Characterization & detection of electric Arc Detection in Low-Voltage IEC Networks

• Main Author: Vasile, Costin
• Other Authors: Grenoble Alpes
• Language: en
• Published: 2018
• Subjects: Arcs électriques; Signaux transitoires; Statistiques d’ordre supérieur; Analyse de récurrence; Electrical arcs; Transient signals; Higher order statistics; Recurrence analysis; 004
• Online Access: http://www.theses.fr/2018GREAT008

Contexte & Motivation:Les installations électriques des bâtiments se détériorent au fil du temps et leur gravité et leur taux de détérioration dépendent de facteurs environnementaux (chaleur, humidité, réactions chimiques corrosives et vieillies isolations) ou d'actions externes indésirables telles que la manipulation humaine erronée, qui conduit à des charges ou des câbles/réseaux endommagés.L'European Fire Academy (EFA) et de nombreuses compagnies d'assurance indiquent que 25% des incendies de bâtiments sont d'origine électrique. Ces incendies peuvent être déclenchés par des circuits surchargés, des court-circuits, des courants de fuite à la terre, des surtensions et / ou des défauts d'arc électrique dans les connexions et les câbles.Les protections électriques classiques telles que les disjoncteurs et les disjoncteurs différentiels offrent une protection insuffisante. Par exemple, en cas de défauts d'arcs en série, la valeur du courant de défaut d'arc reste inférieure à la valeur du courant nominal, car elle est limitée par la résistance du carbone généré par le défaut d'arc. Dans ce cas, toute protection existante peut détecter ce type de faute.Détection de défaut d'arc : approche de traitement du signalDans le cadre de ce travail, l'objectif a été de détecter chaque instant d'arc, ce qui, pour un réseau alternatif, permettrait d'identifier correctement chaque arc dans chaque demi-cycle de réseau où il se produit.En fonction de la caractéristique numérique utilisée à des fins de détection, nous avons introduit différentes classes de méthodes:• Caractéristiques énergétiques (bandes étroite et large bande)• Caractéristiques statistiques (moments statistiques, analyse de la corrélation etc.)• Caractéristiques basées sur un model (ex. modelés AR, ARMA etc.)• Caractéristiques data-driven (utiliser Phase Space Embedding pour les séries temporelles)Chaque approche a été testée et évaluée sur une base de données de signaux construite avec soin, capable de fournir la variabilité du monde réel, dans un cadre d'évaluation statistique qui permet de trouver des seuils appropriés et leurs plages associées. Il donne également des performances relatives, d'une fonctionnalité à l'autre, en fonction de la façon dont les plages de seuils couvrent tout l'espace des caractéristiques.Une approche prometteuse est montrée avec un résultat intermédiaire sur la figure 8. La configuration est plutôt courante, avec une charge résistive (R-Load) en fonctionnement normal, avec un gradateur allumé et ajouté dans la configuration et un arc persistant apparaissant dans le circuit.Il suffit d'analyser simplement la forme d'onde du courant 50 Hz, car même lors d'une simple inspection visuelle, il est difficile d'identifier l'origine du défaut d'arc et s'il est stable ou s'il s'éteint après (ou où). En mesurant correctement le bruit de défaut d'arc haute fréquence et en sélectionnant correctement la bande passante, nous parvenons à obtenir un signal beaucoup plus facile à traiter. L'arc est difficile à détecter en raison de la variation de l'intensité énergétique d'un réseau à l'autre (encore plus: pour un même réseau, ajouter / enlever des charges ou des rallonges modifie la distribution d'amplitude et de fréquence de l'arc). Par conséquent, nous exploitons le caractère aléatoire intrinsèque de l'arc, ce qui permet une variabilité suffisante d'une réalisation d'arc à une autre.En conclusion, nous proposons une nouvelle méthodologie de traitement du signal pour la détection des défauts d'arc, à mettre en œuvre dans un algorithme de produit AFDD. En outre, une autre approche est présentée, basée sur l'analyse de diagramme de phase, qui permet la séparation entre les arcs et les signaux de communication, ce qui est également un grand défi dans ce domaine. === Context & Motivation:Electrical installations in buildings deteriorate, over time and the severity and rate of deterioration depend on environmental factors (such as heat, humidity, corrosive chemical reactions and aging insulations) and unwanted external actions (such as human mishandling, that leads to damaged devices or cables/network).Caution is mandatory when handling electrical installations, seeing that potential hazards include electric shocks, burns, explosions and fire, if proper safety precautions are ignored or neglected. The European Fire Academy (EFA) and many property and casualty insurance companies report that 25% of building fires are electrical in origin. These fires can be triggered by overloaded circuits, short-circuits, earth leakage currents, overvoltage and/or electrical arc faults in connections and cables.Classical electrical protection such as circuit breakers and RCDs offer insufficient protection. For example, in case of series arc faults, the arc fault current value remains below the rated current value, since it is limited by the resistance of the carbon generated by the arc fault and by the load itself. In this case, no existing protection can detect such kind of fault.Arc Fault Detection: Signal Processing ApproachIn the context of this work, the objective has been to detect each instant of arcing, which for an AC network, would mean correctly identifying each arcing in each network half-cycle where it occurs.Depending on the numerical feature used for detection purposes, we introduced different classes of methods:• Energy-related features (narrow and wideband)• Statistical features (statistical moments, correlation analysis etc.)• Model-based features (using numerical models, such as AR, for example)• Data-driven features (using Phase Space Embedding for time series)Each approach has been tested & evaluated on a carefully constructed signal database, capable of supplying real-world variability, within a statistical evaluation framework which enables finding suitable thresholds and their appropriate ranges. It also gives relative performances, from one feature to another, based on how threshold ranges cover the entire feature space.A promising approach is shown with an intermediary result in Figure 9. The configuration is rather common, with a resistive load (R – Load) in normal operation, with a dimmer being turned on and added in the configuration and a persistent arc appearing in the circuit.Figure 9 Resistive load, dimmer and persistent arcing – processing result (example).Simply analyzing the 50Hz line current waveform is insufficient, as even at a simple visual inspection there is difficulty in identifying where the arc fault ignites and if it is a stable one, or if it extinguishes afterwards (or where). By correctly measuring the high frequency arc fault noise and with correct selection of the bandwidth, we manage to obtain a signal much easier to process further on. Arcing is inherently difficult to detect, due to high frequency energy intensity variation from one network to another (even more: for the same network, adding/removing loads or extension cords will change the amplitude and frequency distribution of the arc fault energy). Therefore, we exploit the intrinsic randomness of arcing, which enables sufficient variability from one arcing realization to another.To conclude, we propose a new signal processing methodology for arc fault detection, to be implemented in an AFDD product algorithm. Also, another approach is presented, based on phase diagram analysis, that allows the separation between the arcs and communication signals, which is also a great challenge in this field.