CN110118900A - 一种负载识别以及工频串联电弧故障检测方法 - Google Patents
一种负载识别以及工频串联电弧故障检测方法 Download PDFInfo
- Publication number
- CN110118900A CN110118900A CN201910247774.7A CN201910247774A CN110118900A CN 110118900 A CN110118900 A CN 110118900A CN 201910247774 A CN201910247774 A CN 201910247774A CN 110118900 A CN110118900 A CN 110118900A
- Authority
- CN
- China
- Prior art keywords
- arc
- matrix
- frequency
- remained capacity
- domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种负载识别以及负载识别以及工频串联电弧故障检测方法,采集电路中的电流数据并进行信号处理。信号处理部分包括时域分析以及频域分析两部分,时域分析针对波形的时域变化:包括波形对称性、波形突变点、有效值、峰值若干个信息的组合,频域分析则为波形的谐波含量。求得时域以及频域特征后,利用线性判别分析进行信息融合以及特征提取,将提取出的特征输入支持向量机进行训练得到的负载识别模型。之后再次利用线性判别分析进行针对性的电弧检测,从而实现了复杂负载的智能识别以及高准确度电弧检测。
Description
技术领域
本发明属于在线监测以及故障检测领域,尤其涉及一种负载识别以及工 频串联电弧故障检测方法。
背景技术
电弧是是气体放电中最强烈的一种自持放电现象,不用很高的电压就能 维持相当长时间的电弧稳定燃烧而不熄灭。电弧的温度可达到上万摄氏度甚至更 高同时含有强辐射,在电弧区的任何固体、液体或气体在电弧作用下都会产生强 烈的物理及化学变化,因此极易引起火灾。
工商业及居民住宅内电气线路和设备长时间的过负荷运行、绝缘破损、 施工期间遗留的不良电气连接等情况,均会导致电线的绝缘层出现老化,存在产 生电弧故障的隐患,即故障电弧时常在住宅或商业电气***的任何地方发生。电 弧故障危害极大,仅0.5A的电流产生的电弧温度即可高达2000℃-3000℃,足以 引燃任何可燃物。电弧的维持电压低至20V时仍可使电弧连续稳定存在,难以 熄灭。电弧常成为电气火灾的点火源并引发火灾,造成重大财产损失和严重人员 伤亡。
随着家用负载种类的逐渐增加,电弧故障断路器的市场越来越大。然而 目前仍未有一种真正成熟的电弧检测产品出现。因此研究一个适合多种负载并能 够准确识别电弧故障的算法是迈向用电安全的重大一步。
发明内容
发明目的:
本发明的目的就在于解决上述问题,提供一种负载识别以及工频串联电 弧故障检测方法,该方法通过A/D转换器实时采集电路中的电流,利用时域以及 频域分析求得电流波形的特征信息,然后通过线性判别分析对信息进行负载识别 特征提取,将提取得到的特征输入支持向量机进行训练从而得到负载识别模型, 判断出负载类型后,再次利用线性判别分析进行电弧检测特征提取。根据得到的 电弧检测特征判断是否发生了电弧故障。同时,若出现新的负载类型,模型能够 再次训练从而得到更新和完善。
技术方案:
本发明为实现上述发明目的采用如下技术方案:
一种负载识别以及负载识别以及工频串联电弧故障检测方法,其包括以 下几个步骤:步骤S1,采集电路中的电流数据;步骤S2,对采集到的电流数据 进行时域以及频域分析;步骤S3,将分析得到的时域以及频域信息进行线性判 别分析得到负载识别特征;步骤S4,将负载识别特征输入支持向量机进行负载 识别;步骤S5,若该负载为已有的负载类型,则进行步骤S6,若该负载不为已 有的负载类型,则返回步骤S3;步骤S6,确定负载类型后,再次进行线性判别 分析得到电弧检测特征;步骤S7,将电弧检测特征与阈值进行比较判断是否发 生了电弧故障,若发生了电弧故障,则输出结果,若没有发生电弧故障,则返回 步骤S1。
所述步骤S1中,通过电流互感器以及A/D转换器对电路中的电流进行 实时采集,为保证频域分析的准确性,采样频率应大于等于所分析谐波的最高频 率的2倍。
所述步骤S2中,需要分析的时域信息包括:波形对称性、波形突变点、 有效值、峰值若干个信息的组合。频域信息为电流的谐波含量。时域分析的具体 实现步骤如下:
步骤S2.1,计算电流波形的最大滑动差值MSD,计算公式如公式(1) 所示:
其中,Ii为每个采样点的电流值。
步骤S2.2,计算电流波形的最大欧氏距离MED,计算公式如公式(2) 所示:
其中,T为电流波形的周期数,T应大于等于2,为计算方便,此处T取值为4。
步骤S2.3,计算电流波形的零区占比,计算公式如公式(3)所示:
其中,N为采样点的数目,N0为采样点的电流值小于最大电流值十分之一的 采样点数目。
所述步骤S2中,具体的频域分析步骤如下:
步骤S2.4,利用DFT计算电流波形的频谱信息;
步骤S2.5,计算整数次谐波幅值与基波幅值之比其中In为各 次谐波幅值,I1为基波幅值;
所述步骤S3中,对步骤S2得到的时域以及频域信息进行线性判别分 析,具体实现步骤如下:
计算负载样本矩阵XL的d维均值向量;
计算负载样本矩阵XL的类内散布矩阵SW以及类间散布矩阵SB;
计算矩阵的特征值;
保留k个最大特征值,并将对应的特征向量构建降维矩阵WL;
计算负载类型特征矩阵YL=XL×WL。
所述步骤S4中,负载识别模型采用了支持向量机进行构建,核函数选 择径向基函数,惩罚因子C选择1,gamma值定为20;
步骤S5,对步骤S4得到的负载识别结果进行判断,如果为已有负载类 型,则执行步骤S6,若负载类型未知,则返回步骤S1;
所述步骤S6中,电弧检测的线性判别分析的具体实现步骤如下:
将样本电流的时域以及频域信息加入电弧故障数据库构建电弧样本矩 阵XA并给与“未知”标签;
计算电弧样本矩阵XA的d维均值向量;
计算电弧样本矩阵XA的类内散布矩阵SW以及类间散布矩阵SB;
计算矩阵的特征值;
保留k’个最大特征值,并将对应的特征向量构建降维矩阵WA;
计算电弧检测特征矩阵YA=XA×WA;
所述步骤S7中,将得到的电弧检测特征同阈值进行比较,确定是否发 生了电弧故障,阈值设置为0,当电弧检测特征小于0时,负载处于正常运行状 态,返回步骤S1。当电弧检测特征大于0时,负载处于电弧故障状态,输出检 测结果。
与现有技术方案相比,本发明具有如下有益效果:
(1)本发明以电流信号的时域以及频域信息为基础进行了特征提取,可 以大大的保留原始数据的信息;
(2)利用了支持向量机构建了负载识别模型,从而实现了具备自学习的 负载识别功能;
(3)根据负载种类的不同再次进行了电弧特征的提取从而实现了高精 确度的电弧检测;
附图说明
附图1为本发明方法流程图;
附图2为线性判别分析计算流程图;
附图3为某次采样得到的未知负载的电流波形;
附图4为样本电流波形的频谱图;
附图5为基于SVM的负载识别模型结果图;
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图 对本申请的具体实施方式做详细的说明。
本发明涉及的一种负载识别以及工频串联电弧故障检测方法流程如图 1所示,其包括以下几个步骤:步骤S1,采集电路中的电流数据;步骤S2,对 采集到的电流数据进行时域以及频域分析;步骤S3,将分析得到的时域以及频 域信息进行线性判别分析得到负载识别特征;步骤S4,将负载识别特征输入支 持向量机进行负载识别;步骤S5,若该负载为已有的负载类型,则进行步骤S6, 若该负载不为已有的负载类型,则返回步骤S3;步骤S6,确定负载类型后,再 次进行线性判别分析得到电弧检测特征;步骤S7,将电弧检测特征与阈值进行 比较判断是否发生了电弧故障,若发生了电弧故障,则输出结果,若没有发生电 弧故障,则返回步骤S1。
本实施例通过电流互感器以及A/D转换器对电路中的电流进行实时采 集,为保证频域分析的准确性,采样频率应大于等于所分析谐波的最高频率的2 倍。
本实施例需要分析的时域信息包括:波形对称性、波形突变点、有效值、 峰值若干个信息的组合。频域信息为电流的谐波含量。
时域分析的具体实现步骤如下:
步骤S2.1,计算电流波形的最大滑动差值MSD,计算公式如公式(1) 所示:
其中,Ii为每个采样点的电流值。
步骤S2.2,计算电流波形的最大欧氏距离MED,计算公式如公式(2) 所示:
其中,T为电流波形的周期数,T应大于等于2,为计算方便,此处T取值为4。
步骤S2.3,计算电流波形的零区占比,计算公式如公式(3)所示:
其中,N为采样点的数目,N0为采样点的电流值小于最大电流值十分之一的 采样点数目。
频域分析的具体步骤如下:
步骤S2.4,利用DFT计算电流波形的频谱信息;
步骤S2.5,计算整数次谐波幅值与基波幅值之比其中In为各 次谐波幅值,I1为基波幅值。
一种负载识别以及工频串联电弧故障检测方法,其中,负载识别的线性 判别分析的具体实现步骤如下:
计算负载样本矩阵XL的d维均值向量;
计算负载样本矩阵XL的类内散布矩阵SW以及类间散布矩阵SB;
计算矩阵的特征值;
保留k个最大特征值,并将对应的特征向量构建降维矩阵WL;
计算负载类型特征矩阵YL=XL×WL。
步骤S4中,负载识别模型采用了支持向量机进行构建,核函数选择径 向基函数,惩罚因子C选择1,gamma值定为20;
步骤S5,对步骤S4得到的负载识别结果进行判断,如果为已有负载类 型,则执行步骤S6,若负载类型未知,则返回步骤S1;
所述步骤S6中,电弧检测的线性判别分析的具体实现步骤如下:
将样本电流的时域以及频域信息加入电弧故障数据库构建电弧样本矩 阵XA并给与“未知”标签;
计算电弧样本矩阵XA的d维均值向量;
计算电弧样本矩阵XA的类内散布矩阵SW以及类间散布矩阵SB;
计算矩阵的特征值;
保留k’个最大特征值,并将对应的特征向量构建降维矩阵WA;
计算电弧检测特征矩阵YA=XA×WA。
将得到的电弧检测特征同阈值进行比较,从而能够确定是否发生了电弧 故障。阈值设置为0,当电弧检测特征小于0时,负载处于正常运行状态,返回 步骤S1。当电弧检测特征大于0时,负载处于电弧故障状态,输出检测结果。
对上述方法进行实验验证,结果如下:
在实验中采集某负载的某次电流数据,本次实验的采样频率为100kHz, 采样周期数为5个,采样点数N=10000,波形图如图3所示。
首先按照公式(1)-(3)计算波形的时域信息,得到如下结果:
MSD=0.055
MED=1.841
ZCP=0.945
接下来,对波形数据进行频域分析,采用的方法是离散傅里叶变换,得 到频谱图如图4所示。
提取十次以内的整数次谐波和基波幅值并计算比值得到的结 果如表1所示。
表1 样本波形的整数次谐波和基波幅值比An
将得到的时域以及频域信息加入内置的负载识别数据集构建负载样本 矩阵XL如表2所示。其中内置数据库中共有4种负载类型,标签和对应的负载 类型如表3所示。其中801条为样本波形,负载类型未知,因此标记为“0”。
表2 负载样本矩阵XL
表3 标签及对应的负载类型
计算负载样本矩阵XL的d维均值向量,此处的d为负载类型,因此取 值为5,结果如表4所示。
表4 负载样本矩阵XL的5维均值向量
然后计算样本矩阵XL的类内散布矩阵以及类间散布矩阵,得到的结 果如表5-6所示。
表5 负载样本矩阵XL的类内散布矩阵SW
表6 负载样本矩阵XL的类间散布矩阵SB
计算矩阵的特征值以及对应的特征向量,得到的结果如表7所示。
表7 矩阵的特征值以及对应的特征向量
保留最大的两个特征值以及对应的特征向量构建降维矩阵WL。然后计 算负载识别矩阵YL=XL×WL,最终结果如表8所示。
表8 负载识别矩阵
得到负载识别矩阵后,将结果输入支持向量机进行识别,得到的负载识 别模型如图5所示。可以看出,该负载属于电机类负载。因此直接执行下一步的 电弧检测。
将样本波形的时域以及频域信息加入电机类负载电弧检测数据库,得到 电弧检测样本矩阵XA如表9所示。运行状态“1”代表为正常运行,运行状态“2” 代表为发生了电弧故障。样本电流的负载类型已知,但运行状态未知,因此赋予 未知标签“0”。
表9 电弧检测样本矩阵XA
再次进行线性判别分析,得到电弧检测矩阵YA=XA×WA如表10所示。
表10 电弧检测矩阵YA
不同负载的电弧检测特征阈值均为0,即低于0的为正常运行状态,超 过0的为电弧故障运行状态,该电机类负载的样本电流的电弧检测特征为0.770, 大于0,因此其发生了电弧故障。输出负载类型以及检测结果。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能 认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术 人员应当知道,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代, 都应当视为属于本发明的保护范围。
Claims (6)
1.一种负载识别以及负载识别以及工频串联电弧故障检测方法,其特征是,包括以下几个步骤:步骤S1,采集电路中的电流数据;步骤S2,对采集到的电流数据进行时域以及频域分析;步骤S3,将分析得到的时域以及频域信息进行线性判别分析得到负载识别特征;步骤S4,将负载识别特征输入支持向量机进行负载识别;步骤S5,若该负载为已有的负载类型,则进行步骤S6,若该负载不为已有的负载类型,则返回步骤S3;步骤S6,确定负载类型后,再次进行线性判别分析得到电弧检测特征;步骤S7,将电弧检测特征与阈值进行比较判断是否发生了电弧故障,若发生了电弧故障,则输出结果,若没有发生电弧故障,则返回步骤S1;
所述步骤S1中,通过电流互感器以及A/D转换器对电路中的电流进行实时采集,为保证频域分析的准确性,采样频率应大于等于所分析谐波的最高频率的2倍。
2.根据权利要求1所述的一种负载识别以及工频串联电弧故障检测方法,所述步骤S2中其特征在于:时域信息包括:波形对称性、波形突变点、有效值、峰值若干个信息的组合。频域信息为电流的谐波含量。具体的时域分析步骤如下所示:
计算电流波形的最大滑动差值MSD,计算公式如公式(1)所示:
其中,Ii为每个采样点的电流值。
计算电流波形的最大欧氏距离MED,计算公式如公式(2)所示:
其中,T为电流波形的周期数,T应大于等于2,为计算方便,此处T取值为4。
计算电流波形的零区占比,计算公式如公式(3)所示:
其中,N为采样点的数目,为采样点的电流值小于最大电流值十分之一的采样点数目。
具体的频域分析步骤为:利用DFT计算电流波形的频谱信息;计算整数次谐波幅值与基波幅值之比其中In为各次谐波幅值,I1为基波幅值。
3.根据权利要求1所述的一种负载识别以及工频串联电弧故障检测方法,所述步骤S3中线性判别分析的具体计算流程如下:
1)将得到的时域以及频域信息加入负载类型数据库构建负载样本矩阵XL并给与“未知”标签;
2)计算负载样本矩阵XL的d维均值向量;
3)计算负载样本矩阵XL的类内散布矩阵SW以及类间散布矩阵SB;
4)计算矩阵的特征值;
5)保留k个最大特征值,并将对应的特征向量构建降维矩阵WL;
6)计算负载类型特征矩阵YL=XL×WL。
4.根据权利要求1所述的一种负载识别以及工频串联电弧故障检测方法,负载识别模型采用了支持向量机进行构建,核心在于通过构建超平面将数据进行分类。若负载类型为已有负载类型,则执行步骤S6进行电弧检测,若负载类型未知,则返回步骤S3。
5.根据权利要求1所述的一种负载识别以及工频串联电弧故障检测方法,电弧检测的具体执行步骤如下:
1)将样本电流的时域以及频域信息加入电弧故障数据库构建电弧样本矩阵XA并给与“未知”标签;
2)计算电弧样本矩阵XA的d维均值向量;
3)计算电弧样本矩阵XA的类内散布矩阵SW以及类间散布矩阵SB;
4)计算矩阵的特征值;
5)保留k’个最大特征值,并将对应的特征向量构建降维矩阵WA;
6)计算电弧检测特征矩阵YA=XA×WA。
6.根据权利要求1所述的一种负载识别以及工频串联电弧故障检测方法,步骤S7中,将得到的电弧检测特征同阈值进行比较,确定是否发生了电弧故障。若发生了电弧故障,则输出检测结果,若没有发生电弧故障,则返回步骤S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247774.7A CN110118900A (zh) | 2019-03-27 | 2019-03-27 | 一种负载识别以及工频串联电弧故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247774.7A CN110118900A (zh) | 2019-03-27 | 2019-03-27 | 一种负载识别以及工频串联电弧故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110118900A true CN110118900A (zh) | 2019-08-13 |
Family
ID=67520749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247774.7A Pending CN110118900A (zh) | 2019-03-27 | 2019-03-27 | 一种负载识别以及工频串联电弧故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110118900A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954784A (zh) * | 2019-12-20 | 2020-04-03 | 吉林省士而德科技有限公司 | 智能用电安全探测器 |
CN111707908A (zh) * | 2020-07-29 | 2020-09-25 | 中国科学技术大学先进技术研究院 | 多负载回路串联故障电弧检测方法、装置以及存储介质 |
CN112255515A (zh) * | 2020-10-12 | 2021-01-22 | 浙江长元科技有限公司 | 一种故障电弧的检测方法及装置 |
CN112415350A (zh) * | 2020-12-16 | 2021-02-26 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN113376473A (zh) * | 2021-04-26 | 2021-09-10 | 国网天津市电力公司城南供电分公司 | 一种基于支持向量机和图像识别的故障电弧检测方法 |
CN114441901A (zh) * | 2022-03-01 | 2022-05-06 | 中国计量大学 | 结合参数采集模块和智能插座的多负载故障电弧检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278734A (zh) * | 2013-06-26 | 2013-09-04 | 浙江爱德电子有限公司 | 一种电弧故障探测装置及其探测方法 |
CN103913663A (zh) * | 2014-04-21 | 2014-07-09 | 南京航空航天大学 | 一种直流***电弧故障在线检测方法和保护装置 |
EP2120306B1 (en) * | 2008-05-13 | 2015-03-18 | Sinfonia Technology Co., Ltd. | ARC Detecting device and aircraft equipped therewith |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104635133A (zh) * | 2015-03-14 | 2015-05-20 | 北京芯同汇科技有限公司 | 一种新型故障电弧检测方法及装置 |
CN106707094A (zh) * | 2015-11-12 | 2017-05-24 | 沈阳工业大学 | 低压供配电线路电弧故障的分类识别方法 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN108229827A (zh) * | 2018-01-04 | 2018-06-29 | 南京航空航天大学 | 一种电力设备质量问题建模分析方法 |
CN109490701A (zh) * | 2018-09-17 | 2019-03-19 | 南京航空航天大学 | 一种工频串联电弧故障检测方法 |
-
2019
- 2019-03-27 CN CN201910247774.7A patent/CN110118900A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2120306B1 (en) * | 2008-05-13 | 2015-03-18 | Sinfonia Technology Co., Ltd. | ARC Detecting device and aircraft equipped therewith |
CN103278734A (zh) * | 2013-06-26 | 2013-09-04 | 浙江爱德电子有限公司 | 一种电弧故障探测装置及其探测方法 |
CN103913663A (zh) * | 2014-04-21 | 2014-07-09 | 南京航空航天大学 | 一种直流***电弧故障在线检测方法和保护装置 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104635133A (zh) * | 2015-03-14 | 2015-05-20 | 北京芯同汇科技有限公司 | 一种新型故障电弧检测方法及装置 |
CN106707094A (zh) * | 2015-11-12 | 2017-05-24 | 沈阳工业大学 | 低压供配电线路电弧故障的分类识别方法 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN108229827A (zh) * | 2018-01-04 | 2018-06-29 | 南京航空航天大学 | 一种电力设备质量问题建模分析方法 |
CN109490701A (zh) * | 2018-09-17 | 2019-03-19 | 南京航空航天大学 | 一种工频串联电弧故障检测方法 |
Non-Patent Citations (10)
Title |
---|
JUN JIANG,ET.: "Series Arc Detection and Complex Load Recognition Based on Principal Component Analysis and Support Vector Machine", 《IEEE ACCESS》 * |
刘艳丽等: "电连接器串联型电弧故障识别方法", 《辽宁工程技术大学学报》 * |
李建军: "《基于图像深度信息的人体动作识别研究》", 31 December 2018 * |
杨旗: "《人体步态及行为识别技术研究》", 28 February 2014 * |
殷浩楠: "低压故障电弧特征分析与模式识别", 《优秀硕士学位论文全文数据库》 * |
王和勇: "《面向大数据的高维数据挖掘技术》", 31 March 2018 * |
范九伦: "《模式识别导论》", 30 May 2012 * |
谭琨: "《高光谱遥感影像半督导分类研究》", 31 January 2014 * |
陈昌垦等: "基于K均值聚类的串联型故障电弧识别", 《电气工程学报》 * |
马鹏阁等: "《多脉冲激光雷达》", 31 December 2017 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954784A (zh) * | 2019-12-20 | 2020-04-03 | 吉林省士而德科技有限公司 | 智能用电安全探测器 |
CN111707908A (zh) * | 2020-07-29 | 2020-09-25 | 中国科学技术大学先进技术研究院 | 多负载回路串联故障电弧检测方法、装置以及存储介质 |
CN111707908B (zh) * | 2020-07-29 | 2022-05-17 | 中国科学技术大学先进技术研究院 | 多负载回路串联故障电弧检测方法、装置以及存储介质 |
CN112255515A (zh) * | 2020-10-12 | 2021-01-22 | 浙江长元科技有限公司 | 一种故障电弧的检测方法及装置 |
CN112415350A (zh) * | 2020-12-16 | 2021-02-26 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112415350B (zh) * | 2020-12-16 | 2022-12-20 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN113376473A (zh) * | 2021-04-26 | 2021-09-10 | 国网天津市电力公司城南供电分公司 | 一种基于支持向量机和图像识别的故障电弧检测方法 |
CN114441901A (zh) * | 2022-03-01 | 2022-05-06 | 中国计量大学 | 结合参数采集模块和智能插座的多负载故障电弧检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110118900A (zh) | 一种负载识别以及工频串联电弧故障检测方法 | |
Guo et al. | Detection and line selection of series arc fault in multi-load circuit | |
Rodríguez et al. | Rule-based classification of power quality disturbances using S-transform | |
Shukla et al. | DC offset estimation‐based fault detection in transmission line during power swing using ensemble of decision tree | |
Liu et al. | Application of the variational mode decomposition-based time and time–frequency domain analysis on series DC arc fault detection of photovoltaic arrays | |
US11693062B2 (en) | Method for processing direct current electric arc and apparatus | |
Mortazavi et al. | A hybrid method for arcing faults detection in large distribution networks | |
Yao et al. | Fault diagnosis model of adaptive miniature circuit breaker based on fractal theory and probabilistic neural network | |
Xiao et al. | Electricity theft detection in smart grid using random matrix theory | |
CN109490701B (zh) | 一种工频串联电弧故障检测方法 | |
Dong et al. | Partial discharge detection on aerial covered conductors using time-series decomposition and long short-term memory network | |
Zhao et al. | Series arc fault detection based on current fluctuation and zero-current features | |
CN108693437A (zh) | 一种判断变压器绕组变形的方法及*** | |
CN117310353B (zh) | 一种变电站一、二次回路通流加压故障测试方法及*** | |
Tsotsopoulou et al. | Time-domain protection of superconducting cables based on artificial intelligence classifiers | |
Radhakrishnan et al. | Synchrophasor based islanding detection for microgrids using moving window principal component analysis and extended mathematical morphology | |
Ferracuti et al. | Arc fault detection and appliances classification in AC home electrical networks using recurrence quantification plots and image analysis | |
Rai et al. | Deep learning for high-impedance fault detection and classification: transformer-CNN | |
Zhang et al. | Novel approach for arc fault identification with transient and steady state based time-frequency analysis | |
Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
Jafarzadeh et al. | Real-time transient stability prediction of power systems based on the energy of signals obtained from PMUs | |
Zhang et al. | Incipient fault identification of distribution networks based on feature matching of power disturbance data | |
CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
Cui et al. | High-impedance fault detection method based on sparse data divergence discrimination in distribution networks | |
Na et al. | Detecting instant of multiple faults on the transmission line and its types using time–frequency analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |