一种基于小波分解和神经网络的电弧检测方法及装置与流程

1.本发明涉及低压配电网故障电弧检测技术领域，尤其涉及一种基于小波分解和神经网络的电弧检测方法及装置。


背景技术：

2.电弧的实质是能量集中、温度高、亮度大的一种气体放电现象，当开关电器开断电路时，如果开断触头间的电压等级达到一定的值，就会在触头间产生强烈的白光，称之为电弧。在低压配电网线路中的电弧分为好弧和坏弧两种。好弧是指负载正常开断、拔插、启动等引起的电弧，这种电弧不会对负载造成损坏。坏弧是指由连接松动、绝缘碳化、损坏等引起的电弧，也叫故障电弧。故障电弧是引起电气火灾的主要原因之一。目前，针对发生电弧时输电线路电流、电压特征检测低压配电网故障电弧的检测方法如下：
3.现有专利(cn101673930a)直接对线路的原始电流波形进行离散小波变换，计算小波系数。线路的原始电流波形存在背景噪声，当线路上存在一些非线性负荷，其正常运行的波形具有“休零区”、“高频噪声”等故障电弧波形具有的特征时，直接对线路原始波形进行小波分析容易造成决策器产生误判，将这些负荷正常运行的波形识别为故障电弧发生时的波形。
4.现有专利(cn108562835a)提取电流平肩时间、电流跳变值比例、1s内电流大幅跳变的次数、1s内电流平均值的标准差这四个主要特征作为人工神经网络的输入。这种方法没有充分挖掘电流波形数据所包含的信息，且泛化性较差，对于不同应用场景，线路产生故障电弧时电流波形特性差异较大，需要通过大量实验分析才能选取最适合该场景的特征作为人工神经网络的输入。


技术实现要素：

5.本发明目的在于，提供一种基于小波分解和神经网络的电弧检测方法，以解决现有技术中低压配电网故障电弧检测效率低的问题。
6.为实现上述目的，本发明提供一种基于小波分解和神经网络的电弧检测方法，包括：
7.根据背景电流波形序列与当前周期电流波形采样序列作差，获取当前周期电流差分波形序列，并对所述当前周期电流差分波形序列进行离散小波变换处理，获取故障电弧检测的特征量；
8.将所述故障电弧检测的特征量输入训练好的误差反向传播神经网络进行二分类，输出线路产生故障电弧的概率，若所述输出线路产生故障电弧的概率大于阈值，则判定线路产生故障电弧。
9.优选地，所述对所述当前周期电流差分波形序列进行离散小波变换处理，获取故障电弧检测的特征量，包括：
10.根据线路产生故障电弧时电流波形的特征获取初始的尺度函数以及初始的小波
函数；
11.分别构建所述初始的尺度函数以及所述初始的小波函数的高通滤波器和低通滤波器；
12.采用所述高通滤波器和低通滤波器对输入信号进行滤波处理，获取所需频带上的所述故障电弧检测的特征量，所述故障电弧检测的特征量包括，小波分解的尺度系数以及小波系数。
13.优选地，在根据背景电流波形序列与当前周期电流波形采样序列作差之前，还包括：
14.对线路正常稳态运行时的电流波形进行采样，获取正常稳态运行时的周期电流波形采样序列；
15.计算所述正常稳态运行时的周期电流波形采样序列的期望，获取所述背景电流波形序列。
16.优选地，在根据背景电流波形序列与当前周期电流波形采样序列作差之前，还包括：
17.根据采样频率200khz对线路的电流波形进行当前周期的采样，获取所述当前周期电流波形采样序列。
18.优选地，所述采用所述高通滤波器和低通滤波器对输入信号进行滤波处理，获取所需频带上的所述故障电弧检测的特征量，包括：
19.所述当前周期电流差分波形序列分别与所述低通滤波器和所述高通滤波器做离散卷积，分别获取所述小波分解的尺度系数以及小波系数。
20.本发明还提供一种基于小波分解和神经网络的电弧检测装置，包括：
21.获取模块，用于根据背景电流波形序列与当前周期电流波形采样序列作差，获取当前周期电流差分波形序列，并对所述当前周期电流差分波形序列进行离散小波变换处理，获取故障电弧检测的特征量；
22.检测模块，用于将所述故障电弧检测的特征量输入训练好的误差反向传播神经网络进行二分类，输出线路产生故障电弧的概率，若所述输出线路产生故障电弧的概率大于阈值，则判定线路产生故障电弧。
23.优选地，所述获取模块，还用于根据线路产生故障电弧时电流波形的特征获取初始的尺度函数以及初始的小波函数；
24.分别构建所述初始的尺度函数以及所述初始的小波函数的高通滤波器和低通滤波器；
25.采用所述高通滤波器和低通滤波器对输入信号进行滤波处理，获取所需频带上的所述故障电弧检测的特征量，所述故障电弧检测的特征量包括，小波分解的尺度系数以及小波系数。
26.优选地，还包括第一确定模块，用于：
27.对线路正常稳态运行时的电流波形进行采样，获取正常稳态运行时的周期电流波形采样序列；
28.计算所述正常稳态运行时的周期电流波形采样序列的期望，获取所述背景电流波形序列。
29.优选地，所述第一确定模块，还用于：
30.根据采样频率200khz对线路的电流波形进行当前周期的采样，获取所述当前周期电流波形采样序列。
31.优选地，所述获取模块，还用于：
32.所述当前周期电流差分波形序列分别与所述低通滤波器和所述高通滤波器做离散卷积，分别获取所述小波分解的尺度系数以及小波系数。
33.相对于现有技术，本发明的有益效果在于：
34.根据背景电流波形序列与当前周期电流波形采样序列作差，获取当前周期电流差分波形序列，并对当前周期电流差分波形序列进行滤波处理，进而获取故障电弧检测的特征量，相较于现有技术直接使用时域波形作为神经网络输入，将故障电弧检测的特征量作为训练好的误差反向传播神经网络的输入，使神经网络的输出结果更加准确。
35.进一步将当前周期电流差分波形序列分别与尺度函数及小波函数构成的低通滤波器和高通滤波器做离散卷积，分别获取小波分解的尺度系数以及小波系数，避免了背景噪声对故障电弧电流波形特征的影响，降低了算法的执行时间并提高了故障电弧检测的准确度。
附图说明
36.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明某一实施例提供的基于小波分解和神经网络的电弧检测方法的流程示意图；
38.图2是本发明另一实施例提供的小波函数曲线图；
39.图3是本发明又一实施例提供的尺度函数曲线图；
40.图4是本发明另一实施例提供的低通滤波器波形图；
41.图5是本发明又一实施例提供的高通滤波器波形图；
42.图6是本发明某一实施例提供的小波分解结构示意图；
43.图7是本发明另一实施例提供的神经网络结构示意图；
44.图8是本发明某一实施例提供的基于小波分解和神经网络的电弧检测装置的结构示意图。
具体实施方式
45.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
47.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而
并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
48.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
49.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
50.请参阅图1，本发明某一实施例提供一种基于小波分解和神经网络的电弧检测方法，包括以下步骤：
51.s101：根据背景电流波形序列与当前周期电流波形采样序列作差，获取当前周期电流差分波形序列，并对所述当前周期电流差分波形序列进行离散小波变换处理，获取故障电弧检测的特征量。
52.具体的，对线路正常稳态运行时的电流波形进行采样，获取正常稳态运行时的周期电流波形采样序列，计算正常稳态运行时的周期电流波形采样序列的期望，获取所述背景电流波形序列。
53.线路产生故障电弧时电流波形特征频率通常分布在1khz
‑
100khz范围内。由奈奎斯特采样定理：采样频率f
s
必须大于等于被测信号感兴趣最高频率分量(奈奎斯特频率f
n
)的两倍，选取采样频率f
s
＝200khz，此时被测信号感兴趣的频带无频谱混叠，根据线路正常运行时的频率f，计算每周期波形采样点数对线路正常稳态运行时的电流波形进行采样，采样周期为n
t
，得到n
t
个线路正常稳态运行时的周期电流波形采样序列其中，每个周期的序列为根据计算n
t
个线路正常稳态运行时的周期电流波形采样序列数学期望作为背景电流波形序列
54.根据采样频率200khz对线路的电流波形进行当前周期的采样，获取当前周期电流波形采样序列
55.将当前周期电流波形采样序列与背景电流波形序列作差，得到当前周期电流差分波形序列r
c
＝c
c
‑
y，作为小波分解的输入信号，实现背景噪声的滤除。
56.请参阅图2和图3，具体的，根据线路产生故障电弧时电流波形的特性选择coiflet1小波作为小波函数ψ(t)和尺度函数如下：
57.1)线路的故障电弧持续时间往往非常短，但却能产生巨大的热效应，燃弧时温度可以达到3000～5000℃，美国《ul1699》标准规定：当电弧故障断路器在500ms内察觉到8个半周的故障电弧时，断路器需要执行脱扣动作切断电路，因此电弧检测算法对于实时性要求很高，需要采用离散小波变换，并选取消失矩较高的小波函数使变换后信号能量更集中，降低算法复杂度，提升检测实时性。
58.2)由于电弧通常是分散于正常电流间的零星闪波，因此电弧电流波形相对于正常电流波形会有很多近似高频脉冲的“毛刺”，需要选取紧支集较短的小波函数，提高小波函数局部时频特性，有利于突变点、奇异点的检测，为避免小波变换后信号相位失真，尽量选取对称性较好的小波函数。
59.3)为避免小波变换后信号相位失真，尽量选取对称性较好的小波函数。
60.因此，根据线路产生故障电弧时电流波形的特征获取初始的尺度函数以及初始的小波函数，分别构建初始的尺度函数以及初始的小波函数的高通滤波器和低通滤波器，采用高通滤波器和低通滤波器进行多次滤波处理，获取所需频带上的故障电弧检测的特征量，故障电弧检测的特征量包括，小波分解的尺度系数以及小波系数，具体的，根据以上的分析，选取初始的尺度函数以及小波函数，分别构建高通滤波器和低通滤波器，对原始信号进行多次滤波，确定所需频带上的coiflet1小波作为小波函数ψ(t)和尺度函数coiflet1小波具有双正交性、紧支性以及近似对称性，滤波器长度6，支撑长度5，小波函数消失矩阶数2，尺度函数消失矩阶数1。
61.请参阅图4、图5和图6，根据上述选取的小波函数ψ(t)和尺度函数构建低通滤波器和高通滤波器，具体的，定义低通滤波器h
n
，其数学表达式为定义高通滤波器g
n
，其数学表达式为采用低通滤波器h
n
与高通滤波器g
n
对输入信号r
c
进行滤波处理，在数学上等效为输入信号r
c
分别与低通滤波器h
n
与高通滤波器g
n
分别做离散卷积和其中c
j,n
＝r
c
，滤波后的结果c
j
‑
1,k
和d
j
‑
1,k
分别称为第j
‑
1层小波分解的第k个尺度系数和第k个小波系数可以进一步计算出第j层、第j－1层直到第j－n－1层小波分解的尺度系数和小波系数，构成一个一维向量s＝(c
j
‑
n,k
,d
j
‑
n,k
,...,d
j
‑
1,k
)。这个迭代过程就是通过滤波器将输入信号r
c
被逐步分解到不同的频带的过程，第n次分解后，为近似信号的频带范围，为细节信号的频带范围。小波分解后得到的(n
‑
1)*k个小波系数d(j
‑
n,k)和k个尺度系数c(j
‑
1,k)作为故障电弧检测的特征量，对于n*k个系数进行归一化处理后，直接作为神经网络输入层的n*k个输入参数。
62.s102：将所述故障电弧检测的特征量输入训练好的误差反向传播神经网络进行二分类，输出线路产生故障电弧的概率，若所述输出线路产生故障电弧的概率大于阈值，则判定线路产生故障电弧。
63.请参阅图7，具体的，将上述步骤计算出的n*k个输入参数输入神经网络的输入层，将n*k个参数输入训练好的误差反向传播神经网络记性二分类，其中，训练好的神经网络由输入层、隐藏层、输出层构成，根据该线路产生故障电弧的危害度，确定决策器控制电弧故障断路装置(afci)动作的阈值p
t
，常规策略下p
t
＝0.5，若该线路产生故障电弧的危害度不大，采取保守策略，则取p
t
<0.5，以便减少afci的误动作概率，若该线路产生故障电弧的危害度较大，采取激进策略，则取p
t
>0.5，减少故障电弧事件漏判概率。
64.将故障电弧检测的特征量输入训练好的误差反向传播神经网络进行二分类，输出线路产生故障电弧的概率和正常运行的概率，线路产生故障电弧的概率和正常运行的概率构成一个的1*2矩阵[p
f
,p
n
]
t
，p
f
代表线路产生故障电弧的概率和p
n
代表正常运行的概率，若输出线路产生故障电弧的概率p
f
大于阈值p
t
，则判定线路产生故障电弧。
[0065]
本发明基于线路待测电流波形和历史正常运行电流波形的差分波形进行分析，避免了背景噪声对故障电弧电流波形特征的影响，提高了故障电弧检测的准确度，进一步权衡波形对称性、紧支集长度、滤波器长度、消失矩阶数等参数选取coiflet1小波作为小波基，使算法复杂度低、实时性好，小波函数相位失真度低、高频时频特性好，相比直接使用时域波形作为神经网络输入，本发明使用小波函数作为神经网络的输入，小波函数同时包含了波形的时频域信息，提高了信息熵，使神经网络输出结果更加准确，误差反向传播神经网络具有从输入到输出复杂非线性映射的能力，适合于求解内部机制复杂的问题，且网络结构简单，减低了算法执行时间。
[0066]
请参阅图8，本发明另一实施例提供一种基于小波分解和神经网络的电弧检测装置，包括：
[0067]
获取模块11，用于根据背景电流波形序列与当前周期电流波形采样序列作差，获取当前周期电流差分波形序列，并对所述当前周期电流差分波形序列进行离散小波变换处理，获取故障电弧检测的特征量。
[0068]
检测模块12，用于将所述故障电弧检测的特征量输入训练好的误差反向传播神经网络进行二分类，输出线路产生故障电弧的概率，若所述输出线路产生故障电弧的概率大于阈值，则判定线路产生故障电弧。
[0069]
关于基于小波分解和神经网络的电弧检测装置的具体限定可以参见上文中对于基于小波分解和神经网络的电弧检测方法的限定，在此不再赘述。上述基于小波分解和神经网络的电弧检测装置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。
[0070]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。