1.本发明属于电弧故障识别技术领域，尤其涉及一种基于多特征融合支持向量机的故障电弧识别方法。
背景技术：
2.随着飞速发展，用电设备越来越多，各种新型负载也不断涌现，生产、生活等用电量也在不断增加，使得电网系统越来越复杂，随着而来的便是危险电气事件的发生频率增加，电气事故引发火灾的问题日益突出，因而对用电设备、用户人生安全和电网安全稳定运行的要求就越来越高。而在电气事故引发火灾的事件当中，有相当一部分是由故障电弧引起的。
3.按照电弧故障在线路上发生的位置不同，通常可分为并联电弧故障、串联电弧故障和接地电弧故障。通常情况下，并联电弧故障和接地电弧故障发生时，传统保护装置能断开回路起到保护效果。但是串联电弧故障的发生会使得电路电流减小，电流往往是小于使线路保护设备发生保护动作的电流，导致传统的保护装置如断路器、熔断器等并不会跳闸，所以针对故障电弧检测的研究对减少危险电气事件，降低财产损失，保障人身安全都有重大意义。
技术实现要素：
4.本发明要解决的技术问题：提供一种基于多特征融合支持向量机的故障电弧识别方法，以解决现有技术串联电弧故障的发生会使得电路电流减小，电流往往是小于使线路保护设备发生保护动作的电流，导致传统的保护装置如断路器、熔断器等并不会跳闸导致故障发生，不能有效识别故障等技术问题。
5.本发明技术方案：
6.一种基于多特征融合支持向量机的故障电弧识别方法，当检测到有突变事件发生后，采集设备运行时的电流数据首先通过小波变换和奇异值分解提取电流的小波特征量，同时计算电流的谐波幅值和分位数多种特征量，最后输入至经训练完成的支持向量机模型中，由支持向量机模型完成对故障电弧的识别。
7.所述的一种基于多特征融合支持向量机的故障电弧识别方法，它包括：步骤s1、采用滑动时间窗的事件检测算法监测电压电流，以检测突变事件的发生；
8.步骤s2、当检测到有突变事件发生后，采集设备运行时的电流数据；
9.步骤s3、对采集到的电流数据进行预处理，通过小波变换方法提取电弧电流的多维特征量；
10.步骤s4、将步骤s3提取得到的多维特征量输入到训练好的基于灰狼优化算法的支持向量机识别模型中，识别得到是否产生故障电弧。
11.步骤s1所述的基于滑动时间窗的事件检测算法检测突变事件的方法包括：
12.步骤1.1、设置滑动事件窗的宽度为：(na+nb)个工频周期；
13.步骤1.2、计算前na个周波电流的i次谐波电流幅值的平均值，i＝2,3,4，得到i
a2
、i
a3
、i
a4
；同理计算后nb个周波电流的i次谐波电流幅值的平均值，i＝2,3,4，得到i
b2
、i
b3
、i
b4
；
14.步骤1.3、若前na个周波电流和后nb个周波电流的谐波电流幅值差超过所设定的阈值，即满足以下：
[0015][0016]
即判定为有突变事件发生。
[0017]
采集设备运行时的电流数据时，采样频率不小于1mhz，采样时间为十个到十五个工频周期。
[0018]
通过小波变换方法提取电弧电流的多维特征量的方法包括：
[0019]
步骤3.1、对采集到的每个周波电流信号进行4层离散小波分解，得到离散小波系数序列c；
[0020]
步骤3.2、利用离散小波系数序列c构造汉克尔(hankel)矩阵形式的特征矩阵m；
[0021]
步骤3.3、对特征矩阵m作奇异值分解，得到小波特征向量；
[0022]
步骤3.4、将每周波电流的0-11次谐波幅值、1％分位数、99％分位数、小波特征向量融合，得到最终的电流特征量。
[0023]
支持向量机训练方式为：预先采集部分设备在正常工作时和出现故障电弧的电流数据，并经过步骤s2得到总特征向量数据构建训练集，最后输入至支持向量机模型中进行训练。
[0024]
在训练过程中，通过灰狼优化算法多次迭代对模型的核函数参数g和惩罚参数c寻优，直至识别模型对串联电弧故障的发生的识别准确率达到95％或达到最大迭代次数为止。
[0025]
识别是否为故障电弧电流的方法为：将连续判定为故障电弧的周波数记为α，若满足下式，则判定为发生了故障电弧电流
[0026][0027]
β为所采集的电流周波数，t为所设定阈值。
[0028]
本发明的有益效果：
[0029]
本发明采用数据驱动的方法对故障电弧的发生进行分类识别，融合了电流多种特征，所提取的特征量能够反映故障电弧的全部特性，利用基于小波变换和奇异值分解的电流特征提取算法，降低了特征的维度，避免了特征量冗余而导致模型识别效率降低；本发明在传统机器学习识别算法的基础上，加入了优化算法，提出了基于灰狼优化算法的支持向量机识别方法，能够加快模型的收敛，同时提高模型的准确度；本发明利用故障电弧发生判据，能综合考虑多个电流周波的识别结果给出判断，从而减少算法的误判。
[0030]
解决了现有技术串联电弧故障的发生会使得电路电流减小，电流往往是小于使线路保护设备发生保护动作的电流，导致传统的保护装置如断路器、熔断器等并不会跳闸导
致故障发生，不能有效识别故障等技术问题。
具体实施方式
[0031]
实施例1：一种基于多特征融合支持向量机的故障电弧识别方法，它包括：
[0032]
步骤s1、用滑动时间窗算法监测电压电流，以检测突变事件的发生，具体方法为：
[0033]
步骤1.1设置滑动事件窗的宽度为：(na+nb)个工频周期；
[0034]
步骤1.2计算前na个周波电流的i次谐波电流幅值的平均值(i＝2,3,4)，得到i
a2
、i
a3
、i
a4
；同理计算计算后nb个周波电流的i次谐波电流幅值的平均值(i＝2,3,4)，得到i
b2
、i
b3
、i
b4
；
[0035]
步骤1.3若前na个周波电流和后nb个周波电流的谐波电流幅值差超过所所设定的阈值，即满足以下：
[0036][0037]
即判定为有突变事件发生。
[0038]
步骤s2、检测到有突变事件发生后，利用电流采集模块，采集事件发生后的电流数据，采样频率不小于1mhz，采样时间为十个到十五个工频周期。
[0039]
步骤s3、设置0.02s时间区间，将步骤s2得到的每组电流采样数据分为若干个数据片段，对每个数据片段即每个电流周波进行最大最小值归一化后，选用db1小波对电流数据进行4层离散小波分解得到离散小波系数序列
[0040]
c＝(c1,c2,c3,...,cn)
[0041]
利用上述得到的离散小波系数序列构造汉克尔形式的特征矩阵m
[0042][0043]
对特征矩阵m作奇异值分解，得到小波特征向量
[0044]
m＝udvh[0045]
其中，δ＝diag(σ1，σ2，...，σr)，并且σ1≥σ2≥...≥σ≥0，δ中的元素σ1，σ2，...，σr称为矩阵m的奇异值。奇异值构成小波特征向量
[0046]
α＝(σ1，σ2，σ3，σ4，σ5)
[0047]
得到小波特征向量后，对归一化后的电流使用快速傅里叶变换算法(fft)计算得到2-11次谐波电流幅值，同时计算其1％分位数和99％分位数，最后将上述计算的所有特征量构成该电流周波的总特征向量。
[0048]
步骤s4、将s3所得到的若干个周波的电流特征向量输入到经训练好的支持向量机
模型中，得到每个周波电流的识别结果：是否为故障电弧电流。将连续判定为故障电弧的周波数记为α，若满足下式，则判定为发生了
[0049][0050]
β为所采集的电流周波数，t为所设定阈值。
[0051]
其中，步骤s4所述的经训练好的支持向量机模型，其具体的训练方式如下：步骤
①
预先采集部分设备在正常工作时和出现故障电弧的电流数据，并经过步骤s2得到总特征向量数据构建训练集，并按照随机采样的原则将整个数据集划分为训练集和验证集，划分比例为7：3。步骤
②
建立模型并设置参数，选择高斯核函数(rbf核)作为支持向量机模型的核函数，由于核函数参数g和惩罚参数c的选择直接影响到模型的识别准确率，本研究采用灰狼优化算法对识别模型的参数g和c进行优化，提高识别准确率。优化算法中，将狼群数量设置为20，最大迭代步数为10，所要优化的核函数参数g和惩罚参数c的取值上限为100，取值下限为0.001。步骤
③
通过灰狼优化算法多次迭代对模型的核函数参数g和惩罚参数c寻优，直至识别模型对故障电弧的发生的识别准确率达到95％或达到最大迭代次数为止。
[0052]
通过以上步骤就可以根据测量终端测量的电流数据对故障电弧进行识别。