中文字幕精品在线播放,国产精品午夜国产小视频,国产精品狠色婷

基于时频色谱图的串联故障电弧识别

2022年电子技术应用第8期

王毅1，罗章权1，李松浓2，陈涛2，侯兴哲2，付秀元3

1.重庆邮电大学通信与信息工程学院，重庆400065；2.国网重庆市电力公司电力科学研究院，重庆400014； 3.国家电投集团数字科技有限公司，北京100080

摘要： 由于电力线老化损坏以及连接处松动会产生故障电弧，可能会意外引起严重的电气火灾。不同类型的负载所引起的故障电弧存在差异，导致住宅区故障电弧识别变得困难。提出了一种基于时频图和深度卷积神经网络的串联故障电弧识别的方法。通过故障电弧实验采集了负载正常工作和故障电弧的电流数据。单个负载半周期电流数据将通过连续小波变换转换为三维特征图像，然后将这些图像输入到改进的深度卷积神经网络中进行训练、测试。实验结果表明，单个负载正常和电弧状态识别的精度在99.31%，对多个负载工作状态的识别准确率平均可以达到99.2%。

關鍵詞： 串联故障电弧时频图深度卷积神经网络

中圖分類號： TM501.2
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212349
中文引用格式： 王毅，羅章權，李松濃，等. 基于時頻色譜圖的串聯故障電弧識別[J].電子技術應用，2022，48(8)：70-75.
英文引用格式： Wang Yi，Luo Zhangquan，Li Songnong，et al. Identification of series fault arc based on time-frequency chromatogram[J]. Application of Electronic Technique，2022，48(8)：70-75.

Identification of series fault arc based on time-frequency chromatogram

Wang Yi1，Luo Zhangquan1，Li Songnong2，Chen Tao2，Hou Xingzhe2，Fu Xiuyuan3

1.Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China； 2.Electric Power Research Institute of State Grid Chongqing Electric Power Company，Chongqing 400014，China； 3.State Power Investment Corporation Digital Technology Co.，Ltd.，Beijing 100080，China

Abstract： The aging and damage of the power line and the loose connection will cause a fault arc, which may accidentally cause a serious electrical fire. There are differences in arc faults caused by different types of loads, which makes it difficult to identify arc faults in residential areas. This paper presents a method of series fault arc recognition based on time-frequency diagram and deep convolutional neural network. Through the arc fault experiment, the current data of the normal load and the fault arc are collected. The single load half-cycle current data will be converted into three-dimensional feature images through continuous wavelet transform(CWT), and then these images will be input into the improved convolutional neural network(CNN) for training and testing. The experimental results show that the accuracy of identifying the normal and arc status of a single load is above 99.31%，the accuracy of identifying the working status of multiple loads can reach 99.2% on average.

Key words : series fault arc；time-frequency diagram；convolutional neural network

0 引言

故障電弧是住宅區電氣線路火災的最重要的原因之一，它能產生極高的溫度，并容易引燃周圍的可燃材料^[1]。據應急保障管理部消防救援局最新數據的統計，2020年全國共接報火災25.2萬起，直接財產損失40.09億元。其中，電氣引發的較大火災36起，在各類火災中排名第一，高達55.4%，大部分電氣火災是由故障電弧引起的。因此，識別故障電弧對減少火災發生，提高居民財產安全有著重大的意義。

隨著國內外對故障電弧火災危險性認識的不斷加深，國內外分別制定了GB14287與UL1699標準^[2-3]，標志著國內外故障電弧檢測技術的發展進入了一個新階段^[4]。近年來，許多學者已經開始研究故障電弧。一些學者通過熱、光、電磁輻射、電壓等信息進行特征進行故障電弧檢測^[5-7]。由于故障電弧的位置是未知的，因此很難通過以上方法對住宅區故障電弧進行檢測。相反，故障電弧電流測量的方便性使其成為了故障電弧檢測的理想特征。Jiang^[8]等人通過主成分分析算法將提取到的9個電流信號的時域和頻域特征降維為3個特征，結合支持向量機(Support Vector Machine，SVM)進行故障電弧識別；龍官微^[9]等人將電流信號的傅里葉系數、梅爾倒譜系數和小波特征作為特征量輸入到深層神經網絡，用于識別正常和故障電流；Wang^[10]等人在通過電流的諧波分量占比、時域的積分、方差等特征對負載類型識別之后，再結合不同的神經網絡進行故障電弧識別；鮑光海^[11]等人通過分析電弧熄滅重燃時高頻剩余磁通的耦合信號，利用高階統計量工具計算出耦合信號的峭度值并得出統一的閾值進行電弧識別。

本文詳細內容請下載：http://m.tom3567.com/resource/share/2000004654。

作者信息：

王毅1，羅章權1，李松濃2，陳濤2，侯興哲2，付秀元3

(1.重慶郵電大學通信與信息工程學院，重慶400065；2.國網重慶市電力公司電力科學研究院，重慶400014；

3.國家電投集團數字科技有限公司，北京100080)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容