基于经验小波与相空间重构的故障电弧检测方法

本发明属于低压交流系统中故障电弧的检测，特别是一种低压交流系统中串联故障电弧的检测方法。

背景技术：

1、随着经济与科学技术的发展，电气设备在社会生活和工业生产中的应用越来越广泛，这给人们带来方便的同时也加重了发生电气火灾的风险。而电气火灾的主要成因就是故障电弧，根据电弧发生所在的位置和所处的状态，可将故障电弧划分为串联、并联和接地故障电弧，其中并联和接地故障电弧在发生时会引起回路中的电流产生较大变化，从而引起断路器动作；而串联故障电弧发生时对回路产生的影响较小，难以被一般的断路器检测出来，所以针对故障电弧检测技术的研究是预防电气火灾的重要环节。

2、目前主流的故障电弧检测算法是根据故障电弧发生时的电压电流波形的频域特征进行检测，主要用到的技术有傅里叶变换、小波分解、神经网络等，其中，傅里叶变换注重信号的频域特征而忽略了时域特征；小波分解需要选取合适的小波基函数，在参数设置方面需要大量实验，且它无法自适应划分频带，容易导致“特征碎片”；神经网络对于训练用的数据集有一定要求，单纯的电流电压信号特征不明显，训练效果差。所以需要一种准确率高、实验量小的故障电弧检测方法。

技术实现思路

1、本发明的目的在于提供一种基于经验小波与相空间重构的故障电弧检测方法，提取并拓展故障电弧电流波形中的特征，使用神经网络进行训练，从而满足准确率和实验量的要求。

2、实现本发明目的的技术解决方案为：

3、一种基于经验小波与相空间重构的故障电弧检测方法，包括：

4、步骤1、采集不同性质负载在正常工作和发生故障电弧时的电流波形；

5、步骤2、计算得到包含最多特征的特征分量：对采集到的电流波形归一化并进行经验小波分解，并使用hjorth参数判别出最优特征分量；

6、步骤3、将得到的一维特征分量拓展到高维：计算得到的最优特征分量的延迟时间与嵌入维度，根据这两个参数对最优特征分量进行相空间重构，得到拓展的特征分量；

7、步骤4、训练并得到识别模型：将拓展的特征分量制作成数据集，送入cnn-lstm神经网络进行训练，得到最优模型。

8、本发明与现有技术相比，其显著优点是：

9、(1)本发明使用了经验小波分解，相较于小波分解，它能够对信号频谱进行自适应分割，避免了“特征碎片”的同时也不需要通过实验选取最优的小波基函数。

10、(2)本发明在确定最优分量时采用hjorth参数，该参数主要以方差为主，计算量小的同时能够准确反映各分量的特征提取效果。

11、(3)本发明针对经验小波分解提取到的最优分量进行相空间重构，拓展了其提取到的特征，使得后续的神经网络训练更加容易。

12、(4)本发明选取的神经网络为cnn-lstm模型，在运算量小的同时，能够捕捉到时间序列中的长期依赖关系，大大提升了检测效果。

13、(5)本发明采用的几种技术在计算机中都有包或是工具箱支持，避免了复杂的编程实现。

技术特征：

1.一种基于经验小波与相空间重构的故障电弧检测方法，其特征在于，包括：

2.根据权利要求1所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，经验小波分解得到的分量如式(8)和式(9)所示：

3.根据权利要求1所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，使用hjorth参数判别出最优特征分量的过程为：

4.根据权利要求1所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，步骤3将得到的一维特征分量拓展到高维，具体包括：

5.根据权利要求2所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，经验小波分解的步骤包括：

6.根据权利要求5所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，γ的取值如式(4)所示：

7.根据权利要求1所述的基于经验小波与相空间重构的故障电弧检测方法，其特征在于，采集电流波形通过搭载以下故障电弧实验平台进行采集：

技术总结本发明提出了一种基于经验小波与相空间重构的故障电弧检测方法，包括：采集不同性质负载在正常工作和发生故障电弧时的电流波形；计算得到包含最多特征的特征分量：对采集到的电流波形归一化并进行经验小波分解，并使用Hjorth参数判别出最优特征分量；将得到的一维特征分量拓展到高维：计算得到的最优特征分量的延迟时间与嵌入维度，根据这两个参数对最优特征分量进行相空间重构，得到拓展的特征分量；训练并得到识别模型：将拓展的特征分量制作成数据集，送入CNN‑LSTM神经网络进行训练，得到最优模型。本发明提取并拓展故障电弧电流波形中的特征，使用神经网络进行训练，从而满足准确率和实验量的要求。技术研发人员：王志明,刘天正受保护的技术使用者：南京理工大学技术研发日：技术公布日：2024/7/25