当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视...当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。展开更多
在直流电路系统中,电弧故障是引起电气火灾的主要原因,有效的线路电弧故障检测能够确保线路的安全运行和设备的可靠工作。为解决上述问题,该文引入奇异值分解法(Singular value decomposition,SVD)对采集到的样本数据进行特征向量提取...在直流电路系统中,电弧故障是引起电气火灾的主要原因,有效的线路电弧故障检测能够确保线路的安全运行和设备的可靠工作。为解决上述问题,该文引入奇异值分解法(Singular value decomposition,SVD)对采集到的样本数据进行特征向量提取。首先,设计直流串联电弧故障实验平台,对电弧故障特性进行分析;其次,介绍SVD的特征向量提取原理和支持向量机识别机制;最后,对实验结果进行分析,进一步验证所提检测方法的可行性和适用性。展开更多
文摘当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。
文摘在直流电路系统中,电弧故障是引起电气火灾的主要原因,有效的线路电弧故障检测能够确保线路的安全运行和设备的可靠工作。为解决上述问题,该文引入奇异值分解法(Singular value decomposition,SVD)对采集到的样本数据进行特征向量提取。首先,设计直流串联电弧故障实验平台,对电弧故障特性进行分析;其次,介绍SVD的特征向量提取原理和支持向量机识别机制;最后,对实验结果进行分析,进一步验证所提检测方法的可行性和适用性。