CN115327325A - 充电桩串联电弧故障检测方法、装置及电子设备 - Google Patents
充电桩串联电弧故障检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115327325A CN115327325A CN202211111663.1A CN202211111663A CN115327325A CN 115327325 A CN115327325 A CN 115327325A CN 202211111663 A CN202211111663 A CN 202211111663A CN 115327325 A CN115327325 A CN 115327325A
- Authority
- CN
- China
- Prior art keywords
- signal
- arc
- fault
- charging pile
- 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.)
- Pending
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种充电桩串联电弧故障检测方法、装置及电子设备,所述方法包括步骤:分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;从获取的各信号中分别提取用于进行故障检测的特征信息;根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型。本申请通过检测故障电流多维特征,并利用多信息融合技术综合做出故障检测决策,提高了故障信息识别的可靠性和准确性,实现了对故障电弧的早期预防,可针对不同安装地点、不同型号的充电桩系统,且能够及时识别电弧故障位置、不同负载情况的串联电弧并及时切除,防止故障电弧导致电力系统与用电设备毁坏及人身伤亡。
Description
技术领域
本申请涉及电力故障检测技术领域,特别地,涉及一种充电桩串联电弧故障检测方法、装置及电子设备。
背景技术
近年来,电动汽车产业得到快速发展,电动汽车充电站在全国范围内大规模建设。充电站中电动汽车、动力电池与充电桩大量存在,使得火灾危险性急剧增大,火灾隐患众多。充电桩失火多是由电弧故障引起,由于主流的电路保护装置一般是根据电流过载情况而设计的,而串联型电弧故障电流信号通常比一般短路故障电流的幅值低,发生故障时无法使断路器动作,故障电弧不能及时清除容易引发严重事故,因此构建有效识别故障电弧的检测系统十分必要。
目前,针对串联电弧故障的检测方法主要分为两类。一类主要基于电弧的物理特性,例如电弧放电时产生的声、光、热以及电磁辐射等物理特征识别电弧故障,此类信号的传感器只能安装在特定位置进行检测且实际线路中故障电弧发生地点存在不确定性。另一类方法是对故障电弧的电压或电流信号进行分析,该方法主要是从时域、频域和时频域对电弧故障进行检测,但此类方法部分在非线性负载情况下会影响其可靠性。两类检测方法单独使用都存在不足,且单一检测方法包含的故障信息有限。与此同时,电动汽车充电桩型号众多、安装地点广泛、工作环境复杂,即使型号相同的充电桩发生相同类型的电弧故障,若安装地点不同则电弧特征亦不尽相同,同理,若充电桩型号不同、电弧故障位置不同,电弧特性也不相同,传统的以单一故障特征为依据的识别方法难以在多种故障情况下起效。
发明内容
本申请一方面提供了一种充电桩串联电弧故障检测方法,以解决现有的以单一故障特征为依据的电弧故障识别方法难以在多种电弧故障情况下起效的技术问题。
本申请采用的技术方案如下:
一种充电桩串联电弧故障检测方法,包括步骤:
分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;
从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
进一步地,从所述电流时频信号中提取用于进行故障检测的特征信息,具体包括步骤:
选取0~250Hz频段作为特征频段对电流时频信号进行时频谱分析,对每组采集的连续实验电流信号按设定周期进行广义S变换;
按设定数量的电流信号周期进行一次时频分析,舍去首末两信号周期,对剩余的中间若干信号周期进行特征量提取,将250Hz分量提取能量作为电流时频信号特征量X1。
进一步地,进行广义S变换时,调节因子λ为0.5~0.7。
进一步地,从所述频域能量信号中提取用于进行故障检测的特征信息,具体包括步骤:
利用EEMD分解方法对频域能量信号进行分解,获得若干阶含有不同时频成分的IMF分量;
利以余弦相似度从分解得到的IMF分量中选择包含故障信息较多的有效IMF分量;
求解所选的包含故障信息较多的部分IMF分量的能量熵作为电弧故障信号的能量熵:
式中:Hj为j阶IMF能量熵;m为有效IMF的总阶数;pj为第j个IMF信号能量占整个信号能量的比例。
进一步地,从所述弧光信号中提取用于进行故障检测的特征信息,具体包括步骤:
利用光传感器检测电弧故障所产生的弧光信号的频谱输至电弧监控器,随后所述监控器将电弧故障的弧光信号进行数据处理,将是否检测出电弧弧光作为用于进行故障检测的特征信息。
进一步地,从所述弧声信号中提取用于进行故障检测的特征信息,具体包括步骤:
根据如下关系式求解弧声信号的离子声速Vi:
其中,Pe为电子压力,Pi为离子压力;
求解弧等离子体的总声压P作为特征量记为X2:
P=P0+Pe=(T0N0+TeNi)
其中,V0为中性原子声波的声速,P0为中性原子声波的声压,ρ0为中性原子的密度,mi为离子的质量,m0为中性原子质量,ρi为等离子体中的离子密度,N0为单位体积内原子的个数,Ni为单位体积内正离子的个数,Po为中性原子声波的声压,T0为中性原子温度,Te为电子温度。
进一步地,根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,具体包括步骤:
判断是否存在故障信号,其中:
若电流时频信号特征量X1高于门限值,则为故障信号,令a=1;若X1等于门槛值,为临界状态信号,令a=0;若X1小于门槛值,为正常状态信号,令a=-1;
若能量熵Hj高于门限值,则为故障信号,令b=1;若H等于门槛值,为临界状态信号,令b=0;若Hj小于门槛值,为正常状态信号,令b=-1;
若光传感器检测出电弧弧光,令c=1,若未检测出电弧弧光,为正常状态信号,令c=-1;
若电弧等离子体的特征量X2高于门限值,则为故障信号,令d=1;若X2等于门槛值,为临界状态信号,令d=0;若X2小于门槛值,为正常状态信号,令d=-1;
若a、b、c、d的值均小于等于-1,则判定充电桩系统的当前状态类型为正常状态;若a、b、c、d的值中存在一至两个为1,剩余值为-1,则判定充电桩系统的当前状态类型为疑似故障状态,等待下一组数据判断是否出现故障;若a、b、c、d的值中存在一至两个为1,剩余值为0,则判定充电桩系统的当前状态类型为临界故障状态,输出报警信号并持续检测充电桩系统状态;若a、b、c、d的值中存在三个及以上为1,则判定充电桩系统的当前状态类型为故障状态,输出报警信号并及时切除故障。
本申请另一方面还提供了一种充电桩串联电弧故障检测装置,包括:
信号获取模块,用于分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;
特征信息提取模块,用于从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
故障综合确定模块,用于根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
本申请另一方面还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述充电桩串联电弧故障检测方法的步骤。
本申请另一方面还提供了一种存储介质,所述存储介质包括存储的程序,在所述程序运行时控制所述存储介质所在的设备执行所述的充电桩串联电弧故障检测方法的步骤。
相比现有技术,本申请具有以下有益效果:
本申请提供了一种充电桩串联电弧故障检测方法、装置及电子设备,所述方法包括步骤:分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型。本申请提出的检测方法在充电桩系统中出现串联电弧时,通过检测故障电流的时域电流特征、频域能量故障特征、电弧光信号特征以及电弧声信号特征等多维特征,并利用多信息融合技术做出故障检测决策,提高了故障信息识别的可靠性和准确性,实现了对故障电弧的早期预防,可针对不同安装地点、不同型号的充电桩系统,且能够及时识别电弧故障位置、不同负载情况的串联电弧并及时切除,防止故障电弧产生大量声、光、热导致电力系统与用电设备毁坏及人身伤亡。本申请提出的检测方法具有实现简单、计算方便、能在多种故障情况均能有效识别串联电弧等优点,安全可靠、适应性强。
除了上面所描述的目的、特征和优点之外,本申请还有其它的目的、特征和优点。下面将参照附图,对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请优选实施例的充电桩串联电弧故障检测方法流程示意图。
图2是本申请优选实施例的步骤S3的子步骤流程示意图。
图3是本申请优选实施例的充电桩串联电弧故障检测装置模块示意图。
图4是本申请优选实施例的电子设备实体示意框图。
图5是本申请优选实施例的计算机设备的内部结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参照图1,本申请的优选实施例提供了一种充电桩串联电弧故障检测方法,包括步骤:
S1、分别获取充电桩系统相应时刻的电流时频信号、频域能量信号、弧声信号和弧光信号;
S2、从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
S3、根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
本实施例提出的检测方法在充电桩系统中出现串联电弧时,通过检测故障电流的时域电流特征、频域能量故障特征、电弧光信号特征以及电弧声信号特征等多维特征,并利用多信息融合技术做出故障检测决策,提高了故障信息识别的可靠性和准确性,实现了对故障电弧的早期预防,可针对不同安装地点、不同型号的充电桩系统,且能够及时识别电弧故障位置、不同负载情况的串联电弧并及时切除,防止故障电弧产生大量声、光、热导致电力系统与用电设备毁坏及人身伤亡。本实施例提出的检测方法具有实现简单、计算方便、能在多种故障情况均能有效识别串联电弧等优点,安全可靠、适应性强。
优选地,从所述电流时频信号中提取用于进行故障检测的特征信息,具体包括步骤:
S201、选取0~250Hz频段作为特征频段对电流时频信号进行时频谱分析,对每组采集的连续实验电流信号按设定周期进行广义S变换;
S202、每10个电流信号周期进行一次时频分析,舍去首末两信号周期,对剩余的8个信号周期进行特征量提取,将250Hz分量提取能量作为电流时频信号特征量X1,其值在发生电弧故障后会明显增加。
本实施例基于广义S变换对电弧时频信号进行分析,提取250Hz分量能量作为特征量进行故障检测。在电弧时频故障特征提取中需要使用广义S变换的离散形式。为了在进行时频分析时能够更加清晰地区分电弧故障情况,应使频率分辨率更高,所以调节因子应在0~1之间进行选择,同时兼顾时间分辨率,本实施例选取λ=0.7,通过多次实验分析,为了同时兼顾故障识别的准确率和诊断方法的实时性,选取0~250Hz频段作为特征频段进行时频谱分析。
优选地,从所述频域能量信号中提取用于进行故障检测的特征信息,具体包括步骤:
S211、利用EEMD(Ensemble Empirical Mode Decompositon,集合经验模态分解)分解方法对频域能量信号进行分解,获得若干阶含有不同时频成分的IMF(Intrinsic ModeFunction,固有模特函数)分量;
S212、利以余弦相似度从分解得到的IMF分量中选择包含故障信息较多的有效IMF分量;
S213、求解所选的包含故障信息较多的部分IMF分量的能量熵作为电弧故障信号的能量熵:
式中:Hj为j阶IMF能量熵;m为有效IMF的总阶数;pj为第j个IMF信号能量占整个信号能量的比例。
本实施例利用EEMD分解方法对电弧信号进行分解,提取得到不同的时频分量特征,从而进行故障检测,具体步骤为:
Step1:在原始信号x(t)中加入均值为零的随机白噪声序列s(t),得到新信号xn(t)
xn(t)=x(t)+s(t)
Step2:对信号xn(t)进行EMD(Empirical Mode Decompositon,经验模态分解)分解,具体过程为:
1)确定原始信号xn(t)的所有局部极大值和极小值点,将局部极大值和局部极小值点用3次样条插值方法连接起来形成信号的上下包络线en(t)、eb(t);
2)计算xn(t)的上、下包络线的平均值,得到平均值曲线m(t),计算得到新的序列h(t)即:
3)判断h(t)是否满足IMF条件,即h(t)在整个时间范围内,局部极值点和过零点的数目相等或最多相差一个,以及局部极大值确定的包络线和局部极小值确定的包络线均值为零。如果满足则得到xn(t)的一个IMF分量di(t),若不满足,则将h(t)作为原始信号重复以上步骤;
4)从xn(t)中把di(t)分离出来,得到剩余信号分量r(t),将r(t)作为原始信号,重复以上步骤直至满足终止条件结束。
Step3:对x(t)分别加入k组方差相等的白噪声信号,重复以上步骤,得到k组信号的EEMD分解结果;
Step4:计算k组分解结果的均值并输出。
按上述步骤,能得到电动汽车充电桩在正常状态和电弧故障状态下电流信号EEMD算法进行分解后得到的各阶IMF分量对比图,共包括10阶IMF信号和1阶r(t)信号(信号残余分量),
电流信号经EEMD分解得到了含有不同时频成分的10个IMF分量,其中有效IMF的选择也是EEMD算法进行故障检测的核心。为更好区分出在充电桩故障前后各IMF分量变化大小,本实施例以余弦相似度描述正常信号与噪声信号各阶IMF信号之间的相似程度Sj,即:
式中:j为IMF的阶数;Fj(t)为j阶正常信号;Mj(t)为j阶IMF信号;N为信号的数据点量。
在故障前后余弦相似度越小,说明该IMF信号包含的故障信息越多。在EEMD算法中,定义能量熵Hj来表征某种信息出现的概率,因此可求解IMF5和IMF6阶信号下的能量熵作为电弧故障信号的能量熵特征,能量熵Hj计算公式为:
式中:Hj为j阶IMF能量熵;m为IMF总阶数;pj为第j个IMF信号能量占整个信号能量的比例。
优选地,从所述弧光信号中提取用于进行故障检测的特征信息,具体包括步骤:
利用光传感器检测电弧故障所产生的弧光信号的频谱输至电弧监控器,随后所述监控器将电弧故障的弧光信号进行数据处理,将是否检测出电弧弧光作为用于进行故障检测的特征信息。
优选地,从所述弧声信号中提取用于进行故障检测的特征信息,具体包括步骤:
S221、根据如下关系式求解弧声信号的离子声速Vi:
其中,Pe为电子压力,Pi为离子压力;
因离子声波满足如下关系式:
ω=kVi
其中Vi为离子声速,满足关系式:
其大小介于电子热速度和离子热速度之间,Te、mi分别为电子温度和离子的质量。对于寻常声波,中性原子声波的声速V0同中性原子声波的声压P0以及中性原子的密度ρ0满足以下关系:
对于离子声波,由于电子压力Pe通常大于离子压力Pi,而等离子体中的离子密度ρi远大于电子密度ρe,可将离子声速Vi满足:
通过改表达式,即可求解弧声信号的离子声速Vi;
S222、求解弧等离子体的总声压P作为特征量记为X2:
P=P0+Pe=(T0N0+TeNi)
其中,m0为中性原子质量,ρi为等离子体中的离子密度,N0为单位体积内原子的个数,Ni为单位体积内正离子的个数,Po为中性原子声波的声压,T0为中性原子温度,Te为电子温度。
充电桩电弧燃弧过程中,在尚未出现等离子体现象时也会有声信号,那主要是由原子热运动产生的声信号,强度很弱,随着等离子体的出现,声信号会得到加强,弧声信号能较好地反映燃弧情况,将等离子体的总声压P作为特征量记为X2。
优选地,根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,具体包括步骤:
S231、判断是否存在故障信号,其中:
若电流时频信号特征量X1高于门限值,则为故障信号,令a=1;若X1等于门槛值,为临界状态信号,令a=0;若X1小于门槛值,为正常状态信号,令a=-1;
若能量熵Hj高于门限值,则为故障信号,令b=1;若H等于门槛值,为临界状态信号,令b=0;若Hj小于门槛值,为正常状态信号,令b=-1;
若光传感器检测出电弧弧光,令c=1,若未检测出电弧弧光,为正常状态信号,令c=-1;
若电弧等离子体的特征量X2高于门限值,则为故障信号,令d=1;若X2等于门槛值,为临界状态信号,令d=0;若X2小于门槛值,为正常状态信号,令d=-1;
S232、若a、b、c、d的值均小于等于-1,则判定充电桩系统的当前状态类型为正常状态;若a、b、c、d的值中存在一至两个为1,剩余值为-1,则判定充电桩系统的当前状态类型为疑似故障状态,等待下一组数据判断是否出现故障;若a、b、c、d的值中存在一至两个为1,剩余值为0,则判定充电桩系统的当前状态类型为临界故障状态,输出报警信号并持续检测充电桩系统状态;若a、b、c、d的值中存在三个及以上为1,则判定充电桩系统的当前状态类型为故障状态,输出报警信号并及时切除故障(见图2)。
如图3所示,本申请另一实施例还提供了一种充电桩串联电弧故障检测装置,包括:
信号获取模块,用于分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;
特征信息提取模块,用于从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
故障综合确定模块,用于根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
如图4所示,本申请的优选实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例中的充电桩串联电弧故障检测方法的步骤。
如图5所示,本申请的优选实施例还提供了一种计算机设备,该计算机设备可以是终端或活体检测服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的其他计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现上述充电桩串联电弧故障检测方法的步骤。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请的优选实施例还提供了一种存储介质,所述存储介质包括存储的程序,在所述程序运行时控制所述存储介质所在的设备执行上述实施例中的充电桩串联电弧故障检测方法的步骤。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例方法所述功能若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory),磁碟或者光盘等各种可以存储程序代码的介质。
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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种充电桩串联电弧故障检测方法,其特征在于,包括步骤:
分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;
从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
2.根据权利要求1所述的充电桩串联电弧故障检测方法,其特征在于,从所述电流时频信号中提取用于进行故障检测的特征信息,具体包括步骤:
选取0~250Hz频段作为特征频段对电流时频信号进行时频谱分析,对每组采集的连续实验电流信号按设定周期进行广义S变换;
按设定数量的电流信号周期进行一次时频分析,舍去首末两信号周期,对剩余的中间若干信号周期进行特征量提取,将250Hz分量提取能量作为电流时频信号特征量X1。
3.根据权利要求2所述的充电桩串联电弧故障检测方法,其特征在于,
进行广义S变换时,调节因子λ为0.5~0.7。
5.根据权利要求1所述的充电桩串联电弧故障检测方法,其特征在于,从所述弧光信号中提取用于进行故障检测的特征信息,具体包括步骤:
利用光传感器检测电弧故障所产生的弧光信号的频谱输至电弧监控器,随后所述监控器将电弧故障的弧光信号进行数据处理,将是否检测出电弧弧光作为用于进行故障检测的特征信息。
6.根据权利要求4所述的充电桩串联电弧故障检测方法,其特征在于,从所述弧声信号中提取用于进行故障检测的特征信息,具体包括步骤:
根据如下关系式求解弧声信号的离子声速Vi:
其中,Pe为电子压力,Pi为离子压力;
求解弧等离子体的总声压P作为特征量记为X2:
P=P0+Pe=(T0N0+TeNi)
其中,V0为中性原子声波的声速,P0为中性原子声波的声压,ρ0为中性原子的密度,mi为离子的质量,m0为中性原子质量,ρi为等离子体中的离子密度,N0为单位体积内原子的个数,Ni为单位体积内正离子的个数,Po为中性原子声波的声压,T0为中性原子温度,Te为电子温度。
7.根据权利要求6所述的充电桩串联电弧故障检测方法,其特征在于,
根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,具体包括步骤:
判断是否存在故障信号,其中:
若电流时频信号特征量X1高于门限值,则为故障信号,令a=1;若X1等于门槛值,为临界状态信号,令a=0;若X1小于门槛值,为正常状态信号,令a=-1;
若能量熵Hj高于门限值,则为故障信号,令b=1;若H等于门槛值,为临界状态信号,令b=0;若Hj小于门槛值,为正常状态信号,令b=-1;
若光传感器检测出电弧弧光,令c=1,若未检测出电弧弧光,为正常状态信号,令c=-1;
若电弧等离子体的特征量X2高于门限值,则为故障信号,令d=1;若X2等于门槛值,为临界状态信号,令d=0;若X2小于门槛值,为正常状态信号,令d=-1;
若a、b、c、d的值均小于等于-1,则判定充电桩系统的当前状态类型为正常状态;若a、b、c、d的值中存在一至两个为1,剩余值为-1,则判定充电桩系统的当前状态类型为疑似故障状态,等待下一组数据判断是否出现故障;若a、b、c、d的值中存在一至两个为1,剩余值为0,则判定充电桩系统的当前状态类型为临界故障状态,输出报警信号并持续检测充电桩系统状态;若a、b、c、d的值中存在三个及以上为1,则判定充电桩系统的当前状态类型为故障状态,输出报警信号并及时切除故障。
8.一种充电桩串联电弧故障检测装置,其特征在于,包括:
信号获取模块,用于分别获取充电桩系统的电流时频信号、频域能量信号、弧声信号和弧光信号;
特征信息提取模块,用于从所述电流时频信号、频域能量信号、弧声信号和弧光信号中分别提取用于进行故障检测的特征信息;
故障综合确定模块,用于根据所述电流时频信号、频域能量信号、弧声信号和弧光信号各自对应的特征信息综合确定充电桩系统的当前状态类型,所述当前状态类型包括正常状态、疑似故障状态、临界故障状态和故障状态。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述程序时实现如权利要求1至7中任一项所述充电桩串联电弧故障检测方法的步骤。
10.一种存储介质,所述存储介质包括存储的程序,在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至7中任一项所述的充电桩串联电弧故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211111663.1A CN115327325A (zh) | 2022-09-13 | 2022-09-13 | 充电桩串联电弧故障检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211111663.1A CN115327325A (zh) | 2022-09-13 | 2022-09-13 | 充电桩串联电弧故障检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327325A true CN115327325A (zh) | 2022-11-11 |
Family
ID=83929120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211111663.1A Pending CN115327325A (zh) | 2022-09-13 | 2022-09-13 | 充电桩串联电弧故障检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792417A (zh) * | 2022-11-29 | 2023-03-14 | 国网北京市电力公司 | 一种用于高空作业设备的近电检测方法及系统 |
-
2022
- 2022-09-13 CN CN202211111663.1A patent/CN115327325A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792417A (zh) * | 2022-11-29 | 2023-03-14 | 国网北京市电力公司 | 一种用于高空作业设备的近电检测方法及系统 |
CN115792417B (zh) * | 2022-11-29 | 2024-02-23 | 国网北京市电力公司 | 一种用于高空作业设备的近电检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kavi et al. | High‐impedance fault detection and classification in power system distribution networks using morphological fault detector algorithm | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
US7627400B2 (en) | Method and device for detecting electric arc phenomenon on at least one electric cable | |
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
Sekar et al. | Data mining-based high impedance fault detection using mathematical morphology | |
CN108399147B (zh) | 一种基于meemd算法的变压器励磁涌流识别方法 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN115327325A (zh) | 充电桩串联电弧故障检测方法、装置及电子设备 | |
KR101025058B1 (ko) | 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법 | |
CN105510760A (zh) | 一种基于小波分析的短路故障数据检测方法 | |
Xia et al. | Binary classification model based on machine learning algorithm for the DC serial arc detection in electric vehicle battery system | |
CN113487521A (zh) | 自编码器训练方法及组件,异常图像检测方法及组件 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN107292512B (zh) | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 | |
CN117261599B (zh) | 电动汽车的故障检测方法、装置、电子设备及电动汽车 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 | |
CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
CN113514724A (zh) | 光伏系统及其电弧检测方法、装置 | |
Ozansoy et al. | Optimal sampling requirements for robust and fast vegetation high impedance fault detection | |
CN117648536B (zh) | 一种空调专用电弧信号的去噪方法 | |
CN107561400B (zh) | 一种基于实时小波变换的配网短路故障快速检测方法 | |
Wang et al. | Impedance Ground Faults Detection and Classification Method for DC Microgrid | |
Allawi et al. | A New Approach to Detecting High Impedance Fault in Power Distribution Feeder Based on Signal Processing Hybrid Technique and ANNs. | |
Ouyang et al. | Attention based bi-LSTM for power line partial discharge fault detection |
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 |