CN107578016B - 一种基于稀疏表示的剩余电流波形自动识别方法 - Google Patents
一种基于稀疏表示的剩余电流波形自动识别方法 Download PDFInfo
- Publication number
- CN107578016B CN107578016B CN201710797777.9A CN201710797777A CN107578016B CN 107578016 B CN107578016 B CN 107578016B CN 201710797777 A CN201710797777 A CN 201710797777A CN 107578016 B CN107578016 B CN 107578016B
- Authority
- CN
- China
- Prior art keywords
- residual current
- signal
- signals
- sparse representation
- sparse
- 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.)
- Active
Links
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于稀疏表示的剩余电流波形自动识别方法。方法为:利用剩余电流互感器(RCD)采集N种不同设备出现漏电故障的剩余电流信号,进行去噪预处理得到N种预处理信号,作为样本集;分别提取样本集中信号的时频域特征,得到特征向量,并进行归一化处理;将归一化特征向量组成所有信号的特征矩阵,作为N种剩余电流信号的过完备字典;利用RCD采集待测漏电故障时剩余电流信号,去噪预处理得到测试样本,提取其特征向量;将提取的特征向量利用过完备字典进行稀疏表示;将各信号的稀疏表示输入到稀疏表示分类器,即可得到待测剩余电流信号类型的识别结果。本发明能提高剩余电流波形识别的有效性和准确性。
Description
技术领域
本发明涉及电力系统剩余电流信号模式识别技术领域,具体涉及一种基于稀疏表示的剩余电流波形自动识别方法。
背景技术
随着科技进步和智能电网不断发展,城乡低压电网中电力电子设备类型不断增多,线路发生漏电故障时,产生的剩余电流不再是单一工频正弦电流,而是具有脉动直流分量、高频交流分量,甚至是平滑直流分量等复杂波形。这种情况下,传统的AC型剩余电流动作保护器已经无法对这种复杂的交直流剩余电流进行有效保护,因此A型、B型剩余电流动作保护器成为漏电保护的研究热点。
剩余电流动作保护器在漏电保护过程中为了能对剩余电流的准确判断和进行电源脱扣保护,其要根据不同剩余电流波形选择不同的阈值进行脱扣,避免过额动作或拒动作现象的发生,保证不同漏电负载产生剩余电流时,可以在达到安全阈值时可靠脱扣动作。因此,剩余电流波形类型的准确识别是剩余电流动作保护器准确脱扣,高效运行的前提。
目前,剩余电流波形识别方法仅局限于对信号的单一特征进行判断,易受到环境噪声影响和剩余电流互感器的差异导而致波形误识别,使保护器误动作或拒动作。随着模式识别与分类技术的快速发展,稀疏表示分类(Sparse Representation basedClassification,SRC)已成功应用于图像分类和目标识别跟踪问题,具有较好的鲁棒性和稳定性。基于稀疏表示分类方法可以很好的解决上述传统剩余电流波形识别方法带来的问题,对环境噪声有较强的抗干扰能力,识别精度高。
发明内容
本发明的目的是提出了一种剩余电流波形自动识别方法,本方法基于稀疏表示理论,通过对剩余电流波形进行特征提取,构建过完备字典,采用稀疏表示分类器(SRC)对待测试剩余电流信号进行识别分类,具有较强的抗干扰能力,能高效、准确识别剩余电流信号类型,具有较高的识别精度。
为达到上述目的,本发明的技术方案提供一种基于稀疏表示的剩余电流波形自动识别方法,所述方法包括以下步骤:
1)利用剩余电流互感器(RCD)分别采集N种不同设备负载漏电故障的剩余电流信号,进行去噪预处理,将经过预处理后的N种漏电故障的剩余电流信号作为预处理信号样本集;
2)对预处理信号样本集中每种剩余电流信号分别提取其时域和频域统计特征,得到特征向量,并对特征向量进行归一化处理,得到每种剩余电流信号归一化特征向量;
3)将上述步骤所得到的归一化特征向量组成所有信号的特征矩阵,作为N种不同类型剩余电流信号的过完备字典;
4)利用剩余电流互感器采集待测漏电故障时剩余电流信号,进行去噪预处理得到测试样本,按照步骤2)所述过程,提取测试样本的特征向量;
5)将所提取的测试样本的特征向量利用步骤3)所得过完备字典进行稀疏表示;
6)分别将信号的稀疏表示输入到稀疏表示分类器(SRC)中,即可得到待测剩余电流信号类型的分类识别结果。
本发明达到的有益效果为:本发明与现有方法相比,采用提取剩余电流的时域和频域特征,通过稀疏表示方法进行分类识别,可以有效避免环境干扰和传感器个体差异带来的误识别、误动作,能够获得很好的识别效果,能够实时自动的识别线路中剩余电流的类型,为剩余电流准确识别和高效脱扣提供很好的方法,从而充分发挥剩余电流动作保护器在漏电保护中的作用。
下面结合附图对本发明作进一步的说明。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明所述基于稀疏表示的剩余电流波形自动识别方法流程图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步的详细阐述:
1.利用剩余电流互感器(RCD)采集剩余电流数据,作为构建字典的样本数据集合。具体实施方式如下:
利用剩余电流互感器(RCD)分别采集N种不同类型设备负载出现漏电故障时的剩余电流信号,包括正弦交流、半波、90°波、135°波、半波叠加6mA平滑直流波、半波叠加10mA平滑直流波及高频交流剩余电流等N种类型,经过滤波器滤除噪声信号,然后选取同一种剩余电流信号对其进行离散化处理得到子样本数据集:
其中,i=1,2,…,N表示不同剩余电流信号类型,M表示每种剩余电流离散化后样本点数,且选取的每种剩余电流样本尽可能包含剩余电流信号多个周期的数据,则yi构成剩余电流信号N种不同波形的预处理信号样本集:
2.提取预处理信号样本集合Y的时域和频域统计特征,并对特征向量进行归一化处理,将归一化特征向量组成N种不同类型剩余电流信号的过完备字典D。具体实施方式如下:
(1)提取剩余电流信号N种不同信号的时域统计特征
(2)提取剩余电流信号N种不同信号的频域统计特征
对N种不同剩余电流波形预处理信号样本集合yi做离散傅里叶变换(DFT),得到剩余电流频谱分布信息,离散傅里叶变换(DFT)公式为:
其中,Si(n)是第i种剩余电流信号yi的DFT。
频带基波频率特征提取:fi(i=1,2,…,N) (7)
频带基波能量特征提取:Ei′=Xi 2,i=1,2,…,N (8)
频带谐波幅值分布离散程度特征提取:
(3)构建剩余电流信号的过完备字典
3.所述对采集的待测剩余电流信号测试样本进行稀疏表示的具体过程如下:
求解中稀疏系数x的过程,一般通过l0范数(向量中非零元素个数)求解优化问题,但是最小l0范数约束求解存在NP-hard的问题,所以将基于l0范数最小化问题转化为l1范数最小化问题求解,同时为了获得更准确的信号,在增加噪声项约束下,其最小l1范数约束求解疏系数可表示为:
4.利用稀疏表示分类器(SRC)识别待测剩余电流信号波形的具体过程如下:
(3)将待测剩余电流类型归于重构残差最小的类别:
其中i=1,2,…,k。
Claims (4)
1.一种基于稀疏表示的剩余电流波形自动识别方法,其特征在于,包括如下步骤:
1)利用剩余电流互感器(RCD)分别采集N种不同设备负载漏电故障的剩余电流信号,进行去噪预处理,将经过预处理后的N种漏电故障的剩余电流信号作为预处理信号样本集;
2)对预处理信号样本集中每种剩余电流信号分别提取其时域和频域统计特征,得到特征向量,并对特征向量进行归一化处理;
3)将上述步骤所得到的归一化特征向量组成所有信号的特征矩阵,作为N种不同类型剩余电流信号的过完备字典;
4)利用剩余电流互感器采集待测漏电故障时剩余电流信号,进行去噪预处理得到测试样本,按照步骤2)所述过程,提取测试样本的特征向量;
5)将所提取的测试样本的特征向量利用步骤3)所得剩余电流信号过完备字典进行稀疏表示;
6)分别将信号的稀疏表示输入到稀疏表示分类器(SRC)中,即可得到待测剩余电流信号类型的分类识别结果;
所述步骤1)样本数据采集的具体过程为:
(1)在N种不同设备负载的线路中,利用剩余电流互感器(RCD)分别采集N种不同类型设备负载出现漏电故障时的N种剩余电流信号;
(2)对采集到的N种剩余电流信号进行滤波去噪预处理,将经过去噪预处理后的剩余电流信号作为预处理信号样本集Y={y1,y2,…,yN},其中1,2,…,N表示不同剩余电流信号类型。
2.根据权利要求1所述的,一种基于稀疏表示的剩余电流波形自动识别方法,其特征在于,所述步骤2)信号特征提取过程中,提取预处理信号样本集Y中每个子样本yi(i=1,2,…,N)的时频和频域统计特征,时域上的统计特征包括:均值、能量、方差,频域上的统计特征包括:频带基波频率、频带基波能量、频带谐波幅值分布离散程度, 将时频和频域特征组成每个子样本的特征向量,并对其进行归一化处理得到每种剩余电流信号的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710797777.9A CN107578016B (zh) | 2017-09-06 | 2017-09-06 | 一种基于稀疏表示的剩余电流波形自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710797777.9A CN107578016B (zh) | 2017-09-06 | 2017-09-06 | 一种基于稀疏表示的剩余电流波形自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578016A CN107578016A (zh) | 2018-01-12 |
CN107578016B true CN107578016B (zh) | 2021-05-11 |
Family
ID=61030870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710797777.9A Active CN107578016B (zh) | 2017-09-06 | 2017-09-06 | 一种基于稀疏表示的剩余电流波形自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578016B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114825257B (zh) * | 2022-06-27 | 2022-09-09 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
CN115898841B (zh) * | 2022-11-15 | 2023-07-07 | 杭州光路科技有限公司 | 一种单传感器真空泵控制器及其双模式控制方法 |
CN116908518B (zh) * | 2023-07-13 | 2024-04-05 | 浙江恒业电子股份有限公司 | 一种带剩余电流检测的采集终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100647295B1 (ko) * | 2004-11-10 | 2006-11-23 | 삼성전자주식회사 | 비디오 디코더에서의 인접 정보 처리 장치 및 방법과 그방법을 수행하기 위한 프로그램이 저장된 기록 매체 |
CN104422816B (zh) * | 2013-09-05 | 2017-09-22 | 西门子公司 | 剩余电流检测方法和装置 |
KR101595658B1 (ko) * | 2014-07-28 | 2016-02-19 | 공주대학교 산학협력단 | 누설전류 검출 장치 및 방법 |
CN104848883B (zh) * | 2015-03-27 | 2017-10-17 | 重庆大学 | 一种基于稀疏表示的传感器噪声与故障的判别方法 |
CN104809346B (zh) * | 2015-04-28 | 2017-06-27 | 河南理工大学 | 基于稀疏矩阵的矿井高压电网漏电保护整定计算方法 |
CN106503612A (zh) * | 2016-09-12 | 2017-03-15 | 国网浙江省电力公司舟山供电公司 | 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统 |
-
2017
- 2017-09-06 CN CN201710797777.9A patent/CN107578016B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107578016A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pinpart et al. | Differentiating between partial discharge sources using envelope comparison of ultra-high-frequency signals | |
Gu et al. | High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit | |
CN107578016B (zh) | 一种基于稀疏表示的剩余电流波形自动识别方法 | |
CN104849633A (zh) | 一种开关柜局部放电模式识别方法 | |
CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
CN111723684B (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
CN104614069A (zh) | 基于联合近似对角化盲源分离算法的电力设备故障音检测方法 | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
Ardila-Rey et al. | Separation techniques of partial discharges and electrical noise sources: A review of recent progress | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
Ghaderi et al. | High impedance fault detection method efficiency: simulation vs. real-world data acquisition | |
Ambikairajah et al. | Smart sensors and online condition monitoring of high voltage cables for the smart grid | |
Chang et al. | A hybrid approach for detection and classification of power quality disturbances | |
Belkov et al. | Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
Gangwar et al. | Detection and classification of faults on transmission line using time-frequency approach of current transients | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
Happe et al. | Advanced suppression of stochastic pulse shaped partial discharge disturbances | |
CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 | |
Baran et al. | A classifier for distribution feeder overcurrent analysis | |
Lala et al. | Fault Detection and Localization using Continuous Wavelet Transform and Artificial Neural Network Based Approach in Distribution System. |
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 |