CN113514728B - 一种故障电弧检测装置及方法与三相电路故障检测方法 - Google Patents
一种故障电弧检测装置及方法与三相电路故障检测方法 Download PDFInfo
- Publication number
- CN113514728B CN113514728B CN202110435715.XA CN202110435715A CN113514728B CN 113514728 B CN113514728 B CN 113514728B CN 202110435715 A CN202110435715 A CN 202110435715A CN 113514728 B CN113514728 B CN 113514728B
- Authority
- CN
- China
- Prior art keywords
- fault arc
- current
- detection circuit
- arc
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 10
- 239000003990 capacitor Substances 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000035699 permeability Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 229910001053 Nickel-zinc ferrite Inorganic materials 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
一种故障电弧检测装置及方法与三相电路故障检测应用,包括有输入电流检测电路、输出电流检测电路、信号处理模块、过零点检测电路和电容分支检测电路;本发明可集成在断路器、插头之中,通过电容分支检测单元对高频故障电弧信号进行检测,当检测到故障电弧后,在过零点单元检测到的交流周期中,将电容分支检测到的高频故障电弧信号与输入电流检测单元和输出电流检测单元的采样数据进行相关技术,通过将相关值输入设定的神经网络,能够准确识别故障电弧位于输出回路或输入回路。
Description
技术领域
本发明涉及电路技术领域,特别是一种故障电弧检测装置及方法。
背景技术
电弧故障保护电器(Arc Fault Detection Devices,AFDD)是一种新型用电线路保护装置。其主要功能是检测和辨别危险的接地电弧故障、并联电弧故障和串联电弧故障,并及时驱动使电流断开的装置,避免发生电气火灾。AFDD装置的电弧故障检测识别技术对于电网的交流配电保护起到了关键作用,将来也为直流领域、智能城市、航空航天电气系统以及油电混动新能源车及电气系统的直流电弧故障检测提供有效保护。
在CN106054009B中公开了一种名为“家电设备及用于其的故障电弧检测装置”,它通过滤波保护单元衰减高频电弧,再通过比较输入端电流和输出端电流的大小来判断故障电弧的产生方向。其不足在于:1、由于电网上负载多,会时刻产生高频电弧,单纯比较输入电流和输出电流,容易产生误判故障电弧;2、常用滤波保护单元不具备高频电弧信噪比的增强功能,对于低信噪比的高频电弧信号无法确定识别。
在CN109975673B中公开了一种名为“一种光伏微电网直流侧故障电弧识别方法”,它将模糊熵作为神经网络的输入,用于判断故障电弧是否发生。其不足在于:无法确定故障电弧发生的方向。
发明内容
本发明的一个目的就是提供一种故障电弧检测装置。
本发明的该目的是通过这样的技术方案实现的,它包括有用于检测电流输入端检测信号Ii(t)的输入电流检测电路、用于检测电流输出端检测信号Io(t)的输出电流检测电路和信号处理模块,所述装置还包括有过零点检测电路和电容分支检测电路;
所述过零点检测电路,用于检测电流输入端的火线与零线之间交流电压的过零点,确定过零点之间的交流周期T;所述电容分支检测电路,位于电流输入端与输出端之间,用于电容分支上的高频故障电弧信号Ih(t);
所述电容分支检测电路包括有电容、磁环和线圈,电容、磁环和线圈呈穿芯式互感器设计,连接在火线与零线之间。
进一步,所述电容取值范围为0.01uf-100uf;磁环材质为镍锌铁氧体,导磁率取值范围为200-2000;线圈匝数取值范围为1-100。
进一步,所述电容最优值为1uf;磁环导磁率最优值为650,线圈匝数最优值为3。
进一步,所述装置还包括有脱扣电路和报警模块,脱扣电路和报警模块均接收信号处理模块发送的控制指令。
进一步,所述装置还包括有电源模块,所述电源模块的输入端连接到电流输入端与脱扣电路之间,所述电源模块的输出端与为信号处理模块提供直流电源。
本发明的另一个目的就是提供一种故障电弧检测方法。
本发明的该目的是通过这样的技术方案实现的,具体步骤如下:
1)通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流Ii[n],、输出电流Io[n],和高频故障电弧信号Ih[n];其中n=0,1…,L-1,L是在过零点检测电路确定的一个交流周期内采样点的个数;
2)通过信号处理模块对输入电流Ii(t)、输出电流Io(t)和故障电弧信号Ih(t)进行处理识别,若有高频故障电弧信号Ih(t),则记录当前周期T内的故障电弧的电流波形I_arc[n],记录故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值;当检测到总的故障电弧出现的次数大于等于门限值M,认为出现故障电弧;
3)判断故障电弧方向。
进一步,步骤3)中所述故障电弧的方向通过神经网络算法确定,具体步骤如下:
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数。网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
本发明的另一个目的就是提供一种三相电路故障检测方法。
本发明的该目的是通过这样的技术方案实现的,具体步骤如下:
所述故障电弧检测装置为三个,分别连接在三相电路的火线与零线之间。
S1、通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流IAi[n]、IBi[n]、ICi[n]输出电流IAo[n]、IBo[n]、ICo[n],和高频故障电弧信号IAh[n]、IBh[n]、ICh[n];其中n=0,1…,L-1,L是在过零点检测电路确定的一个交流周期内采样点的个数;
S2、在N个交流周期内,通过信号处理模块对IAh[n]、IBh[n]、ICh[n],n=0,1…,L-1,进行处理识别,若存在故障电弧,计算A、B、C相上的故障电弧能量,分别为PA_arc,PB_arc,PC_arc,根据三者中最大的值来确定故障电弧发生的相位,设相位为X,记录该相位发生的故障电弧次数,存储为X相中当前周期T内的故障电弧的电流波形I_arc[n]。记录X相位故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值;当检测到A、B、C三相中某相总的故障电弧出现的次数大于等于门限值M,认为该相位出现故障电弧;
S3、通过神经网络算法判断故障电弧方向;
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数。网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
由于采用了上述技术方案,本发明具有如下的优点:
1、本发明电容分支检测电路包括有电容、磁环和线圈,电容、磁环和线圈呈穿芯式互感器设计,经过大量实验后得到了优化的电路参数,可将故障电弧信噪比提高6dB以上;
2、本发明通过过零点检测电路确定交流周期,在周期内自定义公式判断是否产生故障电弧,正确率高;
3、本发明通过输入电流与输出电流的相关系数作为神经网络输入,输出为故障电弧发生的方向,准确度高,可有效排除电网负载不稳定造成的判断故障电弧方向误差。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明装置的结构示意图;
图2为本电容分支检测电路的结构示意图;
图3为高频故障电弧能量提升实验的第一实验电路图;
图4为高频故障电弧能量提升实验的第二实验电路图;
图5为高频故障电弧能量提升实验的第三实验电路图;
图6为现有故障电流检测电路示意图;
图7为现有故障电弧电压检测电路示意图;
图8为三相电路故障检测的电路结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1:
一种故障电弧检测方法,具体步骤如下:
1)通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流Ii[n],、输出电流Io[n],和高频故障电弧信号Ih[n];其中n=0,1…,L-1,L是在一个交流周期内采样点的个数;
2)通过信号处理模块对输入电流Ii(t)、输出电流Io(t)和故障电弧信号Ih(t)进行处理识别,若有高频故障电弧信号Ih(t),则记录当前周期T内的故障电弧的电流波形I_arc[n],记录故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值。当检测到总的故障电弧出现的次数大于等于门限值M,认为出现故障电弧;
3)判断故障电弧方向。
步骤3)中所述故障电弧的方向通过神经网络算法确定,具体步骤如下:
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数。网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
如图1、图2所示,一种故障电弧检测装置,包括有用于检测电流输入端检测信号Ii(t)的输入电流检测电路、用于检测电流输出端检测信号Io(t)的输出电流检测电路和信号处理模块,其特征在于,所述装置还包括有过零点检测电路和电容分支检测电路;
所述过零点检测电路,用于检测电流输入端的火线与零线之间交流电压的过零点,确定过零点之间的周期T;所述电容分支检测电路,位于电流输入端与输出端之间,用于电容分支上的高频故障电弧信号Ih(t);
所述电容分支检测电路包括有电容、磁环和线圈,电容、磁环和线圈呈穿芯式互感器设计,连接在火线与零线之间。本发明可集成在断路器、插头之中,通过电容分支检测单元对高频故障电弧信号进行检测,当检测到故障电弧后,在过零点单元检测到的交流周期中,将故障电弧电压波形的采样数据与输入电流检测单元和输出电流检测单元的采样数据进行相关技术,通过将相关值输入设定的神经网络,能够准确识别故障电弧位于输出回路或输入回路。
本发明还可以通过多个所述的故障电弧检测装置,对每一个故障电弧检测装置进行地址编码,故障电弧发生时,成功检测到故障电弧的所述装置将故障电弧的来源方向发送到服务器或云平台,由服务器或云平台,根据多个故障电弧上报的故障电弧来源方向和地址编码,判断故障电弧发生的线路位置。
电容分支检测电路通过通过电容和磁环、线圈形成的穿芯式互感器设计,在L、N线间形成低阻高频电流通路,具有三个重要功能:
1、在电容分支检测电路通过磁环和缠绕线圈采集高频故障电弧信号,其信号与工频电流大小无关;2、电容分支检测电路所形成的低阻抗通道能够增大高频故障电流的大小;3、电容分支检测电路所形成的低阻抗通道,能够分流输入电流检测电路和输出电流检测电路之间的高频故障电弧信号。
所述装置还包括有脱扣电路和报警模块,脱扣电路和报警模块均接收信号处理模块发送的控制指令。
所述脱扣电路的两端用于连接所述故障电弧检测装置中输出电流回路的火线和零线上,脱扣电路的控制端与所述信号处理模块连接,其中,在所述故障电弧来源于所述故障电弧检测装置输出端时,所述信号处理模块可控制脱扣电路处于断开状态,以使所述故障电弧检测装置输出端断电。报警模块的控制端与信号处理模块相连,其中,所述信号处理模块检测到故障电弧来源于所述故障电弧检测装置输入端或输出端时,所述故障报警单元可通过有线或无线通信的方式对外发送故障报警数据,可发出声光电报警,指示故障电弧检测装置发生的来源方向。本发明也可以通过控制线连接其他的微型断路器,当发生故障电弧时,控制断路器的开闭。也可以不需要所述输出端,作为一个只有输入端的故障电弧检测装置,将所述装置的输入端L、N端连接到电网的L、N线上,检测所连接的电网中是否存在故障电弧。
高频故障电弧能量提升实验:
电容最优值为1uf;磁环导磁率最优值为650,线圈匝数最优值为3。
试验条件参见GB14287.4-2014国家标准,按照GB14287.4-2014中6.3.4.1.1的方法发生电弧并检验试样,试验电路如图3所示,屏蔽负载为1000W阻性负载,屏蔽负载及其运行方式分别选用表1中所列的最高速度下工作的吸尘器和制热方式下工作的2匹定频空调;按照图4连接试验设备进行负载抑制试验,其中电阻性负载功率为1000W,屏蔽负载及其运行方式选用表1中所列的带有电子镇流器的日光灯。试验时分别启动上述的屏蔽负载,调节电弧发生器如图5所示,产生故障电弧。若线路中产生每秒14个及以上半周期的故障电弧,则此组试验为有效试验,观察并记录探测器状态,并记录试样的报警时间。
实验中在火零线之间跨接一个0.22uF的电容,对电弧故障高频信号特征频段来说,形成低阻抗回路,造成高频信号急剧衰减。检测故障电弧的频率范围为0.1-30MHz,,采用本发明设计的故障电弧检测装置,在相同条件下,相比于已有故障电流检测电路如图6所示和已有故障电弧电压检测电路如图7所示,故障电弧的能量和背景噪声的比值SNR,与已有的故障电弧检测方法相比较,提升6dB以上。
在同一实验条件下,本发明的故障电弧信噪比测试平均值约为23dB,已有故障电弧检测方法测量的故障电弧信噪比平均值约为17dB,本发明所测得的故障电弧信噪比大于已有方案6dB以上。
表1
本领域技术人员根据检测原理,可以合理推导得出输入的L线,也可以接在电网的N线,N线接L线,即可以反接检测。
实施例2:
一种三相电路故障检测方法,如图8所示,具体步骤如下:
S1、通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流IAi[n]、IBi[n]、ICi[n]输出电流IAo[n]、IBo[n]、ICo[n],和高频故障电弧信号IAh[n]、IBh[n]、ICh[n];其中n=0,1…,L-1,L是在过零点检测电路确定的一个交流周期内采样点的个数;
S2、在N个交流周期内,通过信号处理模块对IAh[n]、IBh[n]、ICh[n],n=0,1…,L-1,进行处理识别,若存在故障电弧,计算A、B、C相上的故障电弧能量,分别为PA_arc,PB_arc,PC_arc,根据三者中最大的值来确定故障电弧发生的相位,设相位为X,记录该相位发生的故障电弧次数,存储为X相中当前周期T内的故障电弧的电流波形I_arc[n]。记录X相位故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值;当检测到A、B、C三相中某相总的故障电弧出现的次数大于等于门限值M,认为该相位出现故障电弧;
S3、通过神经网络算法判断故障电弧方向;
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数。网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
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 (3)
1.一种故障电弧检测装置的故障电弧检测方法,其特征在于,所述故障电弧检测装置包括有用于检测电流输入端检测信号Ii(t)的输入电流检测电路、用于检测电流输出端检测信号Io(t)的输出电流检测电路和信号处理模块,所述装置还包括有过零点检测电路和电容分支检测电路;
所述过零点检测电路,用于检测电流输入端的火线与零线之间交流电压的过零点,确定过零点之间的交流周期T;所述电容分支检测电路,位于电流输入端与输出端之间,用于电容分支上的高频故障电弧信号Ih(t);
所述电容分支检测电路包括有电容、磁环和线圈,电容、磁环和线圈呈穿芯式互感器设计,连接在火线与零线之间;
所述故障电弧检测方法的具体步骤如下:
1)通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流Ii[n]、输出电流Io[n],和高频故障电弧信号Ih[n];其中n=0,1…,L-1,L是在过零点检测电路确定的一个交流周期内采样点的个数;
2)通过信号处理模块对输入电流Ii(t)、输出电流Io(t)和故障电弧信号Ih(t)进行处理识别,若有高频故障电弧信号Ih(t),则记录当前周期T内的故障电弧的电流波形I_arc[n],记录故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值;当检测到总的故障电弧出现的次数大于等于门限值M,认为出现故障电弧;
3)判断故障电弧方向。
2.如权利要求1所述的故障电弧检测方法,其特征在于,步骤3)中所述故障电弧的方向通过神经网络算法确定,具体步骤如下:
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数;网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
3.一种三相电路故障检测方法,其特征在于,所述方法采用三个故障电弧检测装置分别连接在三相电路的火线与零线之间;所述故障电弧检测装置包括有用于检测电流输入端检测信号Ii(t)的输入电流检测电路、用于检测电流输出端检测信号Io(t)的输出电流检测电路和信号处理模块,所述装置还包括有过零点检测电路和电容分支检测电路;所述过零点检测电路,用于检测电流输入端的火线与零线之间交流电压的过零点,确定过零点之间的交流周期T;所述电容分支检测电路,位于电流输入端与输出端之间,用于电容分支上的高频故障电弧信号Ih(t);所述电容分支检测电路包括有电容、磁环和线圈,电容、磁环和线圈呈穿芯式互感器设计,连接在火线与零线之间;三相电路故障检测方法的具体步骤如下:
S1、通过过零点检测电路检测电流输入端的火线与零线之间的交流电压过零点,确定过零点之间的周期T;
通过输入电流检测电路、输出电流检测电路和电容分支检测电路分别采样,分别得到输入电流IAi[n]、IBi[n]、ICi[n]输出电流IAo[n]、IBo[n]、ICo[n],和高频故障电弧信号IAh[n]、IBh[n]、ICh[n];其中n=0,1…,L-1,L是在过零点检测电路确定的一个交流周期内采样点的个数;
S2、在N个交流周期内,通过信号处理模块对IAh[n]、IBh[n]、ICh[n],n=0,1…,L-1,进行处理识别,若存在故障电弧,计算A、B、C相上的故障电弧能量,分别为PA_arc,PB_arc,PC_arc,根据三者中最大的值来确定故障电弧发生的相位,设相位为X,记录该相位发生的故障电弧次数,存储为X相中当前周期T内的故障电弧的电流波形I_arc[n];记录X相位故障电弧发生对所述输入端和所述输出端的当前交流周期的电流波形Ii[n]和Io[n]与I_arc[n]分别进行相关计算,其中m表示N个交流电压周期内检测到的第m个故障电弧周期,Iarc[n]为电容分支检测的故障电弧波形的第n个采样值,Ii[n]为输入检测电路检测电流的第n个采样值,Io[n]为输出检测电路检测电路的第n个采样值;当检测到A、B、C三相中某相总的故障电弧出现的次数大于等于门限值M,认为该相位出现故障电弧;
S3、通过神经网络算法判断故障电弧方向;
输入特征向量Ci_set和Co_set,Ci_set=[Ci_1,Ci_2,…,Ci_M],Co_set=[Co_1,Co_2,…,Co_M],Ci_set和Co_set中分别记录了故障电弧发生的M个交流周期中Ii[n]和Io[n]分别与Iarc[n]的相关系数;网络输入层的节点数量为2;设BP神经网络的层数为3,隐含层神经元个数为5;网络输出向量为3,其中结果为1控制单元判断所述故障电弧来源于所述故障电弧检测装置输入端;结果为2控制单元判断所述故障电弧来源于所述故障电弧检测装置输出端;结果为3控制单元判断发生故障电弧,无法确定来源方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435715.XA CN113514728B (zh) | 2021-04-22 | 2021-04-22 | 一种故障电弧检测装置及方法与三相电路故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435715.XA CN113514728B (zh) | 2021-04-22 | 2021-04-22 | 一种故障电弧检测装置及方法与三相电路故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514728A CN113514728A (zh) | 2021-10-19 |
CN113514728B true CN113514728B (zh) | 2024-03-29 |
Family
ID=78062693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110435715.XA Active CN113514728B (zh) | 2021-04-22 | 2021-04-22 | 一种故障电弧检测装置及方法与三相电路故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514728B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001041996A (ja) * | 1999-07-30 | 2001-02-16 | Matsushita Electric Works Ltd | 交流回路の故障検出方式 |
CN104090234A (zh) * | 2014-07-28 | 2014-10-08 | 珠海格力电器股份有限公司 | 电弧故障断路器的测试电路和方法 |
CN105223476A (zh) * | 2015-09-16 | 2016-01-06 | 北京芯同汇科技有限公司 | 一种基于高频特征的故障电弧检测方法与装置 |
CN107314610A (zh) * | 2017-06-29 | 2017-11-03 | 青岛海尔股份有限公司 | 冰箱故障检测系统及其检测方法 |
-
2021
- 2021-04-22 CN CN202110435715.XA patent/CN113514728B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001041996A (ja) * | 1999-07-30 | 2001-02-16 | Matsushita Electric Works Ltd | 交流回路の故障検出方式 |
CN104090234A (zh) * | 2014-07-28 | 2014-10-08 | 珠海格力电器股份有限公司 | 电弧故障断路器的测试电路和方法 |
CN105223476A (zh) * | 2015-09-16 | 2016-01-06 | 北京芯同汇科技有限公司 | 一种基于高频特征的故障电弧检测方法与装置 |
CN107314610A (zh) * | 2017-06-29 | 2017-11-03 | 青岛海尔股份有限公司 | 冰箱故障检测系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113514728A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Distortion-based detection of high impedance fault in distribution systems | |
CN108535589B (zh) | 一种故障电弧检测方法及装置 | |
Cui et al. | Hilbert-transform-based transient/intermittent earth fault detection in noneffectively grounded distribution systems | |
Elkalashy et al. | DWT-based detection and transient power direction-based location of high-impedance faults due to leaning trees in unearthed MV networks | |
Milioudis et al. | Enhanced protection scheme for smart grids using power line communications techniques—Part I: Detection of high impedance fault occurrence | |
Sarwagya et al. | High‐impedance fault detection in electrical power distribution systems using moving sum approach | |
Michalik et al. | New ANN-based algorithms for detecting HIFs in multigrounded MV networks | |
CN104614608B (zh) | 一种低压并联电弧故障检测装置及方法 | |
JP2007524092A (ja) | 高インピーダンス漏電検知 | |
CN107390010B (zh) | 电流互感器拖尾电流的快速检测方法 | |
CN106463944A (zh) | 用于检测变压器的断相条件的方法 | |
CN111458599A (zh) | 基于一维卷积神经网络的串联电弧故障检测方法 | |
Akorede et al. | Wavelet transform based algorithm for high-impedance faults detection in distribution feeders | |
Jiang et al. | A coupling method for identifying arc faults based on short-observation-window SVDR | |
EP2944004A1 (en) | Fault-likely detector | |
CN111610416B (zh) | 一种串联电弧故障智能断路器 | |
CN103513212A (zh) | 基于重构的bh曲线特征ct状态识别以及不饱和度计算方法 | |
Gupta et al. | A novel power theft detection algorithm for low voltage distribution network | |
Jiang et al. | Machine learning approach to detect arc faults based on regular coupling features | |
CN113514728B (zh) | 一种故障电弧检测装置及方法与三相电路故障检测方法 | |
CN114252682A (zh) | 基于非侵入式负荷监测的大型楼宇异常负荷控制方法 | |
Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
CN108802557A (zh) | 一种基于扰动信号的故障定位装置 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
Lu et al. | A new series arc fault identification method based on wavelet transform |
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 |