一种基于分形维数的串联故障电弧检测与定位方法与流程

本发明属于低压用户故障电弧检测定位，具体涉及一种基于分形维数的串联故障电弧检测与定位方法。

背景技术：

1、由于开关故障、线路损坏、绝缘老化等原因，在线路导线破损裸露处、转接头处或插头连接处等不稳定的连接位置，易产生电势差，导致电弧的产生。故障电弧可分为接地、并联和串联三种，其中，接地和并联故障电弧电流幅值一般大于正常工作电流，可以被断路器、剩余电流保护器等保护装置保护。然而，通过串联故障电弧处的电流与电路额定工作电流相近，甚至低于正常电流，导致传统的保护装置难以对此类故障进行检测与保护。

2、近年来，故障电弧引起的电气火灾不断增长，严重影响了人民的生命财产安全，因此有效的故障电弧检测与消除成为了一个亟需解决的问题。目前，大部分研究技术是分析电弧电流的时频域信号，并以此提取出电弧电流信号特征，比如零休时间、电流变化率、电流有效值等，并将其与设定好的阈值比较来进行电弧检测，但电弧电流受与之串联的电器影响，不同电器类型负载对应的阈值不同，导致此方法适用性较差。

3、另外，部分技术是在提取出信号特征之后，输入到支持向量机、神经网络等分类器进行分类，进而进行故障诊断。但此种方法需要预先对模型进行训练，在实际应用当中具有很大局限。除此之外，若需要定位故障，故障电弧检测功能往往贴近用电设备并部署在电器插座上，很少有方法能够直接在用户供电入口处实现故障电弧检测、辨识与定位。

技术实现思路

1、本发明为解决现有技术存在的问题而提出，其目的是提供一种基于分形维数的串联故障电弧检测与定位方法。

2、本发明的技术方案是：一种基于分形维数的串联故障电弧检测与定位方法，包括以下步骤：

3、a.采集用户住宅电力供电总入口处负荷端电压和总电流，并对采集到的负荷数据进行预处理

4、b.对预处理后的负荷数据进行事件检测；

5、c.对发生事件的电器进行识别与标记，对事件发生时刻前后的两个稳态过程区段的电流的进行矢量差量，获取发生事件电器的电流；

6、d.采用多分辨率长度方法来计算电器电流的分形维数；

7、e.将计算得到的电器电流的分形维数进行对数差运算，并进一步提取电器电流分形维数特征；

8、f.将提取出的电器电流分形维数特征输入到无监督学习的改进优化的som网络，对故障进行检测进而定位。

9、更进一步的，步骤b对预处理后的负荷数据进行事件检测，包括以下判断过程：

10、首先，对预处理后的负荷数据进行事件检测，判断是否存在事件；

11、然后，如果判断存在事件，完成总负荷数据的暂态过程区段和稳态过程区段的分段；

12、最后，如果判断不存在事件，则返回步骤a。

13、更进一步的，步骤c中对发生事件的电器进行识别与标记，采用非侵入式负荷识别技术进行识别与标记。

14、更进一步的，步骤f中对故障进行检测进而定位，包括以下判断过程：

15、首先，若故障检测结果为真，则电弧故障报警并跳闸；

16、然后，若判断检测结果未假，则返回步骤a。

17、更进一步的，步骤b对预处理后的负荷数据进行事件检测，其事件检测过程，包括以下步骤：

18、首先，对电流数据进行扫描，当扫描点与后一个点的电流幅值差δi的绝对值大于设定的阈值δith，则认为该点为变点；

19、然后，通过检测变点的方式，将输入的原始数据划分为暂态过程和稳态过程区段交替出现的多区段；其中，稳态过程区段即区段内没有变点，且区段长度大于设定的阈值tth，该事件可以由{tstart,tend,δievent}表示；

20、其中，δievent＝i(tend)-i(tstart)，tend为事件结束时间，tstart为事件起始时间；

21、再后，进行起事件筛选，若满足δievent＞0则将事件成为起事件，在所有事件中筛选起事件，筛选条件为相邻起事件满足下式：

22、

23、

24、其中，参数下标1代表相邻两个起事件中第一个事件，2代表后一个事件；上式中第一个式子为了限制两个起事件之间的时间跨度小于该电器暂态过程的最大持续时间，其中ton是通过对该电器各种类型的调研得出的经验阈值；上式中第二个式子是为了保证为电器启动事件，即后一个事件的电流值大于前一个事件的电流值，取中间时刻的原因在于为了防止波形出现尖峰等偶然畸变；

25、最后，进行停事件筛选，在得出起事件后，需要找到与起事件相匹配的停事件，筛选停事件的规则为|δi+δievent|＜δith，起事件和停事件遵循最近邻规则，因此满足上述条件的事件中选择距离起事件最近的停事件；

26、其中，δi＝i(tend2)-i(tstart1)。

27、更进一步的，步骤b对预处理后的负荷数据进行事件检测中，还包括对事件列表进行修正，具体过程如下：

28、首先，如果暂态过程中刚开始的几个数据点以及快结束的几个数据点相邻点电流幅值差较小，若小于阈值δith，不会被识别为变点，导致事件暂态过程丢失；

29、然后，事件列表修正的目的是对不完整的事件进行修正，通过将每一事件向两边同符号拓展，当满足(i(tend+1)-i(tend))·δievent＞0时将事件向后拓展，当满足式(i(tstart)-i(tstart-1))·δievent＞0时将事件向后拓展。

30、更进一步的，步骤d采用多分辨率长度方法来计算电器电流的分形维数，具体过程如下：

31、首先，设s＝{s1,s2,……,sn}是从连续电流信号s(t)中以采样频率为fs采集出来的电流时间序列，其中序列中的每个采样点si＝(ti,yi)，ti为采样点时间，yi为采样点的电流幅值；si和sj两点之间的欧几里得距离计算公式如下：

32、

33、然后，在该分辨率r1＝ti+1-ti＝1/fs下曲线的总长度计算为：

34、

35、再后，在下一个分辨率r2＝2/fs下，时间序列长度将减少一倍，进而计算在此分辨率下曲线的总长度，公式同上；

36、再后，针对不同的分辨率r＝r1,r2,……,rp重复该过程，其中rp是计算曲线长度的最大分辨率；

37、最终，时间序列s的分形维数fd的计算公式为：

38、

39、其中，其中cov(x,y)表示x与y之间的协方差，var(x)表示x的方差。

40、更进一步的，步骤e将计算得到的电器电流的分形维数进行对数差运算，并进一步提取电器电流分形维数特征中，电器电流分形维数特征包括分形维数一阶对数差的绝对值d(1)(m)和相邻d(1)(m)差值的对数的绝对值d(2)(m)。

41、更进一步的，步骤e将计算得到的电器电流的分形维数进行对数差运算，并进一步提取电器电流分形维数特征，具体过程如下：

42、首先，计算八个相邻半周期时间序列sm,m＝1,2,…,8的分形维数fd(m)；

43、然后，计算分形维数一阶对数差的绝对值d(1)(m)，计算公式如下：

44、d(1)(m)＝|log10(fd(m+1)/fd(m))|

45、最后，计算相邻d(1)(m)差值的对数的绝对值d(2)(m)，计算公式如下：

46、d(2)(m)＝|log10|d(1)(m+1)-d(1)(m)||。

47、更进一步的，步骤f中som网络的权值由粒子群算法优化。

48、本发明的有益效果如下：

49、本发明能够在用户电力供电总入口处对家庭内部电弧进行检测与定位，通过分形维数对故障电弧电流进行特征提取，并将特征向量输入到利用pso优化的som网络，能够提高检测精度，减少误跳闸率。

50、本发明通过事件检测与差量电流运算，并利用现有的非侵入式负荷识别技术对电器进行标记，能够定位电弧所在配电支路，可及时给出电弧报警，排除安全隐患。另外，利用差量运算得到的故障电弧可以构建故障电流特征库，为本领域其他研究提供数据基础。