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。     

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Hebb与BP神经网络组合的故障电弧辨识方法

针对低压交流故障电弧发生时造成的波形畸变,提出一种基于Hebb与BP神经网络结合且适用于多负载的故障电弧辨识方法。提取电流波形的傅里叶变换特征值,通过Hebb神经网络进行计算以实现负载分类,从而确定该负载所用的BP神经网络的权参数,再提取电流波形小波变换特征值,通过BP神经网络计算得出故障与否的辨识结果。仿真结果表明,算法解决了负载类型过多造成BP神经网络识别度下降的问题,使得故障电弧辨识方法的准确率和通用性得到了大幅度提升。     

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。     

基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究

针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的XGBoost模型,并采用Bayes算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与6种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。     

基于信息熵的串联型故障电弧频谱特征研究

针对串联型故障电弧影响供配电系统供电安全的问题,提出小波包信息熵理论与短时傅立叶变换相结合的串联型故障电弧频谱特征分析方法。首先研制了低压串联型故障电弧实验平台,开展了典型负载故障电弧模拟实验。其次,利用小波包技术对发生稳定串联型故障电弧前后的电流信号进行分解、重构和归一化处理。然后,计算各频带重构信号的信息熵,通过对比各频段燃弧前后重构信号的信息熵得出稳定故障电弧电流信号的特征频段为8-10.8KHz。最后,采用短时傅立叶变换对特征频段的重构信号进行时频分析,得出发生稳定故障电弧前后电流信号的频谱变化规律。经验证,在发生不稳定故障电弧时,8-10.8KHz仍为故障电弧的特征频段,频谱特征依然明显。结果表明,利用信息熵和短时傅立叶变换对低压串联型故障电弧进行频谱特征研究是可行的。     

基于多特征融合的交流系统串联电弧故障诊断

为实现对用电系统低压端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的奇异性、能量特性及不确定性,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,提出一种基于多特征融合的串联电弧故障诊断方法。该方法根据信号不同特性,结合小波变换理论对经降噪预处理后的采样信号进行主成分分析,提取各频段特性对信号的贡献率,并以信号3种特性中最大贡献率所在频段的空间位置关系作为特征向量构成1?3阶信号特性分布矩阵;将此矩阵作为网络的输入向量,利用改进多层前馈神经网络构建特征向量与电弧故障之间的映射关系。测试结果表明,该方法可减小电弧燃烧对诊断结果的影响,实现对串联电弧故障的诊断分类。     

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。     

采用小波熵的串联型故障电弧检测方法

电力电子技术已广泛应用电力系统,一些电气设备正常工作时的电流特性与故障电弧电流的典型特性相似,当设备或线路发生串联型故障电弧时,使得故障电弧的可靠诊断与检测十分困难。在多分辨分析快速小波变换及基于非参数自适应估计理论的Birge-Massart策略阀值求解的基础上引入小波熵概念,提出一种利用小波熵来反应故障电弧电流信号的能量分布,并由此提取故障电弧电流中瞬变信号的方法,实现对故障电弧电流信号中低能量瞬变信号的有效提取,从而为串联型故障电弧的诊断提供依据。     

串联故障电弧电流时频域特性的仿真与实验研究

为了分析和研究低压交流串联故障电弧电流的特性，文中首先搭建了故障电弧模拟实验平台，广泛研究不同负载情况下的电弧电流波形。然后，基于Mayr电弧模型，选取适当参数对故障电弧进行仿真分析。在此基础上，对比分析电弧电流信号仿真结果和实验结果的时频域特性，验证了仿真模型的正确性和可行性。频域特性的分析结合傅里叶变换和小波变换进行，还利用带通滤波器检测了小波分析的准确性。最后，总结出故障电弧电流信号的时频域特点，以此提出了一种低压交流串联故障电弧的检测方法，并对其进行了仿真验证。研究成果对低压供配电系统中串联故障电弧的检测工作具有积极意义。     

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。     

基于小波近似熵的串联电弧故障识别方法

根据UL1699标准搭建了串联电弧故障发生装置,并针对不同类型负载进行实验,获得了供电线路正常工作状态和发生电弧故障状态时的电流信号实验数据。应用小波变换对电流信号进行分解重构,通过近似熵(Ap En)算法对分解重构后各频段信号的不规则程度进行量化,得到电流信号的特征向量,并将其输入到支持向量机(SVM)。通过SVM对电流信号特征向量进行分类,完成电弧故障的检测识别。结果表明,通过小波近似熵算法得到的电弧故障特征向量能够作为诊断识别电弧故障的有效依据。     

串联故障电弧检测方法的研究

提出了一种基于小波包能量熵的故障电弧检测方法,该方首先计算电流信号的小波包能量熵对故障电弧电流信号的能量分布进行定量描述,然后,提取故障电弧电流与正常工作电流的能量熵比值,并将其作为故障发生的判据。结果表明,该方法能有效提取串联故障电弧电流的时频特征,为串联故障电弧的诊断和检测提供了一种新途径。     

基于关联维数与小波包-AR谱的串联故障电弧特征研究

供配电系统的电气连接点常因接触松动、机械振动等原因产生串联型故障电弧,串联型故障电弧易引起电气火灾等电气安全事故,影响供电的可靠性。为进一步研究串联故障电弧的特征,在实验室开展了接触松动和机械振动两种生弧条件下的串联故障电弧实验,提出了基于分形理论和小波包-自回归(AR)谱分析的串联型故障电弧特征提取方法。首先对实验电流信号进行分形特征分析,计算各种工作状态下电流信号的关联维数;然后对信号进行小波包分解及重构,对重构后的各频段信号进行AR谱分析,研究不同频段信号AR谱能量在燃弧前后的变化规律,构建以关联维数和E3,0频带能量比例系数为特征量的特征向量。分析结果表明,分形关联维数和小波包-AR谱能量能够有效的描述各类型负载在两种生弧方式下的串联型故障电弧,可用于诊断因接触松动及机械振动原因引起的串联故障电弧。     

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。     

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。