一种面向非侵入式串联电弧检测定位的事件检测方法

技术领域

本发明属于非侵入式负荷事件检测技术领域，具体涉及一种面向非侵入式串联电弧检测定位的事件检测方法。

背景技术

由于线路松动、线路长期过载、绝缘老化等原因，在线路导线破损裸露处、转接头处或插头连接处等不稳定的连接位置，易产生电势差，导致电弧的产生，故障电弧作为一种等离子体放电现象，弧光中心处的温度可高达几千摄氏度，并存在大量火花溅射。串联故障电弧处的电流与电路额定工作电流相近，甚至低于正常电流，另外，由于常见电气线路常常埋设在墙体中，并且用电器的内部电路均被封装，场景复杂，且故障可能发生在线路的任意位置，这就导致了串联故障电弧隐蔽性、随机性强，不易被发现。并且低压用户中电器负荷的多样性与工作原理上的差异，电路中发生串联故障电弧时电流信号的波形通常表现出多种不同的波形特性，导致现有的线路保护装置对具有极大火灾危害性的串联故障电弧几乎不起保护作用，因此如何准确有效地检测与辨识低压交流串联故障电弧是电气火灾防护工作中亟待解决的问题。

目前，多数现有方法只能判断简单负荷场景下串联故障电弧是否存在，且无法识别故障电弧类型，若需要定位故障，故障电弧检测设备往往贴近用电设备并部署在电器插座上，很少有方法能够直接在用户住宅供电入口处实现故障电弧检测、辨识与定位。

非侵入式电弧检测、辨识与定位可以通过对用户总口处电流进行监测，结合非侵入式负荷检测技术对发生事件的电器进行标记与识别，但是由于电弧电流波动较大且随机，传统的事件检测方法检测难度大且错误率高。

发明内容

本发明为解决现有技术存在的问题而提出，其目的是提供一种面向非侵入式串联电弧检测定位的事件检测方法。

本发明的技术方案是：一种面向非侵入式串联电弧检测定位的事件检测方法，包括以下步骤：

A.应用样本熵方法对电流模式进行复杂度量化；

B.根据电流序列变化前后复杂性的差异，应用样本熵方法对电流模式突变进行检测；

C.对电流模式量化后的参数进行事件检测；

D.计算样本熵参数窗的平均值，对计算得到的平均值做差，得到均值差；

E.通过均值差累积正向事件和负向事件；

F.通过全局寻优能力强的HHO算法对阈值和噪声值进行寻优。

更进一步的，步骤A应用样本熵方法对电流模式进行复杂度量化，具体过程如下：

a1.设存在一个以等时间隔采样获得的N维时间序列u(1),u(2),……,u(N)；

a2.定义算法相关参数m，r；

其中，m为整数，表示比较向量的长度；r为实数，表示“相似度”的度量值；

a3.重构m维向量X(1),X(2),...,X(N-m+1)；

其中，X(i)＝[u(i),u(i+1),...,u(i+m-1)]；

a4.对于1≤i≤N-m+1，统计满足以下条件的向量个数：

其中，d[X,X

a5.求

a6.令k＝m+1，重复步骤a3～a4，得到：

其中，

a7.得出样本熵：

更进一步的，步骤A中还包括对样本熵表达的参数约束。

更进一步的，所述参数约束，具体过程如下：

首先，在实际计算应用过程中，N不可能为无穷大；

然后，当N取有限值时，样本熵的表达具体为：

SampEn＝-ln[A

其中，ln表示自然对数。

更进一步的，步骤C对电流模式量化后的参数进行事件检测，具体过程如下：

首先，通过样本熵变点检测负荷事件的发生，提取样本熵序列P

然后，预设正向负荷事件阈值为h

再后，预设负向负荷事件阈值为h

更进一步的，步骤D.计算样本熵参数窗的平均值，对计算得到的平均值做差，得到均值差，具体过程如下：

首先，对样本熵序列矩阵进行滑动窗处理，则经滑动窗算法处理过后的矩阵P

其中，step为滑动窗窗口的长度，通过滑动窗处理后的矩阵P

然后，计算每一行的均值得到均值矩阵

其中，

再后，对计算的均值矩阵做差，得到差值矩阵X，表达如下式：

其中，

更进一步的，步骤E通过均值差累积正向事件和负向事件，具体过程如下：

首先，设累积函数为g

然后，比较差值矩阵的不同行的符号和数值大小；

再后，当过程趋于稳定时，差值矩阵的符号一致，数值趋近于零，累积函数的统计值波动非常小；

再后，当过程发生突变时，出现正向偏移，即x

最后，如果过程发生负向的偏移，即x

更进一步的，步骤F通过全局寻优能力强的HHO算法对阈值和噪声值进行寻优，具体过程如下：

f1.HHO算法种群初始化，初始化哈里斯鹰的个体参数；

f2.计算初始的适应度值；

f3.进行位置更新；

f4.更新适应度；

f5.重复步骤f3和步骤f4，当算法迭代次数达到最大迭代次数时，进行输出。

本发明的有益效果如下：

本发明能够在用户电力供电总入口处对家庭内部电弧实现事件检测，为非侵入式故障电弧检测与辨识奠定技术基础。针对发生电弧后电流波动大、随机性强，首先通过样本熵对电弧事件复杂度进行量化，解决难以对电弧电流直接进行事件检测的问题。

本发明使用滑动窗均值差值累积和算法能有效的对小突变进行累积，结合HHO算法对阈值和噪声值寻优，能有效的降低对小功率设备的误检率，且通过HHO算法优化阈值和噪声值，能有效提高事件检测模型的鲁棒性，使其对不同情景下的负荷事件检测适用性更强。

附图说明

图1是本发明的方法流程图。

具体实施方式

以下，参照附图和实施例对本发明进行详细说明：

如图1所示，一种面向非侵入式串联电弧检测定位的事件检测方法，包括以下步骤：

A.应用样本熵方法对电流模式进行复杂度量化；

B.根据电流序列变化前后复杂性的差异，应用样本熵方法对电流模式突变进行检测；

C.对电流模式量化后的参数进行事件检测；

D.计算样本熵参数窗的平均值，对计算得到的平均值做差，得到均值差；

E.通过均值差累积正向事件和负向事件；

F.通过全局寻优能力强的HHO算法对阈值和噪声值进行寻优。

步骤A应用样本熵方法对电流模式进行复杂度量化，具体过程如下：

a1.设存在一个以等时间隔采样获得的N维时间序列u(1),u(2),……,u(N)；

a2.定义算法相关参数m，r；

其中，m为整数，表示比较向量的长度；r为实数，表示“相似度”的度量值；

a3.重构m维向量X(1),X(2),...,X(N-m+1)；

其中，X(i)＝[u(i),u(i+1),...,u(i+m-1)]；

a4.对于1≤i≤N-m+1，统计满足以下条件的向量个数：

其中，d[X,X

a5.求

a6.令k＝m+1，重复步骤a3～a4，得到：

其中，

a7.得出样本熵：

步骤A中还包括对样本熵表达的参数约束。

所述参数约束，具体过程如下：

首先，在实际计算应用过程中，N不可能为无穷大；

然后，当N取有限值时，样本熵的表达具体为：

SampEn＝-ln[A

其中，ln表示自然对数。

步骤C对电流模式量化后的参数进行事件检测，具体过程如下：

首先，通过样本熵变点检测负荷事件的发生，提取样本熵序列P

然后，预设正向负荷事件阈值为h

再后，预设负向负荷事件阈值为h

步骤D.计算样本熵参数窗的平均值，对计算得到的平均值做差，得到均值差，具体过程如下：

首先，对样本熵序列矩阵进行滑动窗处理，则经滑动窗算法处理过后的矩阵P

其中，step为滑动窗窗口的长度，通过滑动窗处理后的矩阵P

然后，计算每一行的均值得到均值矩阵

其中，

再后，对计算的均值矩阵做差，得到差值矩阵X，表达如下式：

其中，

步骤E通过均值差累积正向事件和负向事件，具体过程如下：

首先，设累积函数为g

然后，比较差值矩阵的不同行的符号和数值大小；

再后，当过程趋于稳定时，差值矩阵的符号一致，数值趋近于零，累积函数的统计值波动非常小；

再后，当过程发生突变时，出现正向偏移，即x

最后，如果过程发生负向的偏移，即x

具体的，步骤E通过均值差累积正向事件和负向事件，其计算表达如下式：

其中，正向负荷事件噪声值设置为β

当

当

类似地，当

合并并排序正向事件发生时间t

原样本序列的时间序列T与负荷事件发生时间序列t的关系为T＝t+step。

具体的，根据时间序列T提取负荷事件特征矩阵A

步骤F通过全局寻优能力强的HHO算法对阈值和噪声值进行寻优，具体过程如下：

f1.HHO算法种群初始化，初始化哈里斯鹰的个体参数。

f2.计算初始的适应度值。

具体的，适应度函数选用FDR表示，分别计算哈里斯鹰个体参数下的初始适应度，并将适应度最优的个体位置设为当前猎物位置。

f3.进行位置更新。

首先，HHO算法的更新主要通过计算逃逸能量来选择搜索阶段、搜索与开发的转换阶段和开发阶段对应的位置更新策略。

然后，搜索阶段时，哈里斯鹰算法通过以下两种策略来更新位置：

其中，X(t)，X(t+1)分别为当下和下一次迭代时个体的位置，t为迭代次数，x

其中，X

再后，搜索与开发的转换阶段时，根据猎物的逃逸能量在搜索阶段和开发阶段切换。其逃逸能量E如下式所示。

其中，E

具体的，开发阶段，位置更新主要分为四种方式。开发策略由定义[0,1]之间的随机数r确定。

其一、定义0.5≤|E|＜1且r≥0.5为软包围策略，其更新公式如下式：

X(t+1)＝ΔX(t)-E×|J×X

其中，ΔX(t)＝X

其二、定义|E|＜0.5且r≥0.5为硬包围策略，其更新公式如下式：

X(t+1)＝X

其三、定义0.5≤|E|＜1且r＜0.5为渐近式快速俯冲的软包围策略，其更新公式如下式：

Y＝X

Z＝Y+S×LF(2)

其中，FDR()为适应度函数，S为2维随机向量。

其四、定义|E|＜0.5且r≥0.5为渐近式快速俯冲的硬包围策略，其更新公式如下式：

Y＝X

Z＝Y+S×LF(2)。

f4.更新适应度。

计算位置更新后的个体参数计算的误检率值，并与猎物参数计算的误检率值进行比较，若位置更新后的个体参数误检率值优于猎物参数误检率值，则以误检率值更优的个体位置作为新的猎物位置。

f5.重复步骤f3和步骤f4，当算法迭代次数达到最大迭代次数时。输出当前猎物位置参数作为最佳h

实施例一

以下进行更为详尽的技术描述

一种面向非侵入式串联电弧检测定位的事件检测方法，包括以下步骤：

A.应用样本熵方法对电流模式进行复杂度量化。

a1.设存在一个以等时间隔采样获得的N维时间序列u(1),u(2),……,u(N)。

a2.定义算法相关参数m，r。

其中，m为整数，表示比较向量的长度；r为实数，表示“相似度”的度量值。

a3.重构m维向量X(1),X(2),...,X(N-m+1)。

其中X(i)＝[u(i),u(i+1),...,u(i+m-1)]。

a4.对于1≤i≤N-m+1，统计满足以下条件的向量个数：

其中，d[X,X

a5.求

a6.令k＝m+1，重复步骤3～4，得

其中，

a7.得出样本熵：

更为具体的，由于在实际计算应用过程中，N不可能为无穷大，因此当N取有限值时，样本熵估计为：

SampEn＝-ln[A

其中，ln表示自然对数，m和r由步骤2定义。

更为具体的，在本实施例中m取1或2；相似容限r＝0.1×std～0.25×std，其中std表示原时间序列的标准差。

B.根据电流序列变化前后复杂性的差异，应用样本熵方法对电流模式突变进行检测；

C.对电流模式量化后的参数进行事件检测。

首先，通过样本熵变点检测负荷事件的发生，提取样本熵序列P

然后，预设正向负荷事件阈值为h

D.计算样本熵参数窗的平均值，对计算得到的平均值做差，得到均值差。

首先，对样本熵序列矩阵进行滑动窗处理，经滑动窗算法处理过后的矩阵P

其中，step为滑动窗窗口的长度，通过滑动窗处理后的矩阵P

然后，计算每一行的均值得到均值矩阵

其中，

最后，对计算的均值矩阵做差，得到差值矩阵X，如下式所示：

其中，

E.通过均值差累积正向事件和负向事件。

设累积函数为g

通过比较差值矩阵的不同行的符号和数值大小，当过程趋于稳定时，差值矩阵的符号一致，数值趋近于零，累积函数的统计值波动非常小；当过程发生突变时，出现正向偏移，即x

其中，正向负荷事件噪声值设置为β

根据时间序列T提取负荷事件特征矩阵A

F.通过全局寻优能力强的HHO算法对阈值和噪声值进行寻优。

f1.HHO算法种群初始化，初始化哈里斯鹰的个体参数。

f2.计算初始的适应度值。

适应度函数选用FDR表示，分别计算哈里斯鹰个体参数下的初始适应度，并将适应度最优的个体位置设为当前猎物位置。

f3.位置更新。

HHO算法的更新主要通过计算逃逸能量来选择搜索阶段、搜索与开发的转换阶段和开发阶段对应的位置更新策略。

搜索阶段时，哈里斯鹰算法通过以下两种策略来更新位置：

其中，X(t)，X(t+1)分别为当下和下一次迭代时个体的位置，t为迭代次数，x

其中，X

所述搜索与开发的转换阶段时，根据猎物的逃逸能量在搜索阶段和开发阶段切换。其逃逸能量E如下式所示。

其中，E

所述开发阶段，位置更新主要分为四种方式。开发策略由定义[0,1]之间的随机数r确定。

其一、定义0.5≤|E|＜1且r≥0.5为软包围策略，其更新公式如下式：

X(t+1)＝ΔX(t)-E×|J×X

其中，ΔX(t)＝X

其二、定义|E|＜0.5且r≥0.5为硬包围策略，其更新公式如下式：

X(t+1)＝X

其三、定义0.5≤|E|＜1且r＜0.5为渐近式快速俯冲的软包围策略，其更新公式如下式：

Y＝X

Z＝Y+S×LF(2)

其中，FDR()为适应度函数，S为2维随机向量。

其四、定义|E|＜0.5且r≥0.5为渐近式快速俯冲的硬包围策略，其更新公式如下式：

Y＝X

Z＝Y+S×LF(2)。

f4.更新适应度。

计算位置更新后的个体参数计算的误检率值，并与猎物参数计算的误检率值进行比较，若位置更新后的个体参数误检率值优于猎物参数误检率值，则以误检率值更优的个体位置作为新的猎物位置。

f5.重复f3和f4，当算法迭代次数达到最大迭代次数时。输出当前猎物位置参数作为最佳h

以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围.尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。