基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究.pdf
《基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究.pdf》由会员分享,可在线阅读,更多相关《基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究.pdf(11页珍藏版)》请在咨信网上搜索。
1、第51 卷 第13 期 电力系统保护与控制电力系统保护与控制 Vol.51 No.13 2023年7 月1 日 Power System Protection and Control Jul.1,2023 DOI:10.19783/ki.pspc.221564 基于高频重构信号与 Bayes-XGBoost 的低压电弧 故障辨识方法研究 罗 晨1,喻 锟1,曾祥君1,仝海昕1,慕静茹1,谢志成2,邓 军2(1.电网防灾减灾全国重点实验室(长沙理工大学),湖南 长沙 410114;2.中国南方电网有限责任公司超高压输电公司,广东 广州 510663)摘要:针对低压配电系统中单个用电负载支路串联电
2、弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost 的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的 XGBoost 模型,并采用 Bayes 算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与 6 种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。关键
3、词:低压系统;XGBoost;支路电弧故障;特征提取;信号重构 Low voltage arc fault identification method based on high frequency reconstructed signal and Bayes-XGBoost LUO Chen1,YU Kun1,ZENG Xiangjun1,TONG Haixin1,MU Jingru1,XIE Zhicheng2,DENG Jun2(1.National Key Laboratory of Disaster Prevention and Reduction for Power Grid(Ch
4、angsha University of Science and Technology),Changsha 410114,China;2.Extra-High Voltage Transmission Company of CSG,Guangzhou 510663,China)Abstract:There is a problem of difficult identification of series arcing faults in single power-using load branches in low-voltage distribution systems.Thus a lo
5、w-voltage arc identification method based on high-frequency reconstructed signals and Bayes-XGBoost is proposed.First,a multi-branch,multi-load type LV arc fault true type experimental platform is built and relevant data is collected.Second,based on the main line current high frequency signal change
6、 law before and after a fault,the signal weak change superposition method is proposed to reconstruct the effective signal of the fault.Finally,an XGBoost model for single load branch arc fault identification is established,and the Bayes algorithm is used to optimize several hyperparameters of the mo
7、del.The experimental results show that the proposed method has a high accuracy in identifying arc faults in a single load branch in a variety of operating scenarios.In comparison with the six mainstream fault analysis methods,the proposed method shows significant advantages in terms of accuracy,trai
8、ning speed and generalizability.The proposed method is useful for the reliable identification of arcing faults in single load branches of LV distribution systems.This work is supported by the National Natural Science Foundation of China(No.52037001 and No.52207125).Key words:low voltage systems;XGBo
9、ost;branch circuit arc faults;feature extraction;signal reconstruction 0 引言 随着国民经济水平的不断发展,居民用电需求 基金项目:国家自然科学基金项目资助(52037001,52207125);湖南省自然科学基金项目资助(2022JJ50187);湖南省教育厅项目资助(22A0231);湖南省研究生科研创新项目资助(CX20220858)显著提高,但同时也使得用电安全隐患随之增长1。线路老化、绝缘破损、接线端子松动、线路长期过负荷运行等原因导致的电弧故障现象频发,而电弧故障一旦发生,其弧隙温度可高达 30004000,且
10、常伴随有金属熔融喷溅物,极易引燃周围可燃物,导致电气火灾发生,给人们的生命及财产安全带来巨大威胁2-4。然而,电弧故障因具有较强的随机性、隐蔽性,在故障初期及故障持续期间,均难以被有-92-电力系统保护与控制电力系统保护与控制 效感知5。因此,快速、准确地实现电弧故障辨识有利于对其进行及时处理,降低事故率,提高居民用电安全系数。目前,针对低压系统故障电弧辨识的研究主要分为基于物理现象和基于电气数据分析等两个不同角度。基于电弧故障物理现象的检测方法大多采用热、光电、声、红外等几个特征6-10。文献11通过电晕、阳光、手电筒光、灯光及电弧故障弧光等一系列光源进行传感实验研究,研制了一种基于弧光单一
11、判据的开关柜内部电弧故障检测装置。文献12根据电弧故障发生前弧声信号主要集中在 510 kHz的特点,建立混沌检测系统判断是否存在弧声,提出一种基于混沌理论的电弧故障早期检测方法。这些方法虽然能够较好地实现故障电弧的检测,但存在成本高、应用场景受限等缺点,无法广泛应用于低压用电场景。基于电气数据分析的辨识方法大多根据电弧机理,提取故障前后电流、电压及功率等电气数据的频域与数学统计量特征值,结合人工智能模型进行电弧故障辨识13-17。文献18通过理论推导出负载电流波形畸变的全相位频谱特征产生机理,并提取实验负载的全相位频谱特征量,结合深度学习模型实现对不同负载的电弧故障辨识。文献19针对传统线路
12、保护装置存在对电弧故障的误判和漏判等问题,提出一种基于支持向量机的故障电弧辨识方法。文献20针对非典型负载发生电弧故障时难以检测的问题,提出一种基于 BP 神经网络与电流特征融合的故障电弧辨识方法。以上基于电气数据分析的方法均达到了较高准确率的辨识效果,但其考虑的只是不同类型单负载或是多负载运行工况下主线路发生电弧故障时的辨识问题,而实际生活用电场景中的故障电弧断路器则需在多个负载多条支路运行工况下,通过主线路电气参数实现任意支路电弧故障的辨识。此外,还需考虑开关开断、插头插拔及非线性负载启停等干扰因素对实现电弧故障精准辨识的影响。因此,在多负载运行工况下,通过主线路电流信号实现任意支路电弧故
13、障的快速精准辨识,更有利于解决生活实际问题。为解决以上问题,本文针对 220 V/50 Hz 低压单相家庭用电系统,搭建电弧故障真型实验平台,并获取多支路不同类型负载工况下的正常与电弧故障数据。从而进行波形特性、高频信号及多维特征量分析,采用叠加信号微弱变化的方法,得到支路电弧故障发生时主线路的故障有效信号。通过提取故障多维特征,解决了不同负载正常和电弧状态下,因单一特征重叠导致的故障漏判与误判问题。进而提出基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法。最后通过测试数据集对所提方法进行深度测试,证明了该方法的有效性和泛化能力。并通过多模型对比分析,体现了本文所提方法在
14、时间、精度及泛化能力等方面的优越性。1 混淆性负载电弧故障特性分析 1.1 实验平台搭建与数据采集 为获取多支路不同类型负载工况下的电压与电流数据,研究支路电弧故障发生时的主线路电流波形特性,本文搭建了多负载支路电弧故障实验平台,接线示意图如图 1 所示。该平台可在不同负载类型随机组合的工况下,模拟任意负载支路电弧故障情况。为使实验与真实低压电弧故障场景更加贴近,选取吹风机(阻性)、电磁炉及手电钻(感性)和可控硅电子调节器(非线性)等多种类型常见的负载,分别组合接成双回路、三回路及四回路工况进行多次电弧故障实验。负载接入方案如表 1 所示。图 1 多负载支路电弧故障实验平台接线示意图 Fig.
15、1 Wiring diagram of multi-load branch arc fault experimental platform 表 1 支路数量与故障设置 Table 1 Number of branches and fault settings 实验组别试验负载 支路数 故障支路 1 电磁炉、电子调节器 2 电磁炉 2 电磁炉、手电钻、吹风机 3 吹风机 3 电磁炉、电钻、吹风机、电子调节器 4 电子调节器4 电磁炉、电钻、吹风机、电子调节器 4 吹风机 实验采集正常与故障两种运行状态下的弧隙电压、故障支路电流及主回路电流等数据,采样率为 10 kHz。获得原始数据后,对其进行去
16、噪及归一化处理,并对电流、电压进行波形分析。图 2 为三负载运行工况下吹风机支路发生电弧故障前后的电流电压波形图。罗 晨,等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -93-图 2 电弧故障前后电流电压波形图 Fig.2 Current and voltage waveforms before and after an arc fault 由图 2 可知,多负载运行工况下,当吹风机支路发生电弧故障时,故障所在支路电流故障特征明显,而上一级主线路电流变化情况受负载数量及功率影响严重。当负载数量多且故障支路功率较小时,故障特征被正常支路信号淹没,难以通过主线路原
17、始电流信号实现电弧故障有效辨识。但故障发生后电流波形整体毛刺增多,波形过零及波峰波谷位置有微小畸变,信号高频成分发生变化。1.2 主线路电流频谱特性分析 相比正常状态的电流,发生电弧故障时电流信号表现出宽频特性,其高频信号增多。分别对实验组别 14 的主线路电流信号进行频谱分析,其中,实验组别 1 的频谱图如图 3 所示,由图 3 可知,故障电弧发生时,电流基频信号减少,0.35 kHz 频带内电弧电流波形整体幅值高于正常状态电流信号。图 3 实验组别 1 频谱分析图 Fig.3 Experimental group 1 spectrum analysis graph 为兼顾信号信噪比及高频抗
18、干扰能力,通过对不同类型负载支路正常与电弧故障时主线路电流的频谱进行比较,选取 0.35 kHz 作为特征频段进行电流特性分析。1.3 干扰性影响分析 为有效避免开关开断、非线性负载启动及插头插拔等因素对电弧故障辨识的影响,通过实验模拟此类真实场景,为与家庭实际用电场景更加贴近,将实验平台中弧隙与负载间线长设置为 25 m,并对其进行波形分析可知,插头插拔与开关开断瞬间电流出现高频信号,并在不足 1/2 个正弦周期内恢复稳定,其高频信号持续时间与电弧故障发生时存在较大差异。电钻启动波形变化持续时间虽比开关开断及插头插拔时间长,但其整体变化也未超过一个采样周期,且信号频率与正常工作状态及电弧故障
19、状态均存在差异。图 4 为多负载随机组合情况下,吹风机插头插拔、电钻启动及稳定运行时的主线路电流波形图。图 4 干扰性场景主线路电流波形图 Fig.4 Main line current waveform graph of interference scenario 由此可知,通过多频段信号变化叠加及多维特征融合可有效避免插头插拔、开关开断及电钻等非线性负载启动对故障辨识的影响。2 故障信号重构与多维特征提取 2.1 故障高频信号分析与重构 多负载多支路运行工况下,主线路信号由各负载支路信号混叠组成,且随着支路数量的增加,主线路电流信号混叠现象越严重。因此,针对小功率负载支路发生电弧故障时,主
20、线路电流波形因只发生细微变化而不容易准确辨识的问题进行高频信号分析。而小波分析可以实现多分辨率分析且具有良好的时频局部化特征,采用小波分析在时域与频域中能够同时获得较好的分辨率,能够很好地得到电弧故障在高频段的信息,保留良好的电弧故障特征信息。选用小波分析的方法进一步分割细化 0.35 kHz特征区间,并提取各细分区间信号时域波形,通过信号重构叠加各细分频段内信号故障特征。根据已有研究进行小波基筛选,选取电气信号分析领域常用的小波包基 sym4 对预处理后的数据进行 6 层小波分解,研究其高频信号的变化规律。通过对比分析正常与故障状态下主线路电流的高频细节信号,-94-电力系统保护与控制电力系
21、统保护与控制 发现经过预处理的电流信号经小波分解后,故障前后高频细节信号均会在 d1d4四层发生明显变化。图 5 为实验组别 1 正常与电弧故障状态下的主线路电流高频细节信号。图 5 主线路电流高频细节信号 Fig.5 Main line current high frequency detail signal 因此,可剔除其他故障无效信号,通过叠加故障前后发生变化的1d4d四层细节信号来凸显故障特征,并提取有效故障特征量。根据小波分解原理21-23,当采样频率为 10 kHz时,可计算得到1d4d四层高频细节信号的频率范围分别为 2.55 kHz、1.252.5 kHz、0.6251.25
22、kHz和 0.31250.625 kHz。根据小波重构原理,将其他信号置零,并将故障前后发生明显变化的四层高频信号重构形成新的信号S。图 6 为各实验组别重构信号,图 6 中,iI为重构信号正常状态电流,iI为重构信号电弧状态电流,1,4i。1234Sdddd (1)观察图 6 可知,对电流数据归一化,并进行高频信号分析与重构,得到的重构信号波形故障前后存在明显区别,相比原始电流波形信号具有更加明 图 6 主线路电流高频重构信号 Fig.6 Main line current high frequency reconfiguration signal 显的故障特征,将其作为电弧故障有效信号进行
23、特征提取可提高辨识准确度。因此,本文采用故障微弱信号叠加法进行高频信号分析与重构,能够实现故障有效信号的提取,且对于凸显故障特征具有显著效果。2.2 多维特征分析与提取 根据电弧特性分析与实验研究,多负载工况下小功率负载支路发生电弧故障时,主线路电流信号高频成分会发生改变。为进一步分析每个采样点的特征变化情况,通过滑动时间窗法对数据进行样本化处理,每个采样点的特征值通过其最近一个周期的采样数据进行计算得到。在不同类型负载运行工况下,电弧故障前后的罗 晨,等 基于高频重构信号与 Bayes-XGBoost 的低压电弧故障辨识方法研究 -95-高频细节信号均在d1d4上发生了变化,而小波能量熵具有
24、对信号突变敏感的特点,能够体现信号序列的复杂程度,在信号发生改变时会随之发生变化,可以表征故障前后信号特征的改变。因此,可通过提取d1d4四层细节信号小波能量熵进行分析,具体计算公式为 lg()eejjjHpp (2)式中:eeH为计算得到的小波能量熵值;/jjpEE,1mjjEE,其中jE为各频段小波能量,m为分解层数。故障前后d1d4小波能量熵特征分布如图 7 所示。图 7 故障前后 d1d4小波能量熵特征分布图 Fig.7 Distribution of d1d4 wavelet energy entropy features before and after the fault 由图
25、7 可知,故障前后四层细节信号小波能量熵均发生明显变化,说明其与电弧故障具有较强的关联性,能够作为故障特征判据鉴别是否发生电弧故障。同时,根据故障前后重构信号波形的差异性,结合重构信号时域特征进行分析。为提高模型泛化能力和缩短模型训练时间,减少冗余特征的计算,本文对重构信号的积分、方差和峰态等 3 个时域特征及香农熵进行可视化分析,其特征分布情况如图8 所示。由图 8 可知,电流重构信号积分、方差、香农熵以及峰态等特征量在故障前后均发生明显变化,可作为串联电弧故障的有效特征判据。综合以上特征分析可知,不同负载正常与电弧故障状态下的电流信号存在特征交叠现象,因此,利用单一特征作为判据进行串联电弧
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 高频 信号 Bayes XGBoost 低压 电弧 故障 辨识 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。