基于全相位深度学习的低压配电系统串联故障电弧识别法的制作方法

本发明涉及低压配电系统串联故障电弧识别技术领域，具体涉及基于全相位深度学习的低压配电系统串联故障电弧识别法。

背景技术：

低压配电系统中，由于线路或设备的绝缘老化、破裂或电气接触不良时，常常伴随故障电弧，进而引发火灾隐患。低压故障电弧分为并联故障电弧和串联故障电弧，并联故障电弧是由配网线路间发生短路故障引起，短路电流较大，保护装置能够正确识别并动作。串联故障电弧由线路发生接触不良或断线而引起，其故障电流值为5～30a，无法满足保护装置的灵敏性要求。实际低压配电网故障中，最难识别的也是串联故障电弧。

对串联故障电弧的检测方法，目前可以分为三类：①基于cassie电弧模型的仿真电路；②利用电弧发生时产生的光、热、声音等物理特征判断；③分析串联电弧发生时的电流、电压信号，运用数学方法识别故障电弧。第③种方法由于适应范围广，可靠性高，主要集中在对电流和电压信号的时频特征分析和特征向量的数学分析等。其中，时域特征分析是利用电流、电压波形的变化率、突变的波形斜率值、“零休”时间等特征来识别串联故障电弧，缺点是环境噪声的影响或采样数据的污染都会使时域指标产生较大的误差，干扰判断结果。频域特征分析是利用信号在频域上的频谱特征、谐波和间谐波含量来判断是否发生串联故障电弧，缺点是易受频谱泄漏的影响，干扰判定结果。特征向量的数学分析方法包括自回归参数模型、分形维数和支持向量机、小波变换和奇异值分解等，原理及检测流程较复杂，实际检测中稳定性不高，不能较好的运用到工程实际中。

技术实现要素：

本发明所要解决的技术问题是：现有的低压配电网故障中，针对串联故障电弧的识别方法易受噪声、频谱泄漏干扰，影响识别效果，识别效率不高，且稳定性不高的问题，本发明提供了解决上述问题的基于全相位深度学习的低压配电系统串联故障电弧识别法。

本发明通过下述技术方案实现：

基于全相位深度学习的低压配电系统串联故障电弧识别法，该方法包括：

在低压交流系统下，对低压回路中的不同负载进行电流信号采集；

对采集到的电流信号进行全相位离散傅里叶变换，进行负载的全相位频谱特征量提取，并构建全相位频谱特征向量；

利用建成的全相位频谱特征向量，构建基于logistic回归的深度学习神经网络模型，通过对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练，直到该模型收敛为止；

利用学习训练完成的基于logistic回归的深度学习神经网络模型，对待识别的分段负载电流波形进行全相位谱分析测量，完成对不同负载种类的甄别及是否发生串联故障电弧的识别，根据该模型输出它将各负载按种类、正常运行或故障电弧状态进行编号，且其中u≠v，u、v＝0，1，…，47，表示识别出负载的种类编号为round(u+1)/2，运行状态为正常电弧，u为偶数；或者运行状态为故障电弧，u为奇数；其中round()表示取四舍五入。

工作原理是：现有的低压配电网故障中，针对串联故障电弧的识别方法易受噪声、频谱泄漏干扰，影响识别效果，识别效率不高，且稳定性不高的问题，本发明采用上述方案以负载电流信号的全相位谱特征形成机理为切入点，利用全相位谱的频谱泄漏和频谱干涉抑制性能，对畸变信号和正常信号在全相位频谱上的特征量进行提取；构建基于logistic回归的深度学习神经网络模型，利用基于logistic回归的深度学习分类识别方法，对输入的全相位频谱特征进行判别，实现对负载种类、是否发生故障电弧的甄别；利用神经网络的非线性、自适应性和容错能力，对串联故障电弧进行智能、有效地识别。本发明针对串联故障电弧的识别方法不易受噪声、频谱泄漏干扰，识别效率高，且稳定性强。

进一步地，所述低压交流系统包括电源单元、故障发生单元、数据采样分析单元，所述电源单元采用低压交流试验电源ac，所述低压交流试验电源ac通过开关k1连接隔离变压器的原边线圈一端，隔离变压器的原边线圈另一端接地，隔离变压器的副边线圈一端连接电弧发生器，电弧发生器连接电阻r1，电阻r1连接滑动变阻器rp，变阻器rp通过开关k2连接隔离变压器的副边线圈另一端；所述电弧发生器用于产生稳定的串联故障电弧，且所述电弧发生器上并联有开关k3；所述电阻r1上连接有数据采集单元da，所述数据采集单元da连接计算机pc实现分析；其中，滑动变阻器rp、电阻r1分别表示负载和采样电阻。

进一步地，所述对采集到的电流信号进行全相位离散傅里叶变换，其中，最终全相位离散傅里叶变换的频率偏移量公式为：

式中：g(ki)、y(ki)分别为频率峰谱线序号ki对应的离散傅里叶变换和全相位离散傅里叶变换频谱矢量值，为各自对应的相位谱值，βi-ki为峰谱线ki处的频率偏移量，n为任意自然数。

具体地，最终全相位离散傅里叶变换的频率偏移量公式的推导过程如下：

对于低压交流系统，对低压回路中的不同负载进行电流信号采集，其实际电流信号表示为多个信号分量的线性叠加，负载电流采样值y(nδt)公式如下：

(1)式中：n∈[-n+1，n-1]，2n-1为分析数据长度；δt为采样间隔，ωi、ai、pi分别为i信号分量的角频率、幅值和初相位，m为信号分量总数。

对式(1)中的电流信号分别进行离散傅里叶变换和全相位离散傅里叶变换(忽略负频率的影响)，各自的频谱表达式为：

(2)(3)式中：g(k)为离散傅里叶变换频谱，y(k)为全相位离散傅里叶变换频谱，k为谱线序号，βi＝ωi/δω，δω为角频率分辨率，ωi为i频率分量的角频率值，w(βi-k)为频率偏移量βi-k处对应的矩形窗谱函数，ai为i信号分量的幅值，pi为i信号分量的初相位，m为信号分量总数；其中

设频率分量ωi的频谱幅值峰谱线序号为ki，(4)式中：βi-ki为峰谱线ki处的频率偏移量，n为任意自然数，βi＝ωi/δω，δω为角频率分辨率，ωi为i频率分量的角频率值。由此，可以推导得到最终全相位离散傅里叶变换的频率偏移量为：

(5)式中：g(ki)、y(ki)分别为频率峰谱线序号ki对应的离散傅里叶变换和全相位离散傅里叶变换频谱矢量值，为各自对应的相位谱值，βi-ki为峰谱线ki处的频率偏移量，n为任意自然数。

则i信号频率分量的角频率值为：

ωi＝βiδω(6)

该i信号频率分量对应的幅值为：

(7)式中：g(k)为离散傅里叶变换频谱，y(k)为全相位离散傅里叶变换频谱，k为谱线序号。

式(6)(7)即为基于全相位离散傅里叶变换的i信号频率分量对应的角频率值和幅值计算公式。从式(2)(3)可以看出，当出现频谱泄漏时，全相位离散傅里叶变换的幅值出现成倍衰减，这也是全相位离散傅里叶变换的频谱具有良好频谱泄漏和频谱干涉抑制性能的根本原因，因此测量的频率分量具有很高的精度。

进一步地，所述进行负载的全相位频谱特征量提取，具体包括负载正常运行时的电流频谱特征和串联故障电弧下的电流频谱特征提取，通过对正常运行和发生串联故障电弧时的电流波形进行全相位谱测量，提取不同负载在不同状态下的频谱特征；通过对各次谐波分量的幅值分布和起主导作用的间谐波分量的频率、幅值分布情况的特征识别，实现对不同负载是否发生故障电弧的甄别；所述通过对各次谐波分量的幅值分布和起主导作用的间谐波分量的频率、幅值分布情况的特征识别，其中，提取的具体特征具体包括主导间谐波频率、主导间谐波含量、谐波含量。

进一步地，构建全相位频谱特征向量由主导间谐波频率fih-m、主导间谐波含量aih-m和谐波含量ah-m组成150维特征向量x＝[fih-m，aih-m，ah-m]，其中，m＝1、2、…、50，ih-m表示第m个间谐波，h-m表示第m个谐波。

进一步地，所述利用建成的全相位频谱特征向量，构建基于logistic回归的深度学习神经网络模型，具体如下：

本发明基于logistic回归的深度学习方法，这是因为采用传统的神经网络在对故障电弧进行判别分析时，无法对复杂的样本进行准确分类，同时结果的收敛性受初始值影响较大，结果容易陷入局部最优或过度拟合甚至不收敛的情况。而logistic回归不受初始值选取的影响，当初始值不满足假设时结果仍非常稳定，具有较强的稳健性，因此本发明采用基于logistic回归的深度学习方法进行样本训练。

为甄别不同负载是否产生故障电弧，选择iec61000-4-7标准规定的50次谐波含量ah-m作为特征参数(m＝1、2、…、50)，同时选取两次谐波之间的主导间谐波频率fih-m、含量aih-m作为特征参数，共同组成150维特征向量x＝[fih-m,aih-m,ah-m]为神经网络深度学习的输入参数，深度学习神经网络包含5层隐含层，深度学习神经网络的输出响应变量它将各样本负载按种类、正常运行或故障电弧状态进行编号，且表示识别出负载的种类编号为round(u+1)/2，运行状态为正常(u为偶数)或故障电弧(u为奇数)，其中round()表示取四舍五入。

所述基于logistic回归的深度学习神经网络模型中的logistic回归模型为非线性回归模型，具有如下分布形式：

(8)式中：e(x)表示概率分布，p为对应输入变量x的预测概率值，ε为预测误差，β0和β1为模型的非线性回归系数；

logistic回归是对输入变量x的不同水平来计算y＝1的预测概率值p，其中概率值采用0.5作为分割点，公式为：

(9)式中：u＝0，1，…，47；yu＝1表示正常状态(u为偶数)或故障电弧状态(u为奇数)。

本发明具有如下的优点和有益效果：

1、本发明以负载电流信号的全相位谱特征形成机理为切入点，对畸变信号和正常信号在全相位频谱上的特征量进行提取，不易受噪声、频谱泄漏、频谱干扰；基于全相位谱分析的测量方法可以有效提取负载的各种运行状态下电流特征参数，为故障电弧的识别提供理论依据；

2、本发明构建基于logistic回归的深度学习神经网络模型，神经网络具有非线性、自适应性和容错能力，模型网络能够稳定、快速收敛；利用基于logistic回归的深度学习分类识别方法，对输入的全相位频谱特征进行判别，实现对负载种类、是否发生故障电弧的甄别；

3、本发明针对串联故障电弧的识别方法流程合理、操作使用方便，该方法不易受噪声、频谱泄漏干扰，识别效率高，且稳定性强。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的基于全相位深度学习的低压配电系统串联故障电弧识别法流程图。

图2为本发明的串联故障电弧试验平台示意图。

图3(a)为本发明的线性负载正常的电流波形图。

图3(b)为本发明的线性负载正常的电流频谱图。

图4(a)为本发明的非线性负载正常的电流波形图。

图4(b)为本发明的非线性负载正常的电流频谱图。

图5(a)为本发明的线性负载故障电弧时的电流波形图。

图5(b)为本发明的线性负载故障电弧时的电流频谱图。

图6(a)为本发明的非线性负载故障电弧时的电流波形图。

图6(b)为本发明的非线性负载故障电弧时的电流频谱图。

图7为本发明的基于logistic回归的深度学习神经网络模型。

图8为本发明的神经网络的深度学习训练误差图。

图9为本发明的与其它各方法的网络训练输出误差图。

图10(a)为本发明的各次谐波的含量趋势图。

图10(b)为本发明的各次间谐波的含量趋势图。

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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1至图10(b)所示，基于全相位深度学习的低压配电系统串联故障电弧识别法，该方法包括：

在低压交流系统下，对低压回路中的不同负载进行电流信号采集；

对采集到的电流信号进行全相位离散傅里叶变换，进行负载的全相位频谱特征量提取，并构建全相位频谱特征向量；

利用建成的全相位频谱特征向量，构建基于logistic回归的深度学习神经网络模型，通过对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练，直到该模型收敛为止；

利用学习训练完成的基于logistic回归的深度学习神经网络模型，对待识别的分段负载电流波形进行全相位谱分析测量，完成对不同负载种类的甄别及是否发生串联故障电弧的识别。

具体地，所述在低压交流系统下，对低压回路中的不同负载进行电流信号采集，电流信号表示为多个信号分量的线性叠加，其中，负载电流采样公式为：

式中：n∈[-n+1，n-1]，2n-1为分析数据长度；δt为采样间隔，ωi、ai、pi分别为i信号分量的角频率、幅值和初相位，m为信号分量总数。

具体地，所述对采集到的电流信号进行全相位离散傅里叶变换，其中，最终全相位离散傅里叶变换的频率偏移量公式为：

式中：g(ki)、y(ki)分别为频率峰谱线序号ki对应的离散傅里叶变换和全相位离散傅里叶变换频谱矢量值，为各自对应的相位谱值，βi-ki为峰谱线ki处的频率偏移量，n为任意自然数。

具体地，所述进行负载的全相位频谱特征量提取，具体包括负载正常运行时的电流频谱特征和串联故障电弧下的电流频谱特征提取，通过对正常运行和发生串联故障电弧时的电流波形进行全相位谱测量，提取不同负载在不同状态下的频谱特征；通过对各次谐波分量的幅值分布和起主导作用的间谐波分量的频率、幅值分布情况的特征识别，实现对不同负载是否发生故障电弧的甄别。所述通过对各次谐波分量的幅值分布和起主导作用的间谐波分量的频率、幅值分布情况的特征识别，其中，提取的具体特征具体包括主导间谐波频率、主导间谐波含量、谐波含量。

进行负载的全相位频谱特征量提取，具体包括负载正常运行时的电流频谱特征和串联故障电弧下的电流频谱特征提取，其中，全相位频谱特征量分析过程如下：

(1)负载正常运行时的电流频谱特征

根据前述的全相位频谱形成机理，对式(1)对应的线性负载、非线性负载电流信号进行全相位离散傅里叶变换并进行频率分量的频率和幅值测量，得到其时域波形和频谱图分别如图3(a)、图3(b)和图4(a)、图4(b)所示。

从图3(a)、图3(b)和图4(a)、图4(b)可以看出，线性负载正常运行时波形接近理想的正弦波，频谱图中仅含基波分量，全相位频谱测量结果仅含基波幅值；非线性负载正常运行时波形发生较有规律的周期性畸变，频谱图中的各频谱线形成频谱带，全相位谱测量结果包含各次谐波分量和较少部分间谐波分量，其中奇数次谐波分量较突出。负载正常运行时通过全相位谱测量方法可以实现线性负载和非线性负载的频谱特征提取，而不同种类的负载具有不同的频谱特征，因此可以区分正常运行状态下不同种类的线性负载和非线性负载。

(2)串联故障电弧下的电流频谱特征

通过搭建串联故障电弧模拟试验平台，对串联故障电弧下的常规线性负载、非线性负载电流信号波形进行时域和频域分析，得到波形图和频谱图分别如图5(a)、图5(b)和图6(a)、图6(b)所示。

从5(a)、图5(b)和图6(a)、图6(b)可以看出，线性负载、非线性负载在串联故障电弧时波形均发生非规则性畸变，波形伴有毛刺，对其进行全相位频谱测量，得到包含各次谐波分量和不同频率的间谐波分量。同时对比图3(a)、图3(b)和图4(a)、图4(b)，当发生串联故障电弧时的电流波形，可以看作是在正常运行时电流畸变波形的多线性叠加，加重了信号的畸变程度，在频谱图上形成频谱带，且具有明显不同频率、幅值的间谐波分量和突出的谐波分量(如3次、5次谐波)。

通过对正常运行和发生串联故障电弧时的电流波形进行全相位谱测量，能够提取到不同负载在不同状态下的频谱特征。通过对各次谐波分量的幅值分布和起主导作用的间谐波分量的频率、幅值分布情况的特征识别，可以实现对不同负载是否发生故障电弧的甄别。

所述构建全相位频谱特征向量由主导间谐波频率fih-m、主导间谐波含量aih-m和谐波含量ah-m组成150维特征向量x＝[fih-m，aih-m，ah-m]，其中，m＝1、2、…、50，ih-m表示第m个间谐波，h-m表示第m个谐波。

所述利用建成的全相位频谱特征向量，构建基于logistic回归的深度学习神经网络模型，具体如下：

150维特征向量x＝[fih-m，aih-m，ah-m]作为神经网络深度学习的输入参数，深度学习神经网络包含5层隐含层，深度学习神经网络的输出响应变量它将各样本负载按种类、正常运行或故障电弧状态进行编号，且表示识别出负载的种类编号为round(u+1)/2，运行状态为正常(u为偶数)或故障电弧(u为奇数)，其中round()表示取四舍五入。

所述基于logistic回归的深度学习神经网络模型中的logistic回归模型为非线性回归模型，具有如下分布形式：

式中：e(x)表示概率分布，p为对应输入变量x的预测概率值，ε为预测误差，β0和β1为模型的非线性回归系数；

logistic回归是对输入变量x的不同水平来计算y＝1的预测概率值p，其中概率值采用0.5作为分割点，公式为：

式中u＝0，1，…，47；yu＝1表示正常状态(u为偶数)或故障电弧状态(u为奇数)。

如图7所示，针对基于logistic回归的深度学习网络模型中神经网络训练过程，试验样本采用满足ul1699标准的不同功率下的电阻箱、电水壶、白炽灯、手枪钻、微波炉、真空吸尘器、led灯、荧光灯、调光灯等共计24种负载，并将各负载按种类、正常运行或故障电弧状态进行编号(0～47)，每种负载下取100个正常运行波形样本、100个故障电弧波形样本，共计4800个样本进行图7所示的神经网络深度学习。样本最终均收敛，未出现传统神经网络不收敛的情况，网络学习正确率达100％。神经网络在基于logistic回归深度学习中的训练误差均方值如图8所示，随着深度学习训练次数的增加，网络误差梯度下降指标较理想，网络能够稳定、快速收敛。

采用传统bp神经网络(方法1)、遗传算法神经网络(方法2)和logistisc回归深度学习神经网络(方法3)的输出误差如图9所示。

由图9可以看出，基于logistic回归深度学习神经网络(方法3)具有较好的收敛性，收敛过程中的快速性和稳定性较其它两种方法更优。同时避免了传统bp神经网络收敛慢、基于遗传算法的神经网络收敛不稳定的缺点。

因此，基于全相位谱和深度学习的故障电弧识别流程图如图1所示。

针对本发明的基于全相位深度学习的低压配电系统串联故障电弧识别法，为模拟真实发生串联故障电弧时的电气量变化情况，根据ul1699-2008afci标准搭建串联故障电弧模拟试验平台如图2所示，所述低压交流系统包括电源单元、故障发生单元、数据采样分析单元，所述电源单元采用低压交流试验电源ac，所述低压交流试验电源ac通过开关k1连接隔离变压器的原边线圈一端，隔离变压器的原边线圈另一端接地，隔离变压器的副边线圈一端连接电弧发生器，电弧发生器连接电阻r1，电阻r1连接滑动变阻器rp，变阻器rp通过开关k2连接隔离变压器的副边线圈另一端；rp、r1＝0.1ω分别表示试验负载和采样电阻；所述电弧发生器用于产生稳定的串联故障电弧，且所述电弧发生器上并联有开关k3；所述电阻r1上连接有数据采集单元da，所述数据采集单元da连接计算机pc实现分析。

对构建的试验平台所在的国网四川省电力公司生产运营中心采集4段负载电流波形进行全相位谱分析测量，得到各次(以最高10次为示例)谐波、主导间谐波含量的变化趋势如图10(a)、10(b)所示。

图10(a)中可见基于全相位谱分析的特征量较明显，信号1、信号3的谐波含量集中分布在奇数次谐波处，且信号1的谐波含量整体最低，最高含量约2.5％，信号3的谐波含量整体较高，最高含量约26.6％；信号2、信号4在各次谐波处均有分布，从谐波含量来看，信号4的整体水平高于信号2。从图10(b)中看到信号2、信号4的间谐波含量整体较高，信号1和信号3的间谐波含量整体较低。进一步对试验信号进行量化，得到基于全相位谱的特征值部分测量结果如表1所示。

表1基于全相位谱分析的部分测量结果

上述试验结果表明，基于全相位谱分析的测量方法可以有效提取负载的各种运行状态下电流特征参数，为故障电弧的识别提供理论依据。

将基于全相位谱测量的主导间谐波频率fih-m、含量aih-m和谐波含量ah-m组成150维特征向量(m＝1、2、…、50)，作为图7中已完成logistic回归深度学习的神经网络输入参数，得到4段试验信号的输出及故障电弧识别结果如表2所示。该试验结论与试验预设条件相符合，验证了本发明所提的基于全相位深度学习的低压配电系统串联故障电弧识别法的正确性和有效性，实现了对负载种类、是否发生故障电弧的识别，且识别效率高，方法稳定性强。

表2各段信号的试验结果

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。