CN108535589A - 一种故障电弧检测方法及装置 - Google Patents
一种故障电弧检测方法及装置 Download PDFInfo
- Publication number
- CN108535589A CN108535589A CN201810487031.2A CN201810487031A CN108535589A CN 108535589 A CN108535589 A CN 108535589A CN 201810487031 A CN201810487031 A CN 201810487031A CN 108535589 A CN108535589 A CN 108535589A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- fault
- feature
- poor contact
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
Abstract
本发明公开了一种故障电弧检测方法,包括:采集交流电的高频电流信号、工频电流信号和电压信号;从所述高频电流信号中提取出高频分布特征,从所述工频电流信号中提取出低频波动特征,从所述电压信号中提取出电压波动特征;相应的,本发明还公开了一种故障电弧检测装置。采用本发明实施例,能够实现精准、灵敏的故障电弧检测。
Description
技术领域
本发明涉及电气技术领域,尤其涉及一种故障电弧检测方法及装置。
背景技术
随着用电设备种类的增多和用电规模的增大,电气火灾发生频率越来越高,在全国占火灾总比30%以上。这些电气火灾中,接触不良及故障电弧是引起电气火灾的主要元凶,而普通常规的电气保护开关及断路器,仅对过载、短路、漏电、过压进行保护,对接触不良及故障电弧无任何响应,对降低电气火灾发生无能为力。目前市面上出现有部分具备故障电弧检测及保护的产品,但识别效果受负载类型、线路接线方式等影响,灵敏度低,有的甚至只能检测末端电器,难以大幅改善电气火灾发生的局面。
现有故障电弧检测及保护装置,通常有两种类型,第一种选用频率响应范围稍宽的普通电流互感器来感应电流及电弧信号,从电流及电弧信号中直接提取电弧产生的波动信号频率或分离出电弧产生的波动信号进行分析,由于采用普通电流互感器及相应的检测电路,无法对电弧产生的高频电流信号做出响应,所以检测灵敏度低,同时因为受电流互感器饱和影响,被检测回路电流过大也影响检测效果,使产品只适应在电流较小的供电回路末端使用。第二种设有高频互感器来感应电流及电弧信号,从电流及电弧信号中获取当前电弧产生的高频信号频率进行分析,由于未对低频信号中包含的信息进行检测处理,当远距离末端线路产生的电弧高频信号因线路传输衰减时,不能有效检测,所以限于线路末端使用。
发明内容
本发明实施例提出一种故障电弧检测方法及装置,能够实现精准、灵敏的故障电弧检测。
本发明实施例提供一种故障电弧检测方法,包括:
采集交流电的高频电流信号,并从所述高频电流信号中提取出高频分布特征;
采集交流电的工频电流信号,并从所述工频电流信号中提取出低频波动特征;
采集交流电的电压信号,并从所述电压信号中提取出电压波动特征;
根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧。
进一步地,所述故障电弧检测方法还包括:
根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
进一步地,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
进一步地,在所述采集交流电的高频电流信号之前,还包括:
建立神经网络模型;
采集不同类型的样本数据;所述样本数据包括故障电弧样本数据、输出负载接触不良样本数据和输入电源接触不良样本数据;
分别对每类样本数据进行特征分析,获得每类样本数据对应的特征数据;所述特征数据包括高频分布特征数据、低频波动特征数据和电压波动特征数据;
依次将每类样本数据所对应的特征数据输入至所述神经网络模型中进行训练,直到所述神经网络模型具有故障电弧、输出负载接触不良和输入电源接触不良的检测能力。
进一步地,所述故障电弧检测方法还包括:
在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制所述驱动机构跳闸,并向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断。
相应地,本发明实施例还提供一种故障电弧检测装置,能够实现上述故障电弧检测方法的所有流程,所述装置包括高频电流互感器、高频谐振选频器、高频电流采集器、低频电流互感器、电流采集器、电压采集器、数据处理及控制芯片;
所述高频电流互感器用于采集交流电的高频电流信号;
所述高频谐振选频器用于对采集的高频电流信号进行选频放大处理;
所述高频电流采集器用于将处理后的高频电流信号转换为第一数字信号;
所述低频电流互感器用于采集交流电的工频电流信号;
所述电流采集器用于将采集的工频电流信号转换为第二数字信号;
所述电压采集器用于采集交流电的电压信号,将所述电压信号转换为第三数字信号;
所述数据处理及控制芯片用于从所述第一数字信号中提取出高频分布特征,从所述第二数字信号中提取出低频波动特征,从所述第三数字信号中提取出电压波动特征;根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧;
其中,所述高频电流互感器的输出端连接所述高频谐振选频器的输入端,所述高频谐振选频器的输出端连接所述高频电流采集器的输入端,所述低频电流互感器的输出端连接所述电流采集器的输入端,所述电流采集器的输出端、所述高频电流采集器的输出端、所述电压采集器的输出端分别连接所述数据处理及控制芯片的输入端。
进一步地,所述高频电流互感器可作为所述高频谐振选频器的感性元件;所述高频电流采集器和所述电流采集器可集成在所述数据处理及控制芯片中。
进一步地,所述数据处理及控制芯片还用于根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
进一步地,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
进一步地,所述故障电弧检测装置还包括通信电路、输出驱动电路;
所述通信电路用于接收用户端发送的远程指令,以及在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断;
所述输出驱动电路用于根据用户端发送的远程指令,或者在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制驱动机构跳闸;
其中,所述输出驱动电路的输入端连接所述数据处理及控制芯片的输出端连接,所述通信电路与所述数据处理及控制芯片的通信接口连接。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的故障电弧检测方法及装置,能够对高频电流信号进行采集及特征提取,同时对工频电流信号进行采集及特征提取,另外对电压信号进行采集及特征提取,丰富数据特征,并采用神经网络模型对数据特征进行识别,实现精准灵敏的故障电弧检测、输出负载接触不良检测和输入电源接触不良检测;高频电流信号中提取的特征包括高频电流信号的频率计数和幅度,弥补单一信号特征的不足,进一步提高检测的准确性。
附图说明
图1是本发明提供的故障电弧检测方法的一个实施例的流程示意图;
图2是本发明提供的故障电弧检测装置的一个实施例的结构示意图;
图3是本发明提供的故障电弧检测装置的一个实施例的原理图;
图4是本发明提供的故障电弧检测装置的另一个实施例的原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
参见图1,本发明提供的故障电弧检测方法的一个实施例的流程示意图,包括:
S1、采集交流电的高频电流信号、工频电流信号和电压信号;
S2、从所述高频电流信号中提取出高频分布特征,从所述工频电流信号中提取出低频波动特征,从所述电压信号中提取出电压波动特征;
S3、根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧。
需要说明的是,本实施例分别采集交流电的高频电流信号、工频电流信号和电压信号,进而从高频电流信号中提取高频分布特征,从低频电流信号中提取低频波动特征,从电压信号中提取电压波动特征,并将提取的特征输入至已训练好的神经网络模型中,使神经网络模型输出检测结果,即是否存在输出线路并联故障电弧。本实施例采用高频分布特征、低频波动特征和电压波动特征作为神经网络模型的输入,丰富了输入的数据特征,有效提高故障电弧的检测精准度。
具体地,在步骤S2中,在采集到高频电流信号后,对所述高频电流信号进行选频放大处理,并将处理后的高频电流信号转换为第一数字信号,以便从所述第一数字信号中提取出高频分布特征;在采集到工频电流信号后,将所述工频电流信号转换为第二数字信号,以便从所述第二数字信号中提取出低频波动特征;在采集到电压信号后,将所述电压信号转换为第三数字信号,以便从所述第三数字信号中提取出电压波动特征。
进一步地,所述故障电弧检测方法还包括:
根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
需要说明的是,本实施例中的神经网络模型不仅可以对故障电弧进行检测,还可对电路的接触不良进行检测。将高频分布特征、低频波动特征和电压波动特征输入至神经网络模型,使神经网络模型输出检测结果,即是否存在故障电弧,是否接触不良。本实施例对故障电弧和接触不良的同时检测,有效提高电路的安全性。
进一步地,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
其中,高频分布特征同时包括频率计数和幅度值,弥补了单一信号特征的不足,进一步提高神经网络模型输入数据的丰富性。
进一步地,在所述采集交流电的高频电流信号之前,还包括:
建立神经网络模型;
采集不同类型的样本数据;所述样本数据包括故障电弧样本数据、输出负载接触不良样本数据和输入电源接触不良样本数据;
分别对每类样本数据进行特征分析,获得每类样本数据对应的特征数据;所述特征数据包括高频分布特征数据、低频波动特征数据和电压波动特征数据;
依次将每类样本数据所对应的特征数据输入至所述神经网络模型中进行训练,直到所述神经网络模型具有故障电弧、输出负载接触不良和输入电源接触不良的检测能力。
需要说明的是,神经网络又称误差反向传递神经网络,它是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型,其分为输入层、隐藏层和输出层,其中隐藏层根据具体情况的需要,可以是一层结构也可为多层结构。神经网络模型所采用的神经网络算法的基本思想是:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输人层传入,经各隐藏层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始的进行的。权值不断调整的过程,也就是网络的学习训练过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或进行到预先设定的学习次数为止。
神经网络算法分为两个阶段:第一阶段(正向过程)输入信息,从输入层经隐层逐层计算各单元的输出值,根据下式计算每层的输出值。
Oj=∫(netj)
其中,Wij为节点i和节点j之间的权值,每个节点的输出值为Oi。
第二阶段(反向传播过程)输出误差,逐层向前算出隐层各个单元的误差,并用此误差修正前层的值。在神经网络算法中常采用梯度法修正权值,为此要求输出函数可微,通常采用Sigmoid函数作为输出函数。
计算误差公式:
其中,yj表示网络输出,表示目标输出。
按照梯度方向计算各层权重的修正量:
其中,η为学习率,δj为j层输出的误差信号,Oi为i层输入信号。
δj的计算公式为:
其中,(1)为输出层的计算方法,(2)为非输出层的计算方法。
修正各层权重:
wij(t+1)=wij(t)+△wij(t)
重复上述过程直到算法收敛,即误差小于给定的阈值。
算法收敛后即完成神经网络模型的训练。
在本实施例中,为训练神经网络模型收集大量样本数据,并结合大量试验结果,将样本数据分为三类,即输出线路故障电弧样本数据、输出负载接触不良样本数据和输入电源接触不良样本数据,另外也可收集无故障电弧且无接触不良的样本数据作为第四类样本数据。
将不同类型的样本数据输入至神经网络模型,对神经网络模型进行训练,不断调整神经网络模型中的参数,直到输出误差小于5%的要求,完成神经网络模型的训练。
另外,在实际应用中,训练好的神经网络模型检测结果之后,还可对该神经网络模型的检测结果进行核对,若检测结果出现偏差,则修正偏差,并根据修正后的检测结果优化训练好的神经网络模型,以使神经网络模型的检测状态保持最佳。
进一步地,所述故障电弧检测方法还包括:
在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制所述驱动机构跳闸,并向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断。
需要说明的是,本实施例还具有远程预警和故障诊断功能。在检测出故障电弧、输出负载接触不良或输入电源接触不良时,可向远程的用户端发送报警提醒和故障相关信息,另外,还可接收远程的用户端发送的控制输出指令、参数配置等。
本发明实施例提供的故障电弧检测方法能够对高频电流信号进行采集及特征提取,同时对工频电流信号进行采集及特征提取,另外对电压信号进行采集及特征提取,丰富数据特征,并采用神经网络模型对数据特征进行识别,实现精准灵敏的故障电弧检测、输出负载接触不良检测和输入电源接触不良检测;高频电流信号中提取的特征包括高频电流信号的频率计数和幅度,弥补单一信号特征的不足,进一步提高检测的准确性。
相应的,本发明还提供一种故障电弧检测装置,能够实现上述实施例中的故障电弧检测方法的所有流程。
参见图2,是本发明提供的故障电弧检测装置的一个实施例的结构示意图,包括高频电流互感器1、高频谐振选频器2、高频电流采集器3、低频电流互感器5、电流采集器6、电压采集器7、数据处理及控制芯片4;
所述高频电流互感器1用于采集交流电的高频电流信号;
所述高频谐振选频器2用于对采集的高频电流信号进行选频放大处理;
所述高频电流采集器3用于将处理后的高频电流信号转换为第一数字信号;
所述低频电流互感器5用于采集交流电的工频电流信号;
所述电流采集器6用于将采集的工频电流信号转换为第二数字信号;
所述电压采集器7用于采集交流电的电压信号,将所述电压信号转换为第三数字信号;
所述数据处理及控制芯片4用于从所述第一数字信号中提取出高频分布特征,从所述第二数字信号中提取出低频波动特征,从所述第三数字信号中提取出电压波动特征;根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧;
其中,所述高频电流互感器1的输出端连接所述高频谐振选频器2的输入端,所述高频谐振选频器2的输出端连接所述高频电流采集器3的输入端,所述低频电流互感器5的输出端连接所述电流采集器6的输入端,所述电流采集器6的输出端、所述高频电流采集器3的输出端、所述电压采集器7的输出端分别连接所述数据处理及控制芯片4的输入端。
优选地,所述高频电流互感器可作为所述高频谐振选频器的感性元件;所述高频电流采集器和所述电流采集器可集成在所述数据处理及控制芯片中。
进一步地,所述数据处理及控制芯片还用于根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
进一步地,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
在一个优选地实施方式中,数据处理及控制芯片4采用神经网络模型进行检测;在另一优选地实施方式中,数据处理及控制芯片4直接根据特征数据进行判断,若电压波动过大,电流只是随电压波动或无电流,判断可能为输入线路接触不良;若电流波动特征与电压波动特征同时出现,且电流波动过大,电压越低电流越大,判断可能为输出线路并联故障电弧,若随着输出电流即用电负荷增加,电压随之下降,下降比例过大,判断可能为输出负载接触不良。
进一步地,如图2所示,所述故障电弧检测装置还包括通信电路9、输出驱动电路27;
所述通信电路9用于接收用户端发送的远程指令,以及在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断;
所述输出驱动电路27用于根据用户端发送的远程指令,或者在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制驱动机构跳闸;
其中,所述输出驱动电路27的输入端连接所述数据处理及控制芯片4的输出端连接,所述通信电路9与所述数据处理及控制芯片4的通信接口连接。
另外,所述故障电弧检测装置还包括电源电路,用于整机供电,保障各功能模块稳定运行。
参见图3和4,是本发明提供的故障电弧检测装置的原理图。
在本实施例中,故障电弧检测系统包括主控电路11、输出驱动机构8和多个供电支路;每个供电支路均包括输入端子12和输出端子14;输出驱动机构8 的输入端与输入端子12连接;输出驱动机构8的输出端与输出端子14连接,当主控电路11分析得出当前存在故障电弧等异常情况或远程指令断闸时,输出信号控制驱动机构8进行断闸操作;供电支路中,火线L或相线A、B、C穿过高频电流互感器1和低频电流互感器5;每个高频电流互感器1包含一铁氧体磁环与缠绕在其上的线圈;每个高频电流互感器1的输出端并联有谐振电容C,所述高频电流互感器1作为感性元件与谐振电容C共同构成上述实施例中的高频谐振选频器2;每个谐振电容C的两端接入主控电路11的输入端。
在线路中产生电弧时,其产生的高频率电流成分丰富,在几十KHz至几百 MHz之间,当存在故障电弧时,其高频电流信号在电压周期内过零点附近稀疏或无分布,电压周期内其他位置出现分布均匀分布且连续,以此区分如插头插拔、电机电刷等产生的正常电弧。
高频谐振选频器2的功能为选择合适频率将对应频率高频电流信号转换成电压信号同时抑制其他频率电流信号。因高频谐振选频器2中感性元件由高频电流互感器1替代,输入高频电流穿过高频电流互感器1的磁环电磁感应至缠绕在其上的线圈,磁环为铁氧体材料频率越低磁阻越大,工作频率在KHz以上,电器正常工作的低频信号如50Hz可完全抑制。
优选地,对于谐振频率的选择,低于500KHz频率,常包含正常电器工作干扰,越高频率受导线传输距离越远衰减越大影响检测距离,同时,对越高频率信号检测与分析,会提高检测电路对频率响应及处理电路速度要求,间接提高电路成本,故本实例综合考虑将高频谐振选频器2的选频范围设计在500KHz 至4MHz之间。
优选地,考虑到实际安装,高频电流互感器1的磁环尺寸选择磁环外径1cm 以内,磁环内径0.8cm以内,磁环高0.5cm以内。考虑加工方便,高频电流互感器1缠绕在其上的线圈暂定设计为5匝,选用铁氧体磁环磁导率约为2300dB/dH。根据如下公式:
其中,L为磁环线圈的电感量(mH),F为磁环的截面积(cm2),;l为磁环平均长度(cm),μ为磁环导磁率,N为线圈的匝数,D为磁环外径 (cm),d为磁环内径(cm),h为磁环高(cm)。
由上述公式,即可得出磁环的截面积磁环平均长度磁环线圈的电感量
优选地,高频电流互感器1缠绕在其上的线圈与谐振电容C构成并联谐振,当设计谐振频率为1MHz时,根据并联谐振公式:
推出
优选地,电容按常规标准值进行选择,使其谐振频率选频范围设计在500KHz 至4MHz之间。
低频电流互感器5为一电表用高精度低频互感器。每个低频电流互感器5 的输出端并联有电流采样电阻R,电流采样电阻R属于上述实施例中的电流采集器6的一部分,每个电流采样电阻R的两端接入主控电路11的输入。
低频电流互感器5的响应频率一般在10KHz以下,用于感应电器正常工作电流,其输入电流穿过低频电流互感器5时,将按互感器变比输出对应比例电流,经电流采样电阻R后转换为对应电压,用于主控电路11进行AD转换采集。
主控电路11进行AD转换采集用于电流、电能等测量计量的同时,对电流变化趋势进行判断,若频繁出现无周期规律、断续或类似断续波动,且高频检测电路同时捕获轻度以上电弧信号,判断为接触不良。
本实例中,电流采集量程交流有效值设计为200A,主控电路11中所用数据处理及控制芯片的AD采集峰值为0.8V,当选择输入/输出变比为1/1000电流互感器时,电流采样电阻R的阻值应选择接近且小于如下计算值:
其中,R为最大电流取样电阻(Ω),UAD为AD采集峰值(V),Im为电流采集量程有效值(A),K为互感器变比,输入/输出,从而计算获得。
优选地,电流采样电阻R按常规标准值选择2.8Ω,其量程略大于交流有效值200A。
本发明实施例提供的故障电弧检测装置能够对高频电流信号进行采集及特征提取,同时对工频电流信号进行采集及特征提取,另外对电压信号进行采集及特征提取,丰富数据特征,并采用神经网络模型对数据特征进行识别,实现精准灵敏的故障电弧检测、输出负载接触不良检测和输入电源接触不良检测;高频电流信号中提取的特征包括高频电流信号的频率计数和幅度,弥补单一信号特征的不足,进一步提高检测的准确性。
本领域的技术人员可以清楚地了解到本发明实施例中的主控电路可借助软件加必要的通用硬件的方式来实现,通用硬件包括通用集成电路、通用CPU、通用存储器、通用元器件等,也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现,但很多情况下后者是更佳的实施方式。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种故障电弧检测方法,其特征在于,包括:
采集交流电的高频电流信号、工频电流信号和电压信号;
从所述高频电流信号中提取出高频分布特征,从所述工频电流信号中提取出低频波动特征,从所述电压信号中提取出电压波动特征;
根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧。
2.如权利要求1所述的故障电弧检测方法,其特征在于,所述故障电弧检测方法还包括:
根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
3.如权利要求2所述的故障电弧检测方法,其特征在于,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
4.如权利要求2所述的故障电弧检测方法,其特征在于,在所述采集交流电的高频电流信号之前,还包括:
建立神经网络模型;
采集不同类型的样本数据;所述样本数据包括故障电弧样本数据、输出负载接触不良样本数据和输入电源接触不良样本数据;
分别对每类样本数据进行特征分析,获得每类样本数据对应的特征数据;所述特征数据包括高频分布特征数据、低频波动特征数据和电压波动特征数据;
依次将每类样本数据所对应的特征数据输入至所述神经网络模型中进行训练,直到所述神经网络模型具有故障电弧、输出负载接触不良和输入电源接触不良的检测能力。
5.如权利要求2所述的故障电弧检测方法,其特征在于,所述故障电弧检测方法还包括:
在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制所述驱动机构跳闸,并向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断。
6.一种故障电弧检测装置,其特征在于,包括高频电流互感器、高频谐振选频器、高频电流采集器、低频电流互感器、电流采集器、电压采集器、数据处理及控制芯片;
所述高频电流互感器用于采集交流电的高频电流信号;
所述高频谐振选频器用于对采集的高频电流信号进行选频放大处理;
所述高频电流采集器用于将处理后的高频电流信号转换为第一数字信号;
所述低频电流互感器用于采集交流电的工频电流信号;
所述电流采集器用于将采集的工频电流信号转换为第二数字信号;
所述电压采集器用于采集交流电的电压信号,将所述电压信号转换为第三数字信号;
所述数据处理及控制芯片用于从所述第一数字信号中提取出高频分布特征,从所述第二数字信号中提取出低频波动特征,从所述第三数字信号中提取出电压波动特征;根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否存在故障电弧;
其中,所述高频电流互感器的输出端连接所述高频谐振选频器的输入端,所述高频谐振选频器的输出端连接所述高频电流采集器的输入端,所述低频电流互感器的输出端连接所述电流采集器的输入端,所述电流采集器的输出端、所述高频电流采集器的输出端、所述电压采集器的输出端分别连接所述数据处理及控制芯片的输入端。
7.如权利要求6所述的故障电弧检测装置,其特征在于,所述高频电流互感器为所述高频谐振选频器的感性元件;所述高频电流采集器和所述电流采集器集成在所述数据处理及控制芯片中。
8.如权利要求6所述的故障电弧检测装置,其特征在于,所述数据处理及控制芯片还用于根据所述高频分布特征、所述低频波动特征和所述电压波动特征,并基于预先训练的神经网络模型,检测是否接触不良;所述接触不良包括输出负载接触不良或输入电源接触不良。
9.如权利要求6所述的故障电弧检测装置,其特征在于,所述高频分布特征包括所述高频电流信号的频率计数和幅度值;所述低频波动特征包括所述工频电流信号的幅度变化特征,所述电压波动特征包括所述电压信号的幅度变化特征。
10.如权利要求6所述的故障电弧检测装置,其特征在于,所述故障电弧检测装置还包括通信电路、输出驱动电路;
所述通信电路用于接收用户端发送的远程指令,以及在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向用户端发送报警提醒和故障信息,以供远程用户进行故障诊断;
所述输出驱动电路用于根据用户端发送的远程指令,或者在检测出故障电弧、输出负载接触不良或输入电源接触不良时,向驱动机构发送控制信号,以控制驱动机构跳闸;
其中,所述输出驱动电路的输入端连接所述数据处理及控制芯片的输出端连接,所述通信电路与所述数据处理及控制芯片的通信接口连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487031.2A CN108535589B (zh) | 2018-05-21 | 2018-05-21 | 一种故障电弧检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487031.2A CN108535589B (zh) | 2018-05-21 | 2018-05-21 | 一种故障电弧检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108535589A true CN108535589A (zh) | 2018-09-14 |
CN108535589B CN108535589B (zh) | 2021-04-06 |
Family
ID=63472221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810487031.2A Active CN108535589B (zh) | 2018-05-21 | 2018-05-21 | 一种故障电弧检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108535589B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109342904A (zh) * | 2018-12-04 | 2019-02-15 | 珠海格力电器股份有限公司 | 一种电弧故障检测和预警的方法及装置 |
CN109917241A (zh) * | 2019-03-19 | 2019-06-21 | 德力西电气有限公司 | 一种故障电弧的检测方法和故障电弧断路器 |
CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
CN110716110A (zh) * | 2019-10-11 | 2020-01-21 | 威胜集团有限公司 | 电气安全检测装置、检测方法及智能插座 |
CN112255515A (zh) * | 2020-10-12 | 2021-01-22 | 浙江长元科技有限公司 | 一种故障电弧的检测方法及装置 |
CN112345890A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种故障电弧及电流检测的复合检测电路装置 |
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 |
CN112363070A (zh) * | 2021-01-14 | 2021-02-12 | 江苏固德威电源科技股份有限公司 | 电池拉弧检测方法、装置和电池储能系统 |
FR3104729A1 (fr) * | 2019-12-16 | 2021-06-18 | Schneider Electric Industries Sas | Dispositifs de détection d’un défaut d’arc électrique, appareils de protection électrique associés |
WO2021136053A1 (zh) * | 2020-01-02 | 2021-07-08 | 青岛鼎信通讯股份有限公司 | 一种故障电弧的识别方法、装置、设备及介质 |
CN113466550A (zh) * | 2021-08-11 | 2021-10-01 | 国网山西省电力公司 | 一种电能表 |
CN115020094A (zh) * | 2022-08-08 | 2022-09-06 | 山东大学 | 一种低成本高频电流信号传感器 |
CN117725393A (zh) * | 2024-02-07 | 2024-03-19 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706527A (zh) * | 2009-10-30 | 2010-05-12 | 西安交通大学 | 基于电流高频分量时频特征的电弧故障检测方法 |
CN102288857A (zh) * | 2011-05-18 | 2011-12-21 | 浙江科技学院 | 一种故障电弧的辨识检测方法及其检测保护装置 |
CN202133738U (zh) * | 2011-05-18 | 2012-02-01 | 浙江科润电力设备有限公司 | 一种故障电弧的检测保护装置 |
CN107085158A (zh) * | 2017-06-20 | 2017-08-22 | 浙江中科城安消防科技有限公司 | 一种集合多种通信方式的故障电弧检测装置及方法 |
CN107340459A (zh) * | 2016-11-24 | 2017-11-10 | 安徽江淮汽车集团股份有限公司 | 一种直流故障电弧检测方法及系统 |
CN107370123A (zh) * | 2016-05-13 | 2017-11-21 | 上海电科电器科技有限公司 | 电弧故障检测装置 |
-
2018
- 2018-05-21 CN CN201810487031.2A patent/CN108535589B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706527A (zh) * | 2009-10-30 | 2010-05-12 | 西安交通大学 | 基于电流高频分量时频特征的电弧故障检测方法 |
CN102288857A (zh) * | 2011-05-18 | 2011-12-21 | 浙江科技学院 | 一种故障电弧的辨识检测方法及其检测保护装置 |
CN202133738U (zh) * | 2011-05-18 | 2012-02-01 | 浙江科润电力设备有限公司 | 一种故障电弧的检测保护装置 |
CN107370123A (zh) * | 2016-05-13 | 2017-11-21 | 上海电科电器科技有限公司 | 电弧故障检测装置 |
CN107340459A (zh) * | 2016-11-24 | 2017-11-10 | 安徽江淮汽车集团股份有限公司 | 一种直流故障电弧检测方法及系统 |
CN107085158A (zh) * | 2017-06-20 | 2017-08-22 | 浙江中科城安消防科技有限公司 | 一种集合多种通信方式的故障电弧检测装置及方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109342904A (zh) * | 2018-12-04 | 2019-02-15 | 珠海格力电器股份有限公司 | 一种电弧故障检测和预警的方法及装置 |
CN109917241A (zh) * | 2019-03-19 | 2019-06-21 | 德力西电气有限公司 | 一种故障电弧的检测方法和故障电弧断路器 |
CN112345890A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种故障电弧及电流检测的复合检测电路装置 |
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 |
CN112345890B (zh) * | 2019-08-07 | 2022-10-21 | 青岛鼎信通讯股份有限公司 | 一种故障电弧及电流检测的复合检测电路装置 |
CN110716110A (zh) * | 2019-10-11 | 2020-01-21 | 威胜集团有限公司 | 电气安全检测装置、检测方法及智能插座 |
CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
US11881703B2 (en) | 2019-12-16 | 2024-01-23 | Schneider Electric Industries Sas | Devices for detecting an arc fault and associated arc-fault-protection units |
FR3104729A1 (fr) * | 2019-12-16 | 2021-06-18 | Schneider Electric Industries Sas | Dispositifs de détection d’un défaut d’arc électrique, appareils de protection électrique associés |
EP3839527A1 (fr) * | 2019-12-16 | 2021-06-23 | Schneider Electric Industries SAS | Dispositifs de détection d'un défaut d'arc électrique, appareils de protection électrique associés |
US11831138B2 (en) | 2020-01-02 | 2023-11-28 | Qingdao Topscomm Communication Co., Ltd | Fault-arc identification method, device and apparatus, and storage medium |
WO2021136053A1 (zh) * | 2020-01-02 | 2021-07-08 | 青岛鼎信通讯股份有限公司 | 一种故障电弧的识别方法、装置、设备及介质 |
EP4024063A4 (en) * | 2020-01-02 | 2023-01-11 | Qingdao Topscomm Communication Co., Ltd | METHOD, DEVICE AND APPARATUS FOR IDENTIFYING ELECTRIC ARC, AND RECORDING MEDIUM |
CN112255515A (zh) * | 2020-10-12 | 2021-01-22 | 浙江长元科技有限公司 | 一种故障电弧的检测方法及装置 |
CN112363070B (zh) * | 2021-01-14 | 2021-06-22 | 江苏固德威电源科技股份有限公司 | 电池拉弧检测方法、装置和电池储能系统 |
CN112363070A (zh) * | 2021-01-14 | 2021-02-12 | 江苏固德威电源科技股份有限公司 | 电池拉弧检测方法、装置和电池储能系统 |
CN113466550A (zh) * | 2021-08-11 | 2021-10-01 | 国网山西省电力公司 | 一种电能表 |
CN115020094A (zh) * | 2022-08-08 | 2022-09-06 | 山东大学 | 一种低成本高频电流信号传感器 |
CN117725393A (zh) * | 2024-02-07 | 2024-03-19 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108535589B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108535589A (zh) | 一种故障电弧检测方法及装置 | |
Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
Shintemirov et al. | Transformer core parameter identification using frequency response analysis | |
CN104614608B (zh) | 一种低压并联电弧故障检测装置及方法 | |
CN105699839B (zh) | 一种变压器绕组工作状态检测方法及系统 | |
CN108494073A (zh) | 一种金属异物检测方法及磁耦合谐振式无线充电装置 | |
CN108152651A (zh) | 基于gmapm和som-lvq-ann的输电线路故障综合识别方法 | |
CN104897985B (zh) | 一种电容分压取电无源电压远程监控系统 | |
CN111458599A (zh) | 基于一维卷积神经网络的串联电弧故障检测方法 | |
EP3353875A1 (en) | Inductive power transmitter | |
US20200393505A1 (en) | Effective feature set-based high impedance fault detection | |
CN110174255A (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
CN107907831A (zh) | 绕组温度检测电路、温度检测控制系统及温度检测仪 | |
CN104102214A (zh) | 变压器及其周边电路故障控制方法 | |
CN107703823A (zh) | 一种充电漏电流检测电路 | |
CN105281291A (zh) | 一种剩余电流保护器及其电流保护方法 | |
CN108510002A (zh) | 卷铁心牵引变压器绕组抗短路冲击能力的检测方法 | |
CN106124989B (zh) | 基于诊断模型的透平发电机转子绕组故障诊断方法及装置 | |
Afrasiabi et al. | Differential protection of power transformers based on RSLVQ-gradient approach considering SFCL | |
CN107153146A (zh) | 一种匝间短路故障状态下电抗器电感计算方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN106324329A (zh) | 一种基于D‑dot原理的过电压自适应识别方法及系统 | |
CN111160383A (zh) | 一种自适应的油浸式变压器火灾模型预警检测方法 | |
CN110879338A (zh) | 一种基于感应供电的高压电力设备绝缘检测系统及其检测方法 | |
Wang et al. | Using the vibration frequency response analysis method to detect the winding deformation of power transformer |
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 |