文摘

系列的低压配电网络的电弧故障检测,故障电流信号的特征很容易淹没和故障电弧特性很难表示,这大大增加了基于电流信号的故障电弧检测困难。要解决这些问题,一系列电弧故障检测方法结合CEEMDAN分解和敏感的国际货币基金组织提出了选择。摘要CEEMDAN算法首先应用于完整的电弧电流串联分解的缺点。然后,12弧电流的特性指标定义和实现IMF分量的频带划分根据峰度指数和能量特性更敏感。时间窗口特性计算方法提出了获得的局部特征时间尺度的高频国际货币基金组织(IMF)组件。准确选择敏感的国际货币基金组织(IMF)组件是通过比较功能实现索引如方差和均方根值。最后,对于当前的特性集,第二次降维子空间转换算法和实现串联电弧故障检测是基于支持向量机实现的。实际的实验表明,该方法的最优检测精度为91.67%,平均10 crossvalidation实验精度88.33%。这表明IMF提出敏感的选择方法可以有效地捕获故障分量的信号在当前和拟议中的故障特征描述方法具有良好的表征和鉴别能力。

1。介绍

低压配电网络中,电弧故障很容易造成线路绝缘损伤和宽松的终端。故障电弧引起的局部高温容易导致电气火灾事故。电弧故障分为系列,并行弧和弧。当串联电弧故障发生时,它相当于一系列时变电阻电路中,这很容易导致故障电流与负载电流。有时,故障电流的波形特征难以区分的特点,非线性负载电流(1- - - - - -3]。上述因素,系列弧检测带来巨大困难,使其成为一个热点和困难的研究领域弧检测(4,5]。

电弧故障检测方法可分为两类:(1)电弧检测基于弧光的物理特性,电弧声音、温度和(2)弧检测基于电弧电压或电流信号的时频域分析(6,7]。由于电弧故障的位置的随机性,第一检测方法主要是用于电气开关设备及其应用的电弧故障检测是有限的(8,9]。基于电流和电压信号的时频分析方法的监视点在电弧故障检测成为一个研究热点。当前的电弧故障检测方法可以保护下游分支通过安装监控的上游。因此,相比之下,电压检测方法(10),其适用性和灵活性更强和更青睐的研究人员(11,12]。

傅里叶变换是广泛应用于早期的电弧故障检测(13]。这种方法的本质是将电气信号分解成多频正弦波的叠加求和,这将时域问题转换为频域进行分析。傅里叶变换实现的时间域和频率域之间的相关性电气信号,但信号分析只能在时域或频域独立实现,不同时。由于良好的适应性,小波变换可以实现多尺度时频信号的分析,已应用于机械故障信号的分析(14)和电弧故障信号(15,16]。王等人。17)提出了一个混合时间和频率分析和完全连接神经网络——基于(HTFNN)方法来定义系列交流电弧的错。首先,样品大致分为电阻类别,capacitive-inductive类别,切换类别。然后在每个类别,一个单独的完全连接神经网络用于识别断层和方法实现了较高的识别精度。楚et al。18)提出了一个新颖的高频耦合传感器提取系列低压电弧故障的特点。的方法,高频特性信号在不同负载下进行收集和灰色图像转换成二维特性,用于训练卷积神经网络实现串联电弧故障检测。实验表明,该方法稳定,而且相当普遍。

简要地变换(HHT) [19)是一种典型的非线性和非平稳的信号处理方法,及其关键步骤是经验模态分解(EMD)。EMD可以将复杂的信号自适应分解成几个固有模态函数(IMF),但是这种方法有一个严重的混合模式问题,影响的表现遗传性出血性毛细血管扩张症(20.]。因此,吴和黄21提出了集成经验模态分解(EEMD)。通过引入高斯白噪声的频率均匀分布到信号被分解,EEMD克服间歇性信号,避免了混合模式的问题。然而,由于白噪声的干扰,重构信号很容易被扭曲。程等。22)提出了一个增强的周期模式分解(EPMD)算法,准确提取滚动轴承复合故障的周期性脉冲信号,有效地改善了轴承故障诊断的准确性。

2011年,托雷斯et al。23)提出了完整的集成经验模态分解与自适应噪声(CEEMDAN),进一步提高了分解信号的准确性和完整性,有效地克服了混合模式的问题。然而,CEEMDAN算法尚未应用于电弧电流信号分析。CEEMDAN可以实现完整的信号分解,但在电弧故障检测,通常情况下,只有少数国际货币基金组织(IMF)对电弧故障组件是敏感并能反映故障电弧的特征。大多数的其他国际货币基金组织(IMF)组件无效弧检测,甚至含有更多的干扰信息。因此,很难从国际货币基金组织的所有组件中提取故障识别特性通过CEEMDAN分解和干扰特性容易影响电弧故障检测的准确性。

基于上述分析,本文基于CEEMDAN一系列电弧故障检测方法分解和敏感的国际货币基金组织提出了选择。CEEMDAN算法用于分解电流信号并获得完整的国际货币基金组织(IMF)组件。然后,提出了一种策略来自动选择敏感的国际货币基金组织IMF所有组件。在这个策略,峰度指数和能量特性为基础来确定基本频率边界,实现分频。对于高频国际货币基金组织(IMF),我们设计一个基于时间窗口的特征提取方法。使用的数量基本频率间隔时间,国际货币基金组织在高频波段分为一些不重叠的时间窗口和信号的特征索引计算在每一个时间窗口。IMF敏感组件与最强的辨别力选择自适应基于方差等特性指标和均方根振幅。敏感的国际货币基金组织的选择后,当地最好的IMF分量作为特征的特性描述电流信号,可用于构建当前特性数据库。最后,用于实现二次降维子空间转换算法的电流特性和支持向量机(SVM)是用于串联电弧故障检测。实验结果表明,该组合CEEMDAN分解和敏感的国际货币基金组织的选择策略,以及当地的特性基于时间窗的施工方法,可以有效地捕捉系列弧的判别功能,实现可靠的电弧故障检测。

该方法的主要亮点归纳如下:(1)获得完整的故障电流信号的分解结果,CEEMDAN分解算法是首次应用于电流信号分解(2)提取最歧视的国际货币基金组织(IMF)组件,分频的方法和一个精确的选择敏感的国际货币基金组织提出的方法(3)克服困难的故障特征表示,当地的一个特性计算方法提出了基于时间窗口和12特征索引定义故障特征的表达(4)为了更好地提高串联电弧故障的效率特性和故障检测的准确性,本文采用子空间转换为故障检测功能压缩和支持向量机

本文的其余部分的结构如下:在部分2CEEMDAN算法描述。电流信号的特性计算方法部分中所示3。节4IMF敏感组件的选择方法,提出了串联电弧故障检测方法。详细的实验和分析执行部分5。节6,得出了结论。

2。CEEMDAN算法

混合模式指的现象,一个单一的国际货币基金组织(IMF)组件包含多个组件与不同频率或频率相同的组件是分解成不同的国际货币基金组织(IMF)组件。混合模式通常是由信号的间歇性。因此,EEMD算法引入了高斯白噪声信号被分解,使信号成为连续在不同尺度和减轻模式混合的问题。然而,EEMD算法不能完全消除了噪声干扰,使重构信号失真。在每个阶段的EMD分解信号,CEEMDAN算法自适应地调整噪声系数生成高斯噪声具有不同信噪比引入信号被分解,从而避免模式混合和消除虚假信息的干扰。算法步骤如下:(1)高斯白噪声添加到原始信号 。信号与噪声 ,在哪里是噪声系数。EMD是用于执行分解的信号与噪声。第一个国际货币基金组织(IMF)组件和相应的剩余组件CEEMDAN是通过集成平均: 在哪里分解的数量吗(2)假设是th模式EMD分解的函数。分解的信号 获得第二个CEEMDAN国际货币基金组织的组成部分: (3)计算 - - - - - -订单剩余组件: 在哪里是国际货币基金组织(IMF)组件。EMD分解的执行th信号 直到第一次获得国际货币基金组织(IMF)组件。在此基础上, th CEEMDAN IMF分量计算: (4)重复上述计算步骤,直到剩余组件可以不再被分解国际货币基金组织(IMF)获得CEEMDAN组件;剩下的残余是

因此,在分解之后,最初的信号可以表示为

CEEMDAN方法可以实现完整的基于noise-assisted分析重建原始信号。调整高斯噪声具有不同信噪比噪声系数和引入自适应的信号分解,这有效地提高了EMD分解的效果

3所示。电流信号的特性计算

学习特性计算方法常用在机械故障诊断24,25),为每个国际货币基金组织(IMF)组件的电流信号;本文定义了9统计特性指标,以及能量特性,熵熵特性和能量特性形成的十二当前特征向量。假设组件是CEEMDAN分解后获得,每个组件包含序列采样点,即 ,在哪里代表了采样点。12个特征指标定义如下:

中值是

方差是

均方根值

根振幅

平均振幅

峰是

峰度是

峰度指数

优势指数

的能量特性

熵的特性是 在哪里的概率是。

能量熵特性 在哪里 和代表的能量国际货币基金组织(IMF)组件。

在上面的计算中,国际货币基金组织每个组件包含采样点转化为十二特征向量,这反映了信号序列的整体状态。

4所示。选择敏感的国际货币基金组织的组件和串联电弧故障检测

4.1。基频决心和分频

本文中定义的12个特征指标反映了国际货币基金组织(IMF)组件在不同频率的特点,其中峰度指数和能量特性有很强的电流信号波动的敏感性。因此,根据这两个指标,本文将国际货币基金组织的所有组件的频段。在我们的研究中,发现当峰度指数最小值和能量特性是最大值,相应的国际货币基金组织(IMF)组件具有最小的波动范围,包含了最多的信息。该组件是弧电流信号的基频分量,这是选为划分的边界。因此,国际货币基金组织(IMF)组件上面这个频率高频信号和IMF分量低于这个频率的低频信号。

因为当前导致电弧故障通常是高频信号,所以分频后,特征指数计算和特征提取只需要进行的最初选择的高频信号。它不仅可以减少特征指数计算的复杂性,特征提取和故障检测,但也避免低频信号的干扰,提高电弧检测的准确性。

4.2。当地特性计算和选择敏感的国际货币基金组织(IMF)组件

从所有获得的全球特性采样点的IMF分量数据参与索引计算可以反映信号的整体变化,它反映了不同频率成分的信号特征宏观视图。高频波段,一些国际货币基金组织(IMF)组件的全球特性相似的频率几乎是相同的和关键的特性,区分故障电流信号很容易掩盖。因此,从microviewpoint特征索引需要充分反映当地的电弧电流信号的变化,当地特性指标的计算方法的基础上,提出了时间窗。然后,最敏感的国际货币基金组织(IMF)组件是准确地选择从IMF高频组件基于时间窗的地方特色。算法步骤如下:(1)确定周期数国际货币基金组织的基本频率(2)根据段数 ,IMF高频组件分为不重叠的时间窗口,即 ,在哪里代表了th IMF高频组件(3)为时间窗的12 th IMF分量,根据索引定义特征值计算公式,如的特性th窗口 。因此,功能形成的届国际货币基金组织的组件是 维度,即 (4)方差 ,均方根值 ,根振幅 ,平均振幅 ,能量的特性 ,熵和能量特性国际货币基金组织中的每个时间窗口组件的选择判断指标

如果上述判断的波动指标前后时间窗口(如th和 windows)小于阈值 ,这表明,国际货币基金组织的信号在每个窗口组件是稳定的。,国际货币基金组织(IMF)不包含当前信息导致故障电弧。

如果判断指标(如前后时间窗口th和 th windows)有明显的跳跃变化和跳跃幅度大于或等于阈值 ,它表明,IMF分量的信号不稳定。,国际货币基金组织包含当前信息导致故障电弧。(5)通过以上计算和比较,IMF分量最大的跳跃幅度选择从国际货币基金组织(IMF)组件的跳转功能指标的价值超过了阈值前后的时间窗口 ,这是IMF敏感组件。所以,这个组件串联电弧故障检测最强的歧视

地方特色与周期性捕获由当地特性计算基于窗口的时候,它可以表达的信号变化详细时间尺度。它有明显的优点和不同程度分析高频信号故障电弧引起的波动。在这个工作的基础上,选择敏感的IMF分量可以更好地描述信号的关键特性,提高电弧故障检测的准确性。

4.3。串联电弧故障检测

CEEMDAN分解后,敏感的国际货币基金组织的选择,和地方特性计算,最好的IMF分量的特征信息弧电流。然而,这些特性仍然含有大量的冗余信息,甚至干扰信息。因此,提高判别的能力特性,是非常重要的为初步执行二次特征提取与降维弧电流特性。

子空间映射是将从原始空间特征向量映射到新空间的数学变换,和新空间的特征向量维度较低和更重要的判别能力。现在,典型的子空间特征提取方法在机器学习包括PCA, LDA, ICA, KPCA, KLDA [26]。在这部作品中,线性PCA子空间映射和LDA算法和非线性子空间映射KPCA和KLDA算法用于二次提取和降维弧电流特性。

支持向量机(SVM) (27)是一个典型的二元分类器,它有独特的优势在解决小样本、非线性和高维模式识别问题。我可以隐藏在最大程度上决定样本的信息功能,它广泛应用于故障诊断领域。因此,本文选择了支持向量机的分类器串联电弧故障检测。

总之,该算法的总体流程如图1。

5。实验和分析

5.1。电流信号采集平台

系列故障电弧一代平台的电路原理图所示2。输入电压是220 V和LPCT带宽为200千赫用作电流传感器。故障电弧发生器使用铜电极直径10.0毫米的滑动接触和石墨电极直径8.0毫米的引用静态接触。

5.2。当前数据集建设

基于故障电弧生成电路如图2,当前信号收集的录音设备。采样频率设置为50千赫,采样长度设置为20毫秒。当前数据集构建在不同负载下表所示1。

考虑实际电路的负载可分为三种类型:纯电阻负载,resistor-inductance负载和非线性负载。800 W电炉是选为纯电阻负载。当炉在400 W时,它在半波整流的状态工作。因此,800 W和400 W电熔炉基本上涵盖了目前电阻负载的特征。计算机是一种非线性负载,其电流波形可以代表大部分开关电源负载。微波炉属于非线性负载电感,它可以代表大多数resistor-inductance负载的电流特性。上述四种负载与更高的频率在生活中常用的家用电器,可以代表大多数负载,与典型性。在这项实验中,10组正常电流数据和30组的故障电流数据收集在每个负载。图3显示电流波形的比较之前和之后的电弧故障,无疵点信号前5期的最后5期故障信号。

5.2.1。训练数据集

在实验中,我们随机选择5组正常电流数据和20组在四种负载下故障电弧电流数据的训练样本。因此,训练样本集的大小是100。

5.2.2。测试数据集

其余5组正常电流和10组四种负载下故障电弧电流作为测试样本集,和测试样品的总数是60。为了确保可靠的检测结果,该算法的平均精度评估10交叉测试。

5.3。电流信号的分解实验

在这部作品中,CEEMDAN算法分解弧电流信号,结果在图所示4和5。数据4(一)和5(一个)显示计算机时的电弧故障电流波形作为负载和微波炉作为负载。第一个时期是正常电流波形,最后一个5期故障电流波形。

实验表明,CEEMDAN算法自适应分解当前计算机负荷和微波信号加载到14组件和实现详细而完整的电弧电流信号分解在不同的频率范围,可有效克服EMD分解算法的混合模式的问题。观察数据的分解结果4 (b)和5 (b),组件IMF10包含10个完整的正弦周期信号的频率与原电流信号是一致的。因此,IMF10对应于基本频率分量。IMF10作为边界,IMF1 IMF9被归类为高频信号,和IMF11 IMF14被归类为低频信号。每个频带的划分简单和明显的表明,混合信号分解完成,没有模式。

此外,计算机的负载下,高频分解信号表明,IMF4 IMF5,时间尺度和IMF6组件有显著差异,尤其是IMF5和IMF6好歧视。微波负载下,波形从IMF4 IMF7电弧发生之前和之后明显不同,尤其是IMF4和IMF5好分化这大大的提高电弧故障检测。

总之,CEEMDAN分解策略有很大的优势在克服模式混合和分解分量信号的判别是强大的。因此,它是可行的选择CEEMDAN电弧电流信号分解算法。

5.4。特性计算电弧故障电流和敏感的国际货币基金组织(IMF)的选择

为了更好的数学描述每个国际货币基金组织(IMF)组件,减少故障检测操作的复杂性,我们采用统计特性指标均值和方差,以及能量特性,熵特性,熵和能量特性,总共12个特征值作为国际货币基金组织每个组件的功能描述。分解结果如图5 (b)作为一个例子,12 14日国际货币基金组织(IMF)组件的功能和特征矩阵的计算 构造尺寸如表所示2。

表中的数据2显示,12个特征指标反映不同特征的多尺度国际货币基金组织(IMF)组件,其中峰度指数和能量特性有很强的歧视。因此,通过比较每个国际货币基金组织(IMF)组件的峰度指数和能量特性,它可以清楚地判断,IMF10基本频率分量。该组件可以用作频率划分的边界。IMF1-IMF9对应于高频信号和IMF11-IMF14对应于低频信号。这个结论是相同的,从直接观察获得的图5 (b)节5.3。它进一步证明了提出的频率划分策略是有效的。

当前信号收集在我们的实验中都含有10期。因此,根据当地特性计算方法的时间窗口,每个国际货币基金组织(IMF)组件在高频波段可分为10个窗户。然后,12个特征指标的均值和方差计算每个窗口。表3显示的特性计算结果IMF5分为10个时间窗口如图5 (b)。

根据表中的数据3,通过比较索引如方差、均方根,根幅、平均振幅能量特性,熵和能量特性,我们可以看到,前5期的索引值明显不同于过去的5期。这表明,国际货币基金组织(IMF)组件包含的信息导致电弧故障,所以这个国际货币基金组织的组件可以作为敏感的国际货币基金组织(IMF)组件的候选人之一。

准确地选择最敏感的IMF分量,在我们的实验中,微波炉荷载作用下分解的结果作为一个例子。我们计算的时间窗口的地方特色包括IMF1 IMF9 9高频组件。综合所有特征值的比较后,发现IMF4的特点在第一个5期和最后5期变化幅度最大,最强的区分意义。其他国际货币基金组织(IMF)组件的特性值在第一个和最后一个5月经也改变了在某种程度上,但是变化的幅度低于IMF4,分化程度较弱。因此,IMF4组件被选为最敏感的组件根据明显的分化和最大振幅变化的原则。同样,在计算机负载下的分解结果图4 (b),IMF6是最敏感的组件。

总之,在本文中,我们准确地选择最歧视敏感的IMF分量,然后,故障电弧电流信号的特征是10时间窗口和12特征索引。因此,最初的电流信号与每组10000个采样点转化为一个向量,120特性值。局部特征提取后的时间窗口,160组正常电流和故障电弧电流数据4负荷类型最终形成电流特性数据库的规模 。

5.5。故障电弧检测实验

的 维电流特性数据库还包含一些冗余信息和干扰信息,这不仅增加了电弧故障检测的复杂性,而且也会影响检测的准确性。因此,我歧视,较高的特征子空间变换方法用于执行二次特征提取当前功能。子空间变换方法包括线性PCA子空间方法和本文采用KPCA和KLDA LDA和非线性子空间方法。

系列故障电弧检测是一个二元分类问题,使用支持向量机的故障检测器。在实验中,使用高斯核支持向量机的核函数和最优支持向量机的惩罚因子确定为10和核函数的可调参数是决定通过交叉验证0.55网格搜索方法。

PCA和LDA的主要影响因素是保留特征维度在特征提取。KPCA和KLDA包括保留特性的影响因素维度和可调参数在内核函数。因此,对比实验来确定执行参数设置为每个算法的最优性能。图6显示了PCA和LDA功能维度对检测精度的影响在一个交叉实验。图7显示KPCA和KLDA特征维度的影响和内核函数可调参数检测精度在十字架上实验。

如图6的曲线弧故障检测精度也有类似的趋势。当维数低于25,检测精度普遍较低。在这个阶段,随着维数逐渐增加,中包含有效信息功能逐渐增加,因此,检测精度迅速增加。维度是30 - 45时,检测精度达到一个高价值的,但有一个小波动影响功能的有效性。当维数超过45岁,将引入干扰信息保留功能,因此检测精度将略有减少。在这个阶段,随着维度的继续增加,检测精度总体稳定,保持在80%左右。

此外,因为LDA监督算法,而主成分分析是一种无监督特征提取算法,LDA比PCA更容易获取强大的判别功能。因此,LDA显示更多优秀的检测性能。在这个实验中,特征尺寸34时,最优检测PCA-SVM精度为85%。功能尺寸是35时,最优检测LDA-SVM精度为88.33%。经过10 crossvalidation实验,平均检测PCA-SVM精度为77.2%。LDA-SVM算法的平均检测精度为81.5%。

图7显示功能维度对检测精度的影响当内核函数可调参数有不同的价值观。发现feature-retained维度对检测精度的影响类似于线性的子空间算法。核函数的可调参数中扮演着重要角色在提高检测精度。如图7可调参数的最优值的KPCA算法0.4和最优feature-retained尺寸是30和最高的检测精度为88.33%。的可调参数的最优值范围KLDA算法0.3 - -0.4,和最优feature-retained维度是30,和最高的检测精度达到91.67%。综合分析后,核函数KLDA算法的可调参数设置为0.35。两种算法的最优特征维度是30。

为了证明该算法的可靠性和有效性,10 crossvalidation实验执行和平均检测精度的实验计算最终的绩效评估。结果,平均精度10 crossvalidation实验如图8。

一般来说,非线性子空间转换算法的性能优于线性算法。虽然LDA-SVM算法的检测性能优于KPCA-SVM算法在1日9日和10日实验,KPCA-SVM的总体平均检测精度是82.7%,这比LDA-SVM 81.5%。这表明非线性子空间变换的特征提取能力优于线性子空间转换和特性集包含更多的非线性信息。此外,KLDA-SVM算法平均检测精度最高的88.33%。KLDA算法的优势在于监督的指导信息。在同等条件下保留30-dimensional特性,KLDA算法可以捕获特性更重要的歧视和更强的分类能力。因此,与KPCA-SVM算法相比,KLDA-SVM的检测精度提高了约5%。

6。结论

为了实现有效和准确的故障电弧检测系列,一个检测算法基于CEEMDAN分解和敏感的国际货币基金组织提出了选择。摘要系列弧一代平台构建和当前数据收集四种负载。CEEMDAN算法基础上,实现电弧电流分解和频分策略提出了实现高频信号的选择。然后,敏感的国际货币基金组织(IMF)组件的一个精确的选择策略,提出了消除了无效的IMF分量的干扰,减少了故障检测的复杂性。当地的特点提出了基于时间窗的施工方法,实现当地敏感的国际货币基金组织(IMF)组件的特征提取和增强电弧电流特性的对比和歧视。子空间变换用于提取二次特性和降低维度,以及支持向量机用于故障电弧检测系列。该算法的最优平均检测精度为88.33%,证明了该算法的有效性和提供了一个重要的参考故障电弧探测技术和设备的设计。

数据可用性

实验中使用的数据集可以通过联系相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

傅Guixia提出最初的想法,写这篇论文;陈Guizhen分析数据和纠正翻译;王伟和王Qinbing收集实验数据。邹Guofeng参加了合理性示范和手稿修改。

确认

这项研究由集成山东科技大学的基金和周家镇(没有。118228年),中国国家自然科学基金(没有。61801272),中国山东省自然科学基金(没有。ZR2016FL14)。