CN113376551A - 串联故障电弧的检测方法及***、设备、存储介质 - Google Patents
串联故障电弧的检测方法及***、设备、存储介质 Download PDFInfo
- Publication number
- CN113376551A CN113376551A CN202110696990.7A CN202110696990A CN113376551A CN 113376551 A CN113376551 A CN 113376551A CN 202110696990 A CN202110696990 A CN 202110696990A CN 113376551 A CN113376551 A CN 113376551A
- Authority
- CN
- China
- Prior art keywords
- power frequency
- sliding
- window
- fault arc
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000002265 prevention Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种串联故障电弧的检测方法及***、设备、存储介质,该检测方法首先得到每个工频周期的采样序列,进行标准化处理之后分别计算每个工频周期序列数据的多个特征量,通过采用多个特征量来描述交流电流波形,从多个维度很好地体现出电流数据的特性,有利于提高检测精准度。然后,设置滑动检测窗口,滑动检测窗口的长度为N个工频周期,利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,基于窗口滑动前后的两组特征值数据之间的距离计算结果来进行串联故障电弧的判定。整体检测识别算法基于两个特征矩阵的距离计算结果实现,无需对电流数据进行分解后进行特征量比对,算法相对较为简单,对于嵌入式***的性能没有过高的要求。
Description
技术领域
本发明涉及用电安全检测技术领域,特别地,涉及一种串联故障电弧的检测方法及***、设备、计算机可读取的存储介质。
背景技术
随着我国科学技术的飞速发展,城市内居民密度也日益加大,导致了区域内的家用电器密度也逐年加大,使得电气火灾占总火灾的比重逐年增加,其中故障电弧导致的电气火灾占了很大一部分。串联故障电弧是由线路电气连接点处的接触不良、绝缘层内单根导线的断裂等引起的一种故障电弧,由于电弧是一种等离子体,相当于一个阻值很小的动态电阻,当故障电弧以串联的形式在线路中存在时,其电弧电流往往小于过流保护器的额定电流,故而无法触发保护动作,导致串联故障电弧长时间存在,最终引发火灾。
目前,国内现有的串联故障电弧检测方法,主要是利用傅里叶分解、小波分析等技术方法对电流或电压数据进行分解并计算特征量,通过与正常情况下分解得到的特征量进行对比,从而判断是否有串联故障电弧产生。但是,利用这些方法的算法设计比较复杂,而且对嵌入式***的性能有较高的要求,此外,如吸尘器、电子灯光调节器等非线性负载在正常工作时会产生大量高次谐波,这会加大基于频域的算法的检测难度,检测准确度较差。因此,目前的串联故障电弧检测算法较为复杂、检测准确度较差。
发明内容
本发明提供了一种串联故障电弧的检测方法及***、设备、计算机可读取的存储介质,以解决现有的串联故障电弧检测算法较为复杂、检测准确度较差的技术问题。
根据本发明的一个方面,提供一种串联故障电弧的检测方法,包括以下内容:
步骤S1:周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
步骤S2:对多个工频周期的采样序列数据进行标准化处理;
步骤S3:对于标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
步骤S4:设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
步骤S5:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
进一步地,在所述步骤S1和步骤S2之间还包括以下内容:
步骤S12:基于当前工频周期的采样序列数据计算得到电流有效值,将计算得到的电流有效值与预设的算法开启阈值进行比较,若计算得到的电流有效值大于预设的算法开启阈值,则执行步骤S2。
进一步地,所述步骤S3中的特征量包括半波对称指标、过零率指标、模糊熵指标、分割线性指标、峭度指标和裕度指标中的至少一种。
进一步地,所述步骤S5包括以下内容:
步骤S51:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,直至滑动检测窗口被填满,得到当前窗口内的特征值矩阵S,并对所述特征值矩阵S中的每个特征列向量进行标准化处理;
步骤S52:将滑动检测窗口在多个工频周期组成的特征量序列上向前滑动一个工频周期的长度,获得新窗口内的特征值矩阵S’,并对新窗口内的特征值矩阵S’中的每个特征列向量进行标准化处理;
步骤S53:分别计算两个特征值矩阵的协方差矩阵S-cov和S-cov’;
步骤S54:分别将两个协方差矩阵的转置与协方差矩阵本身做矩阵乘法,得到两个实对称矩阵R=S-covT·S-cov和R`=S-cov’T·S-cov’,对两个实对称矩阵进行特征分解得到两个正交特征向量矩阵;
步骤S55:对两个正交特征向量矩阵进行标准化处理;
步骤S56:计算标准化处理后的两个正交特征向量矩阵之间的距离;
步骤S57:设Q为故障指数,S为安全指数,两者的初始值均为0,自滑动检测窗口被填满后的下一次窗口移动起,每次窗口移动执行步骤S51~步骤S56,若每次窗口移动计算得到的距离值大于等于预设阈值,则令故障指数Q加1,若小于预设阈值,则令安全指数S加1;
步骤S58:不断移动滑动检测窗口,当安全指数S先累计达到安全值时,则判定用电总线路中不存在串联故障电弧,当安全指数S未累计达到安全值而故障指数Q先累计达到故障值时,则判定用电总线路中存在串联故障电弧。
进一步地,所述步骤S56中采用拓展F距离算法来计算两个正交特征向量矩阵之间的距离,所述拓展F距离算法的计算公式如下:
其中,F表示两个正交特征向量矩阵之间的距离,Wi表示权重系数,<ai,bi>表示两个正交特征向量矩阵中每列对应元素的内积。
进一步地,当所述步骤S5中判定用电总线路中存在串联故障电弧时,所述检测方法还包括以下内容:
步骤S6:获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
另外,本发明还提供一种串联故障电弧的检测***,包括:
数据采集模块,用于周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
标准化处理模块,用于对多个工频周期的采样序列数据进行标准化处理;
特征量计算模块,用于对标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
窗口设定模块,用于设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
检测模块,用于利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
进一步地,所述检测***还包括:
误判断检测模块,当所述检测模块判定用电总线路中存在串联故障电弧时,用于获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
另外,本发明还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储进行串联故障电弧检测的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的串联故障电弧的检测方法,首先周期性地采集用电总线路中的瞬时电流数据,以得到每个工频周期的采样序列,对多个工频周期的采样序列数据进行标准化处理之后,分别计算每个工频周期序列数据的多个特征量,通过采用多个特征量来描述交流电流波形,可以从多个维度很好地体现出电流数据的特性,有利于提高检测精准度。然后,设置滑动检测窗口,滑动检测窗口的长度为N个工频周期,可以同时获取N个工频周期的特征量数据,最后,利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,基于窗口滑动前后的两组特征值数据之间的距离计算结果来进行串联故障电弧的判定。整体检测识别算法基于两个特征矩阵的距离计算结果实现,无需对电流数据进行分解后进行特征量比对,算法相对较为简单,对于嵌入式***的性能没有过高的要求。
另外,本发明的串联故障电弧的检测***同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的串联故障电弧的检测方法的流程示意图。
图2是本发明优选实施例的串联故障电弧的检测方法另一具体实施方式的流程示意图。
图3是图1中步骤S5的子流程示意图。
图4是本发明优选实施例的串联故障电弧的检测方法又一具体实施方式的流程示意图。
图5是本发明另一实施例的串联故障电弧的检测***的模块结构示意图。
图6是本发明另一实施例的串联故障电弧的检测***的另一具体实施方式的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种串联故障电弧的检测方法,包括以下内容:
步骤S1:周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
步骤S2:对多个工频周期的采样序列数据进行标准化处理;
步骤S3:对于标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
步骤S4:设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
步骤S5:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
可以理解,本实施例的串联故障电弧的检测方法,首先周期性地采集用电总线路中的瞬时电流数据,以得到每个工频周期的采样序列,对多个工频周期的采样序列数据进行标准化处理之后,分别计算每个工频周期序列数据的多个特征量,通过采用多个特征量来描述交流电流波形,可以从多个维度很好地体现出电流数据的特性,有利于提高检测精准度。然后,设置滑动检测窗口,滑动检测窗口的长度为N个工频周期,可以同时获取N个工频周期的特征量数据,最后,利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,基于窗口滑动前后的两组特征值数据之间的距离计算结果来进行串联故障电弧的判定。整体检测识别算法基于两个特征矩阵的距离计算结果实现,无需对电流数据进行分解后进行特征量比对,算法相对较为简单,对于嵌入式***的性能没有过高的要求。
可以理解,在所述步骤S1中,利用电表测量用电总线路中的瞬时电流数据,采样周期为6.4kHz,即每个工频周期50Hz内采集128个电流数据。其中,检测对象可以是家庭用电总线路,也可以是工业用电总线路。另外,具体的采用周期可以根据实际需要进行设定,本发明在此不做具体限定,本发明以采样周期为6.4kHz来做示例性说明,设一个工频周期内采集的数据点为一组采样序列I=(X1,X2,X3,……,X128)。
可以理解,作为优选的,如图2所示,所述串联故障电弧的检测方法在所述步骤S1和步骤S2之间还包括以下内容:
步骤S12:基于当前工频周期的采样序列数据计算得到电流有效值,将计算得到的电流有效值与预设的算法开启阈值进行比较,若计算得到的电流有效值大于预设的算法开启阈值,则执行步骤S2。
具体地,通过以下公式计算得到当前周期电流有效值:
本发明考虑到电流数据本底噪声的存在,通过预设算法开启阈值In,只有当计算得到的当前周期电流有效值Irms>算法开启阈值In时,电弧检测功能才开启,启动检测算法,即执行步骤S2,否则,不执行步骤S2。其中,所述算法开启阈值In优选设置为0.02A,当然,在本发明的其它实施例中也可以设置为其它数值。本发明通过设置预设算法开启阈值In,可以消除电流数据本底噪声的干扰,防止由于噪声数据导致检测算法不断开启,提高了串联故障电弧检测的准确性和有效性。
可以理解,启动检测算法后,对每组采样序列I进行标准化处理,使所有数据标准化为0到1之间,标准化方法如下:
可以理解,经过标准化处理后,对于每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量。所述特征量包括半波对称指标E1、过零率指标E2、模糊熵指标E3、分割线性指标E4、峭度指标E5和裕度指标E6中的至少一种。本发明后续同时采用六个特征量来进行示例性说明。
其中,所述半波对称指标E1用来表示波形的平稳性,一组正常序列中前后两个半波在数值上应为相反数,半波对称指数越大,波形越不平稳,噪声越大。具体的计算过程为:
首先,将一组采样序列I分为两组子序列:Ia=(X1,X2,X3,……,X64)、Ib=(X65,X66,X67,……,X128)。
然后,令两组子序列对应位置的元素相加求和,得到待测序列I`=(X1`=X1+X65,X2`=X2+X66,X3`=X3+X67,……,X64`=X64+X128)。
最后,计算待测序列I`的总体方差为半波对称指数,即:
而所述过零率指标E2则用于表示波形的异常情况,一组正常序列中一般只存在一次过零现象,过零率指标越大,波形异常情况越重。具体的计算过程如下:
首先,截取采样序列I中最大值与最小值之间的数据为一组子序列Ipp=(Xmax,Xmax+1,Xmax+2,……,Xmin)或(Xmin,Xmin+1,Xmin+2,……,Xmax)。
然后,计算子序列Ipp中的过零率,即两个连续的数据出现Xi>0>Xi+1或Xi<0<Xi+1的次数,记为Z。则过零率指标为:
E2=(Z-1)2。
而所述模糊熵指标E3反映了波形的混乱程度,即反映了波形中高频谐波的多少,模糊熵指标越大,波形越混乱。具体的计算过程为:
首先,将当前采样序列I拆分为128-m+1个子序列,每个子序列Ii`={Xi,Xi+1,Xi+2,……Xi+m-1}。本发明中以m=4来做示例性说明,即:
I1`={X1,X2,X3,X4}
I2`={X2,X3,X4,X5}
I3`={X3,X4,X5,X6}
……
I125`={X125,X126,X127,X128}
然后,定义序列距离为两个子序列的对应元素之差绝对值的最大值,即第i子序列Ii`与第j子序列Ij`之间的序列距离di-j=max{|Xi-Xj|,|Xi+1-Xj+1|,|Xi+2-Xj+2|,|Xi+3-Xj+3|}(i≠j)。计算每个子序列与所有其他子序列之间的序列距离,共计125*(125-1)个序列距离,具体如下:
当波形越混乱时,序列距离di-j为大数值的次数越多。因此,对单独序列距离而言,可近似认为di-j越大,波形越混乱。本方法选择使用偏大型柯西隶属度函数来计算所有序列距离的模糊隶属度,计算公式如下:
式中a为0.1,意为降低序列距离di-j为小数值,即波形平稳部分对结果的影响,以突出波形的混乱程度,α为0.15,是调试后得到的参数数值。
最后,求得当前采样序列的模糊熵指标,计算公式如下:
另外,所述分割线性指标E4反映波形的线性度。具体计算过程如下:
将采样序列I平均分为8个子序列,每个子序列包含16个数据点Ii=(X16*i-15,X16*i-14,X16*i-13,……,X16*i)(1≤i≤8),计算每个子序列的线性相关系数取其中最小的三个线性相关系数作为波形混乱程度的典型代表。则分割线性指标为:
计算得到的分割线性指标E4越小,波形线性度越差。
另外,所述峭度指标E5反映波形的平稳程度,峭度指标越大,波形越不平稳。计算公式如下:
另外,所述裕度指标E6反映了波形的丰满程度,裕度指标越小,波形越丰满。计算公式如下:
其中,Xmax为采样序列I中的最大值,Xr为采样序列I的方根幅值。
可以理解,本发明通过采用以上六个特征量来对电流波形进行描述,可以从多个维度准确地体现电流数据的特性,有利于提高检测准确度。
可以理解,在所述步骤S4中,滑动检测窗口的长度为N个工频周期,即滑动检测窗口内同时包括了N个工频周期的数据。在本发明中以N=6来做示例性说明,在此不做具体限定。即滑动检测窗口的时间长度为0.12s,窗口每次移动1个工频周期,即0.02s。
可以理解,检测算法开启时,滑动检测窗口内为空,移动检测窗口,直至窗口被填满,此后窗口每移动一次则进行一次检测。如图3所示,所述步骤S5具体包括以下内容:
步骤S51:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,直至滑动检测窗口被填满,得到当前窗口内的特征值矩阵S,并对所述特征值矩阵S中的每个特征列向量进行标准化处理;
步骤S52:将滑动检测窗口在多个工频周期组成的特征量序列上向前滑动一个工频周期的长度,获得新窗口内的特征值矩阵S’,并对新窗口内的特征值矩阵S’中的每个特征列向量进行标准化处理;
步骤S53:分别计算两个特征值矩阵的协方差矩阵S-cov和S-cov’;
步骤S54:分别将两个协方差矩阵的转置与协方差矩阵本身做矩阵乘法,得到两个实对称矩阵R=S-covT·S-cov和R`=S-cov’T·S-cov’,对两个实对称矩阵进行特征分解得到两个正交特征向量矩阵;
步骤S55:对两个正交特征向量矩阵进行标准化处理;
步骤S56:计算标准化处理后的两个正交特征向量矩阵之间的距离;
步骤S57:设Q为故障指数,S为安全指数,两者的初始值均为0,自滑动检测窗口被填满后的下一次窗口移动起,每次窗口移动执行步骤S51~步骤S56,若每次窗口移动计算得到的距离值大于等于预设阈值,则令故障指数Q加1,若小于预设阈值,则令安全指数S加1;
步骤S58:不断移动滑动检测窗口,当安全指数S先累计达到安全值时,则判定用电总线路中不存在串联故障电弧,当安全指数S未累计达到安全值而故障指数Q先累计达到故障值时,则判定用电总线路中存在串联故障电弧。
具体地,当窗口被填满时,滑动检测窗口内包含的数据为特征值矩阵,记为S=[T1,T2,T3,T4,T5,T6],Tn为特征列向量。可以理解,所述特征值矩阵S中共有36个特征值,即ETi(1≤T≤6,1≤i≤6):
可以理解,特征值矩阵S中的每一列即表示一个工频周期包括的6个特征量,即ETi中的T取值表示滑动检测窗口的第几列,i取值对应表示特征量,例如E11则表示滑动检测窗口内的第一个工频周期的半波对称指标E1。
然后,对每个特征列向量(E1j,E2j,E3j,E4j,E5j,E6j,1≤j≤6)进行标准化处理,使所有特征值标准化为0到1之间,标准化方法如下:
其中,Ei′表示标准化处理后的特征列向量,Ei表示标准化处理前的特征列向量,min{Ej}表示特征值矩阵中的最小特征列向量,max{Ej}表示特征值矩阵中的最大特征列向量。
然后,将滑动检测窗口向前滑动一个工频周期的时间长度,获得新窗口内的特征值矩阵S`=[T1`,T2`,T3`,T4`,T5`,T6`],并同样针对每个特征列向量进行上述标准化处理。
至此,得到了窗口移动前后的新旧窗口内两组连续采样序列的特征值矩阵S=[T1,T2,T3,T4,T5,T6]和S`=[T1`,T2`,T3`,T4`,T5`,T6`],其中,理论上T1`=T2、T2`=T3、……、T5`=T6。
对于标准化处理后的两个特征值矩阵,可以采用常规的距离算法来计算两个矩阵之间的距离,并根据距离计算结果来进行串联故障电弧的判断,例如当距离值超过预设阈值时则判定存在串联故障电弧,不超过则判定不存在串联故障电弧。但是,若使用常见的距离算法,例如欧式距离,只能体现特征值之间数值整体上的绝对差异,没有考虑到特征值之间的相对差异。而在本方案中,对于S和S`两个矩阵,在采样序列波形无异常时,窗口内各采样序列的差异性非常小,也就是说T1≈T1`≈T2≈T2`≈……≈T6,只有待比较的T6`无法判断。那么欧氏距离只相当于比较了连续两个最新采样序列的特征值,即T6和T6`的特征值,而其他比较项对结果的影响非常小。但如果省略特征值矩阵中的其他采样序列,只比较最新的连续两组采样序列特征值的欧氏距离,则体现不出新增采样序列T6`对前序T5`、T4`等采样序列的影响,也不能体现出序列的起伏变化。同样的,余弦距离则只考虑到特征值之间的相对差异,余弦距离体现不出特征值数值的绝对大小差异,如果特征值近似与倍数增大,则余弦距离的计算结果体现不出特征值的变化,而且余弦距离同样体现不出序列的起伏变化。
因此,为弥补常见距离算法的部分缺陷,本发明中使用拓展F距离计算两个特征值矩阵之间的差异性。与常用的欧氏距离与余弦距离相比,拓展F距离可以体现出序列的起伏变化,也可以体现特征值数值之间的绝对差异和相对差异,而且拓展F距离将待比较的特征值数据进行了进一步的特征提取,突出两者差异,使比较结果更准确,更具备代表性。
利用拓展F距离测量相似性,首先将需要对比的两个矩阵S和S’进行转化,分别计算两者的协方差矩阵S-cov和S-cov`,可以加强矩阵中各元素之间的相关性。在本发明中,这一步算法可以把矩阵S`中T6`带来的影响拓展到整个矩阵,且随着T6`带来影响的增大,协方差矩阵的变化也就越大,也因此可以体现出序列的起伏变化。
然后,分别将两个协方差矩阵的转置与协方差矩阵本身做矩阵乘法,得到两个实对称矩阵R=S-covT·S-cov和R`=S-cov`T·S-cov`,对这两个实对称矩阵进行特征分解,可以得到两个正交特征向量矩阵。这一步算法可以将协方差矩阵中的特征向量提取出来组成特征向量矩阵,特征向量矩阵更具有代表性,更有利于两者比较并放大差异。
最后,计算上述两个特征向量矩阵的拓展F距离。可以理解,F范数表示一个向量或矩阵的大小,计算方法为将矩阵内所有元素的平方和再开平方。而拓展F距离是基于F范数的一种矩阵距离算法,本发明中将两个特征向量矩阵间每列对应元素相乘再求和,得到两矩阵对应列向量间的关系代数<ai,bi>(1≤i≤6),然后将所有对应列之间的关系代数进行加权求和最后将结果根据算法需求进行变换,得到的拓展F距离就可以表示两个矩阵之间的相似程度了,本发明中设计为F越小两矩阵越相似,即连续两个窗口内数据越相似。
下面是计算矩阵S和S`之间拓展F距离的具体说明:
然后,对矩阵S-cov和S-cov`,分别将矩阵的转置与矩阵本身做矩阵乘法得到两个6阶实对称矩阵,对这两个实对称矩阵进行特征分解,可以得到对应的正交特征向量矩阵VS=[a1,a2,a3,a4,a5,a6]和VS`=[b1,b2,b3,b4,b5,b6],其中ai和bi为长度为6的正交列向量。以矩阵S-cov为例:
令S-covT·S-cov,即两矩阵对应元素相乘,得到一个6阶时实对称矩阵R。将该矩阵进行特征分解,会得到6个特征向量ai(1≤i≤6),每个特征向量为6维列向量,可组成6维矩阵VS:
将上述矩阵VS标准化,标准化方法为:
矩阵标准化后的每一列元素的值的平方和为1。
同理,矩阵S`经过上述算法可以得到矩阵VS`,其中bi(1≤i≤6)为标准化处理后的6维列向量,处理方法同上。
然后,计算拓展F距离,公式如下:
其中,F表示两个正交特征向量矩阵之间的距离,Wi为权重系数,为本发明经过测试后确定值为Wi={0.125,0.25,0.1875,0.125,0.1875,0.125},<ai,bi>=ai1*bi1+ai2*bi2+ai3*bi3+ai4*bi4+ai5*bi5+ai6*bi6为两向量内积。F值越小,两矩阵越相似。
然后,设Q为故障指数,S为安全指数,两者初值均为0。电弧检测算法启动后,自滑动检测窗口被填满后的下一次窗口移动起,开始计算F。若F≥预设阈值,表示新窗口内最新采样序列带来的影响较大,可能发生电弧故障,令Q+1;若F<预设阈值,表示新窗口内最新采样序列带来的影响较大,采样序列间差异性不大,不会发生电弧故障,令S+1。经过试验后,本发明设置预设阈值为0.15。
不断移动滑动检测窗口,每移动一次计算一次拓展F距离。当安全指数S先累计达到安全值时,表示此时线路中不存在串联故障电弧,此时故障指数Q若大于0,则是由于电器正常启停或换挡导致,认为家庭用电安全,同时重置Q、S为0,返回并继续移动滑动检测窗口。其中,本发明中设置安全值为3,当然在本发明其它实施例中也可以设置为其它值,在此不做具体限定。而当安全指数S未累计达到安全值而故障指数Q先累计达到故障值时,本发明设置故障值为N,即为滑动检测窗口的时间长度,表示在连续的S+Q个采样序列中,存在N个采样序列与其他所有采样序列间的相关性较差,该段采样序列混乱程度较大,因此线路中极大可能存在故障电弧,家庭用电存在危险。
可以理解,本发明采用拓展F距离算法来计算两个特征值矩阵之间的距离,并根据距离计算结果来判定线路中是否存在串联故障电弧,相比于常规的距离算法,例如欧式距离、余弦距离等,拓展F距离可以体现出序列的起伏变化,也可以体现特征值数值之间的绝对差异和相对差异,而且拓展F距离将待比较的特征值数据进行了进一步的特征提取,突出两者差异,使比较结果更准确,更具备代表性。
可以理解,作为优选的,如图4所示,当所述步骤S5中判定用电总线路中存在串联故障电弧时,所述串联故障电弧的检测方法还包括以下内容:
步骤S6:获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
具体地,获得用于进行串联故障电弧判定的所有工频周期K的采样序列数据,K=Q+S,分别计算得到每个工频周期的电流有效值,得到一组电流有效值序列{IRMS-1,IRMS-2,……,IRMS-K},计算所述电流有效值序列的线性相关系数R2,计算公式为:
若计算得到的线性相关系数大于等于阈值,则判定用电总线路中不存在串联故障电弧,返回步骤S57,若计算得到的线性相关系数小于阈值,则最终判定用电总线路中存在串联故障电弧。其中,该阈值优选设置为0.4,当然在本发明的其它实施例中也可以设置为其它数值。
可以理解,本发明考虑到某些特殊电器的工作状态较为复杂,可能会被检测算法误识别成串联故障电弧,但这种状态又都会伴随着电流有效值的线性变化,因此若线性相关系数|R2|≥0.4,则认为此时线路中不存在故障电弧,而是某电器的正常工作状态,返回步骤S57;若|R2|<0.4,则最终确定电路中存在故障电弧,并向用户发送报警信息。本发明通过进行防误判检测,进一步提高了检测的准确度。
另外,如图5所示,本发明的另一实施例一种串联故障电弧的检测***,优选采用如上所述的串联故障电弧的检测方法,所述检测***包括:
数据采集模块,用于周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
标准化处理模块,用于对多个工频周期的采样序列数据进行标准化处理;
特征量计算模块,用于对标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
窗口设定模块,用于设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
检测模块,用于利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
可以理解,本实施例的串联故障电弧的检测***,首先周期性地采集用电总线路中的瞬时电流数据,以得到每个工频周期的采样序列,对多个工频周期的采样序列数据进行标准化处理之后,分别计算每个工频周期序列数据的多个特征量,通过采用多个特征量来描述交流电流波形,可以从多个维度很好地体现出电流数据的特性,有利于提高检测精准度。然后,设置滑动检测窗口,滑动检测窗口的长度为N个工频周期,可以同时获取N个工频周期的特征量数据,最后,利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,基于窗口滑动前后的两组特征值数据之间的距离计算结果来进行串联故障电弧的判定。整体检测识别算法基于两个特征矩阵的距离计算结果实现,无需对电流数据进行分解后进行特征量比对,算法相对较为简单,对于嵌入式***的性能没有过高的要求。
另外,作为优选的,如图6所示,所述检测***还包括:
误判断检测模块,当所述检测模块判定用电总线路中存在串联故障电弧时,用于获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
可以理解,本实施例的***中的各个模块与上述方法实施例中的各个步骤相对应,故各个模块的具体工作原理和工作过程参考上述方法实施例,在此不再赘述。
另外,本发明的另一实施例还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明的另一实施例还提供一种计算机可读取的存储介质,用于存储进行串联故障电弧检测的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取介质的形式包括:软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种串联故障电弧的检测方法,其特征在于,包括以下内容:
步骤S1:周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
步骤S2:对多个工频周期的采样序列数据进行标准化处理;
步骤S3:对于标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
步骤S4:设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
步骤S5:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
2.如权利要求1所述的串联故障电弧的检测方法,其特征在于,在所述步骤S1和步骤S2之间还包括以下内容:
步骤S12:基于当前工频周期的采样序列数据计算得到电流有效值,将计算得到的电流有效值与预设的算法开启阈值进行比较,若计算得到的电流有效值大于预设的算法开启阈值,则执行步骤S2。
3.如权利要求1所述的串联故障电弧的检测方法,其特征在于,所述步骤S3中的特征量包括半波对称指标、过零率指标、模糊熵指标、分割线性指标、峭度指标和裕度指标中的至少一种。
4.如权利要求1所述的串联故障电弧的检测方法,其特征在于,所述步骤S5包括以下内容:
步骤S51:利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,直至滑动检测窗口被填满,得到当前窗口内的特征值矩阵S,并对所述特征值矩阵S中的每个特征列向量进行标准化处理;
步骤S52:将滑动检测窗口在多个工频周期组成的特征量序列上向前滑动一个工频周期的长度,获得新窗口内的特征值矩阵S’,并对新窗口内的特征值矩阵S’中的每个特征列向量进行标准化处理;
步骤S53:分别计算两个特征值矩阵的协方差矩阵S-cov和S-cov’;
步骤S54:分别将两个协方差矩阵的转置与协方差矩阵本身做矩阵乘法,得到两个实对称矩阵R=S-covT·S-cov和R`=S-cov’T·S-cov’,对两个实对称矩阵进行特征分解得到两个正交特征向量矩阵;
步骤S55:对两个正交特征向量矩阵进行标准化处理;
步骤S56:计算标准化处理后的两个正交特征向量矩阵之间的距离;
步骤S57:设Q为故障指数,S为安全指数,两者的初始值均为0,自滑动检测窗口被填满后的下一次窗口移动起,每次窗口移动执行步骤S51~步骤S56,若每次窗口移动计算得到的距离值大于等于预设阈值,则令故障指数Q加1,若小于预设阈值,则令安全指数S加1;
步骤S58:不断移动滑动检测窗口,当安全指数S先累计达到安全值时,则判定用电总线路中不存在串联故障电弧,当安全指数S未累计达到安全值而故障指数Q先累计达到故障值时,则判定用电总线路中存在串联故障电弧。
6.如权利要求1~5任一项所述的串联故障电弧的检测方法,其特征在于,当所述步骤S5中判定用电总线路中存在串联故障电弧时,所述检测方法还包括以下内容:
步骤S6:获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
7.一种串联故障电弧的检测***,其特征在于,包括:
数据采集模块,用于周期性采集用电总线路中的瞬时电流数据,得到每个工频周期的采样序列;
标准化处理模块,用于对多个工频周期的采样序列数据进行标准化处理;
特征量计算模块,用于对标准化处理后的每个工频周期的采样数据序列,分别计算每个工频周期序列数据的多个特征量;
窗口设定模块,用于设置滑动检测窗口,所述滑动检测窗口的长度为N个工频周期;
检测模块,用于利用滑动检测窗口在多个工频周期组成的特征量序列上滑动,并计算窗口滑动前后的两组特征值数据之间的距离,基于距离计算结果进行串联故障电弧的判定。
8.如权利要求7所述的串联故障电弧的检测***,其特征在于,所述检测***还包括:
误判断检测模块,当所述检测模块判定用电总线路中存在串联故障电弧时,用于获得用于进行串联故障电弧判定的所有工频周期的采样序列数据,并进行防误判检测。
9.一种设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~6任一项所述的方法的步骤。
10.一种计算机可读取的存储介质,用于存储进行串联故障电弧检测的计算机程序,其特征在于,所述计算机程序在计算机上运行时执行如权利要求1~6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110696990.7A CN113376551B (zh) | 2021-06-23 | 2021-06-23 | 串联故障电弧的检测方法及***、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110696990.7A CN113376551B (zh) | 2021-06-23 | 2021-06-23 | 串联故障电弧的检测方法及***、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376551A true CN113376551A (zh) | 2021-09-10 |
CN113376551B CN113376551B (zh) | 2022-11-08 |
Family
ID=77578616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110696990.7A Active CN113376551B (zh) | 2021-06-23 | 2021-06-23 | 串联故障电弧的检测方法及***、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376551B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917294A (zh) * | 2021-09-25 | 2022-01-11 | 湖北创全电气有限公司 | 基于小波分解的智能自适应电弧检测方法及其应用装置 |
CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120086459A1 (en) * | 2010-10-12 | 2012-04-12 | Howard University | Apparatus and Method for Fault Detection and Location Determination |
CN104793112A (zh) * | 2015-04-03 | 2015-07-22 | 莱茵斯(厦门)科技有限公司 | 一种低压电弧故障检测方法和装置 |
US20160187409A1 (en) * | 2014-12-29 | 2016-06-30 | Eaton Corporation | Arc fault detection system and method and circuit interrupter employing same |
CN109471420A (zh) * | 2018-09-21 | 2019-03-15 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
CN109491358A (zh) * | 2018-09-21 | 2019-03-19 | 浙江大学 | 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法 |
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 |
CN112072783A (zh) * | 2020-07-29 | 2020-12-11 | 北京市腾河电子技术有限公司 | 秒级负荷数据在端侧和边缘侧设备间传输的方法和装置 |
CN112186740A (zh) * | 2020-09-09 | 2021-01-05 | 北京市腾河电子技术有限公司 | 对小负荷用户进行台区识别的方法及***、存储介质 |
-
2021
- 2021-06-23 CN CN202110696990.7A patent/CN113376551B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120086459A1 (en) * | 2010-10-12 | 2012-04-12 | Howard University | Apparatus and Method for Fault Detection and Location Determination |
US20160187409A1 (en) * | 2014-12-29 | 2016-06-30 | Eaton Corporation | Arc fault detection system and method and circuit interrupter employing same |
CN104793112A (zh) * | 2015-04-03 | 2015-07-22 | 莱茵斯(厦门)科技有限公司 | 一种低压电弧故障检测方法和装置 |
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 |
CN109471420A (zh) * | 2018-09-21 | 2019-03-15 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
CN109491358A (zh) * | 2018-09-21 | 2019-03-19 | 浙江大学 | 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法 |
CN112072783A (zh) * | 2020-07-29 | 2020-12-11 | 北京市腾河电子技术有限公司 | 秒级负荷数据在端侧和边缘侧设备间传输的方法和装置 |
CN112186740A (zh) * | 2020-09-09 | 2021-01-05 | 北京市腾河电子技术有限公司 | 对小负荷用户进行台区识别的方法及***、存储介质 |
Non-Patent Citations (1)
Title |
---|
赵怀军等: "基于相关理论及零休特征融合的串联故障电弧检测方法", 《仪器仪表学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917294A (zh) * | 2021-09-25 | 2022-01-11 | 湖北创全电气有限公司 | 基于小波分解的智能自适应电弧检测方法及其应用装置 |
CN113917294B (zh) * | 2021-09-25 | 2023-10-13 | 湖北创全电气有限公司 | 基于小波分解的智能自适应电弧检测方法及其应用装置 |
CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
CN117007896B (zh) * | 2023-10-07 | 2023-12-12 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113376551B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mishra | Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review | |
CN113376551B (zh) | 串联故障电弧的检测方法及***、设备、存储介质 | |
CN109975665A (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
Gangwar et al. | A novel $ k $-means clustering and weighted $ k $-NN-regression-based fast transmission line protection | |
CN114609475A (zh) | 一种交流故障电弧检测方法和*** | |
Anjaiah et al. | A new protection scheme for PV-wind based DC-ring microgrid by using modified multifractal detrended fluctuation analysis | |
CN114584069B (zh) | 一种光伏直流电弧检测方法及*** | |
Li et al. | Fast event identification through subspace characterization of PMU data in power systems | |
CN112147444A (zh) | 一种电力变压器工作状态监测方法及*** | |
Khafidli et al. | Implementation AC series arc fault recognition using mikrokontroller based on fast Fourier transform | |
EP3012643B1 (en) | Method and apparatus for identifying causes for cable overcurrent | |
Khoramabadi et al. | A novel fault location method for compensated transmission line including UPFC using one‐ended voltage and FDOST transform | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
CN109635430B (zh) | 电网输电线路暂态信号监测方法和*** | |
CN114527361A (zh) | 确定交流回路电弧故障的方法及装置 | |
CN108562828A (zh) | 基于小波检测提高电网低电压穿越能力的方法 | |
CN111103490B (zh) | 一种负荷辨识事件检测方法、装置及设备 | |
CN117269660A (zh) | 基于变异系数差分算法的故障电弧检测方法及*** | |
Vieira et al. | Challenges in Application of the Traveling Wave-Based Fault Location Methods Applied to HVDC Systems: Evaluation of Classical One-and Two-Terminal Methods | |
Fan et al. | Research on partial discharge identification of power transformer based on chaotic characteristics extracted by GP algorithm | |
Yang et al. | An arc fault diagnosis algorithm using multiinformation fusion and support vector machines | |
Sinha et al. | Cross‐country high impedance fault diagnosis scheme for unbalanced distribution network employing detrended cross‐correlation | |
Gayathri et al. | An apt method for fault identification and classification on EHV lines using discrete wavelet transform | |
Murali et al. | Forecasting and classification of power quality disturbance in smart grid using hybrid networks | |
CN114779016B (zh) | 一种基于改进dtw的重复性瞬时故障识别方法 |
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 |