基于主成分分析和决策树的故障电弧识别方法

针对故障电弧产生时故障电流受负载影响较大、不易识别的问题,提出基于主成分分析与决策树的故障电弧识别方法。采用主成分分析法对有故障电弧产生时电流的8种时域特征参数降维处理,将去除冗余信息后的3种主成分作为特征值输入决策树,建立分类模型。所提方法能有效简化决策树分类模型,减少故障电弧识别时间,故障电弧识别准确率可达95%。

基于电流模式分解的非入户式故障电弧识别

近年来电气火灾频发,故障电弧是重要诱因之一。考虑实际低压用户场景特点,开展非入户式故障电弧检测与识别方法研究。首先,采集用户供电入口处的负荷总电流波形数据,通过谐波分析得到总电流基波和各次谐波的幅值和相位信息;然后,将总电流和预训练得到的电流特征参数矩阵一起构建目标函数,形成多负荷电流分解模型;最后,采用智能寻优算法进行最优化求解,得到各个电器设备的运行状态(包括故障状态),判别电弧故障并分析其成因。在实验室条件下,针对低压用户常见电器进行故障电弧模拟实验,结果证明所提出的基于电流模式分解的非入户式故障电弧检测方法的有效性。

一种基于动态电弧识别及关断技术的截流型保护电路

传统的输出本质安全型开关电源输出采用限压限流等保护措施,存在动态响应慢、输出功率小等问题。动态电弧识别及关断是通过检测电气系统动态参数、在系统中关键参数超过临界值而将系统迅速过渡到安全状态的一种技术。将动态电弧识别及关断技术应用到输出本质安全型开关电源中,当输出发生故障而产生电弧时,检测到电弧电流变化率超过预先设置的临界值,迅速切断电源,使得产生的电弧能量低于最小点燃能量,因此进一步提高本质安全型开关电源的功率。本文设计了输出截流型保护电路,通过仿真和实验,验证了采用动态电弧识别及关断技术可以提高本质安全型开关电源的输出功率。

基于CatBoost的常用电器负载电弧故障识别方法

电气火灾造成的危害日益受到人们重视,其成因中占比最大的是电弧故障。电弧识别是一种重要的电弧故障预防性技术,可以监测电气设备中的电弧事故,以便及时采取应对措施,是智能用电的重要组成部分。文中就电弧故障识别方法展开研究,搭建了实验平台,分析了不同家用电器负载组合的电弧特征,进行了特征提取;提出了一种基于CatBoost分类模型的电弧识别方法,使用CatBoost模型对提取到的特征进行训练,以实现电弧故障的快速识别;经过测试及验证,与现有的SVM、Random Forest等常用识别分类方法相比,提出的基于CatBoost分类模型的电弧识别方法具有更高的准确率和召回率,能够有效提高电弧事故的识别精度。

基于注意力机制优化电弧特征的光伏直流电弧故障检测方法

光伏系统中,因绝缘老化或接线松动而出现的直流串联电弧故障极易引发电气火灾。因此,光伏系统必须安装电弧故障检测装置,而其易因阴影遮挡和逆变器启动引发的直流侧高频噪声而误跳闸。将注意力机制和一维卷积神经网络相结合,提出一种基于注意力权重优化电弧特征的电弧故障检测方法。通过可视化电弧特征贡献权重,提取8~18 kHz和28~38 kHz电弧关键特征频段,并剔除8~23 kHz频段中的干扰特征频段。经验证,使用关键电弧特征训练的电弧故障检测模型可以成功避免阴影遮挡和逆变器启动过程带来的误动,最终使电弧检测准确率提高到99.33%。

基于卷积自编码网络的故障电弧多分类识别方法

针对非线性负载条件下线路正常工作电流波形与故障电弧波形具有相似特征,容易引起故障电弧保护装置误动作的问题,提出一种基于卷积自编码网络的故障电弧多分类识别方法。采用卷积自动编码器进行故障电弧特征提取,优化设计卷积自动编码器网络模型参数,并利用Softmax多分类器建立故障电弧多分类识别网络模型。实验结果表明,所提方法的故障电弧识别准确率达到99.31%,相应负载类型识别准确率达到97.94%,满足故障电弧识别要求。

应用短时傅里叶变换识别串联电弧故障特征的研究

介绍了电弧故障保护电器在电气火灾防护中的作用以及电弧故障检测现状。通过短时傅里叶变换,分析了多种负载串联电弧故障特征频段,提出了一种串联电弧故障识别的方法。串联电弧故障波形分析表明,短时傅里叶变换为串联电弧故障特征的提取提供了可靠依据,在此基础上采用的统计分析可准确识别串联电弧故障,并有效区分负载起动冲击电流的干扰。

智能巡检机器人在电力配电站运维工作的应用分析

我国配电网规模大,巡检要求高,当前仍主要采用人工巡检方式。而人工巡检则不可避免存在漏检、误检的情况难以保证巡检质量,无法满足准确、实时、高频率的电力设备巡检需求。本文提出一种基于国产安全芯片的智能机器人的巡检方案,融合视频、局放、电弧识别、红外及其他设备状态采集技术,深入完成配电站的运维巡检工作,为智能配电网的建设与改造提供可靠的技术支撑。