一种低压故障电弧检测的FFT判定方法

介绍国内外故障电弧判定以及检测的研究现状,测定线性负载与非线性负载在正常状态与故障电弧发生状态下的电流信号特征,并通过快速傅里叶变换(FFT)将电流信号变换到频域进行分析,提出一种判定负载是否产生故障电弧的较为准确的方法:线性负载发生故障电弧时幅值变化率大于1,非线性负载发生故障电弧时电流幅值变化率小于1。     

阻性负载低压串联电弧故障特性研究

测试阻性负载正常电流波形和发生电弧故障时的电流波形,以及两个阻性负载并联运行时正常电流波形和其中一个负载发生电弧故障的电流波形。运用快速傅里叶FFT变换,通过频谱对比分析,提出将特定几个频率点的幅值作为诊断阻性负载是否发生故障电弧的特征。     

基于形态学滤波和OTSU的串联故障电弧识别方法

为有效识别不同负载串联故障电弧,针对不同类型的纯阻性负载,变频机-电机负载,工控机负载等进行故障电弧实验。对采集到的正常工作状态和电弧故障状态下的电流信号使用db4小波基对电流的一阶前向差分信号进行了5层分解,得到电流信号在32个频段的分解波形,作为故障电弧的辨识特征。通过计算同一时刻各个频段的方差,将分解的频段信号重新构成新的信号。利用形态学算法对此重构信号进行滤波,突显出故障情况下的电流特征。通过最大类间方差(OTSU)方法提取波形阈值,并统计阈值与滤波后波形的交点个数。研究结果表明,正常状态和故障电弧状态下滤波后波形与波形阈值的交点个数有明显的区别,可以作为故障电弧的识别特征。     

常用电器负载的串联故障电弧实验与特征分析∗

为了解决串联故障电弧特征识别这一问题,文章对不同类型的负载进行正常运行和故障运行实验,分别测得电压和电流两个参数的波形,并分析波形得出结论:故障电弧工作情况下,电压波形会出现无规律的突变值或异常值,无周期性,电流则根据负载的不同,会出现相应的平肩部、突变值或异常值,同样也是非周期性的。     

低压系统串联故障电弧在线检测方法

故障电弧是引发电气火灾的主要原因,有效可靠地检测出故障电弧是预防电气火灾的迫切要求。本文首先基于居民用电系统搭建了模拟串联故障电弧的实验平台,而后设计了以常见家用电器为负载的实验方案并采集到不同条件下的故障电弧信号。基于电弧电流的特性分析,提出了一种故障电弧在线检测方法。该方法在线路电流相邻周期相减的基础上进行小波阈值去噪和归一化,利用周期幅值作为电弧的特征量,将特征量与参考值进行比较来判断故障电弧的发生。通过对单一负载、组合负载、启动过程、正常工作以及不同电压下串联故障电弧实验数据进行分析,得到了不同负载下电弧特征量的公共阈值。与其他方法的比较结果表明所提方法能够有效检测故障电弧的发生。     

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。     

基于小波能量矩的航空交流串联电弧故障识别算法研究

针对现有串联电弧故障识别方法会受到线路中串联的非线性负载、电感性负载影响导致工作状态误判的问题,提出了一种基于小波能量矩的串联电弧故障特征提取方法。对串联电弧故障发生试验采集到的电流数据进行多分辨率小波分解,将分解得到的小波能量矩作为回路电流信号的特征量,找出工作状态区分明显的特征向量。利用参数寻优后的K最近邻算法进行特征分类,进而识别出线路中发生的电弧故障。分类验证结果显示,该方法提取的回路电流特征明显,分类算法简单,对电弧故障的识别率较高。     

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。     

基于瞬时无功功率理论的串联型故障电弧检测方法

针对三相用电系统中的串联型故障电弧,利用三相负载发生单相故障电弧时三相电流会出现不对称和高次谐波含量增加的特性,提出一种基于瞬时无功功率理论的串联型故障电弧快速检测方法。给出了瞬时无功功率理论提取三相电流各次谐波的计算过程,并提取了负载电流相邻两工频周期的基波和各次谐波正负序分量的幅值变化倍数作为特征属性,利用决策树构建了故障电弧判别规则,给出了判别逻辑图。经过验证,该方法能够快速、准确地检测出三相用电系统中的单相串联型故障电弧。     

基于电流频谱积分差值的光伏系统电弧故障检测和定位

光伏系统中的直流电弧故障由于具有负阻性而难以检测,严重危害系统的安全运行。该文提出利用并联电容电流的频谱积分差值检测光伏系统中直流电弧故障的方法,搭建了离网光伏实验平台,在光伏系统中各支路并联电容,利用霍尔电流传感器检测电容电流。同时研究了系统中不同位置发生串联或并联电弧故障时,电容电流的幅值、脉冲极性和频谱特性,并与对地短路故障和开关操作时的电容电流特性进行对比。对故障发生前后0.5 ms时间内的电流频谱进行积分,并计算频谱积分差值。研究结果表明:发生对地短路故障以及开关操作时,电容电流幅值远大于发生电弧故障时的幅值;电弧故障的频谱积分差值在1.1×104～2.5×104A·Hz范围内,能够作为直流电弧故障检测判据;电容电流首个脉冲的极性反映故障与电容并联支路的相对位置,可实现电弧故障定位。     

基于时频域分析和随机森林的故障电弧检测

针对生活用电器品种繁多,不同类型用电器之间的故障电流与正常电流波形可能类似,导致传统的故障电弧识别方法不能有效检测的问题,提出一种时频域分析与随机森林结合且适用于多种典型负载单独或混合工作的串联型低压故障电弧识别方法.根据收集到的多种负载频谱与纯阻性负载频谱的相关系数,将负载分为开关电源型负载和非开关电源型负载,分别训...     

数学形态学在串联型故障电弧诊断中的应用

故障电弧是导致设备或线路电气火灾故障的原因之一。为了实现对配电系统中串联型故障电弧的快速诊断,文中提出了一种基于数学形态学的串联型故障电弧诊断方法。该方法利用数学形态学的开闭运算,有效地滤除电流信号中的噪声干扰,并通过多分辨率形态梯度(MMG)运算提取串联型故障电弧发生前后电流波形的突变特征,进而获取正常工作情况下和故障电弧发生时线路电流波形的形态梯度值。通过比较故障发生前后线路电流波形形态梯度值的大小,可以准确地判断出线路是否发生了电弧故障。该串联故障电弧诊断方法具有逻辑运算简单,计算量小且易于实现的特点。     

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。     

基于小波重构信号奇异点的航空故障电弧检测

通过航空交流串联故障电弧的模拟试验,对多种线性和非线性负载,在不同电流情况下的电弧电流数据进行系统采集。利用小波变换提取特征参量,并用K均值聚类算法实现智能化辨别故障电弧。试验结果证明这是一种可靠的串联电弧故障检测方法,可以检测在不同负载类型以及电流值不同的电路运行状态下,是否有电弧产生;而且区分效果好、运算量较小、易于嵌入式系统实现,为电弧检测在航空电气系统上的研究和设计提供了一种切实可行的新思路。     

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。     

采用波形比较法的串联故障电弧快速诊断技术

提出了一种采用电流波形比较法的串联故障电弧快速诊断技术.根据设备或线路发生串联故障电弧时线路电流波形发生畸变的特征,通过计算相邻两电流波形之间的差异值,有效提取出故障电弧电流波形的畸变量信号,诊断出线路中可能出现的故障电弧.试验结果表明,该方法算法简单可靠、易于实现,具有对故障电弧快速识别的能力,能够有效地实现对串联故障电弧的快速诊断.     

基于小波分析信号特征频段能量变比的故障电弧诊断技术研究

为了分析和研究故障电弧的特性,进而快速及时地检测出电弧故障,以便快速切断故障线路,笔者提出一种利用小波变换来分析故障电弧电流特征频段能量变比的诊断方法,通过采用db5小波基函数分别对线路正常工作情况下电流信号和串联型故障电弧电流信号进行6层小波分解,从而提取正常情况下和故障电弧发生情况下的频带能量值及其前后的能量变比,其中d4、d5细节信号所在的频段为故障电弧的特征频带。利用此故障电弧的典型特征可以准确地实现对故障电弧的诊断,且该分析结论对于线性负载情况下的故障电弧诊断研究具有普适应意义。     

基于小波变换与差值能量法相结合的串联故障电弧检测方法

由于低压用户端交流串联电弧故障回路电流幅值小、一些电力电子负载正常工作电流与串联电弧故障电流相似等原因,使得故障电弧的准确诊断十分困难。本文提出了一种基于小波变换与差值能量法相结合的串联电弧故障检测方法。对原始电流信号进行小波阈值去噪,运用Mallat快速算法对信号进行多分辨率分析,提取多分辨率分析结果中包含电弧信息较多、负载干扰信息较少的频段进行小波反变换;运用差值能量法对反变换后富含电弧信息的信号进行故障诊断。最后利用自制的实验设备验证了算法的准确性。     

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。