电动自行车充电电路中交流串联电弧故障检测方法研究

《Engineering Science and Technology, an International Journal》：Research on detection method of AC series arc fault in the electric bicycle charging circuit

　　

由电动自行车充电电路接触不良引发的交流串联电弧故障（SAF）极易导致电气火灾事故，目前尚无有效解决方案。因此，研究人员提出了一种适用于不同充电阶段和充电器型号的SAF检测方法。首先，在电动自行车充电电路中开展了恒流、恒压和浮充三个充电阶段的交流SAF实验。其次，对截取的四周波电流信号进行分段线性拟合（PLF）处理，并将其分割为两个子信号。利用广义S变换（GST）获取两个子信号的时频谱，通过对两个时频谱相减得到差分矩阵。从差分矩阵中提取奇异值并选取部分进行求和，作为SAF特征。最后，利用固定阈值实现SAF检测，并在不同充电器型号电路中对该方法的检测性能进行了测试。结果表明，所提方法能够有效抑制充电阶段和充电器型号对故障特征的影响。在不同充电器型号电路中，SAF检测准确率可达92%以上，且具有较强的抗噪声性能。

电动自行车作为现代社会重要的交通工具，其安全性能直接影响公共安全。据统计，2024年1月1日至5月31日期间共发生电动自行车火灾事故10,051起，造成35人死亡，其中约80%发生在充电过程中。户外充电时飞线会产生大量接触点，加之充电过程中的拉力作用，接触部位易出现接触不良，导致接触电阻增大、接触点温度急剧升高，严重时将引发串联电弧故障（SAF）。SAF温度一般可达4000 K以上，是电动自行车充电电路（EBCC）的重要火源之一。由于SAF状态下的电流信号低于正常状态，传统过电流保护装置难以实现SAF的检测与保护。EBCC交流侧电流受电池充电阶段、充电器型号及功率等因素影响，与其他类型负载电路中的SAF相比具有一定复杂性和特殊性，因此开展针对EBCC的交流SAF检测方法研究十分必要。

目前SAF检测方法主要基于电流信号特征提取，现有研究存在以下问题：基于阈值的识别方法虽计算量小、易于实现，但电流信号受负载类型、型号及工作状态等因素影响，故障特征分布范围变化显著，难以用统一阈值实现不同条件下的SAF检测；部分方法虽考虑了削弱工况影响的环节，但仅采用时域减波方法难以应对开关电源负载正常工作时产生的毛刺和尖峰干扰，或需要复杂的实时训练优化过程，导致计算量大、实时性差；基于机器学习和深度学习的检测方法虽性能较好，但需要大量不同条件下的正常和故障样本训练识别模型，而SAF的偶发性和随机位置特性使得实际应用中获取大量样本数据极为困难，限制了此类方法的实际应用。

针对上述问题，研究人员提出了一种基于广义S变换（GST）时频谱差分和奇异值分解（SVD）的SAF检测方法。该方法的核心创新在于：利用SAF导致电流信号非周期分量显著增加的特性，通过时频谱矩阵相减削弱充电阶段和充电器型号的影响，结合SVD提取主要特征，最终实现基于固定阈值的准确检测。样本队列来源于辽宁工程技术大学搭建的实验平台，采用天能电池公司生产的4节6-DZF-12.2电池作为负载，使用天长市 Sundier 电子有限公司生产的120 W国标电动自行车充电器进行主要实验，后续更换了天长市智优电子有限公司130 W充电器、南京西普尔科技实业有限公司160 W充电器、天长市康来电子厂110 W充电器及天长市森林电气科技有限公司180 W充电器进行泛化性能验证，同时还更换了超威电池公司生产的4节6-DZF-12.5电池进行不同电池型号测试。

**SAF实验平台与方案**

研究人员搭建了EBCC交流SAF实验平台，主要包括充电电路、电弧故障发生器和数据采集装置。充电电路由AC 220 V/50 Hz供电，电弧故障发生器采用尖端铜棒和平端碳棒分别作为动、静电极，通过步进电机驱动滑台实现动电极水平移动。正常工况通过两电极良好接触模拟，SAF工况通过控制动电极右移使两电极分离直至产生电弧放电模拟。数据采集采用LHB20A5VY2电流互感器和LHB-T1电压互感器采集电路电流和电弧电压，通过USB3200数据采集卡传输至计算机，利用LabVIEW软件实现数据可视化与存储。

实验方案涵盖电动自行车充电过程的三个阶段：恒流（细分为四个不同阶段）、恒压和浮充，共计12组正常与SAF实验，数据采样频率为50 kHz。实验获取的电流波形显示，电动自行车充电器作为开关电源非线性负载，正常充电时电流波形周期性变化但存在大量尖峰脉冲干扰，且不同充电阶段电流信号幅值和尖峰脉冲存在明显差异；发生SAF时，电流信号出现明显畸变，由于SAF的随机性和不稳定性，相邻周期波的幅值和波形差异显著变化，即非周期分量显著增加。

**基于GST结合SVD的SAF特征提取方法**

GST是在S变换（ST）基础上发展而来的信号时频分析方法，在ST无交叉项、高时频分辨率的特性基础上，进一步提升了频率聚集能力。GST的时间频率变换结果不仅保留信号的相位信息，还引入了随频率方向变化的宽带窗函数，具有可变时频分辨率，能够提供丰富的SAF时频特征。研究人员对离散信号进行GST处理，通过引入调整因子s和r优化高斯窗函数，以解决ST在高频信号分量中的频率混叠问题。

SVD是一种正交矩阵分解方法，获得的奇异值具有较强稳定性且包含原始数据的显著信息，能够有效提取差分矩阵中的SAF特征。同时，时频谱相减会放大信号中的噪声分量，利用SVD合理去除无用奇异值可实现信号降噪，提高检测方法的抗噪声性能。SVD将信号矩阵分解为三个矩阵的乘积，较大奇异值反映信号主要特征，较小奇异值主要反映噪声，通过选取有效奇异值数量即可实现特征提取与降噪。

特征提取方法的具体步骤如下：

**数据预处理**：采集四周波（4000个采样点）电流数据，采用PLF进行降噪和降维处理，将原始信号从4000点降维至400点。PLF一方面可有效滤除充电器正常工作时高频开关引起的毛刺、尖峰等瞬态特性，降低对SAF检测的影响；另一方面可降低原始电流数据维度和算法计算复杂度。降维后的信号均分为两个子信号，分别进行均方根（RMS）值归一化处理。

**GST变换与差分矩阵构建**：对两个子信号进行GST时频变换，获得101×200维的时频矩阵S₁和S₂，GST调节因子s和r分别设为0.03和0.05。将S₁与S₂相减得到差分矩阵S，三个矩阵均为包含时频谱幅值和相位特征的复数矩阵。正常工况下，不同充电阶段的电流信号虽存在差异，但非周期分量较弱，时频谱相减后周期性分量被消除，差分矩阵幅值在各充电阶段较为接近，充电阶段影响被明显削弱。发生SAF时，由于电流信号中强非周期分量的存在，各充电阶段差分矩阵幅值较正常状态明显增大，仍保留丰富的SAF特征。

**SVD分解与故障特征计算**：对差分矩阵S进行SVD分解，获得101个奇异值。为选取最优有效奇异值数量，引入奇异值差分谱理论确定选取数量。差分谱反映相邻奇异值的变化趋势，若第k个奇异值处下降显著，则差分谱出现峰值，该峰值位置即为有用信号与噪声信号的边界点。分析表明差分矩阵S的奇异值差分谱在第4个坐标处出现峰值且为最大突变位置，因此最终选取前4个奇异值之和作为SAF特征。

从各实验组截取的200组电流数据提取的SAF特征显示，SAF状态下故障特征明显大于正常状态，不同充电阶段可采用统一固定阈值进行分类，验证了该方法能有效提取SAF特征、显著削弱充电阶段对故障特征提取的影响、降低特征多样性、提高检测方法泛化性能。

**SAF检测方法有效性及优越性分析**

阈值确定与检测结果：在1至20范围内以0.5为步长计算不同阈值下的SAF检测准确率，当阈值为7时检测准确率最高，故设定固定阈值为7。此时SAF检测准确率为94.46%，误报率为6.00%，真实阳性率为94.92%，验证了该方法对EBCC中交流SAF检测的有效性。误检原因主要包括：充电器正常工作时充电电流不稳定及随机噪声干扰导致非周期分量增加，使故障特征超过阈值造成误检；SAF发生时若电弧状态相对稳定，非周期分量较弱，导致提取的故障特征低于阈值造成漏检。

不同充电器型号条件下的检测：将实验平台充电器更换为130 W和160 W充电器进行SAF实验，在不调整阈值的情况下，两种充电器的SAF检测准确率均大于90%。130 W和160 W充电器的电流信号与120 W充电器相比存在明显差异，毛刺和尖峰显著更少更小，但所提方法仍保持良好检测性能，验证了该方法适用于不同型号充电器的交流SAF检测，具有良好泛化性能。

不同充电器及电池型号条件下的检测：进一步更换电池为超威电池公司4节6-DZF-12.5电池，使用110 W和180 W充电器进行实验。新条件下SAF检测准确率仍均大于90%，无需调整阈值。110 W和180 W充电器的电流信号与之前三种充电器相比仍存在显著差异，尤其在电流信号峰值位置附近出现明显畸变，但所提方法依然有效，验证了该方法对不同型号充电器和电池均具有强适用性和泛化性能。

不同噪声强度条件下的检测：为评估方法抗噪声性能，利用MATLAB软件在电流信号中叠加不同信噪比的高斯噪声和脉冲噪声（脉冲密度分别设为5%和2%）。结果表明，当高斯噪声信噪比高于15 dB、脉冲密度为5%和2%且脉冲噪声信噪比高于15 dB时，三种充电器型号条件下的交流SAF检测准确率均未显著下降，验证了该方法具有良好的抗噪声性能。

算法参数对检测性能的影响：研究人员测试了不同算法参数对SAF检测性能的影响。（1）电流周期数：从2个增加至4个周期时检测准确率显著提高，但增至6个周期时准确率波动不大而运算时间显著增加，故选择4个周期较为合理。（2）PLF步长：步长达到20及以上时检测准确率明显下降，说明过长步长会导致过多SAF特征损失；与步长1和5相比，步长10在20 dB和15 dB噪声条件下展现出更高检测准确率，且运算时间显著缩短，综合考虑选择步长10较为合理。（3）GST参数：调节因子s和r在不同组合下SAF检测准确率均在93.5%以上，s=0.03、r=0.05时平均准确率达最高94.36%，两参数对检测准确率影响较小，选取0.03和0.05合理。（4）奇异值数量：选取1或2个奇异值时检测准确率较低，选取数量大于等于3时准确率差异不大，但随选取数量增加算法抗噪声性能下降，综合检测准确率和抗噪声性能选取前4个奇异值之和作为故障特征较为合理。

与现有方法的对比分析：研究人员选取六种现有SAF检测方法进行对比，包括基于四阶Butterworth带通滤波器的方法、基于49.1–97.6 Hz频段分量的方法、基于相邻周期波相减及时域特征的方法、基于GST和SVM的方法、基于经验小波变换（EWT）和概率神经网络（PNN）的方法、以及基于随机森林（RF）的方法。在实际应用中，由于充电器种类繁多，难以获取大量不同充电器型号的标注SAF电流数据。在有限标注样本条件下，检测方法对不同充电器型号的泛化性能是其优越性的重要体现。研究人员利用120 W充电器条件下的实验数据设定阈值或训练识别模型，测试不同充电器型号条件下的SAF检测准确率。结果表明：基于阈值的方法[2]、[4]因不同充电器导致电流信号变化，故障特征分布范围和最优阈值显著变化，130 W和160 W条件下检测准确率大幅下降；基于相邻周期波相减的方法[7]虽能一定程度削弱充电阶段和充电器型号影响，但对不同充电器的检测准确率显著低于所提方法；基于机器学习和深度学习的方法[9]、[11]、[12]虽在120 W条件下检测准确率较高，但训练样本不含130 W和160 W条件下的正常和故障样本，导致检测准确率显著下降。相比之下，所提方法在仅具有少量标注电流样本的条件下，对不同型号充电器EBCC交流侧的SAF检测具有更强泛化性能，在解决无大量标注电流样本的SAF检测问题方面具有一定优势。

**讨论**

研究结论部分指出，针对EBCC在不同充电阶段和充电器型号下的交流SAF检测问题，研究人员提出了基于GST时频谱差分和SVD的SAF检测方法。主要结论包括：SAF的随机性和不稳定性会导致EBCC交流侧电流信号非周期分量显著增加，利用电流信号时频谱相减可在保留SAF非周期特征的基础上有效削弱充电阶段和充电器型号对SAF特征提取的影响，为解决复杂多变条件下的SAF检测问题提供了新思路；提出的基于GST时频谱差分矩阵和SVD的SAF特征提取方法，提取的SAF特征受充电阶段和充电器型号影响较小，有效降低了故障特征的多样性，结合固定阈值在五种不同充电器型号条件下的SAF检测准确率可达92%以上，同时在信噪比大于15 dB的高斯噪声和脉冲噪声条件下，三种不同充电器型号条件下的SAF检测准确率仍高于89%，验证了该方法具有良好的泛化性能和鲁棒性，可为电弧故障断路器设计提供有价值的参考。未来研究将进一步优化所提方法在SAF检测准确率和运算时间方面的性能，并提出针对EBCC直流侧的SAF检测方法，理论研究工作完成后将开发基于数字信号处理器（DSP）的SAF在线检测与保护装置。