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。     

采用波形比较法的串联故障电弧快速诊断技术

提出了一种采用电流波形比较法的串联故障电弧快速诊断技术.根据设备或线路发生串联故障电弧时线路电流波形发生畸变的特征,通过计算相邻两电流波形之间的差异值,有效提取出故障电弧电流波形的畸变量信号,诊断出线路中可能出现的故障电弧.试验结果表明,该方法算法简单可靠、易于实现,具有对故障电弧快速识别的能力,能够有效地实现对串联故障电弧的快速诊断.     

基于集合经验模态分解的交流航空故障电弧识别

故障电弧作为一种破坏性强,识别难度大的电路故障,给飞机的安全带来很大的威胁。然而目前航空业应用的电弧识别方法远不能达到要求。所以本文提出了一种将集合经验模态分解和LM优化的BP神经网络相结合的交流航空故障电弧识别方法。首先建立串联和并联交流电弧实验模拟平台,采集电弧电流波形,分析波形动态特性。将波形进行集合经验模态分解,选取差别明显模态分量作为故障特征分量。计算故障特征分量的能量熵作为交流故障电弧的特征量,输入到LM算法优化的BP神经网络,进行识别。结果表明,识别率达到90%以上,较好地识别出了航空故障电弧。     

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。     

基于小波算法的小电流接地系统高阻接地故障的识别

在10kV配电网络中，普遍采用中性点不接地或经消弧线圈接地的小电流接地方式，在发生高阻接地故障后，故障特征不明显，对故障识别的难度较高。基于上述问题，提出利用小波算法提取故障线路特征，将零序电流小波和小波能量熵作为识别高阻接地故障的特征量。利用仿真软件PSCAD搭建了10kV中性点经消弧线圈接地配电网线路模型，仿真得到小电流接地系统发生高阻接地故障时的电压电流波形，然后采用Matlab软件分析故障波形，提取故障的特征量并识别故障。仿真试验证明该方法具有良好的故障识别效果。     

基于邻波电流差与随机性的交流串联电弧故障识别

低压电力线路的交流串联电弧故障易引发电气火灾,造成人身财产损失。根据故障的电流突变量幅值与电流变化量的电弧随机性特征,提出了基于电流邻波绝对差与随机性的电弧识别方法。该方法基于故障前后的电流突变量变化规律,以突变幅度作为故障启动判据。然后根据故障周期间电流变化量在不同负载种类、气隙间距下的电弧随机特征时域分布,构建了电弧故障存在性判据。最后通过一维卷积神经网络综合识别电弧故障。当故障支路负载功率占比20%时,所提方法使用未训练干路数据的平均检测准确率为90.97%,可有效检测串联电弧故障,具有较好的适应性。     

基于HCMAC神经网络的故障电弧检测方法

低压故障电弧电流的有效值往往小于热脱扣器的动作电流,导致传统的电路保护装置失效.模拟低压电气线路中的故障电弧,利用电流采样装置对故障电弧电流进行采样.在分析故障电弧电流波形特征的基础上,利用HCMAC神经网络对电流波形的各周期均值、斜率和小波变换高频系数三个判据进行综合评判,有效克服了单一判据的局限性.仿真结果表明,基于HCMAC的故障电弧检测方法可有效识别故障电弧特征,提高辨识故障电弧的准确率.     

阻性负载低压串联电弧故障特性研究

测试阻性负载正常电流波形和发生电弧故障时的电流波形,以及两个阻性负载并联运行时正常电流波形和其中一个负载发生电弧故障的电流波形。运用快速傅里叶FFT变换,通过频谱对比分析,提出将特定几个频率点的幅值作为诊断阻性负载是否发生故障电弧的特征。     

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。     

低压串联故障电弧的识别方法

以低压串联故障电弧为研究对象,采集了几种常见用电设备单独及混合运行时的电流波形,采用Matlab软件对电流波形进行离散傅里叶变换（DFT）,提出了基于谐波分量相对变化系数的低压串联故障电弧识别方法。仿真结果表明,设计方法能有效识别故障电弧的发生,为故障电弧断路器的研究提供参考。     

基于分段仿射传播聚类的小电流接地选线法

小电流接地系统在发生接地故障时,为了防止故障范围扩大,需要快速选择故障线路并跳开。传统的小电流接地故障选线方法存在故障特征不显著的难点,使用暂态零序电流作为特征参量,利用接地故障发生时接地相暂态零序电流极性特点,提出了基于分段仿射传播聚类的小电流接地选线法。首先,在故障发生时提取各线路暂态零序电流波形。其次,使用本文提出的分段仿射传播聚类算法,形成各线路暂态零序电流波形的聚类结果代码,进而通过离散度分析识别出故障线路。最后,基于RTDS系统进行了仿真试验。试验结果表明:本文提出的故障选线算法可以准确识别故障线路,具有较高的鲁棒性。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

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。     

基于电压特征能量的低压交流串联电弧故障检测方法

串联电弧故障电流波形受负荷类型影响较大,利用电流特征构建通用故障判据难度较大。为识别故障点电弧电压,提出了一种基于电压特征能量的串联电弧故障检测方法。首先,通过分析故障点电弧电压及监测点故障电压特征规律,对故障信息的特征频带选择进行了论证。然后,以不同负荷下的电弧电压波形特征归类为依据,提出了基于电压特征频带全域能量幅值和敏感相位域能量相位信息的故障检测方法。最后,利用全域总能量幅值和敏感域能量相位映射统计比实现了综合故障检测策略的构建。试验结果表明,所提方法在不同线路参数和测试负荷下的故障检测准确率超过了98%且无误检发生,验证了其有效性。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

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 %。