不同电极材料条件下改进Catboost算法的直流故障电弧检测算法

为了研究直流系统内不同电极材料对故障电弧检测造成的干扰,针对性地解决多种电极材料下故障电弧检测的误动与拒动问题,提出了改进Catboost算法的直流故障电弧检测算法。搭建直流故障电弧实验平台,以拉弧的方式获取了6种电极材料条件下的直流故障电弧数据,通过构建故障电弧检测特征评价指标,采用小波变换方法在不同电极材料条件下更有效地提取故障电弧时频特征;分析不同电极材料对直流故障电弧检测特征、算法效率的影响,指出检测特征指标与材料熔点、电阻率呈正相关关系;提出的算法相较于现有的阈值比较算法和Adaboost算法提高了电弧检测范围,有效解决了纯铝电极材料下难以准确检测电弧的问题。该算法在6种不同电极材料下均能实现1.5 s内对电弧的快速检测,检测准确率达到100%,满足UL1699B标准要求。     

采用小波变换的光伏串联电弧故障检测

建立光伏系统电弧故障实验平台,利用光伏模拟器仿真不同天气环境下的光伏阵列,对光伏系统中串联电弧故障信号进行检测和分析.采用小波变换的方法对串联电弧故障信号进行特征频带提取,并利用移动时间窗方法统计信号在小波分解后的高频系数的能量值,用其表征电弧故障信号的杂乱度和混沌度.研究结果表明:该检测方法为快速准确地诊断串联电弧故障提供有效判据.     

针对串联直流电弧的电容电流时频检测方法

针对串联型直流电弧故障产生时伴随着高频分量,提出了一种基于并联电容电流时频特性的串联直流电弧故障检测方法。搭建了直流电弧试验平台,测量流过直流源内部滤波电容支路的电流,检测电容电流中随电弧故障产生的高频电流。在PSCAD/EMTDC软件中建立电弧检测仿真模型,利用Nottingham公式将直流电弧等效为非线性电阻。在仿真平台中对串联电弧产生时的并联电容电流时频特性进行分析,结果表明,串联电弧产生时,并联电容电流出现突变,电容电流频谱中5～50kHz频带范围内的积分值增加。对不同回路电流、电极材料等工况时的并联电容电流进行试验,研究发现,电容电流变化率与回路电流成正比,与电极材料沸点成反比;而电容电流频谱积分差值与回路电流成正比,与电极材料沸点成正比。     

基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低且具有随机性,给电弧故障特征提取和准确检测带来困难,提出了基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.156 7%,证明了方法的有效性。     

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题，提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法；首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号，得到多个本征模态函数；然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量，将Hurst指数值大于0.5的有用分量进行重构；最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入，通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明，所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。     

电流型串联电弧故障检测

通过实验模拟对低压配电线路电弧故障的特征进行分析研究,采用Mallat算法对低压线路电弧故障电流实施变换,获得各尺度小波变换的小波分量,与正常运行分量相比其故障特征明显,且高尺度的小波分量还可以抑制噪声干扰.为了避免配电线路中负载的启动电流,对电弧故障检测产生可能的误判影响,还对启动电流和电弧故障的小波分量加以比较.研究表明,多尺度小波变换可有效判别电弧故障及区分负载启动电流,在电弧故障检测中具有良好的鲁棒性.     

三相串联故障电弧检测方法

为进一步研究煤矿井下供配电系统中串联故障电弧的特性及检测方法,采用三相电动机及变频器负载开展了串联故障电弧实验,提出了一种基于单相电流的三相串联故障电弧的检测方法.对单相电流进行中值滤波和一阶差分预处理后,提取一阶差分信号的波峰因子、峭度、分段动态时间弯曲距离和路径长度构建故障电弧特征向量,结合改进的网格搜索优化的支持向量机建立故障电弧识别模型,并测试故障电弧检测准确率,结果表明:该方法通过分析单相电流实现三相电动机及变频器回路中故障电弧的检测,对研制低成本故障电弧断路器具有一定的参考价值.     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

基于多维特征量的航空串联故障电弧检测

航空交流系统工作环境复杂、故障电弧检测可靠性要求较高,而单一特征的检测方法适应能力相对较差。开展了航空交流电源条件下串联型故障电弧模拟试验,分别对电源频率为360 Hz、400 Hz、450 Hz时的线性负载线路电流进行数据采集。根据电弧电流的特点,提出了一种融合波形畸变特征、间谐波特征和能量分布不确定性特征的多维特征量检测方法。引入支持向量机和粒子群优化算法进行参数寻优,用训练得到的分类模型对测试集进行分类预测。结果表明,该串联故障电弧分类模型最高分类准确率可达到98.83%。     

基于时频域融合和ECA-1DCNN的航空串联故障电弧检测

为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。首先,搭建航空交流电弧故障实验平台,负载选择多类型、多参数值进行电流信号的采集;其次,为了保留更多的故障信息,分析其特征频段,经过大量数据验证,航空串联电弧在发生时,1 000～4 000 Hz分量具有一定的占比,因此将原始信号与特征频段进行融合,融合后的一维数据作为模型输入;最后,搭建ECA-1DCNN检测模型,进行训练,并通过K折交叉验证模型的有效性,得到测试集平均准确率为97.96%。该方法网络层数较少,计算快速,避免了复杂时频域计算过程,较为智能,对航空串联电弧检测装置的研究提供了理论参考。     

井下直流电机车弓网电弧识别方法

为获得煤矿井下电机车运行过程中产生的直流弓网电弧的检测方法,开展了不同工况条件下的直流弓网电弧实验,对电流信号进行了混沌特性分析,通过相空间重构获得电弧电流混沌特性序列,使用流形学习降维实现混沌特性的可视化,利用降维后序列作为直流弓网电弧识别特征,并采用极限学习机对直流弓网电弧进行识别.结果表明:该方法能够有效识别直流电机车弓网电弧.     

EEMD与改进ITD的微电网电弧故障检测

为解决光伏微电网中电弧故障检测问题,设计了一种EEMD-MITD-CNN联合的多特征融合故障检测方法。针对采集电流数据时可能因为设备等原因造成的噪声,提出了基于相关系数的EEMD去噪法,对含有噪声的电流信号进行去噪并重构;针对传统ITD的缺点,提出了改进ITD的定义,将改进ITD与传统ITD进行对比,结果表明改进ITD分解效果较好。使用改进ITD方法对重构的信号进行分解并提取特征,经过特征选择后将筛选出的特征与原始电流数据融合成特征矩阵后放入卷积神经网络(CNN)中训练并测试,以检验所提方法的精确度。为评估提出的故障检测方法的性能,对基于IEC-61850标准搭建的光伏微电网进行了评估研究,实验表明所提方法相较于传统ITD检测方法精度更高。     

低压串联电弧故障谐波含有率分析

参照国内现有研究成果与美国UL1699标准搭建串联电弧故障实验平台,采集电弧电流与电弧电压数据,根据FastICA分析所得的特征谐波,对分离所得独立分量与线路电流分别进行谐波含有率分析,对比电弧故障发生时的变化特性,总结出电弧故障发生时谐波含有率典型变化特征.研究结果表明：电弧发生时,FastICA分离之后独立分量的谐波含有率变化非常明显,而线路电流谐波含有率的增幅小很多,甚至在负载某些运行情况下,有些谐波含有率增幅为零.     

基于深度自编码网络的电弧故障检测与负载类型识别

针对有监督学习的电弧故障检测方法需要大量带标签数据且大多只检测电弧故障而未对负载类型进行识别的问题,提出一种基于深度自编码网络的电弧故障检测与负载类型识别方法;采用小波包分解的节点系数作为自编码网络的无标签输入特征量,并运用逐层训练方法对自编码网络进行预训练;为了使所提出方法的权重系数达到全局最优,采用少量有标签数据对所得权重进行微调,通过Softmax多分类器输出电弧故障检测结果,并根据负载类别最大概率识别电弧故障可能的负载类型。结果表明,所提出的方法对电弧故障检测与负载类型识别准确率达到98.56%,高于相同层数和参数规模的有监督学习网络的准确率。     

直流TIG电弧的电流密度研究

对直流ＴＩＧ电弧阳极表面电流密度的测量方法－－分离极法和探针（自制）法进行了分析比较；以实际测量为基础，研究了这种电弧电流密度的径向分布特征及其数学表达式，分析了电弧电压和电流对电流密度径向分布的影响。研究结果表明：当电流较小时，直流ＴＩＧ电弧电流的径向分布属正态分布；反之，则无法用简单函数式表达。     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

基于频域能量和小波系数方差的光伏系统故障电弧判断方法

文章通过实验采集故障电弧数据,根据故障电弧时域波形的特点进行频谱分析,确定故障电弧所在的频段和能量集中的频段;采用小波变换的方法,计算这些频段的小波系数和方差;根据能量值和方差值,判断有无故障电弧发生,以提高检测的准确性和可靠性。     

小电流真空电弧不稳定性及截流的试验研究

通过试验研究了小电流真空电弧不稳定时电弧电压、电弧电流的高频变化过程，观察到电弧不稳定过程中存在许多不成功截断，导致电弧电压和电弧电流波形上叠加高频分量。负载电容、触头并联电容和回路连线电感等对电弧电压、电弧电流的高频过程具有不同的影响；也影响真空开关的截流值。