一种低压直流电弧故障检测方法与流程

1.本发明涉及直流故障检测领域，特别涉及一种低压直流电弧故障检测方法。


背景技术：

2.直流系统中因为电缆接头松脱、接触不良、导线绝缘破裂等原因极易产生点接触直流故障电弧，而直流系统中的故障电弧具有持续性，其伴随着高热现象的持续产生会不断地对外界释放能量，这会使得电极材料和绝缘层材料进行能量累积，当能量累积到一定程度时，会导致接触材料表面受热熔化，引发电极的烧蚀和绝缘层的熔滴，进而产生电缆火焰的蔓延现象，严重危害直流供配电系统的安全运行甚至引发电气火灾事故。虽然传统的断路器可以对漏电、过流和短路等险情进行保护，但许多严重的火灾事故却是由低于额定电流的故障电弧所引起的，传统的断路器根本无法起到防护作用，因此故障电弧成为了电气火灾防控领域中的一大难题。在此背景下，准确检测识别直流故障电弧对保障供电系统安全运行非常重要。


技术实现要素：

3.本发明实施例的目的是提供一种低压直流电弧故障检测方法，通过构建lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量对lssvm支持向量机进行训练，得到woa-lssvm电弧故障识别模型检测低压直流电弧故障，实现了低压直流电弧故障诊断，解决了针对电流参量这一小样本数据没有合适故障特征提取级识别诊断方法的问题，能够实时监测用电线路的运行状态，能够在线路发生直流电弧故障后及时检测并消除故障，提升电力系统运行安全性，提升配电网供电可靠性。
4.为解决上述技术问题，本发明实施例的第一方面提供了一种低压直流电弧故障检测方法，包括如下步骤：
5.获取低压直流回路的电流信号；
6.构建基于lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量；
7.通过所述电流信号特征向量对lssvm支持向量机进行训练，并通过woa鲸鱼优化算法对lssvm进行参数寻优，构建woa-lssvm电弧故障识别模型；
8.基于所述woa-lssvm电弧故障识别模型，对所述低压直流回路进行电弧故障检测。
9.进一步地，所述获取低压直流回路的电流信号，包括：
10.通过霍尔传感器和示波器采集所述低压直流回路的所述电流信号。
11.进一步地，所述构建基于lmd-pca和样本熵的故障电弧特征参数提取模型提取电流信号特征向量，包括：
12.对所述电流信号进行lmd局部均值分解；
13.采用主成分分析方法，提取主pf分量；
14.计算样本熵作为所述特征向量。
15.进一步地，所述对所述电流信号进行lmd局部均值分解，包括：
16.构造局部均值函数，计算出x(t)全部局部极值点ni(i＝1,2,
…
)，并求出相邻局部极值点的平均值：
17.mi＝(ni+n
i+1
)/2，
18.再用求得的mi用直线连起来，然后用滑动平均法将其进行平滑处理，从而得到局部均值函数m
11
(t)；
19.构造包络估计值函数，计算相邻两个极值点的包络估计值：
20.ai＝(n
i-n
i+1
)/2，
21.并将求得的所有ai用直线连接起来，再利用滑动平均法对其进行平滑处理，便能得到包络估计函数a
11
(t)；
22.将局部均值函数m
11
(t)从原始信号x(t)中去除，得到信号h
11
(t)：
23.h
11
(t)＝x(t)-m
11
(t)，
24.基于包络估计函数a
11
(t)对h
11
(t)进行解调，得到调频信号：
25.s
11
(t)＝h
11
(t)/a
11
(t)，
26.对解调得到的s
11
(t)进行判定，取s
11
(t)的包络估计函数a
12
(t)，
27.若a
12
(t)＝1,则得到的s
11
(t)为纯调频信号；若a
12
(t)≠1重复上述步骤进行n次迭代直到s
1n
(t)为纯调频信号，因此有：
[0028][0029]
迭代终止的条件是：
[0030][0031]
对上述迭代算法中产生的包络估计函数相乘，得到包络信号a1(t)：
[0032][0033]
用瞬时幅值a
11
(t)乘以纯调频信号s
1n
(t),便得到第一个pf分量：
[0034]
pf1(t)＝a1(t)s
1n
(t)，
[0035]
从原始信号x(t)中去除首个pf分量pf1(t)，得到余下信号u1(t)，把u1(t)视为原始信号重复上述步骤，直到uk(t)单调为止，即：
[0036][0037]
经过上述步骤，原始信号x(t)由k个pf分量及残余量uk(t)重构而成，即：
[0038]
[0039]
进一步地，所述采用主成分分析方法提取主pf分量，包括：
[0040]
设p维随机向量x＝[x1,x2,x3,
…
,xn]共有n个样本，则其转置矩阵x
t
＝[x1,x2,x3,
…
,xn]
t
；
[0041]
对x
t
的每一行进行零均化处理，并求出x的协方差矩阵：
[0042][0043]
式中，为样本空间的均值；c
x
为协方差矩阵；
[0044]
通过特征方程计算特征值与特征向量：
[0045]
|λi
m-r|＝0；
[0046]
式中，λ为特征值；r为相关系数矩阵；im为阶数为m的单位矩阵；
[0047]
经计算得到特征值与特征向量。
[0048]
定义各个所述特征值的贡献率cr和累计贡献率c
t
，计算公式为：
[0049][0050][0051]
式中，m＝1,2,
…
,h,
…
,n其中h代表前h个特征值，当累计贡献率c
t
(h)≥85％时，将前h个特征向量γ1,γ2,
…
，γm构成的rh(rh＝[γ1,γ2,
…
,γh])，作为降维后低维投影空间的矩阵。
[0052]
进一步地，所述计算样本熵作为所述特征向量，包括：
[0053]
对于由n个数据组成的时间序列x(n)＝{x(1)，x(2)，
…
，x(n)}，按照序号组成一组维数为m的向量序列x(i)；
[0054]
xm(i)＝{x(i),x(i+1),...,x(i+m-1)},i＝1,2,...,n-m+1，
[0055]
定义矢量x(i)与x(j)之间的距离:
[0056]
d(i,j)＝|x(i+k)-x(j+k)|,j＝1,2,
…
,n-m(i≠j)，
[0057]
求得k＝0,1,
…
,m-1时,d(i,j)的最大值；
[0058]
设定阈值r，统计d(i,j)小于r的距离的数目b，然后将其与距离总数n-m+1做比值，记作即：
[0059][0060]
对所有求平均值得到：
[0061]
[0062]
维数加1即当维数为m+1维时，重复以上步骤得到
[0063]
若n取有限值，那么此序列长度为n时的样本熵由以上理论可得：
[0064][0065]
相应地，本发明实施例的第二方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述一个处理器执行，以使所述至少一个处理器执行上述低压直流电弧故障检测方法。
[0066]
相应地，本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述低压直流电弧故障检测方法。
[0067]
本发明实施例的上述技术方案具有如下有益的技术效果：
[0068]
通过构建lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量对lssvm支持向量机进行训练，得到woa-lssvm电弧故障识别模型检测低压直流电弧故障，实现了低压直流电弧故障诊断，解决了针对电流参量这一小样本数据没有合适故障特征提取级识别诊断方法的问题，能够实时监测用电线路的运行状态，能够在线路发生直流电弧故障后及时检测并消除故障，提升电力系统运行安全性，提升配电网供电可靠性。
附图说明
[0069]
图1是本发明实施例提供的直流电弧故障发生装置示意图；
[0070]
图2是本发明实施例提供的电弧发生器单元结构框图；
[0071]
图3是本发明实施例提供的低压直流电弧故障检测方法流程图；
[0072]
图4是本发明实施例提供的lmd-pca和样本熵故障检测流程图；
[0073]
图5是本发明实施例提供的woa中实现的收缩围捕机制示意图；
[0074]
图6是本发明实施例提供的woa中实现的螺旋更新位置示意图；
[0075]
图7是本发明实施例提供的鲸鱼优化算法woa流程示意图；
[0076]
图8是本发明实施例提供的woa-lssvm故障诊断模型示意图。
具体实施方式
[0077]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0078]
请参照图1、图2和图3，本发明实施例的第一方面提供了一种低压直流电弧故障检测方法，包括如下步骤：
[0079]
s100，获取低压直流回路的电流信号。
[0080]
搭建低压直流电弧故障数据采集实验平台，包括了电弧发生装置与电信号实时采集系统的设计。
[0081]
具体的，步骤s100中，获取低压直流回路的电流信号，包括：通过霍尔传感器和示
波器采集低压直流回路的电流信号。
[0082]
为了模拟实际直流电路系统中由于绝缘老化、导线破损和线路接触不良时产生的直流电弧故障，需要选择合适的电弧故障发生装置进行拉弧实验，并精确控制拉弧时间和触头间距大小。采集系统实现了不同实验条件下正常回路及电弧故障发生回路的各项电路参数的实时采集，包括了对实验主线路的硬件设计、电弧发生装置的软硬件设计、控制系统的上位机软硬件设计等环节，传感器采集回路电流和电弧发生器两端电压数据传输到示波器中，示波器将数据传到上位机，上位机储存数据并对数据进行分析，找出电弧故障的特征信号。
[0083]
s200，构建基于lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量。
[0084]
具体的，构建基于lmd-pca和样本熵的故障电弧特征参数提取模型提取电流信号特征向量，包括：
[0085]
s210，对电流信号进行lmd局部均值分解。
[0086]
进一步地，请参照图4，步骤s210中对电流信号进行lmd局部均值分解，具体包括如下内容：
[0087]
构造局部均值函数，计算出x(t)全部局部极值点ni(i＝1,2,
…
)，并求出相邻局部极值点的平均值：
[0088]
mi＝(ni+n
i+1
)/2，
[0089]
再用求得的mi用直线连起来，然后用滑动平均法将其进行平滑处理，从而得到局部均值函数m
11
(t)；
[0090]
构造包络估计值函数，计算相邻两个极值点的包络估计值：
[0091]ai
＝(n
i-n
i+1
)/2，
[0092]
并将求得的所有ai用直线连接起来，再利用滑动平均法对其进行平滑处理，便能得到包络估计函数a
11
(t)；
[0093]
将局部均值函数m
11
(t)从原始信号x(t)中去除，得到信号h
11
(t)：
[0094]h11
(t)＝x(t)-m
11
(t)，
[0095]
基于包络估计函数a
11
(t)对h
11
(t)进行解调，得到调频信号：
[0096]s11
(t)＝h
11
(t)/a
11
(t)，
[0097]
对解调得到的s
11
(t)进行判定，取s
11
(t)的包络估计函数a
12
(t)，
[0098]
若a
12
(t)＝1,则得到的s
11
(t)为纯调频信号；若a
12
(t)≠1重复上述步骤进行n次迭代直到s
1n
(t)为纯调频信号，因此有：
[0099][0100]
迭代终止的条件是：
[0101][0102]
对上述迭代算法中产生的包络估计函数相乘，得到包络信号a1(t)：
[0103][0104]
用瞬时幅值a
11
(t)乘以纯调频信号s
1n
(t),便得到第一个pf分量：
[0105]
pf1(t)＝a1(t)s
1n
(t)，
[0106]
从原始信号x(t)中去除首个pf分量pf1(t)，得到余下信号u1(t)，把u1(t)视为原始信号重复上述步骤，直到uk(t)单调为止，即：
[0107][0108]
经过上述步骤，原始信号x(t)由k个pf分量及残余量uk(t)重构而成，即：
[0109][0110]
s220，采用主成分分析方法，提取主pf分量。
[0111]
进一步地，步骤s220中，采用主成分分析方法提取主pf分量，具体包括如下内容：
[0112]
设p维随机向量x＝[x1,x2,x3,
…
,xn]共有n个样本，则其转置矩阵x
t
＝[x1,x2,x3,
…
,xn]
t
；
[0113]
对x
t
的每一行进行零均化处理，并求出x的协方差矩阵：
[0114][0115]
式中，为样本空间的均值；c
x
为协方差矩阵；
[0116]
通过特征方程计算特征值与特征向量：
[0117]
|λi
m-r|＝0；
[0118]
式中，λ为特征值；r为相关系数矩阵；im为阶数为m的单位矩阵；
[0119]
经计算得到特征值与特征向量。
[0120]
定义各个特征值的贡献率cr和累计贡献率c
t
，计算公式为：
[0121][0122][0123]
式中，m＝1,2,
…
,h,
…
,n其中h代表前h个特征值，当累计贡献率c
t
(h)≥85％时，将前h个特征向量γ1,γ2,
…
,γm构成的rh(rh＝[γ1,γ2,
…
,γh])，作为降维后低维投影空间的矩阵。
[0124]
s230，计算样本熵作为特征向量。
[0125]
进一步地，步骤s230中，计算样本熵作为特征向量，包括：
[0126]
对于由n个数据组成的时间序列x(n)＝{x(1)，x(2)，
…
，x(n)}，按照序号组成一组维数为m的向量序列x(i)；
[0127]
xm(i)＝{x(i),x(i+1),...,x(i+m-1)},i＝1,2,...,n-m+1，
[0128]
定义矢量x(i)与x(j)之间的距离:
[0129]
d(i,j)＝|x(i+k)-x(j+k)|,j＝1,2,
…
,n-m(i≠j)，
[0130]
求得k＝0,1,
…
,m-1时,d(i,j)的最大值；
[0131]
设定阈值r，统计d(i,j)小于r的距离的数目b，然后将其与距离总数n-m+1做比值，记作即：
[0132][0133]
对所有求平均值得到：
[0134][0135]
维数加1即当维数为m+1维时，重复以上步骤得到
[0136]
若n取有限值，那么此序列长度为n时的样本熵由以上理论可得：
[0137][0138]
s300，通过电流信号特征向量对lssvm支持向量机进行训练，并通过woa鲸鱼优化算法对lssvm进行参数寻优，构建woa-lssvm电弧故障识别模型。
[0139]
请参照图5、图6、图7和图8，步骤s300中，(1)最小二乘支持向量机识别模型。
[0140]
给定一组样本其中xi∈rn是输入向量和yi∈rn是对应样本i的输出值。通过一个非线性映射φ,将原始特征空间的数据映射到一个高维空间中，如下所示：
[0141][0142]
式中，ω表示权重向量，b表示误差。在原空间中，具有等式约束的最小二乘支持向量机可表示为:
[0143][0144]
其中，γ是惩罚因子，ei为松弛变量。拉格朗日函数l可以表示为：
[0145][0146]
其中，αi是拉格朗日乘子，根据kkt条件求解:
[0147][0148]
通过消去变量ω和ei可将一个优化问题转化为线性求解问题:
[0149][0150]
式中，q＝[1，
…
，1]
t
，a＝[α1,
…
,αn]
t
,y＝[y1,
…
,yn]
t
。核函数可以表示为：
[0151][0152]
lssvm模型可以表示为：
[0153][0154]
径向基函数是核函数的常见选择，需要设置的参数很少，且总体性能很好。因此，选择rbf作为核函数：
[0155][0156]
因此，lssvm模型需要优化两个参数，即高斯径向基核函数的参数σ2和惩罚因子γ。
[0157]
(2)鲸鱼优化算法进行参数优化
[0158]
包围猎物。假设当前最优位置为目标猎物，群体中的个体向最优位置移动。为个体与最优鲸鱼位置之间的距离，利用如下方式更新位置：
[0159][0160]
式中，t为当前的迭代次数；为第t代最好的鲸鱼的位置,为第t代中鲸鱼个体的位置。和的定义为：
[0161]
[0162]
式中，为[0，1]之间的随机数；t
max
为最大的迭代次数。当时,鲸鱼认为已经找到猎物,即可发动气泡攻击。
[0163]
气泡攻击。鲸鱼优化算法中,设置了两种鲸鱼捕食方式,分别为收缩围捕方式和螺旋泡泡网攻击方式。
[0164]
收缩围捕方式：通过减小来实现，的大小在[-a，a]之间。
[0165]
螺旋气泡网攻击方式:鲸鱼个体以螺旋路径的方式,对猎物进行捕食。采用的更新位置方程为：
[0166][0167]
式中，为鲸鱼与猎物之间的距离；m为确定对数螺旋形式曲线的参数；l为[-1,1]之间的随机数。
[0168]
为了模拟鲸鱼群体对猎物攻击时,同时使用收缩包围和螺旋路径的方式,woa设置了一个概率p,p为[0,1]之间的随机数假设鲸鱼分别采用两种捕食方式的概率皆为0.5,则鲸鱼位置迭代数学模型为:
[0169][0170]
搜寻猎物。鲸鱼在捕食过程中除了跟随最优位置的鲸鱼更新位置以外,还会随机更新自己的位置,迫使鲸鱼获得更大的搜索范围,这样woa便拥有更好的全局搜索能力。当鲸鱼进行随机搜寻猎物的行为,此阶段的数学表达式为:
[0171][0172]
式中,为随机选择的鲸鱼的位置。
[0173]
s400，基于woa-lssvm电弧故障识别模型，对低压直流回路进行电弧故障检测。
[0174]
基于lmd-pca和鲸鱼算法优化最小二乘支持向量机算法步骤:
[0175]
步骤1:对采集到的电流信号进行局域均值分解，得到乘积函数pf分量，利用主成分分析方法，提取主pf分量并计算其样本熵作为特征向量。
[0176]
步骤2:分别采取正常状态和直流电弧故障状态下的样本皆按7:3划分为训练集和样本集。并初始化woa和lssvm参数。
[0177]
步骤3:计算鲸鱼种群个体的适应度，根据最优适应度值确定当前最优鲸鱼个体；算法迭代，更新鲸鱼个体位置，最后输出得到最优个体结果。
[0178]
步骤4:根据最优结果确定lssvm中的最优惩罚因子、核函数参数，然后对测试集进行诊断分类，实现低压直流电弧故障的识别诊断。
[0179]
上述低压直流电弧故障检测方法，通过搭建低压直流电弧故障数据采集实验平台，设计电弧发生装置，实现回路电流和电弧发生器两端电压数据的准确采集。通过提取低
压直流线路电流信号特征值，构建lmd-pca和样本熵的故障电弧特征参数提取模型，对采样数据进行分解提炼浓缩，提取线路电流信号特征向量，将提取出的特征向量对lssvm支持向量机进行训练，并通过woa鲸鱼优化算法对lssvm进行参数寻优，从而构建woa-lssvm电弧故障识别模型，实现低压直流电弧故障的诊断。本发明的方法能够实现低压直流电弧故障诊断，解决针对电流参量这一小样本数据没有合适故障特征提取级识别诊断方法的问题，能够实时监测用电线路的运行状态，能够在线路发生直流电弧故障后及时检测并消除故障，提升电力系统运行安全性，提升配电网供电可靠性。
[0180]
相应地，本发明实施例的第二方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述一个处理器执行，以使所述至少一个处理器执行上述低压直流电弧故障检测方法。
[0181]
相应地，本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述低压直流电弧故障检测方法。
[0182]
本发明实施例旨在保护一种低压直流电弧故障检测方法，包括如下步骤：获取低压直流回路的电流信号；构建基于lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量；通过所述电流信号特征向量对lssvm支持向量机进行训练，并通过woa鲸鱼优化算法对lssvm进行参数寻优，构建woa-lssvm电弧故障识别模型；基于所述woa-lssvm电弧故障识别模型，对所述低压直流回路进行电弧故障检测。上述技术方案具备如下效果：
[0183]
通过构建lmd-pca和样本熵的故障电弧特征参数提取模型，提取电流信号特征向量对lssvm支持向量机进行训练，得到woa-lssvm电弧故障识别模型检测低压直流电弧故障，实现了低压直流电弧故障诊断，解决了针对电流参量这一小样本数据没有合适故障特征提取级识别诊断方法的问题，能够实时监测用电线路的运行状态，能够在线路发生直流电弧故障后及时检测并消除故障，提升电力系统运行安全性，提升配电网供电可靠性。
[0184]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0185]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0186]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0187]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0188]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。