基于Levene检验的航空交流串联电弧故障检测

航空电弧故障直接影响着航空飞行的安全,这一问题越来越受到重视,其中,交流串联电弧故障更隐蔽,造成的危害更大.该文基于航空115V/400Hz交流系统开展串联电弧故障模拟实验,并对检测方法进行了研究,鉴于目前统计学方法的局限性,提出用Levene检验对实验电流信号进行分析并提取特征量.Levene检验是分析两组及以上数据的方差齐性,从而找到正常和电弧故障情况的明显差异,与常见统计学方法峭度、偏态指标和相关系数利用粒子群算法优化的支持向量机进行识别准确率测试.结果表明,该方法的效率高于其他三种,并采用测试负载验证了其有效性.由此,在识别航空串联电弧故障时,Levene检验方法有较好的实时性和适用性,易于设定阈值,具有重要的工程应用价值.     

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%。     

应用短时傅里叶变换识别串联电弧故障特征的研究

介绍了电弧故障保护电器在电气火灾防护中的作用以及电弧故障检测现状。通过短时傅里叶变换,分析了多种负载串联电弧故障特征频段,提出了一种串联电弧故障识别的方法。串联电弧故障波形分析表明,短时傅里叶变换为串联电弧故障特征的提取提供了可靠依据,在此基础上采用的统计分析可准确识别串联电弧故障,并有效区分负载起动冲击电流的干扰。     

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。     

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。     

基于深度置信网络的三相串联故障电弧检测方法

针对三相串联故障电弧的研究大多只是提供一种能够识别出故障电弧的方法,没有考虑用于工业实时检测的可能性,提出了一种基于深度置信网络的故障电弧检测方法。首先,通过搭建三相异步电机故障电弧实验平台获取不同故障情况下的电流数据,并利用提升小波变换对其进行去噪;其次,通过核主成分分析法KPCA(kernel principal component analysis)提取去噪之后的数据的主成分,减少需要分析的变量;最后,通过PSO优化的DBN网络进行故障识别,与BP神经网络和极限学习机相比,其检测速度更快且准确率达到了98.8%,为应用于实时检测提供了可能性。     

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。     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

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。     

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...     

基于改进HHT的直流串联电弧故障检测方法

在直流供电系统中,串联电弧故障因不易熄灭且检测困难而成为导致电气火灾的重要诱因之一。本文通过对电弧故障发生前后电源输出电压的时频域分析,提出了一种基于改进希尔伯特黄变换(HHT)的直流串联电弧故障检测方法。在方法中首先引入互补集合经验模态分解(CEEMD)对HHT进行改进,采用改进HHT提取在不同负载类型下电源输出电压的故障特征,然后计算固有模态函数IMF₁、IMF₂和IMF₃的模糊熵和该频带范围内的谐波能量和,分别作为识别电弧故障发生的时域和频域特征量,最后利用3σ准则(拉依达准则)进行阈值设定。理论分析和实验结果表明,该检测方法可以准确地识别不同工况下的电弧故障,不受负载突变和开关切换的干扰。并且在一个额定功率为10 kW的小型光伏并网系统中进行了串联电弧故障实验,进一步验证了所提检测方法的可行性和适用性。     

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。     

基于电弧电磁辐射的故障电弧识别

随着用电系统中非线性负载的增多,根据故障电弧的电压电流特征进行故障电弧识别容易发生故障电弧的误判别。针对该问题,本文自主搭建了故障电弧模拟试验平台,并在不同负载下进行了串联故障电弧的模拟试验。在试验分析的基础上,提出了一种基于电弧电磁辐射信号的故障电弧识别方法,通过故障电弧时域信号的模极大值提取,得到故障电弧的电磁辐射信号特征值,并根据该特征值进行故障电弧的识别。试验结果表明,在计及距离衰减、屏蔽、非线性负载干扰以及传感器测量方位等影响因素的条件下,该方法能够实现故障电弧的有效识别,提高了故障电弧的识别准确率。     

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。