一种串联电弧故障检测方法及系统

技术领域

本发明涉及电力系统技术领域，特别涉及一种串联电弧故障检测方法及系统。

背景技术

低压直流供电系统在光伏发电、电动汽车、数据中心以及船舶等领域中应用广泛。但是随着系统运行时间的增长，线路极易出现线缆绝缘老化损坏、导线断裂、连接端子松动等问题，进而在该处引发电弧故障。直流电弧故障可分为并联和串联两种电弧故障。并联电弧故障类似短路故障，故障电流明显增大，传统保护装置一般能检测出该类故障的发生；而串联电弧故障电流一般小于回路正常电流，传统保护装置往往失效，故障若长时间存在容易引发火灾事故。因此研究直流串联电弧故障检测方法对直流供电系统安全运行具有重要意义。

国内外学者针对低压直流串联电弧故障检测问题从时域、频域以及时频域等角度提出了多种方法。Georgijevic等通过计算光伏组件故障前后电流熵的变化并设置阈值以实现对电弧故障的检测，但是在利用时域单一特征量时，一旦系统背景噪声较大、故障信号不够明显，就会使检测准确度下降。王尧等利用离散傅里叶变换提取电弧故障电流信号多个特征频率以识别串联电弧故障，但是傅里叶变换方法同样易受到变换器噪声的影响。小波变换、经验模态分解(empirical mode decomposition，EMD)方法也被应用到电弧故障检测中，但是小波变换方法受到小波基函数的影响适应性差，经验模态分解方法存在模态混叠的问题。强噪声干扰下准确识别直流电弧故障依然是目前的研究难点。

传统基于时域量的检测方法容易受到噪声干扰，小波变换和经验模态分解等时频域检测方法，又存在按经验选取故障频带以及设置检测阈值的问题。因此，如何提供一种有更好的抗噪声能力且不需要依赖经验选取故障特征频带和设置检测阈值串联电弧故障检测方法，是目前亟待解决的问题。

发明内容

本发明实施例提供了一种串联电弧故障检测方法及系统，以解决现有技术中容易受到噪声干扰，依赖经验选取故障特征频带和设置检测阈值的问题。

为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种串联电弧故障检测方法。

在一个实施例中，所述串联电弧故障检测方法，包括：

对被检测的直流线路进行回路电流采样，得到回路电流采样序列，并对所述回路电流采样序列进行带通滤波处理，得到电流高频序列；

对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值，并根据计算得到的峰峰值和模糊熵值，得到时频域特征值数据；

对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心；

根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断。

在一个实施例中，所述回路电流采样的采样率大于等于200kHz，所述带通滤波处理的频率为10kHz～100kHz。

在一个实施例中，对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值包括：对所述电流高频序列进行分析，得到模态分量；计算所述模态分量的赫斯特指数值，并对计算得到的赫斯特指数值进行分析，筛选出关联度高的赫斯特指数值所对应的模态分量；基于筛选出的模态分量进行序列重构，得到电流序列；根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值。

在一个实施例中，对所述电流高频序列进行分析，得到模态分量包括：向所述电流高频序列的原始信号中添加可控噪声，构造成含噪信号；根据所述含噪信号和所述原始信号，计算所述原始信号和所述含噪信号的第一个残差，并根据所述第一个残差和所述原始信号，计算第一个模态分量；根据所述第一个模态分量，计算后续的模态分量，直至残差序列单调上升或单调下降。

在一个实施例中，所述赫斯特指数值大于0.5且小于1时，判定为关联度高，且计算所述模态分量的赫斯特指数值的计算公式为：

式中，H为赫斯特指数，R(τ)为赫斯特极差，S(τ)为标准差；X为模态分量的集合，X＝{ξ

在一个实施例中，根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值包括：

根据所述电流序列，通过以下计算公式，计算所述电流序列在时间窗内的峰峰值：

I

式中，I

根据所述电流序列，通过以下计算公式，计算所述电流序列在时间窗内的模糊熵值：

I

式中，I

在一个实施例中，对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心包括：对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，通过FCM算法进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心。

在一个实施例中，根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断包括：

通过以下公式，计算所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距：

式中，x

当D

根据本发明实施例的第二方面，提供了一种串联电弧故障检测系统。

在一个实施例中，所述串联电弧故障检测系统，包括：

采样处理模块，用于对被检测的直流线路进行回路电流采样，得到回路电流采样序列，并对所述回路电流采样序列进行带通滤波处理，得到电流高频序列；

数据计算模块，用于对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值，并根据计算得到的峰峰值和模糊熵值，得到时频域特征值数据；

聚类处理模块，用于对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心；

故障判断模块，用于根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断。

在一个实施例中，所述回路电流采样的采样率大于等于200kHz，所述带通滤波处理的频率为10kHz～100kHz。

在一个实施例中，所述数据计算模块包括：序列分析模块、模态分量筛选模块、序列重构模块和序列计算模块；所述序列分析模块，用于对所述电流高频序列进行分析，得到模态分量；所述模态分量筛选模块，用于计算所述模态分量的赫斯特指数值，并对计算得到的赫斯特指数值进行分析，筛选出关联度高的赫斯特指数值所对应的模态分量；所述序列重构模块，用于基于筛选出的模态分量进行序列重构，得到电流序列；所述序列计算模块，用于根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值。

在一个实施例中，所述序列分析模块在对所述电流高频序列进行分析，得到模态分量时，向所述电流高频序列的原始信号中添加可控噪声，构造成含噪信号；根据所述含噪信号和所述原始信号，计算所述原始信号和所述含噪信号的第一个残差，并根据所述第一个残差和所述原始信号，计算第一个模态分量；根据所述第一个模态分量，计算后续的模态分量，直至残差序列单调上升或单调下降。

在一个实施例中，所述赫斯特指数值大于0.5且小于1时，判定为关联度高，且所述模态分量筛选模块计算所述模态分量的赫斯特指数值时的计算公式为：

式中，H为赫斯特指数，R(τ)为赫斯特极差，S(τ)为标准差；X为模态分量的集合，X＝{ξ

在一个实施例中，所述序列计算模块在根据所述电流序列，计算所述电流序列在时间窗内的峰峰值的计算公式为：

I

式中，I

所述序列计算模块在根据所述电流序列，计算所述电流序列在时间窗内的模糊熵值的计算公式为：

I

式中，I

在一个实施例中，所述聚类处理模块在对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心时，对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，通过FCM算法进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心。

在一个实施例中，所述故障判断模块计算所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距的计算公式为：

式中，x

且，当D

本发明实施例提供的技术方案可以包括以下有益效果：

本发明通过将直流电弧电流信号分解，获得多个本征模态分量后，选择赫斯特指数作为各模态分量的筛选标准，将筛选出相关性较高的分量重构后计算重构信号的峰峰值特征和模糊熵特征，构建二维特征向量，然后利用聚类中心有效识别串联电弧故障。与单纯基于时域量的检测方法相比，有更好的抗噪声能力，与传统时频域方法相比，具有不需要依赖经验选取故障特征频带和设置检测阈值的优点，能有效地提高直流电弧故障的检测成功率，降低直流电弧故障所造成的危害。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种串联电弧故障检测方法的流程示意图；

图2是根据一示例性实施例示出的一种串联电弧故障检测系统的结构示意图；

图3是根据一示例性实施例示出的电流信号采样值图像；

图4是根据一示例性实施例示出的滤波后的电流信号图像；

图5是根据一示例性实施例示出的电流信号分解结果图像；

图6是根据一示例性实施例示出的电流信号重构波形图像；

图7是根据一示例性实施例示出的电流信号特征聚类结果图像。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请的装置或系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

图1示出了本发明的串联电弧故障检测方法的一个实施例。

在该可选实施例中，所述串联电弧故障检测方法，包括：

步骤S101，对被检测的直流线路进行回路电流采样，得到回路电流采样序列，并对所述回路电流采样序列进行带通滤波处理，得到电流高频序列；

步骤S103，对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值，并根据计算得到的峰峰值和模糊熵值，得到时频域特征值数据；

步骤S105，对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心；

步骤S107，根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断。

在一个实施例中，所述回路电流采样的采样率大于等于200kHz，所述带通滤波处理的频率为10kHz～100kHz。

在一个实施例中，在对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值时，可对所述电流高频序列进行分析，得到模态分量；计算所述模态分量的赫斯特指数值，并对计算得到的赫斯特指数值进行分析，筛选出关联度高的赫斯特指数值所对应的模态分量；基于筛选出的模态分量进行序列重构，得到电流序列；根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值。

在一个实施例中，在所述电流高频序列进行分析，得到模态分量时，可先向所述电流高频序列的原始信号中添加可控噪声，构造成含噪信号；公式为：x

其次，根据所述含噪信号和所述原始信号，计算所述原始信号和所述含噪信号的第一个残差；公式为：

再次，根据所述第一个残差和所述原始信号，计算第一个模态分量；公式为：IMF

最后，根据所述第一个模态分量，计算后续的模态分量，直至残差序列单调上升或单调下降；公式为：

IMF

式中，r

在一个实施例中，所述赫斯特指数值大于0.5且小于1时，判定为关联度高，且计算所述模态分量的赫斯特指数值的计算公式为：

/>

式中，H为赫斯特指数，R(τ)为赫斯特极差，S(τ)为标准差；X为模态分量的集合，X＝{ξ

在一个实施例中，在根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值时，可先根据所述电流序列，通过以下计算公式，计算所述电流序列在时间窗内的峰峰值：

I

式中，I

再根据所述电流序列，通过以下计算公式，计算所述电流序列在时间窗内的模糊熵值：

I

式中，I

所述关系维度的计算公式为：

式中，N为所述电流序列{s(n)}＝s(1),s(2),…,s(N)采样点的个数，

所述模糊相似度函数的计算公式为：

式中，i,j＝1,2,…,N-m+1且i≠j，

式中，r为相似容限参数，其定义为原一维时间序列标准差的R倍，即r＝R×δ(δ为原始数据的标准差)。

/>

其中，i,j＝1,2,…,N-m+1且i≠j，k＝0,1,…,m-1，m维向量X

X

其中，i＝1,2,…,N-m+1，u(i)为均值。

具体应用时，模糊熵值与参数m和r有关，综合考虑序列信息和计算长度，参数m取2。参数r一般取0.1～0.25SD，SD是信号序列标准差，r过大会丢失一些信息，过小则结果不理想，因此，本发明取r＝0.2SD。

在一个实施例中，在对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心时，对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，通过FCM算法进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心。

具体应用时，通过FCM算法进行聚类处理时，FCM算法的目标函数为：

式中，i＝1,2,…,k，k为训练所用的样本点的总数，j＝1,2,…,n，n为训练所用的样本点的总数，x

通过FCM算法进行聚类处理时，约束条件为：

式中，k为聚类中心个数；n为样本个数；m为影响隶属度矩阵的指数权重；a

通过FCM算法进行聚类处理时，利用拉格朗日乘数法并对所有输入参数求导，得到聚类中心和隶属度矩阵的迭代公式，如下：

式中，i＝1,2,…,k；j＝1,2,…,n；p＝1,2,…,k；di

根据以上两个迭代公式不断调整聚类中心和隶属度矩阵，直到收敛。

在一个实施例中，在根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断时，通过以下公式，计算所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距：

/>

式中，x

当D

对应的，图2示出了本发明的串联电弧故障检测系统的一个实施例。

在该可选实施例中，所述串联电弧故障检测系统，包括：

采样处理模块201，用于对被检测的直流线路进行回路电流采样，得到回路电流采样序列，并对所述回路电流采样序列进行带通滤波处理，得到电流高频序列；

数据计算模块203，用于对所述电流高频序列进行分析，计算所述电流序列在时间窗内的峰峰值和模糊熵值，并根据计算得到的峰峰值和模糊熵值，得到时频域特征值数据；

聚类处理模块205，用于对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心；

故障判断模块207，用于根据所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距，对所述直流线路是否出现串联电弧故障进行判断。

在一个实施例中，所述回路电流采样的采样率大于等于200kHz，所述带通滤波处理的频率为10kHz～100kHz。

在一个实施例中，所述数据计算模块203包括：序列分析模块(图中未视出)、模态分量筛选模块(图中未视出)、序列重构模块(图中未视出)和序列计算模块(图中未视出)。

所述序列分析模块，用于对所述电流高频序列进行分析，得到模态分量；且所述序列分析模块在对所述电流高频序列进行分析，得到模态分量时，向所述电流高频序列的原始信号中添加可控噪声，构造成含噪信号；根据所述含噪信号和所述原始信号，计算所述原始信号和所述含噪信号的第一个残差，并根据所述第一个残差和所述原始信号，计算第一个模态分量；根据所述第一个模态分量，计算后续的模态分量，直至残差序列单调上升或单调下降。

所述模态分量筛选模块，用于计算所述模态分量的赫斯特指数值，并对计算得到的赫斯特指数值进行分析，筛选出关联度高的赫斯特指数值所对应的模态分量；而所述赫斯特指数值大于0.5且小于1时，判定为关联度高，且所述模态分量筛选模块计算所述模态分量的赫斯特指数值时的计算公式为：

/>

式中，H为赫斯特指数，R(τ)为赫斯特极差，S(τ)为标准差；X为模态分量的集合，X＝{ξ

所述序列重构模块，用于基于筛选出的模态分量进行序列重构，得到电流序列。

所述序列计算模块，用于根据所述电流序列，计算所述电流序列在时间窗内的峰峰值和模糊熵值。且所述序列计算模块在根据所述电流序列，计算所述电流序列在时间窗内的峰峰值的计算公式为：I

I

式中，I

在一个实施例中，所述聚类处理模块205在对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心时，对预先配置的故障状态和正常状态的峰峰值和模糊熵值数据，通过FCM算法进行聚类处理，得到故障状态的聚类中心和正常状态的聚类中心。

在一个实施例中，所述故障判断模块207计算所述时频域特征值数据与所述故障状态的聚类中心和所述正常状态的聚类中心的间距的计算公式为：

式中，x

且，当D

为了方便理解本发明的上述技术方案，以下通过具体应用例对本发明的上述技术方案进行进一步说明。

应用例

根据本发明应用例的一种串联电弧故障检测方法，包括：

1)对被监测直流供电线路的电流进行采样，采样频率为250kHz获得直流线路电流采样序列f(n)如图3所示，并对其进行低通滤波，滤波后的电流高频序列x(n)如图4所示。

2)对滤波后的电流高频序列x(n)进行算法分解，得到m个模态分量：IMF

3)计算模态分量IMF

表1各模态分量的赫斯特指数值

由表1可得信号IMF

4)对重构后的信号s(n)计算，得到其峰峰值I

5)将预先取得的故障状态和非故障状态的各15组峰峰值和模糊熵值数据，汇集成训练样本集X，如表2所示：

表2训练样本集数值

通过FCM算法，计算每个样本点的贴合度，计算得到两个聚类中心，即正常状态的聚类中心A(0.0058,2.15×10

由步骤4)得到时频域特征值数据C(0.0599,3.148×10

可知D

由此可见，通过将直流电弧电流信号分解，获得多个本征模态分量后，选择赫斯特指数作为各模态分量的筛选标准，将筛选出相关性较高的分量重构后计算重构信号的峰峰值特征和模糊熵特征，构建二维特征向量，然后利用聚类中心有效识别串联电弧故障，有更好的抗噪声能力，且具有不需要依赖经验选取故障特征频带和设置检测阈值的优点，能有效地提高直流电弧故障的检测成功率，降低直流电弧故障所造成的危害。

本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。