CN115879048A - 一种基于wrfmda模型的串联电弧故障识别方法和*** - Google Patents
一种基于wrfmda模型的串联电弧故障识别方法和*** Download PDFInfo
- Publication number
- CN115879048A CN115879048A CN202211527995.8A CN202211527995A CN115879048A CN 115879048 A CN115879048 A CN 115879048A CN 202211527995 A CN202211527995 A CN 202211527995A CN 115879048 A CN115879048 A CN 115879048A
- Authority
- CN
- China
- Prior art keywords
- index
- expression
- data
- model
- arc
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于WRFMDA模型的串联电弧故障识别方法和***,包括以下步骤:获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用所述WRFMDA模型对采集到的数据进行识别,并分离出故障样本。本发明对串联故障电弧具有较高的识别准确率,对故障电弧断路器的研制具有实用价值。
Description
技术领域
本发明涉及配电网串联电弧技术领域,尤其涉及一种基于WRFMDA模型的串联电弧故障识别方法和***。
背景技术
在引起电气火灾的原因中,低压线路的电弧故障是造成电气火灾的主要原因之一。电弧故障可分为接地电弧故障、并联电弧故障和串联电弧故障。现有的保护断路器已具备隔离保护并联电弧和接地电弧的能力,然而串联型电弧由于电弧阻抗的作用,电流往往较小,达不到保护断路器的额定值。
串联故障电弧检测方法主要有3种,即基于电弧数学模型、电弧物理现象和电流电压波形的检测方法。但由于电弧模型检测的参数较多、数学算法的条件限制,使得电弧数学模型故障电弧检测方法应用较少,且多停留在计算机模型仿真阶段。同时,利用电弧的一些物理现象所研发的检测装置只适用于固定电弧故障位置,而在实际的检测中不能确定电弧故障发生的具***置,无法对其进行有效的检测,在实际应用中也有一定的局限。因此,相较于前两种方法,基于电流电压波形的电弧检测方法更为常见。
电弧电流波形具有随机性,并且一些特殊的负载在正常工作时产生的电流波形与另外一些负载的故障电流波形是相似的,这两个因素增加了多种负载串联电弧故障检测难度。通常,传统的电弧检测方法先提取特征,然后用分类器对特征量进行分析,但是在提取特征的过程中,虽然时域指标具有易于提取的特性,但是稳定性低,容易受到极端值的影响;频域和时频域变换计算量大,不易在硬件中实现;而卷积神经网络虽能够充分挖掘图像中潜藏的信息,但深层的训练中会出现梯度消失或者梯度***问题。
为此,提供了一种基于WRFMDA模型的串联电弧故障识别方法和***,以解决上述问题。
发明内容
本发明所述的一种基于WRFMDA模型的串联电弧故障识别方法和***,通过结合串联电弧特征指标体系和在线智能学习算法WRFMDA,实现对串联电弧故障的有效检测,解决了现有智能算法存在准确度不够和识别器无法在线更新的缺点,解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
本发明所述的一种基于WRFMDA模型的串联电弧故障识别方法,包括以下步骤:获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用所述WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
优选的,所述电弧特征指标体系包括时域特征指标、频域特征指标和动力学特征指标;所述时域特征指标包括:电流瞬时值变化速率、短时过零率、香农熵以及样本熵;所述频域特征指标包括:谐波、谐波因素、谐波总畸变率以及频率质心;所述动力学特征指标包括:递归率、确定率、平均对角线长度、最大对角线长度、对角线长度熵、层流率、递归次数、最长垂直线以及第二次递归时间。
优选的,令最大电流瞬时值变化速率为指标1,表示一个周期内相邻数据做差的最大值,反映了电流的变化特征,并建立指标1表达式;令最小电流瞬时值变化速率为指标2,表示一个周期内相邻数据做差的最小值,反映了电流的变化特征,并建立指标2表达式;令短时过零率为指标3,表示相邻采样值的符号改变的次数与窗宽的比值,反映了电流的零休特征,并建立指标3表达式;令香农熵为指标4,表示每个信息中包含的信息的期望值,反映电弧故障发生前后电流信号样本复杂度的变化,并建立指标4表达式;令样本熵为指标5,反映电弧故障发生前后电流信号样本复杂度的变化,并建立指标5表达式;令基波为指标6,表示复合波的最低频率,并建立指标6表达式;令二次谐波为指标7,表示电流中所含有的频率为基波的2倍的电量,并建立指标7表达式;令三次谐波为指标8,表示电流中所含有的频率为基波的3倍的电量,并建立指标8表达式;令99次谐波为指标104,表示电流中所含有的频率为基波的99倍的电量,并建立指标104表达式;令二次谐波因素为指标105,表示第二次谐波分量有效值与基波分量有效值之比,并建立指标105表达式;令三次谐波因素为指标106,表示第三次谐波分量有效值与基波分量有效值之比,并建立指标106表达式;令99次谐波因素为指标202,表示第99次谐波分量有效值与基波分量有效值之比,并建立指标202表达式;令谐波总畸变率为指标203,表示全部谐波含量均方根值与基波均方根值之比,反映波形相对正弦波畸变程度,并建立指标203表达式;令频率质心为指标204,反映了电流频率发布的中心,并建立指标204表达式。
优选的,所述动力学指标提取包括以下步骤:使用相空间技术将一维信号重构到高维空间,对长度为N的时间序列x(n),选择嵌入维数m和延迟时长,并建立延迟向量Y表达式;
采用RQA从递归图中提取非线性指标,定量描述递归图的***动力学特性,所述动力学特征包括以下指标:
令递归率为指标205,为衡量递归图中递归点的密度,反映了电流信号序列的相似性大小,并建立指标205表达式;令确定率为指标206,为表征构成对角线的递归点的百分比,将构成线段点和离散递归点进行区分,反映信号***的随机性及可预测性,并建立指标206表达式;令平均对角线长度为指标207,表示对角线长度的平均值,并建立指标207表达式;令最大对角线长度为指标208,表示除主对角线外,对角线方向线段长度的最大值,并建立指标208表达式;令对角线长度熵为指标209,表示对角线结构长度分布的信息熵,表明递归图的复杂程度,并建立指标209表达式;令层流率为指标210,表示垂直线结构的递归点占全部递归点的百分比,并建立指标210表达式;令递归次数为指标211,表示***停留在特定状态的平均时间或该状态将被捕捉的时间,并建立指标211表达式;令最长垂直线为指标212,表示垂直方向线段长度的最大值,并建立指标212表达式;令第二次递归时间为指标213,表示垂直测量递归图中后续递归结构开始之间的时间距离,并建立指标213表达式。
优选的,通过对数据集进行特征指标计算,并转化成适用于WPFMDA模型训练的数据集,测算方法包括以下步骤:
设共有m种负载,所述m种负载电流数据的周期数均为l,并建立负载的第k个特征指标的数据向量表达式;
将数据向量按行组合,得到列向量x(k),并建立数据集的一列特征指标表达式;
通过所述数据向量表达式和特征指标表达式得到电弧特征指标数据集X。
优选的,结合随机森林的袋外数据误差对特征重要性进行排序,对电弧特征指标数据集X进行特征选择,选择过程包括以下步骤:
计算得到每个电弧特征的得分,对其进行排序,并选择排名靠前的特征作为输入特征量,构建新的特征指标集X;
随机森林通过对每一个特征用随机值置换,同时生成新的OOB,用OOB对置换后的模型进行测试,计算预测误差率的变化值,将其当作特征值的得分来衡量特征对模型的重要程度,并建立串联电弧特征得分表达式。
优选的,设处理后的特征指标数据集为X={x1,x2,......,xn},则WPFMDA模型的构建过程包括有以下步骤:
基于蜻蜓算法的加权随机森林WRFMDA模型在传统随机森林算法的基础上,采用DA算法对随机森林的参数进行优化,得到最优决策树棵数Ntree、叶子节点最少的样本数MINLS,并将得到的Ntree和MINLS作为随机森林的确定参数,利用AUC值对随机森林进行投票加权计算得到模型的输出结果;
将随机森林输出结果的准确率作为适应度函数,并寻找最大适应度值,进而确定最优Ntree和MINLS;
将全部数据分为训练集和测试集,用训练集对决策树进行训练,用测试集对完成训练的每一棵决策树进行测试,根据每一棵树的分类结果计算其AUC值并建立AUC表达式;
通过所述AUC表达式得到R(x)表达式,表示WRFMDA模型的输出结果。
优选的,将训练好的WRFMDA模型对采集到的数据进行识别,设备在线状态下,用在线检测时收集到的数据替换测试集,计算出新的AUC值,自动更新权重,分离出故障样本,得到样本表达式,/>样本表达式反映了样本为正常样本或故障样本。
本发明所述的一种串联电弧故障的检测***,包括:第一单元,获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;第二单元,构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;第三单元,使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用所述WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
本发明的有益效果为:
本发明所述的一种基于WRFMDA模型的串联电弧故障识别方法和***,对串联故障电弧具有较高的识别准确率,对故障电弧断路器的研制具有实用价值,对防范电气火灾、保护居民的生命财产安全具有重要意义;通过结合串联电弧特征指标体系和在线智能学习算法WRFMDA,实现对串联电弧故障的有效检测,首先获取典型负载正常工作和电弧故障条件下的电流信号,在传统串联电弧多特征提取的基础上,增加电弧的动力学特征,并结合随机森林的袋外数据误差对特征重要性进行排序,构建更丰富的串联电弧特征指标集,并通过一种能够自更新的加权随机森林串联电弧识别方法,采用蜻蜓算法实现参数的优化,实现了相对于于传统串联电弧检测方法,分类正确率高的功能,且识别方法的权重能够在线更新,适用于工程实际应用。
附图说明
图1为本发明所述的一种基于WRFMDA模型的串联电弧故障识别方法的示意图;
图2为本发明所述的一种基于WRFMDA模型的串联电弧故障识别***的示意图;
图3为特征数量与准确率关系示意图。
图4为不同负载的识别结果示意图。
图5为在线随机森林识别串联电弧故障的流程图。
主要附图标记说明:
1、第一单元;2、第二单元;3、第三单元。
具体实施方式
本发明提供的一种基于WRFMDA模型的串联电弧故障识别方法,结合图1来说明,包括以下步骤:S1、获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;S2、构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;S3、使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
参照UL1699-2008 AFCI标准设计搭建故障电弧实验平台,该平台主要包括电弧故障发生器、电流互感器、数据采集卡、各类负载和空气开关,其中电弧发生器由一个固定电极(平头碳棒)和一个移动电极(尖头铜棒)构成,数据采集卡的采样频率设为10kHz,供电电源是220V 50Hz的交流电;
表1负载类型详情
表1表示具体实验接入的负载类型,实验开始时,接入各种负载后打开开关,在负载正常运行的情况下开始采样,采集正常运行时的电路电流,然后增加两个电极之间的距离,直到出现电弧,维持电弧状态,采集到故障电弧数据,重复上述实验。
首先,电流数据包括和/> 和/>分别表示第i个负载在正常电路状态时的电流数据和在发生电弧故障时的电流数据;将两个数据集分为/>和将标签分别设为1和0,对数据进行归一化处理,因为实际运行中无法对一类负载的全部数据进行归一化,所以采用加窗归一化,对一个窗宽内的数据除以该窗口内电流绝对值最大值,由于RQA需要从多个周期提取时间序列周期性,因此归一化的窗宽设置为5个周期;
构建电弧特征指标体系,电弧特征指标体系包括电流的时域特征、电流的频域特征和动力学特征;时域特征指标包括电流瞬时值变化速率、短时过零率、香农熵以及样本熵,频域特征指标包括谐波、谐波因素、谐波总畸变率以及频率质心,动力学特征指标包括递归率、确定率、平均对角线长度、最大对角线长度、对角线长度熵、层流率、递归次数、最长垂直线以及第二次递归时间。
令最大电流瞬时值变化速率为指标1,表示一个周期内相邻数据做差的最大值,反映了电流的变化特征,则指标1表达式为:
x(1)=max[S(m)-S(m-1)],
式中,S(m)为电流(标幺值)采样信号;令最小电流瞬时值变化速率为指标2,表示一个周期内相邻数据做差的最小值,反映了电流的变化特征,则指标2表达式为:
x(2)=min[S(m)-S(m-1)],
式中,S(m)为电流(标幺值)采样信号;令短时过零率为指标3,表示相邻采样值的符号改变的次数与窗宽的比值,反映了电流的零休特征,将窗宽设置成一个周波,用过零次数替代短时过零率,则指标3表达式为:
式中,S(m)为电流信号波形,n≤N,N为电流信号S(n)的长度,sgn(x)为符号函数,w(x)为垂直窗口函数;令香农熵为指标4,表示每个信息中包含的信息的期望值,反映电弧故障发生前后电流信号样本复杂度的变化,则指标4表达式为:
将一个周期内N个采样点分成一组维数为m的向量序列,
Im(1),Im(2),......,Im(N-m+1),Im(n)={i(n),i(n+1),...,i(n+m-1)},1≤n≤N-m+1,
定义向量序列Im(n),Im(t)之间的距离为d,建立d表达式:
d=maxk=0,1,...,m-1(|i(n+k)-i(t+k)|),
令k=m+1,重复计算指标3表达式和指标4表达式,结果得到Bk(r)表达式:
则所述指标5表达式为:
为了消除快速傅里叶变换计算结果存在误差,在幅值的频谱每个区间[50i-,50i+],i=1,2,...,n/2-1内搜索最大值Di作为谐波分量的幅值,其中D1是基波的幅值,取5,根据奈奎斯特采样定理,10kHz的采样频率最多提取谐波频率为5kHz,所以提取99次以下的谐波(4950Hz)幅值,n取200;
令基波为指标6,表示复合波的最低频率,则指标6表达式为:
x(6)=D1,
式中,D1为基波的幅值;令二次谐波为指标7,表示电流中所含有的频率为基波的2倍的电量,则指标7表达式为:
x(7)=D2,
式中,D2为二次谐波的幅值;令三次谐波为指标8,表示电流中所含有的频率为基波的3倍的电量,则指标8表达式为:
x(8)=D3,
式中,D3为三次谐波的幅值;令99次谐波为指标104,表示电流中所含有的频率为基波的99倍的电量,则指标104表达式为:
x(104)=D99,
式中,D99为99次谐波的幅值;令二次谐波因素为指标105,表示第二次谐波分量有效值与基波分量有效值之比,则指标105表达式为:
x(105)=D2/D1,
式中,D2和D1分别表示二次谐波分量的幅值和基波的幅值;令三次谐波因素为指标106,表示第三次谐波分量有效值与基波分量有效值之比,则指标106表达式为:
x(106)=D3/D1,
式中,D3和D1分别表示三次谐波分量的幅值和基波的幅值;令99次谐波因素为指标202,表示第99次谐波分量有效值与基波分量有效值之比,则指标202表达式为:
式中,D99和D1分别表示99次谐波分量的幅值和基波的幅值;令谐波总畸变率为指标203,表示全部谐波含量均方根值与基波均方根值之比,反映波形相对正弦波畸变程度,则指标203表达式为:
式中,Dk和D1分别表示谐波分量的幅值和基波大的幅值,k=2,3,...,N/2-1,N为采样信号的周期长度;令频率质心为指标204,作用类似于物理上的质量之心,反映了电流频率发布的中心,则指标204表达式为:
式中,Dk表示谐波分量的幅值。
动力学指标提取包括以下步骤:
使用相空间技术将一维信号重构到高维空间,对长度为N的时间序列x(n),选择嵌入维数m和延迟时长,建立延迟向量Y表达式:
式中,采用平均互信息法伪临近点法分别对m和τ进行求解,延迟时长τ设置为1/4个周期,嵌入维数m设置为4;将相空间轨迹转化成为递归量化图,Y中每一行对应一个相点,当相轨迹上的第i个相点ξi与第j个相点ξj之间的距离小于阈值ε时,则***在这两个时刻的状态具有递归性,Ri,j=1在递归图中显示黑点,黑点表达式为:
采用RQA从递归图中提取非线性指标,定量描述递归图的***动力学特性,动力学特征指标包括以下定义:令递归率为指标205,为衡量递归图中递归点的密度,反映了电流信号序列的相似性大小,则指标205表达式为:
式中,N是递归图的边长,Ri,j为0与1组成的递归矩阵;令确定率为指标206,表征的是构成对角线的递归点的百分比,将构成线段点和离散递归点区分开来,反映信号***的随机性及可预测性,则指标206表达式为:
式中,p(l)为递归图中对角线长度为l的线段数,l为对角线的长度,lmin为对角线的最小分析长度,一般取lmin=2;令平均对角线长度为指标207,指对角线长度的平均值,则指标207表达式为:
式中,S为递归图中各线段的数目;令最大对角线长度为指标208,指除主对角线外,对角线方向线段长度的最大值,则指标208表达式为:
x(208)=max(li),
令对角线长度熵为指标209,描述的是对角线结构长度分布的信息熵,用来说明递归图的复杂程度,则指标209表达式为:
式中,p(l)为l长度线段,N为递归图的边长;令层流率为指标210,描述的是垂直线结构的递归点占全部递归点的百分比,则指标210表达式为:
式中,N是递归图的边长,v代表矩阵中垂直线的长度,p(v)为递归图中长度为v的垂直线的分布概率,vmin为垂直线的最小分析长度,取值为2;令递归次数为指标211,表现了***将停留在特定状态的平均时间或该状态将被捕捉的时间,则指标211表达式为:
式中,N为递归图的边长;令最长垂直线为指标212,指垂直方向线段长度的最大值,则指标212表达式为:
式中,Nv为垂直线的绝对数量;令第二次递归时间为指标213,表示垂直测量递归图中后续递归结构开始之间的时间距离,在指标213表达式为:
式中,Nvw为指递归图白色垂直线段的总数,vl为指第,的垂直线段的数目;
从实验数据中选取每种负载的故障数据和正常数据各145组(共290组),共4350组电流数据样本,根据上述的测算方法计算得到电弧特征指标数据集X;
将电弧特征指标数据集X输入在线随机森林,结合随机森林袋外数据误差对实验室标准串联电弧特征指标进行打分,选择排名靠前的特征作为输入特征量,构建新的特征指标集X,以8∶2的比例将特征指标集随机划分为训练集和测试集;
对数据集进行特征指标计算,将其转化成适用于WPFMDA模型训练的数据集,测算方法包括以下步骤:
设共有m种负载,每种负载电流数据的周期数都为l,则负载的第k个特征指标的数据向量表达式为:
将数据向量按行组合,得到列向量x(k),则数据集的一列特征指标表达式为:
则电弧特征指标数据集X为:
X=(x(1),x(2),...,x(213))。
结合随机森林的袋外数据误差对特征重要性进行排序,对电弧特征指标数据集X进行特征选择,选择过程包括以下步骤:
计算得到每个电弧特征的得分,对其进行排序,然后选择排名靠前的特征作为输入特征量,构建新的特征指标集X;
随机森林通过对每一个特征用随机值置换,同时生成新的OOB,用OOB对置换后的模型进行测试,计算预测误差率的变化值,将其当作特征值的得分来衡量特征对模型的重要程度,则串联电弧特征得分的表达式为:
为了确定电弧识别需要的特征数量,考虑用不同数量的特征进行识别,记录10次准确率的平均值,运行结果如图3所示,在特征数量大于4时,识别率平均值超过99%,继续增加特征数量,平均准确率变化不大,在特征数量为11时达到极大值,因此,选择了11个特征量计算最终结果,在实际运行中也可根据目标精度减少特征数量;
表2特征重要性排序
使用训练集对WRFMDA模型进行训练,然后使用WRFMDA模型对测试集进行测试,得到WRFMDA模型对每一个样本的分类结果;具体地,WRFMDA模型基于随机森林算法,首先采用DA算法即蜻蜓算法,对随机森林的参数进行优化,得到最优决策树棵数Ntree、叶子节点最少的样本数MINLS,然后将得到的Ntree和MINLS作为随机森林的确定参数,利用AUC值对随机森林进行投票加权计算得到改进后随机森林的分类结果;
蜻蜓算法的目标是通过确定决策树棵数Ntree和最小叶子大小MINLS对随机森林的结构进行优化,首先将输出结果的准确率作为适应度函数,然后寻找最大适应度值,进而确定最优Ntree和MINLS,AUC能够衡量决策树的分类性能的强弱,通过投票加权,增加分类能力强的树在投票中的决定作用,首先将全部数据分为训练集和测试集,然后用训练集对决策树进行训练,最后用测试集对完成训练的每一棵决策树进行测试,根据每一棵树的分类结果计算其AUC值。
设处理后的特征指标数据集为X={x1,x2,.....,xn},则WPFMDA模型的构建过程包括有以下步骤:基于蜻蜓算法的加权随机森林WRFMDA模型在传统随机森林算法的基础上,采用DA算法对随机森林的参数进行优化,得到最优决策树棵数Ntree、叶子节点最少的样本数MINLS,并将得到的Ntree和MINLS作为随机森林的确定参数,利用AUC值对随机森林进行投票加权计算得到模型的输出结果;
将随机森林输出结果的准确率作为适应度函数,并寻找最大适应度值,进而确定最优Ntree和MINLS;
将全部数据分为训练集和测试集,用训练集对决策树进行训练,用测试集对完成训练的每一棵决策树进行测试,根据每一棵树的分类结果计算其AUC值;
建立AUC表达式:
式中,rankinsi表示第i条样本的序号,score从小到大排,排在第rank个位置,score表示每个测试样本属于正常样本的概率,M、N分别表示正常样本的个数和故障样本的个数,表示把正常样本的序号进行相加,则得到如下R(x)表达式:
式中,R(x)为WRFMDA模型的输出结果,AUCi为随机森林中第i棵决策树的AUC值,yi为每棵决策树输出的结果。
将训练好的WRFMDA模型对采集到的数据进行识别,设备在线状态下,用在线检测时收集到的数据替换测试集,计算出新的AUC值,自动更新权重,分离出故障样本,得到以下样本表达式:
式中,表示该样本为正常样本,否则为故障样本;R(i)(x)为WRFMDA模型的输出,为了体现WRFMDA模型的故障检测优势,与其他全监督的智能学习算法进行比较,包括了传统随机森林、SVM、BP神经网络、逻辑回归,所有识别器的训练数据都采用本文提出的指标集进行训练,其中,SVM的核函数采用的是径向基函数(RBF)核;BP神经网络的训练次数设置为1000,学习率为0.01,采取的评价指标体系为准确率(Accuracy,Acc)、召回率(Recall,Rec)和查准率(Precision,Pre),定义如下:
其中,TP(True Positive)为将正类样本预测为正类的个数;FP(False Positive)为将负类样本预测为正类的个数;FN(False Negative)为将正类样本预测为负类的个数;TN(True Negative)为将负类样本预测为负类的个数;
表3指标及不同识别结果的比较
表3的结果显示,由于识别器的训练数据使用的是本文提出的更为全面的特征指标,这些算法的三个衡量指标都普遍较高,并且WRFMDA模型相较于其他算法具有更高的查准率、查全率、准确率,验证了多特征融合的在线随机森林算法可以更好地运用于电弧故障检测。
为了验证WRFMDA模型对各种负载检测具有适用性,将每种负载的故障数据和正常数据各100组(共200组)输入到混合负载训练出的在线随机森林中,实验结果如图3所示,前1500组都是故障样本,后1500组都是正常样本,图中灰色区域表示识别正确的样本,只有第1446组吹风机冷风故障状态被识别成为正常样本,此结果表示WRFMDA模型对不同的负载都具有较好的适用性。
为了展示WRFMDA模型的在线更新能力,设计了一种严苛的实验条件,在离线训练时缺失一组或一种负载,将缺失数据作为测试集,模拟在线检测时遇到新型负载的情形,计算更新权重前后的准确率;
表4在线更新权重前后的正确率
表4展示了20次实验的准确率平均值,更新权重后的检测准确率都比更新前更高,不同情况下提高幅度有差别,主要还是与缺失数据有关,由于生成树的过程具有随机性,一旦在训练中产生了一棵对未知负载分类能力较强的树,更新权重加大其投票比重就能增加整个模型的检测能力,即使在原模型预测能力极差(50%)的情况下也能通过更新权重增大正确率。
表5不同指标及不同识别器结果比较
为了说明WRFMDA模型的优越性,对各类串联电弧故障识别方法进行多维度比较,表5的结果显示,WRFMDA模型在现场运行前设置了初始的权重,在实际运行中能够利用AUC对回归树的权重更新,做到在线实时更新检测,并且其准确率也比其他方法更高。
本发明提供的一种串联电弧故障的检测***,如图2所示,包括:第一单元1,获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;第二单元2,构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;第三单元3,使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
Claims (10)
1.一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,包括以下步骤:获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用所述WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
3.根据权利要求1所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,所述电弧特征指标体系包括时域特征指标、频域特征指标和动力学特征指标;所述时域特征指标包括:电流瞬时值变化速率、短时过零率、香农熵以及样本熵;所述频域特征指标包括:谐波、谐波因素、谐波总畸变率以及频率质心;所述动力学特征指标包括:递归率、确定率、平均对角线长度、最大对角线长度、对角线长度熵、层流率、递归次数、最长垂直线以及第二次递归时间。
4.根据权利要求1所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,令最大电流瞬时值变化速率为指标1,表示一个周期内相邻数据做差的最大值,反映了电流的变化特征,并建立指标1表达式;令最小电流瞬时值变化速率为指标2,表示一个周期内相邻数据做差的最小值,反映了电流的变化特征,并建立指标2表达式;令短时过零率为指标3,表示相邻采样值的符号改变的次数与窗宽的比值,反映了电流的零休特征,并建立指标3表达式;令香农熵为指标4,表示每个信息中包含的信息的期望值,反映电弧故障发生前后电流信号样本复杂度的变化,并建立指标4表达式;令样本熵为指标5,反映电弧故障发生前后电流信号样本复杂度的变化,并建立指标5表达式;令基波为指标6,表示复合波的最低频率,并建立指标6表达式;令二次谐波为指标7,表示电流中所含有的频率为基波的2倍的电量,并建立指标7表达式;令三次谐波为指标8,表示电流中所含有的频率为基波的3倍的电量,并建立指标8表达式;令99次谐波为指标104,表示电流中所含有的频率为基波的99倍的电量,并建立指标104表达式;令二次谐波因素为指标105,表示第二次谐波分量有效值与基波分量有效值之比,并建立指标105表达式;令三次谐波因素为指标106,表示第三次谐波分量有效值与基波分量有效值之比,并建立指标106表达式;令99次谐波因素为指标202,表示第99次谐波分量有效值与基波分量有效值之比,并建立指标202表达式;令谐波总畸变率为指标203,表示全部谐波含量均方根值与基波均方根值之比,反映波形相对正弦波畸变程度,并建立指标203表达式;令频率质心为指标204,反映了电流频率发布的中心,并建立指标204表达式。
5.根据权利要求4所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,所述动力学指标提取包括以下步骤:使用相空间技术将一维信号重构到高维空间,对长度为N的时间序列x(n),选择嵌入维数m和延迟时长,并建立延迟向量Y表达式;
采用RQA从递归图中提取非线性指标,定量描述递归图的***动力学特性,所述动力学特征包括以下指标:
令递归率为指标205,为衡量递归图中递归点的密度,反映了电流信号序列的相似性大小,并建立指标205表达式;令确定率为指标206,为表征构成对角线的递归点的百分比,将构成线段点和离散递归点进行区分,反映信号***的随机性及可预测性,并建立指标206表达式;令平均对角线长度为指标207,表示对角线长度的平均值,并建立指标207表达式;令最大对角线长度为指标208,表示除主对角线外,对角线方向线段长度的最大值,并建立指标208表达式;令对角线长度熵为指标209,表示对角线结构长度分布的信息熵,表明递归图的复杂程度,并建立指标209表达式;令层流率为指标210,表示垂直线结构的递归点占全部递归点的百分比,并建立指标210表达式;令递归次数为指标211,表示***停留在特定状态的平均时间或该状态将被捕捉的时间,并建立指标211表达式;令最长垂直线为指标212,表示垂直方向线段长度的最大值,并建立指标212表达式;令第二次递归时间为指标213,表示垂直测量递归图中后续递归结构开始之间的时间距离,并建立指标213表达式。
6.根据权利要求1所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,通过对数据集进行特征指标计算,并转化成适用于WPFMDA模型训练的数据集,测算方法包括以下步骤:
设共有m种负载,所述m种负载电流数据的周期数均为l,并建立负载的第k个特征指标的数据向量表达式;
将数据向量按行组合,得到列向量x(k),并建立数据集的一列特征指标表达式;
通过所述数据向量表达式和特征指标表达式得到电弧特征指标数据集X。
7.根据权利要求1所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,结合随机森林的袋外数据误差对特征重要性进行排序,对电弧特征指标数据集X进行特征选择,选择过程包括以下步骤:
计算得到每个电弧特征的得分,对其进行排序,并选择排名靠前的特征作为输入特征量,构建新的特征指标集X;
随机森林通过对每一个特征用随机值置换,同时生成新的OOB,用OOB对置换后的模型进行测试,计算预测误差率的变化值,将其当作特征值的得分来衡量特征对模型的重要程度,并建立串联电弧特征得分表达式。
8.根据权利要求1所述的一种基于WRFMDA模型的串联电弧故障识别方法,其特征在于,设处理后的特征指标数据集为X={x1,x2,.....,xn},则WPFMDA模型的构建过程包括有以下步骤:
基于蜻蜓算法的加权随机森林WRFMDA模型在传统随机森林算法的基础上,采用DA算法对随机森林的参数进行优化,得到最优决策树棵数Ntree、叶子节点最少的样本数MINLS,并将得到的Ntree和MINLS作为随机森林的确定参数,利用AUC值对随机森林进行投票加权计算得到模型的输出结果;
将随机森林输出结果的准确率作为适应度函数,并寻找最大适应度值,进而确定最优Ntree和MINLS;
将全部数据分为训练集和测试集,用训练集对决策树进行训练,用测试集对完成训练的每一棵决策树进行测试,根据每一棵树的分类结果计算其AUC值并建立AUC表达式;
通过所述AUC表达式得到R(x)表达式,表示WRFMDA模型的输出结果。
10.一种基于WRFMDA模型的串联电弧故障识别***,其特征在于,包括:
第一单元,获得典型负载在正常运行时的电流数据和发生电弧故障时的电流数据;将正常电路的电流和故障电弧电流分成两个数据集,分别设不同的标签,对两个数据集进行归一化处理;
第二单元,构建电弧特征指标体系;计算得到特征指标数据集;结合随机森林袋外数据误差对电弧特征指标重要性进行排序,将所选择的电弧特征指标的电流数据集划分为训练集和测试集;
第三单元,使用训练集对WRFMDA模型进行训练,并使用WRFMDA模型对测试集进行测试;利用所述WRFMDA模型对采集到的数据进行识别,并分离出故障样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527995.8A CN115879048A (zh) | 2023-01-31 | 2023-01-31 | 一种基于wrfmda模型的串联电弧故障识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527995.8A CN115879048A (zh) | 2023-01-31 | 2023-01-31 | 一种基于wrfmda模型的串联电弧故障识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879048A true CN115879048A (zh) | 2023-03-31 |
Family
ID=85765182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211527995.8A Pending CN115879048A (zh) | 2023-01-31 | 2023-01-31 | 一种基于wrfmda模型的串联电弧故障识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879048A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908632A (zh) * | 2023-07-19 | 2023-10-20 | 常熟理工学院 | 低压交流串联电弧故障特征自适应寻优检测方法及*** |
CN117390863A (zh) * | 2023-10-18 | 2024-01-12 | 国网四川省电力公司电力科学研究院 | 多场景下三要素配电网单相接地电弧建模分析方法及*** |
CN117991048A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 高比例分布式电源接入的配电网短路故障检测方法及*** |
-
2023
- 2023-01-31 CN CN202211527995.8A patent/CN115879048A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908632A (zh) * | 2023-07-19 | 2023-10-20 | 常熟理工学院 | 低压交流串联电弧故障特征自适应寻优检测方法及*** |
CN117390863A (zh) * | 2023-10-18 | 2024-01-12 | 国网四川省电力公司电力科学研究院 | 多场景下三要素配电网单相接地电弧建模分析方法及*** |
CN117390863B (zh) * | 2023-10-18 | 2024-06-04 | 国网四川省电力公司电力科学研究院 | 多场景下三要素配电网单相接地电弧建模分析方法及*** |
CN117991048A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 高比例分布式电源接入的配电网短路故障检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN115879048A (zh) | 一种基于wrfmda模型的串联电弧故障识别方法和*** | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN107101829B (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
WO2014101579A1 (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
Wang et al. | Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及*** | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112485622A (zh) | 基于ga-bpnn的局部放电模式识别方法 | |
Nikoofekr et al. | Detection and classification of high impedance faults in power distribution networks using ART neural networks | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子***故障诊断方法 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN112633315A (zh) | 一种电力***扰动分类方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
Le et al. | Ensemble machine learning based adaptive arc fault detection for DC distribution systems | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN108875202A (zh) | 基于特征提取的多指标面板数据的同调机组分群方法 | |
CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与*** | |
Kuo | Artificial identification system for transformer insulation aging | |
CN112362292B (zh) | 对风洞试验数据进行异常检测的方法 | |
CN111814834A (zh) | 一种高压电缆局部放电模式识别方法、计算机设备和存储介质 | |
CN115564324A (zh) | 一种基于事件检测的电力指纹识别方法、装置及设备 | |
CN112881827A (zh) | 一种基于改进灰色关联分析的油浸式变压器故障诊断方法 | |
Kim et al. | Cyberattack Detection in Smart Grids based on Reservoir Computing |
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 |