一种串联故障电弧检测方法技术

本发明专利技术提供了一种串联故障电弧检测方法，该方法采用一种频段粗选策略，与CEEMDAN分解算法结合，实现了电弧故障高频信号所在频段的选取，能够降低二次特征提取和故障检测的复杂度。增强了电弧电流特征的对比度和判别力。能进一步提升故障电弧检测的准确性。进一步提升故障电弧检测的准确性。进一步提升故障电弧检测的准确性。

【技术实现步骤摘要】
一种串联故障电弧检测方法


[0001]本专利技术涉及电流信号处理技术，特别是涉及一种串联故障电弧检测方法。

技术介绍

[0002]低压配电网中，因线路绝缘损坏、触头连接松动往往导致串联电弧故障发生。如不及时采取可靠的故障电弧检测和保护措施，往往会诱发电气火灾。因此，串联故障电弧的可靠检测方法对于提升低压用电安全和预防电气火灾具有重要意义。
[0003]目前，故障电弧检测方法主要分为两类：(1)基于故障电弧产生的弧光、弧声、温度等物理特征实现电弧检测；(2)基于电弧电压信号或电流信号的时频域分析实现电弧检测。由于故障电弧发生位置具有随机性，因此第(1)类检测方法多用于电气开关柜中，在线路故障电弧检测中的应用受到较大限制。第(2)类检测方法，基于电流检测，不受固定位置限制，位置更加灵活。
[0004]傅里叶变换在第(2)类检测方法中得到较多应用，傅里叶变换实现了电信号时域特征和频域特征的关联，但信号分析只能在时域或频域独立进行，无法同时实现时频分析。小波变换具有良好的自适应性，同时能实现信号的多尺度时频分析，在电弧故障信号分析中得以应用。由于线路发生串联电弧故障时，电流信号呈现明显的非线性和非平稳特点，而上述时频分析法难以自适应捕获这些关键信息，所以电弧检测准确性并未得到大幅提升。Torres等人[ORRES M E，COLOMINAS M A，SCHLOTTHAUER G，et al.A complete ensemble empirical mode decomposition with adaptive noise[C]//IEEE International Conference on Acoustics，Speech and Signal Processing,IEEE,2011:4144
‑
4147.]提出了一种自适应噪声的完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)，该方法能够实现非线性、非平稳信号处理，提升了分解信号的精确度和完备性，且大大减少了计算量，但该方法在电弧电流信号分析中尚未应用。

技术实现思路

[0005]本专利技术的目的在于提供一种串联故障电弧检测方法，该检测方法能够更好的融合CEEMDAN分解算法与高频信号的粗选策略，实现电弧电流分解信号中有效信号的粗选；通过将分解所得各本征模态分量划分区段，以及特征指标计算，获得描述电弧电流信号局部特征的判别信息，形成故障电弧电流特征集；进一步结合核线性判别分析算法实现电弧电流特征的二次降维，通过支持向量机实现串联故障电弧检测。从而提升了串联故障电弧检测准确度，保证了低压用电安全。本专利技术的目的是这样实现的：
[0006]一种串联故障电弧检测方法，包括以下步骤：
[0007]步骤S1，采样电流信号；
[0008]步骤S2，利用CEEMDAN算法进行所述电流信号分解，获取完备的本征模态分量；
[0009]步骤S3，确定基频边界，实现各本征模态分量的频段划分和高频段信号粗选；
[0010]步骤S4，对粗选出的高频段信号，按照基频边界的周期数进行区段划分，并构建电弧电流信号的局部特征，形成故障电弧电流特征库。
[0011]于本专利技术一实施例中，串联故障电弧检测方法，还包括，
[0012]步骤S5，采用核线性判别分析实现电流特征二次降维，并采用支持向量机实现串联故障电弧检测。
[0013]于本专利技术一实施例中，所述步骤S3还包括，
[0014]计算每个本征模态分量的均值、方差、均方根值、方根幅值、平均幅值、峰值、峭度、峭度指标、裕度指标、能量、熵和能量熵，所述均值、方差、均方根值、方根幅值、平均幅值、峰值、峭度、峭度指标、裕度指标、能量、熵和能量熵成为电弧电流信号的局部特征。
[0015]于本专利技术一实施例中，所述步骤S3还包括，
[0016]以各本征模态分量的峭度指标、裕度指标、能量特征和能量熵特征为判定依据，选定峭度指标、裕度指标取最小值，且能量特征和能量熵特征取最大值时对应的频率成分为原信号组成要素中的基频分量，以该频率作为基频边界，频率高于该分界的信号为高频信号，频率低于该分界的信号为低频信号。
[0017]于本专利技术一实施例中，所述步骤S2还包括，
[0018]步骤S21，在所述电流信号x(t)中添加高斯白噪声n
i
(t)，则加噪信号为x(t)+γ0n
i
(t)，其中γ0为噪声系数，利用经验模态分解对所述加噪信号执行I次分解，通过集成平均得到CEEMDAN的第1个本征模态分量IMF分量和对应残差分量r1(t)＝x(t)
‑
IMF1(t)，其中，IMF
i1
(t)表示加噪信号的第i次分解所得结果。
[0019]于本专利技术一实施例中，所述步骤S2还包括，
[0020]步骤S22定义EMD
j
(
·
)为经验模态分解的第j个模态函数，对加噪信号r1(t)+γ1EMD1[n
i
(t)]进行分解，γ1为噪声系数，得到CEEMDAN的第2个本征模态分量IMF分量：
[0021][0022]于本专利技术一实施例中，所述步骤S2还包括，
[0023]步骤S23计算k阶残差分量：r
k
(t)＝r
k
‑1(t)
‑
IMF
k
(t)，对第k个信号r
k
(t)+γ
k
EMD
k
(n
i
(t))进行经验模态分解，每次添加白噪声后均分解至第一个IMF分量停止，在此基础上，计算CEEMDAN的第k+1个本征模态分量IMF分量：
[0024]本专利技术提供了一种串联故障电弧检测方法，该方法采用一种频段粗选策略，与CEEMDAN分解算法结合，实现了电弧故障高频信号所在频段的选取，能够降低二次特征提取和故障检测的复杂度。采用一种分区段的特征指标计算方法，实现了高频段信号的局部特征提取，增强了电弧电流特征的对比度和判别力。采用核线性判别分析的子空间变换实现二次特征提取和降维，消除了大量的冗余信息和干扰信息，并利用支持向量机完成串联故障电弧检测，能进一步提升故障电弧检测的准确性。
附图说明
[0025]图1为串联故障电弧检测方法的流程图；
[0026]图2为故障电弧电流波形图；
[0027]图3为电弧电流波形的CEEMDAN分解结果图。
具体实施方式
[0028]以下由特定的具体实施例说明本专利技术的实施方式，本领域的技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效。
[0029]须知，本说明书所附图式，均仅用以配合说明书所揭示的内容，以供本领域的技术人员了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种串联故障电弧检测方法，其特征在于，包括以下步骤：步骤S1，采样电流信号；步骤S2，利用CEEMDAN算法进行所述电流信号分解，获取完备的本征模态分量；步骤S3，确定基频边界，实现各本征模态分量的频段划分和高频段信号粗选；步骤S4，对粗选出的高频段信号，按照基频边界的周期数进行区段划分，并构建电弧电流信号的局部特征，形成故障电弧电流特征库。2.根据权利要求1所述的串联故障电弧检测方法，其特征在于，还包括，步骤S5，采用核线性判别分析实现电流特征二次降维，并采用支持向量机实现串联故障电弧检测。3.根据权利要求2所述的串联故障电弧检测方法，其特征在于，所述步骤S3还包括，计算每个本征模态分量的均值、方差、均方根值、方根幅值、平均幅值、峰值、峭度、峭度指标、裕度指标、能量、熵和能量熵，所述均值、方差、均方根值、方根幅值、平均幅值、峰值、峭度、峭度指标、裕度指标、能量、熵和能量熵成为电弧电流信号的局部特征。4.根据权利要求3所述的串联故障电弧检测方法，其特征在于，所述步骤S3还包括，以各本征模态分量的峭度指标、裕度指标、能量特征和能量熵特征为判定依据，选定峭度指标、裕度指标取最小值，且能量特征和能量熵特征取最大值时对应的频率成分为原信号组成要素中的基频分量，以该频率作为基频边界，频率高于该分界的信号为高频信号，频率低于该分界的信号为低频信号。5.根据权利要求1所述的串联故障电弧检测方法，其特征在于，所述步骤S2还包括，步骤S21，在所述电流信号x(t)中添加高斯白噪声n

【专利技术属性】
技术研发人员：邹国锋，傅桂霞，王玮，刘月，姜殿波，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：