[發明專利]一種基于多特征融合支持向量機的故障電弧識別方法

在審

• 申請號: 202210337470.1
• 申請日: 2022-03-31
• 公開（公告）號: CN114692690A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 劉斌;談竹奎;馮圣勇;徐長寶;唐賽秋;辛明勇;張俊瑋;王宇
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01R31/12;G01R23/16;G01R19/00
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 商小川

1.一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：當檢測到有突變事件發生后，采集設備運行時的電流數據首先通過小波變換和奇異值分解提取電流的小波特征量，同時計算電流的諧波幅值和分位數多種特征量，最后輸入至經訓練完成的支持向量機模型中，由支持向量機模型完成對故障電弧的識別。

2.根據權利要求1所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：所述識別方法具體包括：

步驟S1、采用滑動時間窗的事件檢測算法監測電壓電流，以檢測突變事件的發生；

步驟S2、當檢測到有突變事件發生后，采集設備運行時的電流數據；

步驟S3、對采集到的電流數據進行預處理，通過小波變換方法提取電弧電流的多維特征量；

步驟S4、將步驟S3提取得到的多維特征量輸入到訓練好的基于灰狼優化算法的支持向量機識別模型中，識別得到是否產生故障電弧。

3.根據權利要求2所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：步驟S1所述的基于滑動時間窗的事件檢測算法檢測突變事件的方法包括：

步驟1.1、設置滑動事件窗的寬度為：(N_a+N_b)個工頻周期；

步驟1.2、計算前N_a個周波電流的i次諧波電流幅值的平均值，i＝2,3,4，得到I_a2、I_a3、I_a4；同理計算后N_b個周波電流的i次諧波電流幅值的平均值，i＝2,3,4，得到I_b2、I_b3、I_b4；

步驟1.3、若前N_a個周波電流和后N_b個周波電流的諧波電流幅值差超過所設定的閾值，即滿足以下：

即判定為有突變事件發生。

4.根據權利要求2所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：采集設備運行時的電流數據時，采樣頻率不小于1MHz，采樣時間為十個到十五個工頻周期。

5.根據權利要求2所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：通過小波變換方法提取電弧電流的多維特征量的方法包括：

步驟3.1、對采集到的每個周波電流信號進行4層離散小波分解，得到離散小波系數序列C；

步驟3.2、利用離散小波系數序列C構造漢克爾(Hankel)矩陣形式的特征矩陣M；

步驟3.3、對特征矩陣M作奇異值分解，得到小波特征向量；

步驟3.4、將每周波電流的0-11次諧波幅值、1％分位數、99％分位數、小波特征向量融合，得到最終的電流特征量。

6.根據權利要求2所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：支持向量機訓練方式為：預先采集部分設備在正常工作時和出現故障電弧的電流數據，并經過步驟S2得到總特征向量數據構建訓練集，最后輸入至支持向量機模型中進行訓練。

7.根據權利要求6所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：在訓練過程中，通過灰狼優化算法多次迭代對模型的核函數參數g和懲罰參數c尋優，直至識別模型對串聯電弧故障的發生的識別準確率達到95％或達到最大迭代次數為止。

8.根據權利要求1所述的一種基于多特征融合支持向量機的故障電弧識別方法，其特征在于：識別是否為故障電弧電流的方法為：將連續判定為故障電弧的周波數記為α，若滿足下式，則判定為發生了故障電弧電流

β為所采集的電流周波數，T為所設定閾值。