基于全相位谱和深度学习的串联故障电弧识别方法

发布时间：2021-07-08 00:32

　　为准确识别低压配电网中的串联故障电弧,提出了一种基于全相位谱和深度学习的串联故障电弧识别方法。首先,从理论上推导负载畸变信号的全相位频谱特征产生机理,利用全相位离散傅里叶变换提取线性、非线性负载的全相位频谱特征量。其次,构建了基于Logistic回归的深度学习神经网络模型,并对不同负载、不同运行状态下的全相位频谱特征量进行深度学习训练。最后,对搭建的故障电弧试验平台上采样数据进行分析,结果能准确识别低压配电网是否发生串联故障电弧和甄别出故障负载的类型。试验结果验证了所提方法的有效性,并随着深度学习理论在电力系统智能化中的应用,该方法可做进一步的深入研究和推广。 

【文章来源】：电力系统保护与控制. 2020,48(17)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图1串联故障电弧电路示意图

弧电路示意图Fig.1Circuitdiagramofseriesfaultarc为模拟真实发生串联故障电弧时的电气量变化情况，根据UL1699-2008AFCI标准[18]搭建串联故障电弧模拟试验平台如图2所示。试验平台由电源模块、故障发生模块、数据采样分析模块三部分构成，其中AC表示低压交流试验电源，K1、K2、K3表示开关，Rp、R1=0.1Ω分别表示试验负载和采样电阻，DA表示数据采集模块，PC表示用于分析的计算机。电弧发生器参照IEC62606-2013标准[19]，用于产生稳定的串联故障电唬图2串联故障电弧试验平台示意图Fig.2Schematicdiagramofseriesfaultarcexperimentplatform2故障电弧的全相位谱特征2.1全相位频谱的数学机理对于低压交流系统，其实际电流信号可以表示为多个信号分量的线性叠加，即1()cos()MiiiiyntAntp(1)式中：n[N1,N1]，2N1为分析数据长度；t为采样间隔；i、iA、ip为某个信号分量的角频率、幅值和初相位；M为信号分量总数。对式(1)中的电流信号分别进行离散傅里叶变换和全相位离散傅里叶变换(忽略负频率的影响)，各自的频谱表达式为[20-21]j11()()e2iMpiiiGkAWk(2)2j11()()e2iMpiiiYkAWk(3)式中：k为谱线序号；/ii，为角频率分辨率；()iWk为频率偏移量ik处对应的矩形窗谱函数，如式(4)。1jπ()()esin()iNkNiiWkck(4)设频率分量i的频谱幅值峰谱线序号为ki，βiki为峰谱线ki处的频率偏移量。?

梢?看出，当出现频谱泄漏时，全相位离散傅里叶变换的幅值出现成倍衰减，这也是全相位离散傅里叶变换的频谱具有良好频谱泄漏和频谱干涉抑制性能的根本原因[22]，因此测量的频率分量具有很高的精度。2.2负载正常运行时的电流频谱特征根据前述的全相位频谱形成机理，对式(1)对应的线性负载(电阻30Ω)、非线性负载(电阻30Ω、电感1mH)电流信号分别进行离散傅里叶和全相位离散傅里叶变换，并进行频率分量的频率和幅值测量，得到其时域波形和频谱图分别如图3和图4所示。图3线性负载正常的电流时域图和频谱图Fig.3Currenttimedomainandfrequencyspectrumgraphoflinearloadincommoncondition图4非线性负载正常的电流时域图和频谱图Fig.4Currenttimedomainandfrequencyspectrumgraphofnon-linearloadincommoncondition从图3和图4可以看出，线性负载正常运行时波形接近理想的正弦波，频谱图中仅含基波分量，全相位频谱测量结果仅含基波幅值。非线性负载正常运行时波形发生较有规律的周期性畸变，频谱图中的各频谱线形成频谱带，全相位谱测量结果包含各次谐波分量和较少部分间谐波分量，其中奇数次谐波分量较突出。负载正常运行时通过全相位谱测量方法可以实现线性负载和非线性负载的频谱特征提取，而不同种类的负载具有不同的频谱特征，因此可以区分正常运行状态下不同种类的线性负载和非线性负载。由图4(b)和4(c)可以看出，在波形发生畸变时，传统离散傅里叶变换的频谱泄漏和频谱间干涉问题较严重，频谱分析算法容易误判。全相位离散傅里叶变换可较好地抑制频谱泄漏，有效解决了传统频谱分析方法受频谱泄漏干扰的问题，从而提升频谱分析的正确性。以基波为例，


本文编号：3270681