CN112183628A - 基于多种线性时频变换的交流电弧故障检测方法及系统 - Google Patents
基于多种线性时频变换的交流电弧故障检测方法及系统 Download PDFInfo
- Publication number
- CN112183628A CN112183628A CN202011043559.4A CN202011043559A CN112183628A CN 112183628 A CN112183628 A CN 112183628A CN 202011043559 A CN202011043559 A CN 202011043559A CN 112183628 A CN112183628 A CN 112183628A
- Authority
- CN
- China
- Prior art keywords
- arc fault
- time
- frequency
- alternating current
- characteristic
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims description 37
- 238000000844 transformation Methods 0.000 title claims description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 35
- 230000001052 transient effect Effects 0.000 claims description 23
- 238000003064 k means clustering Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 6
- 229910052721 tungsten Inorganic materials 0.000 description 6
- 239000010937 tungsten Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Testing Relating To Insulation (AREA)
Abstract
基于多种线性时频变换的交流电弧故障检测方法及系统，对采集到的交流系统回路电流信号进行改进S变换和一维快速短时哈特莱变换分析，依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，将所得的时频特征量组输入至已经具备二元聚类中心的K均值聚类模型，便可判断当前系统所处的状态，在触发电弧故障切断标准时发出切断相应故障支路的动作信号并报警。本发明通过多线性时频变换提取交流电弧故障的时频信息，确保不同非线性负载条件下的交流系统电弧故障均能得到有效切除，提升了交流系统安全稳定运行的能力。
Description
技术领域
本发明属于交流电气故障检测领域，具体涉及一种基于多种线性时频变换的交流电弧故障检测方法及系统。
背景技术
交流系统的线缆或者设备一旦出现绝缘老化、绝缘破损或者连接头松动等现象，均会引起电弧故障的发生，因而电弧故障频发于交流系统的输电、配电和用电环节，是一种十分常见的故障现象。如果对电弧故障不进行及时有效的切除，其高温高热特性会引发电气火灾事故，进而对系统运行和人身安全造成威胁。
目前，已有相应的法规、标准测试方法对相关工业产品—交流电弧故障断路器(ACAFCI)动作性能进行了相关规定。1999年制定的UL1699标准对交流电弧故障断路器性能作出了明确规定，我国也于2015年开始实施相关标准GB/T 31143-2014《电弧故障保护电器(AFDD)的一般要求》，提出关于AFDD动作性能设计的一般要求，将其作为电气火灾监控系统的重要组成部分。由此可见，交流电弧故障的防治已经得到世界各国的广泛、深入研究。
串联电弧故障引发的火灾事故往往较短路更具隐蔽性，所造成的后果更为严重。线性交流用电负载条件下，串联电弧故障通常会造成显著的平肩现象，由此区分交流系统的正常运行和电弧故障状态。但非线性负载的正常运行会形成与电弧故障平肩特征类似的情况，如钨丝灯调光过程的启动和负载突加过程等，这些系统暂态干扰过程极大程度地给交流电弧故障的准确识别带来挑战。同时，不同非线性负载正常运行时的工作特性曲线存在差异，电弧故障发生后的电气特性也会受到不同非线性负载运行的影响，呈现表征形式不一的电弧故障特性，这些多样的电弧故障增大了检测算法的准确识别难度。因此，研究有效、准确、快速的交流系统电弧故障检测算法对维持交流供电系统稳定运行有着极其重要的意义。
发明内容
本发明的目的在于针对上述现有技术中电弧故障多样造成不能准确识别的问题，提供一种基于多种线性时频变换的交流电弧故障检测方法及系统，实现对交流电弧故障有效、快速的检测，使不同非线性负载条件下的交流系统电弧故障均能够得到有效切除。
为了实现上述目的，本发明有如下的技术方案：
一种基于多种线性时频变换的交流电弧故障检测方法，包括以下步骤：
S1、交流系统运行中，采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维时频矩阵分布TF1；对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维时频能量谱密度矩阵分布TF2；
S2、在得到的二维时频矩阵分布TF1与二维时频能量谱密度矩阵分布TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到m个时频特征量；
S3、将所得的时频特征量输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量与相应聚类中心的欧式距离来判断当前系统状态：
若交流系统处于正常状态则输出0，返回步骤S1进行后续交流系统回路电流信号分析；若交流系统处于电弧故障状态则输出1，判断为可能发生电弧故障，转至步骤S4；
S4、判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，返回步骤S1进行后续交流系统回路电流信号分析。
优选的，所述回路电流信号采用电流互感器进行高频采样，而后利用均值滤波方法降频，所得信号的采样频率不低于20kHz。
优选的，改进S变换的窗长兼顾电弧故障频率信息分辨率和计算时间要求，取值范围为200～2000，兼顾电弧故障时间信息分辨率和动作时间要求，取值范围为200～2000；一维快速短时哈特莱变换的窗长和变换点数相等，取值范围为200～2000，该参数需与改进S变换，以确保多特征量计算的同步性，即输入至K均值聚类模型的多特征的输入电流信号是相同的。
优选的，所述两种线性时频变换的窗函数基于最大程度地滤除干扰电弧故障信息的其它信息而定，改进S变换的窗高系数取值范围为0.5～2；一维快速短时哈特莱变换的时间窗优选为汉宁窗。
优选的，所述步骤S2依据各阶段特征值在20周期内除去最大值、最小值后的均值判断特征值是否存在差异，若均值的相对差异超过10％则认为存在差异；否则认为特征值一致。
优选的，所述步骤S2电弧故障相关的特征量确定后，求取特征量的外包络线，对外包络线变化趋势相同的特征量只选取1个。
优选的，所述时频特征量个数m依据检测可靠性和快速性折衷处理，取值范围为2～5。
优选的，所述的K均值聚类模型已经完成了机器学习训练过程，机器学习样本数量确定的原则为经过最短迭代次数所形成的聚类中心不再扩张，总样本容量的取值范围为50000～100000，两类数据分布数量差异不超过10％；用于模型训练的样本占比为60％～80％；测试样本的分类正确性高于80％则认为K均值聚类模型已具备二元聚类中心。
优选的，所述步骤S4电弧故障判断标准为连续n个时间窗内K均值聚类模型输出半数以上的1，n的取值范围为10～25。
本发明同时提供一种基于多种线性时频变换的交流电弧故障检测系统，包括：
回路电流信号采集分析模块，用于交流系统运行中，采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维时频矩阵分布TF1；对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维时频能量谱密度矩阵分布TF2；
时频特征量获取模块，用于在得到的二维时频矩阵分布TF1与二维时频能量谱密度矩阵分布TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到m个时频特征量；
K均值聚类模型计算模块，用于将所得的时频特征量输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量与相应聚类中心的欧式距离来判断当前系统状态：若交流系统处于正常状态则输出0，若交流系统处于电弧故障状态则输出1；
故障判断与处理模块，判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，进行后续交流系统回路电流信号分析。
相较于现有技术，本发明具有如下的有益效果：使用改进S变换和一维快速短时哈特莱变换得到电流信号的二维时频分布，依据各状态下特征值异同要求选择确定多个时频特征量，使用已经具备二元聚类中心的K均值聚类模型进行状态判断，由此检测交流电弧故障并采取相应的动作报警手段，大幅避免了交流电气火灾的发生。本发明通过综合考虑连续多周期的分类模型输出判断结果，系统暂态所输出的判断个数不足以达到触发标准，可被有效避免误判为电弧故障，有利于整个系统状态的准确识别。本发明电弧故障检测算法以多线性时频变换角度构建了多重时频特征量，提高了交流电弧故障和系统暂态工况辨识的可靠性，在减少电弧故障给交流系统带来的安全威胁同时也降低了系统暂态误动引发的停电事故。该电弧故障检测算法的输入检测信号不局限于交流系统回路电流信号，一切具有可反映电弧故障能量迁移这一特性的检测信号均可作为本发明交流系统电弧故障检测方法的输入信号。本发明通过多线性时频变换提取交流电弧故障的时频信息，确保不同非线性负载条件下的交流系统电弧故障均能得到有效切除，有效提升了交流系统安全稳定运行的能力。
进一步的，本发明采用改进S变换进行分析，兼顾现有典型线性时频变换如短时傅里叶变换与小波变换的优点，同时通过引入窗宽随频率变化的高斯函数，解决了S变换对非平稳信号处理的时频能量聚集限制，提升了电弧故障检测算法的抗噪能力。
进一步的，本发明采用一维快速短时哈特莱变换是在实数域内实现时频变换功能的，可以有效地节约运算时间和存储单元，提高运算效率，有利于电弧故障检测算法的硬件实现。
附图说明
图1为本发明的交流系统电弧故障检测方法流程图；
图2为应用本发明进行交流系统电弧故障检测的回路电流信号图；
图3为应用改进S变换进行交流系统电弧故障检测的特征量波形图；
图4为应用一维快速短时哈特莱变换进行交流系统电弧故障检测的特征量波形图；
图5为应用本发明进行交流系统电弧故障检测的系统状态判断结果示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
参见图1，一种基于多种线性时频变换的交流电弧故障检测方法，包括以下步骤：
步骤一、完成参数初始化后转至步骤二；
参数初始化过程包括回路电流信号的采样频率f、电弧故障触发标准参数n、改进S变换及短时哈特莱变换两种时频分析工具内的各项参数、时频特征量个数m等。
本实施例中，交流系统运行中，待分析的回路电流信号采样频率f取值为25kHz。电弧故障触发标准参数n取值为10。改进S变换的窗长、帧长及一维快速短时哈特莱变换的窗长、变换点数均取值为1000，改进S变换的窗高系数取值为1。时频特征量个数m取值为4。
步骤二、采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维501*192大小的时频矩阵分布TF1；
对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维501*192相同大小的时频能量谱密度矩阵分布TF2，转至步骤三对上述二维矩阵元素进行特征处理。
步骤三、在两个二维时频矩阵分布TF1和TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到时频特征量组，转至步骤四进行机器学习模型的实时系统运行状态判断。
在所得二维时频矩阵分布TF1和TF2中，各特征值在不同系统状态下的变化模式存在差异，依据停机电流、正常运行电流、突变电流幅值等各正常状态下的特征值一致的原则，结合电弧故障状态条件下对应的特征值应存在差异的要求，确定与电弧故障直接相关的特征量组，这些经过选择的特征量组能够较好地应对系统暂态而减少误判风险。
为较好地判定特征值是否存在一致性和差异性，采用定量手段进行，即依据各阶段特征值在20周期内除去最大值、最小值后的均值判断特征值是否存在差异，若均值的相对差异超过10％则认为存在差异，否则认为幅值一致。
在两个二维时频矩阵分布中符合特征相关要求的特征个数较多，高维特征量组不利于机器学习模型的快速计算和硬件存储，因而需要保留具有典型特征变化趋势的最佳特征量，筛除冗余的电弧故障特征量。由此求取各特征的外包络线，依据相对误差比例定量地判断具有相同变化趋势的特征量组，各特征量组确定只选取1个。
在某些电弧故障或系统暂态工况下，基于改进S变换所得的一些特征量可能不足以反映出电弧故障信息而失去系统状态的准确判定能力，引发一些误判问题；而基于一维短时短时哈特莱变换同属线性时频变换，相对于其它时频变换的计算量更小、存储需求更低，有利于后续的硬件实现，与此同时其所构建的额外特征量可从不同视角提取电弧故障信息，与改进S变换相互补充，使得最终的K均值聚类模型在系统状态判定时不发生误判，进而提升了电弧故障检测算法在众多交流电弧故障及系统暂态工况条件下的系统安全稳定运行能力。
步骤四、将获得的特征量组输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量组与相应聚类中心的欧式距离来判断当前系统状态，若K均值聚类模型输出0，则判断交流系统处于正常状态，返回步骤一进行后续交流系统运行状态分析；若K均值聚类模型输出1，则判断交流系统可能发生电弧故障，转至步骤五进行电弧故障切除标准判断，进一步确认电弧故障的发生。
K均值聚类模型属于非监督学习方式，不需要施加标记即可完成分类训练过程，训练速度快、统计规律学习效率高；分类测试过程也能在较短时间内完成交流系统状态判断，进一步加快了交流系统电弧故障检测算法的执行动作时间。利用K均值聚类模型自动学习掌握电弧故障状态较正常状态体现的特征差异，使得多样电弧故障与系统暂态差异的统计学规律自动完成，相关阈值设定自动划分，由此避免了传统阈值判断方式合适设定过程耗时长的问题。
步骤五、判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，返回步骤一进行后续交流系统运行状态分析。
某些系统暂态也会导致个别周期误判为电弧故障状态，错误地输出1。本步骤的提出主要把握系统暂态的持续性不如电弧故障，通过综合考虑连续多周期的分类模型输出判断结果，系统暂态所输出的判断个数不足以达到触发标准，可被有效避免误判为电弧故障，有利于整个系统状态的准确识别。
本发明同时提供一种基于多种线性时频变换的交流电弧故障检测系统，包括：
回路电流信号采集分析模块，用于交流系统运行中，采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维时频矩阵分布TF1；对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维时频能量谱密度矩阵分布TF2；
时频特征量获取模块，用于在得到的二维时频矩阵分布TF1与二维时频能量谱密度矩阵分布TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到m个时频特征量；
K均值聚类模型计算模块，用于将所得的时频特征量输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量与相应聚类中心的欧式距离来判断当前系统状态：若交流系统处于正常状态则输出0，若交流系统处于电弧故障状态则输出1；
故障判断与处理模块，判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，进行后续交流系统回路电流信号分析
参见图2至图5，实际验证了应用本发明的交流电弧故障检测方法于钨丝灯负载条件下交流系统内的电弧故障辨识，同时也考查了交流供电系统内源于系统启动、突加负载、系统开断停机等多样暂态形式的辨识。
如图2所示，以初始化规定的采样频率获取交流系统回路电流信号。
在I阶段，交流系统的开关处于开断状态，此时的钨丝灯负载尚未运行，回路电流信号处于正常的停机状态。
在II阶段开始，通过闭合交流系统开关，使得钨丝灯负载正常运行，启动初期的回路电流信号呈现若干脉冲，幅值缓慢减小直至平稳运行，这一启动过程形成的系统暂态可能对电弧故障造成误识别。II阶段后期的钨丝灯正常运行，系统回路电流相对平稳，呈现出较大幅值的正弦变化。而后再并入额外的阻性负载，模拟交流系统多负载运行工况，相应的回路电流幅值也突然增大，这一突加负载过程形成的系统暂态也可能对电弧故障造成误识别。
在III阶段开始，通过引入电弧故障模拟装置，获得电弧故障条件下的回路电流信号。由于串联电弧故障等效为在系统回路中引入阻抗，故而电弧故障发生后回路电流信号幅值有所减小。同时，电弧故障具有随机性的特点，整个电流信号的幅值变化也反映出随机性的过程，没有前述两阶段电流幅值稳定。
最后，在IV阶段，在获取足够的电弧故障信息后，通过系统开关开断，使得钨丝灯负载停止运行，整个电流信号减小至如I阶段所示零左右的幅值。
通过改进S变换对图2所示的交流系统回路电流信号进行分析，在得到的二维时频矩阵分布中，按特征选择的方式在频域维度上选用典型的电弧故障变化模式，得到基于改进S变换的时频特征量如图3所示。从图中可以看出，I阶段到II阶段全部的正常回路电流状态呈现出基本一致的特征值水平，反映出本发明提出的特征选择方法的有效性。同时，系统启动过程并未在特征层面上造成I阶段的特征指示，证实所选择特征对系统暂态的抗干扰性强。面对III阶段的电弧故障状态，特征值在电弧故障发生时刻产生较大幅值的脉冲指示，而后在电弧故障持续期间给出较大更为显著的特征值输出，有利于电弧故障与正常状态的区分。在系统停机后，整个特征值输出与前面正常状态的特征值输出水平一致，进一步证实了该特征在系统状态评估过程中的有效性。
通过一维快速短时哈特莱变换对交流系统回路电流信号进行相同的时频分析，按本发明提出的特征选择方法得到基于一维快速短时哈特莱变换的时频特征量如图4所示。总体上看，该特征量也能在电弧故障状态下输出较大的特征幅值，也具有识别电弧故障的能力。只是其在系统启动初期存在有大幅值的脉冲指示，但该指示持续时间较短，凭借本发明提出的多周期判断方式，能有效避免该系统暂态过程引发的潜在误判风险，有利于电弧故障的准确辨识。
通过选择多个如图3和图4所示的时频特征量组成特征量组输入至K均值聚类模型，得到每个周期内实时的系统状态判断结果。一旦模型输出为1，则判断当前周期内交流系统可能发生了电弧故障，再经过电弧故障判断标准进一步确认交流系统内是否存在电弧故障。如II阶段初期的系统启动暂态产生了短暂的模型1输出，但由于不够触发电弧故障切除标准，因而仍得到正确的0输出，继续进行后续交流系统运行状态分析。在III阶段确定交流系统内发生电弧故障后，便输出符合切除标准的动作信号并进行报警。整个检测算法面对系统停机、系统启动、突加负载等系统暂态和电弧故障状态均能够给出正确的判断，证实了算法对交流电弧故障有效、快速检测的性能。
以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，而这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (10)
1.一种基于多种线性时频变换的交流电弧故障检测方法，其特征在于，包括以下步骤：
S1、交流系统运行中，采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维时频矩阵分布TF1；对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维时频能量谱密度矩阵分布TF2；
S2、在得到的二维时频矩阵分布TF1与二维时频能量谱密度矩阵分布TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到m个时频特征量；
S3、将所得的时频特征量输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量与相应聚类中心的欧式距离来判断当前系统状态：
若交流系统处于正常状态则输出0，返回步骤S1进行后续交流系统回路电流信号分析；若交流系统处于电弧故障状态则输出1，判断为可能发生电弧故障，转至步骤S4；
S4、判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，返回步骤S1进行后续交流系统回路电流信号分析。
2.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述的回路电流信号采样频率不低于20kHz，然后利用均值滤波方法降频。
3.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述改进S变换的窗长取值范围为200～2000；所述一维快速短时哈特莱变换的窗长和变换点数相等，取值范围为200～2000，该参数与改进S变换的帧长保持一致。
4.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述改进S变换的窗高系数取值范围为0.5～2；一维快速短时哈特莱变换的时间窗为汉宁窗。
5.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述步骤S2依据各阶段特征值在20周期内除去最大值、最小值后的均值判断特征值是否存在差异，若均值的相对差异超过10％则认为存在差异；否则认为特征值一致。
6.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述步骤S2电弧故障相关的特征量确定后，求取特征量的外包络线，对外包络线变化趋势相同的特征量只选取1个。
7.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述时频特征量的个数m取值范围为2～5。
8.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述的K均值聚类模型已经完成了机器学习训练过程，机器学习样本数量确定的原则为经过最短迭代次数所形成的聚类中心不再扩张，总样本容量的取值范围为50000～100000，两类数据分布数量差异不超过10％；用于模型训练的样本占比为60％～80％；测试样本的分类正确性高于80％则认为K均值聚类模型已具备二元聚类中心。
9.根据权利要求1所述基于多种线性时频变换的交流电弧故障检测方法，其特征在于：所述步骤S4电弧故障判断标准为连续n个时间窗内K均值聚类模型输出半数以上的1，n的取值范围为10～25。
10.一种基于多种线性时频变换的交流电弧故障检测系统，其特征在于，包括：
回路电流信号采集分析模块，用于交流系统运行中，采集回路电流信号In进行改进S变换分析，得到二维时频复数矩阵分布，对该矩阵各元素取模得到二维时频矩阵分布TF1；对相同的电流信号In进行一维快速短时哈特莱变换分析，得到二维时频能量谱密度矩阵分布TF2；
时频特征量获取模块，用于在得到的二维时频矩阵分布TF1与二维时频能量谱密度矩阵分布TF2中依据正常状态特征值一致、正常与电弧故障状态特征值存在差异选取与电弧故障相关的特征量，依据特征变化趋势筛除冗余的电弧故障特征量，得到m个时频特征量；
K均值聚类模型计算模块，用于将所得的时频特征量输入至已经具备二元聚类中心的K均值聚类模型，通过K均值聚类模型计算特征量与相应聚类中心的欧式距离来判断当前系统状态：若交流系统处于正常状态则输出0，若交流系统处于电弧故障状态则输出1；
故障判断与处理模块，判断截止目前的K均值聚类模型输出故障指示值的个数是否满足切断标准，如果达到切断标准，则判定交流系统内发生电弧故障，发出切断相应故障支路的动作信号并报警；否则，判定是交流系统暂态干扰，进行后续交流系统回路电流信号分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043559.4A CN112183628B (zh) | 2020-09-28 | 2020-09-28 | 基于多种线性时频变换的交流电弧故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043559.4A CN112183628B (zh) | 2020-09-28 | 2020-09-28 | 基于多种线性时频变换的交流电弧故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183628A true CN112183628A (zh) | 2021-01-05 |
| CN112183628B CN112183628B (zh) | 2023-01-17 |
Family
ID=73946254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011043559.4A Active CN112183628B (zh) | 2020-09-28 | 2020-09-28 | 基于多种线性时频变换的交流电弧故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183628B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542835A (zh) * | 2018-05-29 | 2019-12-06 | 上海海拉电子有限公司 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
| CN113297786A (zh) * | 2021-05-06 | 2021-08-24 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113514720A (zh) * | 2021-06-18 | 2021-10-19 | 浙江工业大学 | 一种边缘侧低压交流串联的电弧故障识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980051A (zh) * | 2016-01-15 | 2017-07-25 | 辽宁工程技术大学 | 一种间歇性串联型故障电弧识别技术 |
| CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
| US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
-
2020
- 2020-09-28 CN CN202011043559.4A patent/CN112183628B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980051A (zh) * | 2016-01-15 | 2017-07-25 | 辽宁工程技术大学 | 一种间歇性串联型故障电弧识别技术 |
| CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
| US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
Non-Patent Citations (2)
| Title |
|---|
| 陈昌垦等: "基于K均值聚类的串联型故障电弧识别", 《电气工程学报》, no. 08, 31 August 2016 (2016-08-31), pages 23 - 28 * |
| 齐昶等: "时频分析在跳频信号中的应用", 《信息工程大学学报》, no. 06, 31 December 2010 (2010-12-31), pages 762 - 768 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110542835A (zh) * | 2018-05-29 | 2019-12-06 | 上海海拉电子有限公司 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
| CN113297786A (zh) * | 2021-05-06 | 2021-08-24 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113297786B (zh) * | 2021-05-06 | 2023-04-07 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113514720A (zh) * | 2021-06-18 | 2021-10-19 | 浙江工业大学 | 一种边缘侧低压交流串联的电弧故障识别方法 |
| CN113514720B (zh) * | 2021-06-18 | 2024-04-19 | 浙江工业大学 | 一种边缘侧低压交流串联的电弧故障识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183628B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及系统 | |
| US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
| CN101187687B (zh) | 基于暂态行波的高阻接地故障检测方法 | |
| EP1714366B1 (en) | High impedance fault detection | |
| 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 | |
| Gu et al. | High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit | |
| EP1939995A2 (en) | Methods and systems for detecting series arcs in electrical systems | |
| CN111650470B (zh) | 微电网线路区段快速自适应故障检测与识别方法 | |
| CN105510760A (zh) | 一种基于小波分析的短路故障数据检测方法 | |
| 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 | |
| CN106771798A (zh) | 一种基于小波系数均差值的故障电弧检测方法 | |
| Shen et al. | Fast-Fourier-transform enhanced progressive singular-value-decomposition algorithm in double diagnostic window frame for weak arc fault detection | |
| CN113297786B (zh) | 一种基于半监督式机器学习的低压故障电弧感知方法 | |
| Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
| CN114062880B (zh) | 基于自适应信号处理及cart树集成学习的直流故障电弧检测方法 | |
| CN116577612A (zh) | 一种基于vmd希尔伯特边际谱多特征融合的串联故障电弧检测方法 | |
| CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
| CN116842425A (zh) | 一种低压交流系统中故障电弧的检测方法 | |
| Aljohani | Centralized fault detection and classification for motor power distribution centers utilizing MLP-NN and stockwell transform | |
| CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
| CN115291156A (zh) | 一种电压互感器误差特性在线检测系统及检测方法 | |
| Fan et al. | Research on partial discharge identification of power transformer based on chaotic characteristics extracted by GP algorithm | |
| CN114692690A (zh) | 一种基于多特征融合支持向量机的故障电弧识别方法 | |
| CN113866572A (zh) | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 | |
| CN114089106B (zh) | 用于配电自动化设备的单相接地故障防干扰方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 710000 room 611, 6 / F, building C1, Alibaba Silk Road headquarters, phase II, software new town, No. 156, Tiangu 8th Road, yuhuazhai street, high tech Zone, Xi'an, Shaanxi Province Applicant after: Xi'an zero one intelligent electric appliance Co.,Ltd. Address before: 325600 No.222 Weiwu Road, Yueqing Economic Development Zone, Wenzhou City, Zhejiang Province Applicant before: ZHEJIANG LINGYI INTELLIGENT ELECTRIC APPLIANCE RESEARCH INSTITUTE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211223 Address after: 325600 leshang entrepreneurship Park, Yueqing Bay port area, Yueqing City, Wenzhou City, Zhejiang Province (in Yueqing developed technology Co., Ltd.) Applicant after: ZHEJIANG CHANGYOU ELECTRIC CO.,LTD. Address before: 710000 room 611, 6 / F, building C1, Alibaba Silk Road headquarters, phase II, software new town, No. 156, Tiangu 8th Road, yuhuazhai street, high tech Zone, Xi'an, Shaanxi Province Applicant before: Xi'an zero one intelligent electric appliance Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 325600 leshang entrepreneurship Park, Yueqing Bay port area, Yueqing City, Wenzhou City, Zhejiang Province (in Yueqing developed technology Co., Ltd.) Patentee after: Zhejiang Changyou Electric Co.,Ltd. Address before: 325600 leshang entrepreneurship Park, Yueqing Bay port area, Yueqing City, Wenzhou City, Zhejiang Province (in Yueqing developed technology Co., Ltd.) Patentee before: ZHEJIANG CHANGYOU ELECTRIC CO.,LTD. |
|
| CP01 | Change in the name or title of a patent holder |