CN107219447A - 一种基于阻抗特征的直流电弧检测方法及系统 - Google Patents
一种基于阻抗特征的直流电弧检测方法及系统 Download PDFInfo
- Publication number
- CN107219447A CN107219447A CN201710464038.8A CN201710464038A CN107219447A CN 107219447 A CN107219447 A CN 107219447A CN 201710464038 A CN201710464038 A CN 201710464038A CN 107219447 A CN107219447 A CN 107219447A
- Authority
- CN
- China
- Prior art keywords
- arc
- current
- direct
- frequency
- impedance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于阻抗特征的直流电弧检测方法及系统,该方法包括:步骤1,预先根据直流电弧非线性电阻模型确定电弧电阻值,步骤2,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号,步骤3,根据所述数字信号计算该采样周期内平均电阻,然后重复步骤2至步骤3获取数个采样周期内平均电阻值;由于预先确定了电弧电阻值:发生电弧时的电阻值会与未发生电弧时的电阻值不同,即电阻的时域特性会发生改变,因此,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则可以预判发生电弧。
Description
技术领域
本发明涉及检测技术领域,特别涉及一种基于阻抗特征的直流电弧检测方法及系统。
背景技术
电弧是一种气体放电现象,电气的热插拔和触头开关的通断都可能产生电弧,但这类电弧一般不会引起电气故障,电弧按电流分为直流电弧和交流电弧,电弧放电现象常蕴含巨大的能量,对周围设备和工作人员的安全构成威胁。
近年来,随着光伏发电系统及电动汽车的不断发展,尤其是光伏电池板在建筑物屋顶和外墙的大规模应用,且大多数光伏阵列的安装过程,都是利用长串的高压直流电源,这增加了发生直流电弧的概率,此外,电动汽车、航空航天应用了很多高低压直流供电系统,直流供电系统中线缆的老化、接触不良、短路等故障都可能发生电弧,而系统中一旦发生电弧,这些电弧可使装置带电,威胁工作人员或者乘客的生命安全,另外,持续的直流电弧将产生高温,易引燃周边的可燃性物,进而引发火灾,若不采取及时有效的电弧检测及保护措施,将导致电气系统损坏,车辆自燃或大范围财产损坏。近年来欧美等地陆续发生多起由于光伏系统的直流电弧引发的火灾。国内也出现了多起因电气系统电弧引起汽车自燃的现象,因此检测和隔离直流电弧成了必须解决的问题。
目前电弧检测方法大致分为两种:一是依据电弧发生时电压、电流等波形的变化判定电弧故障。但直流电弧因为与交流电弧的性质有很大不同:首先直流电弧是一种随机不平稳信号,没有交流电流周期性的“平肩”部特征,此种基于波形的检测方法虽然简单但不适用于直流电弧检测;二是通过检测电弧发生时电流时域或者频域的变化特征判断是否产生电弧,此类方法检测对象是电流,适用性广,但是,如光伏电源的伏安特性决定逆变器正常工作情况下发生电弧时,电流时域特征不明显,且易受其他因素干扰,误判率高。而仅依据电流频域特征的检测方法由于判断依据单一也存在误判率高的缺点。如何提高直流电弧的检出率,有效减少故障电弧带来的危害,同时降低误判率提高系统的可靠性成为评价检测方法优劣的标准。
发明内容
本发明提供了一种基于阻抗特征的直流电弧检测方法及系统,解决现有技术直流电弧的检出率不能满足要求的问题。
本发明提供了一种基于阻抗特征的直流电弧检测方法,包括:
步骤S01,预先根据直流电弧非线性电阻模型确定电弧电阻值;
步骤S02,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;
步骤S03,根据所述数字信号计算该采样周期内平均电阻;
步骤S04,重复步骤S02至步骤S03获取数个采样周期内平均电阻值;
步骤S05,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
优选地,所述方法还包括:
预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型;
在预判发生电弧之后,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;
根据所述数字信号提取阻抗频域特征;
将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
优选地,构建所述直流电弧检测模型包括:
确定所述直流电弧检测模型的拓扑结构,所述拓扑结构为BP神经网络结构;
收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号;
根据所述训练数据提取训练阻抗频域特征;
将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
优选地,所述根据所述数字信号提取阻抗频域特征包括:
对所述数字信号进行快速傅里叶变换得到直流电压频谱和直流电流频谱;
将直流电压频谱和直流电流频谱按由低频到高频均分为指定个数的频段;
计算各频段内的谐波阻抗的和;
根据各频段内的谐波阻抗的和得到阻抗频域特征。
优选地,所述计算各频段内的谐波阻抗的和包括:
计算各频段内的谐波频率范围其中,fi=(i*f)表示一个频段内的i次谐波频率,k=1,2,3…n,n为频段个数;
计算每个频段范围内谐波阻抗和|U(fi)|表示在频率点fi处谐波电压分量幅值,|I(fi)|表示在频率点fi处谐波电流幅值。
优选地,所述方法还包括:
在预判发生电弧或确定发生直流电弧之后,切断回路;
进行报警。
相应地,本发明还提供了一种基于阻抗特征的直流电弧检测系统,包括:
电压表、电流表、微机控制器、电源和负载,电源给负载供电;
电压表,用于以预设频率采集直流串联供电系统直流电压的数字信号,并发送给微机控制器;
电流表,用于以预设频率采集直流串联供电系统直流电流的数字信号,并发送给微机控制器;
微机控制器,用于预先根据直流电弧非线性电阻模型确定电弧电阻值,然后根据所述数字信号计算数个采样周期内平均电阻,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
优选地,所述微机控制器还用于预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型,并在在预判发生电弧之后,根据电压表及电流表以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号提取阻抗频域特征,然后将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
优选地,所述微机控制器具体用于确定所述直流电弧检测模型的拓扑结构,然后,收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号,接着,根据所述训练数据提取训练阻抗频域特征,然后,将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
优选地,所述系统还包括:
分别与所述微机控制器相连的开关和报警器,所述开关串联在所述电源与所述负载之间;
所述微机控制器具体用于当判断发生电弧时,控制所述开关切断回路,并控制所述报警器进行报警。
本发明提供的一种基于阻抗特征的直流电弧检测方法及系统,包括:步骤1,预先根据直流电弧非线性电阻模型确定电弧电阻值,步骤2,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号,步骤3,根据所述数字信号计算该采样周期内平均电阻,然后重复步骤2至步骤3获取数个采样周期内平均电阻值;由于预先确定了电弧电阻值:发生电弧时的电阻值会与未发生电弧时的电阻值不同,即电阻的时域特性会发生改变,因此,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则可以预判发生电弧。
进一步地,本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,还包括:预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型;在预判发生电弧时,为了进一步提升电弧检测准确度,对电阻的频域特性进行检测:以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;根据所述数字信号提取阻抗频域特征;将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。这样可以有效提升电弧检测的准确度。
进一步地,本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,提供了构建所述直流电弧检测模型的具体步骤,包括:确定所述直流电弧检测模型的拓扑结构,所述拓扑结构为BP神经网络结构;收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号;根据所述训练数据提取训练阻抗频域特征;将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。由于通过实验获取了电弧状态和非电弧状态下的训练数据,因此可以对BP神经网络进行正向和反向的训练,能有效提升模型参数的准确度,使得模型的预测结果更加准确。
进一步地,本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,还进一步提供了具体地提取阻抗频域特征的步骤,利用该步骤可以快速准确的提取阻抗频域特征。
进一步地,本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,还进一步提供了各频段内的谐波阻抗的和R(k)获取步骤,利用该步骤可以快速准确的计算各频段内的谐波阻抗的和R(k)。
进一步地,本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,所述方法还包括:在预判发生电弧或确定发生直流电弧之后,切断回路;进行报警。这样能有效防止因电弧造成人身伤害或财产损失。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第一种流程图;
图2为根据本发明实施例提供的一种直流供电系统的测试原理图;
图3为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第二种流程图;
图4为根据本发明实施例提供的构建直流电弧检测模型的一种流程图;
图5为根据本发明实施例提供的直流电弧检测模型的一种结构示意图;
图6为根据本发明实施例提供的根据所述数字信号提取阻抗频域特征的一种流程图;
图7为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第三种流程图;
图8为根据本发明实施例提供的基于阻抗特征的直流电弧检测系统的第一种结构示意图;
图9为根据本发明实施例提供的基于阻抗特征的直流电弧检测系统的第二种结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的参数或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明提供的一种基于阻抗特征的直流电弧检测方法及系统,由于直流系统中正常启动、关闭及负载变动时引起的系统阻抗特征和电弧产生时系统的阻抗特征有所不同,导致电弧发生时,电弧电阻的非线性特征使得系统阻抗频谱中不同频段出现不同程度的谐波阻抗,这是系统在正常启动、负载突变时不曾发生的现象;综合利用系统阻抗的时域和频域特征检查电弧,优于传统单纯利用电压或电流单一时域或频域特征检测电弧的方法。
另一方面为了解决频谱特征量的多变性带来的阈值难以确定的问题,也为了降低系统突然启动、突然关闭、负载变化等条件带来的误判,本发明采用神经网络模式识别算法对各种情况下的样本进行大量学习、分类,通过输出结果判定电弧产生的方法来提高检测算法的通用性,同时克服了特征量阈值难以确定的问题,能够尽可能多的应对非线性电弧电阻特征带来的频谱多样性变化,克服阈值判定的不灵活性,通过输出结果判定电弧产生的方法来提高检测算法的通用性。
为了更好的理解本发明的技术方案和技术效果,以下将结合流程示意图对具体的实施例进行详细的描述。如图1所示,为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第一种流程图,该方法可以包括以下步骤:
步骤S01,预先根据直流电弧非线性电阻模型确定电弧电阻值。
在本实施例中,可以根据直流电弧非线性电阻模型计算公式其中,A和B分别是常数,大小和直流系统负载有关,为通过测量得到的平均电流值,通过计算得到电弧电阻值。需要说明的是,也可以通过实验直接标定某个直流供电系统的电弧电阻值,例如,通过实验测试发生电弧时系统的电阻值。
步骤S02,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号。
在本实施例中,如图2所示,为根据本发明实施例提供的一种直流供电系统的测试原理图,可以利用该原理进行数字信号采集。具体地,以一定的采样频率fsHz同时采集直流串联供电系统直流电压、直流电流数字信号,完成电压采集的位置在直流电源侧的输出电压,电流采集的位置为系统回路中电流。采集的直流电压、电流数据点数分别为N,电弧检测周期为
步骤S03,根据所述数字信号计算该采样周期内平均电阻。
在本实施例中,对一个周期T内电压、电流数字信号分别进行数据处理,计算出该周期T内的平均电阻
步骤S04,重复步骤S02至步骤S03获取数个采样周期内平均电阻值。
步骤S05,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
在本实施例中,其中,指定个数可以根据经验是实验而定,设定阈值可以通过实验进行标定。在一个具体实施例中,判断步骤S03中计算出的和的接近程度,若其中,μ为预设的检测阈值,则进行第二个周期内的和计算,若在连续的5个周期T内出现至少3次 的情况,则说明直流系统中可能发生电弧了,否则返回步骤S02。
本发明提供的基于阻抗特征的直流电弧检测方法,包括:步骤1,预先根据直流电弧非线性电阻模型确定电弧电阻值,步骤2,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号,步骤3,根据所述数字信号计算该采样周期内平均电阻,然后重复步骤2至步骤3获取数个采样周期内平均电阻值;由于预先确定了电弧电阻值:发生电弧时的电阻值会与未发生电弧时的电阻值不同,即电阻的时域特性会发生改变,因此,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则可以预判发生电弧。
如图3所示,为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第二种流程图。
在本实施例中,所述方法还包括:
步骤S31,预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型。
在本实施例中,该直流电弧检测模型可以为神经网络模型,例如,深度学习神经网络、卷积神经网络、长短时记忆神经网络等,还可以为多元线性回归预测模型等,在此不做限定。该直流电弧检测模型的输入为阻抗频域特征,输出为是否发生电弧。
步骤S32,在预判发生电弧之后,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号。
数字信号的采集方式可以同上一实施例中所述,在此不再详述。此外,该数字信号可以直接使用步骤S02中采集的数据,也可以是重新采集的数据,在此不做限定。
步骤S33,根据所述数字信号提取阻抗频域特征。
其中,所述数字信号为时域信号,可以通过傅里叶变换等方式将其转换为频域信号,然后从频域信号中提取频域特征。
步骤S34,将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,还包括:预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型;在预判发生电弧时,为了进一步提升电弧检测准确度,对电阻的频域特性进行检测:以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;根据所述数字信号提取阻抗频域特征;将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。这样可以有效提升电弧检测的准确度。
如图4所示,为根据本发明实施例提供的构建直流电弧检测模型的一种流程图。
在本实施例中,在对电阻的频域特性进行检测时采用的BP神经网络,其为一种按照误差逆向传播算法训练的多层前馈神经网络。本发明为了增强网络的分类和识别能力、解决非线性问题,因此采用了多层前馈网络,即在输入层和输出层之间加上隐含层,构成多层前馈感知器网络。
构建所述直流电弧检测模型可以包括以下步骤:
步骤S41,确定所述直流电弧检测模型的拓扑结构,所述拓扑结构为BP神经网络结构。
如图5所示,为根据本发明实施例提供的直流电弧检测模型的一种结构示意图,其中,隐藏层的节点的数量可以按照以下计算公式来确定,当然也可以通过实验效果来确定:此外,该BP神经网络的参数可以包括:网络节点、初始权值、最小训练速率、动态参数、允许误差、迭代次数、Sigmoid参数等,其中,初始权值是不应完全相等的一组值,故而,在程序中,我们设计了一个随机发生器程序,产生一组-0.5~+0.5的随机数,作为网络的初始权值;训练速率是由经验确定,训练速率越大,权重变化越大,收敛越快;但训练速率过大,会引起系统的振荡,因此,训练速率在不导致振荡前提下,越大越好;Sigmoid参数调整神经元激励函数形式,一般取0.9~1.0之间;迭代次数一般取1000次,由于神经网络计算并不能保证在各种参数配置下迭代结果收敛,当迭代结果不收敛时,允许最大的迭代次数。
步骤S42,收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号。
在本实施例中,为了保证模型输出结果的准确度,以电弧状态和非电弧状态两种状态对应的数据进行训练。具体地,分别采集直流供电系统在纯阻性负载、阻感性负载及阻容性负载三种不同负载条件下突然启动、负载突变时的电压、电流实验数据,构成多种条件下的学习样本;以及分别采集直流供电系统在纯阻性负载、阻感性负载及阻容性负载三种不同负载条件下发生电弧后的电压、电流数据,构成多种条件下的学习样本。
步骤S43,根据所述训练数据提取训练阻抗频域特征。具体地,可以对时域信号进行傅里叶变换得到对应的频域信号,然后从频域信号中提取阻抗频域特征。
步骤S44,将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
具体地,提取非电弧状态下每个学习样本的频域特征量构成特征向量空间X=[R(1),R(2),R(3),R(4),R(5)…R(n)],输入神经网络结构中进行反复训练、测试,直到该神经网络具备非电弧识别能力,输出结果记为0,即非电弧状态;然后提取电弧状态下每个学习样本的频域特征量构成特征向量空间X=[R(1),R(2),R(3),R(4),R(5)…R(n)],输入神经网络结构中进行反复训练、测试,直到该神经网络具备电弧识别能力,输出结果记为1,即电弧状态。经过上述两个训练过程,该BP神经网络已具备自动分类和识别电弧、非电弧状态的能力。需要说明的是,BP神经网络的训练和测试可以在离线状态下完成。该直流电弧检测模型可以存储在机控制器中。
本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,提供了构建所述直流电弧检测模型的具体步骤,包括:确定所述直流电弧检测模型的拓扑结构,所述拓扑结构为BP神经网络结构;收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号;根据所述训练数据提取训练阻抗频域特征;将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。由于通过实验获取了电弧状态和非电弧状态下的训练数据,因此可以对BP神经网络进行正向和反向的训练,能有效提升模型参数的准确度,使得模型的预测结果更加准确。
如图6所示,为根据本发明实施例提供的根据所述数字信号提取阻抗频域特征的一种流程图。
在本实施例中,所述根据所述数字信号提取阻抗频域特征包括:
步骤S61,对所述数字信号进行快速傅里叶变换得到直流电压频谱和直流电流频谱。
步骤S62,将直流电压频谱和直流电流频谱按由低频到高频均分为指定个数的频段。
步骤S63,计算各频段内的谐波阻抗的和R(k),其中,k=1,2,3…n。
步骤S64,根据各频段内的谐波阻抗的和R(k)得到阻抗频域特征:
X=[R(1),R(2),R(3),R(4),R(5)…R(n)]。
具体地,所述计算各频段内的谐波阻抗的和R(k)包括:设采样频率为fs,采样点数N为一个采样周期,则经过FFT变换后得到的频谱基频为f=fs/N,第i次谐波频率fi=(i*f)。对该频谱分成n个频段后,各频段内的谐波频率范围为其中,fi表示该频段内的第i次谐波频率,k=1,2,3…n,n为频段个数;计算每个频段范围内谐波阻抗和其中,|U(fi)|表示在频率点fi处谐波电压分量幅值,|I(fi)|表示在频率点fi处谐波电流幅值。
在一个具体实施例中,步骤一:以一定的采样频率fsHz同时采集直流串联供电系统直流电压、直流电流数字信号,完成电压采集的位置在直流电源侧的输出电压,电流采集的位置为系统回路中电流。采集的直流电压、电流数据点数分别为N,电弧检测周期为
然后,同时采集直流供电系统的直流电压、电流信号。
步骤二:对一个周期T内电压、电流数字信号分别进行数据处理,计算出该周期T内的平均电阻同时根据直流电弧非线性电阻模型计算公式(A和B分别是常数,大小和直流系统负载有关)计算出该周期T内的电弧电阻值。
步骤三:判断步骤二中计算出的和的接近程度,若 (μ为预设的检测阈值),则进行第二个周期T内的和计算,若在连续的5个周期T内出现至少3次的情况,则说明直流系统中可能发生电弧了,则转向步骤四进一步判定,否则返回步骤一。
步骤四:按照步骤一所述方法采集一个周期T内的电压、电流数据,对该周期T内的电压、电流分别进行FFT变换得到电压、电流频谱后,再对电压、电流频谱中的数据作如下处理:
将得到的电压、电流频谱在Nyquist频率即范围内,由低频到高频分别均分为n个频段(n=1,2,3…)。n值大小以尽可能多的捕获电弧电阻的频域变化信息又不影响模式识别算法的识别能力为宜,然后计算出各个频段内的谐波阻抗的和R(k)(k=1,2,3…n),R(1),R(2)…R(k)…R(n)构成频域特征向量空间X,即X=[R(1),R(2),R(3),R(4),R(5)…R(n)];然后将所述特征向量空间X作为BP神经网络的输入信号,特征向量空间X对应BP神经网络输出的两种结果,即电弧状态1和非电弧状态0。
步骤四中所述各频段谐波阻抗和R(k)的计算方法为:将N点电压、N点电流数据进行FFT变换,所得频谱的基频均为i次谐波频率将以下频谱均分为n个频段,则每个频段长度为由此计算出第一个频段内的谐波频率范围为该频段范围内的谐波阻抗和表示为其中fi=(i*f)表示第一个频段内的i次谐波频率,|U(fi)|表示在频率点fi处电压谐波分量幅值,|I(fi)|表示在频率点fi处电流谐波分量幅值;第二个频段范围为该频段范围内的谐波阻抗和为其中fi=(i*f)表示第二个频段内的i次谐波频率,U|A(fi)|表示在频率点fi处谐波电压分量幅值,|I(fi)|表示在频率点fi处电流谐波分量幅值;以此类推,第k个(k=1,2,3…n)频段范围为该频段范围内的谐波能量和为 其中fi=(i*f)表示第k个频段内的i次谐波频率,|U(fi)|表示在频率点fi处谐波电压分量幅值,|I(fi)|表示在频率点fi处谐波电流幅值。
步骤四中所用BP神经网络是经过样本训练和测试好的具有电弧和非电弧识别能力的检测算法。其样本学习、训练和测试方法如下:
A、按步骤一分别采集直流供电系统在纯阻性负载、阻感性负载及阻容性负载三种不同负载条件下突然启动、负载突变时的电压、电流实验数据,构成多种条件下的学习样本,按步骤四所述提取每个学习样本的频域特征量构成特征向量空间X=[R(1),R(2),R(3),R(4),R(5)…R(n)],输入神经网络结构中进行反复训练、测试,直到该神经网络具备非电弧识别能力,输出结果记为0,即非电弧状态。
B、按步骤一分别采集直流供电系统在纯阻性负载、阻感性负载及阻容性负载三种不同负载条件下发生电弧后的电压、电流数据,构成多种条件下的学习样本,按步骤四所述提取每个学习样本的频域特征量构成特征向量空间X=[R(1),R(2),R(3),R(4),R(5)…R(n)],输入神经网络结构中进行反复训练、测试,直到该神经网络具备电弧识别能力,输出结果记为1,即电弧状态。
C、经过A、B、两个过程的训练后,该BP神经网络已具备自动分类和识别电弧、非电弧状态的能力,作为步骤四中进行在线识别电弧的检测算法。
BP神经网络的训练和测试在离线状态下完成。
步骤五:对步骤四中BP神经网络的输出状态进行判定,若输出为1,则电弧检出,执行步骤六。若输出为0,则返回步骤一。
如图7所示,为根据本发明实施例提供的基于阻抗特征的直流电弧检测方法的第三种流程图。
在本实施例中,所述方法还包括:
步骤S71,在预判发生电弧或确定发生直流电弧之后,切断回路。具体地,可以通过微机控制器控制电子开关断开,切断该支路能量供应,达到熄弧目的。
步骤S72,进行报警。具体的可以通过报警器进行报警。此外,还可以通过通讯接口,把故障上报给远程PC端。
本发明实施例提供的基于阻抗特征的直流电弧检测方法及系统,所述方法还包括:在预判发生电弧或确定发生直流电弧之后,切断回路;进行报警。这样能有效防止因电弧造成人身伤害或财产损失。
相应地,本发明还提供了与上述方法对应的基于阻抗特征的直流电弧检测系统,如图8所示,为根据本发明实施例提供的基于阻抗特征的直流电弧检测系统的第一种结构示意图,该系统可以包括:
电压表、电流表、微机控制器、电源和负载,电源给负载供电。
电压表,用于以预设频率采集直流串联供电系统直流电压的数字信号,并发送给微机控制器。
电流表,用于以预设频率采集直流串联供电系统直流电流的数字信号,并发送给微机控制器。
微机控制器,用于预先根据直流电弧非线性电阻模型确定电弧电阻值,然后根据所述数字信号计算数个采样周期内平均电阻,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
具体地,所述微机控制器还用于预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型,并在在预判发生电弧之后,根据电压表及电流表以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号提取阻抗频域特征,然后将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
此外,所述微机控制器还用于确定所述直流电弧检测模型的拓扑结构,然后,收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号,接着,根据所述训练数据提取训练阻抗频域特征,然后,将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
如图9所示,为根据本发明实施例提供的基于阻抗特征的直流电弧检测系统的第二种结构示意图,该系统还可以包括:
分别与所述微机控制器相连的开关和报警器,所述开关串联在所述电源与所述负载之间。
所述微机控制器具体用于当判断发生电弧时,控制所述开关切断回路,并控制所述报警器进行报警。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域那些技术人员可以理解,可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的用于多操作端远程操控单操作对象的系统中的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网的网站上下载得到,也可以在载体信号上提供,或者以任何其他形式提供。
应该注意的是,上述实施例是对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于阻抗特征的直流电弧检测方法,其特征在于,包括:
步骤S01,预先根据直流电弧非线性电阻模型确定电弧电阻值;
步骤S02,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;
步骤S03,根据所述数字信号计算该采样周期内平均电阻;
步骤S04,重复步骤S02至步骤S03获取数个采样周期内平均电阻值;
步骤S05,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型;
在预判发生电弧之后,以预设频率采集直流串联供电系统直流电压和直流电流的数字信号;
根据所述数字信号提取阻抗频域特征;
将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
3.根据权利要求2所述的方法,其特征在于,构建所述直流电弧检测模型包括:
确定所述直流电弧检测模型的拓扑结构,所述拓扑结构为BP神经网络结构;
收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号;
根据所述训练数据提取训练阻抗频域特征;
将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述数字信号提取阻抗频域特征包括:
对所述数字信号进行快速傅里叶变换得到直流电压频谱和直流电流频谱;
将直流电压频谱和直流电流频谱按由低频到高频均分为指定个数的频段;
计算各频段内的谐波阻抗的和;
根据各频段内的谐波阻抗的和得到阻抗频域特征。
5.根据权利要求4所述的方法,其特征在于,所述计算各频段内的谐波阻抗的和包括:
计算各频段内的谐波频率范围其中,fi=(i*f)表示一个频段内的i次谐波频率,k=1,2,3…n,n为频段个数;
计算每个频段范围内谐波阻抗和|U(fi)|表示在频率点fi处谐波电压分量幅值,|I(fi)|表示在频率点fi处谐波电流幅值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
在预判发生电弧或确定发生直流电弧之后,切断回路;
进行报警。
7.一种基于阻抗特征的直流电弧检测系统,其特征在于,包括:
电压表、电流表、微机控制器、电源和负载,电源给负载供电;
电压表,用于以预设频率采集直流串联供电系统直流电压的数字信号,并发送给微机控制器;
电流表,用于以预设频率采集直流串联供电系统直流电流的数字信号,并发送给微机控制器;
微机控制器,用于预先根据直流电弧非线性电阻模型确定电弧电阻值,然后根据所述数字信号计算数个采样周期内平均电阻,如果超过指定个数的采样周期内平均电阻值与所述电弧电阻值的差值的绝对值小于设定阈值,则预判发生电弧。
8.根据权利要求7所述的系统,其特征在于,所述微机控制器还用于预先构建基于阻抗频域特征进行直流电弧检测的直流电弧检测模型,并在在预判发生电弧之后,根据电压表及电流表以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号提取阻抗频域特征,然后将所述阻抗频域特征输入所述直流电弧检测模型以确定是否发生直流电弧。
9.根据权利要求8所述的系统,其特征在于,所述微机控制器具体用于确定所述直流电弧检测模型的拓扑结构,然后,收集训练数据,所述训练数据包括:电弧状态下和非电弧状态下以预设频率采集的直流串联供电系统直流电压和直流电流的数字信号,接着,根据所述训练数据提取训练阻抗频域特征,然后,将所述训练阻抗频域特征以及对应的电弧状态或非电弧状态输入所述直流电弧检测模型进行训练得到所述直流电弧检测模型的参数。
10.根据权利要求8所述的系统,其特征在于,所述系统还包括:
分别与所述微机控制器相连的开关和报警器,所述开关串联在所述电源与所述负载之间;
所述微机控制器具体用于当判断发生电弧时,控制所述开关切断回路,并控制所述报警器进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464038.8A CN107219447B (zh) | 2017-06-19 | 2017-06-19 | 一种基于阻抗特征的直流电弧检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464038.8A CN107219447B (zh) | 2017-06-19 | 2017-06-19 | 一种基于阻抗特征的直流电弧检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107219447A true CN107219447A (zh) | 2017-09-29 |
CN107219447B CN107219447B (zh) | 2019-12-03 |
Family
ID=59949812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710464038.8A Active CN107219447B (zh) | 2017-06-19 | 2017-06-19 | 一种基于阻抗特征的直流电弧检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107219447B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN111289852A (zh) * | 2020-02-24 | 2020-06-16 | 深圳供电局有限公司 | 电弧检测装置及方法 |
CN111398750A (zh) * | 2020-03-30 | 2020-07-10 | 深圳供电局有限公司 | 电弧识别方法和用于电弧识别的系统 |
CN112348159A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种故障电弧神经网络优化训练方法 |
WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
CN116973673A (zh) * | 2023-09-25 | 2023-10-31 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子器件的失效定位方法、装置、系统及计算机设备 |
EP4141458A4 (en) * | 2020-04-22 | 2024-05-29 | Qingdao Topscomm Communication Co Ltd | METHOD FOR DETECTING ARC SIGNALS USING A CONVOLUTIONAL NEURAL NETWORK |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5578931A (en) * | 1993-10-15 | 1996-11-26 | The Texas A & M University System | ARC spectral analysis system |
US20020063565A1 (en) * | 2000-04-04 | 2002-05-30 | Stroth John E. | Arc fault current interrupter testing device |
CN104410360A (zh) * | 2014-10-17 | 2015-03-11 | 广东易事特电源股份有限公司 | 光伏发电系统安全运行方法及其中对人工神经网络的训练方法和实时检测方法及装置 |
CN106154120A (zh) * | 2015-03-25 | 2016-11-23 | 台达电子企业管理(上海)有限公司 | 光伏逆变器的电弧故障检测方法、装置及光伏逆变器 |
-
2017
- 2017-06-19 CN CN201710464038.8A patent/CN107219447B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5578931A (en) * | 1993-10-15 | 1996-11-26 | The Texas A & M University System | ARC spectral analysis system |
US20020063565A1 (en) * | 2000-04-04 | 2002-05-30 | Stroth John E. | Arc fault current interrupter testing device |
CN104410360A (zh) * | 2014-10-17 | 2015-03-11 | 广东易事特电源股份有限公司 | 光伏发电系统安全运行方法及其中对人工神经网络的训练方法和实时检测方法及装置 |
CN106154120A (zh) * | 2015-03-25 | 2016-11-23 | 台达电子企业管理(上海)有限公司 | 光伏逆变器的电弧故障检测方法、装置及光伏逆变器 |
Non-Patent Citations (3)
Title |
---|
RAVEL F. AMMERMAN等: ""DC-Arc Models and Incident-Energy Calculations", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 * |
林方圆: "光伏系统直流故障电弧特征及识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》 * |
林方圆等: "光伏系统直流故障电弧识别方法研究", 《电工电能新技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110082640B (zh) * | 2019-05-16 | 2021-11-30 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN112348159A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种故障电弧神经网络优化训练方法 |
WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
CN111289852A (zh) * | 2020-02-24 | 2020-06-16 | 深圳供电局有限公司 | 电弧检测装置及方法 |
CN111289852B (zh) * | 2020-02-24 | 2021-10-01 | 深圳供电局有限公司 | 电弧检测装置及方法 |
CN111398750A (zh) * | 2020-03-30 | 2020-07-10 | 深圳供电局有限公司 | 电弧识别方法和用于电弧识别的系统 |
CN111398750B (zh) * | 2020-03-30 | 2021-09-28 | 深圳供电局有限公司 | 电弧识别方法和用于电弧识别的系统 |
EP4141458A4 (en) * | 2020-04-22 | 2024-05-29 | Qingdao Topscomm Communication Co Ltd | METHOD FOR DETECTING ARC SIGNALS USING A CONVOLUTIONAL NEURAL NETWORK |
CN116973673A (zh) * | 2023-09-25 | 2023-10-31 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子器件的失效定位方法、装置、系统及计算机设备 |
CN116973673B (zh) * | 2023-09-25 | 2024-01-05 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子器件的失效定位方法、装置、系统及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107219447B (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107219447B (zh) | 一种基于阻抗特征的直流电弧检测方法及系统 | |
CN103913663B (zh) | 一种直流系统电弧故障在线检测方法和保护装置 | |
CN105067966B (zh) | 基于特征模态分量能量分析的低压交流故障电弧检测方法 | |
CN102331543B (zh) | 基于支持向量机的故障电弧检测方法 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN103915818B (zh) | 串联故障电弧检测方法及其专用装置 | |
CN110007197B (zh) | 串联电弧故障检测系统及检测方法 | |
Syafi’i et al. | Real time series DC arc fault detection based on fast Fourier transform | |
CN104730423A (zh) | 光伏并网发电系统的孤岛效应检测方法 | |
Catelani et al. | On the application of neural networks to fault diagnosis of electronic analog circuits | |
CN113095173B (zh) | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 | |
WO2021257470A1 (en) | Systems and methods for monitoring a gas analyte | |
CN110398669A (zh) | 电弧故障检测方法 | |
CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及系统 | |
Xia et al. | Binary classification model based on machine learning algorithm for the DC serial arc detection in electric vehicle battery system | |
Yao et al. | A series DC arc fault detection method and hardware implementation | |
CN105281291A (zh) | 一种剩余电流保护器及其电流保护方法 | |
Ogar et al. | The use of artificial neural network for low latency of fault detection and localisation in transmission line | |
Aslan et al. | ANN based fault location for medium voltage distribution lines with remote-end source | |
KR101035381B1 (ko) | 인공신경망을 이용한 트랙킹 검출장치 및 검출방법 | |
CN113746132B (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
CN113255203B (zh) | 基于anfis的电气线路老化程度在线辨识系统及方法 | |
Wang et al. | Impedance Ground Faults Detection and Classification Method for DC Microgrid | |
CN105424224A (zh) | 一种隔离开关状态监测方法及装置 | |
Wang et al. | A DC Arc Fault Sensor With Leftover Gated Recurrent Neural Network in Consumer Electronics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |