CN116842425A - 一种低压交流系统中故障电弧的检测方法 - Google Patents

一种低压交流系统中故障电弧的检测方法 Download PDF

Info

Publication number
CN116842425A
CN116842425A CN202310774004.4A CN202310774004A CN116842425A CN 116842425 A CN116842425 A CN 116842425A CN 202310774004 A CN202310774004 A CN 202310774004A CN 116842425 A CN116842425 A CN 116842425A
Authority
CN
China
Prior art keywords
time domain
fault
current signal
load branch
feature vector
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
Application number
CN202310774004.4A
Other languages
English (en)
Inventor
李艳
王静
赵宇明
魏芃
刘玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202310774004.4A priority Critical patent/CN116842425A/zh
Publication of CN116842425A publication Critical patent/CN116842425A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明提供一种低压交流系统中故障电弧的检测方法，包括，采集负载支路上故障时刻前后的电流信号；将所述故障时刻前后的电流信号转化为对应的频谱，并将这两个频谱作差得到新的频谱，作为故障时域电流信号；根据所述故障时域电流信号确定对应的时域特征向量，作为负载支路发生故障的特征；根据所述正常时域电流信号确定对应的时域特征向量，作为负载支路正常状态的特征；将负载支路发生故障的特征和负载支路正常状态的特征组合成特征集，选取多个测试集和多个训练集；将测试集输入通过所述训练集预先训练的机器训练模型中，识别所述故障电弧检测的准确度，得到最后的检测结果。本发明实现低压交流系统的故障电弧快速、准确检测。

Description

一种低压交流系统中故障电弧的检测方法
技术领域
本发明涉及低压交流系统中故障电弧的检测技术领域，特别是涉及一种低压交流系统中故障电弧的检测方法。
背景技术
近年来随着家用电器普及程度提高，其带来的安全隐患问题与日俱增，低压交流电弧故障成为了电气火灾事故的重要诱因，如何准确识别电弧故障并对其进行有效保护是电气火灾防护工作中亟待解决的问题。电弧故障检测技术研究关键之一是如何确定电弧故障区别于背景噪声的特征，交流故障电弧按照选取故障特征类型可分为单一特征法与综合判别法。单一特征法又可分为时域法及频域法。时域法利用电流微分、电流变化均值、电压变化率等时域非线性特征构建故障检测判据；频域法基于分析实验室人工电弧的录波数据寻找直流串联电弧的特征频段，手段包括小波包分解重构、短时傅里叶变换、卷积神经网络等。上述方法原理简单，且经过了低压实验室验证，但由于需要高采样下捕捉电弧暂态信息，系统出力变化、电力电子设备开关状态变化等因素可能造成误判。为解决单一故障特征判别法出现误判、漏判问题，国内外学者提出了多角度信息综合判别电弧故障的方法，例如将电弧电流时域标准差与故障特征频段信息相结合、时域电流极值与小波细节系数特征相结合以及时域电流极差与小波分解系数的归一化有效值相结合等综合判别方法。但上述综合判别法利用的时域或频域特征之间的线性相关度较高，所构建的综合判据对可靠性提升效果难以评估。
发明内容
本发明的目的在于，提出一种低压交流系统中故障电弧的检测方法，解决如何检测复杂源荷条件下低压故障电弧及确定故障所在支路的技术问题。
一方面，提供一种低压交流系统中故障电弧的检测方法，包括：
按照预设的采样频率采集负载支路上故障时刻前后的电流信号；
将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路发生故障的特征；
根据正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路正常状态的特征；
将多个周期的所述负载支路发生故障的特征和所述负载支路正常状态的特征组合成多个特征集，并从所述特征集中选取多个测试集和多个训练集；
将所述测试集作为输入量输入通过所述训练集预先训练的机器训练模型中，识别所述故障电弧检测的准确度，得到最后的检测结果，其中，所述检测结果至少包括故障电弧切断信号和所在支路信号。
优选地，所述照预设的采样频率采集负载支路上故障时刻前后的电流信号具体包括：
按照预设的采样频率采集负载支路的电压信号；
当所述负载支路的电压信号产生突变时，将突变时刻作为故障时刻；
照预设的采样频率采集故障时刻前后多个预设时间周期的电流信号。
优选地，所述将所述故障时刻前后的电流信号分别转化为对应的频谱具体包括：
将所述故障时刻前多个预设时间周期的电流信号和所述故障时刻后多个预设时间周期的电流信号分别转化为对应的频谱。
优选地，所述根据所述故障时域电流信号确定对应的时域特征向量具体包括：
对所述故障时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。
优选地，所述根据正常状态下的电流信号确定正常时域电流信号具体包括：
将正常状态下两个相邻的多个预设时间周期的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为正常时域电流信号。
优选地，所述根据所述正常时域电流信号确定对应的时域特征向量具体包括：
对所述正常时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。
优选地，还包括：
当所述低压交流系统中接入新的负载支路时，按照预设的采样频率采集新的负载支路上故障时刻前后的电流信号；
将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路发生故障的特征；
根据新的负载支路正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路正常状态的特征。
优选地，所述从所述特征集中选取多个测试集和多个训练集具体包括：
从所述多个特征集中按照预设比例选取部分特征集作为训练集，所述多个特征集中其与部分作为测试集，其中，所述训练集的比例大于所述测试集的比例。
优选地，所述通过所述训练集预先训练的机器训练模型具体包括：
将选取的训练集逐一输入预设的机器训练模型中进行循环训练，并根据所述机器训练模型输出的计算结果判断是否继续进行循环训练；
当所述计算结果的准确率未达到预设标准时，继续进行循环训练；
当所述计算结果的准确率达到预设标准时，结束循环训练，输出此时的机器训练模型为训练后的机器训练模型。
优选地，所述特征值向量值至少包括峰值、平均值、标准差、峭度、均方根、波形因数、峰值因子、脉冲因子及裕度因子。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的低压交流系统中故障电弧的检测方法，运用了快速傅里叶变换与反变换得到了新的时域电流信号，与负荷辨识结合，最终实现了负载所在系统中的故障电弧准确检测，准确率100％，提高了低压交流系统中故障电弧的检测准确率和检测速度，并能够判别故障所在支路，可以实现低压交流系统的故障电弧快速、准确检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种低压交流系统中故障电弧的检测方法的主流程示意图。
图2为本发明实施例中一种低压交流系统中故障电弧的检测方法的逻辑示意图。
图3为本发明实施例中一种电钻所在支路发生故障时刻前后一段时间内的电压电流信号的示意图。
图4为本发明实施例中一种白炽灯所在支路发生故障时刻前后一段时间内的电压电流信号的示意图。
图5为本发明实施例中一种卤素灯所在支路发生故障时刻前后一段时间内的电压电流信号的示意图。
图6为本发明实施例中一种电钻的新的时域电流信号的示意图。
图7为本发明实施例中一种白炽灯的新的时域电流信号的示意图。
图8为本发明实施例中卤素灯的新的时域电流信号的示意图。
图9为本发明实施例中真实值与预测值的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示和图2所示，为本发明提供的一种低压交流系统中故障电弧的检测方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
步骤S1，按照预设的采样频率采集负载支路上故障时刻前后的电流信号；可理解的，首先将参数初始化并按采样频率fs对某一种负载所在支路故障时刻前后的电压信号和电流信号逐点采样。
具体实施例中，按照预设的采样频率采集负载支路的电压信号；当所述负载支路的电压信号产生突变时，将突变时刻作为故障时刻；照预设的采样频率采集故障时刻前后多个预设时间周期的电流信号。针对某一种负载所在支路输出的电压电流信号，由电压信号产生突变的位置确定生弧时刻，从而确定故障前后的电流信号。图3、图4、图5依次对应电钻、白炽灯、卤素灯所在支路发生故障时刻前后一段时间内的电压电流信号。
步骤S2，将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路发生故障的特征；可理解的，在时域上将故障电弧产生时刻前n个周期的电流信号和后n个周期的电流信号分别做快速傅里叶变换得到两个频谱，将两频谱在对应频率位置作差得到新的频谱，再对新的频谱做快速傅里叶反变换构造一个新的时域电流信号。
具体实施例中，将所述故障时刻前多个预设时间周期的电流信号和所述故障时刻后多个预设时间周期的电流信号分别转化为对应的频谱。对所述故障时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。所述特征值向量值至少包括峰值、平均值、标准差、峭度、均方根、波形因数、峰值因子、脉冲因子及裕度因子。可理解的，在时域上将故障电弧产生时刻前n个周期的电流信号和后n个周期的电流信号分别做快速傅里叶变换得到两个频谱，将两频谱在对应频率位置作差得到新的频谱，再对新的频谱做快速傅里叶反变换构造一个新的时域电流信号。图6、图7、图8依次对应电钻、白炽灯、卤素灯的新的时域电流信号。对该信号中的任一周期，计算其峰值、平均值、标准差、峭度、均方根、波形因数、峰值因子、脉冲因子和裕度因子，构成该信号的时域特征向量并标记为该负载所在支路发生故障的特征。
步骤S3，根据正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路正常状态的特征；可理解的，对该负载所在支路正常工作状态的电压信号和电流信号逐点采样，在时域上将任一时刻前n个周期的电流信号和后n个周期的电流信号分别做快速傅里叶变换得到两个频谱，将两频谱在对应频率位置作差得到新的频谱，再对新的频谱做快速傅里叶反变换构造一个新的时域电流信号。
具体实施例中，将正常状态下两个相邻的多个预设时间周期的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为正常时域电流信号；对所述正常时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。可理解的，对该负载所在支路正常状态下的电流信号做与上述同样的处理，再次不再赘述，得到新信号的时域特征向量并标记为正常状态的特征。
具体一个实施例中，当所述低压交流系统中接入新的负载支路时，按照预设的采样频率采集新的负载支路上故障时刻前后的电流信号；
将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路发生故障的特征；
根据新的负载支路正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路正常状态的特征。
步骤S4，将多个周期的所述负载支路发生故障的特征和所述负载支路正常状态的特征组合成多个特征集，并从所述特征集中选取多个测试集和多个训练集；可理解的，对其他负载的故障状态和正常状态的电流信号做上述处理，得到不同负载所在支路发生故障的特征向量和正常状态的特征向量。
具体实施例中，从所述多个特征集中按照预设比例选取部分特征集作为训练集，所述多个特征集中其与部分作为测试集，其中，所述训练集的比例大于所述测试集的比例。选取多个周期的特征向量构成特征集，最后得到多种负载的故障状态、正常状态的特征集，共计200个特征向量；三种负载正常状态的特征向量标记为“0”，电钻支路故障状态标记为“1”，白炽灯支路故障状态标记为“3”，卤素灯支路故障状态标记为“5”。
步骤S5，将所述测试集作为输入量输入通过所述训练集预先训练的机器训练模型中，识别所述故障电弧检测的准确度，得到最后的检测结果，其中，所述检测结果至少包括故障电弧切断信号和所在支路信号。其中，所述通过所述训练集预先训练的机器训练模型具体包括：将选取的训练集逐一输入预设的机器训练模型中进行循环训练，并根据所述机器训练模型输出的计算结果判断是否继续进行循环训练；当所述计算结果的准确率未达到预设标准时，继续进行循环训练；当所述计算结果的准确率达到预设标准时，结束循环训练，输出此时的机器训练模型为训练后的机器训练模型。可理解的，选取152个特征向量作为训练集，输入机器学习模型进行训练；将剩余的48个特征向量组成测试集，测试算法的故障检测准确率为100％，如图9所示，实现了电钻、白炽灯和卤素灯三种负载运行时的故障电弧检测与故障所在支路的判定。
具体实施例中，将所有负载支路的故障状态特征向量和正常状态特征向量输入lightGBM机器学习模型进行分类训练，不同负载支路的故障特征向量类别不同，而正常状态特征向量类别相同。这样当产生故障电弧时，故障电弧保护装置通过检测不同负载所在支路的电信号并处理来实现故障检测，最后输出故障电弧切断信号和所在支路信号。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的低压交流系统中故障电弧的检测方法，运用了快速傅里叶变换与反变换得到了新的时域电流信号，与负荷辨识结合，最终实现了负载所在系统中的故障电弧准确检测，准确率100％，提高了低压交流系统中故障电弧的检测准确率和检测速度，并能够判别故障所在支路，可以实现低压交流系统的故障电弧快速、准确检测。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种低压交流系统中故障电弧的检测方法，其特征在于，包括：
按照预设的采样频率采集负载支路上故障时刻前后的电流信号；
将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路发生故障的特征；
根据正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为负载支路正常状态的特征；
将多个周期的所述负载支路发生故障的特征和所述负载支路正常状态的特征组合成多个特征集，并从所述特征集中选取多个测试集和多个训练集；
将所述测试集作为输入量输入通过所述训练集预先训练的机器训练模型中，识别所述故障电弧检测的准确度，得到最后的检测结果，其中，所述检测结果至少包括故障电弧切断信号和所在支路信号。
2.如权利要求1所述的方法，其特征在于，所述照预设的采样频率采集负载支路上故障时刻前后的电流信号具体包括：
按照预设的采样频率采集负载支路的电压信号；
当所述负载支路的电压信号产生突变时，将突变时刻作为故障时刻；
照预设的采样频率采集故障时刻前后多个预设时间周期的电流信号。
3.如权利要求2所述的方法，其特征在于，所述将所述故障时刻前后的电流信号分别转化为对应的频谱具体包括：
将所述故障时刻前多个预设时间周期的电流信号和所述故障时刻后多个预设时间周期的电流信号分别转化为对应的频谱。
4.如权利要求3所述的方法，其特征在于，所述根据所述故障时域电流信号确定对应的时域特征向量具体包括：
对所述故障时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。
5.如权利要求4所述的方法，其特征在于，所述根据正常状态下的电流信号确定正常时域电流信号具体包括：
将正常状态下两个相邻的多个预设时间周期的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为正常时域电流信号。
6.如权利要求5所述的方法，其特征在于，所述根据所述正常时域电流信号确定对应的时域特征向量具体包括：
对所述正常时域电流信号做快速傅里叶反变换构造一个新的时域电流信号，并计算新的时域电流信号中的任一周期的特征值向量值。
7.如权利要求6所述的方法，其特征在于，还包括：
当所述低压交流系统中接入新的负载支路时，按照预设的采样频率采集新的负载支路上故障时刻前后的电流信号；
将所述故障时刻前后的电流信号分别转化为对应的频谱，并将这两个频谱在对应频率位置作差得到新的频谱，作为故障时域电流信号；以及，根据所述故障时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路发生故障的特征；
根据新的负载支路正常状态下的电流信号确定正常时域电流信号，并根据所述正常时域电流信号确定对应的时域特征向量，将该时域特征向量作为新的负载支路正常状态的特征。
8.如权利要求7所述的方法，其特征在于，所述从所述特征集中选取多个测试集和多个训练集具体包括：
从所述多个特征集中按照预设比例选取部分特征集作为训练集，所述多个特征集中其与部分作为测试集，其中，所述训练集的比例大于所述测试集的比例。
9.如权利要求8所述的方法，其特征在于，所述通过所述训练集预先训练的机器训练模型具体包括：
将选取的训练集逐一输入预设的机器训练模型中进行循环训练，并根据所述机器训练模型输出的计算结果判断是否继续进行循环训练；
当所述计算结果的准确率未达到预设标准时，继续进行循环训练；
当所述计算结果的准确率达到预设标准时，结束循环训练，输出此时的机器训练模型为训练后的机器训练模型。
10.如权利要求4或6所述的方法，其特征在于，所述特征值向量值至少包括峰值、平均值、标准差、峭度、均方根、波形因数、峰值因子、脉冲因子及裕度因子。
CN202310774004.4A 2023-06-27 2023-06-27 一种低压交流系统中故障电弧的检测方法 Pending CN116842425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310774004.4A CN116842425A (zh) 2023-06-27 2023-06-27 一种低压交流系统中故障电弧的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310774004.4A CN116842425A (zh) 2023-06-27 2023-06-27 一种低压交流系统中故障电弧的检测方法

Publications (1)

Publication Number Publication Date
CN116842425A true CN116842425A (zh) 2023-10-03

Family

ID=88170005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310774004.4A Pending CN116842425A (zh) 2023-06-27 2023-06-27 一种低压交流系统中故障电弧的检测方法

Country Status (1)

Country Link
CN (1) CN116842425A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076933A (zh) * 2023-10-16 2023-11-17 锦浪科技股份有限公司 电弧判断模型的训练、光伏直流电弧检测方法及计算设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076933A (zh) * 2023-10-16 2023-11-17 锦浪科技股份有限公司 电弧判断模型的训练、光伏直流电弧检测方法及计算设备
CN117076933B (zh) * 2023-10-16 2024-02-06 锦浪科技股份有限公司 电弧判断模型的训练、光伏直流电弧检测方法及计算设备

Similar Documents

Publication Publication Date Title
Zhang et al. A real-time classification method of power quality disturbances
Wei et al. High impedance arc fault detection based on the harmonic randomness and waveform distortion in the distribution system
CN110488161A (zh) 一种多负载串联电弧故障检测及定位方法
Liu et al. Application of the variational mode decomposition-based time and time–frequency domain analysis on series DC arc fault detection of photovoltaic arrays
Das et al. Monitoring of inter-turn insulation failure in induction motor using advanced signal and data processing tools
Gu et al. High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit
CN106841949B (zh) 三相异步交流电机定子绝缘在线监测方法和装置
CN109406949B (zh) 基于支持向量机的配电网早期故障检测方法及装置
CN109444667B (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
CN116842425A (zh) 一种低压交流系统中故障电弧的检测方法
CN105403816A (zh) 一种光伏系统直流故障电弧的识别方法
CN113933757B (zh) 一种牵引变压器过流诊断保护装置及方法
Jiang et al. Machine learning approach to detect arc faults based on regular coupling features
CN113552447A (zh) 一种基于随机森林的串联电弧故障检测方法
CN107765065B (zh) 一种基于基波衰减因子的配电网励磁涌流识别方法
Banejad et al. High impedance fault detection: Discrete wavelet transform and fuzzy function approximation
Zhang et al. Incipient fault identification of distribution networks based on feature matching of power disturbance data
CN113376474A (zh) 一种基于广义s变换的神经网络故障电弧识别系统及方法
Mariun et al. An experimental study of induction motor current signature analysis techniques for incipient broken rotor bar detection
CN113253063A (zh) 基于长短时记忆网络深度学习的故障电弧检测系统及方法
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
Varghese P et al. Application of signal processing techniques and intelligent classifiers for high-impedance fault detection in ensuring the reliable operation of power distribution systems
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
Ahn et al. PCA-Based Arc Detection Algorithm for DC Series Arc Detection in PV System
CN113866572B (zh) 多电力电子装置接入条件下的直流故障电弧检测及定位方法

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