电动汽车充电系统串联电弧故障智能识别方法

为解决电动汽车充电系统串联电弧故障电弧电流难以准确检测的问题,提出一种基于机器学习的电动汽车充电系统串联电弧故障识别方法。首先,搭建电动汽车充电系统电弧故障实验平台,采集不同工况下故障电弧电流数据;然后,采用离散傅里叶变换进行特征分析,并构建故障电弧特征数据集;最后,基于16层视觉几何群网络训练得到电弧故障检测模型,并利用各工况下测试集对电弧故障检测模型进行测试。研究结果表明该方法识别准确率均可达到98%以上,并拥有良好的抗干扰能力。

基于电流相似度与高频能量的串联故障电弧检测方法

故障电弧是引起电气火灾的重要原因,针对非线性负载工况下故障电弧保护算法的误动作和拒动作问题,提出一种基于电流相似度与高频能量的串联故障电弧检测方法。参照标准搭建故障电弧实验平台并进行实验,从时域、频域角度分析电弧电流特征。采用小波函数预处理电流信号,选取电流低、高频特征量。设定故障电弧特征量阈值,以此为基础提出故障电弧识别算法。实验结果表明,该算法能够准确识别多种负载条件下的故障电弧,且未发生误动作和拒动作。

基于改进AlexNet模型的串联型电弧故障识别方法

针对传统电弧故障检测方法依赖人为设定阈值、存在保护误动作以及现有人工智能方法需要预先提取特征、计算量大的问题,提出一种基于改进AlexNet模型的串联型电弧故障识别方法;该方法直接采用原始电流波形作为模型输入,避免数据特征预处理;利用Inception结构对AlexNet模型结构进行改进,减少网络参数,并采用随机梯度下降算法与学习率自适应调整方法对模型训练策略进行优化,分别利用已知负载与未知负载对所提方法进行试验验证。结果表明,该方法电弧故障识别准确率达到97.5%以上。