CN116298735A - 一种低压配电网交流电弧故障检测方法及相关装置 - Google Patents
一种低压配电网交流电弧故障检测方法及相关装置 Download PDFInfo
- Publication number
- CN116298735A CN116298735A CN202310518560.5A CN202310518560A CN116298735A CN 116298735 A CN116298735 A CN 116298735A CN 202310518560 A CN202310518560 A CN 202310518560A CN 116298735 A CN116298735 A CN 116298735A
- Authority
- CN
- China
- Prior art keywords
- current
- characteristic
- load
- arc
- indexes
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000000737 periodic effect Effects 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement 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
- 238000011002 quantification Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请公开了一种低压配电网交流电弧故障检测方法及相关装置，包括：S1、根据对电弧故障的波形数据进行典型电流波形特征分析，提取相应的时域特征；S2、根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定相应的频域特征指标；S3、根据故障的电流与电压信号绘制V‑I轨迹图像，并将V‑I轨迹图像特征二值化；S4、根据提取的无量纲时域与频域特征指标，建立电弧故障诊断模型，依靠随机森林算法筛选出有效、关键的特征指标；S5、根据筛选出的电流信号特征指标，建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射；从而解决现有技术对电弧故障检测准确性低，复杂负载情况适用性差的技术问题。
Description
技术领域
本申请涉及电弧故障检测技术领域，尤其涉及一种低压配电网交流电弧故障检测方法及相关装置。
背景技术
随着生产科技水平不断提升，用电覆盖面日益增大，电器种类逐渐增多。电气化的飞速发展和遍及也伴随着安全隐患，如电弧故障、过负荷、漏电、接触不良、线路绝缘老化等问题。上述问题若没有及时发现，将加剧电气设备的损坏，进而有可能导致火灾。电气事故是导致火灾发生的重要原因，其造成的影响远远大于其他类型的火灾。
主流的故障电弧检测技术是人工提取电弧电流特征并通过模型进行分类，根据提取的频域特征，通过VMD算法、BP神经网络、卷积神经网络等等模型建立故障谐波特征信息与故障线路的联系，以此达到检测电弧故障发生的功能。
虽然传统的电气保护装置可以阻断大电流，但无法检测出故障电弧，易为线路埋下火灾隐患。而目前的电弧检测装置，受限于负载及电路结构的多样性，电弧的相关特征波动大，复杂的电弧特性造成此类装置识别率低。
发明内容
本申请提供了一种低压配电网交流电弧故障检测方法及相关装置，用于解决现有技术对电弧故障检测准确性低，复杂负载情况适用性差的技术问题。
有鉴于此，本申请第一方面提供了一种低压配电网交流电弧故障检测方法，所述方法包括：
根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
根据所述图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个所述时域特征指标和所述频域特征指标筛选若干个关键的电流信号特征指标；
根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
可选地，所述根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标，具体包括：
对阻性负载与屏蔽性负载的时域波形，分别进行正常运行状态与电弧故障状态的对比，确定不同状态下各类负载电流波形的特征；
对阻性负载与屏蔽性负载的时域波形提取无量纲时域指标，进而进行正常运行状态与电弧故障状态的时域特征对比与分析，得到典型的时域特征指标，包括：零休时间、电流变化率、电流平均值和电流峰峰值。
可选地，所述获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集，具体包括：
获取电弧故障时电压和电流的样本数据，设定周期采样点数并创建所有元素为0的矩阵；
对所述样本数据进行离差标准化后，更新所述矩阵的元素的赋值并遍历所有采样点，从而得到V-I二值图像特征，并形成电弧故障的图像特征集。
可选地，所述根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集，具体包括：
将若干个所述电流信号特征指标进行归一化处理后，分为训练集和测试集，建立初始的PNN神经网络模型，并设置网络参数，将训练集特征及标签输入PNN神经网络模型进行有监督训练；
通过输入测试集数据测试PNN神经网络模型的效果，从而修改网络参数，得到PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
本申请第二方面提供一种低压配电网交流电弧故障检测系统，所述系统包括：
第一获取单元，用于根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
第二获取单元，用于根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
绘制单元，用于获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
第一建立单元，用于根据所述图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个所述时域特征指标和所述频域特征指标筛选若干个关键的电流信号特征指标；
第二建立单元，用于根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
可选地，所述第一获取单元，具体用于：
对阻性负载与屏蔽性负载的时域波形，分别进行正常运行状态与电弧故障状态的对比，确定不同状态下各类负载电流波形的特征；
对阻性负载与屏蔽性负载的时域波形提取无量纲时域指标，进而进行正常运行状态与电弧故障状态的时域特征对比与分析，得到典型的域特征指标，包括：零休时间、电流变化率、电流平均值和电流峰峰值。
可选地，所述绘制单元，具体用于：
获取电弧故障时电压和电流的样本数据，设定周期采样点数并创建所有元素为0的矩阵；
对所述样本数据进行离差标准化后，更新所述矩阵的元素的赋值并遍历所有采样点，从而得到V-I二值图像特征，并形成电弧故障的图像特征集。
可选地，所述第二建立单元，具体用于：
将若干个所述电流信号特征指标进行归一化处理后，分为训练集和测试集，建立初始的PNN神经网络模型，并设置网络参数，将训练集特征及标签输入PNN神经网络模型进行有监督训练；
通过输入测试集数据测试PNN神经网络模型的效果，从而修改网络参数，得到PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
本申请第三方面提供一种低压配电网交流电弧故障检测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的低压配电网交流电弧故障检测方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的低压配电网交流电弧故障检测方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种低压配电网交流电弧故障检测方法，1）在对电流特征提取后，通过随机森林算法优化特征信息，进而筛选出有效、关键的电流特征，使得模型的鲁棒性更好，且随机森林计算成本较低，不容易产生过拟合；2）PNN神经网络基于贝叶斯决策规则，其训练期望误差较小，是一种基于统计原理的人工神经网络。同时包含了径向基神经网络与经典的概率密度估计算法的优势，因此在识别与分类方面，PNN神经网络和传统的神经网络相比，最大的优势在于其不需要进行多次计算，就可以获得收敛的贝叶斯优化解。因此，在进行调试识别的时候，采用PNN神经网络，可以以较少的训练次数获得所期望的测试结果。
附图说明
图1为本申请实施例中提供的一种低压配电网交流电弧故障检测方法实施例的流程示意图；
图2为本申请实施例中提供的一种低压配电网交流电弧故障检测系统实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例中提供的一种低压配电网交流电弧故障检测方法，包括：
步骤101、根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
需要说明的是，首先，针对阻性负载与屏蔽性负载的时域波形，进行正常运行状态与电弧故障状态的对比，总结不同状态下各类负载电流波形的特征。然后，对不同负载的时域波形提取无量纲时域指标，进而进行正常运行状态与电弧故障状态的时域特征对比与分析，得到典型特征指标。
（1）时域特征指标提取
①零休时间
由于交流电的周期性，电弧有熄灭和重燃的特点，每个周期都会有一段电流值在0左右的时期，称为零休时间。假定每个周期采样点数为N，i k 为样本中第k个采样点的测量值。这里以一个周期内，满足电流值小于0.2A并与前一个采样点电流之差小于0.1A的采样点个数作为衡量零休时间的指标。公式如下：
②电流变化率
电弧故障时电流波形更陡峭，即瞬时值变化速率会加快。这里取样本内相邻采样点电流数据做差，选出其中最大值代表此样本的电流变化率，公式如下：
③电流平均值
发生电弧故障时，可能会出现电流正负周波不对称的现象，采用样本内所有电流之和的绝对值下的平均值来反映不对称程度，公式如下：
④电流峰峰值
电流波形通常在电路稳定时呈现周期性变化，而发生电弧故障时，由于电弧带来高频噪声，类似于“毛刺”，电流峰峰值可能发生变化。峰峰值指一个周期内的最大值与最小值之差，量化了信号的变化范围。
（2）特征分析
抽取实验数据集中每种场景下的80个样本，根据上述4个时域指标进行统计，得出单负载与多负载电路结构下的场景零休时间特征。
步骤102、根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
需要说明的是，根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定相应的频域特征指标。
（1）快速傅里叶变换
为了对离散信号进行分析，基于对连续的傅里叶变换作离散点采样，进一步提出了离散傅里叶变换（DFT）。
设一个长度为N的有限长序列为x(n)，则它的离散傅里叶变换为：
其中，
。当对信号x(n)进行N点离散傅里叶变换时，要计算N(N-1)次复加和/>
次复乘，当/>
，/>
。其计算量与/>
成正比，在N较大时，计算量特别大。因此快速傅里叶变换（FFT）能够在很大程度上减少了DFT的计算量，使得运算速率加快，相关公式如下。
对于长度为N的序列x(n)，其中N=2 M ，M=0，1，2...，按照n的奇偶将x(n)分成两个长为N/2的序列：
则x(n)的离散傅里叶变化为：
由于旋转因子
具有对称性和周期性，
所以得到：
其中X 1(k)和X 2(k)均以N/2为周期，且
，故X(k)又可以表示为：
一个长为N=2 M 的序列，其直接DFT的复加、复乘运算次数都是
，而FFT的复乘次数为/>
，复加次数为/>
，当/>
时，/>
。因此FFT相比于DFT，极大地减少了运算次数。
（2）谐波提取
每个样本经过FFT分解后，得到一个拥有N个复数的序列，每个复数可以表示为
且对应着频率为
下频域信号信息。时域电流信号表示及各次谐波电流有效值与之对应关系如下：
对电流样本进行谐波分析，借助Numpy库中的FFT模块，求取谐波因数进行展示。
（3）特征分析
取单负载和多负载情况下，每种情形典型样本的前21次电流谐波幅值进行分析。
步骤103、获取电弧故障时电压和电流的样本数据，根据样本数据绘制V-I轨迹图像，并将V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
需要说明的是，由于时域和频域特征只利用了电流信号，而V-I轨迹则由电流和电压绘制而成，因此将V-I轨迹图像特征二值化，借以反映负载运行时的负荷特性、阻抗特性。
（1）提取流程
应用样本数据提取图像特征，步骤如下：
①提取一个样本的电压和电流数据，设定周期采样点数为N，创建一个所有元素为0的
阶矩阵。
②将数据进行离差标准化，以期达到将周期电压电流数据限定在（0,q）的范围。公式如下：
③将矩阵的第
行第/>
列的元素赋值为1，遍历所有采样点，即可得到/>
阶矩阵组成的V-I二值图像特征。
（2）特征分析
对每个样本进行V-I图像特征提取，通过同一负载的故障和正常情形图像特征对比可以发现不同工作状态下的图像特征存在一定的差异。
步骤104、根据图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个时域特征指标和频域特征指标筛选若干个关键的电流信号特征指标；
需要说明的是，建立电弧故障诊断模型，需要通过指标量化特征的重要性，揭示每个输入特征对于预测模型的相对重要性，从而依照特征重要性的指标进行降序排列，来辅助筛选有效、关键的特征精简模型。
通过随机森林学习算法判断每个特征在每棵决策树上所做的贡献，根据贡献的大小来判定特征的重要性。特征的贡献，可以通过计算基尼指数得到，将基尼指数变化量作为评价指标来量化特征的重要性。
其中，K表示样本所属的类别个数，P k 表示类别K的样本权重。
假设有c个特征X 1，X 2，...，X c，随机森林中一共有n棵树，用VIM来表示特征重要性评分。首先寻找第j个特征在决策树i中出现的所有节点，记为集合M。若m为集合M中的节点，则特征X j 在节点m上的重要性评分记为VIM jm ，表示在节点m分枝前后基尼指数的变化量。
其中，GINI m为特征X j 在节点m分枝前的基尼指数，计算时P k 为节点m中类别K所占的比例，GINI l 与GINI r 分别表示节点m分枝后左右新节点l和r的基尼指数。对于集合M中出现的所有节点，分别计算得到各节点的重要性评分，之后将评分累加得到特征X j 在决策树i的重要性评分VIM ij ：
对于随机森林中包含的n棵决策树，重复上述步骤，得到特征X j 在每棵决策树中的重要性评分，进而求取均值VIM j ，表示第j个特征在随机森林所有决策树中节点分裂不纯度的平均改变量。
最后，将计算得到的各个特征的重要性评分进行归一化处理。
步骤105、根据电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，特征数据集为电弧故障诊断模型提取的负载回路的电流信号特征集。
需要说明的是，电弧故障诊断模型需要根据所提取的负载回路电流信号的特征，实现由特征数据集至线路状态集之间的映射。
PNN模型的建立，首先需进行特征数据集的归一化处理，然后将数据集分为训练集与测试集，建立PNN网络，设置网络参数后，将训练集特征及标签输入神经网络进行有监督训练，最后输入测试集数据测试模型效果，进一步修改网络参数得到效果最优模型。
（1）特征数据集归一化
将数据均统一映射到[0,1]区间范围内，使得各个特征处于同一数量级，消除数据之间由于不同量纲和量纲单位对数据分析带来的影响。使用的是离差标准化方法，即最大最小标准化，转换函数如式所示：
其中，
表示当前特征在数据集中的最小值，/>
表示当前特征在数据集中的最大值。
（2）训练集与测试集划分
随机抽取3/4的数据集作为训练集，剩余1/4的数据集作为测试集。每组数据包含单个工频周期（20ms）负载回路电流信号处理并归一化后的特征集，特征集与相应状态构成输入输出对。
（3）建立PNN网络
通过MATLAB软件平台，调用newpnn函数进行PNN网络的建立。根据特征重要性评分结果，评分相对较高的特征有6个，分别为谐波因数H 2、波形指标、频率质心、能量指标、峭度指标、谐波因数H 4，按照上述评分由高到低的顺序，依次增加特征个数，调整平滑因子取值，进行模型训练。输入测试集数据进行仿真测试，将仿真得到的结果与预期结果进行比对，得到不同输入特征个数情况下，模型所得电弧检测准确率与误判率随平滑因子变化曲线图。
本申请实施例提供的一种低压配电网交流电弧故障检测方法，1）总结了不同状态下各类负载电流波形的特征，提取出不同负载的时域指标。相比单一负载分析情景来说更加全面。2)利用快速傅里叶变换确定不同电流信号的频域特征指标。快速傅里叶变换是对离散傅里叶变换进行改进得到的快速算法，可大大减少计算机计算离散傅里叶变换所需要的乘法次数，从而实现利用计算机高效、快速地计算离散傅里叶变换。3）绘制了V-I轨迹图像并将其二值化。时域和频域特征只利用了电流信号，而V-I轨迹则由电流和电压绘制而成，能够反映负载运行时的负荷特性、阻抗特性等。传统的电压电流数据特征，其不仅维度高，且降维后也难以提取有效特征。二值化后的V-I轨迹图像特征由0和1组成，既可以最大程度地保留V-I轨迹细节信息，又具有存储量少、易计算等优点。4）利用随机森林学习算法建立了电弧故障诊断模型，对时域和频域的特征指标进行了优化筛选，可以帮助降低后续模型的特征维度。5)利用PNN神经网络实现电流信号特征数据集至线路状态集之间的映射。
以上为本申请实施例中提供的一种低压配电网交流电弧故障检测方法，以下为本申请实施例中提供的一种低压配电网交流电弧故障检测系统。
请参阅图2，本申请实施例中提供的一种低压配电网交流电弧故障检测系统，包括：
第一获取单元201，用于根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
第二获取单元202，用于根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
绘制单元203，用于获取电弧故障时电压和电流的样本数据，根据样本数据绘制V-I轨迹图像，并将V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
第一建立单元204，用于根据图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个时域特征指标和频域特征指标筛选若干个关键的电流信号特征指标；
第二建立单元205，用于根据电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，特征数据集为电弧故障诊断模型提取的负载回路的电流信号特征集。
进一步地，本申请实施例中还提供了一种低压配电网交流电弧故障检测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述方法实施例所述的低压配电网交流电弧故障检测方法的步骤。
进一步地，本申请实施例中还提供了计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个（项）”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机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机设备（可以是个人计算机，服务器，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（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种低压配电网交流电弧故障检测方法，其特征在于，包括：
根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
根据所述图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个所述时域特征指标和所述频域特征指标筛选若干个关键的电流信号特征指标；
根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
2.根据权利要求1所述的低压配电网交流电弧故障检测方法，其特征在于，所述根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标，具体包括：
对阻性负载与屏蔽性负载的时域波形，分别进行正常运行状态与电弧故障状态的对比，确定不同状态下各类负载电流波形的特征；
对阻性负载与屏蔽性负载的时域波形提取无量纲时域指标，进而进行正常运行状态与电弧故障状态的时域特征对比与分析，得到典型的时域特征指标，包括：零休时间、电流变化率、电流平均值和电流峰峰值。
3.根据权利要求1所述的低压配电网交流电弧故障检测方法，其特征在于，所述获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集，具体包括：
获取电弧故障时电压和电流的样本数据，设定周期采样点数并创建所有元素为0的矩阵；
对所述样本数据进行离差标准化后，更新所述矩阵的元素的赋值并遍历所有采样点，从而得到V-I二值图像特征，并形成电弧故障的图像特征集。
4.根据权利要求1所述的低压配电网交流电弧故障检测方法，其特征在于，所述根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集，具体包括：
将若干个所述电流信号特征指标进行归一化处理后，分为训练集和测试集，建立初始的PNN神经网络模型，并设置网络参数，将训练集特征及标签输入PNN神经网络模型进行有监督训练；
通过输入测试集数据测试PNN神经网络模型的效果，从而修改网络参数，得到PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
5.一种低压配电网交流电弧故障检测系统，其特征在于，包括：
第一获取单元，用于根据对电弧故障的波形数据进行典型电流波形特征分析，提取若干个时域特征指标；
第二获取单元，用于根据对不同负载的单个工频周期电流信号进行快速傅里叶变换，确定若干个不同负载工况下的频域特征指标；
绘制单元，用于获取电弧故障时电压和电流的样本数据，根据所述样本数据绘制V-I轨迹图像，并将所述V-I轨迹图像进行特征二值化，用于反映负载运行时的负荷特性、阻抗特性，形成电弧故障的图像特征集；
第一建立单元，用于根据所述图像特征集的时域特征指标和频域特征指标，建立电弧故障诊断模型，并通过随机森林算法从若干个所述时域特征指标和所述频域特征指标筛选若干个关键的电流信号特征指标；
第二建立单元，用于根据所述电流信号特征指标建立PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
6.根据权利要求5所述的低压配电网交流电弧故障检测系统，其特征在于，所述第一获取单元，具体用于：
对阻性负载与屏蔽性负载的时域波形，分别进行正常运行状态与电弧故障状态的对比，确定不同状态下各类负载电流波形的特征；
对阻性负载与屏蔽性负载的时域波形提取无量纲时域指标，进而进行正常运行状态与电弧故障状态的时域特征对比与分析，得到典型的域特征指标，包括：零休时间、电流变化率、电流平均值和电流峰峰值。
7.根据权利要求5所述的低压配电网交流电弧故障检测系统，其特征在于，所述绘制单元，具体用于：
获取电弧故障时电压和电流的样本数据，设定周期采样点数并创建所有元素为0的矩阵；
对所述样本数据进行离差标准化后，更新所述矩阵的元素的赋值并遍历所有采样点，从而得到V-I二值图像特征，并形成电弧故障的图像特征集。
8.根据权利要求5所述的低压配电网交流电弧故障检测系统，其特征在于，所述第二建立单元，具体用于：
将若干个所述电流信号特征指标进行归一化处理后，分为训练集和测试集，建立初始的PNN神经网络模型，并设置网络参数，将训练集特征及标签输入PNN神经网络模型进行有监督训练；
通过输入测试集数据测试PNN神经网络模型的效果，从而修改网络参数，得到PNN神经网络模型，用于实现由特征数据集至线路状态集之间的映射，其中，所述特征数据集为所述电弧故障诊断模型提取的负载回路的电流信号特征集。
9.一种低压配电网交流电弧故障检测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的低压配电网交流电弧故障检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的低压配电网交流电弧故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518560.5A CN116298735A (zh) | 2023-05-10 | 2023-05-10 | 一种低压配电网交流电弧故障检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518560.5A CN116298735A (zh) | 2023-05-10 | 2023-05-10 | 一种低压配电网交流电弧故障检测方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116298735A true CN116298735A (zh) | 2023-06-23 |
Family
ID=86781753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310518560.5A Pending CN116298735A (zh) | 2023-05-10 | 2023-05-10 | 一种低压配电网交流电弧故障检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298735A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648634A (zh) * | 2024-01-30 | 2024-03-05 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080157781A1 (en) * | 2006-12-27 | 2008-07-03 | General Electric Company | Methods and systems for detecting series arcs in electrical systems |
| CN105067966A (zh) * | 2015-07-08 | 2015-11-18 | 上海交通大学 | 基于特征模态分量能量分析的低压交流故障电弧检测方法 |
| CN109975673A (zh) * | 2019-04-23 | 2019-07-05 | 辽宁工程技术大学 | 一种光伏微电网直流侧故障电弧识别方法 |
| CN110488161A (zh) * | 2019-07-23 | 2019-11-22 | 南京航空航天大学 | 一种多负载串联电弧故障检测及定位方法 |
| CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
| CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
| WO2022265794A1 (en) * | 2021-06-15 | 2022-12-22 | Leviton Manufacturing Co., Inc. | Arc fault detection using machine learning |
| CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
-
2023
- 2023-05-10 CN CN202310518560.5A patent/CN116298735A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080157781A1 (en) * | 2006-12-27 | 2008-07-03 | General Electric Company | Methods and systems for detecting series arcs in electrical systems |
| CN105067966A (zh) * | 2015-07-08 | 2015-11-18 | 上海交通大学 | 基于特征模态分量能量分析的低压交流故障电弧检测方法 |
| CN109975673A (zh) * | 2019-04-23 | 2019-07-05 | 辽宁工程技术大学 | 一种光伏微电网直流侧故障电弧识别方法 |
| CN110488161A (zh) * | 2019-07-23 | 2019-11-22 | 南京航空航天大学 | 一种多负载串联电弧故障检测及定位方法 |
| CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
| WO2022265794A1 (en) * | 2021-06-15 | 2022-12-22 | Leviton Manufacturing Co., Inc. | Arc fault detection using machine learning |
| CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
| CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 廖晓宇: ""低压交流串联电弧故障检测技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, pages 042 - 1214 * |
| 张俊: ""基于量测数据分析的低压故障电弧检测技术研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 09, pages 042 - 188 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648634A (zh) * | 2024-01-30 | 2024-03-05 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
| CN117648634B (zh) * | 2024-01-30 | 2024-04-16 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
| CN111027069B (zh) | 恶意软件家族检测方法、存储介质和计算设备 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
| CN116298735A (zh) | 一种低压配电网交流电弧故障检测方法及相关装置 | |
| CN108491228A (zh) | 一种二进制漏洞代码克隆检测方法及系统 | |
| CN115620812B (zh) | 基于重采样的特征选择方法、装置、电子设备和存储介质 | |
| CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
| CN111400713B (zh) | 基于操作码邻接图特征的恶意软件族群分类方法 | |
| Chen et al. | Fault detection for covered conductors with high-frequency voltage signals: From local patterns to global features | |
| Karanam et al. | Intrusion detection mechanism for large scale networks using CNN-LSTM | |
| CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
| Hostiadi et al. | A New Approach Feature Selection for Intrusion Detection System Using Correlation Analysis | |
| CN104980442B (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
| CN110472416A (zh) | 一种网页恶意代码检测方法及相关装置 | |
| CN114117418B (zh) | 基于社群检测异常账户的方法、系统、设备及存储介质 | |
| CN115392787A (zh) | 企业的风险评估方法、装置、设备、存储介质及程序产品 | |
| CN108287996A (zh) | 一种恶意代码混淆特征清洗方法 | |
| CN111209567B (zh) | 提高检测模型鲁棒性的可知性判断方法及装置 | |
| CN114936204A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 | |
| CN113052604A (zh) | 一种对象检测方法、装置、设备及存储介质 | |
| CN111273101A (zh) | 一种故障电弧检测方法、装置及存储介质 | |
| Yan et al. | Change-point detection based on adjusted shape context cost method |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |