CN108508297B - 一种基于突变系数和svm的故障电弧检测方法 - Google Patents

Abstract

本发明公开了一种基于突变系数和SVM的故障电弧检测方法。包括以下步骤：S01输入一个周期的电流信号；S02采用计算量较小的haar小波，通过小波分析，计算一个周期内的突变系数；S03输入的周期数累计，与L进行比较，若输入的周期数累计小于L，则返回第S01步；若输入的周期数累计大于或等于L，则进行下一步；S04将连续L个周期的突变系数作为特征向量训练SVM模型，得到SVM模型核函数；S05将特征向量，带入SVM模型核函数中，比较该向量所包含的L个周期内是否出现故障电弧。本发明采取用小波分析的方法，提取信号的高频细节信息，创造性的提出了突变系数概念，通过突变系数和电流幅值来判断是否发生电弧，标准统一，检测方便。

Description

一种基于突变系数和SVM的故障电弧检测方法

技术领域

本发明涉及一种用电安全监控技术领域，特别涉及一种基于突变系数和SVM的故障电弧检测方法。

背景技术

随着电力事业的发展，单机发电容量不断增大，低压配电装置额定容量也随之提高，由于新型低压器件及附件不断出现，低压配电装置结构形式多样化，不可避免地出现低压配电装置中的电弧故障，甚至会因电弧引起火灾，由此所造成的设备损坏和经济损失相当严重。

电弧是一种气体放电现象，电流通过某些绝缘介质(例如空气)所产生的瞬间火花。而根据电弧产生的机理，可以分为好弧(插拔电器时产生的电弧等)和坏弧(故障电弧)，其中好弧是瞬时性的，不会持续存在，也并不影响线路和设备的正常工作，也不会引起火灾，所以发生好弧的情况下，通常认为线路和设备是安全的。而根据故障电弧产生的位置又可分为串联电弧、并联电弧和对地电弧，如图1、2、3所示。

而低压故障电弧的一般特征有：电流波形中含有丰富的高频噪声；电弧上有电压降；电流上升速度通常比正常状态要大；每半个周期都存在电流接近零的区域，称“电流零区”，把它命名为平肩部；电压波形接近矩形，在电流零区变化率较其他时间大，在电流过零时最大；故障电弧经常是零星的，间歇的；电流波形具有很强的随机性。

可以将这些特征作为特征参量来检测电弧，检测每个周期信号的峰峰值，平均值，平肩部比例等等，通过与阈值比较来判定是否发生电弧。例如已获得授权的201210231516.8号中国发明专利，公开了一种通过采集每周期的电流数据，来分析电流波形是否存在正负半周不对称、周期差异过大，进而判断是否发生了电弧故障的故障电弧检测方法。

但是该技术方案中，仍需要对每一个特征参量设定阈值并且阈值设定仍不能包含所有特征，不同负载的阈值也不相同，且需要通过尽可能多的特征参量来判断，比较繁琐，且没有统一的标准。

发明内容

本发明的目的在于，利用小波分析提出了突变系数概念，并结合机器学习中的SVM模型，提供一种基于突变系数和SVM模型的故障电弧检测方法，有效地检测出故障电弧并避免正常电弧的干扰。

一种基于突变系数和SVM的故障电弧检测方法，包括以下步骤：

S01输入一个周期的电流信号；

S02采用计算量较小的haar小波，通过小波分析，计算一个周期内的突变系数；

S03输入的周期数累计，与L进行比较，若输入的周期数累计小于L，则返回第S01步；若输入的周期数累计大于或等于L，则进行下一步；

S04将连续L个周期的突变系数作为特征向量训练SVM模型，得到SVM模型核函数；

S05将每一个未知的特征向量，带入SVM模型核函数中，比较该向量所包含的L个周期内是否出现故障电弧。

进一步的，步骤S02具体包括以下步骤：

S021利用连续小波分解电流信号得出一个周期内的高频系数向量D：

(1)haar小波的高频滤波系数为g＝[0.5,-0.5]，

(2)haar的高频滤波系数与电流信号进行卷积，

其中j是该周期内的小波系数个数，g是高频滤波系数，f是电流信号，得到高频系数向量D；

S022进行小波分析，计算周期内高频系数向量D的绝对均值；

S023计算一个周期内的突变系数。

进一步的，步骤S023中的突变系数为周期内高频系数的最大值除以高频系数绝对值的平均值，即：

其中CM为突变系数，D为高频系数向量。

进一步的，步骤S04具体包括以下步骤：

S041提取特征向量：选取最近的L个周期的突变系数；

S042打上标签：对这L个突变系数打上标签，得到特征向量；

S043排序：对这L个突变系数，即特征向量中的元素进行排序；

S044数据预处理：对特征向量进行标准化；

S045模型训练和评估，得出SVM模型核函数。

进一步的，步骤S042还包括以下步骤：若该特征向量所代表的实验是发生电弧的实验，则打上标签1；若该特征向量所代表的实验是未发生电弧的实验，则打上标签-1。

进一步的，步骤S043中的特征向量排序方法为：第一维特征是L个周期中最小的突变系数，第二维特征是L个周期中次小的突变系数，以此类推，最后一维特征是L个周期中最大的突变系数。

进一步的，步骤S044中，按照以下方法进行标准化处理：

其中X′_ij代表的是第i条记录中的第j个特征经标准化后的值，X_ij代表的是第i条记录中的第j个特征标准化前的值，mean(X_train)代表的是训练集中所有突变系数的均值，std(X_train)代表的是训练集中所有突变系数的标准差。

进一步的，步骤S045中，使用带有rbf(径向基函数)的SVM模型进行模型训练。

进一步的，SVM模型所采用的高斯核函数为：

其中，X_i代表的是第i个支持向量，X是标准化后需要进行分类的未知特征向量该表达式中的γ即为模型训练时使用的核函数的参数γ。

进一步的，步骤S05还包括以下步骤：

将特征向量带入SVM模型核函数中，若计算出来的值大于0，则认为该向量所包含的L个周期内出现故障电弧，系统进行报警；若计算出来的值小于0，则认为该向量所包含的L个周期内未出现故障电弧。

本发明的有益效果在于，采取用小波分析的方法，提取信号的高频细节信息，创造性的提出了突变系数概念，通过突变系数和电流幅值来判断是否发生电弧，标准统一，检测方便。

附图说明

图1：串联电弧图示；

图2：并联电弧图示；

图3：对地电弧图示；

图4：工作原理流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明利用小波分析在识别异常波形上的优势，不需要使用多个特征参数共同判断即可区分好弧和故障电弧，此外，还创造性地提出了突变系数概念，来描绘一个周期的电流突变情况。电流在连续周期中的突变系数组成向量，突变系数向量具有更加丰富的特征表达能力。以突变系数向量为特征，训练SVM模型，并进行电弧识别。

信号中的奇异点及不规则突变部分经常带有很重要的信息。因为在线路发生故障电弧时，输出的电流信号中包含的噪声增多，这些噪声信号的作用下，表现为信号发生突变，因此，选择对突变点的诊断对检测故障发生有很重要的应用价值。小波变换中的小波函数相当于带通滤波器，能使不同频率的信号能通过不同的频带通道分离，因而能将故障发生的位置有效的检测出来，也就是说在一个合适的尺度下，通过小波变换，根据小波系数模极大值和奇异点的关系，就能检测出信号的奇异点。利用这个原理，可以用来分析发生电弧时的起点位置，这也是小波变换分析时自身的一个优势。

小波可以看做滤波器，而小波算法最有效的方法就是使用滤波器。信号通过高通和低通滤波器分别产生两个信号：信号的低频部分和高频部分。信号的低频部分代表信号的近似信号；信号的高频部分，表示信号的细节信号。在利用小波变换检测信号故障出现的位置时，我们要观察的是分解重构后细节层的信号特征。

本发明采用计算量较小的haar小波，输入一个周期的电流信号，假设某次实验中共有N个采样点，包含M个周期的电流数据，则n＝N/M为每个周期内的采样点数。利用连续小波分解电流信号得出一个周期内的高频系数向量D：D1，D2，D3，D4……Dn，n＝N/M为该周期内的采样点数，也是该周期内的小波系数个数:

(1)haar小波的高频滤波系数为g＝[0.5,-0.5]，

(2)haar的高频滤波系数与电流信号进行卷积，

其中g是高频滤波系数，f是电流信号，得到高频系数向量D。haar小波的缺点是不连续，利用卷积的方法可以将它变得光滑起来，通过正交化方法，这就构成了由B样条函数所生成的正交小波函数。

每个周期内小波系数的个数为n，并计算周期内高频系数向量D的绝对均值ave＝mean(abs(D))，即

小波分析后，计算一个周期内的突变系数，突变系数定义为周期内高频系数的最大值除以高频系数绝对值的平均值。即

在获取了突变系数后，将连续L个周期的突变系数作为特征向量训练SVM模型，若小波分析中输入的周期数小于L，则再输入一个周期的电流，直到周期数大于或等于L。模型的训练主要经以下步骤：

提取特征向量：将一次实验中连续的L个周期作为SVM模型的一个特征向量，提取出这L个周期内的L个突变系数。例如：针对一个具有100个周期的实验，可以按照如下方法提取数据：将第1到第L个周期作为一个特征向量，将第2到第L+1个周期作为另一个特征向量，以此类推，将实验中所有连续的L个周期作为模型的特征向量(针对具有100个周期的实验可以提取出101-L个特征向量)，然后将每个特征向量中L个周期的突变系数计算出来。

打上标签：为上面得到的特征向量打上标签，以便SVM模型进行监督性学习。如果该特征向量所代表的实验是发生电弧的实验，则打上标签1；反之如果该特征向量所代表的实验是未发生电弧的实验，则打上标签-1。

排序：将特征向量中的元素进行排序，即第一维特征是L个周期中最小的突变系数，第二维特征是L个周期中次小的突变系数，以此类推，最后一维特征是L个周期中最大的突变系数。

数据预处理：预处理主要是划分训练集、验证集和测试集，并对其数据进行标准化。划分训练集、验证集和测试集的比例是6：2：2，即训练集占总体数据的60％，验证集占总体数据的20％，测试集占总体数据的20％。划分完数据集后，按照以下方法对其进行标准化：

其中X′_ij代表的是第i条记录中的第j个特征经标准化后的值，X_ij代表的是第i条记录中的第j个特征标准化前的值，mean(X_train)代表的是训练集中所有突变系数的均值，std(X_train)代表的是训练集中所有突变系数的标准差。

模型训练：由于观察数据时发现故障电弧数据与正常数据并不是线性可分的，因此在训练模型时主要是使用带有rbf(径向基函数)的SVM模型进行训练。由于常用的径向基函数是高斯核函数，是将低位线性不可分的数据映射到无穷维的空间中，容易造成过拟合的现象，因此需要通过调整模型参数来避免过拟合。模型的参数有惩罚参数C以及核函数的参数γ，通过调整这两个参数使得模型的结构风险最小化。在调整参数时，通过观察不同参数下训练出的模型在验证集上的表现来确定C和γ的值。

对模型进行评估：对模型的评估主要是采用ROC_AUC指标。ROC曲线是一条横坐标为FPR(误正类率)，总坐标为TPR(真正类率)的曲线，衡量的是在不确定分类界限值下模型的识别性能。而ROC_AUC指标则是ROC曲线下方的面积，取值为0-1之间。其取值越大，表示模型的分类效果越好。使用ROC_AUC指标可以较好的对不同参数下模型的分类性能进行评判。

实验结果：在尝试过不同的参数后我们发现，在SVM的惩罚参数C为100，核函数参数γ为0.1的情况下，模型的ROC_AUC指标为1，即ROC_AUC指标认为模型在此时对于测试集的分类性能达到最优化。

在训练完SVM模型后，我们就可以得到该模型的支持向量SV和支持向量的拉格朗日乘子α，以及该模型判断样本时用到的截距b，借此对未知的特征向量进行分类。假设未知的特征向量为X，则可以根据以下决策函数对其进行分类：

其中，n_sv代表的是支持向量的个数，α_i代表的是第i个支持向量的拉格朗日乘子，y_i代表的是第i个支持向量的标签，X_i代表的是第i个支持向量，X是标准化后需要进行分类的未知特征向量，b是该决策函数的截距。其中K(X_i,X)是SVM模型所采用的核函数，在本实施例中使用高斯核函数，数学表达式如下：

该表达式中的γ即为模型训练时使用的核函数的参数γ。

对于每一个未知的特征向量，将其带入上述决策函数中，若计算出来的值大于0，则认为该向量所包含的L个周期内出现故障电弧，则系统发出警报；若计算出来的值小于0，则认为该向量所包含的L个周期内未出现故障电弧。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于突变系数和SVM的故障电弧检测方法，其特征在于，包括以下步骤：

S01输入一个周期的电流信号；

S02采用haar小波，通过小波分析，计算一个周期内的突变系数；所述突变系数为周期内高频系数的最大值除以高频系数绝对值的平均值；

S03输入的周期数累计，与L进行比较，若输入的周期数累计小于L，则返回第S01步；若输入的周期数累计大于或等于L，则进行下一步；

S04将连续L个周期的突变系数作为特征向量训练SVM模型，得到SVM模型核函数；

S05将特征向量，带入SVM模型核函数中，比较该向量所包含的L个周期内是否出现故障电弧。

2.根据权利要求1所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S02具体包括以下步骤：

S021利用连续小波分解电流信号得出一个周期内的高频系数向量D：

(1)haar小波的高频滤波系数为g＝[0.5,-0.5]，

(2)haar的高频滤波系数与电流信号进行卷积，

j＝1,2,3……n

其中j是该周期内的小波系数个数，g是高频滤波系数，f是电流信号，得到高频系数向量D；

S022进行小波分析，计算周期内高频系数向量D的绝对均值；

S023计算一个周期内的突变系数。

3.根据权利要求2所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S023中的突变系数为周期内高频系数的最大值除以高频系数绝对值的平均值，即：

其中CM为突变系数，D为高频系数向量。

4.根据权利要求1所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S04具体包括以下步骤：

S041提取特征向量：选取最近的L个周期的突变系数；

S042打上标签：对这L个突变系数打上标签，得到特征向量；

S043排序：对这L个突变系数，即特征向量中的元素进行排序；

S044数据预处理：对特征向量进行标准化；

S045模型训练和评估，得出SVM模型核函数。

5.根据权利要求4所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S042还包括以下步骤：若该特征向量所代表的实验是发生电弧的实验，则打上标签1；若该特征向量所代表的实验是未发生电弧的实验，则打上标签-1。

6.根据权利要求4所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S043中的特征向量排序方法为：第一维特征是L个周期中最小的突变系数，第二维特征是L个周期中次小的突变系数，以此类推，最后一维特征是L个周期中最大的突变系数。

7.根据权利要求4所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S044中，按照以下方法进行标准化处理：

其中X′_ij代表的是第i条记录中的第j个特征经标准化后的值，X_ij代表的是第i条记录中的第j个特征标准化前的值，mean(X_train)代表的是训练集中所有突变系数的均值，std(X_train)代表的是训练集中所有突变系数的标准差。

8.根据权利要求4所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S045中，使用带有rbf(径向基函数)的SVM模型进行模型训练。

9.根据权利要求4所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，SVM模型所采用的高斯核函数为：

其中，X_i代表的是第i个支持向量，X是标准化后需要进行分类的未知特征向，γ即为模型训练时使用的核函数的参数γ。

10.根据权利要求1所述的基于突变系数和SVM的故障电弧检测方法，其特征在于，步骤S05还包括以下步骤：

将特征向量带入SVM模型核函数中，若计算出来的值大于0，则认为该向量所包含的L个周期内出现故障电弧，系统进行报警；若计算出来的值小于0，则认为该向量所包含的L个周期内未出现故障电弧。

Images