基于小波包变换和高阶累积量的电弧故障识别方法

当低压配电系统接入混合负载或在支路中出现电弧故障时,电弧故障识别难度大幅提升。针对此类电弧故障,提出一种基于小波包变换与高阶累积量相结合的电弧故障识别方法。首先采集不同负载、支路电弧故障下的电压、电流数据,建立电弧故障波形数据库;然后利用小波包变换对电弧电流信号进行分析,通过对多种试验数据进行分析,确定了通用电弧特征频带,对电弧电流波形进行重构作为电弧特征信号;通过分析故障电弧特征信号的4阶累积量值,提出了一种能够在时域中识别电弧故障的判据。该判据可以准确、快速地识别单一负载、混合负载以及支路电弧等情况下的电弧故障,且能够较为准确地检测电弧故障发生的时刻,为复杂电弧故障识别及起弧时刻的研究提供参考。     

基于BP神经网络与电流特征提取组合的故障电弧辨识方法

低压交流串联电弧故障是目前研究的热点,非典型负载的特殊性更增加了电弧故障辨识的难度。针对常用负载的低压交流串联故障电弧,以及点接触电弧试验的并联交流故障电弧和调光灯调光状态等非典型负载情况,提出一种基于BP神经网络与电流特征提取组合的故障电弧辨识方法,采用基于小波变换细节分量的BP神经网络辨识串联电弧故障。对于非典型负载情况,在BP神经网络辨识的基础上,通过引入负载电流时域信号的半周期积分变化量,辅助解决调光灯调光状态易产生的误动作;结合负载电流时域信号的变化率与"平肩部"特性,辨识点接触引起的并联电弧故障。实测结果表明,所提出的辨识方法在常用负载的串联电弧故障与非典型负载波形测试中均辨识准确。     

组串式光伏系统直流串联电弧故障检测与保护策略

直流串联电弧是引发光伏系统火灾事故的主要原因之一。针对直流电弧状态和故障问题,提出一种基于逆变器实现的组串式光伏系统直流串联电弧故障检测与保护方法。依据电弧故障的高频特性,以组串输入端滤波电容支路电流为量测获取串联电弧故障信号,基于样本熵和标准差建立串联电弧检测算法并构建2级保护判据及重投方案,保证故障处理的可靠性和灵敏性,并满足逆变器对高频信号低采样率的制约。根据光伏并网逆变器的工作原理和结构组成,提出实现电弧保护的逆变器硬件改造方案。搭建光伏系统电弧故障实验平台并开展实验研究。提出的方法能够实现可靠的检测与保护,在多种情况下验证了所提方法的有效性。     

基于自回归参数模型的低压系统串联电弧故障识别

利用电弧发生装置对若干典型的低压单相用电设备在串联故障电弧回路中的工作电流特征进行模拟实验研究,提出了基于自回归参数模型的低压系统串联电弧故障识别方法。采用三阶Burg自回归(autoregressive,AR)模型对采集的电流信号建模,提取其AR模型参数,然后采用基于距离测度的欧氏距离平方d 2实现对低压单相负载在正常回路和串联电弧故障回路电流信号的特征识别和故障辨识。该方法不仅适用于线性负载回路,而且适用于非线性负载回路的串联电弧故障识别。自回归参数模型法有效解决了低压系统串联电弧故障回路与非线性负载回路的电流信号识别问题,论文也同时提出了使用该方法时的参考矢量建议值。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于全相位谱和深度学习的串联故障电弧识别方法

为准确识别低压配电网中的串联故障电弧,提出了一种基于全相位谱和深度学习的串联故障电弧识别方法。首先,从理论上推导负载畸变信号的全相位频谱特征产生机理,利用全相位离散傅里叶变换提取线性、非线性负载的全相位频谱特征量。其次,构建了基于Logistic回归的深度学习神经网络模型,并对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练。最后,对搭建的故障电弧试验平台上采样数据进行分析,结果能准确识别低压配电网是否发生串联故障电弧和甄别出故障负载的类型。试验结果验证了所提方法的有效性,并随着深度学习理论在电力系统智能化中的应用,该方法可做进一步的深入研究和推广。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法

针对交流串联型故障电弧发生时回路电流幅值较小、传统线路保护装置不能有效检测的问题,提出一种基于小波变换能量与神经网络结合且适用于多种典型负载的串联型低压交流故障电弧辨识方法。利用自制的电弧发生装置模拟产生低压交流故障电弧,获取了6种典型家用负载情况下电路正常运行及产生串联型故障电弧时回路的电流信号。对采集的信号进行小波分解,将各层细节信号能量的平均值和标准差输入BP神经网络后构成小波神经网络,实现对不同负载测试样本的辨识。采用粒子群优化算法计算神经网络训练初始值,利用自适应学习率方法提高了训练速度。算法输出结果含义明确,输入层特征量选取合理。实验结果表明,采用该方法进行故障电弧辨识的准确率达到95%以上。     

采用高频特性的低压电弧故障识别方法

为准确识别交流电力系统中的电弧故障问题,针对不同类型负载的电弧故障,提出一种基于小波熵的电弧故障普适性检测方法。运用小波变换提取电弧故障发生时在电流过零点附近产生的高频信号,采用该高频信号的小波熵表征电弧故障的突变信息,并利用最小二乘支持向量机对小波熵进行分类,实现对电弧故障的有效识别。结果表明,在文中的实验条件下能够全部识别出电弧故障。该方法不仅可以对单一负载和组合型负载的电弧故障进行识别,还可以避免负载正常电弧和负载启动过程引起的误判,也能克服一些抑制性负载的干扰。     

基于小波变换的交流系统串联电弧故障诊断

为实现对用电系统低压用户端中串联电弧故障的准确诊断,根据交流系统中低压串联电弧故障特性,通过自主搭建的电弧故障模拟实验平台及不同负载下的串联电弧故障模拟实验,本文提出一种基于小波变换的串联电弧故障诊断方法。该方法首先采用极大极小原理对信号进行降噪处理,并结合小波变换模极大值对信号进行多分辨分析;将三阶Daubechies小波基函数提取出的各频段细节信号模极大值作为网络输入的特征向量,利用基于阻尼最小二乘法改进的多层前馈(Back Propagation,BP)神经网络构建特征向量与电弧故障之间的映射关系进行故障诊断分类。测试结果表明,该方法可有效实现交流系统中串联电弧故障的诊断分类。     

基于邻波电流差与随机性的交流串联电弧故障识别

低压电力线路的交流串联电弧故障易引发电气火灾,造成人身财产损失。根据故障的电流突变量幅值与电流变化量的电弧随机性特征,提出了基于电流邻波绝对差与随机性的电弧识别方法。该方法基于故障前后的电流突变量变化规律,以突变幅度作为故障启动判据。然后根据故障周期间电流变化量在不同负载种类、气隙间距下的电弧随机特征时域分布,构建了电弧故障存在性判据。最后通过一维卷积神经网络综合识别电弧故障。当故障支路负载功率占比20%时,所提方法使用未训练干路数据的平均检测准确率为90.97%,可有效检测串联电弧故障,具有较好的适应性。     

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。电弧通常是由电气组件的损坏或过载而导致,进而可能会导致电气设备的损坏并引发火灾。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,首先按照国标搭建了实验平台,然后分析不同家用电器负载组合的电弧特征,并进行特征提取;接着提出了一种基于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;经过测试集验证,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。     

基于小波变换和奇异值分解的串联电弧故障检测方法

根据线路中电流信号的变化来检测电弧故障,小波变换是一种常用的检测方法,但是单纯利用小波变换对于正常情况和电弧故障的区分并不明显,而且其结果存在很大的冗余。针对这一问题,提出了采用一种基于小波变换和奇异值分解的串联电弧故障检测的方法。利用电弧模拟发生装置产生串联故障电弧,采集在多种负载下线路正常工作和发生串联电弧故障时的电流。首先对采集的电流信号进行离散小波变换,得到离散小波系数序列,构造特征矩阵;然后对特征矩阵进行奇异值分解,并定义电流信号的特征参数,利用特征参数作为串联电弧故障检测的依据。试验结果表明:正常情况和电弧故障下的特征参数区分明显且没有交叉,易于确定阈值,利用该方法进行串联电弧故障检测的准确率较高,且大大压缩了小波变换结果的冗余性。     

基于混沌分形理论的故障电弧诊断方法研究

引入混沌分形理论,从混沌空间域角度分析故障电弧的内在演化规律和电弧特性,提出一种基于混沌分形理论的故障电弧诊断方法。通过重构相空间和盒维数、关联维数、最大Lyapunov指数等对电弧电流的混沌分形特性进行定性、定量分析,形成电弧的空间域特征向量,构建故障电弧诊断模型。针对低压用电系统中空气压缩机、开关电源等负载线路,对故障电弧发生前后线路电流的混沌分形特性进行分析,验证方法的有效性。实验结果可见,线路电流的分形结构和混沌分形特征参数随着电气线路运行状态的变化而有所差异,且与线路负载性质有关。基于此特征建立的电弧诊断模型电弧检测的准确率超过90%,同时当线路正常运行时,诊断模型能够实现负载辨识,辨识率可达到90%。     

A new PMU-based fault detection/location technique for transmission lines with consideration of arcing fault discrimination-part I: theory and algorithms

A new fault detection/location technique with consideration of arcing fault discrimination based on phasor measurement units for extremely high voltage/ultra-high voltage transmission lines is presented in this two-paper set. Part I of this two-paper set is mainly aimed at theory and algorithm derivation. The proposed fault detection technique for both arcing and permanent faults is achieved by a combination of a fault detection index |M| and a fault location index |D|, which are obtained by processing synchronized fundamental phasors. One is to detect the occurrence of a fault and the other is to distinguish between in-zone and out-of-zone faults. Furthermore, for discriminating between arcing and permanent faults, the proposed technique estimates the amplitude of arc voltage by least error squares method through the measured synchronized harmonic phasors caused by the nonlinear arc behavior. Then, the discrimination will be achieved by comparing the estimated amplitude of arc voltage to a given threshold value. In addition, in order to eliminate the error caused by exponentially decaying dc offset on the computations of fundamental and harmonic phasors, an extended discrete Fourier transform algorithm is also presented.     

New insight into the detection of high-impedance arcing faults onDC trolley systems

High-impedance arcing faults are difficult to detect with conventional switchgear, and the presence of these faults in coal mine power systems represents a significant fire hazard. Research was performed to identify plausible techniques that would discriminate between the high-impedance arcing faults and legitimate load currents on the DC trolley system. This paper briefly summarizes that effort and focuses on the frequency characteristics of the arc current. After the arc was modeled as a stochastic process, good agreement was obtained between experimental observations and mathematical predictions     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。     

Arc fault location: A nonlinear time varying fault model and frequency domain parameter estimation approach

In this paper a frequency domain formulation for nonlinear arcing fault location is presented. The proposed fault location formulation uses as input data first cycles after the fault inception voltages and currents. The formulation is based on circuit analysis and a parameter estimation method. To consider the main characteristics of nonlinear arcing faults, a time varying resistance embedded in a nonlinear model is proposed and used. The formulation is developed for the case of the most frequent single line-to-ground faults using phase components. The effects of fault inception angle, time-varying series resistance, source impedance, load flow, sampling frequency and others factors are investigated and analyzed. This new approach was successfully tested through computer simulation and real data obtained from a Southern Brazilian Energy Utility. The proposed method was developed as dedicated software and is currently used by CEEE-GT.