CN114091593A - 一种基于多尺度特征融合的网络级电弧故障诊断方法 - Google Patents
一种基于多尺度特征融合的网络级电弧故障诊断方法 Download PDFInfo
- Publication number
- CN114091593A CN114091593A CN202111345226.1A CN202111345226A CN114091593A CN 114091593 A CN114091593 A CN 114091593A CN 202111345226 A CN202111345226 A CN 202111345226A CN 114091593 A CN114091593 A CN 114091593A
- Authority
- CN
- China
- Prior art keywords
- feature
- arc fault
- features
- importance
- current
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于多尺度特征融合的网络级电弧故障诊断方法,包括以下步骤:1)基于电流传感器采集系统中不同支路的电流信号;2)基于多尺度分析方法得到不同支路电流信号在不同尺度下的时域特征、频域特征以及奇异值以构造特征向量;3)采用随机森林实现特征的重要度分析与选择,得到最优特征组合;4)利用最优特征组合与训练后的随机森林实现电弧故障诊断。本发明基于不同的尺度提取故障特征,给予了分析特征的不同视角并增加了特征的多样性,同时利用随机森林算法实现了特征选择与融合,从而使不同类型特征中故障信息实现优势互补,并能消除高维特征向量中的冗余信息,有利于诊断准确度的提升以及减小分类器的负担。
Description
技术领域
本发明涉及一种基于多尺度特征融合的网络级电弧故障诊断方法,属于电弧故障检测领域。
技术背景
随着可再生能源、电动汽车、微电网以及多电飞机等领域的发展,直流电能得到越来越广泛的应用。但在长期运行过程中,线路的绝缘老化、接线端子接触不良等现象易引发电弧故障。尤其直流配电网中电弧电流不存在过零点,相比于交流配电网,更容易产生持续的燃弧现象。电弧弧柱的温度最高能达到15000℃,极易引燃附近的可燃物。因此,电弧故障对直流配电系统的安全稳定运行构成了巨大的挑战。电弧故障分为串联电弧故障和并联电弧故障。当直流配电系统中发生并联电弧故障,故障线路会产生较大的短路电流,易被断路器保护。而当系统中发生串联电弧故障,由于引入了电弧阻抗导致其所在线路的电流上升不明显,断路器难以实现保护。近年来,串联电弧故障检测方法的研究受到了越来越广泛的关注。
发生电弧故障的位置通常伴随着噪声、强光、大量的热以及电磁辐射等物理现象,有研究者基于以上物理现象实现串联电弧故障检测,但该类方法需检测点靠近发生电弧故障的位置。因此,受限于其较小的监测范围,基于物理现象的方法难以应用到实际系统中。
前绝大多数研究者基于电流信号实现串联电弧故障检测。有研究者利用电流信号的时域特征如标准差检测电弧故障。发生电弧故障时电流信号频谱能量分布会发生变化,有研究者提取48.83kHz-93.99kHz范围内的谐波能量作为特征值,并将特征值与设定阈值的比较判定线路中是否发生电弧故障。当发生电弧故障时,电流信号随机波动性增强,有研究者利用hurst指数度量信号的随机性从而判断线路中是否发生电弧故障。有研究者利用奇异值分解滤除电流信号的低频成分,然后提取滤波后电流信号的方差作为判断是否发生电弧故障的依据。电弧故障会改变线路中故障处特征阻抗的大小,基于扩展频谱时域反射法实时监测线路特征阻抗的变化并将反射波头与设定的阈值比较,可实现电弧故障的检测。实际系统的工作状态以及所处环境复杂,电流信号中极易引入噪声干扰。基于单一特征阈值的电弧故障检测方法易发生误判。因此,越来越多研究者基于机器学习的方法融合电流信号中不同类型特征的关键故障信息,以提升电弧故障检测性能。如人工神经网络、支持向量机、决策树、极限学习机以及卷积神经网络等。
虽然基于机器学习的特征融合方法能够提升电弧故障检测准确度,但以上的研究都是针对单一支路的电弧故障检测,即仅判断当前所这条支路上是否存在电弧故障。而实际配电系统中往往包含多个支路,不同线路之间是相互连接的。当系统中某一条支路发生电弧故障,相邻支路的电流信号也有可能受到干扰并被高频随机噪声入侵。标准UL1699规定,在两条并联线路构成的系统中,某条线路发生电弧故障时安装在未发生电弧故障线路中的电弧故障断路器不能出现误判。而采用单支路电弧故障检测方法易造成正常支路的虚警,无法准确定位故障点。因此,从系统级的角度而言,不仅需要检测出系统是否发生电弧故障,还要实现电弧故障的定位并避免正常线路的虚警。
当前,已有研究者针对配电网开展了电弧故障诊断算法的研究,以准确实现电弧故障的检测与定位。有研究者利用卡尔曼滤波器辨识配电网中线缆的参数,实现串联电弧故障定位。这种方法需要同时检测每条电缆的电流以及端电压,所用传感器较多。而且卡尔曼滤波器假定系统的噪声为白噪声,但电弧电流含有的噪声为有色噪声。有研究者利用循环神经网络直接处理三相线路的电流。但RNN由于梯度的过度叠加易在反向传播过程中的出现梯度消失问题,从而影响诊断性能。有研究者针对三相电机系统电弧故障选线问题,首先利用小波变换实现三相电流信号的高通滤波,然后基于变分模态分解和维格拉分布提取特征作为支持向量机的输入。但变分模态分解和维格拉分布存在计算开销大的问题,限制了此方法的在线应用。有研究者利用电弧故障在两个并联在负载端电容产生的脉冲信号时间差判断直流配电系统中电弧故障的位置。但非线性负载启动过程中产生的的高频噪声易对此算法造成干扰。为了减小诊断过程中采用的传感器数量并提升计算效率,有研究者仅通过分析所采集的一条支路电流信号实现配电网中电弧故障的诊断。但当系统中某两条支路的负载性质相近或相同时,这两条支路电弧故障在主回路电流信号中所表现的特征就会相似或相同,从而难以实现准确的电弧故障定位。
综上所述,前文所提及方法存在的不足主要体现在两方面:(1)一些算法仅分析一条支路的信息,无法适用于多支路系统的电弧故障诊断;(2)一些基于系统级分析的电弧故障诊断方法准确度低,无法有效适应不同工作条件下的复杂噪声。
发明内容
本发明为了提升电弧故障诊断的准确度,避免正常线路的虚警,提出一种基于多尺度特征融合的网络级电弧故障诊断方法。
为实现上述发明目的,本发明具体采用如下技术方案:
步骤1):采集配电系统中各条支路的电流信号并进行预处理;
步骤2):基于多尺度分析方法提取所述各条支路的电流信号不同尺度下的粗糙度序列的时域特征、频域特征以及奇异值,构造特征向量;
步骤3):基于随机森林分析特征的重要性;
步骤4):基于特征重要性的分析结果,将所有特征按重要性值从大到小排列,利用重要性值排名靠前的特征构造特征向量并训练随机森林分类器,利用测试集对训练后的随机森林进行验证,得到测试准确度,选择最高的测试准确度所对应的特征向量组成最优特征组合,利用最优特征组合与训练后的随机森林实现电弧故障诊断。
本发明有益效果在于:
1、多尺度分析能够从不同时间尺度下表现信号的复杂度。相比于单一尺度,多尺度分析可以分析信号中高频和低频成分的特性,能够从不同的层次提取关键故障信息并增强后续特征的丰富性,在不同尺度下进行特征提取能够挖掘更有价值的信息,给予了分析特征的不同视角并增加了特征的多样性,从而有利于提高后续分类诊断的准确度。
2、同时利用随机森林算法实现了特征选择与融合。从而能够综合利用不同类型特征中的故障信息,实现优势互补,并能消除高维特征向量中的冗余信息对诊断结果的干扰,增强抗噪能力,从而有利于区分复杂的故障类型,提高诊断准确度以及减小分类器的负担。
附图说明
图1是本发明实施例1的方法流程示意图;
图2是本发明实施例2的直流配电系统框图;
图3是本发明实施例2的频带分段示意图;
图4是本发明实施例2的离线诊断结果混淆矩阵;
图5是本发明实施例2的在线诊断结果波形图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案进行详细说明。
实施例1
本实施例提供一种基于多尺度特征融合的网络级电弧故障诊断方法,适用于含有至少两条支路的配电系统,如图1所示,包括如下步骤:
步骤1):采集配电系统中各条支路的电流信号并进行预处理。预处理的方式为:对采集得到的配电系统中各条支路的电流信号分别减去平均值,通过减去平均值避免直流分量对电弧故障诊断的干扰。
步骤2):利用多尺度分析方法得到所述各条支路的电流信号不同尺度下的粗糙度序列。电流信号不同尺度下的的粗糙度序列可表示为:
其中,ui为电流信号的数据点,N=1024为电流信号原始长度;τ=1,2,…为时间尺度;即代表在时间尺度τ下支路k的电流信号的粗糙度序列。当τ=1,相当于原始信号;随着τ的增加,相当于对信号进行低通滤波。
步骤3):通过提取电流信号不同尺度下粗糙度序列的时域特征、频域特征以及奇异值构造特征向量。
时域特征:提取的每个粗糙度序列的时域特征为7维,包含标准差、偏度指标、峭度指标、波形因子、峰值因子、脉冲因子以及裕度因子。
频域特征:提取电流信号的频域特征,首先将频带范围内频率平均划分为多个频带段(FBF)。分别求取该多个频带段内的功率和,即可分别得到每个粗糙度序列所对应的多个频域特征。
步骤3):基于随机森林分析特征的重要性。
基于随机森林的特征重要性的分析方法主要基于特征的基尼系数。
首先通过随机森林训练,得到某个节点的当前基尼指数
其中,E为类别数;per为第e类在第r节点所占比例(r∈R,R为当前决策树节点数);
然后选择某一特征w对当前节点r进行划分,可得到划分后的两个数据集。随后得到这两个数据集对应的基尼指数。可得到以特征w在节点r实现划分前后基尼指数的差值ΔIGwr
ΔIGwr=IGr-IGr1-IGr2 (4)
其中,IGr1与IGr2分别为两个划分后得到新分支的Gini indix;ΔIGwr越大,则该特征对节点划分影响程度越大,其重要性也越高;
特征w在决策树t中的特征重要性表示为
VIMtw=∑r∈RΔIGwr (5)
在包含T棵决策树的随机森林中,特征w的总体特征重要性VIMw可表示为
步骤4)基于随机森林的特征最优组合的选择。
基于特征重要性的分析结果,将所有特征按重要性值从大到小排列。利用重要性排名前k(k≤369)的特征构造特征向量并训练随机森林分类器。利用测试集对训练后的随机森林进行验证,可得到测试准确度。当k由1遍历至369可得到369组测试准确度。其中,若重要性排名前s的特征所构成的特征向量具有最高的测试准确度,则重要性排名前s的特征所构成的特征向量即为最优特征组合。
步骤5):利用最优特征组合与训练后的随机森林实现网络级直流串联电弧故障诊断。
实施例2
一种基于多尺度特征融合的网络级电弧故障诊断方法,包括如下步骤:
步骤1):首先搭建图2所示的直流配电系统,此系统包含三条支路,将电弧发生器接入系统中可模拟不同线路发生串联电弧故障。然后采用电流传感器采集3条支路的电流信号,经由数据采集板卡传入微处理器。将采集的3条支路的原始电流信号片段(chip)构造为一个样本,每个chip包含1024个数据点,共采集12000个样本。直流配电网中一共5种状态,即正常、支路1发生串联电弧故障、支路2发生串联电弧故障、支路3发生串联电弧故障以及主回路发生串联电弧故障。每种状态下包含2400个样本。
步骤2):首先对每个样本进行预处理,即每个chip减去其自身的平均值。然后利用多尺度分析方法得到每个chip在3个尺度下的粗糙度序列。其不同尺度下的电流信号的粗糙度序列可表示为:
时域特征:提取的每个粗糙度序列的时域特征为7维,包含标准差、偏度指标、峭度指标、波形因子、峰值因子、脉冲因子以及裕度因子。
频域特征:将信号频带范围内频率平均划分为FC个频带段(FBF)。分别求取FC个频带内的功率和,即可分别得到每个粗糙度序列所对应的FC个频域特征。以原始电流信号为例,基于40kHz的采样频率为例利用傅里叶变换最大可分析的频率为20kHz。FC值设定的过大,会增加特征个数并提升计算复杂度,而FC过小则无法有效区分不同频带区域的差异。因此综合考虑计算效率与区分性能,如图3所示,在20kHz范围内频率平均划分为10个频带段(FBF),即FC=I0,分别求取10个频带内的功率和,即可分别得到每个所对应的10个频域特征。
式中,n=INT(Len/m),INT(·)为向下取整运算。利用奇异值分解算法处理矩阵M后,可得到m个奇异值。对于每个样本的原始信号即第1时间尺度的可得到32阶奇异值svi(i为阶数,i=1,2,…,32);对于第2时间尺度的可得到22阶svi(i=1,2,…,22);对于第2时间尺度的可得到18阶svi(i=1,2,…,18)。
由以上分析可知,对于1个包含3条支路电流信号的样本,经过预处理、多尺度分析以及特征提取后可得到369维的特征向量。
步骤3):基于随机森林分析特征的重要性。
基于随机森林的特征重要性的分析方法主要基于特征的基尼系数。训练过程中可得到某个节点的当前基尼指数
其中,E为类别数。本发明实施例中,直流配电网中一共5种状态,即正常、支路1发生串联电弧故障、支路2发生串联电弧故障、支路3发生串联电弧故障以及主回路发生串联电弧故障。per为第e类在第r节点所占比例(r∈R,R为当前决策树节点数)。
然后选择某一特征w对当前节点r进行划分,可得到划分后的两个数据集及这两个数据集对应的基尼指数,由此得到以特征w在节点r实现划分前后基尼指数的差值ΔIGwr
ΔIGwr=IGr-IGr1-IGr2 (4)
其中,IGr1与IGr2分别为两个划分后得到新分支的基尼系数;ΔIGwr越大,则该特征对节点划分影响程度越大,其重要性也越高;
特征w在决策树t中的特征重要性表示为
VIMtw=∑r∈RΔIGwr (5)
在包含T棵决策树的随机森林中,特征w的总体特征重要性VIMw可表示为
步骤4)基于随机森林的特征最优组合的选择。
基于特征重要性的分析结果,将所有特征按重要性值从大到小排列。利用重要性排名前k的特征构成的特征向量,基于数据集训练随机森林分类器并测试相应的诊断准确度。其中,特征数k由1变化至369,随着特征数的增加,诊断准确度呈现先增大后减小的趋势。当特征维数k为106时,即基于重要性排名前106的特征构造的特征向量能够取得诊断准确度最大值。结果表明,较小的维数会造成故障信息的丢失。较多的维数会引入冗余信息并对诊断造成干扰。因此,特征向量由原始369维特征中重要性排名前106的特征构成。
步骤5):利用最优特征组合与训练后的随机森林实现网络级直流串联电弧故障诊断。
本实施例通过采用多尺度分析方法可以分析信号中高频和低频成分的特性,能够从不同的层次提取关键故障信息并增强后续特征的丰富性。其次,基于随机森林实现特征选择与融合,从而能够综合利用不同类型特征中的故障信息,实现优势互补,并能消除高维特征向量中的冗余信息对诊断结果的干扰,增强抗噪能力,从而有利于区分复杂的故障类型,提高诊断准确度以及减小分类器的负担。
图4给出了本发明所提方法的离线诊断结果的混淆矩阵,总体诊断准确度为98.93%。纵轴为实际的状态标签,横轴为诊断后得到的状态标签。不同状态的标签分配情况如表1所示。正常状态下本文所提算法的诊断准确率为99.80%,能够有效减小系统停机运行造成的经济损失。本文所提方法能够以99.84%的准确度正确判断出系统内存在串联电弧,并能够以98.71%的准确度诊断出电弧故障发生的位置。
表1不同状态的标签分配情况
为了进一步验证所提算法的实时性,基于Python 3.7编程将所提算法嵌入至图2所示的ARM处理器中。为了增强算法的鲁棒性,当连续3次诊断结果为某一位置发生SAF,则最终判定该位置发生电弧故障。
图5和表2给出了6种不同工作条件下的诊断结果:DC-DC启动(R1),负载电压变化(R2),支路1发生电弧故障(R3),支路2发生电弧故障(R4),支路3发生电弧故障(R5),主回路发生电弧故障(R6)。R1和R2属于正常情况,其中包含了暂态过程。R3,R4,R5和R6为系统中不同位置发生电弧故障。
R1and R2两种情况下的暂态过程中电流波形包含了高频谐波扰动成分,但代表系统状态的lable始终为1,没有发生误诊断。本文在R1和R2两种情况下分别进行了30次试验,其诊断准确度都为100%,如表2所示。
表2在线诊断结果
图5中(c)、(d)、(e)、(f)分别给出系统中不同位置发生电弧故障的诊断结果,表明本文所提算法能够在250ms内及时地诊断出发生电弧故障的位置。本文所提算法的诊断时间能够满足标准UL1699B的要求。本文所提的方法不仅能检测出电弧故障而且还能实现电弧故障的准确定位,获得故障信息更丰富相比于单支路电弧故障检测,同时计算效率依然满足单支路电弧故障检测标准的要求,证明了本文所提算法的计算效率是可接受的。
对R3,R4,R5和R6这四种情况分别执行30次实验,仅在R3情况下存在一次实验未能做出正确判断,R4,R5和R6情况下的准确度都为100%。在线实验的结果表明本发明所提处的基于多尺度特征融合的方法的计算效率能够满足标准要求的前提下具有卓越的可靠性、鲁棒性和一定的工程应用价值。若系统中支路增多,则通过增加传感器采集相应支路的电流并在特征向量中增加相应支路的故障特征,可使本发明所提方法同样适用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于多尺度特征融合的网络级电弧故障诊断方法,其特征在于包括以下步骤:
步骤1):采集配电系统中各条支路的电流信号并进行预处理;
步骤2):基于多尺度分析方法提取所述各条支路的电流信号不同尺度下的粗糙度序列的时域特征、频域特征以及奇异值,构造特征向量;
步骤3):基于随机森林分析特征的重要性;
步骤4):基于特征重要性的分析结果,将所有特征按重要性值从大到小排列,利用重要性值排名靠前的特征构造特征向量并训练随机森林分类器,利用测试集对训练后的随机森林进行验证,得到测试准确度,选择最高的测试准确度所对应的特征向量组成最优特征组合,利用最优特征组合与训练后的随机森林实现电弧故障诊断。
2.如权利要求1所述的基于多尺度特征融合的网络级电弧故障诊断方法,其特征在于步骤1)中,所述预处理包括对采集得到的各条支路的电流信号分别减去平均值,通过减去平均值避免直流分量对电弧故障诊断的干扰。
4.如权利要求1所述的基于多尺度特征融合的网络级电弧故障诊断方法,其特征在于步骤2)中,粗糙度序列的时域特征包括标准差、偏度指标、峭度指标、波形因子、峰值因子、脉冲因子以及裕度因子。
5.如权利要求1所述的基于多尺度特征融合的网络级电弧故障诊断方法,其特征在于步骤2)中,提取电流信号的频域特征包括:将信号频带范围内频率平均划分为多个频带段,分别求取各频带段内的功率和,得到每个粗糙度序列所对应的多个频域特征。
7.如权利要求1所述的基于多尺度特征融合的网络级电弧故障诊断方法,其特征在于步骤3)包括:
步骤3-1):通过随机森林训练,得到某个节点的当前基尼指数
其中,E为类别数;per为第e类在第r节点所占比例,r∈R,R为当前决策树节点数;
步骤3-2):选择某一特征w对当前节点r进行划分,得到两个数据集及所述两个数据集对应的基尼指数,特征w在节点r实现划分前后基尼指数的差值ΔIGwr表示为:
ΔIGwr=IGr-IGr1-IGr2 (4)
其中,IGr1与IGr2分别为所述两个数据集对应的基尼指数;ΔIGwr越大,则该特征对节点划分影响程度越大,其重要性也越高;
步骤3-3):特征w在决策树t中的特征重要性表示为
在包含T棵决策树的随机森林中,特征w的总体特征重要性VIMw表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345226.1A CN114091593A (zh) | 2021-11-12 | 2021-11-12 | 一种基于多尺度特征融合的网络级电弧故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345226.1A CN114091593A (zh) | 2021-11-12 | 2021-11-12 | 一种基于多尺度特征融合的网络级电弧故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091593A true CN114091593A (zh) | 2022-02-25 |
Family
ID=80300582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345226.1A Pending CN114091593A (zh) | 2021-11-12 | 2021-11-12 | 一种基于多尺度特征融合的网络级电弧故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357663A (zh) * | 2022-03-15 | 2022-04-15 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
-
2021
- 2021-11-12 CN CN202111345226.1A patent/CN114091593A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357663A (zh) * | 2022-03-15 | 2022-04-15 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN111512511B (zh) | 一种直流电弧的处理方法及装置 | |
Motlagh et al. | Power quality disturbances recognition using adaptive chirp mode pursuit and grasshopper optimized support vector machines | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
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 | |
CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
CN114584069B (zh) | 一种光伏直流电弧检测方法及系统 | |
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 | |
CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113837895A (zh) | 基于电力扰动数据的配电网异常事件识别方法及系统 | |
CN113376551A (zh) | 串联故障电弧的检测方法及系统、设备、存储介质 | |
CN116990633A (zh) | 一种基于多特征量的故障研判方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
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 | |
CN115291156A (zh) | 一种电压互感器误差特性在线检测系统及检测方法 | |
Sinha et al. | Cross‐country high impedance fault diagnosis scheme for unbalanced distribution network employing detrended cross‐correlation | |
Yusoh et al. | A novel identification of high neutral to earth voltage (NTEV) faults on power distribution systems | |
Qi et al. | Arc-fault detection using one-dimension convolution neural network |
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 |