CN114062880A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114062880A CN114062880A CN202111566994.XA CN202111566994A CN114062880A CN 114062880 A CN114062880 A CN 114062880A CN 202111566994 A CN202111566994 A CN 202111566994A CN 114062880 A CN114062880 A CN 114062880A
- Authority
- CN
- China
- Prior art keywords
- fault arc
- current
- direct
- direct current
- arc detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种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,采用经验小波变换对直流系统输出电流信号进行分解,利用选定频段的分解信号构造故障电弧检测特征,采用CART树集成学习算法构建故障电弧检测模型,并根据输入的故障电弧检测特征实时输出故障判定结果。本发明通过采用经验小波变换可以针对不同类型的直流系统构造具有自适应能力的故障电弧检测特征,其能明显反映直流系统的故障电弧特性,并且通过采用CART树集成学习算法,实现了对直流故障电弧的智能、快速、准确检测,从而提升了直流系统的安全稳定运行能力。
Description
技术领域
本发明属于直流电气故障检测技术领域,涉及一种采用基于经验小波变换的自适应信号处理构造能明显反映故障电弧特性的特征,并结合CART树集成学习,实现智能、快速、准确地检测直流故障电弧的方法。
背景技术
电力系统中的水电、风电、光伏等清洁可再生能源的配用电技术是电力行业的重要研究方向,直流系统的建设及直流配用电技术日趋发展,使其可以在民用住建及市政领域推广应用。随着直流系统容量的逐步增大,线缆网络的复杂性及负载类型的多样性增加了保障直流系统安全、可靠、稳定运行的难度。由于连接松动、绝缘损坏等原因产生的故障电弧是直流用电领域最大的安全隐患,直流故障电弧电流没有过零点,相较于交流电弧更容易自持燃烧,在缺乏检测保护的情况下极易引发电气火灾,从而严重影响直流系统的安全与稳定。
目前,国内外相关研究采用的经验模态分解方法虽然在特征构造方面取得了较好的效果,但是该方法具有端点效应、模态混叠、受噪声影响大等缺点,影响了特征构造的精度。直流系统内存在多种复杂的电力电子装置开关噪声干扰,故障电弧信息容易在众多噪声耦合环境下减弱。同时,不同拓扑结构的直流系统内源荷类型不尽相同,可提取故障电弧信息的有效频段存在差异,使得采用传统方法构造的特征不具有自适应能力,适用范围窄、迁移能力弱,同时利用阈值比较的方式检测故障电弧极易导致在故障电弧发生时出现保护装置误动作或拒动作现象。
对安装在直流系统内的故障电弧检测装置而言,需要其能够智能、可靠、快速地辨识直流系统电流状态,从而准确识别直流系统故障电弧发生时刻。为了实现对直流系统故障电弧检测装置的这一职能要求,亟待解决的技术问题是提出可以在复杂的噪声环境中有效提取反映故障电弧的特征信息,并且对不同直流系统均具有自适应能力的故障电弧检测算法。
中国专利CN111077406A公开了一种基于脉冲极性特征分布谱图的直流电弧故障检测及定位方法。该专利主要采用离散小波变换的方法,频谱特征的构建方式较为单一,固定的参数对于不同拓扑结构的直流系统无法具有较好的自适应能力。直流系统内不同类型的源荷具有不同形式的系统噪声干扰,其频域分布各不相同,因此该专利在一些新型源荷形成的直流系统中可能会出现对故障电弧检测的误动作与拒动作。
中国专利CN110618353A公开了一种基于小波变换+CNN的直流电弧故障检测方法。该专利采用Db4小波变换方法在含逆变器负载的直流系统中构造得到故障电弧检测特征,但该特征可能无法将正常与故障状态进行有效区分,增加了故障电弧检测难度。同时采用CNN的方法将故障电弧频谱信息扩充至二维角度进行区分增加了故障电弧检测算法的实现难度,较为复杂的训练模型很难在实际工程中获得有效应用。
发明内容
本发明的目的在于提供一种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,可以在直流系统的复杂噪声干扰下准确、可靠、快速辨识故障电弧,从而提升直流系统的安全稳定运行能力。
为达到上述目的,本发明采用了以下技术方案:
一种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,包括以下步骤:
1)采用经验小波变换对直流系统输出电流信号进行处理得到自适应故障电弧检测特征;
2)将所述故障电弧检测特征输入至经过训练的CART树集成学习模型(作为故障电弧检测模型),由经过训练的CART树集成学习模型实时输出故障电弧判定结果;
3)根据所述故障电弧判定结果确定当前直流系统的故障电弧发生情况。
优选的,所述步骤1具体包括以下步骤:
1.1)通过电流传感器对直流系统输出电流信号按照采样频率fs进行逐点采样,直至采样点数量达到时间窗长度z,即采集得到实时电流信号It,转至步骤1.2进行故障电弧检测特征构造;
1.2)对实时电流信号It,根据选定的经验小波变换分解信号(模态分量)特征频段进行数据处理(例如对特征频段的数据进行提取并求取平均值,其中数据点个数与时间窗内采样点数量相同),得到当前时间窗的特征量Cs,t(作为所述故障电弧检测特征)。
优选的,所述步骤2中,CART树集成学习模型的训练包括以下步骤:
2.1)通过电流传感器对直流系统输出电流信号按照采样频率fs进行逐点采样,直至达到采样点总数L,得到预实验电流信号Is(预实验时,L个采样点中前一部分采样点的采样时段内直流系统正常工作,后一部分采样点的采样时段内直流系统出现了故障电弧),通过依据经验小波变换的边界判断函数提取的频域极大值点将预实验电流信号Is的频谱分布F分割为N个频段;
2.2)通过依据经验小波变换构造的小波函数将预实验电流信号Is按照N个频段重构为N个模态分量ci(每个模态分量即根据Is分解得到的对应频段的长度为L的数据),i为模态分量序号,i∈N且1≤i≤N;
2.3)计算直流系统正常工作时的每个模态分量幅值的平均值xi,b以及故障电弧发生后的每个模态分量幅值的平均值xi,a,将xi,a/xi,b的值最大且大于幅值提升常数w的对应模态分量作为故障电弧检测有效特征分量cs(该模态分量的频段即特征频段);
2.4)根据有效特征分量cs及采样时段直流系统的状态(正常工作、出现了故障电弧),并采用CART树集成学习算法构建故障电弧检测模型。
优选的,所述步骤2.1中,采样点总数L为5M~50M。
优选的,所述步骤2.2中,频段分割数量N为4~8。
优选的,所述步骤2.3中,幅值提升常数w为1.3~5.0。
优选的,所述步骤2.4具体包括以下步骤:针对有效特征分量cs,按时间窗长度z进行数据分段,对分段所得每个时间窗内的数据进行处理(例如求取平均值),得到对应时间窗的特征量Cs,j,j为时间窗序号,j∈N且1≤j≤L/z;对各特征量Cs,j匹配故障电弧检测标签qj,其中标签值为1表示直流系统在对应时间窗处于故障电弧状态,标签值为0表示直流系统在对应时间窗处于正常工作状态(预实验中,只要时间窗内包含有直流系统在出现故障电弧时所采集的采样点的对应数据,就算作1);将经过匹配的特征量Cs,j与标签qj输入至CART树集成学习模型(例如XGBoost模型)中进行训练,训练中设置的参数包括学习率η、惩罚函数参数γ、最大深度μ,迭代次数r以及正则化惩罚系数λ。
优选的,所述学习率η为0.01~0.5、惩罚函数参数γ为0~0.4、最大深度μ为3~10,迭代次数r为300~2000,正则化惩罚系数λ为0~5。
优选的,所述步骤3具体包括以下步骤:统计最近4~10个时间窗(包括当前时间窗)的故障电弧判断结果,若其中有不少于3~8个时间窗判定出现了直流故障电弧,则认定直流系统在最近1个时间窗(即当前时间窗)发生故障电弧。
优选的,所述采样频率fs为100kHz~1MHz,时间窗长度z为500~5000。
基于上述故障电弧检测方法的直流故障电弧检测装置,包括电流信号处理模块、故障电弧判定模块以及保护控制模块;
所述电流信号处理模块用于采用经验小波变换对直流系统输出电流信号进行处理;
所述故障电弧判定模块用于将电流信号处理模块输出的自适应故障电弧检测特征输入故障电弧检测模型,从而实时输出故障电弧判定结果,其中故障电弧检测模型为经过训练的CART树集成学习模型;
所述保护控制模块用于根据所述故障电弧判定结果确定当前直流系统的故障电弧发生情况,并在认定直流系统出现了直流故障电弧时向保护装置(例如断路器)发出切断直流系统回路的信号。
本发明的有益效果体现在:
本发明通过采用经验小波变换可以针对不同类型的直流系统构造具有自适应能力的故障电弧检测特征,扩大了直流系统故障电弧检测算法的适用范围,同时能在复杂的系统噪声干扰下准确提取故障电弧检测信息,获得可以明显反映直流系统的故障电弧特性的特征,降低了故障电弧检测算法导致的保护误动作或拒动作的几率。并且通过采用CART树集成学习算法,实现了对直流故障电弧的智能、快速、准确检测,增强了直流系统安全稳定运行能力。
进一步的,本发明在进行实时电流信号检测时具有较快的故障电弧识别速度,其用于采集单位时间窗内的电流数据的用时约为5ms,利用经验小波变换构建故障电弧检测特征的时间约为3ms,经过训练的CART树集成学习模型输出故障电弧检测结果的用时约为4ms,即理论上本发明的故障电弧检测时间最长不超过60ms,最短可达48ms。因此,本发明可靠检出系统噪声耦合条件下直流故障电弧的时间远低于美国UL1699B标准规定的2.5s。
进一步的,本发明采用经验小波变换实现了对故障电弧电流频谱的自适应划分,构造的特征能反映故障电弧自身特性,具有更广的适用范围。本发明采用经验小波变换方法,可以根据划分好的频谱自动生成最适合的小波函数(例如具有紧支撑性的正交小波函数),最大程度提取故障电弧检测信息,同时CART树集成学习算法以分析一维数据为主,算法简洁,易于工程实现。
进一步的,本发明采用预实验与基于经验小波变换的自适应信号分解技术相结合,使检测算法具有较好的迁移能力并且智能化程度高。
进一步的,本发明通过设置幅值提升常数作为经验判据,可以适用于不同类型的直流系统中有效特征分量的选取。
附图说明
图1a为本发明实施例中的直流故障电弧检测模型的构建流程图;
图1b为本发明实施例中的直流故障电弧检测算法的流程图;
图2为本发明实施例中的直流故障电弧检测算法在不同类型直流系统中的实现原理框图;
图3a为应用电流互感器在系统噪声耦合干扰情况下采集的故障电弧发生前后的电流信号;
图3b为应用经验小波变换方法对故障电弧发生前后电流信号频谱的自适应分割结果;
图3c为应用经验小波变换方法对故障电弧发生前后电流信号重构得到的不同频段模态分量结果;
图3d为应用CART树集成学习算法训练得到的故障电弧检测模型针对特征频段模态分量输出的检测标签结果;
图3e为在系统噪声耦合干扰情况下直流故障电弧检测装置输出至断路器的电平结果;
图中:1-恒压直流/光伏供电电源;2A、2B-交流电网;3-恒压直流/光伏模拟器;4-直流故障电弧;5A、5B、5C-控制开关;6-逆变器负载;7-电阻负载;8A、8B-电流互感器测点;9-直流故障电弧检测装置;10-断路器。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。所述实施例仅用于解释本发明,而非对本发明保护范围的限制。
在直流系统中,电源的不同输出模式、不同类型的用电负载均会导致各式各样的系统回路噪声的产生,其与故障电弧检测信息的耦合作用会削弱故障电弧检测信息。譬如,逆变器负载与电阻负载的特性完全不同,能在电阻负载状态下检测故障电弧的算法在逆变器负载下会出现引发保护装置(例如断路器)误动作、拒动作的现象。同时,随着直流配用电领域相关技术的发展,负载类型逐渐多样,新型直流负载的出现同样会造成故障电弧检测困难。因此,要求故障电弧检测算法具有较好的自适应能力,可以适用于不同类型直流系统下故障电弧的准确、可靠检测。为此本发明提出了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算法。
结合图1a,对本发明所述的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算法中所采用的故障电弧检测模型的训练构建步骤进行具体说明(通过训练构建故障电弧检测模型的过程是在对直流系统进行故障电弧实时检测前通过进行的预实验完成的)。
步骤一、电流互感器按照既定的采样频率fs对直流故障电弧检测装置所需的电流信号进行采样,得到无直流分量的电流信号Is,一旦这些电流信号的采样点数达到L个,便经端口输入至直流故障电弧检测装置,转至步骤二提取直流故障电弧的经验小波特征。
步骤二、利用傅里叶变换方法对电流信号Is进行频域分析,得到频谱分布F,并利用经验小波变换方法中的边界判断函数通过提取频域极大值点将F分割为N个区域,进而按照这N个频谱区域(即频段)自适应构造具有紧支撑性的正交小波函数,得到不同的分离模态并重构出N个模态分量ci(i∈N且1≤i≤N),即实现对电流信号Is的分解;转至步骤三选择有效特征分量。
步骤三、通过分析N个模态分量ci,即计算系统正常工作时的各分量幅值平均值xi,b与故障电弧发生后的各分量幅值平均值xi,a,若xi,a/xi,b>1.4,则认为ci可有效分辨故障电弧的发生,将该ci作为备选的故障电弧检测有效特征分量cs。若N个模态分量ci中仅存在一个分量满足能够有效分辨故障电弧的幅值提升要求则选取该分量,若N个模态分量ci中存在多个分量满足能够有效分辨故障电弧的幅值提升要求则选取xi,a/xi,b的值最大对应的分量。为减少后续机器学习算法计算量,对通过选取得到的有效特征分量cs加装时间窗,每个时间窗长度为z,对每个时间窗内的特征频段数据求取平均值得到对应时间窗的特征量Cs,j(j为时间窗序号,j∈N且1≤j≤L/z),转至步骤四训练XGBoost模型。
步骤四、对每个时间窗样本构建电弧检测标签qj,标签值为1表示当前时间窗处于故障电弧状态(出现了直流故障电弧),标签值为0表示当前时间窗处于正常工作状态。将故障电弧检测特征Cs,j与构建的对应qj输入至XGBoost模型中进行训练,训练通过迭代完成,迭代前设置模型参数进行调优(学习率η的优选值为0.1、惩罚函数参数γ的优选值为0.2、树的最大深度μ的优选值为6,迭代次数r的优选值为500,正则化惩罚系数λ的优选值为2),将训练好的XGBoost模型作为构建得到的故障电弧检测模型。
结合图1b,对本发明所述的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算法的应用步骤进行具体说明。
步骤S1、电流互感器按照既定的采样频率fs对直流故障电弧检测装置所需的电流信号进行采样。当采样点数量达到时间窗长度z时,采集得到电流信号It,t表示当前采样时段,转至步骤二进行故障电弧检测特征构造。
步骤S2、采用经验小波变换方法对电流信号It进行处理,提取选定的特征频段(即以上选取为cs的模态分量的频段)分解信号并求取平均值得到当前时间窗的特征量Cs,t,转至步骤三进行XGBoost模型判断并输出结果。
步骤S3、将当前时间窗的特征量Cs,t输入至已训练好的XGBoost模型中,得到模型输出的当前时间窗故障电弧判断结果qt,返回步骤S1对下一个时间窗内的电流信号进行分析。结合最近5个时间窗的故障电弧判断结果qt-4、qt-3、qt-2、qt-1、qt,若有不少于4个时间窗的输出结果为1,则认定当前系统出现了直流故障电弧,直流故障电弧检测装置会输出故障电弧切断控制信号,并驱动断路器进行脱扣保护;若不满足条件(模型输出结果为1的时间窗个数少于4个,不能认定当前系统出现了直流故障电弧),则直流故障电弧检测装置不会输出故障电弧切断控制信号。
如图2所示,由交流电网2A与恒压直流/光伏模拟器3组成的恒压直流/光伏供电电源1,可模拟实际直流系统的恒压或光伏曲线进行系统输出,电阻负载7与由逆变器6及交流电网2B组成的逆变负载可以通过不同控制开关进行接入/切出,从而形成不同类型的直流系统。上述直流故障电弧检测算法在相应的实际直流系统内运作时,电流互感器在测点采集系统回路电流信号并将其传递给直流故障电弧检测装置9,直流故障电弧检测装置9通过训练得到的故障电弧检测模型输出判断当前系统状态的结果(1或0),从而控制断路器10的开断状态,保障直流系统正常、安全、稳定运行。
对于断路器10在直流系统运行中的开断状态控制具体说明如下:直流故障电弧检测装置9未检测到系统内发生直流故障电弧4(即根据模型输出不能认定当前系统出现了直流故障电弧)时输出低电平,此时断路器10不动作,直流系统内的电源和负载均稳定、正常工作;如果直流故障电弧检测装置9检测到系统内发生直流故障电弧4(即根据模型输出认定当前系统出现了直流故障电弧),则快速、准确地发出切断控制信号(高电平)给断路器10,由断路器10开断整个直流系统回路,使负载停止工作、熄灭直流故障电弧并消除其给直流系统带来的运行安全威胁,同时避免直流故障电弧检测装置9引发的断路器10拒动作和误动作的问题,由此扩大直流故障电弧检测算法在直流系统中的适用范围,并解决系统噪声耦合作用下故障电弧难以准确、有效检测的问题。
结合图3a~3e进一步阐述上述直流故障电弧检测算法的综合辨识效果,具体如下。
以采样频率fs=500kHz获取直流光伏系统输出电流信号。如图3a所示,以电阻负载条件下直流光伏系统回路电流信号为例进行输入波形说明。在1.17s以前,电流信号处于正常态,此时直流系统正常、稳定运行;1.17s后,电流信号处于故障态,故障电弧引起系统回路阻抗增大,进而导致系统回路电流出现幅值下降;电弧持续燃烧直至人为将故障电弧短路,系统重新恢复正常运行。
利用傅里叶变换获得故障电弧发生时期的频谱分布F。采用经验小波变换方法自动寻找频谱分布极大值点,并自动将频谱分布F划分为5个区域,区域间的边界已在图3b中用虚线标出,从而形成了5个分解信号频段。其中,[0,16)kHz对应分解信号c1;[16,23)kHz对应分解信号c2;[23,155)kHz对应分解信号c3;[155,163)kHz对应分解信号c4;[163,250]kHz对应分解信号c5。
采用经验小波变换方法分别构造具有紧支撑性的正交小波,最终得到了如图3c所示的分解信号c1、c2、c3、c4、c5,可以看出c1、c2、c3这三个信号在故障电弧发生时刻有明显的脉冲,c4、c5这两个信号则很难判断出正常时段和故障电弧时段的分界线。分别计算这5个信号在系统正常工作时的幅值平均值xi,b与故障电弧发生后的幅值平均值xi,a,并在同频段间计算幅值比值xi,a/xi,b,发现c2具有最大的幅值比值,且数值远大于1.4,证明c2可以用作表征故障电弧特有信息的检测特征,可用作为cs。而其他4个信号的幅值比值小于1.4,难以用于故障电弧检测特征的构造,因此通过自适应信号处理筛选得到了故障电弧特征频段为[16,23)kHz。
选取时间窗长度为2500个数据(即z=2500),将时间窗内信号进行处理(提取16-23kHz的分解信号)后输入至训练好的XGBoost模型中,获得了如图3d所示的检测结果(测试结果)。在系统处于正常工作状态时,模型输出的结果绝大部分为表示系统正常的值(即0);而在系统处于故障电弧状态时,模型输出的结果绝大部分为表示系统出现故障电弧的值(即1),从而验证了训练好的XGBoost模型的高预测准确率。
通过对采用CART树集成学习算法训练构建的模型(例如,训练好的XGBoost模型)的输出进行进一步的判断,最终获得了如图3e所示的断路器接收电平结果,可以看出在故障电弧发生后0.48s,断路器接收电平从0变为1,意味着断路器能在故障电弧发生0.48s内完成对故障电弧回路的切除保护,从而极大程度上避免了故障电弧引发电气火灾的风险。
本发明的特点如下:
1、本发明采用预实验的方式可以实现对不同直流系统条件针对性地寻找最能表征故障电弧检测特性的频段信号,构造最为合适的故障电弧检测特征,并形成最优的故障电弧检测模型。
2、本发明对特征频段的寻找以及针对性地构造紧支撑性正交小波能帮助算法具有较好的迁移能力及自适应能力,解决了不同系统参数需要人为调试较准的弊端,有利于在每个时间窗内更为可靠地给出系统状态的正确判定结果,有效提高了直流故障电弧检测的可靠性,增加了直流系统运行的稳定性、可靠性与经济性。
3、本发明不仅能够迅速、准确地检测故障电弧,同时扩大了直流系统故障电弧检测算法的适用范围,解决了多种电源、负载条件下直流系统故障电弧检测装置容易引发保护装置拒动作及误动作的问题。
总之,本发明通过准确、快速、可靠的将系统噪声耦合情况下的直流故障电弧判定为故障状态,保障了直流故障电弧检出的有效性,从而消除直流故障电弧引发的电气火灾事故、生命财产损失等危害。
Claims (10)
1.一种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,其特征在于:包括以下步骤:
1)采用经验小波变换对直流系统输出电流信号进行处理得到自适应故障电弧检测特征;
2)将所述故障电弧检测特征输入至经过训练的CART树集成学习模型,由经过训练的CART树集成学习模型实时输出故障电弧判定结果;
3)根据所述故障电弧判定结果确定当前直流系统的故障电弧发生情况。
2.根据权利要求1所述一种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,其特征在于:所述步骤1具体包括以下步骤:
1.1)通过电流传感器对直流系统输出电流信号按照采样频率fs进行逐点采样,直至采样点数量达到时间窗长度z,得到实时电流信号It;
1.2)对实时电流信号It,根据选定的经验小波变换分解信号特征频段进行数据处理,得到当前时间窗的特征量Cs,t。
3.根据权利要求1所述一种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,其特征在于:所述步骤2中,CART树集成学习模型的训练包括以下步骤:
2.1)通过电流传感器对直流系统输出电流信号按照采样频率fs进行逐点采样,直至达到采样点总数L,得到预实验电流信号Is,通过依据经验小波变换的边界判断函数提取的频域极大值点将预实验电流信号Is的频谱分布F分割为N个频段;
2.2)通过依据经验小波变换构造的小波函数将预实验电流信号Is按照N个频段重构为N个模态分量ci,i为模态分量序号,i∈N且1≤i≤N;
2.3)计算直流系统正常工作时的每个模态分量幅值的平均值xi,b以及故障电弧发生后的每个模态分量幅值的平均值xi,a,将xi,a/xi,b的值最大且大于幅值提升常数w的对应模态分量作为故障电弧检测有效特征分量cs;
2.4)根据有效特征分量cs及采样时段直流系统的状态,并采用CART树集成学习算法构建故障电弧检测模型。
4.根据权利要求3所述一种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,其特征在于:所述步骤2.1中,采样点总数L为5M~50M;所述步骤2.2中,频段分割数量N为4~8。
5.根据权利要求3所述一种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,其特征在于:所述步骤2.3中,幅值提升常数w为1.3~5.0。
6.根据权利要求3所述一种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,其特征在于:所述步骤2.4具体包括以下步骤:针对有效特征分量cs,按时间窗长度z进行数据分段,对分段所得每个时间窗内的数据进行处理,得到对应时间窗的特征量Cs,j,j为时间窗序号,j∈N且1≤j≤L/z;对各特征量Cs,j匹配故障电弧检测标签qj,其中标签值为1表示直流系统在对应时间窗处于故障电弧状态,标签值为0表示直流系统在对应时间窗处于正常工作状态;将经过匹配的特征量Cs,j与标签qj输入至CART树集成学习模型中进行训练,训练中设置的参数包括学习率η、惩罚函数参数γ、最大深度μ,迭代次数r以及正则化惩罚系数λ。
7.根据权利要求6所述一种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,其特征在于:所述学习率η为0.01~0.5、惩罚函数参数γ为0~0.4、最大深度μ为3~10,迭代次数r为300~2000,正则化惩罚系数λ为0~5。
8.根据权利要求1所述一种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,其特征在于:所述步骤3具体包括以下步骤:统计最近4~10个时间窗的故障电弧判断结果,若其中有不少于3~8个时间窗判定出现了直流故障电弧,则认定直流系统在最近1个时间窗发生故障电弧。
9.根据权利要求2、3或6所述一种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,其特征在于:所述采样频率fs为100kHz~1MHz,时间窗长度z为500~5000。
10.一种直流故障电弧检测装置,其特征在于:包括电流信号处理模块、故障电弧判定模块以及保护控制模块;
所述电流信号处理模块用于采用经验小波变换对直流系统输出电流信号进行处理;
所述故障电弧判定模块用于将电流信号处理模块输出的自适应故障电弧检测特征输入故障电弧检测模型,从而实时输出故障电弧判定结果,其中故障电弧检测模型为经过训练的CART树集成学习模型;
所述保护控制模块用于根据所述故障电弧判定结果确定当前直流系统的故障电弧发生情况,并在认定直流系统出现了直流故障电弧时向保护装置发出切断直流系统回路的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566994.XA CN114062880B (zh) | 2021-12-20 | 2021-12-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566994.XA CN114062880B (zh) | 2021-12-20 | 2021-12-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114062880A true CN114062880A (zh) | 2022-02-18 |
CN114062880B CN114062880B (zh) | 2022-12-13 |
Family
ID=80230003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111566994.XA Active CN114062880B (zh) | 2021-12-20 | 2021-12-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114062880B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991049A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多并网逆变器接入的配电网故障检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004923A (zh) * | 2015-07-10 | 2015-10-28 | 湘潭大学 | 基于经验小波变换的磁控埋弧焊焊缝跟踪信号分析方法 |
CN108228656A (zh) * | 2016-12-21 | 2018-06-29 | 普天信息技术有限公司 | 基于cart决策树的url分类方法及装置 |
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 |
CN112433128A (zh) * | 2020-10-13 | 2021-03-02 | 西安理工大学 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
-
2021
- 2021-12-20 CN CN202111566994.XA patent/CN114062880B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004923A (zh) * | 2015-07-10 | 2015-10-28 | 湘潭大学 | 基于经验小波变换的磁控埋弧焊焊缝跟踪信号分析方法 |
CN108228656A (zh) * | 2016-12-21 | 2018-06-29 | 普天信息技术有限公司 | 基于cart决策树的url分类方法及装置 |
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 |
US20210036656A1 (en) * | 2018-10-29 | 2021-02-04 | Xi'an Jiaotong University | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation |
CN112433128A (zh) * | 2020-10-13 | 2021-03-02 | 西安理工大学 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
Non-Patent Citations (1)
Title |
---|
任雪: "三相负载串联型故障电弧谐波特征研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991049A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多并网逆变器接入的配电网故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114062880B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
JP7394800B2 (ja) | 非接地配電システムのための過渡状態に基づいた故障位置特定方法 | |
CN108508320B (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
CN110007197B (zh) | 串联电弧故障检测系统及检测方法 | |
CN111650470B (zh) | 微电网线路区段快速自适应故障检测与识别方法 | |
CN110912091B (zh) | 一种柔性直流输电线路单端行波超高速保护系统及方法 | |
CN104678265A (zh) | 一种串联故障电弧检测装置及检测方法 | |
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 | |
CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
CN110007198B (zh) | 一种单相接地故障启动方法 | |
CN103197124A (zh) | 基于时频矩阵奇异值的过电压识别方法 | |
CN105138843A (zh) | 电力系统采样飞点检测及其修复方法 | |
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 | |
Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
CN104198890A (zh) | 中低压配电网小电流接地智能选线系统 | |
CN110095680A (zh) | 一种低压短路故障快速检测与短路电流峰值预测方法 | |
CN107765065B (zh) | 一种基于基波衰减因子的配电网励磁涌流识别方法 | |
CN111487507A (zh) | 基于小波包能量比值的配电网高阻故障辨识方法 | |
CN109870614B (zh) | 电力设备半周波早期故障快速检测方法 | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN113109671A (zh) | 一种加速故障电流小半波阶段检测的方法 | |
Gangwar et al. | Detection and classification of faults on transmission line using time-frequency approach of current transients | |
CN106771928A (zh) | 一种局部放电脉冲初至时刻在线拾取方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240117 Address after: No.28, Xianning West Road, Beilin District, Xi'an City, Shaanxi Province Patentee after: XI'AN JIAOTONG University Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Patentee before: XI'AN JIAOTONG University Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute |
|
TR01 | Transfer of patent right |