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...     

基于相关系数和偏态指标的航空串联电弧故障检测

针对航空串联电弧故障的检测与识别问题,提出一种基于相关系数和偏态指标的航空电弧故障检测方法。通过提取不同负载电流信号的相关系数和偏态指标,构建二维特征量,分析对比了隐含层节点数对极限学习机性能的影响,引入灰狼优化的极限学习机进行分类识别。对阻性、阻感性、阻容性和非线性负载的大量实验结果表明,所提方法能够有效提取不同负载电弧故障特征,串联电弧故障诊断率高达98%,可为开发新型的航空电弧故障断路器提供可靠参考。     

基于混沌分形理论的故障电弧诊断方法研究

引入混沌分形理论,从混沌空间域角度分析故障电弧的内在演化规律和电弧特性,提出一种基于混沌分形理论的故障电弧诊断方法。通过重构相空间和盒维数、关联维数、最大Lyapunov指数等对电弧电流的混沌分形特性进行定性、定量分析,形成电弧的空间域特征向量,构建故障电弧诊断模型。针对低压用电系统中空气压缩机、开关电源等负载线路,对故障电弧发生前后线路电流的混沌分形特性进行分析,验证方法的有效性。实验结果可见,线路电流的分形结构和混沌分形特征参数随着电气线路运行状态的变化而有所差异,且与线路负载性质有关。基于此特征建立的电弧诊断模型电弧检测的准确率超过90%,同时当线路正常运行时,诊断模型能够实现负载辨识,辨识率可达到90%。     

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。     

基于经验小波变换复合熵值与特征融合的故障电弧检测

针对电力系统交流配电线路中串联故障电弧易引发电气火灾且检测精度不高的问题，提出一种基于经验小波变换(empirical wavelet transform,EWT)复合熵值与信号特征融合的故障电弧诊断方法。首先搭建故障电弧实验平台，对典型负载实测电流归一化处理，利用经验小波变换进行频谱分割并提取出具有紧支撑的模态分量，根据燃弧前后信息熵熵减分析选取特征分量。为反映时频多域细节复杂度特征，提取时频域特征分量复合熵值与时域敏感特征组成多域高维特征，利用主成分分析(principal component analysis,PCA)选取累积贡献率高于90%的主元实现特征降维融合，最后输入概率神经网络(probabilistic neural network,PNN)验证检测精度。结果表明，融合特征较单域特征检测精度更高，选用负载最低诊断率达98%验证了该方法的有效性。     

基于神经网络和D-S证据理论的故障电弧检测

基于电弧电流特征的故障电弧检测方法存在信息源单一的不足,容易引起保护误动作和拒动作。针对该问题,文中以电弧辐射的电场和磁场信号以及电弧电流作为检测信号,提出一种基于神经网络和D-S证据理论的故障电弧检测方法。首先,采用模极大值方法提取不同负载下电弧电磁辐射信号特征量,并用波形相似法提取电弧电流信号特征量;其次,利用BP神经网络构建各个特征量与电弧故障之间的映射关系,得到单个特征量的故障电弧识别率;最后,以该识别率作为D-S证据理论的输入,实现决策级多特征信息融合。在典型负载情况下的试验结果表明,该方法能有效提高故障电弧检测的准确率。     

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。     

基于小波包变换和高阶累积量的电弧故障识别方法

当低压配电系统接入混合负载或在支路中出现电弧故障时,电弧故障识别难度大幅提升。针对此类电弧故障,提出一种基于小波包变换与高阶累积量相结合的电弧故障识别方法。首先采集不同负载、支路电弧故障下的电压、电流数据,建立电弧故障波形数据库;然后利用小波包变换对电弧电流信号进行分析,通过对多种试验数据进行分析,确定了通用电弧特征频带,对电弧电流波形进行重构作为电弧特征信号;通过分析故障电弧特征信号的4阶累积量值,提出了一种能够在时域中识别电弧故障的判据。该判据可以准确、快速地识别单一负载、混合负载以及支路电弧等情况下的电弧故障,且能够较为准确地检测电弧故障发生的时刻,为复杂电弧故障识别及起弧时刻的研究提供参考。     

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。     

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 %。     

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。     

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。     

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。     

基于相空间重构和Lyapunov指数电弧电流混沌特性分析

串联电弧故障是引发电气火灾的关键原因。为了得到可靠数据源及更全面地认识电弧电流信号特性,按照UL1699、GB14287.4标准搭建了实际用电环境电弧故障实验平台。依据实验结果,利用相空间重构算法将电弧电流信号引入高维空间进行分析,并做出了阻性、阻感性负载的三维相图。采用小数据量法计算了串联电弧电流信号的最大李雅普诺夫(Lyapunov)指数。综合分析三维相图和最大李雅普诺夫指数,证明了低压串联电弧电流信号存在混沌特征,有望通过电流的混沌特性找出新的电弧故障诊断方法。     

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。