在家庭生活用电器中，非线性负载电器逐渐增多。
这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象，闽江学院计算机与控制工程学院等单位的董志文、苏晶晶，在2024年第1期《电气技术》上撰文，提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。
实验发现，相比于其他方法，本方法的故障电弧识别准确率可达99%，且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别电能在社会快速发展中变得越来越重要，电力事业的发展为人们提供了方便，但管理不善或使用不当可能导致触电伤亡事故和火灾，给人民群众的生命和财产安全带来重大损失。
导致住宅电气火灾的一个主要原因是故障电弧的发生。
在家庭配电网络中，由于线路复杂、环境复杂，未及时切断故障电弧极易引发火灾事故，因此研究故障电弧的检测方法十分重要。
随着工业、商业区电器产品类型和数量的增加，非线性负载电器逐渐普及。
在非线性负载和复合负载情况下，传统检测方法难以实现准确识别。
借助人工智能算法解决传统方法存在的缺陷是目前故障检测领域的主要研究方向。
目前故障电弧研究领域的关注点已从电流信号的时域、频域和时频域分析，扩展到了故障特征值的提取及机器学习算法的优化等方面，然而低压电力配电系统中负载类型的多样性对特征提取和故障检测有较大的影响。
针对低压串联故障电弧产生时电流受负载类型影响较大，难以通过单一特征参数对故障电弧进行准确识别分类的问题，闽江学院等单位的研究者在提取电流波形时域特征的基础上，结合变分模态分解（VMD）得到IMF并求取其能量熵作为故障判断的特征量。
结合电流波形的时域特征和能量熵构建特征向量，输入随机森林分类器中，以实现对不同负载类型电弧故障的检测和分类识别。
图1 故障电弧实验电路示意图图2 基于随机森林的电弧故障检测算法流程他们发现，在非线性负载故障电弧检测中，单独应用时域特征时，识别准确率相对较低，尤其在负载的正常电流和故障电流波形相似的情况下。
结合能量熵特征后，有效地提高了故障电弧的识别率。
研究结果表明，时域特征与能量熵特征的联合使用能够显著提升非线性负载故障电弧的检测准确性。
表 不同分类模型故障电弧识别结果此外，相比于其他负载，吸尘器的故障特征信息不明显，此时的识别准确率低，有较大的提升空间，后续需对这类特征信息不明显的负载作进一步研究。
研究者表示，通过对比支持向量机、朴素贝叶斯、多层感知机、K近邻分类及本文随机森林模型对故障电弧的识别准确率，结果表明本模型的故障电弧识别准确率最高，达到99%。
本工作成果发表在2024年第1期《电气技术》，论文标题为“基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法”，作者为董志文、苏晶晶。
本课题得到福建省自然科学基金、福建省高校产学合作项目和闽江学院科研项目的支持。