CN112433128B - 一种基于随机共振的直流故障电弧诊断方法及装置 - Google Patents
一种基于随机共振的直流故障电弧诊断方法及装置 Download PDFInfo
- Publication number
- CN112433128B CN112433128B CN202011092127.2A CN202011092127A CN112433128B CN 112433128 B CN112433128 B CN 112433128B CN 202011092127 A CN202011092127 A CN 202011092127A CN 112433128 B CN112433128 B CN 112433128B
- Authority
- CN
- China
- Prior art keywords
- fault arc
- current
- time
- direct
- frequency
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于随机共振的直流故障电弧诊断方法及装置,装置包括滤波控制模块,滤波控制模块分别连接采样模块、信号处理模块和通讯模块,信号处理模块还连接通讯模块和脱扣模块,所述故障诊断装置通过通讯模块接收参数设定系统发送的参数。装置的故障诊断方法利用随机共振方法对实时采集的系统电流信号进行滤波预处理,对滤波电流进行多种时频特征计算,利用机器学习分类器融合所得的多特征量组,用以检测直流故障电弧的发生,选用随直流故障电弧位置变化而呈现差异的检测特征进行故障选线。本发明解决了现有直流故障电弧检测装置无法检测存在于强系统噪声干扰条件下特征不明显的直流故障电弧、以及选择性缺失引发后期运维不便的问题。
Description
技术领域
本发明属于直流系统电气故障诊断技术领域,涉及一种基于随机共振的直流故障电弧诊断方法,本发明还涉及一种基于随机共振的直流故障电弧诊断装置,以提升直流系统故障电弧检测的可靠性并降低后期排除故障的运维难度,进而保障直流系统稳定、安全、经济输出运行。
背景技术
短路和过载等因素会造成系统电流升高,引发线路发热、绝缘损坏等问题,严重时会触发电气火灾。这类电流因素的检测技术较为成熟,可以有效地避免此类情况。而由电气电路接触不良、线路内部损坏和接地故障等原因造成的故障电弧尽管会使得系统电流下降,但其放电自持过程中释放的大量热量仍旧会引发电气火灾,使得特征不显著的故障电弧成为当下电力系统保护研究的热点问题。
故障电弧发生后,其所具有的弧光、弧声以及电磁辐射等物理特性从无到有,能够较好地避免系统暂态影响,不过这种检测方法仅限于小范围的密闭直流系统如电动汽车直流供电系统、开关柜等。为拓展检测方法的应用范围,基于电气信号变化的故障电弧检测方法得到了更多关注和广泛研究。面对复杂多样的故障电弧和系统暂态干扰,现有研究提出从多特征提取的角度全方位获取直流故障电弧特征,进而避免单一特征难以覆盖全部的故障电弧和系统暂态工况。与此同时,机器学习方式的引入大幅缩短了合理阈值的统计学获取过程,能有效避免直流故障电弧检测装置出现拒动与误动现象,使得直流系统减少频繁误动带来的停运损失。然而,过高的故障电弧特征量组维度会引发维数灾难,导致机器学习过拟合和算法计算复杂等问题。更为急迫的是,存在于强系统噪声干扰条件下的不明显直流故障电弧特征难以准确提取,致使直流故障电弧保护装置失效而引发电气火灾。
故障电弧在直流系统中被检测到后,故障电弧发生位置的准确获取成为直流系统能否快速恢复正常运行的关键问题。由于故障后保护设备将很快切除故障线路,所获有限长的故障数据增加了故障定位难度。无论是基于电弧物理特性和电气特性,直流故障电弧定位技术均涉及多个传感器或并联电容的投入与摆放问题,多种信号的准确捕获与分析决定定位精度。实现故障电弧定位的另一种思路是采用诸如扩展频谱时域反射法注入信号,通过检测反射信号的用时判断电弧发生位置。然而,现有的这些直流故障电弧定位技术无法直接利用检测技术的硬件装置和算法架构,不利于直流故障电弧诊断装置的经济性和实用性。
发明内容
本发明的目的是提供一种基于随机共振的直流故障电弧诊断装置,解决了现有直流故障电弧检测装置无法检测存在于强系统噪声干扰条件下特征不明显的直流故障电弧、以及选择性缺失引发后期运维不便的问题。
本发明的目的是还提供一种基于随机共振的直流故障电弧诊断装置的故障诊断方法。本发明所采用的技术方案是,一种基于随机共振的直流故障电弧诊断装置,包括滤波控制模块,滤波控制模块分别连接采样模块、信号处理模块和通讯模块,信号处理模块还连接通讯模块和脱扣模块,所述故障电弧诊断装置通过通讯模块接收参数设定系统发送的参数。
本发明采用的第一种技术方案的特点还在于,
采样模块包括能够获取包含直流分量的电流传感器及与该电流传感器对应的调理电路。
滤波控制模块用于实现输入电流信号的随机共振滤波处理功能。
参数设定系统包括随机共振参数优化模块、检测/定位时频特征量优化模块、检测/定位机器学习分类器模型优化模块。
本发明所采用的第二种技术方案为,一种基于随机共振的直流故障电弧诊断装置的故障诊断方法,具体包括如下步骤:
步骤1,针对需进行直流故障电弧诊断的直流供电系统,采集故障电弧发生前后的电流信号I(t),基于参数设定系统进行随机共振滤波处理,得到滤波电流信号x(t),而后分别对原始电流I(t)和滤波电流x(t)进行w种相同的时频变换处理,对所得的二维时频分解系数矩阵Ck,r作i种相同的一维特征映射fi处理,得到对应的j个时频特征量Fj(t),其中,i=1,2,…,m1,j=1,2,…,m2;
步骤2,判断步骤1所得的时频特征量Fi(t)是否失真,在时频特征量Fi(t)不失真的前提下,分别计算原始电流I(t)和滤波电流x(t)两种电流输入条件下所得时频特征量在故障电弧状态下的显著性R,利用随机共振滤波处理方式对时频特征量显著性的提升程度R’确定用于直流故障电弧诊断的时频特征量组F;
步骤3,采样模块实时采集直流系统运行过程中的回路电流信号,当信号采集到的累计点数n达到min[0.02f,1024]后转至步骤4,其中f为信号的采样频率;
步骤4,按照选择的滤波处理模式,滤波控制模块利用参数优化后的随机共振方法对窗内的电流信号In(t)进行滤波预处理,转至步骤5;
所述滤波处理模式包括两种,具体为:
滤波按钮按下为滤波处理模式一,即满足|FFT(In(t))-FFT(Inor(t))|/FFT(Inor(t))<10%的频段个数占全频段总数70%以上的条件下才对电流信号进行滤波处理,其中,FFT是获取频谱幅值的运算符,In(t)为输入窗内的电流信号,Inor(t)为第一分析周期内的正常电流信号;
未按下为滤波处理模式二,即对所采集的电流信号一律进行滤波处理;
步骤5,信号处理模块依据设定的时频变换对步骤4所得的滤波处理后的电流信号进行分解,得到二维时频系数矩阵,取出0~100kHz时频系数进行特征映射f1,f2……fm1计算,得到时频特征值组成的特征量组F=[F1,F2……Fm2],m2≥m1,利用完成系统状态学习的机器学习分类器融合所得计算周期内的多时频特征值F,输出用于指示当前系统状态的判断电平,一旦输出故障电弧状态电平,分别对计算周期和故障电弧状态电平输出周期计数,在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦达到N个,显示直流故障电弧报警信息,并触发脱扣模块开断电路使直流故障电弧熄灭,而后转至步骤6进行直流故障电弧发生位置的判断;在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦未达到N个,清零计数变量返回步骤1;
步骤6,信号处理模块选用步骤5中直流故障电弧发生位置影响因素下呈现差异的检测特征量构成特征量组F’,其中F’是F的子集,输入至训练好的机器学习分类器完成直流故障电弧发生的位置判断,显示需要维护的故障位置信息。
本发明第二种技术方案的特点还在于,
步骤1中时频变换采用Rbio小波包分解,Rbio小波包二维时频分解系数Ck,n的计算方式为:
其中,y(t)为有待小波包分解的信号,k1为母小波伸缩的指标,r1为母小波平移的指标,ψ为变换所选用的母小波即Rbio;
所述步骤1中二维时频分解系数矩阵Ck,r作一维特征映射fi处理的方式为极差方式,极差方式的计算过程如下公式(2)所示:
f=max(C(f,t))-min(C(f,t)) (2);
其中,C(f,t)是所选取频段上所考虑时段内的小波包分解系数;
所述步骤1中随机共振滤波处理的计算过程如下公式(3)所示:
dx/dt=ax-bx3+I(t)+u(t) (3);
其中,u(t)为幅值是d的高斯白噪声,采用四阶龙格-库塔法求解得到滤波电流x(t),a、b、d多参数的优化方法确定原则依据时频特征量显著性的提升程度R’效果而定。
步骤2中,若基于滤波电流计算处理得到的10s内系统正常运行和稳定故障电弧状态下时频特征量均满足如下公式(4)的段数占比在10%~90%之间,其中,Fj1(t)是0.25s内的特征量幅值矩阵,j1=1~39的整数,即认为时频特征量不失真;
mean(Fj1+1(t))-mean(Fj1(t))<0 (4);
步骤2中,时频特征量在故障电弧状态下的显著性R过程为:
R=mean(Fj2)/mean(Fj3) (5);
其中,F是选定的时频特征量,Fj2是去除大脉冲的故障电弧状态特征值,Fj3是正常状态特征值;
提升程度R’计算过程为:
R’=R(SR)/R (6);
其中,R(SR)和R分别是滤波电流输入条件下的时频特征量显著性与原始电流输入条件下的时频特征量显著性;F优选为Rbio3.1小波包分解与一维特征映射所得的时频特征量。
步骤5中,计算周期计数变量M的取值上限为2.4/M1,其中,M1为单个计算周期的时间;判断为故障电弧状态电平的输出周期计数变量N≥3M/4。
步骤6中,时频特征量呈现差异的判定原则为:
|F2-F1|/|P2-P1|≥0.01% (7);
其中,F2与F1分别是直流故障电弧发生在P2与P1位置处电流信号计算所得的特征量值。
步骤6中,用于直流故障电弧定位的机器学习分类器训练所选用的输入特征量F满足:
var(F1,F2,F3)≤0.01mean(F1,F2,F3) (8);
其中,F1,F2,F3分别是连续3次在同一发生位置处发生直流故障电弧所得特征值,var是获取方差值的运算符。
本发明的有益效果如下:
1.本发明所提出的随机共振预处理方法可准确提取存在于强系统噪声干扰条件下的直流故障电弧特征,提升了特征不显著的直流故障电弧辨识能力,在提升检测方法抗干扰性的同时也减少了机器学习分类器的内存资源需求,极大程度地减少了复杂系统干扰条件下直流故障电弧保护装置拒动而引发电气火灾事故的风险。
2.本发明所提出的随机共振预处理方法对时频特征增强具有选择性,且不影响具有显著特征的直流故障电弧电流情形,有利于降低进行直流故障电弧检测的特征维度,避免机器学习过拟合和算法计算复杂等一系列阻碍算法问题。
3.本发明所提出的基于机器学习分类器的检测方法在使用特征选择后的时频特征量组后,能有效减少现有直流故障电弧检测装置拒动与误动现象的出现概率,直流系统故障电弧检测可靠性进一步提升,能够有效检测直流故障电弧的应用范围进一步扩大,使得直流系统能够稳定运行。
4.本发明所提出的直流故障电弧定位功能仍利用基于机器学习融合多时频特征量的检测算法框架,可在现有检测时频特征量及机器学习分类器主体上增加较少的处理环节实现直流故障电弧定位功能,由此形成实用的直流故障电弧检测与定位功能一体化算法,使得现有直流故障电弧诊断装置增加选择性功能,降低后期排除故障的运维难度,进而显著提高直流系统经济运行和快速恢复的能力。
5.本发明所提出的直流故障电弧特征选择与诊断方法框架可直接以算法的形式集成至智能断路器、变换器等具有系统停机功能且含有处理器的电气设备;也可芯片化实现后集成至直流断路器;也可作为仅有独立功能的故障诊断装置挂网。
附图说明
图1是本发明一种基于随机共振的直流故障电弧诊断装置的结构组成与工作流程示意图;
图2是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法的流程图;
图3(a)、3(b)是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法中滤波电流的不同时频特征分析输出结果图;
图4是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法中发生直流故障电弧前后的系统回路电流信号图;
图5是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法中Rbio3.1小波包分解时频系数矩阵输出结果图;
图6是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法中时频特征量分析输出结果图;
图7是本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法中用于直流故障电弧定位的时频特征选择结果图。
图中,1.参数设定系统,2.通讯模块,3.脱扣模块,4.信号处理模块,5.滤波控制模块,6.采样模块。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于随机共振的直流故障电弧诊断装置,如图1所示,包括滤波控制模块5,滤波控制模块5分别连接采样模块6、信号处理模块4和通讯模块2,信号处理模块4还连接通讯模块2和脱扣模块3,故障电弧诊断装置通过通讯模块2接收参数设定系统1发送的参数。
参数设定系统1、通讯模块2、脱扣模块3、信号处理模块4、滤波控制模块5、采样模块6均通过供电模块供电。
采样模块6包括能够获取包含直流分量的电流传感器及与该电流传感器对应的调理电路。
滤波控制模块5包括滤波处理电路及其控制电路(例如处理计算芯片采用STM32F103)用于实现输入电流信号的随机共振滤波处理功能。在信号处理模块4检测到复位按钮的操作信息后,按通讯模块2(例如4G方式、WIFI方式)传过来的参数重新设定滤波控制模块5内随机共振及信号处理模块内故障诊断方法,完成参数初始化后指示灯闪烁,操作开合及滤波按钮;指示灯绿色常亮后,诊断装置开始实时判断系统状态,即所采集的直流电流信号被滤波按钮所选模式下的随机共振方法处理;而后被直流故障电弧诊断方法处理;在检测到故障电弧后,脱扣装置(例如微型断路器、组串逆变器)发动作信号给开关实现故障切除,开关按钮状态发生变化,指示灯红色常亮,依据信号处理模块内的故障电弧诊断方法进行故障电弧定位,并在显示屏上显示报警及定位信息。本发明的直流故障电弧诊断装置可以不影响正常故障电弧特征提取过程的同时还能获取微弱故障电弧条件下的有效特征,对故障电弧检测更可靠有效,扩大了保护算法及装置的应用范围,并实现额外故障定位的选择性保护功能。
参数设定系统1包括随机共振参数优化模块、检测/定位时频特征量优化模块、检测/定位机器学习分类器模型优化模块。
本发明一种基于随机共振的直流故障电弧诊断装置的故障诊断方法流程如图2所示,具体包括如下步骤:
步骤1,若在直流故障电弧诊断装置工作前已进行故障电弧报警,需在排除直流故障电弧完毕、直流系统工作状态恢复后,按压直流故障电弧诊断装置的复位按钮,当指示灯闪烁时,再按压开合按钮闭合断路器,相应指示灯恢复绿色常亮。此时的直流故障电弧诊断装置清空控制器端口输出电平,相应声光报警消失且断路器可手动闭合,控制器内的计算周期变量M和故障电弧状态电平输出周期计数变量N等参数均清零。
针对需进行直流故障电弧诊断的直流供电系统,采集故障电弧发生前后的电流信号I(t),基于参数设定系统1(例如运行于MATLAB平台)进行随机共振滤波处理,得到滤波电流信号x(t),而后分别对原始电流I(t)和滤波电流x(t)进行w种相同的时频变换(例如Rbio小波包分解),对所得的二维时频分解系数矩阵Ck,r作i种相同的一维特征映射fi处理(例如极差方式),得到对应的j个时频特征量Fj(t),其中,i=1,2,…,m1,j=1,2,…,m2;
步骤1中时频变换采用Rbio小波包分解,Rbio小波包二维时频分解系数Ck,n的计算方式为:
其中,y(t)为有待小波包分解的信号,k1为母小波伸缩的指标,r1为母小波平移的指标,ψ为变换所选用的母小波即Rbio;
所述步骤1中二维时频分解系数矩阵Ck,n作一维特征映射fi处理的方式为极差方式,极差方式的计算过程如下公式(2)所示:
f=max(C(f,t))-min(C(f,t)) (2);
其中,C(f,t)是所选取频段上所考虑时段内的小波包分解系数;
所述步骤1中随机共振滤波处理的计算过程如下公式(3)所示:
dx/dt=ax-bx3+I(t)+u(t) (3);
其中,u(t)为幅值是d的高斯白噪声,采用四阶龙格-库塔法求解得到滤波电流x(t),a、b、d多参数的优化方法确定原则依据时频特征量显著性的提升程度R’效果而定,优选为蚁群算法。
步骤2,判断步骤1所得的时频特征量Fi(t)是否失真,在时频特征量Fi(t)不失真的前提下,分别计算原始电流I(t)和滤波电流x(t)两种电流输入条件下所得时频特征量在故障电弧状态下的显著性R,利用随机共振滤波处理方式对时频特征量显著性的提升程度R’确定用于直流故障电弧诊断的时频特征量组F;
步骤2中,若基于滤波电流计算处理得到的10s内系统正常运行和稳定故障电弧状态下时频特征量均满足如下公式(4)的段数占比在10%~90%之间,其中,Fj1(t)是0.25s内的特征量幅值矩阵,j1=1~39的整数,即认为时频特征量不失真;
mean(Fj1+1(t))-mean(Fj1(t))<0 (4);
mean是获取均值的运算符。
步骤2中时频特征量在故障电弧状态下的显著性R过程为:
R=mean(F(i))/mean(F(j)) (5);
其中,F是选定的时频特征量,F(i)是去除大脉冲的故障电弧状态特征值,F(j)是正常状态特征值;
提升程度R’计算过程为:
R’=R(SR)/R (6);
其中,R(SR)和R分别是滤波电流输入条件下的时频特征量显著性与原始电流输入条件下的时频特征量显著性;F优选为Rbio3.1小波包分解与一维特征映射所得的时频特征量。
步骤3,采样模块实时采集直流系统运行过程中的回路电流信号,当信号采集到的累计点数n达到min[0.02f,1024]后转至步骤4,其中f为信号的采样频率;
步骤4,按照选择的滤波处理模式,滤波控制模块利用参数优化后的随机共振方法对窗内的电流信号In(t)进行滤波预处理,转至步骤5;
所述滤波处理模式包括两种,具体为:
滤波按钮按下为滤波处理模式一,即满足|FFT(In(t))-FFT(Inor(t))|/FFT(Inor(t))<10%的频段个数占全频段总数70%以上的条件下才对电流信号进行滤波处理,其中,FFT是获取频谱幅值的运算符,In(t)为输入窗内的电流信号,Inor(t)为第一分析周期内的正常电流信号;
未按下为滤波处理模式二,即对所采集的电流信号一律进行滤波处理。
步骤5,信号处理模块依据设定的时频变换对步骤4所得的滤波处理后的电流信号进行分解,得到二维时频系数矩阵,取出0~100kHz时频系数进行特征映射f1,f2……fm1计算,得到时频特征值组成的特征量组F=[F1,F2……Fm2],m2≥m1,利用完成系统状态学习的机器学习分类器融合所得计算周期内的多时频特征值F,输出用于指示当前系统状态的判断电平,一旦输出故障电弧状态电平,分别对计算周期和故障电弧状态电平输出周期计数,在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦达到N个,显示直流故障电弧报警信息,并触发脱扣模块开断电路使直流故障电弧熄灭,而后转至步骤6进行直流故障电弧发生位置的判断;在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦未达到N个,清零计数变量返回步骤1;
机器学习分类器优选为支持向量机回归或随机森林分类器。
步骤5中,计算周期计数变量M的取值上限为2.4/M1,其中,M1为单个计算周期的时间(单位以s计);判断为故障电弧状态电平的输出周期计数变量N≥3M/4。
步骤6,信号处理模块选用步骤5中直流故障电弧发生位置影响因素下呈现差异的检测特征量构成特征量组F’,其中F’是F的子集,输入至训练好的机器学习分类器完成直流故障电弧发生的位置判断,显示需要维护的故障位置信息。
步骤6中,时频特征量呈现差异的判定原则为
|F2-F1|/|P2-P1|≥0.01% (7);
其中,F2与F1分别是直流故障电弧发生在P2与P1位置处电流信号计算所得的特征量值。在所考虑的位置范围内均存在差异的时频特征量可用于直流故障电弧定位。
步骤6中,直流故障电弧定位方法所使用的机器学习分类器应具备多状态分类或回归功能,且与直流故障电弧检测方法使用的机器学习分类器形式一致,优选为支持向量机回归或随机森林分类器;两机器学习模型的训练过程在直流故障电弧诊断方法参数设定系统中完成,机器学习分类器训练所选用的输入特征量F满足
var(F1,F2,F3)≤0.01mean(F1,F2,F3) (8);
其中,F1,F2,F3分别是连续3次在同一发生位置处发生直流故障电弧所得特征值,var是获取方差值的运算符。
本发明所提出的直流故障电弧特征选择与诊断方法框架可直接以算法的形式集成至智能断路器、变换器等具有系统停机功能且含有处理器的电气设备;也可芯片化实现后集成至直流断路器,不影响现有直流产品的机械结构和电气连接。本发明的直流故障电弧诊断装置可以不影响正常故障电弧特征提取过程的同时还能获取微弱故障电弧条件下的有效特征,对故障电弧检测更可靠有效,扩大了保护算法及装置的应用范围,并实现额外故障定位的选择性保护功能。
直流故障电弧诊断装置对系统电流信号实时分析,通过随机共振滤波(由滤波按钮选取)、检测时频特征量组计算、训练好的机器学习分类器模型分类后,对系统状态实时进行判断。一旦触发直流故障电弧判定标准,便进行报警信息显示并指示灯红灯常亮,相应动作信号使得电弧熄灭,由此确保直流系统的稳定安全运行。在检测到直流故障电弧后,诊断装置继续进行直流故障电弧发生位置信息的判断,进行故障位置信息显示。下次装置正常工作前,在确认故障清除后按压直流故障电弧诊断装置的复位按钮,指示灯闪烁时,再拨动开合按钮闭合断路器,相应指示灯恢复绿色常亮,进行后续系统状态判断。
这些故障电弧诊断算法内的随机共振滤波参数、检测时频特征量组和定位特征量、用于直流故障电弧检测和定位的训练机器学习分类器模型等均在离线直流故障电弧诊断方法参数设定系统中选择确定。直流故障电弧诊断装置中的通讯模块接收到这些优化参数信息后,改变参数的直流故障电弧诊断算法能以最小资源占用的方式自适应地进行直流供电系统内的故障电弧诊断。离线直流故障电弧诊断方法参数设定系统将参数、时频特征量的选择依据进行软件算法实现,最初运行前在该软件界面中输入待安装系统的典型直流故障电弧波形,由此得到可用于在线直流故障电弧诊断装置的最优参数和特征量组。其中用于检测、定位的时频特征量和机器学习分类器模型所使用的电流数据样本不同,但存在形式上的重叠。与检测问题不同的是,直流故障电弧定位涉及多标签的学习,因而要求所使用的机器学习分类器应具备多状态分类或回归功能,优选为支持向量机回归或随机森林分类器。
结合图3,阐述应用本发明进行直流故障电弧时频特征选择的实施流程。
对直流系统回路电流I(t)进行随机共振滤波处理,对所得滤波电流x(t)分别进行Rbio3.1小波包分解和Db9小波包分解等多个小波变换分析,即求解公式(1)在ψ分别为Rbio3.1和Db9时的二维时频分解系数矩阵Ck,n,而后采用能量的一维特征映射方式F0=sum(C(f,t)2),其中,C(f,t)是所选取频段上所考虑时段内的小波包分解系数,sum是获取和值的运算符,所得时频特征结果如图3(a)所示。可以看出,所得时频特征在直流故障电弧发生时刻2.18s给出大脉冲指示,且直流故障电弧状态下的特征值持续保持较大幅值输出,证实该特征量能够有效提取直流故障电弧信息。对原始电流进行相同的小波变换分析,计算在随机共振滤波处理前后时频特征量在故障电弧状态下的显著性,对比可以看出Rbio3.1小波包分解所得特征显著性均优于Db9小波包分解,这一现象证实了随机共振方法对直流故障电弧特征的增强效果。增强后的Rbio3.1小波时频特征在故障电弧状态下更为显著,有利于提升检测准确率、减少机器学习分类器内存占用。图3a中绿线高于蓝线的结果证实定量衡量特征量显著性的定义方式是正确的。对应计算两小波包分解的提升程度,对比可以看出随机共振滤波方式对Rbio3.1小波包分解的特征显著性提升程度优于Db9小波包分解,由此可利用随机共振进行直流故障电弧的特征选择,进而得到直流故障电弧特征使用优先级的定量评估手段。
而后对同一滤波电流进行短时傅里叶变换分析,即求解下式中的二维时频分解系数矩阵Ck2,r2:
其中,k2为时间轴上的变量,r2为频率轴上的变量,h(m)为只有实值部分的时间窗函数,m为计数变量,计数范围为0~N1-1,N1和M2为短时傅里叶变换常数参量,而后采用绝对值的一维特征映射方式F1=abs(Ck2,r2),其中,Ck2,r2是所选取频段上所考虑时段内的短时傅里叶变换系数,abs是获取绝对值的运算符,所得时频特征结果如图3(b)所示,短时傅里叶变换输出的时频特征结果未能呈现图3(a)所示的直流故障电弧指示脉冲及特征幅值增大状态,且系统正常运行状态下的特征值变化不满足本发明特征选择的要求。对于同一时频特征量而言,不同的随机共振参数优化方法所确定的随机共振参数不同,由此构建的滤波环节存在差异,相应使用滤波电流计算处理后的特征显著性便存在差异,应对比时频特征量显著性的提升程度效果,从中选择确定最好提升效果对应的随机共振参数应用至一体化在线直流故障电弧诊断装置中。
综上所述,应用本发明提出的基于随机共振的特征选择方法,可妥善排除短时傅里叶变换这类直流故障电弧特征输出失真的情形,在具备直流故障电弧特征提取有效的Rbio3.1和Db9小波包分解中,选用提升程度更为显著的Rbio3.1小波时频特征,由此构造的时频特征量组不仅能提取微弱的直流故障电弧信息,还能进一步提升后续诊断方法中机器学习分类器的实用性和抗干扰性。
结合图4~6,阐述应用本发明进行直流故障电弧检测的实施流程。
如图4所示,图示I阶段为直流系统正常运行状态下的回路电流信号,II阶段为直流系统内发生故障电弧后的回路电流信号,回路电流在直流故障电弧发生时刻产生的大脉冲标志着系统状态的改变。可以看出,区别于正常回路电流信号,直流故障电弧电流总体幅值略微减小,波动幅度加大且产生来回震荡的脉冲信号。
直流故障电弧诊断装置依据设定的时频变换如Rbio3.1小波包分解对回路电流信号进行分析,得到的小波包分解在选定频段上的二维时频系数C结果如图5所示。所得小波分解结果的大脉冲指示直流故障电弧的发生,且在直流故障电弧状态下呈现的小波包系数波动幅度都大于正常状态。利用构建的一维基于极差的特征映射形式计算电流信号的时频特征量,得到的输出结果如图6所示。该时频特征量可以确定故障电弧的发生时刻,并有效地区分正常状态和故障电弧状态。
依据上述时频特征信息对应的系统电流状态进行标记,输入至离线直流故障电弧诊断方法参数设定系统中的机器学习分类器如随机森林进行训练,学习得到的分类模型设置于直流故障电弧诊断装置中。该装置结合掌握的直流故障电弧特征分类依据,对计算所得的特征信息进行实时系统状态判断,一旦输出故障电弧状态电平,便分别对计算周期和故障电弧状态电平输出周期计数。在触发规定的直流故障电弧判断标准后,直流故障电弧诊断装置进行直流故障电弧报警,并开断电路使直流故障电弧熄灭;否则,认为是系统暂态干扰过程,自动清零计数变量后继续进行后续系统状态分析,由此完成直流故障电弧的在线检测。
结合图7,阐述应用本发明进行直流故障电弧定位的实施流程。
依据时频特征量随直流故障电弧发生位置因素的变化而呈现差异的原则,在用于直流故障电弧检测的时频特征量组中选择的特征输出结果如图7所示。因此,该时频特征量也是依据Rbio3.1小波包分解组合一维特征映射形式计算得到的,即F4=mean(F3(fault))-mean(F3(normal)),F3(fault)和F3(normal)分别是图6中故障电弧时段与正常时段内的特征值,其对不同位置尤其是远距离处发生的直流故障电弧仍能表现出有效的差异,以满足直流故障电弧检测需求。此外,这种差异还因直流故障电弧发生位置的不同而改变,由此形成图7所示随发生位置距离的增大而呈现逐渐减小的幅值。与此同时,为保障有效的定位精度,特征值在距离变化过程中的变化趋势应保持一致,故而要求用于直流故障电弧定位的特征量组在分析同一位置处发生的3次直流故障电弧所得输出方差不大于所得输出均值的百分之一。如此一来,因故障电弧发生位置不同的电流信号差异就能够被发掘的时频特征所掌握,可以将此差异作为故障电弧定位的依据。
结合这些能够体现直流故障电弧发生位置影响因素条件下差异的检测特征量,按照定位精度要求选择具有回归能力的机器学习模型或具备多状态分类的机器学习分类器,输入至离线直流故障电弧诊断方法参数设定系统中的机器学习模型如支持向量机回归或随机森林进行训练,学习得到的分机器学习模型设置于直流故障电弧诊断装置中,由此实现直流故障电弧的定位功能,显示需要维护的位置信息。如此一来,直流故障电弧定位方法与检测方法的计算框架存在较多重合,有利于在低成本、小体积的前提下实现诊断装置的多样功能。
Claims (9)
1.一种基于随机共振的直流故障电弧诊断方法,其特征在于,采用一种基于随机共振的直流故障电弧诊断装置,包括滤波控制模块,滤波控制模块分别连接采样模块、信号处理模块和通讯模块,信号处理模块还连接通讯模块和脱扣模块,所述直流故障电弧诊断装置通过通讯模块接收参数设定系统发送的参数;
具体包括如下步骤:
步骤1,针对需进行直流故障电弧诊断的直流供电系统,采集故障电弧发生前后的电流信号I(t),基于参数设定系统进行随机共振滤波处理,得到滤波电流信号x(t),而后分别对原始电流I(t)和滤波电流x(t)进行w种相同的时频变换处理,对所得的二维时频分解系数矩阵Ck,r作i种相同的一维特征映射fi处理,得到对应的j个时频特征量Fj(t),其中,i=1,2,…,m1,j=1,2,…,m2;
步骤2,判断步骤1所得的时频特征量Fj(t)是否失真,在时频特征量Fj(t)不失真的前提下,分别计算原始电流I(t)和滤波电流x(t)两种电流输入条件下所得时频特征量在故障电弧状态下的显著性R,利用随机共振滤波处理方式对时频特征量显著性的提升程度R’确定用于直流故障电弧诊断的时频特征量组F;
步骤3,采样模块实时采集直流系统运行过程中的回路电流信号,当信号采集到的累计点数n达到min[0.02f,1024]后转至步骤4,其中f为信号的采样频率;
步骤4,按照选择的滤波处理模式,滤波控制模块利用参数优化后的随机共振方法对窗内的电流信号In(t)进行滤波预处理,转至步骤5;
所述滤波处理模式包括两种,具体为:
滤波按钮按下为滤波处理模式一,即满足|FFT(In(t))-FFT(Inor(t))|/FFT(Inor(t))<10%的频段个数占全频段总数70%以上的条件下才对电流信号进行滤波处理,其中,FFT是获取频谱幅值的运算符,In(t)为输入窗内的电流信号,Inor(t)为第一分析周期内的正常电流信号;
未按下为滤波处理模式二,即对所采集的电流信号一律进行滤波处理;
步骤5,信号处理模块依据设定的时频变换对步骤4所得的滤波处理后的电流信号进行分解,得到二维时频系数矩阵,取出0~100kHz时频系数进行特征映射f1,f2……fm1计算,得到时频特征值组成的特征量组F=[F1,F2……Fm2],m2≥m1,利用完成系统状态学习的机器学习分类器融合所得计算周期内的多时频特征值F,输出用于指示当前系统状态的判断电平,一旦输出故障电弧状态电平,分别对计算周期和故障电弧状态电平输出周期计数,在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦达到N个,显示直流故障电弧报警信息,并触发脱扣模块开断电路使直流故障电弧熄灭,而后转至步骤6进行直流故障电弧发生位置的判断;在规定的M个计算周期内判断为故障电弧状态电平的输出周期一旦未达到N个,清零计数变量返回步骤1;
步骤6,信号处理模块选用步骤5中直流故障电弧发生位置影响因素下呈现差异的检测特征量构成特征量组F’,其中F’是F的子集,输入至训练好的机器学习分类器完成直流故障电弧发生的位置判断,显示需要维护的故障位置信息。
2.根据权利要求1所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述采样模块包括能够获取包含直流分量的电流传感器及与该电流传感器对应的调理电路。
3.根据权利要求2所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述滤波控制模块用于实现输入电流信号的随机共振滤波处理功能。
4.根据权利要求3所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述参数设定系统包括随机共振参数优化模块、检测/定位时频特征量优化模块、检测/定位机器学习分类器模型优化模块。
5.根据权利要求4所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述步骤1中,时频变换采用Rbio小波包分解,Rbio小波包二维时频分解系数Ck1,r1的计算方式为:
其中,y(t)为有待小波包分解的信号,k1为母小波伸缩的指标,r1为母小波平移的指标,ψ为变换所选用的母小波即Rbio;
所述步骤1中,二维时频分解系数矩阵Ck,r作一维特征映射fi处理的方式为极差方式,极差方式的计算过程如下公式(2)所示:
f=max(C(f,t))-min(C(f,t)) (2);
其中,C(f,t)是所选取频段上所考虑时段内的小波包分解系数;
所述步骤1中,随机共振滤波处理的计算过程如下公式(3)所示:
dx/dt=ax-bx3+I(t)+u(t) (3);
其中,u(t)为幅值是d的高斯白噪声,采用四阶龙格-库塔法求解得到滤波电流x(t),a、b、d多参数的优化方法确定原则依据时频特征量显著性的提升程度R’效果而定。
6.根据权利要求5所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述步骤2中,若基于滤波电流计算处理得到的10s内系统正常运行和稳定故障电弧状态下时频特征量均满足如下公式(4)的段数占比在10%~90%之间,其中,Fj1(t)是0.25s内的特征量幅值矩阵,j1=1~39的整数,即认为时频特征量不失真;
mean(Fj1+1(t))-mean(Fj1(t))<0 (4);
所述步骤2中,时频特征量在故障电弧状态下的显著性R过程为:
R=mean(Fj2)/mean(Fj3) (5);
其中,F是选定的时频特征量,Fj2是去除大脉冲的故障电弧状态特征值,Fj3是正常状态特征值;
提升程度R’计算过程为:
R’=R(SR)/R (6);
其中,R(SR)和R分别是滤波电流输入条件下的时频特征量显著性与原始电流输入条件下的时频特征量显著性;F为Rbio3.1小波包分解与一维特征映射所得的时频特征量。
7.根据权利要求6所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述步骤5中,计算周期计数变量M的取值上限为2.4/M1,其中,M1为单个计算周期的时间;判断为故障电弧状态电平的输出周期计数变量N≥3M/4。
8.根据权利要求7所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述步骤6中,时频特征量呈现差异的判定原则为:
|F2-F1|/|P2-P1|≥0.01% (7);
其中,F2与F1分别是直流故障电弧发生在P2与P1位置处电流信号计算所得的特征量值。
9.根据权利要求8所述的一种基于随机共振的直流故障电弧诊断方法,其特征在于,所述步骤6中,用于直流故障电弧定位的机器学习分类器训练所选用的输入特征量F满足:
var(F1,F2,F3)≤0.01mean(F1,F2,F3) (8);
其中,F1,F2,F3分别是连续3次在同一发生位置处发生直流故障电弧所得特征值,var是获取方差值的运算符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092127.2A CN112433128B (zh) | 2020-10-13 | 2020-10-13 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092127.2A CN112433128B (zh) | 2020-10-13 | 2020-10-13 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112433128A CN112433128A (zh) | 2021-03-02 |
CN112433128B true CN112433128B (zh) | 2022-12-02 |
Family
ID=74690186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092127.2A Active CN112433128B (zh) | 2020-10-13 | 2020-10-13 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112433128B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113298124B (zh) * | 2021-05-08 | 2023-03-24 | 西安理工大学 | 一种基于参数匹配的多层次直流故障电弧检测方法 |
CN113552443B (zh) * | 2021-06-08 | 2022-12-02 | 广西大学 | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 |
CN113721525A (zh) * | 2021-09-01 | 2021-11-30 | 北京中联杰能科技有限公司 | 冶炼过程电极防共振折断控制处理方法、装置及冶炼炉 |
CN114062880B (zh) * | 2021-12-20 | 2022-12-13 | 西安交通大学 | 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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539472A (zh) * | 2009-04-30 | 2009-09-23 | 北京工业大学 | 一种低速重载设备微弱故障并联随机共振检测方法 |
CN102253293A (zh) * | 2011-05-30 | 2011-11-23 | 南京航空航天大学 | 一种直流电弧故障检测方法及装置 |
CN103063914A (zh) * | 2012-12-29 | 2013-04-24 | 杭州电子科技大学 | 基于调制双稳态随机共振原理的微弱信号检测电路 |
JP2016224009A (ja) * | 2015-06-03 | 2016-12-28 | 富士電機株式会社 | 信号処理装置及びノイズ強度決定方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109187022A (zh) * | 2018-08-31 | 2019-01-11 | 南京信息工程大学 | 一种基于随机共振与自动编码器的滚动轴承故障诊断方法 |
CN109560770A (zh) * | 2018-10-29 | 2019-04-02 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
CN110554293A (zh) * | 2018-05-31 | 2019-12-10 | 广东电网有限责任公司 | 一种局放信号处理装置 |
-
2020
- 2020-10-13 CN CN202011092127.2A patent/CN112433128B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539472A (zh) * | 2009-04-30 | 2009-09-23 | 北京工业大学 | 一种低速重载设备微弱故障并联随机共振检测方法 |
CN102253293A (zh) * | 2011-05-30 | 2011-11-23 | 南京航空航天大学 | 一种直流电弧故障检测方法及装置 |
CN103063914A (zh) * | 2012-12-29 | 2013-04-24 | 杭州电子科技大学 | 基于调制双稳态随机共振原理的微弱信号检测电路 |
JP2016224009A (ja) * | 2015-06-03 | 2016-12-28 | 富士電機株式会社 | 信号処理装置及びノイズ強度決定方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110554293A (zh) * | 2018-05-31 | 2019-12-10 | 广东电网有限责任公司 | 一种局放信号处理装置 |
CN109187022A (zh) * | 2018-08-31 | 2019-01-11 | 南京信息工程大学 | 一种基于随机共振与自动编码器的滚动轴承故障诊断方法 |
CN109560770A (zh) * | 2018-10-29 | 2019-04-02 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
CN109765052A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于goa-asr的行星齿轮箱早期故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Feature Enhancement Method for Weak Photovoltaic Series Arc Fault Signals;Silei Chen 等;《2020 IEEE 66th Holm Conference on Electrical Contacts and Intensive Course (HLM)》;20201007;全文 * |
电力系统故障的微弱信号检测方法的研究;刘积慧 等;《计算机测量与控制》;20180125;第26卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112433128A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433128B (zh) | 一种基于随机共振的直流故障电弧诊断方法及装置 | |
US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
CN102135558B (zh) | 过电压数据采集分层识别系统及类型分层模式识别方法 | |
CN104569683B (zh) | 一种故障电弧的检测方法 | |
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 | |
CN105676088A (zh) | 一种故障电弧探测装置的测试设备和方法 | |
CN104215826A (zh) | 一种故障电弧式电气火灾监控探测装置和识别故障电弧和报警方法 | |
CN105634133A (zh) | 一种供配电监控系统 | |
CN115150206B (zh) | 一种信息安全用的入侵检测安全预警系统及其方法 | |
CN110398669A (zh) | 电弧故障检测方法 | |
CN103901356A (zh) | 微机直流系统故障监测装置及其监测方法 | |
CN105629112A (zh) | 一种故障电弧检测装置及方法 | |
CN113745049B (zh) | 一种真空灭弧室内真空度监测方法及系统 | |
CN113281625B (zh) | 一种低压用户非侵入式电弧故障精准检测方法及系统 | |
CN114415032A (zh) | 一种动力电池安全性检测方法、系统及存储介质 | |
CN113466593A (zh) | 一种非侵入式负荷监测安全防护方法及样本库建立方法 | |
CN113297786A (zh) | 一种基于半监督式机器学习的低压故障电弧感知方法 | |
CN117590230A (zh) | 一种电池故障检测方法及装置 | |
CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
CN106353650A (zh) | 一种电力电缆局部放电监测装置及其监测方法 | |
CN114977492A (zh) | 一种用于海上平台中控系统的电源监测与诊断方法 | |
CN112130091A (zh) | 基于多源数据的变电站不接地系统单相接地在线监测方法 | |
CN203798992U (zh) | 微机直流系统故障监测装置 | |
CN206132917U (zh) | 电力电缆局部放电监测装置 | |
CN106385029A (zh) | 一种浪涌抗扰度采样的滤波方法 |
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 |