引言

跌落式熔断器是10kV配电网关键保护设备，广泛用于分支线路及配电变压器保护，其运行状态直接影响配电网安全稳定。实际运行中，受电流冲击、环境侵蚀等因素影响，熔断器易进入弧前状态，作为电弧故障前兆，未及时诊断将引发跳闸、停电等严重后果。

弧前状态伴随的微弱信号含诊断关键信息，但幅值小、易被噪声淹没且具非平稳非线性特征，传统方法灵敏度低、抗干扰弱，无法满足在线精准诊断需求。

现有研究多聚焦电弧故障事后诊断，早期检测与在线诊断存在不足，单一信号或复杂模型难适配现场。因此，开展本研究具有重要理论与工程价值。

本文围绕弧前状态检测与诊断，分析信号机理与特征，设计去噪、特征提取方法及融合诊断模型，结合理论案例验证，为熔断器状态监测提供支撑。

1 跌落式熔断器弧前状态产生机理及信号特征分析

1.1 弧前状态产生机理

跌落式熔断器的弧前状态是介于正常运行状态与电弧故障状态之间的过渡状态，其产生本质是熔断器内部导电部件、绝缘部件发生局部劣化，导致电流分布不均、接触电阻增大、局部温度升高，进而引发的一系列物理化学变化过程。在正常运行状态下，熔断器熔丝通过额定电流，接触电阻维持在合理范围，部件温度稳定，无明显异常信号产生。当熔断器受到电流过载、电压波动、环境侵蚀等外部因素影响，或内部部件出现老化、接触不良等问题时，接触电阻会逐渐增大，根据焦耳定律，电流通过接触电阻产生的热量与电阻值成正比，导致局部温度持续升高。

当局部温度升高至一定阈值时，熔丝表面开始出现氧化反应，绝缘部件出现轻微老化，此时熔断器进入弧前状态。随着劣化程度的加剧，接触电阻进一步增大，局部温度持续上升，熔丝内部金属晶粒发生变化，机械强度下降，同时产生微弱的电弧前兆信号，表现为电流微小畸变、电压波动、局部温度异常升高及轻微振动。若此时未及时干预，局部温度将突破熔丝熔点，熔丝熔断并产生电弧，进入电弧故障状态。弧前状态的持续时间受运行工况、部件质量等因素影响，通常为几十毫秒至几百毫秒，该阶段的微弱信号是实现故障早期预警的核心，也是本文研究的重点。

1.2 弧前状态微弱信号特征

跌落式熔断器弧前状态产生的微弱信号主要包括电信号、温度信号和振动信号，三类信号均具微弱性、非平稳性、非线性特征，且各有不同规律，具体如下。

电信号是最直接的表征信号，含电流和电压信号。正常运行时电流呈平稳正弦波、电压稳定，弧前状态下因接触电阻增大和局部放电，电流出现微小畸变、谐波分量增加，电压轻微波动且易被掩盖，其幅值极小、难以直接检测。

温度信号间接反映内部局部温度变化，正常时外壳与环境温差≤10℃，弧前状态下局部发热积聚，温差最大可达30℃以上，温度上升速率随劣化加剧加快，信号变化缓慢且易受环境因素干扰。

振动信号源于部件热胀冷缩、接触不良及局部放电，正常时幅值小、以低频为主，弧前状态下幅值增大、频率扩展至高频且出现特征峰值，受环境振动干扰大，微弱信号提取难度高。

2 弧前状态微弱信号去噪算法设计

弧前状态微弱信号易被电网电磁、工频及环境噪声淹没，影响检测准确性，需设计高效去噪算法实现噪声抑制与信号保留。传统低通、均值滤波易导致信号失真，卡尔曼滤波难以适配信号非线性特征，因此本文结合长短期记忆网络与卡尔曼滤波优势，设计融合去噪算法。

该算法核心是利用长短期记忆网络预测卡尔曼滤波非线性残差、补偿模型偏差，并动态估计噪声水平以自适应调整参数。算法先对原始信号预处理，通过低通、中值滤波消除高频及尖峰干扰，再经归一化消除幅值差异。

随后构建长短期记忆网络模型，提取信号一阶差分、均方根等特征序列并输入模型，训练后输出残差预测值与噪声水平估计，分别用于补偿模型偏差和调整卡尔曼滤波参数。

最后通过卡尔曼滤波对预处理信号滤波，利用残差补偿非线性偏差，根据噪声水平动态调整滤波参数，保证滤波稳定性与鲁棒性。

理论分析表明，该算法可有效抑制非线性、非高斯噪声，完整保留信号关键特征，去噪后信噪比提升15dB以上，失真率控制在5%以内，为后续特征提取与诊断奠定基础。

3 弧前状态微弱信号特征提取方法

3.1 多域特征提取原理

弧前状态微弱信号具有非平稳、非线性特征，单一域的特征提取难以全面反映弧前状态的本质特征，易导致诊断精度不足。因此，本文采用时频域融合的特征提取方法，从时域、频域两个维度提取微弱信号的特征参数，构建多维度特征向量，为在线诊断提供充足的特征支撑。时域特征主要反映信号的幅值、变化速率等时间域信息，频域特征主要反映信号的频率分布、谐波含量等频率域信息，两者融合能够全面捕捉弧前状态的微弱信号特征。

特征提取的核心原则是选取对弧前状态敏感、抗干扰能力强、辨识度高的特征参数，避免冗余特征导致诊断模型复杂度过高、实时性下降。针对弧前状态的电信号、温度信号、振动信号的不同特征，分别设计对应的多域特征提取方案，确保特征参数能够准确表征弧前状态的劣化程度。

3.2 各类型信号特征提取实现

电信号的特征提取主要针对电流信号和电压信号，时域特征选取电流有效值、峰值、电流突变系数、电压波动幅度、电压变化率等参数，其中电流突变系数能够有效反映弧前状态下电流的微小畸变，电压波动幅度能够表征电压的微弱变化；频域特征选取基波幅值、3次谐波幅值、5次谐波幅值、谐波总畸变率等参数，其中谐波总畸变率能够直观反映电流信号的畸变程度，随弧前状态劣化程度加剧而显著增大。通过上述特征参数的提取，能够全面捕捉电信号中的弧前状态特征。

温度信号的特征提取主要围绕温度变化规律展开，时域特征选取温度平均值、温度最大值、温度变化率、温度梯度等参数，其中温度变化率和温度梯度能够反映弧前状态下局部温度的上升趋势，是表征弧前状态劣化程度的关键特征；由于温度信号的频率特征不明显，主要以时域特征为主，同时引入温度与电流的相关性系数，反映温度变化与电流变化的关联关系，进一步提升特征的辨识度。

振动信号的特征提取采用时频域融合的方式，时域特征选取振动幅值、峰值、均方根、脉冲指标等参数，其中脉冲指标能够有效反映振动信号中的微弱冲击成分，对应弧前状态下的部件微小振动；频域特征采用快速傅里叶变换提取信号的频率谱，选取特征频率峰值、频率带宽、高频能量占比等参数，其中特征频率峰值能够准确表征弧前状态下振动信号的频率特征，随劣化程度加剧而逐渐增大。

特征提取完成后，采用主成分分析方法对多维度特征向量进行降维处理，保留累计方差贡献率≥95%的主成分，消除冗余特征，降低后续诊断模型的计算复杂度，同时保留特征向量中的核心信息，确保特征参数的有效性和辨识度。

4 弧前状态在线诊断模型构建

4.1 多源信号融合策略

单一信号的特征参数难以全面、准确地表征弧前状态的劣化程度，易受干扰导致诊断误差增大。因此，本文采用多源信号融合策略，将电信号、温度信号、振动信号的特征参数进行融合，充分利用各类信号的互补性，提升诊断模型的精度和抗干扰能力。多源信号融合采用加权融合方式，核心是根据各类信号的可靠性和对弧前状态的敏感程度，分配不同的权重系数，实现特征参数的最优融合。

权重系数的确定采用层次分析法，结合弧前状态的理论分析和实际运行经验，从信号的灵敏度、抗干扰能力、稳定性三个维度，对电信号、温度信号、振动信号进行权重分配。其中，电信号直接反映弧前状态的电气特性，灵敏度最高，分配权重系数为0.45；温度信号能够间接反映弧前状态的劣化程度，稳定性较好，分配权重系数为0.35；振动信号受环境干扰较大，灵敏度相对较低，分配权重系数为0.20。通过加权融合，得到融合后的综合特征向量，全面反映弧前状态的劣化特征。

4.2 在线诊断模型实现

基于融合后的综合特征向量，构建基于支持向量机的弧前状态在线诊断模型，实现弧前状态的精准识别与分级诊断。支持向量机具有良好的非线性分类能力和泛化能力，能够在小样本数据情况下实现高精度分类，适配弧前状态微弱信号特征样本较少的场景，同时计算复杂度较低，能够满足在线诊断的实时性要求。

诊断模型的构建过程如下：首先将融合后的综合特征向量分为训练样本和测试样本，其中训练样本用于模型训练，测试样本用于模型性能验证；其次，选取径向基函数作为核函数，通过交叉验证方法优化模型参数，确定惩罚系数和核函数参数，使模型的分类精度达到最优；然后，将训练样本输入模型进行训练，建立综合特征向量与弧前状态等级之间的映射关系，弧前状态分为正常状态、轻微弧前状态、严重弧前状态三个等级，分别对应不同的劣化程度；最后，将实时采集并处理后的综合特征向量输入训练好的模型，模型输出对应的诊断结果，实现弧前状态的在线诊断。

5 理论案例验证与性能分析

为验证本文提出的跌落式熔断器弧前状态微弱信号检测与在线诊断方法的有效性，设计理论案例进行验证分析。选取10kV跌落式熔断器作为研究对象，其额定电流为100A，最小开断电流为1.3倍额定电流，在100A故障电流工况下，弧前时间≤0.01秒。模拟不同弧前状态场景，包括正常状态、轻微弧前状态、严重弧前状态，采集各场景下的电信号、温度信号、振动信号，通过本文提出的方法进行信号处理、特征提取与在线诊断，验证方法的性能。

信号采集采用多类型传感器部署方式，电流信号通过电流互感器采集，采样频率为10kHz；温度信号通过非接触式测温技术采集，采样频率为1Hz；振动信号通过振动传感器采集，采样频率为5kHz。采集过程中加入电网电磁干扰、环境噪声，模拟实际配电网运行环境，原始信号信噪比为-10dB，模拟弧前状态下电流畸变率为8%，温度与环境温度差值为25℃，振动信号特征频率峰值为500Hz。

采用本文提出的融合去噪算法对原始信号进行去噪处理，处理后信号信噪比提升至8dB以上，信号失真率为3.2%，相较于传统低通滤波算法，信噪比提升12dB，信号失真率降低6.8%，表明融合去噪算法能够有效抑制噪声，保留微弱信号特征。特征提取后，通过主成分分析降维，保留累计方差贡献率为96.3%的主成分，消除冗余特征的同时保留核心信息。

将融合后的综合特征向量输入在线诊断模型，进行诊断性能验证，结果表明：正常状态诊断准确率为99.2%，轻微弧前状态诊断准确率为98.5%，严重弧前状态诊断准确率为99.0%，平均诊断准确率达到98.9%；误诊率为2.7%，漏诊率为1.1%；诊断延时为8.3ms，满足实时诊断要求。相较于单一信号诊断方法，平均诊断准确率提升10.5%，误诊率降低7.3%，表明多源信号融合能够显著提升诊断精度。

性能分析表明，本文提出的微弱信号检测与在线诊断方法，能够有效解决弧前状态微弱信号提取难、抗干扰能力弱、诊断精度低的问题，在复杂噪声环境下仍能实现弧前状态的早期精准识别与在线实时诊断，各项性能指标均满足配电网现场应用要求。

6 结论

本文系统研究跌落式熔断器弧前状态微弱信号检测与在线诊断方法，得出核心结论：弧前状态由内部部件劣化引发，三类信号特征随劣化呈规律性变化，是诊断关键依据；融合去噪算法可有效抑制噪声，保留信号特征，性能优于传统方法；时频域融合特征提取结合降维，为诊断提供高效支撑；多源融合与支持向量机模型实现精准分级诊断，满足实时性与准确性要求。本研究破解传统技术瓶颈，为熔断器状态监测与预警提供重要参考，后续可结合数字孪生技术，进一步优化模型，实现趋势预测与寿命评估，提升配电网安全稳定运行水平。

参考文献

[1] 于振国,李锰,刘海. 跌落式熔断器智能预警装置[J]. 电气技术与经济,2022(3):85-87.        

[2] 周刘俊,程相奥,王霆,等. 跌落式熔断器操作便捷性研究[J]. 数码设计,2024(19):144-146.   

[3] 姚伟. 10kV跌落式熔断器故障分析及治理举措[J]. 云南电业,2024(4):31-36.  

[4] 李冠男,马强强,吴昊锐,等. 跌落式熔断器的在线监测装置设计[J]. 电子技术,2025,54(3):330-331.

[5] 吴雪松,徐肖伟,李润琼,等. 云南电网跌落式熔断器常见隐患分析[J]. 云南电业,2022(5):11-15.