CN110488161B - 一种多负载串联电弧故障检测及定位方法 - Google Patents

一种多负载串联电弧故障检测及定位方法 Download PDF

Info

Publication number
CN110488161B
CN110488161B CN201910674135.9A CN201910674135A CN110488161B CN 110488161 B CN110488161 B CN 110488161B CN 201910674135 A CN201910674135 A CN 201910674135A CN 110488161 B CN110488161 B CN 110488161B
Authority
CN
China
Prior art keywords
arc
current
loads
arc fault
feature
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
Application number
CN201910674135.9A
Other languages
English (en)
Other versions
CN110488161A (zh
Inventor
江军
文哲
张潮海
别一凡
赵铭鑫
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910674135.9A priority Critical patent/CN110488161B/zh
Publication of CN110488161A publication Critical patent/CN110488161A/zh
Application granted granted Critical
Publication of CN110488161B publication Critical patent/CN110488161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Abstract

本发明公开了一种针对多负载的串联电弧故障检测及定位方法。首先，采集主回路中的电流信号，利用时域、频域以及能量分析对电流进行全方位的特征提取，包括基于时域分析的方差、相关系数以及峰值因子指标，基于离散傅里叶变换的谐波幅值以及基于离散小波变换的频带能量和小波熵，然后采用随机森林计算不同特征的平均基尼不纯度减少量，筛选得到针对不同种类负载的特征组合，并将这些特征组合输入到深度神经网络进行训练，建立不同种类负载的电弧检测及定位模型，用于判断是否发生电弧以及电弧发生的位置并输出故障信息。

Description

一种多负载串联电弧故障检测及定位方法
技术领域
本发明属于故障检测及定位领域，尤其涉及一种多负载串联电弧故障检测及定位方法。
背景技术
电弧是一种危害性极大的放电现象，会产生大量的光和热从而引起火灾。当线路绝缘老化或者受损的时候，电弧现象便有可能发生。电弧故障分为并联电弧故障和串联电弧故障，其中并联电弧故障电流较大，能够被一般的过电流保护检测到从而断开，而串联电弧故障由于电流较小，甚至有可能小于正常运行时的电流值，因此难以被发现从而造成事故。
串联电弧故障检测受负载的影响极大，不同种类的负载在发生电弧故障时的电流波形不同，且电弧特征也不同，因此目前国内仍没有一个成熟的电弧故障检测产品面世。国外对串联电弧故障的研究较早，并已经发售了较多的工业级产品，但这些产品仍受限于各自的检测算法，无法实现复杂电路拓扑下的串联电弧检测。因此研发一种强适用性以及准确性的串联电弧故障检测产品能够较大的提升国内用户的用电安全。
电弧故障断路器的核心在于检测算法，检测算法过于简单容易引起误判。同时由于家用电器越来越多，负载种类大幅增加，多种负载接于线路时，支路负载发生电弧所产生的电弧特征容易被其他支路的正常负载所掩盖，因此需要进行针对性的电弧检测，从而最大程度的降低损失。
发明内容
发明目的：
本发明的目的就在于解决上述问题，提供一种多负载串联电弧故障检测及定位方法，该方法通过高精度电流互感器对电路中的电流进行实时采集，然后通过时域、频域以及能量的方式对电流信号进行全方位的特征提取。将提取到的特征输入到随机森林进行特征排名从而筛选出针对不同负载的特征组合。将筛选出的特征组合输入到深度神经网络建立电弧检测以及电弧故障定位模型，检测出电弧后进行电弧故障定位，并给出故障信息，从而最小范围的断开故障电路，保护居民的财产安全。
技术方案：
本发明为实现上述发明目的采用如下技术方案：
一种多负载串联电弧故障检测及定位方法，其特征是，包括以下几个步骤：步骤S1，采集电路中的电流信号；步骤S2，对采集到的电流信号进行全方位特征提取；步骤S3，将得到的特征输入到随机森林进行特征排名计算；步骤 S4，根据随机森林的特征评分选出针对不同种类负载的特征组合；步骤S5，将选出的特征组合输入深度神经网络得到针对不同负载的电弧检测模型及电弧故障定位模型；步骤S6，判断输入的电流样本是否发生了电弧故障，若发生电弧故障，则进行步骤S7，若未发生电弧故障，则返回步骤S1；步骤S7，根据电弧定位模型判断电弧的发生位置，并输出故障信息。
所述步骤S1中，采用高精准度的电流互感器对电路中的电流进行实时采集。
所述步骤S2中，全方位的特征提取包括时域、频域以及能量分析。
时域分析包括方差、相关系数以及峰值因子特征的计算，其中样本方差 Sarc 2的计算公式如(1)所示，其中N为采样点数，xi为每个采样点的电流值，
Figure RE-GSB0000183957850000021
为所有采样点的电流平均值。
Figure RE-GSB0000183957850000022
相关系数ρarc的计算公式如(2)所示，其中y为参考电流波形的数据。
Figure RE-GSB0000183957850000023
峰值因子Carc的计算公式如(3)所示。
Figure RE-GSB0000183957850000024
频域分析为频谱计算，选择的频域特征为各次谐波的幅值与基波幅值的比值，采用离散傅里叶变换求取电流的频谱信息，计算公式如(4)所示。
Figure RE-GSB0000183957850000025
采用幅值比的方式对频谱信息进行归一化，计算公式如(5)所示。其中n为谐波次数，IA 1为基波幅值，IA n为第n次谐波的幅值。
Figure RE-GSB0000183957850000026
能量分析包括小波熵以及各个频带的能量。采用小波包变换的方式对电流进行处理，选择的母小波为Daubechies小波，更具体的来说为db4小波，分解层数则根据采样频率进行设置。完成小波包分解后，首先计算每个节点的能量，计算公式如(6)所示，其中E(i)为每个节点对应的频带能量，i为节点数目，aj为每个节点的小波系数，j为节点中的包含的小波系数的数目。
E(i)＝∑(abs(aj))2 (6)
对得到的节点能量进行归一化处理，计算公式如(7)所示，其中Etotal为波形的总能量，Pi为每个节点的能量占比。
Figure RE-GDA0003357149330000011
最后计算波形的小波熵Earc，计算公式如(8)所示。
Earc＝-Σ(Pi×logPi) (8)
所述步骤S3中，采用基尼不纯度的减少作为特征排名的计算，基尼不纯度IG(f)的计算公式如(9)所示，其中m为随机森林中决策树的数量，fi包括每棵决策树的电弧检测准确率。
Figure RE-GSB0000183957850000032
步骤S4中，将线路中的负载类型分为两类：线性负载以及非线性负载。根据步骤S3得到的特征排名分别选取前十名作为这两类负载的特征组合。
所述步骤S5中，采用深度神经网络作为电弧检测及故障定位的模型，网络结构共四层，包括输入层、输出层以及两层隐含层，各层的节点数可根据输入和输出进行调整。模型的激活函数选择最优函数，具体来说，隐藏层激活函数选择sigmoid函数，输出层激活函数选择softmax函数。
所述步骤S6中，若输入的电流样本为正常波形，则返回步骤S1，若检测出电弧故障，则进行电弧故障发生位置的判断。
所述步骤S7中，确定电弧故障的发生位置后，输出检测结果。
与现有技术方案相比，本发明具有如下有益效果：
(1)本发明通过对电流信号进行了方差、峰值因子以及相关系数的时域分析，并提取了谐波幅值、频带能量和小波熵的频域以及能量的全方位分析；
(2)利用随机森林对提取出的全方位电弧特征进行了排名并选取出了针对线性负载以及非线性负载的两组不同的特征组合；
(3)利用这些特征组合训练出更为准确的基于深度神经网络的电弧检测模型以及电弧故障定位模型。
附图说明
附图1为本发明方法流程图；
附图2为4组电流样本波形；
附图3为4组电流样本波形的频谱；
附图4为选用的小波包分解结构示意图；
附图5为选用的深度神经网络结构示意图；
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。
本发明涉及的一种多负载串联电弧故障检测及定位方法流程如图1所示，其包括以下几个步骤：步骤S1，采集电路中的电流信号；步骤S2，对采集到的电流信号进行全方位特征提取；步骤S3，将得到的特征输入到随机森林进行特征排名计算；步骤S4，根据随机森林的特征评分选出针对不同种类负载的特征组合；步骤S5，将选出的特征组合输入深度神经网络得到针对不同负载的电弧检测模型及电弧故障定位模型；步骤S6，判断输入的电流样本是否发生了电弧故障，若发生电弧故障，则进行步骤S7，若未发生电弧故障，则返回步骤 S1；步骤S7，根据电弧定位模型判断电弧的发生位置，并输出故障信息。
本实施例通过电流互感器对电路中的电流进行实时采集。
本实施例全方位的特征提取包括时域、频域以及能量分析。
时域分析包括方差、相关系数以及峰值因子特征的计算，其中样本方差 Sarc 2的计算公式如(1)所示，其中N为采样点数，xi为每个采样点的电流值，
Figure RE-GSB0000183957850000041
为所有采样点的电流平均值。
Figure RE-GSB0000183957850000042
相关系数ρarc的计算公式如(2)所示，其中y为参考电流波形的数据。
Figure RE-GSB0000183957850000043
峰值因子Carc的计算公式如(3)所示。
Figure RE-GSB0000183957850000044
频域分析为频谱计算，选择的频域特征为各次谐波的幅值与基波幅值的比值，采用离散傅里叶变换求取电流的频谱信息，计算公式如(4)所示。
Figure RE-GSB0000183957850000045
采用幅值比的方式对频谱信息进行归一化，计算公式如(5)所示。其中n为谐波次数，IA 1为基波幅值，IA n为第n次谐波的幅值。
Figure RE-GSB0000183957850000046
能量分析包括小波熵以及各个频带的能量。采用小波包变换的方式对电流进行处理，选择的母小波为Daubechies小波，更具体的来说为db4小波，分解层数则根据采样频率进行设置。完成小波包分解后，首先计算每个节点的能量，计算公式如(6)所示，其中E(i)为每个节点对应的频带能量，i为节点数目，aj为每个节点的小波系数，j为节点中的包含的小波系数的数目。
E(i)＝∑(abs(aj))2 (6)
对得到的节点能量进行归一化处理，计算公式如(7)所示，其中Etotal为波形的总能量，Pi为每个节点的能量占比。
Figure RE-GDA0003357149330000012
最后计算波形的小波熵Earc，计算公式如(8)所示。
Earc＝-∑(Pi×logPi) (8)
采用基尼不纯度的减少作为特征排名的计算，基尼不纯度IG(f)的计算公式如(9)所示，其中m为随机森林中决策树的数量，fi包括每棵决策树的电弧检测准确率。
Figure RE-GSB0000183957850000052
步骤S4中，将线路中的负载类型分为两类：线性负载以及非线性负载。根据步骤S3得到的特征排名分别选取前十名作为这两类负载的特征组合。
所述步骤S5中，采用深度神经网络作为电弧检测及故障定位的模型，网络结构共四层，包括输入层、输出层以及两层隐含层，各层的节点数可根据输入和输出进行调整。模型的激活函数选择最优函数，具体来说，隐藏层激活函数选择sigmoid函数，输出层激活函数选择softmax函数。
所述步骤S6中，若输入的电流样本为正常波形，则返回步骤S1，若检测出电弧故障，则进行电弧故障发生位置的判断。
所述步骤S7中，确定电弧故障的发生位置后，输出检测结果。
对上述方法进行实验验证，结果如下：
在实验中采集白炽灯以及LED灯并联接入插座时的4组不同的电流数据，电弧可能发生于两个负载以及插座的任意一根电线，因此共包含正常运行、白炽灯故障、LED故障以及插座故障共4种情况。本次实验的采样频率为100 kHz，采样周期数为5个，采样点数N＝10000，波形图如图2所示。
根据公式(2)-(4)计算4组波形的样本方差、峰值因子以及相关系数。得到的结果如表1所示。
表1样本波形的三种时域特征
Figure RE-GSB0000183957850000053
Figure RE-GSB0000183957850000061
接下来计算4组波形的频谱，采用离散傅里叶变换处理后得到的频谱如图3所示。得到频谱后采用幅值比的方式对频谱信息进行归一化。归一化后的结果如表2所示，其中H(n)代表第n次谐波的幅值与基波幅值之比。
表2样本波形的频谱信息(部分)
Figure RE-GSB0000183957850000062
下一步计算波形的频带能量及小波熵，同样利用比值的方式对频带能量进行归一化，得到的频带能量占比如表3所示。小波熵的结果为：(a)Earc＝0.731； (b)Earc＝0.745；(c)Earc＝1.284；(d)Earc＝0.859。
表3 4组电流样本的频带能量比(部分)
Figure RE-GSB0000183957850000063
之后将样本库的所有波形特征输入至随机森林进行特征排名，得到的不同负载组合下的特征前十名如表4所示。
表4不同负载组合下的特征排名前十名
Figure RE-GSB0000183957850000064
Figure RE-GSB0000183957850000071
将4组电流样本的特征输入至随机森林对比可得出，4组数据均属于线性负载组合，即线路中存在线性负载。分别选出4组电流样本的前十名得到特征集C1、C2、C3以及C4。
将选取出的特征组合输入至深度神经网络进行训练，网络的结构如图4 所示。具体来说，隐藏层数目设置为2层，输入层节点为35个，两个隐藏层的节点数目分别为15个以及12个，输出层节点为2个。经过测试，针对已有的数据，隐藏层的最优激活函数为sigmoid函数，输出层的最优激活函数为softmax函数。完成参数设置后，采用样本库的波形进行模型训练最终得到电弧检测模型以及电弧故障定位模型。
首先将4组电流样本选出的10个特征组合S1-S4依次输入至电弧检测模型进行判断，判断结果如下：(a)为正常波形，(b)、(c)、(d)均为电弧故障模型。因此波形(a)直接返回步骤S1，而波形(b)、(c)、(d)转入电弧故障定位模型进行进一步的判断。
将波形(b)、(c)、(d)的特征集转入电弧定位模型后的判断结果如下： (b)为线性负载故障，(c)为非线性负载故障，(d)为插座主回路故障。判断出电弧故障位置后，则输出电弧故障信息。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种多负载串联电弧故障检测及定位方法，其特征是，包括以下几个步骤：步骤S1，采集电路中的电流信号；
步骤S2，对采集到的电流信号进行全方位特征提取，全方位的特征提取包括时域、频域以及能量分析；
时域分析包括方差、相关系数以及峰值因子特征的计算，其中样本方差Sarc 2的计算公式如(1)所示，其中N为采样点数，xi为每个采样点的电流值，
Figure FDA0003357149320000011
为所有采样点的电流平均值，
Figure FDA0003357149320000012
相关系数ρarc的计算公式如(2)所示，其中y为参考电流波形的数据，
Figure FDA0003357149320000013
峰值因子Carc的计算公式如(3)所示，
Figure FDA0003357149320000014
选择离散傅里叶变换求取电流的频谱信息，计算公式如(4)所示，提取的频域特征为各次谐波的幅值与基波幅值的比值，
Figure FDA0003357149320000015
利用小波变换求取电流的能量特征，具体的计算公式如(5)所示，其中E(i)为每个节点对应的频带能量，i为节点数目，aj为每个节点的小波系数，j为节点中的包含的小波系数的数目，Etotal为波形的总能量，Pi为每个节点的能量占比，Earc为电流的小波能量熵，
Figure FDA0003357149320000021
步骤S3，将得到的特征输入到随机森林进行特征排名计算；
步骤S4，根据随机森林的特征评分选出针对不同种类负载的特征组合；
步骤S5，将选出的特征组合输入深度神经网络得到针对不同负载的电弧检测模型及电弧故障定位模型；
步骤S6，判断输入的电流样本是否发生了电弧故障，若发生电弧故障，则进行步骤S7，若未发生电弧故障，则返回步骤S1；
步骤S7，根据电弧定位模型判断电弧的发生位置，并输出故障信息。
2.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S1中，采用高精准度的电流互感器对电路中的电流进行实时采集。
3.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S3中，采用基尼不纯度的减少作为特征排名的计算，基尼不纯度IG(f)的计算公式如(6)所示，其中m为随机森林中决策树的数量，fi包括每棵决策树的电弧检测准确率。
Figure FDA0003357149320000022
4.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S4中，将线路中的负载类型分为两类：线性负载以及非线性负载，根据步骤S3得到的特征排名分别选取前十名作为这两类负载的特征组合。
5.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S5中，采用深度神经网络作为电弧检测及故障定位的模型，网络结构共四层，包括输入层、输出层以及两层隐含层，各层的节点数可根据输入和输出进行调整，模型的激活函数选择最优函数，具体来说，隐藏层激活函数选择sigmoid函数，输出层激活函数选择softmax函数。
6.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S6中，若输入的电流样本为正常波形，则返回步骤S1，若检测出电弧故障，则进行电弧故障发生位置的判断。
7.根据权利要求1所述的一种多负载串联电弧故障检测及定位方法，其特征在于：步骤S7中，确定电弧故障的发生位置后，输出检测结果。
CN201910674135.9A 2019-07-23 2019-07-23 一种多负载串联电弧故障检测及定位方法 Active CN110488161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910674135.9A CN110488161B (zh) 2019-07-23 2019-07-23 一种多负载串联电弧故障检测及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910674135.9A CN110488161B (zh) 2019-07-23 2019-07-23 一种多负载串联电弧故障检测及定位方法

Publications (2)

Publication Number Publication Date
CN110488161A CN110488161A (zh) 2019-11-22
CN110488161B true CN110488161B (zh) 2022-03-04

Family

ID=68548165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910674135.9A Active CN110488161B (zh) 2019-07-23 2019-07-23 一种多负载串联电弧故障检测及定位方法

Country Status (1)

Country Link
CN (1) CN110488161B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273101A (zh) * 2020-02-25 2020-06-12 江门市天一达电气科技有限公司 一种故障电弧检测方法、装置及存储介质
CN111610416B (zh) * 2020-05-25 2021-12-07 南京航空航天大学 一种串联电弧故障智能断路器
CN111707908B (zh) * 2020-07-29 2022-05-17 中国科学技术大学先进技术研究院 多负载回路串联故障电弧检测方法、装置以及存储介质
CN113253063A (zh) * 2020-10-29 2021-08-13 诸暨市迪朗物联科技有限公司 基于长短时记忆网络深度学习的故障电弧检测系统及方法
CN112583000A (zh) * 2020-11-25 2021-03-30 中国科学技术大学先进技术研究院 故障电弧识别脱扣装置
CN112904156A (zh) * 2021-01-19 2021-06-04 重庆邮电大学 一种基于频域分类的故障电弧检测方法
CN112816831B (zh) * 2021-03-18 2022-10-25 华北电力大学（保定） 风电场集电线单相接地故障定位方法
CN113093049B (zh) * 2021-03-19 2023-10-03 威胜集团有限公司 故障电弧定位诊断方法、装置及计算机可读存储介质
CN113030789A (zh) * 2021-04-12 2021-06-25 辽宁工程技术大学 一种基于卷积神经网络的串联型电弧故障诊断及选线方法
CN113221068B (zh) * 2021-05-10 2023-12-01 黄山东安新高能源科技有限公司 一种基于sstdr的光伏阵列故障检测方法
CN113311227B (zh) * 2021-06-10 2022-06-24 中国科学技术大学先进技术研究院 一种用于故障电弧诊断技术的电流信号降噪方法
CN113552447A (zh) * 2021-07-27 2021-10-26 上海电机学院 一种基于随机森林的串联电弧故障检测方法
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
CN113933636B (zh) * 2021-10-29 2022-09-02 国网湖北省电力有限公司电力科学研究院 一种基于电弧发生器的配电网故障测试系统
CN114113926A (zh) * 2021-11-01 2022-03-01 广东电网有限责任公司广州供电局 串联电弧故障诊断方法、装置、计算机设备和存储介质
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
CN114325236B (zh) * 2021-12-28 2023-08-18 广东电网有限责任公司 一种基于频谱熵和随机森林的配电网故障识别方法及系统
CN115982576B (zh) * 2023-03-17 2023-06-20 石家庄科林电气股份有限公司 一种恶性负载的识别方法、装置及电能表
CN116298735A (zh) * 2023-05-10 2023-06-23 广东电网有限责任公司湛江供电局 一种低压配电网交流电弧故障检测方法及相关装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080157781A1 (en) * 2006-12-27 2008-07-03 General Electric Company Methods and systems for detecting series arcs in electrical systems
CN103543375B (zh) * 2013-08-26 2016-02-10 上海交通大学 基于小波变换和时域混合特征的交流故障电弧检测方法
CN103454535B (zh) * 2013-09-16 2015-12-09 福州大学 一种综合负载串联电弧故障辨识方法
CN105445611B (zh) * 2014-05-30 2019-11-08 西门子公司 故障电弧的检测方法和检测装置
CN104155596B (zh) * 2014-08-12 2017-01-18 北京航空航天大学 一种基于随机森林的模拟电路故障诊断系统
CN105425118B (zh) * 2015-10-29 2018-09-04 山东建筑大学 一种多信息融合故障电弧检测方法及装置
GB2546553B (en) * 2016-01-25 2020-08-26 Ge Aviat Systems Ltd Circuit and method for detecting arc faults
CN107064752B (zh) * 2017-03-22 2019-09-27 北京航空航天大学 一种航空故障电弧检测的判别算法
CN108061832B (zh) * 2017-12-04 2019-11-12 辽宁工程技术大学 基于神经网络黑箱模型的串联型故障电弧仿真方法
CN109490701B (zh) * 2018-09-17 2020-09-22 南京航空航天大学 一种工频串联电弧故障检测方法
CN110119756B (zh) * 2019-03-25 2021-08-10 北京天泽智云科技有限公司 一种基于投票法的趋势性数据特征自动选择方法

Also Published As

Publication number Publication date
CN110488161A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110488161B (zh) 一种多负载串联电弧故障检测及定位方法
CN102331543B (zh) 基于支持向量机的故障电弧检测方法
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
CN110376497B (zh) 基于全相位深度学习的低压配电系统串联故障电弧识别法
CN110007197B (zh) 串联电弧故障检测系统及检测方法
CN110543921A (zh) 一种基于波形学习的电缆早期故障识别方法
CN108152651A (zh) 基于gmapm和som-lvq-ann的输电线路故障综合识别方法
Usama et al. Design and implementation of a wavelet analysis‐based shunt fault detection and identification module for transmission lines application
Wu et al. Smart detection technology of serial arc fault on low-voltage indoor power lines
CN113589105A (zh) 基于物联网的建筑电气火灾串联故障电弧识别方法及系统
CN111610416B (zh) 一种串联电弧故障智能断路器
CN112904156A (zh) 一种基于频域分类的故障电弧检测方法
Gu et al. Identification method for low-voltage arc fault based on the loose combination of wavelet transformation and neural network
Zhang et al. Application of partial direct-pole-placement and differential evolution algorithm to optimize controller and LCL filter design for grid-tied inverter
CN113094983B (zh) 一种光伏系统直流故障电弧多维时变特性的在线模拟方法
CN109283389B (zh) 一种风电场谐波发射水平评估方法与系统
Wang et al. A novel series arc fault detection method based on mel-frequency cepstral coefficients and fully connected neural network
Pham et al. Hardware implementation of an islanding detection approach based on current and voltage transients
CN103675562B (zh) 检测孤岛效应的方法及装置
CN112199897A (zh) 一种基于粒子群算法改进的gis设备异响振动识别方法
CN116842425A (zh) 一种低压交流系统中故障电弧的检测方法
CN110174602A (zh) 非线性负荷串联电弧故障判定方法及应用
CN114511194A (zh) 一种电力物联网的运行风险预测方法、系统和电子设备
CN113702739A (zh) 一种基于小波分解和神经网络的电弧检测方法及装置
CN110221168B (zh) 一种主导谐波源定位和谐波污染传播路径追踪方法

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
GR01 Patent grant
GR01 Patent grant