CN112748318A - 基于改进pso-bp神经网络的串联故障电弧检测方法 - Google Patents
基于改进pso-bp神经网络的串联故障电弧检测方法 Download PDFInfo
- Publication number
- CN112748318A CN112748318A CN202110086564.1A CN202110086564A CN112748318A CN 112748318 A CN112748318 A CN 112748318A CN 202110086564 A CN202110086564 A CN 202110086564A CN 112748318 A CN112748318 A CN 112748318A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- improved pso
- arc
- data
- 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
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了基于改进PSO‑BP神经网络的串联故障电弧检测方法,包括如下步骤:获取电阻性、电感性、非线性三种类型负载正常状态和故障状态下的原始电流数据;将原始电流数据进行处理,得到电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据;以十类数据为输入向量,构建改进PSO‑BP神经网络模型,将处理后得到的数据输入改进PSO‑BP神经网络进行训练,得到电弧故障检测模型;计算出电流数据对应的输出量,以对线路进行实时检测,当检测到连续出现故障时,则通过脱扣装置断开线路。
Description
技术领域
本发明涉及基于改进PSO-BP神经网络的串联故障电弧检测方法,属于故障电弧检测技术技术领域。
背景技术
现有的随着社会不断发展、科学技术迅速进步,人民生活质量和方式被不断改善,其中电力能源的地位越来越重要。如今,电力能源已经全民化,在日常生活中电气设备普及率越来越高,人均用电量随之急剧增长,电力能源使得人民日常生活和工作更加便利,但与此同时,诸多安全隐患也潜伏在我们的日常生活和工作中,即由用电不规范等原因引发的火灾。目前,配电线路故障保护装置还是以熔断器、断路器、剩余电流动作保护器为主,这些保护装置主要针对是线路中出现的过流、过载和漏电问题。在实际工况下,由于故障电弧检测受环境、负载种类等影响,漏检和误检难以解决。因此,串联故障电弧检测技术仍在探索研究阶段。
传统的电弧故障检测技术往往是通过对比电流波形在正常和电弧故障状态下的差异,借助时域分析法、频域分析法和时频域分析法对电流信号进行分析,通过或不通过信号变换(傅里叶变换、小波变换等)选取合适的特征量,并通过实验对比,人为选取合适的特征阈值作为故障判据。这种方法存在的问题是特征量选取困难,特征阈值易受负载性质、故障原因、燃烧工况等影响。
自BP神经网络问世以来,它在各个领域被广泛应用,也适用于串联电弧故障检测领域。但随着国内外相关科研人员和学者的进一步研究,BP神经网络也存在以下缺点:1)易陷入局部极值问题:BP神经网络的学***坦区域,从而导致网络收敛速度变慢;3)网络结构优化问题:设计BP神经网络拓扑结构时没有统一的标准,往往是靠经验。若利用BP神经映射某一非线性关系时,设计过大的网络拓扑结构,会使训练时间变长,且可能出现过拟合,若拓扑结构过小,则网络可能不收敛。
发明内容
为了克服上述现有技术的不足之处,本发明提供一种基于改进PSO-BP神经网络的串联故障电弧检测方法,旨在提高串联故障电弧检测的快速性和准确性。
本发明是通过如下技术方案实现的:1、基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于,包括如下步骤:
步骤1)获取电阻性、电感性和非线性三种类型负载正常状态和故障状态下的原始电流数据;
步骤2)将原始电流数据进行处理,得到电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据;
步骤3)以电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据为输入向量,采用“0”和“1”组合表示负载的正常状态和故障状态,以五位0、1组合为输出,构建改进PSO-BP神经网络模型,将处理后得到的数据输入改进PSO-BP神经网络进行训练,得到电弧故障检测模型;
步骤4)以设定时间间隔采集待检测线路的电流数据,将处理后的特征量输入改进PSO-BP神经网络电弧故障诊断模型,计算出电流数据对应的输出量,以对线路进行实时检测,当检测到连续出现故障时,则通过脱扣装置断开线路。
所述的步骤1把每种类型负载分别和故障电弧发生器、断路开关、电流钳和交流电源串联连接形成电弧故障发生电路,通过电流钳和示波器采集电路中的电流数据,通过人为拉弧来增加故障数据的数量,得到该类型负载正常状态和电弧故障状态下的电流波形。
所述的步骤3中改进PSO-BP神经网络由输入层、隐含层和输出层组成,隐含层选择tansig传递函数,输出层选择logsig传递函数。
所述的步骤3中改进PSO-BP神经网络利用改进PSO优化得到的最优权值和阈值作为BP神经网络的初始权值和阈值,然后进行训练和预测。
所述的PSO优化步骤为:1)初始化BP神经网络拓扑结构,设置训练数据个数、测试数据个数、最大训练次数等参数,初始化改进PSO,设置粒子个数和编码长度,初始化粒子的位置和速度,设置改进PSO的学习因子、最大迭代次数等参数;2)构造适应度函数,计算粒子的适应度值,然后寻找粒子的个体极值和全局极值;3)通过相应的公式对粒子的速度和位置进行更新;4)判断算法是否达到终止条件,若达到,则优化结束,得到一组较优的神经网络初始权值和阀值,否则继续进行迭代。
所述的步骤4中,计算出电流数据对应的输出量,通过输出对应的种类标签判断是否发生了电弧故障,如果未发生故障,则不动作,如果发生了故障,则累加故障数,当检测到连续出现故障时,则通过脱扣装置断开线路。
本发明的有益效果是:1)所述检测方法克服了易陷入局部极值和收敛速度慢的缺点,适用负载种类更多,提高了电弧故障检测的速度和准确率;2)所述检测方法不仅能够检测电弧故障发生与否,同时能检测出发生故障的负载类型,有助于工作人员及时切除故障负载,减小发生火灾的几率,对电气事故、火灾等发生率,减少损失具有重要意义;3)所述检测方法以原始电流信号作为唯一检测依据,相对于采用电压、温度、电磁场等物理量的故障电弧检测技术更简便,可行性强。
附图说明
下面根据附图和实施例对本发明进一步说明。
图1是本发明的步骤流程图;
图2是本发明的的改进PSO-BP神经网络流程图。
具体实施方式
如图1所示的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于,包括如下步骤:
步骤1)获取电阻性、电感性和非线性三种类型负载正常状态和故障状态下的原始电流数据;
步骤2)将原始电流数据进行处理,得到电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据;
步骤3)以电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据为输入向量,采用“0”和“1”组合表示负载的正常状态和故障状态,以五位0、1组合为输出,构建改进PSO-BP神经网络模型,将处理后得到的数据输入改进PSO-BP神经网络进行训练,得到电弧故障检测模型;
步骤4)以设定时间间隔采集待检测线路的电流数据,将处理后的特征量输入改进PSO-BP神经网络电弧故障诊断模型,计算出电流数据对应的输出量,以对线路进行实时检测,当检测到连续出现故障时,则通过脱扣装置断开线路。
所述的步骤1把每种类型负载分别和故障电弧发生器、断路开关、电流钳和交流电源串联连接形成电弧故障发生电路,通过电流钳和示波器采集电路中的电流数据,通过人为拉弧来增加故障数据的数量,得到该类型负载正常状态和电弧故障状态下的电流波形。
所述的步骤3中改进PSO-BP神经网络由输入层、隐含层和输出层组成,隐含层选择tansig传递函数,输出层选择logsig传递函数。
如图2所示改进PSO-BP神经网络利用改进PSO优化得到的最优权值和阈值作为BP神经网络的初始权值和阈值,然后进行训练和预测。
所述的PSO优化步骤为:1)初始化BP神经网络拓扑结构,设置训练数据个数、测试数据个数、最大训练次数等参数,初始化改进PSO,设置粒子个数和编码长度,初始化粒子的位置和速度,设置改进PSO的学习因子、最大迭代次数等参数;2)构造适应度函数,计算粒子的适应度值,然后寻找粒子的个体极值和全局极值;3)通过相应的公式对粒子的速度和位置进行更新;4)判断算法是否达到终止条件,若达到,则优化结束,得到一组较优的神经网络初始权值和阀值,否则继续进行迭代。
所述的步骤4中,计算出电流数据对应的输出量,通过输出对应的种类标签判断是否发生了电弧故障,如果未发生故障,则不动作,如果发生了故障,则累加故障数,当检测到连续出现故障时,则通过脱扣装置断开线路。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (6)
1.基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于,包括如下步骤:
步骤1)获取电阻性、电感性和非线性三种类型负载正常状态和故障状态下的原始电流数据;
步骤2)将原始电流数据进行处理,得到电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据;
步骤3)以电流平均值、峭度系数、第三次谐波因数、第五次谐波因数、总谐波畸变率、子带能量比SR2、频率质心、第一层细节信号小波系数模极大值、小波变换第三层细节信号能量值和小波熵共十类数据为输入向量,采用“0”和“1”组合表示负载的正常状态和故障状态,以五位0、1组合为输出,构建改进PSO-BP神经网络模型,将处理后得到的数据输入改进PSO-BP神经网络进行训练,得到电弧故障检测模型;
步骤4)以设定时间间隔采集待检测线路的电流数据,将处理后的特征量输入改进PSO-BP神经网络电弧故障诊断模型,计算出电流数据对应的输出量,以对线路进行实时检测,当检测到连续出现故障时,则通过脱扣装置断开线路。
2.根据权利要求1所述的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于:所述的步骤1把每种类型负载分别和故障电弧发生器、断路开关、电流钳和交流电源串联连接形成电弧故障发生电路,通过电流钳和示波器采集电路中的电流数据,通过人为拉弧来增加故障数据的数量,得到该类型负载正常状态和电弧故障状态下的电流波形。
3.根据权利要求1所述的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于:所述的步骤3中改进PSO-BP神经网络由输入层、隐含层和输出层组成,隐含层选择tansig传递函数,输出层选择logsig传递函数。
4.根据权利要求3所述的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于:所述的步骤3中改进PSO-BP神经网络利用改进PSO优化得到的最优权值和阈值作为BP神经网络的初始权值和阈值,然后进行训练和预测。
5.根据权利要求4所述的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于,所述的PSO优化步骤为:1)初始化BP神经网络拓扑结构,设置训练数据个数、测试数据个数、最大训练次数等参数,初始化改进PSO,设置粒子个数和编码长度,初始化粒子的位置和速度,设置改进PSO的学习因子、最大迭代次数等参数;2)构造适应度函数,计算粒子的适应度值,然后寻找粒子的个体极值和全局极值;3)通过相应的公式对粒子的速度和位置进行更新;4)判断算法是否达到终止条件,若达到,则优化结束,得到一组较优的神经网络初始权值和阀值,否则继续进行迭代。
6.根据权利要求1所述的基于改进PSO-BP神经网络的串联故障电弧检测方法,其特征在于:所述的步骤4中,计算出电流数据对应的输出量,通过输出对应的种类标签判断是否发生了电弧故障,如果未发生故障,则不动作,如果发生了故障,则累加故障数,当检测到连续出现故障时,则通过脱扣装置断开线路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110086564.1A CN112748318A (zh) | 2021-01-22 | 2021-01-22 | 基于改进pso-bp神经网络的串联故障电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110086564.1A CN112748318A (zh) | 2021-01-22 | 2021-01-22 | 基于改进pso-bp神经网络的串联故障电弧检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112748318A true CN112748318A (zh) | 2021-05-04 |
Family
ID=75652960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110086564.1A Pending CN112748318A (zh) | 2021-01-22 | 2021-01-22 | 基于改进pso-bp神经网络的串联故障电弧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748318A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019321A (zh) * | 2021-10-25 | 2022-02-08 | 国网江苏省电力有限公司 | 一种基于归一化标准差和小波熵的直流串联电弧故障检测方法及装置 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3306332A1 (en) * | 2016-10-09 | 2018-04-11 | Optimum Battery Co., Ltd. | System and method for estimating parameters of a battery model using partical swarm optimisation |
CN108921280A (zh) * | 2018-04-13 | 2018-11-30 | 广东电网有限责任公司 | 一种基于改进混沌粒子群优化神经网络的高压断路器状态评估方法 |
CN110133455A (zh) * | 2019-04-19 | 2019-08-16 | 中电科安科技股份有限公司 | 串联型低压交流电气故障打火辨识方法 |
CN111458599A (zh) * | 2020-04-16 | 2020-07-28 | 福州大学 | 基于一维卷积神经网络的串联电弧故障检测方法 |
-
2021
- 2021-01-22 CN CN202110086564.1A patent/CN112748318A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3306332A1 (en) * | 2016-10-09 | 2018-04-11 | Optimum Battery Co., Ltd. | System and method for estimating parameters of a battery model using partical swarm optimisation |
CN108921280A (zh) * | 2018-04-13 | 2018-11-30 | 广东电网有限责任公司 | 一种基于改进混沌粒子群优化神经网络的高压断路器状态评估方法 |
CN110133455A (zh) * | 2019-04-19 | 2019-08-16 | 中电科安科技股份有限公司 | 串联型低压交流电气故障打火辨识方法 |
CN111458599A (zh) * | 2020-04-16 | 2020-07-28 | 福州大学 | 基于一维卷积神经网络的串联电弧故障检测方法 |
Non-Patent Citations (2)
Title |
---|
*** 等: "基于改进PSO-BP神经网络的变压器故障诊断", 《上海电力学院学报》 * |
张扬 等: "PSO优化BP神经网络的串联故障电弧识别方法", 《传感器与微***》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019321A (zh) * | 2021-10-25 | 2022-02-08 | 国网江苏省电力有限公司 | 一种基于归一化标准差和小波熵的直流串联电弧故障检测方法及装置 |
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 |
---|---|---|
Qu et al. | Series arc fault detection of indoor power distribution system based on LVQ-NN and PSO-SVM | |
Gu et al. | High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit | |
CN105425118A (zh) | 一种多信息融合故障电弧检测方法及装置 | |
WO2021043027A1 (zh) | 一种基于机器学习的光伏***直流故障电弧检测方法 | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
Zand et al. | Fault locating transmission lines with thyristor-controlled series capacitors By fuzzy logic method | |
CN112748318A (zh) | 基于改进pso-bp神经网络的串联故障电弧检测方法 | |
CN111007364B (zh) | 一种电缆早期自恢复故障的识别方法 | |
CN111505434A (zh) | 一种低压配电表箱线路、表箱故障隐患识别方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN110007198B (zh) | 一种单相接地故障启动方法 | |
CN109374995A (zh) | 低压配电***、线路老化和反窃电监测方法及对应*** | |
CN114779127A (zh) | 一种电力变压器出线短路冲击管控***及其方法 | |
CN112748362B (zh) | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 | |
Gao et al. | High-impedance arc fault modeling for distribution networks based on dynamic geometry dimension | |
CN112415334B (zh) | 一种多合一站接地***的数字孪生***及建模方法 | |
Lin et al. | Voltage sag severity analysis based on improved FP-Growth algorithm and AHP algorithm | |
CN107632237A (zh) | 一种基于故障后小波特征量相关性的单相接地故障选线方法 | |
Varghese P et al. | Application of signal processing techniques and intelligent classifiers for high-impedance fault detection in ensuring the reliable operation of power distribution systems | |
CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
Wu et al. | The medium-voltage distribution detwork fault fiagnosis based on data association analysis | |
Linli et al. | Adaptive tripping for distribution network based on fault indicator recording data | |
Wang et al. | Research on AC Arc Fault Detection Method Based on Wigner-Hough Transform and NG-Boost | |
Haolan et al. | Incipient fault detection of power distribution system based on statistical characteristics and transformer network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |