CN109298291A - 一种基于全景信息的弧光故障识别装置及方法 - Google Patents

一种基于全景信息的弧光故障识别装置及方法 Download PDF

Info

Publication number
CN109298291A
CN109298291A CN201810802425.2A CN201810802425A CN109298291A CN 109298291 A CN109298291 A CN 109298291A CN 201810802425 A CN201810802425 A CN 201810802425A CN 109298291 A CN109298291 A CN 109298291A
Authority
CN
China
Prior art keywords
global
information
kalman filter
sensor
data
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.)
Pending
Application number
CN201810802425.2A
Other languages
English (en)
Inventor
陈力
周斌
沈健
彭奇
周劭亮
张敏
沈宇龙
王猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN201810802425.2A priority Critical patent/CN109298291A/zh
Priority to PCT/CN2018/119211 priority patent/WO2020015277A1/zh
Publication of CN109298291A publication Critical patent/CN109298291A/zh
Pending legal-status Critical Current

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
    • G01R31/1227—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 of components, parts or materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种基于全景信息的弧光故障识别装置及方法，实现断路器弧光识别，属于电力自动化技术领域，通过分析电弧故障发生时电流在时域、频域的特征变化，提取合适的特征值作为BP神经网络的输入，采用BP神经网络来检测电弧故障，针对BP神经网络收敛慢的缺点，采用遗传算法获得BP神经网络的初始权值，加快神经网络的训练收敛速度；本发明输出达到高信噪比，从而提高了故障电弧检测的准确性和可靠性。

Description

一种基于全景信息的弧光故障识别装置及方法
技术领域
本发明涉及一种基于全景信息的弧光故障识别装置及方法，属于电力自动化技术领域。
背景技术
随着配电网容量的逐渐增大,中低压母线故障对电力系统安全运行的影响越来越大。开关柜内弧光短路故障是一种严重的配电系统故障，其内部电弧燃烧释放所产生的电弧效应，严重时可烧毁昂贵的开关设备，同时产生的短路电流冲击可损坏主变压器,造成长时间停电，更严重的可造成附近人员的伤亡事故。
目前国外主流的弧光保护装置包括，瑞士ABB公司的REA101-107型和TVOC-2型弧光保护装置、VAMP公司生产的VAMP221(220)型电弧光保护系统，以及澳大利亚RIZNER公司生产的RIZNER-Eagle-Eyed光电式电弧光保护装置。，其中REA101-107型和TVOC-2型弧光保护装置保护动作时间小于2.5ms，使弧光对设备的损害降到了最低，同时配套的扩展单元可扩大电弧光保护范围；VAMP221(220)型电弧光保护系统采用自家生产的VA1DA型弧光传感器，性能也很优越
当前故障电弧检测技术多采用传感器对故障电弧燃烧时产生的弧光进行检测，并与预设的阈值进行比较，进而判断是否有故障电弧产生。而开关柜工作环境复杂、外界噪声干扰较大，再加上故障电弧燃烧时产生的物理特征具有很大的不确定性，因此采用单一传感器检测故障电弧时，检测灵敏度和准确度之间的矛盾难以解决，致使误检率居高不下，严重影响了电力系统的安全稳定运行。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于全景信息的弧光故障识别算法，采用多个不同类的传感器对电弧燃烧时的多种物理特征进行检测，同时提出一种捕捉弧光电流特性的BP神经网络算法，结合各传感器信息与弧光电流信息决策弧光保护动作，进行卡尔曼滤波器滤波，从而降低误动与拒动概率，有效提升保护可靠性。
为了实现上述目的，本发明是采取以下的技术方案来实现的：
一种基于全景信息的弧光故障识别装置，包括传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元；
所述传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元依次顺序连接；
传感器单元包括若干传感器，传感器单元用于检测弧光发生时的电气量，每个传感器连接一个局部卡尔曼滤波器，对传感器输出数据进行滤波；
局部卡尔曼滤波器输出的信息经过信息融合单元进行信息融合后，基于全局卡尔曼滤波器进行全景信息的全局滤波，进行弧光判定。
较优地，传感器单元包括弧光传感器、温度传感器和压力传感器。
信息融合单元包括局部信息融合模块和全局信息融合模块；
局部信息融合模块对同类传感器输出的信息进行融合；
全局信息融合模块融合所有局部信息融合模块输出的全景信息。
全景信息是指针对孤光光谱特性的弧光检测的特性信息，包括电流特性和声光特性。
一种基于全景信息的弧光故障识别方法，包括以下步骤：
S1，传感器单元采集弧光发生时的电气量信息；
S2，建立BP神经网络，确定BP神经网络参数；
步骤S2具体包括以下步骤：
(201)，传感器单元连接多参量传感器数据的局部卡尔曼滤波器，分析电弧故障发生时电流在时域和频域的特征变化，提取特征值作为BP神经网络的输入，采用BP神经网络检测电弧故障，采用遗传算法获得BP神经网络的初始权值，实现断路器弧光识别；
(202)确定BP神经网络输入层与输出层神经元个数：
输入层神经元为6个，包括采样时间窗口内电流最大最小幅值差Idiff、电流在中低频段的能量、电流在中低频段内小波包分解树第一节点Node(4，1)、第2节点Node(4,2)、第3节点Node(4,3)和第4节点Node(4,4)的平均均方根值(RMS)；
输出层神经元个数为1个；
(203)确定隐藏层神经元个数：
基于公式(1)计算隐藏层神经元个数：
式中H：表示神经网络隐藏层的神经元个数；
I：表示的是神经网络输入层的神经元个数；
O：表示的是神经网络输出层的神经元个数，α为弹性动量，取值范围为1～10；
S3，大数据神经网络训练：
对原始电流采样数据提取6个特征量形成N个样本数据作为训练样本，神经网络训练停止条件是训练迭代次数Epoch≥6000、输出误差MSE≤0.001或者梯度下降Gradi-ent≤1.00e－10；
S4，局部卡尔曼滤波器和全局卡尔曼滤波器初始值设定
X0是全局状态初始值，P0是全局协方差阵初始值，Q0是全局系统协方差阵初始值，全局卡尔曼滤波器和局部卡尔曼滤波器的信息分配因子按传感器侦测量特性设定；
P0全局协方差阵初始值和Q0全局系统协方差阵初始值是没有离散度的，取0或者一个零漂误差；
S5，基于测量估计量和状态估计量完成采样点信息融合；
设定初始值在系统开始时刻，Pm是全局协方差阵，Qm是全局系统协方差阵，其中m为传感器个数，全局卡尔曼滤波器和每个局部卡尔曼滤波器的信息分配因子基于公式(2)和公式(3)进行分配；
公式(2)为全局卡尔曼滤波器信息因子分配公式，其中Qi是传感器第i点离散采样数据的全局系统协方差阵，Q为全局卡尔曼滤波器分配因子；
公式(3)为局部卡尔曼滤波器信息因子分配公式，其中Pi是传感器第i点离散采样数据值的全局协方差阵,P为局部卡尔曼滤波器分配因子；βi为权重因子；
公式(2)，公式(3)中权重因子βi遵守信息守恒定理，
且β1+β2+…βm-1+βm＝1(0≤βi≤1)，i＝1,2,3…m；
则局部卡尔曼滤波器算法为公式(4)、全局卡尔曼滤波器算法为公式(5)
公式(4)适用于同种类型的传感器，其中Pi为传感器第i点离散采样数据的全局协方差阵，是第i点离散时间采样的状态估计矢量；Dk是第k个传感器采样数据，Zi为第i点的观测值，为第i点数据的转置，Ri为第i点数据的残差；
公式(5)中，Q全i是各类型传感器局部融合后第i组数据的全局系统协方差阵，为是各类型传感器局部融合后，第i组数据的离散时间采样的状态估计矢量；D′k表示第k个传感器局部融合后数据，Z′i为数据局部融合后第i点的观测值，H′i T为数据局部融合后第i点数据的转置，R′i为数据局部融合后第i点数据的残差；
通过公式(4)，对故障电弧检测系统中的每个传感器探测到信号实施局部滤波处理；把每个局部卡尔曼滤波器的处理结果按传感器类别局部融合后，进行全局权重分配，实现信息融合，全局卡尔曼滤波器继续根据公式(5)对接收到融合信息实施滤波，分析弧光是否发生；
S6，基于全局卡尔曼滤波器输出的全景信息得出弧光发生信号，用于逻辑跳闸出口。
较优地，α的取值，满足神经网络的输出误差(MSE)≤0.001或者梯度下降≤1.00e－10；
α＝6时，神经网络输出误差最小。
本发明包括以下有益效果：
(1)本申请公开一种基于全景信息的弧光故障识别方法，捕捉弧光电流特性的BP神经网络算法，克服模拟滤波器不灵活和不稳定的问题，基于BP神经网络模型、卡尔曼滤波和全景信息的融合，对温度的变化、电路噪声的干扰改变带来的影响体现出坚强的鲁棒性，大幅降低了弧光保护误动的概率。
(2)本申请公开一种基于全景信息的弧光故障识别装置，多种类传感器构建的全景信息滤波器，对多个不同故障电弧故障特征进行实时滤波，能够很好地消除噪声干扰和提高信噪比，进一步提高了故障电弧检测的准确性和可靠性，完善了系统的容错能力和复原能力。有效提高电弧侦测能力。
(3)基于本专利方法的弧光保护装置，电弧故障正确动作概率在99.9％以上。
附图说明
图1为一种基于全景信息的弧光故障识别装置示意图；
图2为BP神经网络结构示意图；
图3为滤波器架构图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，下面结合附图1对本发明作进一步说明。
如图1所示，一种基于全景信息的弧光故障识别装置，包括传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元；
传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元依次顺序连接；
传感器单元包括若干传感器，传感器单元用于检测弧光发生时的电气量，每个传感器连接一个局部卡尔曼滤波器，局部卡尔曼滤波器基于不同传感器的滤波算法，对传感器输出数据进行滤波；
局部卡尔曼滤波器输出的信息经过信息融合单元进行信息融合后，基于全局卡尔曼滤波器进行全景信息的全局滤波，进行弧光判定。
传感器单元包括弧光传感器、温度传感器和压力传感器；在弧光发生时，光是最直接的现象，但是光会被遮挡，也会受到可见光污染干扰，所以需要多种传感器互相配合。电弧光能量密度大，燃弧附近温度会急速上升，温度上升会增加气体压强。所以这些传感器都是检测弧光发生时的电气量的。
每种传感器都有独特的波形数据，比如电流的和压力的就差异很大。需要捕捉不同的信息，所以针对不同传感器的滤波算法不同，每个传感器连接一个局部卡尔曼滤波器。由于每种信息的权重不同，比如最主要的弧光传感器，应占主要地位，所以多种传感器根据安装位置，种类不同，会乘以权重系数，进行数据信息融合，在所有传感器信息融合后，需要进一步滤除异常数据，需要一个针对全景信息的全局滤波器。
卡尔曼滤波器，为识别抖动数据的滤波器，也就是滤除波动数据，这些波动数据会引起勿动，通过神经网络的训练，可以获得一个合理的协方差值(离散度)，这个合理的离散度界定是否是真的有弧光发生还是干扰。
本实施例一组数据[10,10.1,10,9.9……]这组数据离散度很低，在离散度门限值范围内，也就是很平稳，没有干扰，也没有弧光发生，但如果是[10,10.1,90,99,99.1,100,100…….]这样的离散度高于离散度门限值，但是由于后续数据是平稳的，所以不会太高，这就是真弧光发生了。
为了提高弧光识别的灵敏度，本申请采用了不同类别的传感器，但是这些传感器由于采集的对象不同，数据的特征是不同的，需要对不同的传感器设计不同的局部卡尔曼滤波器，也就是针对不同的传感器，取选择好一个对应门限值的离散度。
每个类型的传感器，都有一个信息分配原则，即占有不同的权重，如果数值满值是100,当数值达到80就认为有弧光，但是这个数值中，诸如声音，压力的权重就比较小，起到辅助参考的作用，也就是说，即使声音传感器，经过它的卡尔曼滤波后，输出了一个满码值，在全局滤波器看来，它就是10分，而弧光传感器的数据，占比重就会很大。这些不同传感器的数据融合后的值，也是波动的，也会有误触发的风险，通过全局卡尔曼进行滤除不同传感器的数据融合后的波动。
局部信息融合模块对同类传感器输出的信息进行融合；
全局信息融合模块融合所有局部信息融合模块输出的全景信息。
全景信息是指针对孤光光谱特性的弧光检测的特性信息，包括电流特性和声光特性。采用多种传感器布置与监测信息融合；将混沌理论、小波分析、模糊理论和人工智能多学科综合技术应用于故障电弧弧声、弧光的辨识，降低弧光误识别，提高动作可靠性。
BP神经网络的设计与训练以及全景信息的融合。图2是本专利BP神经网络模型的结构示意图，当中的具体参数包括输入神经元个数、网络层数、隐藏层神经元个数以及输出神经元个数，需要根据电弧故障检测这个具体问题来选择和优化。
一种基于全景信息的弧光故障识别方法，
包括以下步骤：
S1，传感器单元采集弧光发生时的电气量信息；
S2，建立BP神经网络，确定BP神经网络参数；
步骤S2具体包括以下步骤：
(201)，传感器单元连接多参量传感器数据的局部卡尔曼滤波器，分析电弧故障发生时电流在时域和频域的特征变化，提取特征值作为BP神经网络的输入，采用BP神经网络检测电弧故障，针对BP神经网络收敛慢的缺点，采用遗传算法获得BP神经网络的初始权值，加快神经网络的训练收敛速度，实现断路器弧光识别；
(202)确定BP神经网络输入层与输出层神经元个数：
输入层神经元为6个，包括采样时间窗口内电流最大最小幅值差Idiff、电流在中低频段(小于100KHz)的能量、电流在中低频段内小波包分解树第一节点Node(4，1)、第2节点Node(4,2)、第3节点Node(4,3)、第4节点Node(4,4)的平均均方根值(RMS)；
输出层神经元个数为1个，输出检测以电弧识别为标准，故只需1个输出神经元来表示“0”或者“1”。
(203)确定隐藏层神经元个数：
基于公式(1)计算隐藏层神经元个数：
式中H：表示神经网络隐藏层的神经元个数；
I：表示的是神经网络输入层的神经元个数；
O：表示的是神经网络输出层的神经元个数，α为弹性动量，取值范围为1～10。
α的取值，满足神经网络的输出误差(MSE)≤0.001或者梯度下降≤1.00e－10。
α的取值具体包括以下步骤考虑到收敛速度与动作精度，神经网络训练停止条件是训练迭代次数Epoch≥6000；实验表明当α＝6时(即隐藏层神经元个数为6，符合前步骤中BP神经网络输入层与输出层神经元个数确定的结果)，神经网络在迭代次数为258停止训练；
若继续增加α(即增加隐藏层神经元个数)，虽然网络在训练的迭代次数有所减少，但网络输出误差却有所增加。故当α＝6即隐藏层取神经元个数为6时，神经网络输出误差最小。
S3，大数据神经网络训练：
对原始电流采样数据提取6个特征量形成N个样本数据作为训练样本(包括N/2个电弧故障样本和N/2个正常情况样本)，神经网络训练停止条件是训练迭代次数Epoch≥6000、输出误差MSE≤0.001或者梯度下降Gradi-ent≤1.00e－10；
S4，局部卡尔曼滤波器和全局卡尔曼滤波器初始值设定
X0是全局状态初始值，P0是全局协方差阵初始值，Q0是全局系统协方差阵初始值，全局卡尔曼滤波器和局部卡尔曼滤波器的信息分配因子按传感器侦测量特性设定；对于局部卡尔曼滤波器，如温度传感器滤波器初始值，根据开关柜内部温度工况，可设定为50摄氏度，光强度按自然光照度设定，压力传感器可将初始值设为0；
P0全局协方差阵初始值和Q0全局系统协方差阵初始值是没有离散度的，取0或者一个零漂误差；
本实施例，对于局部卡尔曼滤波器，如温度传感器滤波器初始值，根据开关柜内部温度工况，设定为50摄氏度，光强度按自然光照度设定，压力传感器可将初始值设为0；
S5，基于测量估计量和状态估计量完成采样点信息融合；
设定初始值在系统开始时刻，Pm是全局协方差阵，Qm是全局系统协方差阵，其中m为传感器个数，全局卡尔曼滤波器和每个局部卡尔曼滤波器的信息分配因子基于公式(2)和公式(3)进行分配；
公式(2)为全局卡尔曼滤波器信息因子分配公式，其中Qi是传感器第i点离散采样数据的全局系统协方差阵，Q为全局卡尔曼滤波器分配因子；
公式(3)为局部卡尔曼滤波器信息因子分配公式，其中Pi是传感器第i点离散采样数据值的全局协方差阵,P为局部卡尔曼滤波器分配因子；βi为权重因子；
公式(2)，公式(3)中权重因子βi遵守信息守恒定理，
且β1+β2+…βm-1+βm＝1(0≤βi≤1)，i＝1,2,3…m；
则局部卡尔曼滤波器算法为公式(4)、全局卡尔曼滤波器算法为公式(5)
公式(4)适用于同种类型的传感器，如同是弧光传感器或同是温度传感器。其中Pi为传感器第i点离散采样数据的全局协方差阵，是第i点离散时间采样的状态估计矢量；Dk是第k个传感器采样数据，Zi为第i点的观测值，为第i点数据的转置，Ri为第i点数据的残差；
公式(5)中，Q全i是各类型传感器局部融合后第i组数据的全局系统协方差阵，为是各类型传感器局部融合后，第i组数据的离散时间采样的状态估计矢量；D′k表示第k个传感器局部融合后数据，Z′i为数据局部融合后第i点的观测值，H′i T为数据局部融合后第i点数据的转置，R′i为数据局部融合后第i点数据的残差。
如图3所示，通过公式(4)，对故障电弧检测系统中的每个传感器探测到信号实施局部滤波处理；把每个局部卡尔曼滤波器的处理结果(Pl；P2，…)按传感器类别局部融合后，进行全局权重分配，达到信息融合。如图1架构所示。全局卡尔曼滤波器继续根据公式(5)对接收到融合信息实施滤波，分析弧光是否发生。
S6，基于全局卡尔曼滤波器输出的全景信息得出弧光发生信号，用于逻辑跳闸出口。
以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于全景信息的弧光故障识别装置，其特征在于，
包括传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元；
所述传感器单元、局部卡尔曼滤波器、信息融合单元、全局卡尔曼滤波器和弧光识别单元依次顺序连接；
传感器单元包括若干传感器，传感器单元用于检测弧光发生时的电气量，每个传感器连接一个局部卡尔曼滤波器，对传感器输出数据进行滤波；
局部卡尔曼滤波器输出的信息经过信息融合单元进行信息融合后，基于全局卡尔曼滤波器进行全景信息的全局滤波，进行弧光判定。
2.根据权利要求1所述的一种基于全景信息的弧光故障识别装置，其特征在于，
传感器单元包括弧光传感器、温度传感器和压力传感器。
3.根据权利要求1所述的一种基于全景信息的弧光故障识别装置，其特征在于，
信息融合单元包括局部信息融合模块和全局信息融合模块；
局部信息融合模块对同类传感器输出的信息进行融合；
全局信息融合模块融合所有局部信息融合模块输出的全景信息。
4.根据权利要求1所述的一种基于全景信息的弧光故障识别装置，其特征在于，
全景信息是指针对孤光光谱特性的弧光检测的特性信息，包括电流特性和声光特性。
5.一种基于全景信息的弧光故障识别方法，其特征在于，
包括以下步骤：
S1，传感器单元采集弧光发生时的电气量信息；
S2，建立BP神经网络，确定BP神经网络参数；
步骤S2具体包括以下步骤：
(201)，传感器单元连接多参量传感器数据的局部卡尔曼滤波器，分析电弧故障发生时电流在时域和频域的特征变化，提取特征值作为BP神经网络的输入，采用BP神经网络检测电弧故障，基于遗传算法获得BP神经网络的初始权值；
(202)确定BP神经网络输入层与输出层神经元个数：
输入层神经元为6个，包括采样时间窗口内电流最大最小幅值差Idiff、电流在中低频段的能量、电流在中低频段内小波包分解树第一节点Node(4，1)、第2节点Node(4,2)、第3节点Node(4,3)和第4节点Node(4,4)的平均均方根值(RMS)；
输出层神经元个数为1个；
(203)确定隐藏层神经元个数：
基于公式(1)计算隐藏层神经元个数：
式中H：表示神经网络隐藏层的神经元个数；
I：表示的是神经网络输入层的神经元个数；
O：表示的是神经网络输出层的神经元个数，α为弹性动量，取值范围为1～10；
S3，大数据神经网络训练：
对原始电流采样数据提取6个特征量形成N个样本数据作为训练样本，神经网络训练停止条件是训练迭代次数Epoch≥6000、输出误差MSE≤0.001或者梯度下降Gradi-ent≤1.00e－10；
S4，局部卡尔曼滤波器和全局卡尔曼滤波器初始值设定
X0是全局状态初始值，P0是全局协方差阵初始值，Q0是全局系统协方差阵初始值，全局卡尔曼滤波器和局部卡尔曼滤波器的信息分配因子按传感器侦测量特性设定；
P0全局协方差阵初始值和Q0全局系统协方差阵初始值是没有离散度的，取0或者一个零漂误差；
S5，基于测量估计量和状态估计量完成采样点信息融合；
设定初始值在系统开始时刻，Pm是全局协方差阵，Qm是全局系统协方差阵，其中m为传感器个数，全局卡尔曼滤波器和每个局部卡尔曼滤波器的信息分配因子基于公式(2)和公式(3)进行分配；
公式(2)为全局卡尔曼滤波器信息因子分配公式，其中Qi是传感器第i点离散采样数据的全局系统协方差阵，Q为全局卡尔曼滤波器分配因子；
公式(3)为局部卡尔曼滤波器信息因子分配公式，其中Pi -1＝βiP-1，Pi是传感器第i点离散采样数据值的全局协方差阵,P为局部卡尔曼滤波器分配因子；βi为权重因子；
公式(2)，公式(3)中权重因子βi遵守信息守恒定理，
且β1+β2+…βi…+βm-1+βm＝1(0≤βi≤1)，i＝1,2,3…m；
则局部卡尔曼滤波器算法为公式(4)、全局卡尔曼滤波器算法为公式(5)
公式(4)适用于同种类型的传感器，其中Pi为传感器第i点离散采样数据的全局协方差阵，是第i点离散时间采样的状态估计矢量；Dk是第k个传感器采样数据，Zi为第i点的观测值，为第i点数据的转置，Ri为第i点数据的残差；
公式(5)中，Q全i是各类型传感器局部融合后第i组数据的全局系统协方差阵，为是各类型传感器局部融合后，第i组数据的离散时间采样的状态估计矢量；Dk’表示第k个传感器局部融合后数据，Zi′为数据局部融合后第i点的观测值，为数据局部融合后第i点数据的转置，Ri′为数据局部融合后第i点数据的残差；
通过公式(4)，对故障电弧检测系统中的每个传感器探测到信号实施局部滤波处理；把每个局部卡尔曼滤波器的处理结果按传感器类别局部融合后，进行全局权重分配，实现信息融合，全局卡尔曼滤波器继续根据公式(5)对接收到融合信息实施滤波，分析弧光是否发生；
S6，基于全局卡尔曼滤波器输出的全景信息得出弧光发生信号，用于逻辑跳闸出口。
6.根据权利要求1所述的一种基于全景信息的弧光故障识别方法，其特征在于，
α的取值，满足神经网络的输出误差(MSE)≤0.001或者梯度下降≤1.00e－10；
α＝6时，神经网络输出误差最小。
CN201810802425.2A 2018-07-20 2018-07-20 一种基于全景信息的弧光故障识别装置及方法 Pending CN109298291A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810802425.2A CN109298291A (zh) 2018-07-20 2018-07-20 一种基于全景信息的弧光故障识别装置及方法
PCT/CN2018/119211 WO2020015277A1 (zh) 2018-07-20 2018-12-04 一种基于全景信息的弧光故障识别装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810802425.2A CN109298291A (zh) 2018-07-20 2018-07-20 一种基于全景信息的弧光故障识别装置及方法

Publications (1)

Publication Number Publication Date
CN109298291A true CN109298291A (zh) 2019-02-01

Family

ID=65167873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810802425.2A Pending CN109298291A (zh) 2018-07-20 2018-07-20 一种基于全景信息的弧光故障识别装置及方法

Country Status (2)

Country Link
CN (1) CN109298291A (zh)
WO (1) WO2020015277A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763958A (zh) * 2019-09-23 2020-02-07 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
CN110987267A (zh) * 2019-12-23 2020-04-10 佳讯飞鸿（北京）智能科技研究院有限公司 转辙机应力信号检测装置和方法及电子设备
CN111255436A (zh) * 2020-01-17 2020-06-09 成都理工大学 一种改善hdil阵列感应测井仪测量曲线质量的方法
CN112904228A (zh) * 2021-01-25 2021-06-04 国网江苏省电力有限公司检修分公司 基于电光信息复合判据的二次回路短路故障电弧识别方法
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
CN114139577A (zh) * 2021-11-15 2022-03-04 国网天津市电力公司 基于一维卷积自编码网络的故障电弧识别方法及装置
CN116026403A (zh) * 2022-11-09 2023-04-28 国能四川西部能源股份有限公司 开关柜故障预警方法、装置、介质和电子设备
CN117872122A (zh) * 2024-01-24 2024-04-12 广东电网有限责任公司江门供电局 一种基于高压断路器的机械故障诊断方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967309B (zh) * 2020-07-03 2024-02-06 西安电子科技大学 一种电磁信号智能协同识别方法及系统
CN112561280B (zh) * 2020-12-09 2023-04-18 中铁第四勘察设计院集团有限公司 基于自学习收敛故障知识库的设备故障预测方法及其应用
CN113657156B (zh) * 2021-07-13 2024-03-08 佛山市富丽图数字印刷有限公司 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法
CN114237208A (zh) * 2021-08-12 2022-03-25 国网福建省电力有限公司 一种无人值守智能仓内自动路径导引方法及系统
CN113702739A (zh) * 2021-08-26 2021-11-26 广东电网有限责任公司 一种基于小波分解和神经网络的电弧检测方法及装置
CN113970697B (zh) * 2021-09-09 2023-06-13 北京无线电计量测试研究所 一种模拟电路状态评估方法和装置
CN114019296A (zh) * 2021-09-26 2022-02-08 广西电网有限责任公司电力科学研究院 一种基于bp神经网络的配电线路接地故障辨识方法
CN114077846B (zh) * 2021-10-14 2024-06-04 国网安徽省电力有限公司电力科学研究院 一种基于rf-lstm的故障电流多域识别方法及存储介质
CN114136436B (zh) * 2021-11-25 2023-06-23 国网山东省电力公司青岛供电公司 一种基于eskf和bp算法的输电杆塔大数据巡检系统及方法
CN114167729B (zh) * 2021-12-08 2024-05-28 北京工业大学 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统
CN114118202A (zh) * 2022-01-17 2022-03-01 南京邮电大学 一种城市地下综合管廊异常事件预警方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101676744A (zh) * 2007-10-31 2010-03-24 北京航空航天大学 一种复杂背景低信噪比下弱小目标高精度跟踪方法
CN102156476A (zh) * 2011-04-14 2011-08-17 山东大学 智能空间与护士机器人多传感器系统及其信息融合方法
CN102679977A (zh) * 2012-06-20 2012-09-19 南京航空航天大学 基于惯性网络的分布式导航装置及其信息融合方法
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN103776654A (zh) * 2014-02-21 2014-05-07 黑龙江省科学院自动化研究所 多传感器信息融合的故障诊断方法
US8797045B2 (en) * 2011-03-25 2014-08-05 Doble Lemke Gmbh Device for detecting partial discharge in an insulation system of rotary electric machines
CN104035067A (zh) * 2014-06-13 2014-09-10 重庆大学 一种基于无线传感器网络的移动机器人自动定位算法
US20150039220A1 (en) * 2011-02-28 2015-02-05 Trusted Positioning Inc. Method and Apparatus for Improved Navigation of a Moving Platform
CN105004336A (zh) * 2015-07-10 2015-10-28 中国科学院深圳先进技术研究院 一种机器人的定位方法
CN105352535A (zh) * 2015-09-29 2016-02-24 河海大学 一种基于多传感器数据融合的测量方法
CN105572492A (zh) * 2015-10-22 2016-05-11 北京建筑大学 一种城轨列车辅助逆变器故障诊断装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098465B1 (en) * 2008-03-28 2012-01-17 Reliance Controls Corporation AFCI breaker providing protection for multiple branch circuits in an electrical panel
CN101702515A (zh) * 2009-11-24 2010-05-05 杭州之江开关股份有限公司 一种断路器相间弧光短路保护装置
CN203014364U (zh) * 2013-01-06 2013-06-19 安徽中节节能环保科技有限公司 基于电弧光检测的电气保护装置
CN203504160U (zh) * 2013-10-22 2014-03-26 上海交通大学 弧光保护系统
CN205753370U (zh) * 2016-04-15 2016-11-30 北京劳动保障职业学院 一种弧光保护系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101676744A (zh) * 2007-10-31 2010-03-24 北京航空航天大学 一种复杂背景低信噪比下弱小目标高精度跟踪方法
US20150039220A1 (en) * 2011-02-28 2015-02-05 Trusted Positioning Inc. Method and Apparatus for Improved Navigation of a Moving Platform
US8797045B2 (en) * 2011-03-25 2014-08-05 Doble Lemke Gmbh Device for detecting partial discharge in an insulation system of rotary electric machines
CN102156476A (zh) * 2011-04-14 2011-08-17 山东大学 智能空间与护士机器人多传感器系统及其信息融合方法
CN102679977A (zh) * 2012-06-20 2012-09-19 南京航空航天大学 基于惯性网络的分布式导航装置及其信息融合方法
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN103776654A (zh) * 2014-02-21 2014-05-07 黑龙江省科学院自动化研究所 多传感器信息融合的故障诊断方法
CN104035067A (zh) * 2014-06-13 2014-09-10 重庆大学 一种基于无线传感器网络的移动机器人自动定位算法
CN105004336A (zh) * 2015-07-10 2015-10-28 中国科学院深圳先进技术研究院 一种机器人的定位方法
CN105352535A (zh) * 2015-09-29 2016-02-24 河海大学 一种基于多传感器数据融合的测量方法
CN105572492A (zh) * 2015-10-22 2016-05-11 北京建筑大学 一种城轨列车辅助逆变器故障诊断装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯刘冲: "基于多传感器信息爱融合的移动机器人导航定位技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
卢珂 等: "基于联合卡尔曼滤波器的故障电弧检测技术研究", 《煤矿机械》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763958A (zh) * 2019-09-23 2020-02-07 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
US20220206056A1 (en) * 2019-09-23 2022-06-30 Huawei Digital Power Technologies Co., Ltd. Direct-current electric arc detection method and apparatus, device, system, and storage medium
CN110987267A (zh) * 2019-12-23 2020-04-10 佳讯飞鸿（北京）智能科技研究院有限公司 转辙机应力信号检测装置和方法及电子设备
CN111255436A (zh) * 2020-01-17 2020-06-09 成都理工大学 一种改善hdil阵列感应测井仪测量曲线质量的方法
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
US11860216B2 (en) 2020-04-22 2024-01-02 Qingdao Topscomm Communication Co., Ltd Fault arc signal detection method using convolutional neural network
EP4141458A4 (en) * 2020-04-22 2024-05-29 Qingdao Topscomm Communication Co., Ltd METHOD FOR DETECTING ARC SIGNALS USING A CONVOLUTIONAL NEURAL NETWORK
CN112904228A (zh) * 2021-01-25 2021-06-04 国网江苏省电力有限公司检修分公司 基于电光信息复合判据的二次回路短路故障电弧识别方法
CN112904228B (zh) * 2021-01-25 2023-05-26 国网江苏省电力有限公司检修分公司 基于电光信息复合判据的二次回路短路故障电弧识别方法
CN114139577A (zh) * 2021-11-15 2022-03-04 国网天津市电力公司 基于一维卷积自编码网络的故障电弧识别方法及装置
CN116026403A (zh) * 2022-11-09 2023-04-28 国能四川西部能源股份有限公司 开关柜故障预警方法、装置、介质和电子设备
CN117872122A (zh) * 2024-01-24 2024-04-12 广东电网有限责任公司江门供电局 一种基于高压断路器的机械故障诊断方法

Also Published As

Publication number Publication date
WO2020015277A1 (zh) 2020-01-23

Similar Documents

Publication Publication Date Title
CN109298291A (zh) 一种基于全景信息的弧光故障识别装置及方法
US11489490B2 (en) Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation
CN104092440B (zh) 光伏系统直流电弧故障检测方法、装置、处理器及其系统
Huang et al. High-impedance fault detection utilizing a Morlet wavelet transform approach
CN107340459B (zh) 一种直流故障电弧检测方法及系统
CN110417351A (zh) 光伏系统直流侧电弧故障检测系统及检测方法
US20200393505A1 (en) Effective feature set-based high impedance fault detection
CN106856322B (zh) 一种基于神经网络的柔性直流配电网智能保护系统
CN105634133B (zh) 一种供配电监控系统
CN203241494U (zh) 直流系统交流串电及绝缘故障监测选线装置
CN107219453B (zh) 一种基于多维混合量的变电站继电保护隐性故障诊断方法
CN114660399B (zh) 一种环网柜设备状态监测及故障诊断方法
GB2375244A (en) Arc fault detection system
CN109490715A (zh) 一种极端环境下的电力系统故障判别方法
CN110398669A (zh) 电弧故障检测方法
CN105182137B (zh) 用于诊断电防冰加热单元的故障的方法和装置
CN110308369A (zh) 一种融合网关功能的配电网智能传感器及故障检测算法
CN104698261B (zh) 基于波形过零点变化率的配电站监控数据异常甄别方法
CN103778479A (zh) 自适应信息容错保护方法
CN112924813A (zh) 基于电气数据的配电网短路故障监控方法及装置
CN108919046A (zh) 一种配电网接地故障试停线路序位决策方法及系统
CN112072609A (zh) 一种漏电保护器动作电流的调整方法
CN114966472B (zh) 一种电弧光谱识别方法和装置
CN107147143A (zh) 一种风机连锁脱网故障早期预警模型建立方法
CN107728002B (zh) 一种考虑分布式电源接入的配电网故障在线定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190201