基于随机森林算法的低压系统漏电检测技术研究

随着低压配电系统规模及用户需求量迅速增加,用户线路与家庭电气设备漏电故障频发,极易发生人体触电及电气火灾事故。剩余电流保护器作为检测低压漏电故障的常用手段,近年来因线路(或设备)存在对地泄漏电流而频频误动,极大降低了保护设备投运率与可靠性。为此,本文提出一种基于随机森林(random forest,RF)算法的低压配电系统漏电检测技术,为最大程度贴近真实漏电故障场景,充分考虑实际故障场景存在的正常泄漏电流过大、故障邻近支路负荷投切频繁等干扰因素以获得贴近真实故障场景的原始剩余电流数据;通过对原始剩余电流数据进行数据预处理,分析掌握剩余电流的频域与时域特性并利用傅里叶变换算法提取时频域特征,完成低压系统漏电检测模型的建立与训练;在施加多种干扰因素情况下对漏电检测模型进行深度测试,其漏电故障的检测准确率可达99.97%,实现了多种干扰因素情况下的低压配电系统漏电故障检测;最后将支持向量机(support vector machine,SVM)算法、K最近邻(K-nearest neighbor,KNN)算法与本文基于RF算法的漏电故障检测模型的准确性进行对比,以此验证了基于RF算法的低压系统漏电检测模型的准确性与可行性。

基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究

针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的XGBoost模型,并采用Bayes算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与6种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。

考虑多扰动因子的含光伏电源低压台区漏电故障检测

针对含光伏电源的低压配电台区剩余电流检测易受多重因素干扰,难以实现漏电故障精准检测的问题,提出了一种基于随机森林算法的计及剩余电流扰动因子含光伏电源的低压配电台区漏电故障检测方法。通过多角度挖掘分析剩余电流扰动因子,利用剩余电流偏差法定量分析剩余电流扰动因子对剩余电流的影响,分析计及剩余电流扰动因子的漏电故障频域特性,构建了多维故障特征向量与特征数据集,建立了基于随机森林算法的漏电故障检测模型。通过仿真模型进行仿真分析与验证,结果表明所提方法可高精度检测漏电故障,与常用方法相比,所提方法的故障检测准确率和稳定性更高、抗干扰能力更强。