一種直流故障電弧檢測性能提升方法及裝置與流程
2024-04-13 11:14:05
1.本發明涉及電力系統技術領域，具體涉及一種直流故障電弧檢測性能提升方法及裝置。
背景技術：
2.在我國，直流負載廣泛應用，直流微電網和直流配電網也逐步在供電系統中運用。以新能源為主的現代電力系統離不開直流配用電技術的發展。然而，直流配用電系統迅猛發展，直流配用電系統容量逐步增大，負載類型的日益多樣，使得對直流配用電系統的安全、可靠運行提出了新的挑戰，安全保護問題也日益突出。
3.在保證直流配用電系統安全保護、穩定運行過程中，直流故障電弧的問題也逐漸成為危害系統穩定運行的重要問題之一。使用直流配電為負載設備供電具有能量損耗小、造價低、供電效率高，為負載供電時無線逆變器等優勢，近年來在全球範圍內發展了許多直流配電項目示範。然而，利用直流配電時，由於直流線路的導線較細、易折損等引起的電氣接口鬆動等問題，這很容易導致電力系統運行過程中產生導線斷裂、絕緣損壞或者線路老化等問題，從而出現生弧間隙進而導致產生故障電弧。電弧故障問題存在於小型住宅系統和大型公用事業系統等場景，產生故障點電弧後如果沒有及時地發現並滅弧，則有可能造成電力系統短路故障，同時也有可能產生電火花，然後隨著連接線路對一些電路、電子產品造成擊穿等危害。在煤氣廠、加油站等可燃性氣體密度較高的地方，必須要避免任何電弧火花的產生，否則極有可能導致火災、爆燃等危險事故，從而對人身和財產安全構成極大的威脅。
4.在目前這個資訊時代下，數據分析的發展已經越來越成熟，統計學也在逐步適應新的環境，通過數據研究提取有用的特徵信息，為人類的生活提供了很多創新性的發展，在電力領域，數據挖掘等相關算法也在廣泛使用。有利用二進位編碼遺傳算法在智能家電智能調度中的應用，有利用自適應監督字典學習用於廣域穩定性評估，利用數據排序、序列挖掘和模式挖掘等方法對孤立地區的消費進行預測；還有在光伏pv(photovoltaic)系統的直流串聯故障電弧檢測中運用了領域自適應和深度卷積生成對抗網絡的算法等。
5.目前，對於故障的檢測是通過系統輸出殘差來判斷，但這可能會導致微小故障在幹擾下會被誤判。並且，相關檢測算法未充分考慮電極材料對電弧診斷的影響且特徵構建過程繁瑣、計算複雜、適應場景較為單一，未充分考慮電弧本身內在信息且準確性低；原有小波分類模型框架檢測電弧存在局限性、效率低、特徵數據不準確。
技術實現要素：
6.本發明所要解決的技術問題在於，提供一種直流故障電弧檢測性能提升方法及裝置，以獲得準確率更高、可靠性更好的直流故障電弧檢測結果。
7.為解決上述技術問題，本發明提供一種直流故障電弧檢測性能提升方法，包括：
8.步驟s1，通過生弧得到不含直流分量的電流數據；
9.步驟s2，將所述電流數據進行六層四個節點的小波分解，得到數據集；
10.步驟s3，利用關聯規則算法，將所述數據集中連續的數據進行滑窗均值離散，獲取具有最強關聯規則的數據作為挖掘得到的特徵數據；
11.步驟s4，將所述特徵數據中的一部分用來訓練分類器模型，另一部分利用訓練好的分類器模型進行故障電弧檢測，得出直流故障電弧的檢測結果。
12.進一步地，所述步驟s3具體包括：將小波分解後的數據利用10個採樣窗口的滑窗均值進行數據離散得到決策表，決策值表示當前電流點是否為故障電弧；如果在10個採樣窗口中超過5個數據點與決策值一致，則判定與故障檢測具有強關聯，將該電流點的十個採樣點的平均值作為此次數據挖掘得到的特徵值。
13.進一步地，所述關聯規則算法具體是apriori算法，是在所述數據集中利用支持度和置信度找出頻繁項集，項目a在資料庫d中出現的次數為a的支持度，記為support(a)，其公式如下：
[0014][0015]
其中，d為資料庫，具體為將所述電流數據進行六層四個節點的小波分解後的數據，δa為a在d中出現的次數，∣d∣為資料庫的數據總數。
[0016]
進一步地，所述步驟s2中的小波分解具體是由rbio3.1小波進行四層變換的(4，6)分解，將輸出的在故障電弧段能量平均值與正常電流能量平均值相比，得出特徵的提升比。
[0017]
進一步地，離散小波變換公式如下：
[0018][0019]
小波特徵公式如下：
[0020][0021]
其中，x(t)為輸入信號，具體為步驟s1通過生弧得到的不含直流分量的電流數據；d為變換後的係數，具體為小波分解後得到的數據；k為母小波伸縮的指標；n為母小波平移的指標；l2(r)為實現平方可積空間；i
t
為當前時刻電流值；i0為當前一組時間窗的0時刻電流值；f為電流能量累積，定義為小波檢測特徵量；提升比fr＝mean(f(ii))/mean(f(i))。
[0022]
本發明還提供一種直流故障電弧檢測性能提升裝置，包括：
[0023]
採集模塊，用於通過生弧得到不含直流分量的電流數據；
[0024]
小波分解模塊，用於將所述電流數據進行六層四個節點的小波分解，得到數據集；
[0025]
特徵數據獲取模塊，用於利用關聯規則算法，將所述數據集中連續的數據進行滑窗均值離散，獲取具有最強關聯規則的數據作為挖掘得到的特徵數據；
[0026]
檢測模塊，用於將所述特徵數據中的一部分用來訓練分類器模型，另一部分利用訓練好的分類器模型進行故障電弧檢測，得出直流故障電弧的檢測結果。
[0027]
進一步地，所述特徵數據獲取模塊具體用於：將小波分解後的數據利用10個採樣窗口的滑窗均值進行數據離散得到決策表，決策值表示當前電流點是否為故障電弧；如果
在10個採樣窗口中超過5個數據點與決策值一致，則判定與故障檢測具有強關聯，將該電流點的十個採樣點的平均值作為此次數據挖掘得到的特徵值。
[0028]
進一步地，所述關聯規則算法具體是apriori算法，是在所述數據集中利用支持度和置信度找出頻繁項集，項目a在資料庫d中出現的次數為a的支持度，記為support(a)，其公式如下：
[0029][0030]
其中，d為資料庫，具體為將所述電流數據進行六層四個節點的小波分解後的數據，δa為a在d中出現的次數，∣d∣為資料庫的數據總數。
[0031]
進一步地，所述小波分解模塊具體用於採用rbio3.1小波進行四層變換的(4，6)分解，將輸出的在故障電弧段能量平均值與正常電流能量平均值相比，得出特徵的提升比。
[0032]
進一步地，離散小波變換公式如下：
[0033][0034]
小波特徵公式如下：
[0035][0036]
其中，x(t)為輸入信號，具體為步驟s1通過生弧得到的不含直流分量的電流數據；d為變換後的係數，具體為小波分解後得到的數據；k為母小波伸縮的指標；n為母小波平移的指標；l2(r)為實現平方可積空間；i
t
為當前時刻電流值；i0為當前一組時間窗的0時刻電流值；f為電流能量累積，定義為小波檢測特徵量；提升比fr＝mean(f(ii))/mean(f(i))。
[0037]
實施本發明具有如下有益效果：利用關聯規則算法在將數據進行六層四個節點的小波分解得到數據集後，將連續的數據進行滑窗均值離散後找出具有最強關聯規則的數據作為該算法挖掘得到的特徵數據，可達到提升故障電弧檢測性能的目的，並利用軟體對故障電弧進行檢測得到準確提升效果；而後利用訓練好的人工智慧模型進行實時檢測，便可得到較現有方案準確率更高、可靠性更好的直流故障電弧檢測結果；apriori算法可以提取具有顯著特徵的數據，從而使得故障電弧的判斷更準確，有利於直流故障電弧的檢測。
附圖說明
[0038]
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0039]
圖1是本發明實施例一一種直流故障電弧檢測性能提升方法的流程示意圖。
[0040]
圖2是本發明實施例中步驟s3的具體流程示意圖。
[0041]
圖3是本發明實施例中小波分析流程示意圖。
[0042]
圖4是本發明實施例中小波與apriori關聯規則算法的特徵有效性對比示意圖。
[0043]
圖5是本發明實施例中小波和apriori關聯規則算法對直流故障電弧檢測準確率結果對比示意圖。
[0044]
圖6是本發明實施例中融合apriori關聯規則算法對現有小波分析的直流故障電弧檢測準確率提升結果示意圖。
具體實施方式
[0045]
以下各實施例的說明是參考附圖，用以示例本發明可以用以實施的特定實施例。
[0046]
基於現有技術存在的缺陷，本發明綜合考慮挖掘電弧內在關聯特性的數據挖掘方法。數據挖掘的算法綜合性運用能力強、有效性強、能夠運用到宏觀型資料庫分析中，它既能夠大力節省人工成本，同時，也能夠節省大量數據分類和分析時間，提高數據分析效率，而更為重要的是數據挖掘技術能夠大大提升有效性和準確性；而涉及的基於關聯規則的方法魯棒性高、特徵顯著，對分類器要求不高。
[0047]
首先介紹一下本發明例利用數據挖掘提升直流故障電弧檢測性能的思想。數據挖掘主要是利用機器學習、統計學習或者其他相關的知識技術，從數據集中整理、挖掘、歸納具有實用性、高價的模型或者數據的方法，提取出有效的、潛在價值數據、特徵的過程。數據挖掘與大數據分析、統計等研究方向密切相關，可以解決大數據分析中數據的存儲和計算問題，它可以在多臺計算機上協同工作，實現分布式運行。數據挖掘首先要在自然界中採集數據，將數據進行存儲、管理、歸納，進行初步數據預處理，將數據進行相應的數據挖掘，通過數據智能分析得出相應的解決方案。數據挖掘步驟通常包括：第一步：在進行相應的數據挖掘之前，要先對自己數據進行相應分析，來確定自己的數據適用於那些數據挖掘的方向，再進行相應的數據挖掘工作，避免造成不必要的工作量；第二步：數據處理，主要是進行數據的預處理和轉換，即將數據轉換成滿足數據挖掘要求的格式，方便導入數據挖掘算法中，滿足數據挖掘格式是數據挖掘的必要條件；第三步：實現數據挖掘，根據要求選擇相應的數據挖掘算法，對相關數據進行挖掘工作；第四步：對數據進行分析。
[0048]
本發明用到的是直流電弧數據，包含了故障電弧和正常電弧，主要是需要挖掘出故障電弧特徵來提升故障電弧檢測性能，最終提升故障電弧檢測準確率。
[0049]
由此，請參照圖1所示，本發明實施例一提供一種直流故障電弧檢測性能提升方法，包括：
[0050]
步驟s1，通過生弧得到不含直流分量的電流數據；
[0051]
步驟s2，將所述電流數據進行六層四個節點的小波分解，得到數據集；
[0052]
步驟s3，利用關聯規則算法，將所述數據集中連續的數據進行滑窗均值離散，獲取具有最強關聯規則的數據作為挖掘得到的特徵數據；
[0053]
步驟s4，將所述特徵數據中的一部分用來訓練分類器模型，另一部分利用訓練好的分類器模型進行故障電弧檢測，得出直流故障電弧的檢測結果。
[0054]
具體地，請結合圖2-圖6所示，本實施例利用生弧實驗得到原始數據是不含直流分量的電流數據，總共有16組數據，每組數據為1251*8000的矩陣數據，挖掘算法主要是在matlab中實現，所以將數據轉成.mat文件形式出現。
[0055]
將原始數據與對應標籤在matlab中的boosted trees模型進行模型訓練，得到檢測模型，再把經過不同數據挖掘得到的特徵數據輸入訓練好的模型中進行故障電弧檢測，
得到最終故障電弧檢測率，並對其提升效果進行分析。
[0056]
本實施例中採用的apriori算法，先將數據進行小波分解到六層得到四個節點(6，0)、(6，1)、(6，2)、(6，3)的小波數據。將小波分解後的數據利用10個採樣窗口的滑窗均值進行數據離散得到決策表，決策值表示當前電流點是否為故障電弧，故障電弧用1表示，正常電流數據用0表示。在本實施例中，支持數為5，即在10個採樣窗口中超過5個數據點與決策值一致則認為與最終故障檢測有強關聯，該電流點的十個採樣點的平均值作為此次數據挖掘得到的特徵值。在本實施例中，利用關聯規則檢測實現故障電弧檢測的過程如圖2。利用apriori算法找到具有強關聯規則的特徵數據，一部分數據用來訓練boosted trees模型，另一部分特徵數據利用所得boosted trees模型進行故障電弧檢測，得出直流故障電弧的檢測結果，並得出所採用的方法對直流故障電弧檢測的準確率。
[0057]
在本實施例中，主要是利用關聯規則中典型的apriori算法，在將數據進行六層四個節點的小波分解得到數據集後，將連續的數據進行滑窗均值離散後找出具有最強關聯規則的數據作為該算法挖掘得到的特徵數據。關聯規則挖掘算法，主要是在數據集中利用支持度和置信度找出頻繁項集。項目a在資料庫d中出現的次數，為a的支持度記為support(a)，其公式如下：
[0058][0059]
其中，d為資料庫，在本實施例中為原始數據分別經過小波四個節點分解後的數據；δa為a在d中出現的次數；∣d∣為資料庫的數據總數。
[0060]
可以理解的是，apriori算法僅為示例，可改換成fp-growth挖掘關聯信息算法等。利用關聯規則檢測故障電弧的方法不變，分類器也可以有不同的選擇，本實施例採用boosted trees模型作為分類器，也可以將分類器可以變成邏輯回歸(logistic regression)、樸素貝葉斯(naive bayes)、最近鄰(k-nearest neighbors)、支持向量機(support vector machines)。
[0061]
在故障電弧發生時，人眼能夠觀察實際電弧情況或根據電流記錄異常點從而判斷，但將數據輸入計算機中，計算機系統並不能識別此時的數據是否是產生了故障電弧的數據，因此需要對產生故障電弧的起始階段進行標記，以便後續採用標籤函數進行故障電弧的記錄和計算機的識別。將數據利用rbio3.1小波進行四層分解，對(4，6)節點小波係數進行重構，將電流平方並累加，從而實現能量累積得到小波分析的特徵，再利用故障電弧發生記錄表對數據進行標籤，區分出故障電弧和正常電弧，將故障電弧狀態表示為1，正常狀態表示為0。故障電弧記錄有五個記錄點：正常電流數據起始、故障電弧數據起始、故障電弧尖峰起始、故障電弧尖峰結束、故障電弧結束。電流記錄起始均為1，電流記錄結束均為1251。在將經過標籤後的特徵數據輸入到matlab自帶的訓練器boosted trees模型進行訓練，得到相應的訓練模型並利用模型對故障電弧進行檢測，最終獲得16組檢測準確率數據。
[0062]
現有背景技術中，任何形式的小波函數都可以對輸入進行分解，但是提取出來的特徵的實用性又不同，不同頻段的信號對應不同層次的小波。根據孟羽等人的研究，與傳統的db(daubechies；db)小波相比，rbio3.1(reverse biorthogonal3.1；rbio3.1)小波在表示、提取直流故障電弧的時頻特徵方面具有明顯優勢，因此本發明也使用rbio3.1來構建小波算法。不同小波分解層次會對信息分析頻段範圍有影響，如果小波分解層次過少，小波變
換所分析的頻段範圍會比較大，這會導致將噪聲、幹擾被引入，最終使得所得出的特徵不準確；但是如果分解層次過多，則會導致運算量加大，導致效率降低，因此需要找到合適的小波分解層次。在本實施例中採用的故障電弧數據中，其含有一部分高頻分量，最終選擇在小波分解層次為4層的(4，6)小波分析，具體流程如圖3。
[0063]
基於(4，6)小波分析的直流故障檢測流程，主要分三大步：數據預處理、小波變換、分類器訓練模型並利用模型進行檢測。數據預處理主要是為把數據集中的數據導入小波變換做準備，利用循環將數據寫入matlab並輸入小波變換函數中。小波變換主要是由rbio3.1小波進行四層變換的(4，6)分解，將輸出的在故障電弧段能量平均值與正常電流能量平均值相比，得出特徵的提升比，根據提升比能直觀看出是否提取出電弧特徵。檢測模型主要用的是matlab中自帶的訓練器boosted trees模型，利用訓練好的模型對已經經過小波分析的故障電弧進行檢測得出準確率。
[0064]
公式(2)給出了離散小波變換公式，公式(3)給出了小波特徵公式：
[0065][0066][0067]
其中，x(t)為輸入信號，在本實施例中為原始實施例電流數據；d為變換後的係數，在本實施例中為小波分析後得到的數據；k為母小波伸縮的指標；n為母小波平移的指標；l2(r)為實現平方可積空間。i
t
為當前時刻電流值；i0為當前一組時間窗的0時刻電流值；f為電流能量累積定義為小波檢測特徵量。定義提升比fr＝mean(f(ii))/mean(f(i))。此次實施例中的輸入數據為1251*8000為一組，有16組，每8000個點計算一個特徵值，一組數據中可以提取1251個特徵。加入了rbio3.1小波分析後，直流故障電弧的特徵有了提升，這表明rbio3.1小波分析提取出故障電弧更顯著的特徵。本實施例使用了16組數據，分為五種不同材料，在不同材料下，rbio3.1小波分析的特徵提升也不同，將輸出的在故障電弧段能量平均值與正常電流能量平均值相比即為提升比。相較於原數據特徵進行了rbio3.1小波分析的特徵提升比整體都在1以上，這表明對於電弧特徵的提取是有作用的，這有利於後續分類器對故障電弧檢測。但是提升比也接近於1，這說明rbio3.1小波變換對電弧特徵提取不夠多，提取的特徵不顯著，這也會導致後續故障電弧檢測不準確等問題。16組數據在經過rbio3.1小波變換後基於boosted trees模型對直流故障電弧的檢測準確率較低，其準確率的值大概在65％左右。
[0068]
通過對石墨的第一組數據進行apriori算法的特徵提取，由提取出的故障狀態特徵平均值與正常狀態平均值相比，得出了該組數據對應提升比，如圖4。圖4中是小波分析數據特徵和離散群點檢測對於故障電弧數據特徵提取的提升比，其中第一階段為電路正常階段，第二階段為故障電弧發生階段，第三階段為故障電弧結束階段。在故障電弧發生階段，小波數據特徵對於出石墨特徵的提升比接近於1，很難真正的判斷是否為故障電弧。而經過apriori算法的特徵提升比遠遠大於1，這說明apriori算法可以提取具有顯著特徵的數據，從而使得故障電弧的判斷更準確，有利於直流故障電弧的檢測。對16組實施例數據，
apriori算法對串聯直流故障電弧檢測的準確率從五種不同電極材料上看，整體上apriori算法是比小波分析檢測率高，這說明相較於小波分析，apriori算法對故障電弧檢測性能更好。不同電極材料產生的故障電弧檢測的準確率如圖5，由圖5可得，apriori算法數據挖掘對故障電弧的檢測準確率比小波分析高，說明加入離散群點檢測方法較小波分析更有優勢。
[0069]
再嘗試將apriori算法和小波分析相結合，將具有顯著特徵的數據在訓練好的boosted trees模型中進行檢測。檢測後可知，對於直流故障電弧的檢測，小波綜合apriori算法的方法比僅有小波分析的方法效率要高，對於直流故障電弧的檢測更為合適。對於不同電極材料提升的故障電弧檢測的準確率也不同，對於石墨材料的材料，小波綜合apriori算法比只利用小波分析算法對於故障電弧的檢測準確率提升了24.6％；對於球墨鑄鐵的材料，小波綜合apriori算法對故障電弧的檢測準確率提升了22.6％；對於鋁的材料，小波綜合apriori算法對故障電弧的檢測準確率提升了16.7％；對於黃銅材料的材料，小波綜合apriori算法對故障電弧的檢測準確率提升了23.4％；對於不鏽鋼材料，小波綜合apriori算法對故障電弧的檢測準確率提升了15.6％。不同電極材料下的故障電弧檢測的準確率如圖6。由圖6可得，將小波分析和apriori綜合的方法相較於小波分析對故障電弧檢測準確率有所提升，平均提升了20.6％。相較於僅利用apriori算法，小波綜合apriori算法對故障電弧檢測準確率更低，這說明經過小波濾波後部分數據特徵被刪除，這使得濾波後的特徵量不足，部分具有顯著特徵的數據都丟失，使得數據間的關聯強度減弱，從而導致特徵不明顯，最終導致故障電弧檢測的準確率沒有單獨apriori方法高。
[0070]
相應於本發明實施例一提供的一種直流故障電弧檢測性能提升方法，本發明實施例二提供一種直流故障電弧檢測性能提升裝置，包括：
[0071]
採集模塊，用於通過生弧得到不含直流分量的電流數據；
[0072]
小波分解模塊，用於將所述電流數據進行六層四個節點的小波分解，得到數據集；
[0073]
特徵數據獲取模塊，用於利用關聯規則算法，將所述數據集中連續的數據進行滑窗均值離散，獲取具有最強關聯規則的數據作為挖掘得到的特徵數據；
[0074]
檢測模塊，用於將所述特徵數據中的一部分用來訓練分類器模型，另一部分利用訓練好的分類器模型進行故障電弧檢測，得出直流故障電弧的檢測結果。
[0075]
進一步地，所述特徵數據獲取模塊具體用於：將小波分解後的數據利用10個採樣窗口的滑窗均值進行數據離散得到決策表，決策值表示當前電流點是否為故障電弧；如果在10個採樣窗口中超過5個數據點與決策值一致，則判定與故障檢測具有強關聯，將該電流點的十個採樣點的平均值作為此次數據挖掘得到的特徵值。
[0076]
進一步地，所述關聯規則算法具體是apriori算法，是在所述數據集中利用支持度和置信度找出頻繁項集，項目a在資料庫d中出現的次數為a的支持度，記為support(a)，其公式如下：
[0077][0078]
其中，d為資料庫，具體為將所述電流數據進行六層四個節點的小波分解後的數據，δa為a在d中出現的次數，∣d∣為資料庫的數據總數。
[0079]
進一步地，所述小波分解模塊具體用於採用rbio3.1小波進行四層變換的(4，6)分
解，將輸出的在故障電弧段能量平均值與正常電流能量平均值相比，得出特徵的提升比。
[0080]
進一步地，離散小波變換公式如下：
[0081][0082]
小波特徵公式如下：
[0083][0084]
其中，x(t)為輸入信號，具體為步驟s1通過生弧得到的不含直流分量的電流數據；d為變換後的係數，具體為小波分解後得到的數據；k為母小波伸縮的指標；n為母小波平移的指標；l2(r)為實現平方可積空間；i
t
為當前時刻電流值；i0為當前一組時間窗的0時刻電流值；f為電流能量累積，定義為小波檢測特徵量；提升比fr＝mean(f(ii))/mean(f(i))。
[0085]
有關本實施例的工作原理及過程，請參照前述本發明實施例一的說明，此處不再贅述。
[0086]
通過上述說明可知，不同小波分解層次會對信息分析頻段範圍有影響，如果小波分解層次過少，小波變換所分析的頻段範圍會比較大，這會導致將噪聲、幹擾被引入，最終使得所得出的特徵不準確；但是如果分解層次過多，則會導致運算量加大，導致效率降低；與此相比，本發明的有益效果在於：利用關聯規則算法在將數據進行六層四個節點的小波分解得到數據集後，將連續的數據進行滑窗均值離散後找出具有最強關聯規則的數據作為該算法挖掘得到的特徵數據，可達到提升故障電弧檢測性能的目的，並利用軟體對故障電弧進行檢測得到準確提升效果；而後利用訓練好的人工智慧模型進行實時檢測，便可得到較現有方案準確率更高、可靠性更好的直流故障電弧檢測結果；apriori算法可以提取具有顯著特徵的數據，從而使得故障電弧的判斷更準確，有利於直流故障電弧的檢測。
[0087]
以上所揭露的僅為本發明較佳實施例而已，當然不能以此來限定本發明的權利範圍，因此依本發明權利要求所作的等同變化，仍屬本發明所涵蓋的範圍。