基于自编码器模型的光伏系统故障电弧检测研究

以光伏系统中直流串联电弧的检测为研究对象,基于自编码器模型提出了一种通用且复杂度相对较低的故障电弧检测方法。首先,通过MATLAB/Simulink仿真进行理论预演,并构建了模拟实际光伏系统应用场景的实验平台。该实验平台为深度学习算法生成训练数据,并从实验正常运行状态数据中提取编码特征。然后,使用训练完成的深度学习模型,对实验平台生成的故障电弧数据进行分析。通过各项指标评价,验证了该算法在光伏系统中检测直流串联电弧的性能和有效性。实验结果表明,该方法能够准确地检测光伏系统中的故障电弧,为提高系统安全性和防止火灾危险提供了可行的解决方案。

低压直流系统故障电弧检测技术研究综述

随着系统容量日趋增大、电压等级逐渐提高,直流系统故障电弧威胁日益提升,新型源荷设备的接入更是增加了系统干扰的复杂程度,传统保护技术无法满足直流故障电弧及时准确的检测需求。文中从电弧仿真、特征构建、算法设计、硬件实现4个方面总结了直流故障电弧检测技术的研究进展,讨论了不同电弧仿真模型的缺陷,分析了复合电弧模型的针对性改进;论述了基于物理、电磁、电气信号的特征构建方法,对比了不同时频检测特征优势;并从故障电弧特征融合的角度,基于树莓派平台比较了机器学习算法与阈值比较算法的检测应用效果;介绍了国内外直流故障电弧测试标准与测试平台,已研制的故障电弧检测样机在体积、成本方面更具优势。未来故障电弧检测设备可集成其他故障检测功能以综合提升直流系统安全保护效率,同时结合机器学习、5G网络等先进技术实现智能化检测应用。

基于深度自编码网络的电弧故障检测与负载类型识别

针对有监督学习的电弧故障检测方法需要大量带标签数据且大多只检测电弧故障而未对负载类型进行识别的问题,提出一种基于深度自编码网络的电弧故障检测与负载类型识别方法;采用小波包分解的节点系数作为自编码网络的无标签输入特征量,并运用逐层训练方法对自编码网络进行预训练;为了使所提出方法的权重系数达到全局最优,采用少量有标签数据对所得权重进行微调,通过Softmax多分类器输出电弧故障检测结果,并根据负载类别最大概率识别电弧故障可能的负载类型。结果表明,所提出的方法对电弧故障检测与负载类型识别准确率达到98.56%,高于相同层数和参数规模的有监督学习网络的准确率。

包络微分算子增强直流故障电弧特征及其半监督式辨识方法

针对生弧材料弱化故障电弧特征和监督式学习方法依赖于大量标记数据的问题,提出了包络微分算子增强故障电弧特征,并采用半监督学习模型融合该特征辨识直流故障电弧和生弧材料的方法。首先依据UL 1699B搭建直流故障电弧实验平台,采集了铝、黄铜、不锈钢、石墨铸铁以及球墨铸铁常见电力设备材料下的故障电弧信号,再采用包络微分算子增强电弧小波特征,有效提升了多生弧材料条件下的故障电弧特征显著性。然后通过K⁃Means算法进行离群点检测,有效降低了同种生弧材料的特征波动。最后通过采用半监督学习算法MixMatch改进长短期记忆网络(long short⁃term memory,LSTM)模型,实验结果验证了该模型可在有限故障数据条件下获得比现有监督式学习模型更高的故障电弧和生弧材料辨识性能,为直流故障电弧精准运维提供了可行的技术手段。

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。

基于小波特征及深度学习的故障电弧检测

由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通过搭建串联故障电弧实验平台,采集了典型阻性、阻感性、感性负载下的电流信号,对电流信号进行小波变换构造了训练集和测试集,通过改进的AlexNet模型识别故障电弧并输出检测结果。实验结果表明,采用该方法进行串联故障电弧识别的准确率约为95.58%,比利用AlexNet模型要高出约10.58%。

基于Stacking模型融合的串联故障电弧检测

针对低压交流配电网中由于电弧燃烧程度不同、电流畸变程度不同而导致漏检、错检问题,提出一种基于Stacking模型融合的时域故障电弧检测方法。从回路电流中提取时域特征,将时域特征组成特征矩阵对机器学习算法决策树和集成学习算法随机森林等进行参数寻优。最后,将集成学习算法代替机器学习算法作为基学习器通过Stacking模型融合构建低压交流故障检测模型。实验共采集6种电器的并联电流共计96970组,结果表明,相较于非集成算法和其他集成算法,所提方法具有更高的准确率、精确度和F1指标,其模型更为稳健。

数学形态学在航空串联故障电弧检测中的应用研究

为提高航空串联故障电弧判别的可靠性以及实现对故障模式的准确分类,提出了一种数学形态学梯度和极端学习机相结合的航空交流故障电弧检测方法。通过数学形态学梯度提取线路中电流信号的相关故障特征参数,采用分形维数的思想对特征参数进行处理,引入极端学习机对故障进行分类识别,实现了最终的诊断。试验计算结果表明,串联故障电弧诊断率高达97.5%,所设计的诊断方法具有良好的泛化能力。

SVD在串联故障电弧检测及选相中的应用

煤矿井下发生串联故障电弧易引发火灾等安全事故,为了预防电气火灾、指导线路维修,利用三相电动机及变频器负载开展不同线路、不同电流条件下的串联故障电弧实验,研究三相串联故障电弧的检测及选相方法。首先,对单相电流进行一阶差分处理后,建立改进的吸引子轨迹矩阵作为故障特征矩阵;其次,对故障特征矩阵进行奇异值分解,采用特征矩阵的奇异值构建串联故障电弧检测及选相的特征向量;最后,利用极限学习机建立故障电弧检测及选相模型,并测试检测及选相准确率。研究结果表明:提出的SVD方法可以利用单相电流实现三相电动机及变频器负载回路中的串联故障电弧检测及选相。

基于机器学习方法的直流电弧故障检测

为了解决传统分析方法在直流供电系统中电弧故障检测的精确度不足及过程繁琐的问题,将直流电弧故障检测归为二分类问题,引入机器学习方法,通过直流电弧实验得到正常状态和电弧状态的数据,从时域中提取电流均值等4个特征,从频域中提取高频分量标准差等3个特征。利用提取到的特征对支持向量机(SVM)进行训练,利用求解得到的模型对测试数据集进行分类,分类准确率为94.483%。结果证明:所提方法能有效检测直流电弧故障,提高故障检测精度,且步骤精简,易于推广。

基于物联网技术的新一代居民侧智能断路器研究

技术发展带动了居民侧微型断路器的智能升级,新一代居民智能断路器具备电气安全关键指标的实时监测功能。利用物联网技术,居民用户可通过手机或智慧大屏(如电视)获取家庭实时用电信息及报警信息,确保家庭用电安全。该文主要介绍了新一代微型断路器的主要功能及设计方案,介绍了漏电流监测及保护技术、故障电弧技术、电参量测量计量技术、温度采集技术、电机防堵转技术以及其他保护功能。

基于卷积神经网络和声振图像的磁瓦内部缺陷检测

磁瓦作为永磁电机中的关键部件,其产品质量易受到内部缺陷的影响而下降。然而传统的声振检测手段在面对快速、精准的检测需求下已暴露出一些低效率的问题,因此开发一种针对磁瓦内部缺陷的高效智能化检测方法具有重要的现实意义。文中结合深度学习的优势,提出了一种基于卷积神经网络的磁瓦内部缺陷声振检测方法。在该方法中,磁瓦的一维声振信号首先被转换为二维声振图像,再输入针对信号特点所设计的卷积神经网络进行学习训练,以完成从声振图像中自主学习和提取能区分内部缺陷有无的信号特征,最后由softmax完成对应特征的识别。4类磁瓦样本的检测实验结果表明,提出的方法可实现准确率为99.38%的磁瓦内部缺陷检测,单片磁瓦的检测时间低于0.031 s,模型具有良好的鲁棒性。