基于CEEMDAN-HT和SAE的直流故障电弧诊断方法研究

为了解决直流系统中工况变动及负载变更条件下造成的故障电弧识别准确率低的问题,提出了一种基于自适应噪声的完全集合经验模态分解-希尔伯特(complete ensemble empirical mode decomposition with adaptive noise-Hilbert transform,CEEMDAN-HT)包络谱和堆叠自编码器(stacking automatic encoder,SAE)的直流串联故障电弧诊断方法。首先参考雄安高铁站区直流系统典型负载搭建含混合负载的直流串联故障电弧实验平台,采集多工况下的电流信号并建立故障电弧数据库。其次采用CEEMDAN对原始信号进行分解得到多个固有模态函数(intrinsic mode function,IMF),然后进行HT变换(Hilbert transform)分析包络谱,组成首尾相接的高维特征样本,最后将样本输入SAE模型中学习特征,实现变负载下的直流故障电弧识别。实验结果表明:该方法能够很好地发挥CEEMDAN-HT从原始信号中提取故障电弧特征和SAE无监督学习的能力,不需要人工设置阈值即可准确识别故障电弧并进行负载分类,平均准确率可达98.9%。