CN112415350B - 一种串联电弧故障在线检测方法及装置 - Google Patents
一种串联电弧故障在线检测方法及装置 Download PDFInfo
- Publication number
- CN112415350B CN112415350B CN202011489601.5A CN202011489601A CN112415350B CN 112415350 B CN112415350 B CN 112415350B CN 202011489601 A CN202011489601 A CN 202011489601A CN 112415350 B CN112415350 B CN 112415350B
- Authority
- CN
- China
- Prior art keywords
- arc fault
- data
- series arc
- power supply
- series
- 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
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
- 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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开一种串联电弧故障在线检测方法及装置,采用三相电机的回路电流和电源电压信号,同时对采集的信号进行分组以确定发生电弧故障的相数,有利于尽快排查电弧故障;然后使用核主成分分析方法可以分离电流和电压信号中的电源谐波和负载噪声,选取故障特征明显的第五主元和第六主元进行特征分析,将第五主元的峰度、偏度和第六主元的峰度、偏度作为四维的故障特征向量;本发明采用萤火虫算法优化支持向量机的惩罚系数和核函数参数,用特征向量集训练优化后的支持向量机得到串联故障识别模型,实时采集回路电流和电源电压信号,输入串联故障识别模型中实现对串联故障的实时检测。本发明具有故障定位功能且故障识别的准确率较高。
Description
技术领域
本发明涉及串联电弧故障在线检测技术领域,尤其涉及一种串联电弧故障在线检测方法及装置。
背景技术
在煤矿井下供电系统中,由于环境潮湿、机械振动、电动斥力、移动电气设备时拉拽电缆造成电连接器锈蚀、松动等故障,严重时会引发电弧放电现象,甚至造成火灾事故。据不完全统计由于串联电弧故障导致的电缆局部过热引发了70%以上的矿用电缆火灾事故。
目前串联电弧故障检测方法主要有两大类:一类是通过串联电弧故障产生时的物理效应如弧声、弧光、电磁辐射等来检测串联电弧故障,此方法只适用于在线检测特定位置发生的串联电弧故障。另一类是通过分析回路的电流或者电压信号,判断回路中是否发生串联电弧故障。由于电流和电压信号容易获取,因此通常利用电流和电压信号来检测串联电弧故障。
煤矿井下广泛使用电动机类和变频器类负载设备,不仅负载回路的电流和电压波形中存在大量的高频分量,而且煤矿井下的供电电源自身也含有丰富的谐波分量,加之其他设备产生的严重的电磁噪声干扰,导致煤矿井下电动机负载回路中的串联电弧故障在线检测的准确率较低,故障误检、故障漏检的情况时有发生。在现有的技术中,关于三相电动机在复杂谐波电源和电磁噪声干扰下的串联电弧故障检测方法的研究较少,因此需要研究新的方法来检测上述这种特殊条件下三相电动机负载回路中的串联电弧故障。
发明内容
针对上述现有技术的不足,本发明提供一种串联电弧故障在线检测方法及装置。
为解决上述技术问题,本发明所采取的技术方案是:一种串联电弧故障在线检测方法,包括如下步骤:
步骤1:将矿井下工作面中的每条电动机负载线路都设定一个编号,在电动机负载线路运行状态下采集每条负载线路在正常运行和串联电弧故障两种工况下的回路电流和电源电压信号;
所述每条负载线路的回路电流和电源电压分别采用霍尔电流传感器和霍尔电压传感器采集。
步骤2:对采集的数据分组后采用核主成分分析方法进行分析,分离回路电流和电源电压信号中的电源谐波、线路其他设备产生的电磁噪声和串联电弧故障信号,计算第五主元和第六主元的峰度和偏度作为特征向量,将所有样本的特征向量作为训练样本集;
所述对采集的数据分组的方法如下:
将采集的三相回路电流和三相电源电压数据设为I1、I2、I3和U1、U2、U3;将U1、I1、I2设为第一组数据,用于检测第一相是否发生串联电弧故障;将U2、I2、I3设为第二组数据,用于检测第二相是否发生串联电弧故障;将U3、I3、I1设为第三组数据,用于检测第三相是否发生串联电弧故障。
所述核主成分分析方法通过映射函数将样本映射到高维特征空间,使数据在该空间具有更好的可分性,在高维空间内进行主成分分析,其过程如下:
(1)假设采样数据集为m行n列矩阵X,将采样数据集映射到高维空间为φ(x),在高维空间中进行PCA降维,可得:
φ(x)φ(x)Tw=λw (1)
其中,w为高维空间中的特征向量,λ为对应的特征值;
(2)对于任意第i个特征向量wi(i=1,2,…n),和对应的第i个特征值λi,可得:
φ(x)φ(x)Twi=λiwi (2)
化简上式可得:
wi=φ(x)α (4)
(4)把式(4)代入式(2),化简可得:
φ(X)φ(X)Tα=λα (5)
(5)令核矩阵K=φ(X)φ(X)T,则得到:
Kα=λα (6)
(6)对核矩阵K中心化;
(7)计算核矩阵K的特征值与特征向量,其中特征值按降序排列;
(8)对特征向量进行单位化和正交化;
(9)设定低维空间数为6,计算6个主元。
步骤3:通过萤火虫算法优化支持向量机参数,将训练样本集根据负载类型分别输入到优化后的支持向量机进行训练,得到不同类型负载下的电弧故障识别模型;
所述支持向量机采用径向基核函数作为支持向量机的核函数。
所述萤火虫算法优化支持向量机的惩罚系数c和核函数参数g。
步骤4:实时采集每条负载线路的回路电流和电源电压信号,通过步骤2预处理后输入步骤3训练好的电弧故障识别模型中,实现串联电弧故障的实时在线检测。
另一方面,本发明还提供一种实现上述串联电弧故障在线检测方法的装置,包括:数据采集模块、数据存储模块、数据读取模块、数据分析处理模块、电弧故障识别模块和人机交互界面;
所述数据采集模块通过霍尔电流传感器和霍尔电压传感器采集矿井下工作面中的每条电动机负载线路的回路电流和电源电压信号,并使用屏蔽线将采集的信号传送至上位机监控软件;
所述数据存储模块将上位机监控软件接收到的数据信息进行存储,当数据存储满一个工频周期后,将数据传输到数据读取模块;
所述数据分析处理模块定期自动调取数据读取模块中的数据并对数据进行分析处理,得到串联电弧故障的特征向量;
所述电弧故障识别模块将串联电弧故障特征向量输入到电弧故障识别模型中,经模型计算,判断是否发生串联电弧故障;若检测到串联电弧故障,程序中的计数器加1,当连续在线检测到串联电弧故障超过20次,则最终判定发生了串联电弧故障;
所述人机交互界面显示串联电弧故障在线检测结果,并根据数据采集模块的数据通道编号对发生串联电弧故障的负载进行故障定位,发出报警信号,同时将故障信息存储与记录。
采用上述技术方案所产生的有益效果在于:本发明提供的串联电弧故障检测方法采用三相电机的回路电流和电源电压信号进行电弧故障检测,并通过对采集的信号进行分组可以确定发生电弧故障的相数,有利于尽快排查电弧故障。本发明使用的核主成分分析方法可以分离电流和电压信号中的电源谐波和负载噪声,因此可以在复杂谐波的干扰下检测电弧故障。经过核主成分分析,第五主元和第六主元含有的故障特征明显。将第五主元的峰度、偏度和第六主元的峰度、偏度作为四维的故障特征向量,可以快速准确的识别电弧故障。
附图说明
图1为本发明实施例中串联电弧故障在线检测方法的流程图;
图2为本发明实施例中萤火虫算法优化支持向量机参数的流程图;
图3为本发明实施例中串联电弧故障在线检测装置结构示意图;
图4为本发明实施例中模拟煤矿井下皮带运输机供电回路发生串联电弧故障的实验电路图;
图5为本发明实施例中使用可编程交流电源编程得到的电源电压波形图;
图6为本发明实施例中通过拉弧法产生串联电弧故障的的串联电弧故障发生器的结构示意图;
图7为本发明实施例中在实验电源UA条件下的第五主元图和第六主元图;
图8为本发明实施例中在实验电源UB条件下的第五主元图和第六主元图;
图9为本发明实施例中串联电弧故障识别模型的识别结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例中串联电弧故障在线检测方法如下所述:
步骤1:将矿井下工作面中的每条电动机负载线路都设定一个编号,在电动机负载线路运行状态下采集每条负载线路在正常运行和串联电弧故障两种工况下的回路电流和电源电压信号;
所述每条负载线路的回路电流和电源电压分别采用霍尔电流传感器和霍尔电压传感器采集。
步骤2:对采集的数据分组后采用核主成分分析方法进行分析,分离回路电流和电源电压信号中的电源谐波、线路其他设备产生的电磁噪声和串联电弧故障信号,计算第五主元和第六主元的峰度和偏度作为特征向量,将所有样本的特征向量作为训练样本集,并添加正常运行和串联电弧故障的类别标签值0和1;
所述对采集的数据分组的方法如下:
将采集的三相回路电流和三相电源电压数据设为I1、I2、I3和U1、U2、U3;将U1、I1、I2设为第一组数据,用于检测第一相是否发生串联电弧故障;将U2、I2、I3设为第二组数据,用于检测第二相是否发生串联电弧故障;将U3、I3、I1设为第三组数据,用于检测第三相是否发生串联电弧故障。
所述核主成分分析方法通过映射函数将样本映射到高维特征空间,使数据在该空间具有更好的可分性,在高维空间内进行主成分分析,其过程如下:
(1)假设采样数据集为m行n列矩阵X,将采样数据集映射到高维空间为φ(x),在高维空间中进行PCA降维,可得:
φ(x)φ(x)Tw=λw (1)
其中,w为高维空间中的特征向量,λ为对应的特征值;
(2)对于任意第i个特征向量wi(i=1,2,…n),和对应的第i个特征值λi,可得:
φ(x)φ(x)Twi=λiwi (2)
化简上式可得:
wi=φ(x)α (4)
(4)把式(4)代入式(2),化简可得:
φ(X)φ(X)Tα=λα (5)
(5)令核矩阵K=φ(X)φ(X)T,则得到:
Kα=λα (6)
(6)对核矩阵K中心化;
(7)计算核矩阵K的特征值与特征向量,其中特征值按降序排列;
(8)对特征向量进行单位化和正交化;
(9)设定低维空间数为6,计算6个主元。
步骤3:通过萤火虫算法优化支持向量机参数,其过程如图2所示,将训练样本集根据负载类型分别输入到优化后的支持向量机进行训练,得到不同负载类型下的电弧故障识别模型;
所述支持向量机采用径向基核函数作为支持向量机的核函数,其中,径向基核函数为:
其中,x1为空间任意的一点,x2为核函数中心,σ为函数的宽度参数。
所述萤火虫算法优化支持向量机的惩罚系数c和核函数参数g,这两个参数对支持向量机的分类精度影响较大,需要优化算法计算出最优参数。萤火虫算法源于萤火虫的活动特性,亮度较强的萤火虫吸引亮度较弱的萤火虫。其中,吸引力与亮度成正比,亮度最高的萤火虫的位置为最优解。萤火虫算法涉及两个因素,萤火虫的发光亮度I和相对吸引度β:
其中,I0为萤火虫的最大发光亮度,即r=0处的亮度;β0为最大吸引度,即r=0处的吸引度;γ为光强吸收系数;rij为萤火虫i和j之间的欧式距离。
其中,xnew,xold为亮度最高的萤火虫的新位置和旧位置;xi,xj为萤火虫i和j所处的位置;α为步长因子;rand为[0,1]上服从均匀分布的随机因子。
步骤4:实时采集每条负载线路的回路电流和电源电压信号,通过步骤2预处理后输入步骤3训练好的电弧故障识别模型中,实现串联电弧故障的实时在线检测。
本实施例中煤矿井下电动机负载回路如图3所示,其中1和2分别表示矿用隔爆馈电开关和矿用隔爆磁力启动器,CT和PT分别表示霍尔电流传感器和霍尔电压传感器。本实施例所述的串联电弧故障在线检测装置以一处工作面配电点为例,煤矿井下工作面通常有采煤机、刮板运输机、破碎机、皮带运输机、局部风扇和局部水泵等电动机负载线路,对每条负载线路都设定一个编号,如L1、L2、Ln。
本实施例所述的串联电弧故障在线检测装置包括数据采集模块、数据存储模块、数据读取模块、数据分析处理模块、电弧故障识别模块和人机交互界面;
所述数据采集模块通过霍尔电流传感器和霍尔电压传感器采集矿井下工作面中的每条电动机负载线路的回路电流和电源电压信号,为了抑制其他设备的电磁噪声对采集的回路电流和电源电压信号的干扰、提高串联电弧故障在线检测的准确率,使用屏蔽线将采集的信号传送至上位机监控软件,;在此过程中,采用信号调理电路进行信号调理,所述信号调理电路由电流变送器和电压变送器构成。
本实施例中,数据采集模块中的数据采集卡的采样频率设置为40kHz。
所述数据存储模块将上位机监控软件接收到的数据信息进行存储,当数据存储满一个工频周期后,将数据传输到数据读取模块;本实施例中工频周期为0.02s。
所述数据分析处理模块定期自动调取数据读取模块中的数据并对数据进行分析处理,得到串联电弧故障的特征向量;
所述电弧故障识别模块将串联电弧故障特征向量输入到电弧故障识别模型中,经模型计算,判断是否发生串联电弧故障;若检测到串联电弧故障,程序中的计数器加1,当连续在线检测到串联电弧故障超过20次,则最终判定发生了串联电弧故障;
所述人机交互界面显示串联电弧故障在线检测结果,并根据数据采集模块的数据通道编号对发生串联电弧故障的负载进行故障定位,发出报警信号,同时将故障信息存储与记录。
上述模块都安装在工控机上,所述工控机作为串联电弧故障在线检测装置的监控设备,安装于井下工作面的采区硐室内。上述数据存储功能、数据读取功能、故障负载线路定位、故障报警功能、故障信息存储与记录功能以及人机交互界面利用Labview 2013软件编写而成。上述数据分析处理模块和电弧故障识别模块利用Matlab 2018a软件编写而成,并可以由Labview 2013软件直接调用。
本实施例还通过模拟实验测试了煤矿井下皮带运输机负载线路发生串联电弧故障时本发明所述方法及装置的检测准确率,本实施例中的实验电路如图4所示,具体实施步骤及结果如下:
考虑到实验室的电源电压等级及供电容量,本实施例提出采用可编程的380V三相电源模拟煤矿井下的1140V具有丰富谐波含量的供电电源。根据煤矿井下供电电源的实际谐波含量,通过Chroma 6590型可编程交流电源编程得到了含有两种不同谐波含量的实验电源。实验电源UA和实验电源UB的相电压设定为220V,频率为50Hz,电压波形见图5。考虑到实验电源的电压等级,本实施例提出采用Y160M-6-11kW型三相异步电动机和摩擦负载模拟煤矿井下使用的皮带运输机。在Y160M-6-11kW型三相异步电动机负载回路中串入电弧故障发生器,采用拉弧的方式,通过动电极控制系统控制动电极按照点动、单向恒速运动的运动模式运动,产生串联电弧故障。
本实施例实验所用的电弧故障发生器的结构示意图见图6,电弧故障发生器由电极系统、动电极驱动系统和绝缘底座构成。电极系统包括静电极、动电极及其固定装置,其中静电极和动电极分别为尖头铜棒电极和平头碳棒电极,铜棒和碳棒直径均为5mm。动电极驱动系统包括滑台、丝杠和步进电机,通过控制步进电机使动电极和静电极分离进而产生串联电弧故障。步进电机可以设置为两种运动方式:(1)点动方式,即每次收到前进/后退指令后,步进电机只是前进/后退一步;(2)长动方式,即每次收到前进/后退指令后,步进电机自动连续多步运行,当运行到该方向极限位置时自动反向运行。
本实施例实验采用DL-PT202D型霍尔电压传感器测量电源电压信号,采用HAS14Z型霍尔电流传感器测量回路电流信号。通过PCI-9118型数据采集卡采集回路电流和电源电压信号。使用i5处理器、8G内存的电脑和Matlab 2018a软件对数据分析处理。图7和图8是在两种实验电源条件下,经过核主成分分析算法计算得到的第五主元图和第六主元图。
为了采用本发明所述方法进行串联故障电弧在线检测准确率测试,本实施例中共选取实验电源UA、实验电源UB条件下的训练样本各100组,共200组训练样本组成训练样本集,其中,线路正常运行状态和线路发生串联电弧故障状态下的训练样本各占50%。利用上述训练样本集对电弧故障识别模型进行模型训练,得到训练后的电弧故障识别模型。额外选取实验电源UA、实验电源UB条件下的测试样本各50组,共100组测试样本组成测试样本集,其中,线路正常运行状态和线路发生串联电弧故障状态下的测试样本各占50%。将上述100组测试样本输入到训练后的电弧故障识别模型,得到模拟实验条件下电动机负载回路中串联电弧故障的在线检测结果,如图9所示。图9表明,本实施例中串联电弧故障在线检测准确率达到100%,说明本发明所述的串联电弧故障在线检测方法及装置能够有效识别谐波电源条件下电动机负载回路中的串联电弧故障。因此,本发明所述方法可以用于煤矿井下电动机负载回路,在供电电源含有复杂谐波成分以及线路中存在严重电磁噪声干扰时出现的串联电弧故障进行在线检测。
Claims (7)
1.一种串联电弧故障在线检测方法,其特征在于,包括如下步骤:
步骤1:将矿井下工作面中的每条电动机负载线路都设定一个编号,在电动机负载线路运行状态下采集每条负载线路在正常运行和串联电弧故障两种工况下的回路电流和电源电压信号;
步骤2:对采集的数据分组后采用核主成分分析方法进行分析,分离回路电流和电源电压信号中的电源谐波、线路其他设备产生的电磁噪声和串联电弧故障信号,计算第五主元和第六主元的峰度和偏度作为特征向量,将所有样本的特征向量作为训练样本集;
步骤3:通过萤火虫算法优化支持向量机参数,将训练样本集根据负载类型分别输入到优化后的支持向量机进行训练,得到不同负载类型下的电弧故障识别模型;
步骤4:实时采集每条负载线路的回路电流和电源电压信号,通过步骤2预处理后输入步骤3训练好的电弧故障识别模型中,实现串联电弧故障的实时在线检测。
2.根据权利要求1所述的串联电弧故障在线检测方法,其特征在于,所述每条负载线路的回路电流和电源电压分别采用霍尔电流传感器和霍尔电压传感器采集。
3.根据权利要求1所述的串联电弧故障在线检测方法,其特征在于,所述对采集的数据分组的方法如下:
将采集的三相回路电流和三相电源电压数据设为I1、I2、I3和U1、U2、U3;将U1、I1、I2设为第一组数据,用于检测第一相是否发生串联电弧故障;将U2、I2、I3设为第二组数据,用于检测第二相是否发生串联电弧故障;将U3、I3、I1设为第三组数据,用于检测第三相是否发生串联电弧故障。
4.根据权利要求1所述的串联电弧故障在线检测方法,其特征在于,所述核主成分分析方法通过映射函数将样本映射到高维特征空间,使数据在该空间具有更好的可分性,在高维空间内进行主成分分析,其过程如下:
(1)假设采样数据集为m行n列矩阵X,将采样数据集映射到高维空间为φ(x),在高维空间中进行PCA降维,可得:
φ(x)φ(x)Tw=λw (1)
其中,w为高维空间中的特征向量,λ为对应的特征值;
(2)对于任意第i个特征向量wi(i=1,2,...n),和对应的第i个特征值λi,可得:
φ(x)φ(x)Twi=λiwi (2)
化简上式可得:
wi=φ(x)α (4)
(4)把式(4)代入式(2),化简可得:
φ(X)φ(X)Tα=λα (5)
(5)令核矩阵K=φ(X)φ(X)T,则得到:
Kα=λα (6)
(6)对核矩阵K中心化;
(7)计算核矩阵K的特征值与特征向量,其中特征值按降序排列;
(8)对特征向量进行单位化和正交化;
(9)设定低维空间数为6,计算6个主元。
5.根据权利要求1所述的串联电弧故障在线检测方法,其特征在于,所述支持向量机采用径向基核函数作为支持向量机的核函数。
6.根据权利要求1所述的串联电弧故障在线检测方法,其特征在于,所述萤火虫算法优化支持向量机的惩罚系数c和核函数参数g。
7.实现权利要求1至6中任意一项所述串联电弧故障在线检测方法的装置,其特征在于,包括:数据采集模块、数据存储模块、数据读取模块、数据分析处理模块、电弧故障识别模块和人机交互界面;
所述数据采集模块通过霍尔电流传感器和霍尔电压传感器采集矿井下工作面中的每条电动机负载线路的回路电流和电源电压信号,并使用屏蔽线将采集的信号传送至上位机监控软件;
所述数据存储模块将上位机监控软件接收到的数据信息进行存储,当数据存储满一个工频周期后,将数据传输到数据读取模块;
所述数据分析处理模块定期自动调取数据读取模块中的数据并对数据进行分析处理,得到串联电弧故障的特征向量;
所述电弧故障识别模块将串联电弧故障特征向量输入到电弧故障识别模型中,经模型计算,判断是否发生串联电弧故障;若检测到串联电弧故障,程序中的计数器加1,当连续在线检测到串联电弧故障超过20次,则最终判定发生了串联电弧故障;
所述人机交互界面显示串联电弧故障在线检测结果,并根据数据采集模块的数据通道编号对发生串联电弧故障的负载进行故障定位,发出报警信号,同时将故障信息存储与记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489601.5A CN112415350B (zh) | 2020-12-16 | 2020-12-16 | 一种串联电弧故障在线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489601.5A CN112415350B (zh) | 2020-12-16 | 2020-12-16 | 一种串联电弧故障在线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112415350A CN112415350A (zh) | 2021-02-26 |
CN112415350B true CN112415350B (zh) | 2022-12-20 |
Family
ID=74775881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489601.5A Active CN112415350B (zh) | 2020-12-16 | 2020-12-16 | 一种串联电弧故障在线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112415350B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176479B (zh) * | 2021-04-27 | 2022-03-18 | 山东科汇电力自动化股份有限公司 | 一种用于低压配电网的串联电弧检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
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 |
CN107390086A (zh) * | 2017-06-30 | 2017-11-24 | 昆明理工大学 | 一种基于主成分分析‑支持向量机的单永故障识别方法 |
CN107561015A (zh) * | 2017-07-04 | 2018-01-09 | 华北电力大学 | 基于光谱分析的固体燃料种类识别方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
CN108898182A (zh) * | 2018-07-02 | 2018-11-27 | 武汉科技大学 | 一种基于核主元分析与支持向量机的mmc故障诊断方法 |
CN110118900A (zh) * | 2019-03-27 | 2019-08-13 | 南京航空航天大学 | 一种负载识别以及工频串联电弧故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
-
2020
- 2020-12-16 CN CN202011489601.5A patent/CN112415350B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
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 |
CN107390086A (zh) * | 2017-06-30 | 2017-11-24 | 昆明理工大学 | 一种基于主成分分析‑支持向量机的单永故障识别方法 |
CN107561015A (zh) * | 2017-07-04 | 2018-01-09 | 华北电力大学 | 基于光谱分析的固体燃料种类识别方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
CN108898182A (zh) * | 2018-07-02 | 2018-11-27 | 武汉科技大学 | 一种基于核主元分析与支持向量机的mmc故障诊断方法 |
CN110118900A (zh) * | 2019-03-27 | 2019-08-13 | 南京航空航天大学 | 一种负载识别以及工频串联电弧故障检测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进萤火虫算法优化SVM的变电工程造价预测;宋宗耘等;《中国电力》;20170305(第03期);第168-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112415350A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN105551543B (zh) | 一种用于核电站的棒控和棒位系统及其故障诊断方法 | |
CN113748326B (zh) | 用于对感应电动机估计轴承故障严重性的方法 | |
CN112415350B (zh) | 一种串联电弧故障在线检测方法及装置 | |
US20150094975A1 (en) | Wavelet transform system and method for voltage events detection and classification | |
CN101067976A (zh) | 压水堆核电站控制棒驱动机构在线监测及故障诊断方法 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
KR102516910B1 (ko) | 전기 스위칭 유닛의 마모 진단 방법 및 디바이스, 및 그러한 디바이스를 포함하는 전기 유닛 | |
CN112526343B (zh) | 一种永磁同步电机能效快速检测装置与检测方法 | |
CN105929022A (zh) | 钢丝绳脉冲电涡流无损探伤检测装置及检测方法 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN105652118A (zh) | 一种基于负荷瞬时能量特征的电网电能负荷监测方法 | |
CN117517907B (zh) | 一种变电站电容型设备的绝缘状态监测方法及系统 | |
CN105070334B (zh) | 一种基于电流变化判断控制棒驱动机构动作的方法 | |
CN1480740A (zh) | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 | |
CN109738771B (zh) | 基于深度学习的串联型故障电弧试验平台及其试验方法 | |
CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
CN214895668U (zh) | 有载分接开关触头磨损故障模拟试验装置 | |
CN103760514B (zh) | 一种电能表快速检测的方法及装置 | |
CN117192347A (zh) | 一种高压断路器在线监测与故障诊断系统及方法 | |
CN103364669B (zh) | Gis设备运行状态在线检测方法与系统 | |
CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
Sharma et al. | Evaluation of arduino based das for condition monitoring of induction motor | |
CN113866532B (zh) | 就地化智能量测设备的骚扰电压最大幅值量化方法和装置 | |
Caldara et al. | A fuzzy diagnostic system: application to linear induction motor drives |
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 |