基于改进经验小波变换多特征融合的航空交流串联电弧故障检测

针对时频域分析方法经验模态分解（EMD）在处理电弧信号上存在模态混叠现象,提出一种基于改进经验小波变换（IEWT）多特征融合与极限学习机（ELM）的电弧故障检测方法。该方法首先将电弧电流信号进行IEWT变换,自适应分解为5个经验模态分量（EMFs）,提取EMFs的权重能量熵、EMF4的样本熵及EMF1的方均根值作为特征量。在进行数据标准化后,将3个电弧故障特征融合并形成多维特征矩阵,最后通过ELM进行故障识别。在分析中对IEWT和EMD分解进行比较,结果表明,IEWT方法要优于EMD对信号的处理,并且在多特征提取下也避免了单一特征造成的误判,再结合ELM可以准确识别出电弧故障,经试验验证平均准确率为97.85%。     

基于小波能谱熵的串联型故障电弧检测方法

低压线路中的串联故障电弧检测多以提取电流信号的故障特征为主,实际中,电流故障特征难以与非线性负载的负荷电流特征进行区分。相比之下,通过识别负载端故障电压特征更易建立统一故障判据。本文通过建立电弧分段仿真模型分析了电弧电阻对负载端电压故障特征的影响,从选择最优小波分解层数与小波基函数出发,提出了一种利用小波能谱熵的电弧故障检测方法,该方法利用故障电弧电压对负载端电压造成的畸变进行故障检测,利用小波能谱熵克服了故障特征频带难以确定的问题。实测及对比实验表明,该方法可有效识别各类负载线路的串联电弧故障,其检测准确率达98%以上。     

基于IEWT-DELM的行星齿轮箱故障诊断

针对在恶劣情况下行星齿轮箱特征难以提取以及多种故障状态下难以准确分类这种问题，提出在经验小波变换基础上将原有频谱分解替换为在噪声干扰下更为稳定的尺度谱分解的改进经验小波变换与深度极限学习机相结合的故障诊断方法。首先，将行星齿轮箱不同故障工况下的信号利用改进经验小波变换分别进行降噪处理并提取各阶调频-调幅分量，之后选取包络幅值峭度较高的前6个分量多尺度样本熵作为故障特征集，输入到深度极限学习机中进行故障诊断分类，行星齿轮箱故障诊断试验表明：与EWT、EMD与DELM结合的故障诊断准确率相比，该方法故障平均识别率可达97.6%,具有一定的有效性。     

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。     

采用高频特性的低压电弧故障识别方法

为准确识别交流电力系统中的电弧故障问题,针对不同类型负载的电弧故障,提出一种基于小波熵的电弧故障普适性检测方法。运用小波变换提取电弧故障发生时在电流过零点附近产生的高频信号,采用该高频信号的小波熵表征电弧故障的突变信息,并利用最小二乘支持向量机对小波熵进行分类,实现对电弧故障的有效识别。结果表明,在文中的实验条件下能够全部识别出电弧故障。该方法不仅可以对单一负载和组合型负载的电弧故障进行识别,还可以避免负载正常电弧和负载启动过程引起的误判,也能克服一些抑制性负载的干扰。     

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。     

基于多特征融合的光伏系统串联直流电弧故障识别方法

针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）得到各阶信号本征模态函数（intrinsic mode function,IMF）,计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。     

基于DSP的低压配电线路电弧故障检测系统

通过实验模拟对低压配电线路电弧故障的特征进行分析研究,采用Mallat算法对低压配电线路电弧故障电流实施变换,获得各尺度小波变换的小波分量。与正常运行分量相比其故障特征明显,且高尺度的小波分量还可以抑制噪声干扰。为了避免配电线路中负载的启动电流对电弧故障检测产生可能的误判影响,本文采用多尺度小波变换有效地实现了电弧故障与负载启动电流的区分判别。在此基础上,本文开发了基于DSP微处理器的电弧故障检测系统,并提出了一种自适应的故障特征提取方法,实验结果表明,该方法结合Mallat算法可有效地诊断电弧故障。     

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。     

基于三维熵距和熵空间的航空电弧故障检测与分类技术

鉴于常用的时频域分析方法在航空电弧故障检测中的局限性,同时为避免单特征量的偶然性,该文提出利用三维熵距的方法实现三种信息熵的特征融合,为减少特征融合带来的噪声与冗余,利用主元分析(PCA)故障检测技术以实现特征矩阵的降维处理.分别分析小波能量熵、功率谱熵、样本熵以及三种信息熵的三维熵距在电弧故障发生前后的特征差异.利用...     

基于平稳小波变换的光伏直流串联电弧故障检测

光伏系统直流串联电弧故障具有随机性和隐蔽性的特点,且容易受到外部环境和光伏系统内部噪声的影响,难以检测。利用小波变换提取的电流时频域特征对电弧故障有很好的辨识度,但面临小波基选取的问题。在采集大量电弧故障数据的基础上,通过小波变换分析和对比实验,提出一种针对常用电弧故障特征指标提取的最优小波基选取方法。通过此方法确定bior4.4小波基为提取电弧故障特征的最优小波基,并由此构建基于bior4.4平稳小波变换的时频域特征。通过对比试验发现,基于bior4.4的时频域特征对电弧故障的辨识度明显提高,且表现出对正常噪声信号的抑制作用。为从多角度反映电弧故障特征,补充时域特征,并与时频域特征结合构成电流特征库,利用随机森林算法实现电弧故障的诊断。电弧故障检测准确率达到98.58%,正常信号的误判率仅为0.76%。     

基于突变理论信息融合的故障电弧检测方法

根据故障电弧产生时电流波形发生突变的特征,提出运用突变理论信息融合算法对低压开关柜(箱)内故障电弧检测的方案。通过积分、均方根运算,小波分析和频谱分析对电流时域、时频域和频域特征进行提取。采用积分值变化系数、相邻周期均方根值、高频变化系数和3次谐波分量变化量4个特征量表征电流突变,根据突变原理建立故障电弧判别模型,对特征量信息融合求出故障电弧判别指标。结果表明,电弧故障前后2个周期电流特征量及故障电弧判别指标相比正常运行时明显增大,通过设定阈值和多次检测能有效判别不同负载类型电弧故障及区分负载改变电流,有很好的泛化性和鲁棒性。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于改进小波变换的故障电弧检测方法的研究

为了有效避免因故障电弧而引发的电气火灾,对故障电弧的故障检测进行了深入研究。故障电弧检测最常用的方法是小波变换,但是它存在着频谱混叠的问题。针对这一问题,提出一种基于添加节点前奇抽取的抗频谱混叠的改进小波变换算法,并利用多种负载进行验证,从而优化故障电弧检测,最后得到了准确度高、计算简单、实用性好的串联故障电弧检测方法。根据UL1699搭建了故障电弧实验平台,并基于此平台进行电弧发生实验。根据实验仿真结果的验证,改进小波变换解决了小波变换的频谱混叠问题,提高了故障电弧检测的精度,有效地减少故障误报率。     

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。     

低压交流串联故障电弧辨识方法

故障电弧是影响配电网络安全可靠运行的主要问题之一，研制故障电弧保护开关能够有效降低因故障电弧引发的电气火灾事故，从而保障配电网络安全可靠运行。但故障电弧辨识因线路负载、燃弧条件等原因而存在一定复杂性，该文在分析电弧燃烧特点的基础上介绍了一种多特征融合的故障电弧辨识方法。首先，借助高速相机在微小时间尺度内分析了燃弧特性，电弧不稳定性影响回路电流谐波含量；然后，从时域、频域和信号无序度三个方面分析了回路电流在线路正常和发生电弧故障时的差异，并提取了电流平均值、谐波幅值、小波能量熵三个特征量，结合各种负载特征变化的共同点确定了线路正常与故障的特征量阈值范围；最后，通过制作样机对故障电弧辨识方法的有效性和稳定性进行了验证。结果表明，所述方法在实际工程应用中的平均辨识准确率为90%，满足工程应用中的准确性和稳定性要求。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

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。     

光伏系统直流电弧故障检测方法及其抗干扰研究

针对光伏系统直流侧故障电弧检测问题,提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模糊C均值聚类(fuzzy C means clustering,FCM)的组合故障检测方法。首先采用EEMD分解法将光伏系统直流母线电流信号分解为若干个本征模态分量(intrinsic mode function,IMF),再利用模糊熵算法将本征模态分量熵值化,并从中提取能够表征故障电弧的特征向量,然后通过FCM算法进行故障电弧识别。理论分析和实验结果验证了所提方法的可行性和正确性。最后考虑到光伏系统的复杂性,研究了不同工况以及外界因素对故障电弧检测的影响,并通过仿真和实验数据证明所提检测方法具有良好的抗干扰能力。     

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。