超参数，通过Q能够实现每个预测标签分布的熵最小化；L为类别的总数量。样本混合操作为对两个样本和其标记(x1，p1)和(x2，p2)进行计算：x3=x1+(1-)x2(10)p3=p1+(1-)p2(11)式(10)、(11)中，为0，1之间的一个正数，代表样本之间的混合比例。最终，对增强后的标记数据Fl和无标记数据Fu分别计算损失项：Llabeled=1|Fl|f,pFlH(p,pmodel(y|f;)(12)Lunlabeled=1N|Fu|u,pFuq-pmodel(y|u;)22(13)式(12)、(13)中：H为交叉熵函数；f和p分别为标记样本的输入特征数据和标记；u和q为无标记样本的输入特征数据和猜测标记。最终的整体损失函数为两者的加权L=Llabeled+uLunlabeled(14)式(14)中，u为非监督损失项的加权因子，模型在输出分布熵值较小时将会获得更好的泛化性。通过为无标注数据引入了一个统一的损失项，在减少了熵的同时保持了与传统正则化过程的一致性，进而有效兼顾了无标记与有标记数据对模型训练的影响，使无标记数据有效地提升了模型性能。3.2辨识算法流程图检测流程图见图10，采用Rbio3.1小波基对电流信号进行分解，重构的小波系数用于构建故障电弧与生弧材料方面辨识的特征。应用包络微分算子处理小波重构系数增强小波特征，使得多种生弧材料干扰条件下的故障电弧特征均呈现显著差异于正常特征的幅值。应用KMeans聚类检测去除离群点，使得同种生弧材料干扰条件下的故障电弧特征更为集中，增强多种生弧材料干扰条件下故障电弧特征间的差异性。采用MixMatchLSTM模型分别使用以上两类特征进行直流故障电弧和生弧材料的辨识。为了防止系统暂态过程等干扰情况造成对电信号状态的误判断，实时的模型辨识输出均采用多周期判断来提升故障电弧和生弧材料的可靠性。以辨识准确率最高为优化目标，利用优化方法求解判定总周期数量和正确辨识状态周期数量。150故障电弧检测方面，在15个连续判断结果中出现12个及以上结果判断为故障时，才认为系统中发生了故障电弧。生弧材料辨识方面，在8个连续判断结果中出现了6个及以上的结果判断某一种类型的材料时，才会输出引发故障电弧的生弧材料类型，使得故障电弧保护装置准确检出电弧后，正确输出生弧材料类型以初步确定故障电弧发生区域。图10直流故障电弧与生弧材料半监督式辨识方法流程图Fig.10Semisupervised identification method flow chartof DC arc faults and arc generation materials3.3故障电弧辨识结果对比分析为了探究所提出MixMatchLSTM 半监督式模型的辨识性能，不断改变训练的标记特征样本数据量，分别采用MixMatchLSTM半监督式方法以及现有LSTM、RF的监督方法进行训练，之后对全部生弧材料下的正常与故障电弧特征样本进行测试，故障电弧检测性能比较结果见图11。实验结果表明，通过MixMatch半监督算法对LSTM模型的改进，在损失函数中引入了无监督项，结合无标记特征样本数据中的知识有效防止了小样本训练条件下监督学习模型过拟合现象的发生，由此提高了模型的辨识准确率。当样本量为2 000左右时就可达到98.13%的准确率，其在小样本量条件下均与监督式学习模型保持着至少11.4%以上的高准确率。与此同时，不断增多的标记特征样本数量对监督式学习模型检测性能较半监督式方法提升更为显著。因此，高准确率的半监督式辨识模型能够有效地缩短训练时间。除了输入的当前周期特征样本数据外，监督式LSTM模型还综合了记忆的历史模型辨识状态进行当前周期故障电弧状态的判断，而监督式学习模型RF仅依赖于输入特征进行状态判断，故而在相同的训练样本情况下，监督式LSTM模型总保持着9%以内的准确率高值。图11文中与现有方法的故障电弧检测结果对比Fig.11Arc fault detection accuracy comparison ofproposed and existing identification methods为了验证所提出特征增强方法的有效性，改变图10所示检测流程图中的故障电弧检测特征后，以模型辨识准确率进行提升效果的定量表征。采用MixMatchLSTM的半监督式学习模型直接对不使用EDO增强的小波特征进行状态辨识，故障电弧检测结果见图12。EDO方法可有效分离多种生弧材料干扰条件下的正常与故障电弧特征，因而故障电弧检测性能在不同数量的标记特征训练样本条件下均呈现出较高的准确率。如2 000样本数量后的现有小波特征检测故障电弧的准确率所示，不断增多的标记特征样本数量并不会提升故障电弧准确率，这一结果表明显著的共性故障电弧特征对模型检测性能提升的重要性。3.4生弧材料辨识结果对比分析不同标记特征样本数据分别训练3种方法后，对故障电弧状态下的全部生弧材料特征样本进行测试，生弧材料辨识对比结果见图13。实验结果表明，MixMatchLSTM半监督方法在小样本量条件下的高准确率优势依然保持，在标记训练样本量为1 000 的情况下的生弧材料辨识准确率即可达到98.35%。在相同的训练样本情况下，所选用基准LSTM模型在讨论的监督式方法中也依旧保持着较研究与分析陈思磊，王源丰，孟 羽，等.包络微分算子增强直流故障电弧特征及其半监督式辨识方法 1512023年7月第59卷第7期高准确率。在MixMatchLSTM半监督式方法实现98.35%实时生弧材料辨识准确率的情况下，5种生弧材料辨识结果的混淆矩阵见图14。单一生弧材料的辨识准确率均在97%以上，结合图10检测方法流程图中给定的多周期判断标准，可有效实现100%生弧材料类型的辨识。图13文中与现有方法的生弧材料辨识结果对比Fig.13Arc generation material identification accuracy ofproposed and existing identification methods图14生弧材料辨识效果混淆矩阵Fig.14Confusion matrix of arc generation materialidentification results为了凸显KMeans算法增强不同生弧材料下故障电弧特征集中性的效果，采用MixMatchLSTM的半监督式学习模型直接使用不检测去除离群点的现有小波特征辨识生弧材料。对比结果见图15，KMeans检测并去除离群点可显著改善不同生弧材料之间的故障电弧特征混叠现象，因而生弧材料辨识性能在不同数量的标记特征训练样本条件下均呈现出较高的准确率，由此有效协助故障电弧发生位置的巡查。在不使用KMeans算法离群点检测去除离群点条件下，不断增多的标记特征样本数量并不会提升模型辨识性能，这一结果表明特征差异的显著性对生弧材料辨识性能提升的重要性。图15离群点检测的特征差异性增强方法对生弧材料辨识结果的提升效果Fig.15Performance improvements of outlier detectionfeature disparity enhancement method for arc generationmaterial identification4结论文中针对多种生弧材料干扰条件下的故障电弧检测与生弧材料辨识问题，探究了多种材料干扰条件下故障电弧共性特征、不同材料干扰条件下故障电弧差异特征的增强方法，提出半监督改进学习模型辨识故障电弧和生弧材料状态，得到以下结论：1)EDO有着较高的时间分辨率和对信号瞬时变化的良好适应性，对于故障电弧信号中包含的瞬态特征有着增强效果，可有效提升多生弧材料干扰条件下故障电弧共同特征相较于正常状态的显著性，由此平均提升了20.05%的故障电弧检测性能。2)采用KMeans聚类方法检测并去除离群点，可明显提升不同生弧材料尤其是不锈钢材料条件下的故障电弧差异特征效果，5种生弧材料下的特征集中性指标平均提升了158.97%，由此平均提升了19.27%的生弧材料辨识性能。3)通过MixMatch方法改进LSTM学习模型，有效地解决了监督式学习方法在小标记特征样本数量情况下产生的过拟合问题，可在减少约50%以上的标记特征样本数量条件下在故障电弧和生弧材料方面实现较高的辨识准确率，大幅提升了辨识模型的训练效率。图12包络微分算子的特征增强方法对故障电弧检测结果的提升效果Fig.12Performance improvements of EDO processedfeature enhancement method for arc fault detection 152参考文献：1张新民，郭铭海，林亚培，等.考虑灵活性的含分布式光伏配电网双层优化调度方法J.电力科学与技术学报，2021，36(3)：5666.ZHANG Xinmin，GUO Minghai，LIN Yapei，et al.A bilayeroptimal dispatch approach for distribution networks withdistributedphotovoltaicconsideringtheflexibilityJ.Journal of Electric Power Science and Technology，2021，36(3)：5666.2苏杰，曾喆昭.基于ACPI的风力发电系统MPPT控制方法J.电力系统保护与控制，2021，49(18)：119127.SU Jie，ZENG Zhezhao.Maximum power point trackingbased on auto coupling PI control for a wind powergeneration systemJ.Power System Protection and Control，2021，49(18)：119127.3史恒逸，王宝华.考虑配网电压越限风险的光伏接入规划研究J.电测与仪表，2021，58(3)：4046.SHI Hengyi，WANG Baohua.Research on PV access planning considering the risk of distribution network voltageoverrunJ.Electrical Measurement&Instrumentation，2021，58(3)：4046.4苏艳萍，田源.变速恒频风力发电系统风速短期预测方法研究J.电网与清洁能源，2022，38(2)：8893.SU Yanping，TIAN Yuan.Research on short term windspeedpredictionmethodofvariablespeedconstantfrequency wind power generation systemJ.Power Systemand Clean Energy，2022，38(2)：8893.5孙志辉，郝万君，曹松青，等.基于自适应广义滑模观测器的风力发电系统故障重构J.电力系统保护与控制，2021，49(3)：123130.SUN Zhihui，HAO Wanjun，CAO Songqing，et al.Fault reconstruction of a wind power system based on an adaptivegeneralized sliding mode observerJ.Power System Protection and Control，2021，49(3)：123130.6曹建伟，陈文进，沈诚亮，等.计及风力资源的风电场出力研究J.浙江