电压信号多特征融合检测串联故障电弧

串联故障电弧具有产生的随机性以及发生时电路电流减小等特点,传统保护装置难以识别。当前对串联故障电弧的检测大多对电流信号进行分析,但其容易受负载影响,识别时容易误判。因此,提出一种基于电压信号多特征识别电弧故障的方法,对实验采集的电压数据进行深入分析,利用余弦相似度、Pearson相关系数和Hausdorff距离对采集到的电源端电压和负载端电压波形相似度进行分析,并通过两电压差计算出线路电压,利用时域分析提取特征。对不同采集频率进行实验分析,选取最优采集频率。最后,通过学习向量化(Learning Vector Quantization,LVQ)神经网络对上述多特征融合进行检测。不同类型的负载试验表明,该方法对故障识别准确率可达96%以上。

低压直流串联故障电弧研究综述

直流串联故障电弧发生时隐蔽性较高、检测难度大,是低压直流系统发生火灾的重要原因。主要从低压直流串联故障电弧模型、电弧特征及其检测方法、检测标准及装置等3个方面进行综述。基于电弧仿真模型了解电弧演化过程,分析常用故障电弧模型的原理、适用范围和局限性;基于故障电弧的物理、电气信号特征构建及检测方法,阐述不同特征检测方法的优缺点;最后对直流串联故障电弧相关标准进行解读,并讨论试验平台及产品的研究现状和不足,展望未来低压直流故障电弧相关领域的研究方向。

基于改进CEEMD和RF的低压串联故障电弧识别方法

为了解决完整集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest,RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明:改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。

基于电弧电流和超声波的串联故障电弧的检测

为了区分配电网中正常电流和交流串联故障的电弧电流,通过采集电弧电流和弧声超声波作为两个故障特征进行故障电弧的检测。根据UL-1699标准搭建串联故障电弧试验平台,采集不同负载在正常工作和发生故障电弧状态下的电流数据和超声波数据,对电弧电流数据进行2层小波分解,提取小波高频系数,计算小波高频系数的方差值作为故障特征。采集正常和故障情况的超声波,设置合理的阈值来区分故障电弧。结合电弧电流小波高频系数方差和弧声超声波读数可以准确地实现对故障电弧的识别,大大提高了识别串联故障电弧的准确度。

基于IIST与SVM的串联故障电弧诊断方法研究

针对S变换的时频分辨能力不足导致串联故障电弧特征难以准确提取的弊端,以中心频率测度为标准筛选低频和高频段的主要频率点,分别引入低频和高频段对应的高斯窗口系数,形成一种改进的不完全S变换(im-provement incomplete S-transform,IIST)时频分析方法。首先,依据标准搭建串联电弧故障试验采集平台,采集不同负载情况下的电流信号;其次,采用IIST对信号进行时频分析并提取低频和高频段的对应特征量,形成特征向量样本集;最后,在此基础上构建故障电弧诊断模型,对样本集进行分类识别。结果表明,该特征提取方法在支持向量机(support vector machine,SVM)中识别准确率达到98.29%,能有效地提取电流故障特征,通过增设对照实验,探究不同特征提取方法、不同核函数的SVM对诊断结果的影响,进一步验证了IIST与SVM故障诊断方法是有效的。

基于频域特征融合的串联故障电弧检测方法

针对家庭供电线路中串联故障电弧不易快速准确检测的问题,提出了一种基于频域特征融合的交流串联故障电弧检测方法。首先使用故障电弧发生器以及6种不同负载类型的家用电器开展了串联故障电弧实验,并采集了回路电流。其次使用傅里叶变换和梅尔频率倒谱系数提取故障电弧频域特征,并通过典型相关分析进行特征融合并实现降维。最后通过鲸鱼算法优化支持向量机建立了故障电弧检测模型,对故障特征进行了分类,并与BP神经网络、概率神经网络、遗传算法优化支持向量机、粒子群算法优化支持向量机检测模型进行了对比。通过3种现有的故障电弧特征提取算法验证了所提方法的有效性,结果表明该方法的故障电弧检测准确率可达98%以上,检测时间在0.21 ms以内。所提方法可以有效检测发生在家庭线路中的串联故障电弧,并为研究新型的故障电弧断路器提供参考。

基于WPD-SVD的串联故障电弧检测方法

为了研究电力系统中串联故障电弧检测问题,以三相交流电机为例,设计了一种基于小波包-奇异值分解的串联故障电弧检测方法。首先,进行了串联故障电弧实验,获得了电机A相电流数据;其次,对电流数据进行小波包分解及进一步的奇异值分解,并成功提取特征值;最终,进行6个组别各50次重复实验并将重复实验结果平均处理,再对同组前4个特征值进行加权平均处理,获得WPD-SVD判别标准特征值。在进行正常与故障状态特征值对比后,证明特征值间距及稳定性都较为理想,足够作为串联故障电弧检测判据。

基于支持向量机的低压串联故障电弧识别方法研究

针对串联故障电弧发生时线路电流幅值较小传统线路保护装置不能进行有效检测的情况,提出一种基于支持向量机(SVM)的串联故障电弧识别方法。该方法利用自制的电弧发生装置模拟串联故障电弧,采集典型负载在正常回路和故障电弧回路中的电流数据,采用该数据训练基于支持向量机的串联故障电弧辨识模型。经实验证明,该辨识模型可以实现对典型线性负载和非线性负载回路中串联故障电弧的特征识别,最高识别准确率可达96%。该方法对硬件电路要求低,识别效率高,并且可以实现故障电弧波形的存储和处理,具有一定参考价值。

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。

基于相关理论及零休特征融合的串联故障电弧检测方法

针对串联故障电弧发生时隐蔽性和随机性强、电流幅值相对较小易被负载电流湮没、与负载性质关联性大而导致的难以准确检测问题,提出一种基于相关理论及零休特征融合的串联故障电弧检测方法。以参照UL1699标准搭建的低压单相交流串联故障电弧实验平台为基础,通过采集用电回路的两个周期电流并计算其零休时间比例系数、滤除低频成份后的归一化绝对值最大互相关系数,然后用模糊逻辑器将两系数进行融合处理得到串联故障电弧综合特征识别系数,进一步结合零休时间比例系数并分别与经验阈值比较,从而判别是否有串联故障电弧发生。结果表明,该法对低压单相交流用电回路中使用GB14287.4推荐负载时产生的串联故障电弧辨识率高达100%,无误判漏判现象发生。

基于多信息融合的航空线路串联故障电弧识别方法

航空电气线路工作环境复杂,故障电弧判别可靠性要求较高,而单特征的识别方法诊断效果相对较差。针对这一问题,提出运用多特征信息融合算法对航空低压配电线路故障电弧检测的方案。采用脉宽百分比、变异系数、间谐波均值和小波奇异熵四个特征量对线路电流时域、频域和时频域特征进行提取;依据突变理论建立故障电弧评价模型,对多特征量信息融合求出故障电弧评价指标;根据评价指标,对线路中是否出现故障电弧进行判断。结果表明,正常情况和故障电弧下的评价指标区分明显,易于设定阈值,且该方法适用于多种负载类型和电流等级。

基于深度长短时记忆网络的多支路串联故障电弧检测方法

针对低压配电系统中,实际配电网负载端的负载串并联形式的多样化和多变性特点,研究干路点检测支路发生的故障电弧具有十分明显的实际意义,提出了一种基于深度长短时记忆(LSTM)网络的多支路串联故障电弧检测方法。首先,构建实验平台,采集支路发生不同串联故障情况下的干路电流信号共计72000组;然后,将电流信号分为训练集和测试集;最后,通过Python平台优化深度LSTM网络模型结构以识别故障电弧,并输出检测结果。实验结果显示改进的LSTM网络对于每组实验单独分类检测准确率最低为96.8%,最高可达99.0%,多组实验统一进行检测准确率达94.88%。该方法能够有效识别多支路负载下的串联故障电弧,为低压串联故障电弧的准确检测提供了新的思路和有益探索。

PSO优化BP神经网络的串联故障电弧识别方法

运用db5小波对故障电弧信号进行4层分解,提取故障频段能量谱作为特征量,建立BP神经网络。用粒子群优化(PSO)算法优化BP神经网络,从而快速准确地对故障电弧特征量进行拟合,用训练后的神经网络对故障电弧进行预测,达到了较好的预测识别效果,验证了该串联型故障电弧识别方法的有效性。

绝对值激活深度神经网络的串联故障电弧检测

串联故障电弧具有隐蔽性和随机性,发生时线路电流波形受负载类型的影响而具有复杂性,检测难度大,严重威胁用电系统安全。鉴于电流数据具有大量负值的特点,提出用绝对值函数作为激活函数改进AlexNet深度学习网络检测串联故障电弧,并分析了激活函数特性对串联故障电弧检测效果的影响。把实验采集的三类负载分别在正常和发生串联故障电弧状态下的共7200组电流数据制作成训练集和测试集,并分别对使用四种激活函数的AlexNet网络进行训练和测试。实验结果显示,ELU激活的网络最高检测正确率为95.5%;而绝对值激活的网络效果最好,其平均检测正确率最高为97.25%,最低为93%,比ReLU激活的AlexNet网络最高88.75%的平均准确率高出最少4.25个百分点;而使用Sigmoid函数的网络不收敛。分析结果表明线性的激活数据特征有助于提高网络的检测准确率。

基于形态学滤波和OTSU的串联故障电弧识别方法

为有效识别不同负载串联故障电弧,针对不同类型的纯阻性负载,变频机-电机负载,工控机负载等进行故障电弧实验。对采集到的正常工作状态和电弧故障状态下的电流信号使用db4小波基对电流的一阶前向差分信号进行了5层分解,得到电流信号在32个频段的分解波形,作为故障电弧的辨识特征。通过计算同一时刻各个频段的方差,将分解的频段信号重新构成新的信号。利用形态学算法对此重构信号进行滤波,突显出故障情况下的电流特征。通过最大类间方差(OTSU)方法提取波形阈值,并统计阈值与滤波后波形的交点个数。研究结果表明,正常状态和故障电弧状态下滤波后波形与波形阈值的交点个数有明显的区别,可以作为故障电弧的识别特征。

电力线路串联故障电弧高频特征机理研究

电力线路因导线接触不良等原因引起的串联故障电弧不易熄灭且难以检测,产生的高温容易引发火灾等次生灾害。为应对串联电弧故障稳态电流小导致检测困难的问题,电弧高频故障特征受到广泛关注及应用,但是该故障特征的产生机理尚不明确。针对该问题,建立故障电弧数值模型分析电弧特性,分析发现阴极斑点的动态变化过程是直流电弧产生高频特征的主要原因之一。针对现有电弧模型将阴极表面过程视为稳定变化而无法表征其高频特征的问题,考虑阴极斑点的动态变化过程,利用阴极斑点半径尺寸的变化模拟阴极斑点的动态变化过程,建立计及热电子发射新边界条件的模型。仿真和实测波形对比证明所建电弧模型及发现的电弧高频特征的正确性。

基于负载端电压分析的串联故障电弧检测方法

基于串联故障电弧试验平台,对多类型负载进行试验并采集故障电弧电压电流信号,分析了以电弧电流波形为基础的故障电弧检测方法的局限性。串联故障电弧的产生导致负载端电压发生变化,研究了负载端电压特性,提出了基于负载端电压波形差均值的串联故障电弧检测方法。该方法将电压波形相邻周期做差,对差值波形进行小波去噪处理,利用电压波形差均值作为电弧检测特征量进行故障检测。经过试验分析,该方法能有效检测出串联故障电弧,结合电弧电流信号检测方法使用可以提高故障电弧检测的可靠性。

光伏系统串联故障电弧时频特征研究

针对光伏系统串联电弧故障问题,提出了一种基于时域分析和频域分析相结合的研究方法.通过搭建新型光伏系统故障电弧实验平台,获得了光伏系统正常工作和发生串联故障电弧时电流信号原始数据,并对电流峰峰值和电流平均值进行特征差异研究,分析了电流时域特征在串联故障电弧识别方面的可行性.得到了光伏系统发生串联故障电弧时电流三层小波分解低频系数标准差是正常状态下的50~120倍,高频系数标准差是正常状态下的3.5~7.5倍的结论.以上结论可通过有效的数据融合形成串联电弧故障识别判据,为光伏系统串联电弧故障保护装置的研制提供理论支持.

串联故障电弧检测方法的研究

提出了一种基于小波包能量熵的故障电弧检测方法,该方首先计算电流信号的小波包能量熵对故障电弧电流信号的能量分布进行定量描述,然后,提取故障电弧电流与正常工作电流的能量熵比值,并将其作为故障发生的判据。结果表明,该方法能有效提取串联故障电弧电流的时频特征,为串联故障电弧的诊断和检测提供了一种新途径。

低压交流串联故障电弧检测概述

在低压交流配电线路中,故障电弧是造成电气火灾的主要原因,给电力系统运行带来很大的安全隐患。为保护用电安全,介绍了故障电弧类型,分析了串联故障电弧的检测难点及其在配电线路中的电流波形特征;叙述了以电弧数学模型、电弧物理特征、电弧电流/电压波形为依据的检测方法各自具有的优势和不足;列举了几个国内外故障电弧检测专利,并分析了其在实际应用中存在的缺点;探讨了低压串联故障电弧检测方法的未来发展方向,进一步研究基于多特征信息融合、深度学习、自适应保护的高精度辨识算法。