CN111929489B - 故障电弧电流的检测方法及*** - Google Patents
故障电弧电流的检测方法及*** Download PDFInfo
- Publication number
- CN111929489B CN111929489B CN202010832492.6A CN202010832492A CN111929489B CN 111929489 B CN111929489 B CN 111929489B CN 202010832492 A CN202010832492 A CN 202010832492A CN 111929489 B CN111929489 B CN 111929489B
- Authority
- CN
- China
- Prior art keywords
- current signal
- variance
- current
- signal
- normal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Locating Faults (AREA)
Abstract
本发明公开一种故障电弧电流的检测方法,首先获取实测电流数据;相减相邻两个周期得到差分电流信号;对差分电流信号进行自相关运算,得到自相关系数;然后通过自相关系数对实测电流数据进行第一次分类得到正常电流信号;将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,最后根据方差进行第二次分类;如果最大方差与最小方差的差值大于最小方差的预设倍率值,则判断为故障电弧电流;本方法避免了处理各种负载和电路回路不同而造成的电流信号差异过大,而不能制定合适的判断标准。前后周期相减,去掉周期成分后,则只需要对差分电流信号进行判断。避免了需要大量可靠的样本进行训练的要求,任给一个电流信号就可进行检测。
Description
技术领域
本发明涉及故障电流检测技术领域,特别是一种故障电弧电流的检测方法及***。
背景技术
为了实现故障电弧检测,传统做法是使用小波分解、神经网络、支持向量机等方法。使用小波分解时,需要确定合适的母波和分解层数才能达到较好的检测效果,而使用神经网络、支持向量机时,则需要大量的实测数据用于神经网络和支持向量机的训练。为了训练好网络,大量电弧电流需要提前给定正常或故障的标签,想要得到高质量的标签,则需要该领域的专家辅助标记。在数量较大的情况下,这是一项非常艰难的任务。
发明内容
有鉴于此,本发明的目的在于提供一种故障电弧电流的检测方法,该方法利用正常电流的周期性和平稳性实现对故障电弧电流的检测。
为达到上述目的,本发明提供如下技术方案:
本发明提供的故障电弧电流的检测方法,包括以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若t=1时自相关系数大于相关阈值,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
获取第一次分类中所有正常电流信号;
将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的预设倍率值,如果是,则判断为故障电弧电流;如果否,则为正常电流信号。
进一步,所述相关阈值0.2-0.5。
进一步,所述预设倍率值为2-5.
进一步,所述测电流数据相邻周期相减按照以下公式进行:
S(K,n)=X(KNT+n)-X((K-1)NT+n) (1)
其中,S(·)表示差分电流信号,X(·)为实测电流信号,n表示周期内的某一时刻,NT为一个周期内的采样点数,K为正整数。
进一步,所述差分电流信号自相关系数按照以下公式计算:
进一步,所述正常电流信号划分为8个小区间,计算每个区间的方差。
本发明还提供了故障电弧电流的检测***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若t=1时自相关系数大于相关阈值,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
获取第一次分类中所有正常电流信号;
将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的预设倍率值,如果是,则判断为故障电弧电流;如果否,则为正常电流信号。
进一步,所述相关阈值0.2-0.5。
进一步,所述预设倍率值为2-5.
进一步,所述正常电流信号划分为8个小区间,计算每个区间的方差。
本发明的有益效果在于:
与传统的故障电弧检测方法相比,本发明提供的故障电弧电流的检测方法,避免了处理各种负载和电路回路不同而造成的电流信号差异过大,而不能制定合适的判断标准。前后周期相减,去掉周期成分后,则只需要对差分电流信号进行判断。
与神经网络相比,本发明提供的故障电弧电流的检测方法避免了需要大量可靠的样本进行训练的要求,任给一个电流信号就可进行检测。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为正常电流原始信号。
图2为故障电弧电流原始信号。
图3为正常差分电流信号。
图4为故障电弧差分电流信号。
图5为正常差分电流信号的自相关系数。
图6为故障电弧差分电流信号的自相关系数。
图7为算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
如图1所示,本实施例提供的故障电弧电流的检测方法,包括以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若t=1时自相关系数大于0.3,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
将第一次分类中所有判断为正常的差分电流信号选出来;
将正常差分电流信号划分为8个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的3倍,如果是,则判断为故障电弧电流;如果否,则为正常电流信号。
本实施例提供的测电流数据相邻周期相减按照以下公式进行:
S(K,n)=X(KNT+n)-X((K-1)NT+n) (1)
其中,S(·)表示差分电流信号,X(·)为实测电流信号,n表示周期内的某一时刻,NT为一个周期内的采样点数,K为正整数。
本实施例提供的差分电流信号时序图如图3和图4所示。
本实施例提供的差分电流信号自相关运算按照以下公式计算:
所述自相关系数为原始时间序列中第t个数据和第t-k个数的相关系数,
本实施例提供的差分电流信号自相关系数图如图5和图6所示。
本实施例提供的通过相关系数进行分类具体过程如下:
正常的电流信号是具有周期性的,相邻两个周期相减后,得到的差分电流信号应为白噪声。白噪声的自相关系数的特点是:只在t=0的时候为1,其他均为0。由于在现实的生活中,电流中还存在白噪声以外的影响较小的其他噪声,因此设置0.3为自相关系数的门限,用此门限检测t=1时的自相关系数。若t=1时,自相关系数大于0.3则判断该信号为故障电弧电流信号,反之则为正常电流信号。
本实施例提供的通过方差进行分类具体过程如下:
正常电流信号减去周期成分,剩下的仅有噪声,因此能够通过白噪声自相关函数的特点,将所有正常电流信号判断出来。但少部分故障电弧电流信号也存在去掉周期成分以后,差分电流信号类似白噪声,在第一步可能会误判为正常电流信号,因此还需进一步的处理。
将通过自相关系数判断为正常的差分电流信号选出来,将其划分为8个小区间,计算每个区间的方差。得到8个方差值,若最大方差与最小方差的差值大于最小方差的3倍,则判断为故障电弧电流。
因为信号的方差就代表着能量,而正常电流信号的能量不会在一个周期内发生如此剧烈的变化。最终分类准确度达到99.09%。
本实施例提供的故障电弧检测方法,避免了处理各种负载和电路回路不同而造成的电流信号差异过大,而不能制定合适的判断标准。
前后周期相减,去掉周期成分后,则只需要对差分电流信号进行判断。
本实施例提供的故障电弧检测方法,与神经网络相比,避免了需要大量可靠的样本进行训练的要求,任给一个电流信号就可进行检测。
实施例2
本实施例提供的故障电弧电流的检测***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若t=1时自相关系数大于相关阈值,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
获取第一次分类中所有正常电流信号;
将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的预设倍率值,如果是,则判断为故障电弧电流;如果否,则为正常电流信号。
所述相关阈值0.2-0.5。
所述预设倍率值为2-5。
所述正常电流信号划分为8个小区间,计算每个区间的方差。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (4)
1.故障电弧电流的检测方法,其特征在于:包括以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若n=1时自相关系数大于相关阈值,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
获取第一次分类中所有正常电流信号;
将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的预设倍率值,如果是,则判断为故障电弧电流;如果否,则为正常电流信号;
所述测电流数据相邻周期相减按照以下公式进行:
S(K,n)=X(KNT+n)-X((K-1)NT+n)
其中,S(·)表示差分电流信号,X(·)为实测电流信号,n表示周期内的某一时刻,NT为一个周期内的采样点数,K为正整数;
所述差分电流信号自相关系数按照以下公式计算:
其中,
rk为自相关系数;
Sn表示差分电流信号在n时刻的数值;
Sn-k表示差分电流信号在n-k时刻的数值;
NT表示一个周期内的采样点数;
k表示时间序列的移位数目;
n表示一个周期内的某一时刻;
所述相关阈值0.2-0.5;
所述预设倍率值为2-5。
2.如权利要求1所述的方法,其特征在于:所述正常电流信号划分为8个小区间,计算每个区间的方差。
3.故障电弧电流的检测***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取实测电流数据;
将实测电流数据相邻两个周期相减,得到差分电流信号;
对差分电流信号进行自相关运算,得到自相关系数;
通过自相关系数对实测电流数据进行第一次分类:判断自相关系数,若t=1时自相关系数大于相关阈值,则该实测电流为故障电弧电流信号;反之,则为正常电流信号;
获取第一次分类中所有正常电流信号;
将正常差分电流信号划分为若干个小区间,计算每个小区间的方差,
根据方差进行第二次分类;判断最大方差与最小方差的差值是否大于最小方差的预设倍率值,如果是,则判断为故障电弧电流;如果否,则为正常电流信号;
所述相关阈值0.2-0.5;
所述预设倍率值为2-5。
4.如权利要求3所述的***,其特征在于:所述正常电流信号划分为8个小区间,计算每个区间的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832492.6A CN111929489B (zh) | 2020-08-18 | 2020-08-18 | 故障电弧电流的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832492.6A CN111929489B (zh) | 2020-08-18 | 2020-08-18 | 故障电弧电流的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929489A CN111929489A (zh) | 2020-11-13 |
CN111929489B true CN111929489B (zh) | 2021-12-28 |
Family
ID=73305437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010832492.6A Active CN111929489B (zh) | 2020-08-18 | 2020-08-18 | 故障电弧电流的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929489B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964988B (zh) * | 2021-03-24 | 2024-06-14 | 河南中烟工业有限责任公司 | 电机工况的切分方法及*** |
CN117434406B (zh) * | 2023-12-20 | 2024-04-09 | 天津航空机电有限公司 | 一种基于互补集合经验模态分解的电弧故障检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN202402268U (zh) * | 2011-12-22 | 2012-08-29 | 长沙理工大学 | 基于声发射检测的水泵空化故障诊断装置 |
CN104579524A (zh) * | 2013-10-28 | 2015-04-29 | 国家电网公司 | 用电信息采集***的仿真平台 |
CN105158598A (zh) * | 2015-08-15 | 2015-12-16 | 国家电网公司 | 一种适用于电力设备的故障预测方法 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
CN109543599A (zh) * | 2018-11-20 | 2019-03-29 | 贵州电网有限责任公司 | 一种变压器故障行波降噪的方法 |
CN110275467A (zh) * | 2019-06-25 | 2019-09-24 | 江苏理工学院 | 基于电路物理参数检测的控制*** |
CN110907774A (zh) * | 2019-12-04 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种太阳能发电***电弧故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2576339C2 (ru) * | 2011-11-24 | 2016-02-27 | Тойота Дзидося Кабусики Кайся | Устройство обнаружения источника звука |
-
2020
- 2020-08-18 CN CN202010832492.6A patent/CN111929489B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN202402268U (zh) * | 2011-12-22 | 2012-08-29 | 长沙理工大学 | 基于声发射检测的水泵空化故障诊断装置 |
CN104579524A (zh) * | 2013-10-28 | 2015-04-29 | 国家电网公司 | 用电信息采集***的仿真平台 |
CN105158598A (zh) * | 2015-08-15 | 2015-12-16 | 国家电网公司 | 一种适用于电力设备的故障预测方法 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
CN109543599A (zh) * | 2018-11-20 | 2019-03-29 | 贵州电网有限责任公司 | 一种变压器故障行波降噪的方法 |
CN110275467A (zh) * | 2019-06-25 | 2019-09-24 | 江苏理工学院 | 基于电路物理参数检测的控制*** |
CN110907774A (zh) * | 2019-12-04 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种太阳能发电***电弧故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111929489A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
Al-Bugharbee et al. | A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling | |
CN111929489B (zh) | 故障电弧电流的检测方法及*** | |
WO2017036363A1 (zh) | 光纤周界入侵信号的识别方法、装置及周界入侵报警*** | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111695620A (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
CN111931601B (zh) | 齿轮箱错误类别标签修正***及方法 | |
CN107230214B (zh) | 基于递归otsu算法的sar图像水域自动检测方法 | |
CN114153888A (zh) | 一种时间序列数据的异常值检测方法和装置 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN111191671A (zh) | 一种用电器波形检测方法、***、电子设备及存储介质 | |
CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、***、设备及介质 | |
CN117312769A (zh) | 一种基于BiLSTM的物联网时序数据异常检测方法 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN117314020B (zh) | 一种浮游生物的湿地碳汇数据监测*** | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN111191502A (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
CN101996316A (zh) | 一种用于辨别拉深件裂纹的模糊识别方法 | |
CN112561306B (zh) | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 | |
CN115310041A (zh) | 一种基于dtw算法解读时间序列局部特征的方法 | |
CN117572161A (zh) | 一种电弧故障检测方法、装置及相关组件 | |
CN111273101A (zh) | 一种故障电弧检测方法、装置及存储介质 | |
EP2362673A2 (en) | Method for evaluating video quality | |
CN115422985B (zh) | 一种混杂场景下的微信号快速检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |