基于电弧电流高频分量的串联交流电弧故障检测方法

通过分析典型负载下电弧电流高频分量在时域与频域表现出的不同特征,提出一种串联交流电弧故障检测方法。该方法利用电弧电流变化率与其有效值的比值以及6~12k Hz频段电流幅值这2个特征参量进行串联交流电弧故障识别;并利用负载启动电流持续时间远远小于电弧电流持续时间的特点,设定电弧故障检测时间阈值,降低负载启动过程对串联交流电弧故障检测的影响。试验结果表明,所提方法能够实现串联交流电弧故障的快速检测,对硬件要求相对较低,简便易行。     

电压电流能量信息融合的低压交流电弧故障检测

针对串联电弧故障检测判据选择难、阈值设置难的问题,本文在传统基于电流检测方法的基础上融合使用电压信息,提出了一种电压电流能量信息融合的交流电弧故障检测方法。以分析开关电源和非开关电源类负荷下的各自故障特征为基础,提出了利用电压半波总能量的开关电源类电弧故障直接判定方法,并融合使用电压电流特征能量波形相关性实现故障线路的选择;提出了基于敏感域电压电流最大瞬时特征能量相位匹配的适用于非开关电源类负荷下的故障检测方法,以特征能量相位信息构建判据,克服了传统检测方法的阈值设定困难问题。本文检测方法判据虽利用了负荷分类思想,但由于开关电源类负荷下的故障检测可利用电压半波总能量幅值实现故障直接判定,因此实际应用中无需辨识负荷类型。相较传统利用电流特征的检测方法,本文方法具有判据简单、易于阈值设定的优势。试验结果表明,本文方法可有效用于多种类型负荷的电弧故障检测,检测时间满足相关标准规定。     

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。     

基于电流相似度与高频能量的串联故障电弧检测方法

故障电弧是引起电气火灾的重要原因,针对非线性负载工况下故障电弧保护算法的误动作和拒动作问题,提出一种基于电流相似度与高频能量的串联故障电弧检测方法。参照标准搭建故障电弧实验平台并进行实验,从时域、频域角度分析电弧电流特征。采用小波函数预处理电流信号,选取电流低、高频特征量。设定故障电弧特征量阈值,以此为基础提出故障电弧识别算法。实验结果表明,该算法能够准确识别多种负载条件下的故障电弧,且未发生误动作和拒动作。     

基于自组织特征映射网络的电弧故障检测方法

一般利用故障电弧产生时的电流波形特性进行电弧故障检测。随着线路负载种类的日益增多,故障电弧产生时的电流波形与某些负载无弧情况下的电流波形十分相似,难以通过简单的电流时频域特征进行电弧故障检测,影响电弧故障检测的准确性。针对该问题,提出一种自组织特征映射网络与滑窗法相结合的电弧故障检测方法,在自组织特征映射网络自主挖掘电流数据内在特征的基础上,利用相邻周期电流样本之间的关联性与连续性,对电流信号进行连续检测,提高电弧故障检测准确率。所提方法能有效实现电弧故障检测,电弧故障检测准确率可达99 %。     

基于电压特征能量的低压交流串联电弧故障检测方法

串联电弧故障电流波形受负荷类型影响较大,利用电流特征构建通用故障判据难度较大。为识别故障点电弧电压,提出了一种基于电压特征能量的串联电弧故障检测方法。首先,通过分析故障点电弧电压及监测点故障电压特征规律,对故障信息的特征频带选择进行了论证。然后,以不同负荷下的电弧电压波形特征归类为依据,提出了基于电压特征频带全域能量幅值和敏感相位域能量相位信息的故障检测方法。最后,利用全域总能量幅值和敏感域能量相位映射统计比实现了综合故障检测策略的构建。试验结果表明,所提方法在不同线路参数和测试负荷下的故障检测准确率超过了98%且无误检发生,验证了其有效性。     

基于差值-均方根法的故障电弧检测的研究

在对原故障电弧检测方法进行研究和总结的基础上,根据故障电弧发生时电流波形呈现的随机性特点,提出了一种基于差值一均方根法的故障电弧检测方法。经过不同负载、不同功率条件下的大量试验,结果验证了该方法能有效区分故障电弧和正常电弧,以及扰乱负荷,简单可靠,具有重要的理论价值和实际意义。     

光伏系统直流串联电弧故障检测研究

搭建了光伏系统电弧故障实验平台,采集系统运行时的电流作为电弧检测的依据,利用时频域分析相结合的方法对电弧故障进行检测.分析发现系统正常运行和发生电弧故障时的电流信号在时域上的平均值变化特征明显,而在频域上利用小波对电弧电流及正常电流做5层分解,利用d5频段能量可有效对正常、阴影遮挡及故障运行状态进行区分.最后,采用将时...     

Smart detection technology of serial arc fault on low-voltage indoor power lines

This paper employs the discrete wavelet transform (DWT) and an artificial neural network to identify the occurrence of serial arc faults on indoor low voltage power lines. Electric arc faults on power lines must be detected in order to turn off the electric power sources before fire events occur. However, since the characteristics of line current waveforms during serial arc faults are complicated, smart detection technology is required to have high accurate recognition. The DWT is utilized to obtain the time-domain characteristics of line current waveforms, and the signal energy of some sub-bands is useful information to reflect the serial arc fault patterns. And then, a radial basis function neural network (RBFNN) is trained by using the data of signal energy obtained from DWT. After the training process, the RBFNN has excellent ability to identify the serial arc-fault conditions. At last, the accumulative RBFNN outputs of 30 power cycle line current data are used to certify the occurring of a serial arc fault on the line. This study also compares the results of detecting serial arc faults with a commercial arc-fault circuit interrupter (AFCI) to reveal the goodness of the purposed method.     

电动汽车串联型电弧故障检测方法

电弧故障是引发电气火灾的主要原因之一。在电动汽车电气系统中,直流串联电弧故障通常发生在接触点松动或线路连接损坏处,会引起火灾、爆炸等严重事故。为快速、准确地检测电动汽车串联型电弧故障,搭建了电动汽车故障电弧实验平台,采集不同工况下干路电流时间序列并建立了样本库。通过轻量化卷积神经网络,建立了基于改进Mobilenet网络的串联故障电弧检测模型。通过对比分析学习率、网络层数、样本长度,对模型进行了优化。该优化模型通过干路电流可实现电动汽车串联型故障电弧的检测和故障选线,检测准确率达到96.39%,论文为电动汽车电气系统电弧故障检测提供了一种可行性方案。     

基于广义基尼指数和脉冲神经网络的航空交流 串联电弧故障检测

航空电缆在振动作用下很容易产生电连接器松动、线束断裂等情况,从而引起交流电弧故障。针对交流串联电弧故 障时频域特征不明显而引起的故障检测问题,提出了一种基于广义基尼指数(generalized Gini indices,GGI)和脉冲神经网络 (spiking neural network,SNN)的电弧故障检测方法。首先,提出用广义基尼指数对试验数据电流波形进行分析;其次判断正 常周期和故障周期下的数值差距,然后与时域特征指标裕度、峭度、脉冲因子相比,所提指数对电流波形周期故障判断更准 确;最后,将广义基尼指数转变成特征值,代入到积分泄漏发放(leaky integrate-and-fire,LIF)模型进行训练,进一步提高方法 的普适性。试验结果表明,该方法能够快速有效地检测航空交流串联电弧故障。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

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。     

基于零序电流波形相似度的接地故障定位方法

为了准确定位小电流接地系统中单相接地故障点,在中心站故障定位系统架构下,基于暂态录波故障指示器,将故障定位转化为比较零序电流相似度的问题。在对线路拓扑结构采用六位数编码进行描述的基础上,设计了基于离散均方根距离的故障定位算法。通过仿真模拟实际运行中可能出现的各种接地故障,并进行定位试验。测试结果表明,将对比零序电流波形相似度应用到配电自动化在线监测领域中进行接地故障定位是可行的。