随着我国经济的高速发展和电气技术的进步,居民用电负荷的种类不断增加,使得低压用电环境更加复杂。由于各种用电负荷的电气故障和人们用电安全意识的不足,用电安全事故频发,其中触电和电气火灾是用电安全事故的主要方面。用电安全监测中,漏电流监测和温度监测是目前应用较广且发展较成熟的监测技术,但其主要在事故发生后或有较明显特征的故障情况下才能被监测到。不规范用电和低压交流串联故障电弧由于其隐蔽性存在一定的检测难度,而近些年智能算法的发展对用电安全隐患和故障的预警提供了技术支撑。因此以居民用电负荷特征的提取与分析为基础,研究用户用电行为监测与低压交流串联故障电弧检测的算法,对用电安全的保障和火灾的防范有重要意义。针对上述问题,本文在对不同居民用电负荷的稳态和暂态特征进行分析的基础上,提出了非侵入式负荷监测的事件检测和负荷识别算法,并对串联故障电弧前后的负荷电流电压特征变化进行研究,提出了串联故障电弧的检测方法。首先,搭建了数据采集模块,采集用电设备电流电压数据,对其稳态和暂态特征进行提取与分析。对累积和(Cumulative Sum,CUSUM)事件检测算法进行改进,提出一种基于滑动窗的双边CUSUM-DTW事件检测算法,改进了滑动窗的移动策略,并将动态时间规整(Dynamic Time Warping,DTW)与事件检测算法结合,使其能更准确地确定事件的起止点位置,并能更有效地提取各用电设备的稳态和暂态特征。为充分利用各种暂稳态特征,提高负荷识别率并减少模型的训练难度和计算量,提出一种基于多特征的分层负荷识别方法,将提取到的多种稳态和暂态特征组成负荷特征库,由三层分类通道进行负荷种类的辨识,以电流有效值和非线性指标对负荷进行前两层的预分类,再以二阶振荡粒子群优化的支持向量机模型实现负荷的精细分类。最后通过算例分析验证了事件检测和负荷识别算法的合理性和优越性。其次,介绍了漏电流检测、温度检测和电弧故障检测等常用电气故障检测技术。通过搭建的低压串联故障电弧实验平台采集串联故障电弧的电流电压数据,分析电弧发生在单一负载、多负载和不同位置时负载的电流电压波形特性,及其对不同类型负载工作状态的影响,为之后的串联故障电弧特征提取与识别奠定基础。最后,根据故障电弧电流波形特性对不同负载串联故障电弧前后的电流数据进行时域、频域和时频域分析,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和集成深度随机向量函数链(Ensemble Deep Random Vector Functional Link,EDRVFL)神经网络的串联故障电弧识别方法。对采样的电流数据提取零休时间、电流峰值系数、电流增量系数、峭度指标和谐波分量进行时域和频域特征的分析;时频域分析采用VMD生成模态分量,通过各模态中心频率和正交性指标选择合适的模态分量数,提取各模态分量的模糊熵值和中心频率作为时频域特征。分析了 VMD的分解效果,并通过实验数据的对比说明了模糊熵相对于样本熵和近似熵在电弧特征提取方面的优势。将EDRVFL神经网络引入串联故障电弧检测,以电流增量系数和各模态分量的模糊熵值、中心频率作为特征向量,通过实验选择神经网络的增强节点数和隐藏层数,从而达到较好的识别效果。最后与其他算法进行对比,验证了所用神经网络的优越性。
暂无评论