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。     

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。     

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。     

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。     

3阶累积量在航空串联故障电弧检测中的应用

为提高航空串联故障电弧判别的可靠性,提出了一种基于归一化处理的3阶累积量的方法,适用多类负载的航空交流故障电弧检测。通过提取线路中电流信号的相关特征参数,实现对串联故障电弧识别,并利用T检验和威布尔概率图分析并确定了阈值,实现了最终的判别。该航空串联故障电弧判别方法不受负载类型、电流大小的影响,可靠性高。计算结果表明,该方法能有效提取出故障电弧电流与正常运行时的特征差异,正确率较高,可满足实时性要求。     

基于Cassie模型和L3/4范数的串联电弧故障检测方法EI北大核心CSCD

在民用交流电系统中,发生串联电弧故障时,电流一般较小达不到断路器阈值,而且在某些情况下,正常工作状态电流与电弧故障电流波形非常相似,难以检测,易导致电气火灾的发生。利用Cassie模型对串联电弧故障进行模拟,分别得到线性负载和非线性负载条件下时域电流波形,并利用傅立叶变换得到电流幅值频谱。对比可知,电弧故障状态下线性负载电流波形和正常工作状态下非线性负载电流波形均会出现零休;电弧故障状态下无论是线性负载还是非线性负载电流幅值频谱均会出现谐波且与正常工作状态电流幅值频谱具有不同的特点。利用基于L3/4范数正则化的稀疏表示算法实现电弧故障检测,通过仿真说明该方法具有较好的稀疏性和准确性。     

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时，电弧燃烧温度可高达数千摄氏度，从而导致电气火灾的发生。而低压配电网中负载类型复杂，利用一般的电流信号时频分析，很难对串联电弧故障进行有效识别。针对这一问题，文章利用深度学习强大的计算机视觉能力，提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先，使用连续小波变换提取电流信号特征信息，并转化为图像特征。其次，对提取到的图像特征进行数据增强和灰度化处理，并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后，构建了Attention-DRSN电弧故障检测模型，并采用K-折交叉验证方法对数据集进行划分，验证了所提方法的有效性。实验结果表明，该检测方法对串联电弧故障具有较高的检测精度，平均检测准确率为98.52%，对未来电弧故障检测装置设计具有重要的借鉴意义。     

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。     

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...     

基于周波分析法的串联型故障电弧诊断技术

为了研究串联型故障电弧的特性,快速检测出电力线路中发生的电弧故障,及时切断故障线路,笔者提出一种利用周波分析法速检测故障电弧的诊断方法。根据电力线路发生串联故障电弧时,线路电流的周波有不规则特点,通过该方法计算相邻电流周波间的差异值并提取畸变信号,从而判断电力线路中是否存在故障电弧。本文对不同类型典型负载进行故障模拟实验,对故障电弧实验数据进行收集分析,验证了该方法的有效性和可靠性。     

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 %。     

串联电弧故障信号的时频特征分析

针对串联电弧故障,依据美国UL 1699标准搭建了串联电弧试验平台。在此基础上,结合不同负载,对串联电弧的电流信号进行时域和频域特征分析。提出了一种基于短时傅里叶变换的串联电弧分析方法,得到电弧电流信号奇次、偶次谐波时的—频二维图像。试验结果表明,该方法能有效提取串联电弧故障电流的时频特征,实现故障的实时检测。     

负载端电弧故障电压检测与形态小波辨识

现有串弧故障的电流检测与辨识方法,其以电弧电流"零休时刻"、上升率突变或电流谐波分量等信号奇异性提取故障特征,存在受配电线路非线性负载额定工作、感性负载起动等的电流信号奇异性影响而误判。根据负载端电压不受配电线路正常运行电流信号奇异性影响的原理,提出负载端电弧故障电压的检测与辨识新方法,实验分析负载端电压检测不仅可获取串弧故障信号特征,且解决了现有电弧电流方法存在的可靠性问题。在建立形态小波电弧故障辨识决策函数模型的基础上,选用形态开滤波结合第四尺度小波变换函数,对6种负载端电弧故障电压检测实验与故障特征分析,给出负载端电压检测的电弧故障的小波分量判据阈值,其为正常状态各类负载第四尺度小波分量的10倍。     

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。     

局部二值模式直方图匹配的串联故障电弧检测及选线

串联故障电弧是引起电气火灾的主要原因之一,有效地检测串联故障电弧对预防电气火灾具有重要意义。该文采用六种常用的家庭负载开展了多负载回路的串联故障电弧实验,提出了一种串联故障电弧检测及选线方法。首先,对干路电流信号进行分数阶傅里叶变换,构建故障电弧图像矩阵,全面反映干路电流信号从时域到频域的变化过程;其次,采用局部二值模式(LBP)描述图像矩阵的局部纹理特征,统计得到LBP图像的灰度分布直方图数据,采用不同实验条件下的LBP直方图数据建立数据库;最后,采用最大相关系数的数据库匹配准则实现故障电弧的检测及选线。测试结果表明,该方法可以实现多负载回路中故障电弧的检测及选线,检测及选线精度均超过了90%。     

光伏系统直流电弧故障特征及检测方法研究

该文主要针对光伏系统直流侧常见且危害较大的串联电弧故障问题展开研究。首先,搭建了光伏系统电弧故障实验平台,并利用该平台采集了正常状态及电弧故障状态下工作电流的数据,建立了试验数据库。随后,利用快速傅里叶变换对故障电弧的频率成分进行分析,确定了故障电弧的特征频带,并利用该特征频带选定了适用于串联电弧故障检测的最优小波函数。通过分析故障电弧信号最大值及小波细节系数d1的方差、模极大值,提出了3种能有效检测出电弧故障状态的时频域判据,并发现不同负载电流、不同电压及不同功率对这3种故障判据并无影响,最后提出一种基于时域与频域的电弧故障混合判据,该判据较单一判据具有更高的可靠性,为光伏系统直流电弧检测奠定了理论基础。     

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。