CN118169526A - 一种交流系统多支路故障电弧检测方法及系统 - Google Patents
一种交流系统多支路故障电弧检测方法及系统 Download PDFInfo
- Publication number
- CN118169526A CN118169526A CN202410314724.7A CN202410314724A CN118169526A CN 118169526 A CN118169526 A CN 118169526A CN 202410314724 A CN202410314724 A CN 202410314724A CN 118169526 A CN118169526 A CN 118169526A
- Authority
- CN
- China
- Prior art keywords
- arc
- detection
- current
- imf
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000010891 electric arc Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种交流系统多支路故障电弧检测方法及系统，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量，基于基于Leaf‑wise策略的决策树模型对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果，本发明ICEEMDAN算法通过加入自适应幅值的高斯噪声，降低了信号分析过程中的残余噪声；利用局部均值代替模态估计，用分解过程解决白噪声传递问题，有效规避了多支路负载工作特性的干扰，精准捕捉故障电弧信息。
Description
技术领域
本发明属于交流系统电气故障检测技术领域，具体涉及一种交流系统多支路故障电弧检测方法及系统。
背景技术
绝缘失效或连接松动引起的电弧故障对线路安全构成了极大的威胁。随着系统容量的增加和电流水平的提高，电弧故障更容易导致电气火灾事故。为了及时发现电弧故障并尽可能减少其危害，美国发布了UL1699标准，要求在所有生活区域安装电弧故障断路器(AFCI)。欧洲的IEC 62606标准也设计了较为完备的电弧故障测试实验来检测器件的检测性能有效性。
根据电弧故障的位置，电弧故障主要分为串联电弧故障和并联电弧故障。并联电弧故障也可分为相间电弧故障和对地电弧故障，此时电弧电流远高于正常电流，具备过流检测功能的断路器容易实现保护。然而，串联电弧的故障电流变化不明显，其潜在危害大得多，引起了学者们对电弧故障检测研究的重视。串联电弧故障检测更容易受到串联负载的干扰。家用电器的运行特性会在检测过程中抑制电弧故障特性，因此在IEC 62606标准中也将其定义为屏蔽负载。
故障电弧的位置无法提前判断，而基于故障电弧电流的分析可以解决随机性带来的问题。电弧故障发生后，电流会发生畸变，过零时间是最具代表性的时段。
现有的针对不同单负载的电弧故障检测研究取得了较好的效果。通过计算电流的方差、积分和分形，可以在时域上将电弧故障与正常状态区分开来。电信号的频率估计也有助于电力系统电弧故障的检测。快速傅里叶变换、短时傅里叶变换、小波变换等时频分析方法能有效提取电流频率分量随时间的变化，并用于确定电弧故障的高频特征。微分方程算法(DEA)可以分析电流和电压的谐波信号来计算线路参数，有助于检测和定位电弧故障。经验模态分解(EMD)、集成经验模态分解(EEMD)等方法可以将电弧故障分解为自然模态信号，将其瞬时幅值构造为电弧故障检测特征。随着机器学习的进一步发展，智能特征融合已被证明能更好地适应不同场景下的电弧故障检测需求，人工神经网络(ANN)、支持向量机(SVM)、卷积神经网络(CNN)等算法均已应用于电弧故障检测，且拥有良好的检测精度。
然而，大多数人忽视了多分支的影响，这在现实中较为常见。在这种情况下，当电弧故障发生在母线或支路等不同位置时，会影响电弧故障的检测精度；另外，基于机器学习方法的检测算法会占用大量内存，且计算速度较慢，影响电弧故障检测时间；这对电弧故障检测算法的检测能力提出了更严格的要求。
发明内容
本发明的目的在于提供一种交流系统多支路故障电弧检测方法及系统，以克服现有技术针对交流系统多支路故障检测精度差，效率低的问题。
一种交流系统多支路故障电弧检测方法，包括以下步骤：
S1，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；
S2，对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量；
S3，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量；
S4，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果。
优选的，通过电流传感器对交流系统电路中的电流信号按照1MHz采样频率逐点采样电流，并通过记录仪记录电弧信号x(t)。
优选的，所述设定时间窗长度为20ms。
优选的，采用ICEEMDAN算法进行信号分析，获取各阶IMF分量，具体计算过程为：
1)采用噪声构造信号计算第一个残差γ1(t)：
xi(t)＝x(t)+β0E1(ηi(t))
γ1(t)＝<M(xi(t))>
2)计算获取IMF的一阶分量：
IMF1(t)＝x(t)-γ1(t)
3)利用当前平均值计算IMF的二阶分量：
γ2(t)＝<M(γ1(t)+β1E2(ηi(t)))>
IMF2(t)＝γ1(t)-γ2(t)＝γ1(t)-<M(γ1(t)+β1E2(ηi(t)))>
4)计算IMF的其他阶数和残差：
γk(t)＝<M(γk-1(t)+βk-1Ek(ηi(t)))＞
IMFk(t)＝γk-1(t)-γk(t),k＝3,4,...,N
其中x(t)为原始电流信号，<·>为平均运算，ηi(t)为均值为零的高斯噪声，i表示添加的噪声数量，βk用于去除噪声，Ek(·)为带算子的EMD算法，M(·)为计算信号的局部均值。
优选的，计算IMF模态分量得到当前时间窗的检测变量FIC(t)，其计算公式为
其中，k为所选的IMF分量序号。
优选的，根据最有效的检测变量获取每个时间窗内电弧检测结果为正常状态或发生电弧故障；
统计连续5个时间窗口的预测，如果输出发生电弧故障的个数不小于4个，则认为系统确实已经发生电弧故障，发出报警提示，并驱动保护装置切断故障回路，否则继续进行检测。
一种交流系统多支路故障电弧检测系统，包括信号检测模块，模态分量模块，检测变量模块和检测输出模块；
信号检测模块，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；
模态分量模块，对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量；
检测变量模块，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量；
检测输出模块，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果。
优选的，通过电流传感器对交流系统电路中的电流信号按照1MHz采样频率逐点采样电流，并通过记录仪记录电弧信号x(t)。
优选的，所述设定时间窗长度为20ms。
优选的，根据最有效的检测变量获取每个时间窗内电弧检测结果为正常状态或发生电弧故障；
统计连续5个时间窗口的预测，如果输出发生电弧故障的个数不小于4个，则认为系统确实已经发生电弧故障，发出报警提示，并驱动保护装置切断故障回路，否则继续进行检测。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供一种交流系统多支路故障电弧检测方法，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果，本发明ICEEMDAN算法通过加入自适应幅值的高斯噪声，降低了信号分析过程中的残余噪声；利用局部均值代替模态估计，用分解过程解决白噪声传递问题，有效规避了多支路负载工作特性的干扰，精准捕捉故障电弧信息。
本发明采用基于统计基础的Boruta算法进行特征选择，更全面的考虑检测变量的影响因素,从而筛选出所有与检测变量具有相关性的最优特征集合。
本发明基于Leaf-wise策略实现了高精度的故障电弧检测，简化了算法的计算，有效减少了算法的内存占用，提高了算法的运行速度，最终实现故障电弧的快速精准识别。
附图说明
图1为本发明的交流系统故障电弧检测方法流程图；
图2a为本发明包含交流系统故障电弧检测装置的特定交流系统负载的原理图；
图2b为本发明的交流系统回路设置电弧故障位置的配置图；
图3为应用ICEEMDAN方法进行信号分析时得到的各模态分量；
图4为应用Boruta算法进行特征筛选的特征量得分对比箱线图；
图5为示例的吸尘器电弧波形与应用ICEEMDAN方法构造的检测特征量波形；
图6为应用本发明进行基于Leaf-wise策略决策树算法检测交流系统故障电弧的系统状态实时输出信号结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”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，以便这里描述的本发明的实施例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。
如图1所示，对本发明所述的一种交流系统多支路故障电弧检测方法进行具体说明。
S1、对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；
具体的，通过电流传感器对交流系统电路中的电流信号按照1MHz采样频率逐点采样电流，并通过记录仪记录电弧信号x(t)，当采样的电流点数达到设定时间窗的长度时，进行特征提取。
S2，对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量；
在本申请实施例中，所述设定时间窗长度为20ms。
采用ICEEMDAN算法进行信号分析，获取各阶IMF分量，具体计算过程为：
1)采用噪声构造信号计算第一个残差γ1(t)：
xi(t)＝x(t)+β0E1(ηi(t))
γ1(t)＝<M(xi(t))
2)计算获取IMF的一阶分量：
IMF1(t)＝x(t)-γ1(t)
3)利用当前平均值计算IMF的二阶分量：
γ2(t)＝＜M(γ1(t)+β1E2(ηi(t)))＞
IMF2(t)＝γ1(t)-γ2(t)＝γ1(t)-＜M(γ1(t)+β1E2(ηi(t)))＞
4)计算IMF的其他阶数和残差：
γk(t)＝＜M(γk-1(t)+βk-1Ek(ηi(t)))>
IMFk(t)＝γk-1(t)-γk(t),k＝3,4,...,N
其中x(t)为原始电流信号，<·>为平均运算，ηi(t)为均值为零的高斯噪声，i表示添加的噪声数量，βk用于去除噪声，Ek(·)为带算子的EMD算法，M(·)为计算信号的局部均值。
S3，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量；
计算IMF模态分量得到当前时间窗的检测变量FIC(t)，其计算公式为
其中，k为所选的IMF分量序号。
S4，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果。
基于基于Leaf-wise策略的决策树模型对获取的检测变量进行筛选获取最有效的检测变量，具体过程为：
1)对每个检测变量FIC(t)进行随机排列，生成阴影特征S，形成新的特征矩阵N＝[FIC(t),S]；
2)将特征矩阵N输入到Boruta算法中，以监督学习的形式获取每个特征的重要性。
记阴影特征重要性的最大值为smax，如果原始特征的重要性大于smax，则认为该特征对预测结果有贡献。如果原始特征的重要性小于smax，则认为该特征不重要，将其从特征集合剔除；
3)通过多次迭代记录每个特征比阴影特征更重要的次数，最终判断出接受的重要特征和拒绝的不重要特征，即所有特征都被标记为“重要”或者“不重要”；
4)迭代后返回最优特征子集Rop，并计算每个特征的得分：
MSEOOB＝(yi-yiOOB)2/N
ZScore＝mean(MSEOOB)/sd(MSEOOB)
其中MSEOOB为袋外误差，yi和yiOOB为样本值和袋外样本的预测值。Zscore是特征分数，sd是得到标准差的算子。
5)根据不同检测变量得分进行排序，挑选得分最高的检测变量为最有效的检测变量。
将最有效的检测变量作为输入基于Leaf-wise策略决策树的优选变量。
在本申请实施例中，进行交流系统多支路故障电弧检测过程中，对系统进行初始化，过程包括设定电流传感器对电流信号的采样频率fs、分析时段内采样点数N、判断精度p、清零求取方差的各变量、ICEEMDAN算法及基于Leaf-wise策略的决策树算法两种故障电弧特征分析工具内的各项参数。
电流传感器按照既定的采样频率fs对光伏系统直流侧故障电弧检测装置所需的电流信号进行采样，得到电流信号x(t)，一旦这些电流信号的采样点数达到N个(即达到设定时间窗的长度)，便将采样数据输入至故障电弧检测装置，转至步骤二提取交流系统故障电弧的IMF模态分量。
使用ICEEMDAN将收集到的电流信号分解为一系列的IMF值。向待分解信号x(t)添加i个均值为0的高斯白噪声，构造xi(t)＝x(t)+β0E1(ηi(t))，其中ηi(t)表示被添加的第i个白噪声，β0用于调整残差分量和添加噪声之间的信噪比。计算xi(t)的局部均值M(xi(t))，取平均得到第一个残差分量γ1(t)＝<M(xi(t))>。首先计算第一个模态分量IMF1的值：IMF1(t)＝x(t)-γ1(t)。而后计算第二个模态分量IMF2的值：IMF2(t)＝γ1(t)-γ2(t)，其中γ2(t)＝<M(γ1(t)+β1E2(ηi(t)))>。于是同理继续计算IMF的其他阶数和残差γk(t)＝<M(γk-1(t)+βk-1Ek(ηi(t)))>、IMFk(t)＝γk-1(t)-γk(t)，其中k＝3,4,…,N，直至取得所有模态分量。
对各个模态分量求取方差，得到检测变量FIC(t)。
使用Boruta算法进行特征选择，将选择的特征构造成特征池作为输入，训练得到基于Leaf-wise策略的决策树模型，利用获取的检测模型对最有效的检测变量进行识别。
将获取的最有效的检测变量输入基于Leaf-wise策略的决策树模型进行故障检测，基于Leaf-wise策略的决策树模型将输出每个时间窗的预测结果。输出0表示当前时间窗系统处于正常状态，1表示当前时间窗可能发生电弧故障。统计连续5个时间窗的预测结果，若所统计个数的数值大于4个，则确认在该时间段内发生了交流系统故障电弧，发出电弧故障报警并采取对应的故障电弧保护手段；否则认为该时间段交流系统仍在正常运行，返回步骤一对下一个时间窗的电流数据进行采样和分析。
结合图2a～2b对本发明应用于交流系统的方法进行阐述，说明本方法在交流系统的应用过程。
如图2a所示，基于IEC 62606标准设计的交流场景，将电阻和不同类型的屏蔽负载并联到电路中。交流电源首先经过保护检测装置，而后经过不同类型的家用电器负载并返回。电阻负载与各类负载为并联关系。家用电器种类繁多，故选择有代表性的负载进行电弧故障检测，能够验证检测的普适性。负载包含电钻、空压机、吸尘器、电阻、荧光灯、卤素灯、白炽灯、EMI滤波器、电子开关电源，基本上涵盖了大多数家用负载类型。如图2b所示，改变开关状态和电缆试样位置，实验平台可以设计四种构型。红点表示电弧故障位置，绿圈表示当前传感器位置。采用系统配置A对单支路电弧故障检测进行研究，作为对比分析多支路条件下的干扰。其余三种系统配置均用于多分支电路的电弧故障检测研究。屏蔽负载用于形成分支。实验中首先闭合开关1和开关3，使负载正常运行，而后闭合开关2切入电阻负载，接着在电缆样品所处位置生弧，记录包含正常运行、电阻投切和生弧的完整波形。所设计的实验方式可以良好分析屏蔽负载对电弧故障检测的影响。
如图3所示为信号的ICEEMDAN分解图，ICEEMDAN将信号分解为多个模态。不同的IMF分量包含不同的时间尺度信息。可以看到，IMF7分量在发生电弧故障时变化趋势明显，能很好的将正常和故障状态区分开，且不受电阻切入的影响，反映出了电弧信号的特性。故提取IMF7分量用于特征的构建。
如图4所示为Boruta进行特征筛选得到的得分比较箱线图。将ICEEMDAN不同模态分量构造的检测特征量与正常为0、故障为1的特征标签一同组合形成特征矩阵，作为Boruta算法的输入。Boruta算法筛选出所有与标签结果具有相关性的特征集合。图中蓝色部分是阴影特征，没有意义。红色部分是认为不重要的检测变量。黄色部分为迭代结束前无法有效求值的检测变量。它们通常不作为最终检测算法的输入特征。绿色部分为Boruta算法推荐的检测变量，其重要性始终高于对应的阴影特征。所选取的ICEEMDAN分解的IMF7分量构造的检测特征具有最高得分，具有较好的适用性和有效性。最终减少了检测算法的特征维度，仅使用ICEEMDAN分解的IMF7分量构造的方差特征作为后续算法输入。
结合图5、图6，阐述本发明的交流系统故障电弧检测方法应用于具备多支路交流系统故障电弧辨识的效果。
以采样频率1MHz获取交流系统电流信号，以吸尘器作为屏蔽负载的电弧电流信号为例进行波形说明，如图5所示。在0.59s以前，电流信号处于正常状态，此时由交流电源通过闭合回路供电给吸尘器；0.59s后，投入电阻，电阻负载与吸尘器并联，但此时ICEEMDAN方差特征无明显的波动，不受电阻负载切入的影响；在0.72s时，电弧故障发生，此时检测变量的幅值立即增大，证明该检测变量具有准确的检测性能，检测效果较好。
图6为应用基于Leaf-wise策略的决策树模型检测交流系统故障电弧的系统状态实时输出信号结果图。将ICEEMDAN方差特征作为基于Leaf-wise策略的决策树模型的输入，训练好的模型输出实时预测结果，0为正常，1为故障，当连续5个时间窗的预测输出的1的个数不小于4个时，认为发生了故障电弧，此时输出故障警报指示，执行动作保护。在约0.48s时，包含荧光灯负载的交流回路发生电弧，基于Leaf-wise策略的决策树模型模型经过约0.145s的实时检测判断后及时给出预警信号。
对于多支路交流电弧故障检测，负载增加过程会改变电流回路的时频特性，容易导致电弧故障检测误操作。在本发明提出的故障电弧检测方法流程中，所应用的ICEEMDAN算法通过加入自适应幅值的高斯噪声来降低信号分析过程中的残余噪声，并改进了传统方法在分解重构的早期阶段容易产生的虚假分量和模式混叠的缺点，能充分提取出明显的电弧故障信息。如图2b、图2b所示，故障电弧的位置是随机的，实际运行的负载也是多样的。本发明充分考虑不同系统配置、不同负载发生电弧故障的情况并进行测试，仍然能够提取到的电弧故障信息，通过构建相应的指标量化说明特征的检测效果，扩大了故障电弧检测方法的适用范围。
特征数量过多会增加模型的复杂度，同时也引入了更多的噪声数据，使模型更容易学到噪声，过拟合的风险增大，基于此，本发明应用Boruta算法构造和选择检测变量的最优组合，提高模型训练速度的同时节省存储空间。同时，由于检测成本的限制，机器学习方法在实际应用中难以满足快速检测的要求，而本发明提出的基于Leaf-wise策略的多支路交流故障电弧检测方法通过每次从同一层的所有叶子中找到分裂增益最大的叶子，然后对选中的叶子进行分裂进一步简化了算法的计算，实现了快速、高精度的电弧故障检测。以多种家用电器为屏蔽负载的多支路故障检测结果表明，本发明给出了完整的基于Leaf-wise策略的多支路交流故障电弧检测方法流程，方案可靠性高，算法的快速性有利于该方法的工程化。
Claims (10)
1.一种交流系统多支路故障电弧检测方法，其特征在于，包括以下步骤：
S1，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；
S2，对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量；
S3，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量；
S4，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果。
2.根据权利要求1所述的一种交流系统多支路故障电弧检测方法，其特征在于，通过电流传感器对交流系统电路中的电流信号按照1MHz采样频率逐点采样电流，并通过记录仪记录电弧信号x(t)。
3.根据权利要求1所述的一种交流系统多支路故障电弧检测方法，其特征在于，所述设定时间窗长度为20ms。
4.根据权利要求1所述的一种交流系统多支路故障电弧检测方法，其特征在于，采用ICEEMDAN算法进行信号分析，获取各阶IMF分量，具体计算过程为：
1)采用噪声构造信号计算第一个残差γ1(t)：
xi(t)＝x(t)+β0E1(ηi(t))
γ1(t)＝<M(xi(t))>
2)计算获取IMF的一阶分量：
IMF1(t)＝x(t)-γ1(t)
3)利用当前平均值计算IMF的二阶分量：
γ2(t)＝<M(γ1(t)+β1E2(ηi(t)))>
IMF2(t)＝γ1(t)-γ2(t)＝γ1(t)-<M(γ1(t)+β1E2(ηi(t)))>
4)计算IMF的其他阶数和残差：
γk(t)＝<M(γk-1(t)+βk-1Ek(ηi(t)))>
IMFk(t)＝γk-1(t)-γk(t),k＝3,4,...,N
其中x(t)为原始电流信号，<·>为平均运算，ηi(t)为均值为零的高斯噪声，i表示添加的噪声数量，βk用于去除噪声，Ek(·)为带算子的EMD算法，M(·)为计算信号的局部均值。
5.根据权利要求1所述的一种交流系统多支路故障电弧检测方法，其特征在于，计算IMF模态分量得到当前时间窗的检测变量FIC(t)，其计算公式为
其中，k为所选的IMF分量序号。
6.根据权利要求1所述的一种交流系统多支路故障电弧检测方法，其特征在于，根据最有效的检测变量获取每个时间窗内电弧检测结果为正常状态或发生电弧故障；
统计连续5个时间窗口的预测，如果输出发生电弧故障的个数不小于4个，则认为系统确实已经发生电弧故障，发出报警提示，并驱动保护装置切断故障回路，否则继续进行检测。
7.一种交流系统多支路故障电弧检测系统，其特征在于，包括信号检测模块，模态分量模块，检测变量模块和检测输出模块；
信号检测模块，对交流系统电路中的电流信号按照设定采样频率逐点采样电流并记录电弧信号；
模态分量模块，对设定时间窗长度内采样的电流信号采用ICEEMDAN方法进行电流数据分解，获取多个IMF模态分量；
检测变量模块，以方差的形式对IMF模态分量进行定量计算振幅波动，得到检测变量；
检测输出模块，基于Leaf-wise生长策略设计决策树分类算法对获取的检测变量进行筛选获取最有效的检测变量，根据最有效的检测变量获取每个时间窗内电弧检测结果。
8.根据权利要求7所述的一种交流系统多支路故障电弧检测系统，其特征在于，通过电流传感器对交流系统电路中的电流信号按照1MHz采样频率逐点采样电流，并通过记录仪记录电弧信号x(t)。
9.根据权利要求7所述的一种交流系统多支路故障电弧检测系统，其特征在于，所述设定时间窗长度为20ms。
10.根据权利要求7所述的一种交流系统多支路故障电弧检测系统，其特征在于，根据最有效的检测变量获取每个时间窗内电弧检测结果为正常状态或发生电弧故障；
统计连续5个时间窗口的预测，如果输出发生电弧故障的个数不小于4个，则认为系统确实已经发生电弧故障，发出报警提示，并驱动保护装置切断故障回路，否则继续进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410314724.7A CN118169526A (zh) | 2024-03-19 | 2024-03-19 | 一种交流系统多支路故障电弧检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410314724.7A CN118169526A (zh) | 2024-03-19 | 2024-03-19 | 一种交流系统多支路故障电弧检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118169526A true CN118169526A (zh) | 2024-06-11 |
Family
ID=91352102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410314724.7A Pending CN118169526A (zh) | 2024-03-19 | 2024-03-19 | 一种交流系统多支路故障电弧检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118169526A (zh) |
-
2024
- 2024-03-19 CN CN202410314724.7A patent/CN118169526A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gomes et al. | High-sensitivity vegetation high-impedance fault detection based on signal's high-frequency contents | |
| CN109560770B (zh) | 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 | |
| Saini et al. | Classification of power quality events–a review | |
| CN109633368B (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
| CN108009730B (zh) | 一种光伏电站系统健康状态分析方法 | |
| WO2012103485A2 (en) | Signal identification methods and systems | |
| 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 | |
| CN112986754B (zh) | 一种基于数据驱动的小电流接地系统故障辨识方法及装置 | |
| CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
| Shen et al. | Wavelet-analysis-based singular-value-decomposition algorithm for weak arc fault detection via current amplitude normalization | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN107765065B (zh) | 一种基于基波衰减因子的配电网励磁涌流识别方法 | |
| Shen et al. | Fast-Fourier-transform enhanced progressive singular-value-decomposition algorithm in double diagnostic window frame for weak arc fault detection | |
| CN113297786B (zh) | 一种基于半监督式机器学习的低压故障电弧感知方法 | |
| Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
| Shahrtash et al. | High impedance fault detection using harmonics energy decision tree algorithm | |
| Kannan et al. | High impedance fault classification using wavelet transform and artificial neural network | |
| Zhang et al. | Lightweight AC arc fault detection method by integration of event-based load classification | |
| CN118169526A (zh) | 一种交流系统多支路故障电弧检测方法及系统 | |
| CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
| CN114764599B (zh) | 一种配电网单相接地故障灵敏度分析方法和系统 | |
| Geurts et al. | Early prediction of electric power system blackouts by temporal machine learning | |
| CN114742295A (zh) | 一种基于小波变换技术的设备用电故障预测方法 | |
| CN113866572A (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 | |
| CN112348159A (zh) | 一种故障电弧神经网络优化训练方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |