基于STM32故障电弧检测装置的设计

对负载电流信号的检测是判断低压配电线路中是否发生电弧故障的有效方法之一。用ADC模块对负载电流信号进行采样,将发生电弧故障时的电流波形与正常工作时的电流波形相比较,检测是否有电弧故障发生。比较的电流波形特征量主要有过零点后的上升率、电流正半周期采样时间宽度和正半周期采样幅值,将这三个特征量作为电弧故障识别算法的判断条件,检测电弧故障。为了在硬件上验证该时域检测算法的可行性和有效性,将电弧故障检测算法移植到STM32平台,设计出了一台基于STM32的故障电弧检测装置样机。该样机可以实现电流信号采集、过零点检测、数据处理以及串联电弧故障检测识别。在以日光灯、开关电源和吸尘器为屏蔽负载的实验结果表明,该装置可以检测出串联电弧故障,且可靠性高,不会在没有产生故障电弧的情况下产生误判。     

串联型故障电弧检测方法对比分析

由于线路故障位置的不确定性,目前串联型故障电弧检测方法主要基于电流信号分析进行识别。通过对不同负载在串联型故障电弧发生前后的电流波形进行对比,得出了串联型故障电弧电流特性及其变化规律;以串联型故障电弧的电流信号为研究对象,介绍了基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法,概述了不同检测方法的故障电弧特征提取过程;对3种串联型故障电弧检测方法优缺点进行了比较,指出基于希尔伯特黄变换、信息熵与短时傅里叶变换的检测方法可有效提取故障电弧发生时电流的时频特性,对提取的时频谱幅值设置合适的阈值即可作为串联型故障电弧识别的依据,但准确性和实时性不高,而基于小波近似熵与支持向量机的检测方法可直接提取近似熵作为支持向量机的输入来识别串联型故障电弧,具有较高的准确性和实时性,更适用于煤矿现场。     

基于分形盒维数串联电弧故障诊断技术研究

通过搭建串联故障电弧实验平台,进行多种类型负载实验,对其正常工作和发生串联电弧故障时的电流信号进行分析,提出了一种基于分形盒维数的串联故障电弧诊断方法。进一步研究了不同信噪比下分形盒维数的计算误差,分析了分形盒维数的抗噪性能,同时计算了不同负载在正常工作和发生串联电弧故障下分形盒维数的参考区间。实验证明,基于分形盒维数的故障诊断方法能够准确辨别出负载的串联电弧故障,具有较好的通用性。     

光伏系统直流串联故障电弧特征研究

应用时域分析和频域分析相结合的方法,研究了光伏系统串联电弧故障问题.搭建了新型光伏系统故障电弧实验平台,获得了光伏系统正常运行和发生串联故障电孤时电流峰峰值和电流平均值的特征差异,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,电流一层小波分解细节分量均值是正常状态下的2.5～4倍,两层小波分解细节分量均值是正常状态下的10～16倍的结论.以上结论可通过有效的数据融合形成串联电孤故障识别判据,为光伏系统串联电弧故障保护装置的研制提供理论支持.     

基于遗传算法优化BP神经网络的故障电弧识别

由于电力系统中的正常电流信号与串联型故障电弧的电流特性十分相似,故障电弧的正确识别十分困难,找到能够准确识别串联故障电弧的方法很关键.运用db5小波对故障电弧信号进行四层分解,提取故障频段能量谱作为特征量,建立BP神经网络.但BP网络是基于梯度的方法确定权值,而梯度下降法本身就很容易受到局部极小点的影响.所以通过引入遗传算法,弥补了BP网络的不足.用遗传算法优化BP神经网络,快速准确地对故障电弧特征量进行识别,用优化后的神经网络对故障电弧的识别误差率进行分析,达到了较好的预测识别效果,从而快速准确地实现了故障电弧的识别操作.     

基于模态分解与特征匹配的串联故障电弧识别方法研究

串联故障电弧具有隐蔽性强、短时释放热量大等特点,过流型断路器难以及时发现或采取动作,极易引发电气火灾,造成重大损失和人员伤亡,因此实现建筑内串联故障电弧的快速可靠识别与监测具有重大意义;按照线路负载类型对电气线路高频电气参数运行数据进行分析,利用结合串联电弧故障特征的互补集合经验模态分解(CEEMD,complementary ensemble empir-ical mode decomposition)方法,实现对电气线路串联电弧故障的识别;经实验验证,并与灰度梯度共生矩阵与支持向量机(GL-GCO-SVM)、时域可视卷积神经网络(TDV-CNN)等方法识别结果进行对比效果更好,识别准确率达到94.8％及以上.     

基于改进的AlexNet模型的家用负载电弧检测

传统的电弧检测方法依赖人工设定阈值，存在误判的可能性，以及检测成功率不高等问题，本文提出了一种基于改进Alexnet深度学习卷积模型的电弧故障检测方法；该方法使用Adam算法代替SDG算法作为优化算法，加快模型的收敛速度，引入批量归一化算法，对数据进行归一化处理，改变卷积核的大小，减少网络参数数目。采用短时傅里叶变换（STFT）提取正常和故障时的电流信号时频信息，构建电流信号的时频图作为改进模型的输入，通过该改进的Alexnet模型实现电弧故障的检测。经过验证，该改进的模型电弧故障识别准确率能达到98％，并优于其他比较方法。     

基于多支路残差深度网络的跨视角步态识别方法

针对基于卷积神经网络的步态识别模型不能充分利用局部细粒度信息的问题,提出基于多支路残差深度网络的跨视角步态识别方法.将多支路网络引入卷积神经网络中,分别提取步态轮廓序列图中不同粒度的特征,并利用残差学习和多尺度特征融合技术,增强网络的特征学习能力.在公开步态数据集CASIA-B和OU-MVLP上的实验证实文中方法的识别准确率较高.     

一种基于代价敏感学习的故障电弧识别方法

为解决故障电弧识别误判断问题,引入了代价敏感学习理论,为不同的分类错误赋予非均等代价;采集典型负载正常状态和故障电弧状态的电流数据,根据信号的时域和频域特性提取特征向量;应用MetaCost方法训练代价敏感的神经网络,作为故障电弧识别模块.实验结果表明:当代价矩阵取值合理时,代价敏感的神经网络能够有效减少误判断.     

改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM的预测值重构故障数据.所提的改进LSTM-RF算法在功能上既可以对传感器故障类型进行诊断,又可以对故障数据进行重构.实验结果表明,改进的LSTM-RF算法的传感器故障识别准确率在不同的数据集上均能大于97％,故障数据重构的均方根误差小于4％;相比标准的LSTM-RF算法,改进的LSTM-RF算法在收敛速度提高的同时故障数据重构的精度提高了0.4％.