[发明专利]基于全相位深度学习的低压配电系统串联故障电弧识别法

说明书

本发明公开了基于全相位深度学习的低压配电系统串联故障电弧识别法，解决了现有的低压配电网故障中，针对串联故障电弧的识别方法易受噪声、频谱泄漏干扰，影响识别效果，识别效率不高，且稳定性不高的问题。本发明方法包括：在低压交流系统下，对低压回路中的不同负载进行电流信号采集；对采集到的电流信号进行全相位离散傅里叶变换，进行负载的全相位频谱特征量提取，并构建全相位频谱特征向量；构建基于Logistic回归的深度学习神经网络模型，通过对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练，直到该模型收敛为止；利用训练好的模型完成对不同负载种类的甄别及是否发生串联故障电弧的识别。

技术领域

本发明涉及低压配电系统串联故障电弧识别技术领域，具体涉及基于全相位深度学习的低压配电系统串联故障电弧识别法。

背景技术

低压配电系统中，由于线路或设备的绝缘老化、破裂或电气接触不良时，常常伴随故障电弧，进而引发火灾隐患。低压故障电弧分为并联故障电弧和串联故障电弧，并联故障电弧是由配网线路间发生短路故障引起，短路电流较大，保护装置能够正确识别并动作。串联故障电弧由线路发生接触不良或断线而引起，其故障电流值为5～30A，无法满足保护装置的灵敏性要求。实际低压配电网故障中，最难识别的也是串联故障电弧。

对串联故障电弧的检测方法，目前可以分为三类：①基于Cassie电弧模型的仿真电路；②利用电弧发生时产生的光、热、声音等物理特征判断；③分析串联电弧发生时的电流、电压信号，运用数学方法识别故障电弧。第③种方法由于适应范围广，可靠性高，主要集中在对电流和电压信号的时频特征分析和特征向量的数学分析等。其中，时域特征分析是利用电流、电压波形的变化率、突变的波形斜率值、“零休”时间等特征来识别串联故障电弧，缺点是环境噪声的影响或采样数据的污染都会使时域指标产生较大的误差，干扰判断结果。频域特征分析是利用信号在频域上的频谱特征、谐波和间谐波含量来判断是否发生串联故障电弧，缺点是易受频谱泄漏的影响，干扰判定结果。特征向量的数学分析方法包括自回归参数模型、分形维数和支持向量机、小波变换和奇异值分解等，原理及检测流程较复杂，实际检测中稳定性不高，不能较好的运用到工程实际中。

发明内容

本发明所要解决的技术问题是：现有的低压配电网故障中，针对串联故障电弧的识别方法易受噪声、频谱泄漏干扰，影响识别效果，识别效率不高，且稳定性不高的问题，本发明提供了解决上述问题的基于全相位深度学习的低压配电系统串联故障电弧识别法。

本发明通过下述技术方案实现：

基于全相位深度学习的低压配电系统串联故障电弧识别法，该方法包括：

在低压交流系统下，对低压回路中的不同负载进行电流信号采集；

对采集到的电流信号进行全相位离散傅里叶变换，进行负载的全相位频谱特征量提取，并构建全相位频谱特征向量；

利用建成的全相位频谱特征向量，构建基于Logistic回归的深度学习神经网络模型，通过对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练，直到该模型收敛为止；

利用学习训练完成的基于Logistic回归的深度学习神经网络模型，对待识别的分段负载电流波形进行全相位谱分析测量，完成对不同负载种类的甄别及是否发生串联故障电弧的识别，根据该模型输出它将各负载按种类、正常运行或故障电弧状态进行编号，且其中u≠v，u、v＝0，1，…，47，表示识别出负载的种类编号为round(u+1)/2，运行状态为正常电弧，u为偶数；或者运行状态为故障电弧，u为奇数；其中round()表示取四舍五入。