用于拓扑识别的特征电流发生电路以及故障检测装置的制作方法

1.本发明涉及的是一种用于拓扑识别的特征电流发生电路，属于智能电网技术领域。


背景技术：

2.为了保证电网安全，防止设备被破坏，现有技术一般采用特征电流来监测电网中的异常电流，并对检测的异常电流进行消除。
3.在现有技术中，特征电流的产生方法主要有两种：一种是晶闸管和电阻串联，然后跟n线相连，检测电阻两端的电流，以此判断是否异常，结构简单成本低；二类是继电器与电阻配合，原理基本类似，主要区别是在不启动特征电流时实现物理断开，安全性较高。以上两种方案特征电流的大小取决于特征电流启动时电压大小，假如电压出现波动或者启动点偏移接近电压波峰点，那么电流也将增大，这样可能会造成过流故障损坏设备。
4.为此，现有技术也进行了改进，采用浪涌电路对过流进行保护，通过两个特征电流电路来处理特征信号，但是还存在一些缺陷，故而需要进行改进和创新。


技术实现要素：

5.针对上述现有技术的缺陷，本发明提出一种用于拓扑识别的特征电流发生电路。
6.本发明提出的技术方案如下：一种用于拓扑识别的特征电流发生电路，包括：过流过压保护单元，用于防止过流过压对电路产生伤害；ac-dc转换单元，用于交流转直流产生高压直流电，其后端连接mos管开关单元；mos管开关单元，用于控制产生特征电流；所述mos管开关单元包括mos管q1和若干个并联的负载电阻，通过栅极的pwm信号的变化实现通断，从而产生交变电流信号，作为拓扑识别的特征电流信号；pwm控制单元，用于产生pwm信号，输出mos管q1栅极的变化电压，以控制mos管开关。
7.根据本技术的一个方面，所述过流过压保护单元包括串接在火线上的保险丝f1、跨接在火线和零线之间的压敏电阻mv1、并联后串接在火线上的限流电阻r1和限流电阻r2，以及并联后串接在零线上的限流电阻r25与限流电阻r26。
8.根据本技术的一个方面，所述ac-dc转换单元由整流二极管v1、整流二极管v2、整流二极管v6、整流二极管v7组成全桥整流电路。
9.根据本技术的一个方面，所述pwm控制单元包括串联的三极管v3和三极管v9、光耦d1、三极管v8、二极管v11、发光二极管v5、电阻r10、电阻r11、电阻r13、电阻r15、电阻r16、电容c1和电容c5；所述三极管v8接于光耦d1的输入端，用于控制光耦输入端是否导通，三极管v3和三极管v9串联后接在光耦输出端，用于输出mos管栅极的变化电压。
10.故障检测装置，包括上述任一项实施例所述的特征电流发生电路，以及特征电流预处理模块和神经网络分析模块；
所述特征电流预处理模块，用于接收并处理预定时间范围内的特征电流发生电路产生的数据信号；所述神经网络分析模块，以所述预处理的数据信号和已存储的电网拓扑数据作为训练数据的一部分进行训练，在训练完成后，采用神经网络分析模块对故障进行分析，给出故障分析结论。
11.根据本技术的一个方面，所述已存储的电网拓扑数据的处理过程为：采用k-means方法对所述原始电网拓扑数据中的负载类型进行分类，得到至少两种负载类型；针对每种负载类型构建特征电流，并建立关联关系；将原始电网拓扑数据、至少两种负载类型，以及负载类型与特征电流的关联关系，作为整体的电网拓扑数据进行存储。
12.根据本技术的一个方面，基于预定时间范围内的特征电流发生电路产生的数据信号，获取特征电流与电路故障的数据，采用k-means方法对故障类型进行分组，获得故障类型分组集合；依序针对每一负载类型，构建特征电流与故障类型的关联关系；在使用时，神经网络分析模块基于输入的特征电流数据和电网拓扑数据，给出该负载类型下，每种故障类型的出现概率，并降序排列。
13.根据本技术的一个方面，在构建特征电流与故障类型的关联关系时，当特征电流与故障类型形成多对多或一对多的关联关系时，统计每一关联关系在总的关联关系中的比例，将该比例作为特征电流与故障类型的关联系数。
14.根据本技术的一个方面，所述特征电流的预处理流程为：对特征电流进行分解，得到不同频段的子信号，对子信号进行聚类和主成分分析，获取预定数量个主成分，提取各个主成分的特征量，并基于特征量对特征电流进行表征。
15.本发明的有益效果是：1.电路安全性高，可有效避免电网故障。采用电感和压敏电阻组合有效抑制浪涌 冲击，并且设计了电压监测系统进行过流保护，能有效保护电路设备及电路安全。
16.2.电路灵活性高，采用mos管作为开关器件耐压高，开关速度快，能够有效提升电路 在高电流下迅速断电，避免现有电路存在延时效应；3.电路设备体积小，能较好嵌入设备终端。
附图说明
17.图1是本实施例的电路原理图。
18.图2是图1中a模块的放大图。
19.图3是图1中b模块的放大图。
20.图4是图1中c模块的放大图。
具体实施方式
21.为了更为清楚地展示图1的电路拓扑结构，申请人增加了图2至图4，但是需要说明的是，图2至图4并非按照电路功能模块进行拆分放大。
22.如图1至图4所示，本发明的一种用于拓扑识别的特征电流发生电路，由过流过压
保护单元、ac-dc转换单元、mos管开关单元、pwm控制单元4个部分组成。
23.所述过流过压保护单元，用于防止过流过压对电路产生伤害。
24.所述ac-dc转换单元，用于交流转直流产生高压直流电。
25.所述mos开关电路，用于控制产生特征电流。
26.pwm控制单元，用于产生pwm信号控制mos管开关。
27.过流过压保护单元与所述的ac-dc转换单元连接，所述的ac-dc转换单元与所述的mos管开关单元连接，所述的mos管开关单元与所述的pwm控制单元连接。
28.过流过压保护单元，包括保险丝f1、压敏电阻mv1、限流电阻r1、限流电阻r2、限流电阻r25和限流电阻r26。所述的保险丝f1串接在火线上。所述压敏电阻mv1跨接在火线与零线间。限流电阻r1与限流电阻r2并联后串接在火线上。限流电阻r25与限流电阻r26并联后串接在零线上。
29.ac-dc转换单元，由整流二极管v1、整流二极管v2、整流二极管v6和整流二极管v7组成全桥整流电路，用于将交流电整流成高压直流电，其后端连接mos管开关单元。相关连接方式如图2所示，整流桥的结构为现有技术，在此不再详述。
30.mos管开关单元，包含mos管q1、限流电阻r5、限流电阻r6、限流电阻r7、限流电阻r8、负载电阻r17、负载电阻r18、负载电阻r19、负载电阻r20、负载电阻r21、负载电阻r22、电解电容c2、稳压管v4、稳压管v10、电阻r12和电阻r14。所述的限流电阻r5、限流电阻r6、限流电阻r7及限流电阻r8串联在mos管q1的漏极；所述的负载电阻r17、负载电阻r18、负载电阻r19、负载电阻r20、负载电阻r21及负载电阻r22并联于mos管q1的源极，电容c4位于mos管q1的源极与电阻r17-r22之间；所述的电解电容c2和稳压管v4并联后一端接在限流电阻r8后端，另一端接地；所述的稳压管v10和电阻r14并联后一端接于mos管q1的栅极，另一端接地；所述的电阻r12一端与mos管q1的栅极连接，另一端与三极管v9集电极相连接。
31.本实施例中，mos管开关单元通过栅极的收到的pwm信号的变化实现通断，从而产生一个交变电流信号，用作拓扑识别的特征电流信号。
32.pwm控制单元，包含三极管v3、三极管v9、光耦d1、三极管v8、二极管v11、发光二极管v5、电阻r10、电阻r11、电阻r13、电阻r15、电阻r16、电容c1和电容c5。所述三极管v8接于光耦d1的输入端，用于控制光耦输入端是否导通，三极管v3和三极管v9串联后接在光耦输出端，用于输出mos管栅极的变化电压。
33.本实施例中，稳压管v4选用20v稳压二极管。
34.本实施例中，稳压管v4选用12v稳压二极管。
35.优选的，保险丝f1优选为快熔断型。
36.优选的，mos管q1选用n沟道耐高压型。
37.优选的，稳压管v4和稳压管v10选用适配于mos管q1，确保mos管q1能正常快速开关响应。
38.除了上述硬件部分，还提供了上位机的软硬件模块，具体如下。
39.进一步地，故障检测装置，包括上述任一项实施例所述的特征电流发生电路，以及特征电流预处理模块和神经网络分析模块；所述特征电流预处理模块，用于接收并处理预定时间范围内的特征电流发生电路产生的数据信号；
所述神经网络分析模块，以所述预处理的数据信号和已存储的电网拓扑数据作为训练数据的一部分进行训练，在训练完成后，采用神经网络分析模块对故障进行分析，给出故障分析结论。
40.在实际工况中，由于电网相对复杂，经过一段时间后，相关拓扑和负载的参数发生了变化，因此特征电流的准确率会下降，为此，通过上述神经网络分析模块，对积累的数据进行处理，采用人工智能的方式对数据进行清理和判断，提高数据处理的准确率，给出更为准确的识别结果，减少由于物理参数随着时间变化对准确率造成的影响。
41.在实际运行过程中，积累的相关特征电流和故障信息等通过通信方式上传到上位机，在积累一定数量的数据后，即可通过人工智能模块进行处理。
42.在实际研究中发现，由于电网过于复杂，不同的故障类型与电网的物理拓扑关系和电网的负载情况密切相关，为了更为精准地识别出故障类型，需要对电网的物理拓扑关系进行分析。具体如下所述。
43.在进一步的实施例中，所述已存储的电网拓扑数据的处理过程为：采用k-means方法对所述原始电网拓扑数据中的负载类型进行分类，得到至少两种负载类型；针对每种负载类型构建特征电流，并建立关联关系；将原始电网拓扑数据、至少两种负载类型，以及负载类型与特征电流的关联关系，作为整体的电网拓扑数据进行存储。
44.通过k-means等方式对负载类型进行分类，针对不同的负载类型，构建与之最为适配的特征电流，建立起特征电流与负载类型的关联关系。比如针对负载类型a，可以有多种特征电流与之适配，但是经过分析，特征电流c与之适配，可以获得最好的效果。在实际工况下，一个特征电流并非针对所有的故障类型都有很好的判断结果。因此找出故障类型对应的效果最好的特征电流，是非常关键的一步，能够大大提高识别的准确率。在训练时，将原始的电网拓扑数据，结合从中分离出来的负载类型数据，以及建立的负载类型与特征电流之间的关联关系，形成新的数据集，对神经网络进行训练，通过负载类型和关联关系，可以为神经网络提供更好地信源。
45.在实际工况中，特征电流与故障类型的关联关系是较为复杂的，在某些实施例中，会出现一个特征电流对应15种故障类型，但是每种故障类型出现的概率不同，故障类型1的故障概率可能为85%，故障类型7的概率可能为5%。在这种情况下，需要对故障类型与特征电流之间的关联关系赋予一定的权重，从而给出故障类型的排序，便于维修人员准确识别和快速检修。
46.具体地，在进一步的实施例中，在构建特征电流与故障类型的关联关系时，当特征电流与故障类型形成多对多或一对多的关联关系时，统计每一关联关系在总的关联关系中的比例，将该比例作为特征电流与故障类型的关联系数。
47.根据上述方法，可以构建特征电流与故障类型之间的权重矩阵，通过矩阵运算，快速得到故障类型的评分。
48.在进一步的实施例中，基于预定时间范围内的特征电流发生电路产生的数据信号，获取特征电流与电路故障的数据，采用k-means方法对故障类型进行分组，获得故障类型分组集合；依序针对每一负载类型，构建特征电流与故障类型的关联关系；
在使用时，神经网络分析模块基于输入的特征电流数据和电网拓扑数据，给出该负载类型下，每种故障类型的出现概率，并降序排列。
49.也就是说，在故障判断的时候，神经网络会根据物理拓扑关系及其负载情况进行分类，然后基于特征电流查找故障类型的分布，给出故障类型的排序。因此，大大提高了准确率和识别效率。解决了现有技术仅仅通过生成特征电流，一旦电网参数发生变化，无法准确识别的问题。同时，也解决了特征电流针对的故障类型是多个，然后出现小概率的故障类型的问题。本技术给出的是一个故障类型集合，能够给维修人员更多的选择和判断的机会。
50.在进一步的实施例中，所述特征电流的预处理流程为：对特征电流进行分解，得到不同频段的子信号，对子信号进行聚类和主成分分析，获取预定数量个主成分，提取各个主成分的特征量，并基于特征量对特征电流进行表征。
51.在实际工况中，由于故障出现的情况不同，负载和电弧等情况不同，特征电流会被干扰，因此，如何提取特征电流的信号，也是核心点之一，为此提出上述方案，将特征电流量化为特征量，然后进行分析和计算，大大减少了神经网络的训练和学习过程，同时精准度得到了大幅地提高。由于上述实施例属于流程，因此通过文字进行说明而没有绘制流程图。
52.综上所述，本实施例提供的特征电流发生电路采用mos管作为开关，通过负载电阻产生特征电流，控制信号通过光耦隔离。220v市电线路采用保险丝和压敏电阻组合，对系统进行过流过压保护，可以有效保护整个电网的安全。其具备的技术效果为：本特征电流发生电路电路安全性高，可有效避免电网故障；采用mos管作为开关，电路灵活性高；而且，电路设备体积小，能较好嵌入设备终端。通过人工智能设备，大大提高了特征电流的识别效率和准确率。
53.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。