技术领域
[0001] 本
发明属于在线监测以及故障检测领域，尤其涉及一种负载识别以及工 频串联电弧故障检测方法。
背景技术
[0002] 电弧是是气体放电中最强烈的一种自持放电现象，不用很高的
电压就能 维持相当长时间的电弧稳定燃烧而不熄灭。电弧的
温度可达到上万摄氏度甚至更 高同时含有强
辐射，在电弧区的任何固体、液体或气体在电弧作用下都会产生强 烈的物理及化学变化，因此极易引起火灾。
[0003] 工商业及居民住宅内电气线路和设备长时间的过负荷运行、绝缘破损、 施工期间遗留的不良电气连接等情况，均会导致电线的绝缘层出现老化，存在产 生电弧故障的隐患，即故障电弧时常在住宅或商业电气系统的任何地方发生。电 弧故障危害极大，仅0.5A的
电流产生的电弧温度即可高达2000℃-3000℃，足以 引燃任何可燃物。电弧的维持电压低至20V时仍可使电弧连续稳定存在，难以 熄灭。电弧常成为电气火灾的点火源并引发火灾，造成重大财产损失和严重人员 伤亡。
[0004] 随着家用负载种类的逐渐增加，电弧故障
断路器的市场越来越大。然而 目前仍未有一种真正成熟的电弧检测产品出现。因此研究一个适合多种负载并能 够准确识别电弧故障的
算法是迈向用电安全的重大一步。
发明内容
发明目的：
[0005] 本发明的目的就在于解决上述问题，提供一种负载识别以及工频串联电 弧故障检测方法，该方法通过A/D转换器实时采集
电路中的电流，利用时域以及 频域分析求得电流
波形的特征信息，然后通过线性判别分析对信息进行负载识别 特征提取，将提取得到的特征输入
支持向量机进行训练从而得到负载识别模型， 判断出负载类型后，再次利用线性判别分析进行电弧检测特征提取。根据得到的 电弧检测特征判断是否发生了电弧故障。同时，若出现新的负载类型，模型能够 再次训练从而得到更新和完善。技术方案：
[0006] 本发明为实现上述发明目的采用如下技术方案：
[0007] 一种负载识别以及负载识别以及工频串联电弧故障检测方法，其包括以 下几个步骤：步骤S1，采集电路中的电流数据；步骤S2，对采集到的电流数据 进行时域以及频域分析；步骤S3，将分析得到的时域以及频域信息进行线性判 别分析得到负载识别特征；步骤S4，将负载识别特征输入支持向量机进行负载 识别；步骤S5，若该负载为已有的负载类型，则进行步骤S6，若该负载不为已 有的负载类型，则返回步骤S3；步骤S6，确定负载类型后，再次进行线性判别 分析得到电弧检测特征；步骤S7，将电弧检测特征与
阈值进行比较判断是否发 生了电弧故障，若发生了电弧故障，则输出结果，若没有发生电弧故障，则返回 步骤S1。
[0008] 所述步骤S1中，通过电流互感器以及A/D转换器对电路中的电流进行 实时采集，为保证频域分析的准确性，
采样频率应大于等于所分析谐波的最高频 率的2倍。
[0009] 所述步骤S2中，需要分析的时域信息包括：波形对称性、波形突变点、 有效值、峰值若干个信息的组合。频域信息为电流的谐波含量。时域分析的具体 实现步骤如下：
[0010] 步骤S2.1，计算电流波形的最大滑动差值MSD，计算公式如公式(1) 所示：其中，Ii为每个采样点的电流值。
[0011] 步骤S2.2，计算电流波形的最大欧氏距离MED，计算公式如公式(2) 所示：其中，T为电流波形的周期数，T应大于等于2，为计算方便，此处T取值为4。
[0012] 步骤S2.3，计算电流波形的零区占比，计算公式如公式(3)所示：其中，N为采样点的数目，N0为采样点的电流值小于最大电流值十分之一的 采样点数目。
[0013] 所述步骤S2中，具体的频域分析步骤如下：
[0014] 步骤S2.4，利用DFT计算电流波形的
频谱信息；
[0015] 步骤S2.5，计算整数次谐波幅值与基波幅值之比 其中In为各 次谐波幅1
值，I为基波幅值；
[0016] 所述步骤S3中，对步骤S2得到的时域以及频域信息进行线性判别分 析，具体实现步骤如下：
[0017] 计算负载样本矩阵XL的d维均值向量；
[0018] 计算负载样本矩阵XL的类内散布矩阵SW以及类间散布矩阵SB；
[0019] 计算矩阵 的特征值；
[0020] 保留k个最大特征值，并将对应的
特征向量构建
降维矩阵WL；
[0021] 计算负载类型特征矩阵YL＝XL×WL。
[0022] 所述步骤S4中，负载识别模型采用了支持向量机进行构建，核函数选 择径向基函数，惩罚因子C选择1，gamma值定为20；
[0023] 步骤S5，对步骤S4得到的负载识别结果进行判断，如果为已有负载类 型，则执行步骤S6，若负载类型未知，则返回步骤S1；
[0024] 所述步骤S6中，电弧检测的线性判别分析的具体实现步骤如下：
[0025] 将样本电流的时域以及频域信息加入电弧故障
数据库构建电弧样本矩 阵XA并给与“未知”标签；
[0026] 计算电弧样本矩阵XA的d维均值向量；
[0027] 计算电弧样本矩阵XA的类内散布矩阵SW以及类间散布矩阵SB；
[0028] 计算矩阵 的特征值；
[0029] 保留k’个最大特征值，并将对应的特征向量构建降维矩阵WA；
[0030] 计算电弧检测特征矩阵YA＝XA×WA；
[0031] 所述步骤S7中，将得到的电弧检测特征同阈值进行比较，确定是否发 生了电弧故障，阈值设置为0，当电弧检测特征小于0时，负载处于正常运行状 态，返回步骤S1。当电弧检测特征大于0时，负载处于电弧故障状态，输出检 测结果。
[0032] 与
现有技术方案相比，本发明具有如下有益效果：
[0033] (1)本发明以电流
信号的时域以及频域信息为
基础进行了特征提取，可 以大大的保留原始数据的信息；
[0034] (2)利用了支持向量机构建了负载识别模型，从而实现了具备
自学习的 负载识别功能；
[0035] (3)根据负载种类的不同再次进行了电弧特征的提取从而实现了高精 确度的电弧检测；
附图说明
[0037] 附图2为线性判别分析计算流程图；
[0038] 附图3为某次采样得到的未知负载的电流波形；
[0039] 附图4为样本电流波形的频谱图；
[0040] 附图5为基于SVM的负载识别模型结果图；
具体实施方式
[0041] 为使本
申请的上述目的、特征和优点能够更加明显易懂，下面结合附图 对本申请的具体实施方式做详细的说明。
[0042] 本发明涉及的一种负载识别以及工频串联电弧故障检测方法流程如图 1所示，其包括以下几个步骤：步骤S1，采集电路中的电流数据；步骤S2，对 采集到的电流数据进行时域以及频域分析；步骤S3，将分析得到的时域以及频 域信息进行线性判别分析得到负载识别特征；步骤S4，将负载识别特征输入支 持向量机进行负载识别；步骤S5，若该负载为已有的负载类型，则进行步骤S6， 若该负载不为已有的负载类型，则返回步骤S3；步骤S6，确定负载类型后，再 次进行线性判别分析得到电弧检测特征；步骤S7，将电弧检测特征与阈值进行 比较判断是否发生了电弧故障，若发生了电弧故障，则输出结果，若没有发生电 弧故障，则返回步骤S1。
[0043] 本
实施例通过电流互感器以及A/D转换器对电路中的电流进行实时采 集，为保证频域分析的准确性，
采样频率应大于等于所分析谐波的最高频率的2 倍。
[0044] 本实施例需要分析的时域信息包括：波形对称性、波形突变点、有效值、 峰值若干个信息的组合。频域信息为电流的谐波含量。
[0045] 时域分析的具体实现步骤如下：
[0046] 步骤S2.1，计算电流波形的最大滑动差值MSD，计算公式如公式(1) 所示：其中，Ii为每个采样点的电流值。
[0047] 步骤S2.2，计算电流波形的最大欧氏距离MED，计算公式如公式(2) 所示：其中，T为电流波形的周期数，T应大于等于2，为计算方便，此处T取值为4。
[0048] 步骤S2.3，计算电流波形的零区占比，计算公式如公式(3)所示：其中，N为采样点的数目，N0为采样点的电流值小于最大电流值十分之一的 采样点数目。
[0049] 频域分析的具体步骤如下：
[0050] 步骤S2.4，利用DFT计算电流波形的频谱信息；
[0051] 步骤S2.5，计算整数次谐波幅值与基波幅值之比 其中In为各 次谐波幅值，I1为基波幅值。
[0052] 一种负载识别以及工频串联电弧故障检测方法，其中，负载识别的线性 判别分析的具体实现步骤如下：
[0053] 计算负载样本矩阵XL的d维均值向量；
[0054] 计算负载样本矩阵XL的类内散布矩阵SW以及类间散布矩阵SB；
[0055] 计算矩阵 的特征值；
[0056] 保留k个最大特征值，并将对应的特征向量构建降维矩阵WL；
[0057] 计算负载类型特征矩阵YL＝XL×WL。
[0058] 步骤S4中，负载识别模型采用了支持向量机进行构建，核函数选择径 向基函数，惩罚因子C选择1，gamma值定为20；
[0059] 步骤S5，对步骤S4得到的负载识别结果进行判断，如果为已有负载类 型，则执行步骤S6，若负载类型未知，则返回步骤S1；
[0060] 所述步骤S6中，电弧检测的线性判别分析的具体实现步骤如下：
[0061] 将样本电流的时域以及频域信息加入电弧故障数据库构建电弧样本矩 阵XA并给与“未知”标签；
[0062] 计算电弧样本矩阵XA的d维均值向量；
[0063] 计算电弧样本矩阵XA的类内散布矩阵SW以及类间散布矩阵SB；
[0064] 计算矩阵 的特征值；
[0065] 保留k’个最大特征值，并将对应的特征向量构建降维矩阵WA；
[0066] 计算电弧检测特征矩阵YA＝XA×WA。
[0067] 将得到的电弧检测特征同阈值进行比较，从而能够确定是否发生了电弧 故障。阈值设置为0，当电弧检测特征小于0时，负载处于正常运行状态，返回 步骤S1。当电弧检测特征大于0时，负载处于电弧故障状态，输出检测结果。
[0068] 对上述方法进行实验验证，结果如下：
[0069] 在实验中采集某负载的某次电流数据，本次实验的采样频率为100kHz， 采样周期数为5个，采样点数N＝10000，波形图如图3所示。
[0070] 首先按照公式(1)-(3)计算波形的时域信息，得到如下结果：MSD＝0.055
MED＝1.841
ZCP＝0.945
[0071] 接下来，对波形数据进行频域分析，采用的方法是离散傅里叶变换，得 到频谱图如图4所示。
[0072] 提取十次以内的整数次谐波和基波幅值并计算比值 得到的结 果如表1所示。表1 样本波形的整数次谐波和基波幅值比An
[0073] 将得到的时域以及频域信息加入内置的负载识别数据集构建负载样本 矩阵XL如表2所示。其中内置数据库中共有4种负载类型，标签和对应的负载 类型如表3所示。其中801条为样本波形，负载类型未知，因此标记为“0”。
表2 负载样本矩阵XL
表3 标签及对应的负载类型
[0074] 计算负载样本矩阵XL的d维均值向量，此处的d为负载类型，因此取 值为5，结果如表4所示。表4 负载样本矩阵XL的5维均值向量
[0075] 然后计算样本矩阵XL的类内散布矩阵以及类间散布矩阵，得到的结 果如表5-6所示。表5 负载样本矩阵XL的类内散布矩阵SW
表6 负载样本矩阵XL的类间散布矩阵SB
[0076] 计算矩阵 的特征值以及对应的特征向量，得到的结果如表7所示。表7 矩阵 的特征值以及对应的特征向量
[0077] 保留最大的两个特征值以及对应的特征向量构建降维矩阵WL。然后计 算负载识别矩阵YL＝XL×WL，最终结果如表8所示。表8 负载识别矩阵
[0078] 得到负载识别矩阵后，将结果输入支持向量机进行识别，得到的负载识 别模型如图5所示。可以看出，该负载属于
电机类负载。因此直接执行下一步的 电弧检测。
[0079] 将样本波形的时域以及频域信息加入电机类负载电弧检测数据库，得到 电弧检测样本矩阵XA如表9所示。运行状态“1”代表为正常运行，运行状态“2” 代表为发生了电弧故障。样本电流的负载类型已知，但运行状态未知，因此赋予 未知标签“0”。表9 电弧检测样本矩阵XA
[0080] 再次进行线性判别分析，得到电弧检测矩阵YA＝XA×WA如表10所示。表10 电弧检测矩阵YA
[0081] 不同负载的电弧检测特征阈值均为0，即低于0的为正常运行状态，超 过0的为电弧故障运行状态，该电机类负载的样本电流的电弧检测特征为0.770， 大于0，因此其发生了电弧故障。输出负载类型以及检测结果。
[0082] 以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能 认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术 人员应当知道，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代， 都应当视为属于本发明的保护范围。
