一种电气线路信号传输方向的辨识电路及方法与流程

1.本发明属于电气保护设备技术领域，具体涉及一种电气线路信号传输方向的辨识电路及方法。


背景技术：

2.交流低压配电网络是一个并联接入系统，接入该系统的所有设备的相线、零线分别线连接在一起，导致接入到该系统的设备产生的某种谐波或emc电磁干扰信号，能够通过相线、零线传输到任一连入该传输线的其它设备，或系统的其它部分。
3.类似地，直流配电网络也是一个并联线路系统，供电设备的正极、负极与所有直流用电设备的正极、负极分别连接在一起，上述供电设备、用电设备内部产生的任何谐波或emc电磁干扰信号，能够通过正极、负极连线传输到任一连接该传输线的其它设备，或系统的其它部分。
4.另一方面，一般的电气设备和配电系统通过检测供电线路上的信号，可以探知该设备的运行情况以及发现故障。例如，通过探测电流信号，可以获得该设备或配电系统的功耗情况；通过探测相零线零序电流信号，可以检测该设备或配电系统的漏电故障；通过探测谐波信号，可以检测该设备或配电系统的电能质量状况；通过探测某种电流瞬变信号，可以检测该设备或配电系统的电弧故障状态等等。
5.特别的，上述探测装置在应用时，由于配电网络中电力电子电路和其它含高频谐波成分电力设备的大量应用，电力设备运行时产生大量高频谐波或emc电磁干扰信号，通过电力线传输到配电网络中，并影响接入到该网络的其它设备的正常运行。探测装置如何探测电磁干扰信号的来源，有利于正确诊断故障的发生位置，例如高频谐波的产生设备定位以及故障电弧探测时对电网噪声的抗干扰设计，防止由于环境的谐波或emc噪声产生串扰信号，导致处理错误。
6.典型的应用是电弧故障保护电器，国家标准gb/t31143(afdd)一般要求，测试项目9.9.5.2中串扰试验；对应现实环境中强化干扰状况，参考各种研究文献以及专利，如公开号为cn1720652a的中国专利提供了一种用于汇流排装置的故障电弧保护装置以及公开号为cn1917320a的中国专利提供了一种故障电弧保护电路及故障电弧检测方法，但这些现有技术均未给出该问题的针对性解决方法。在实际测试中，也发现绝大多数市场产品未能良好地解决该类干扰的可靠性识别问题；特别对于现实中，负载在小电流工作状态下，既能够实现高灵敏度的电弧故障识别，又保持没有误动作，迄今未见可靠识别产品。


技术实现要素：

7.鉴于上述，本发明提供了一种电气线路信号传输方向的辨识电路及方法，特别用于识别信号来源为配电网旁路或是设备主路，以避免故障电弧探测装置因为旁路信号影响导致的误判。
8.一种电气线路信号传输方向的辨识电路，包括：
9.滤波器，其安装在所需辨识的电气线路上，用于对线路上的传输信号进行滤波；
10.传感器，其同样安装在所需辨识的电气线路上且位于滤波器两侧，用于检测线路上的传输信号；
11.调理电路，用于对传感器采集到的两组信号进行预处理；
12.微控制器(mcu)，用于对预处理过后的两组信号进行模数转换，并同步观察比较数字信号的频谱和强度，进而根据信号特征分析出线路上信号的传输方向及其来源。
13.进一步地，所述电气线路可以是低压电气线路的相线或零线，也可以是直流供电线路的正极或负极，也可以是其它中高压电气线路、通信线路或传感信号传输线路。
14.进一步地，所述滤波器用于对穿越其两侧的信号做有效衰减，视所需辨识信号的特征，滤波器可以是低通滤波器、高通滤波器、带通滤波器、带阻滤波器，或采用一个电容器件跨接在电气回路的两条线路上，或采用压敏电阻、气体放电管、tvs管等浪涌保护器件。
15.进一步地，所述传感器用于有效感知线路上传输的信号，其采用成对设计，分别布置在滤波器两侧，可以是电流传感器或电压传感器；若采用电流传感器，可通过非接触地耦合线路上的信号，或利用锰铜分流器串联到线路中获取信号；若采用电压传感器，则需将其搭接在电气线路的相线和零线上，对于直流供电线路、通信线路或传感信号传输线路，则需将其搭接到正、负两条线上。
16.进一步地，所述调理电路通过对线路上的传输信号实施隔离、偏置、放大、滤波、鉴相、鉴幅等变换处理，使其适应微控制器的模数转换处理。
17.进一步地，所述微控制器通过对数字信号进行特征提取，进而对两组数字信号的特征进行比较处理(如特征值差、特征值比)生成相应的信号特征向量，进而将信号特征向量输入至预训练好的网络模型中，最终经过前向计算辨识得到线路上信号的传输方向。
18.进一步地，所述微控制器对数字信号提取的特征包括：信号峰峰值(信号高度的最大值)、信号均值(信号高度的平均值)、信号有效值(信号高度的均方根值)、有效信号数量(信号高度超过特定数值的数量)、信号占空比(信号高度小于特定数值的数量占总数量的比例)、长周期信号峰峰值、长周期信号均值、长周期信号有效值、长周期有效信号数量、长周期信号占空比，其中前5个特征是针对单位时间长度内，后5个特征是针对长周期即若干个单位时间长度内。
19.进一步地，所述网络模型的预训练过程为：首先需采集大量的实验信号数据并进行特征提取和处理，生成多组信号特征向量；在预知信号传输方向情况下，为每组信号特征向量打上标签，从而得到大量的正样本和负样本；然后选用多层神经网络作为模型架构，将所有正样本和负样本逐一输入神经网络中对其进行有监督的机器学习训练，即根据误差函数利用梯度下降法对网络参数不断进行反向传播，经过多次迭代直至误差函数收敛即训练完成。
20.一种电气线路信号传输方向的辨识方法，即在所需辨识的电气线路上安装滤波器，并在滤波器两侧采集线路上的传输信号，进而对信号进行调理以及模数转换后提取特征，然后对两组数字信号的特征进行比较处理生成相应的信号特征向量，最后将信号特征向量输入至预训练好的网络模型中，从而计算辨识得到线路上信号的传输方向。
21.对于不同应用场景的电气保护类产品，一个关键的难题是电气环境的干扰噪声串扰，导致对主体电路工作状态的误判。采用本发明技术能够有效分辨信号传输方向，即相关
感兴趣的信号来自电气线路的哪个方向，排除因为环境旁路串扰导致的误判，提高产品的可靠性；另一方面，因为本发明能有效分辨信号来源，也能大大提高保护产品故障辨识的灵敏度和反应速度。
附图说明
22.图1为本发明辨识电路结构的原理示意图。
23.图2为单电容滤波电路的连接示意图。
24.图3(a)为调光灯信号从设备主路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
25.图3(b)为调光灯信号从设备主路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
26.图4(a)为开关电源信号从设备主路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
27.图4(b)为开关电源信号从设备主路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
28.图5(a)为卤素灯信号从设备主路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
29.图5(b)为卤素灯信号从设备主路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
30.图6(a)为调光灯信号从配电网旁路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
31.图6(b)为调光灯信号从配电网旁路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
32.图7(a)为开关电源信号从配电网旁路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
33.图7(b)为开关电源信号从配电网旁路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
34.图8(a)为卤素灯信号从配电网旁路侧输入时传感器1所采集得到的信号在matlab软件中的显示结果。
35.图8(b)为卤素灯信号从配电网旁路侧输入时传感器2所采集得到的信号在matlab软件中的显示结果。
36.图9为本发明采用的多层神经网络原理结构示意图。
37.图10为本发明中机器学习算法流程示意图。
38.图11为本发明信号传输方向辨识方案的总体流程示意图。
具体实施方式
39.为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
40.本发明在电气线路上串联成对的传感器，并在传感器之间插入滤波器。对于传输
信号，如图1所示，如果信号来自配电网旁路，即信号从端口1进入，会先到达传感器1，经过滤波器衰减后，到达传感器2，最终从端口2输出。如果传输信号来自设备主路，即信号从端口2进入，会先到达传感器2，经过滤波器衰减后，到达传感器1，最终从端口1输出。
41.由于先到达的传感器感应到的信号较强，而经过滤波器的衰减作用，后续到达的传感器感应到的信号较弱。因此对于等效的两个传感器，获得强弱不等的感应量，对应着信号的传输方向。
42.在具体实施方式中，传感器、滤波器等器件需要根据线路特点进行针对性的选择，具体参见表1：
43.表1
[0044][0045][0046]
对于图1中的传感器，需要针对线路信号的频段、强度匹配设计，能够有效感知线路传输的信号的成对的传感器。上述传感器分别布置在滤波器的两侧，一般地，成对的传感器采取相同类型，并有相同的参数，对相同的信号具有相同响应的传感器；但并不限于相同参数的传感器，例如两个传感量具有固定比例关系的传感器，甚至不同类型的传感器，最终能够还原到原始信号的频谱强度，从而从传感器输出还原获得原始信号的数量关系。传感器类型可以是电流传感器，也可以是电压传感器，如电流传感器通过非接触地耦合线路上的信号，或者如锰铜分流器串联到线路中获取信号；而电压传感器需要搭接到两条电气线路l、n线上，直流供电、通信或传感量信号传输线也需要搭接到正、地(或正、负)两条线上。本实施例选用了成对的，并且采集频段在100k～50mhz之间的电流传感器。
[0047]
对于图1中的滤波器，分析线路信号的频段、强度匹配设计，能够对穿越滤波器两侧的信号有效衰减，可以是低通滤波器、高通滤波器、带通滤波器、带阻滤波器且不限于上述类型的滤波电路，或采用压敏电阻、气体放电管、tvs管等浪涌保护电路。本实施例选用了最简单的单电容滤波器，如图2所示。
[0048]
为了测试滤波器及方向判别效果，从端口2即设备主路分别接入一些常用的带高频谐波的负载，如调光灯、开关电源和卤素灯，两个传感器采集各自位置所在电路中的高频信号并输入到调理电路中进行处理，处理后的模拟信号经过mcu的模数变换后获得数字信号，其波形在matlab中进行显示，结果分别如图3(a)和图3(b)、图4(a)和图4(b)、图5(a)和图5(b)所示。
[0049]
可以观察到，不同类型信号在经过滤波器后，强度有了一定的降低。考虑信号高
度，结果如表2所示：
[0050]
表2
[0051]
信号类型传感器2传感器1调光灯最高信号高度超过2800最高信号高度小于2800开关电源最高信号高度超过2200最高信号高度小于2200卤素灯最高信号高度超过1600最高信号高度小于1600
[0052]
信号从端口2输入，传感器2获取原始信号，传感器1获取经过滤波后的信号，传感器2采集到的信号高度比传感器1采集到的信号高度高。从表2的结果也表现出，由于传感器2采集的信号更强，因此信号传输的方向确实是端口2传输到端口1的。
[0053]
更换信号输入的方向进行实验，分别选择调光灯、开关电源和卤素灯作为旁路负载接入到配电网中，负载主路选择5a纯阻负载。旁路信号从端口1输入，两个传感器采集电路中的高频信号并输入到调理电路中进行处理，处理后的模拟信号经过mcu的模数变换后获得数字信号，其波形在matlab中进行显示，结果分别如图6(a)和图6(b)、图7(a)和图7(b)、图8(a)和图8(b)所示。
[0054]
可以观察到，不同种类的信号在经过滤波器后，强度有了一定的降低。仅考虑信号高度，结果如表3所示：
[0055]
表3
[0056]
信号类型传感器1传感器2调光灯最高信号高度超过2000最高信号高度小于2000开关电源最高信号高度超过1500最高信号高度小于1500卤素灯最高信号高度超过1100最高信号高度小于1100
[0057]
由于信号是从端口1输入的，传感器1信号没有经过滤波，而传感器2信号经过滤波，传感器1采集到的信号高度比传感器2采集到的信号高度高。从表3的结果也表现出，由于传感器1采集的信号更强，因此信号传输的方向确实是端口1传输到端口2的。需要说明的是，由于端口1的信号是通过配电网旁路以串扰的方式进入主路的，因此信号强度会有一定程度的降低。
[0058]
虽然信号高度是表征信号强度一个非常重要的指标，但是仅仅使用信号高度来表征信号强度在算法精度上是不够的，如果想要更精确的描述信号强度，需要在mcu中添加针对数字信号处理的软件算法。根据模数转换后采集的数字信号，采取数字信号处理算法，对两路信号实施变换、提取多种特征及比较信号的频谱分布及强弱，离析分解信号，辨识出信号的传输方向及其来源。
[0059]
mcu接收到调理电路1和调理电路2的模拟信号后，分别进行模数转化获得数字信号，然后针对两路数字信号提取特征值。特征值主要是用来指示信号强度，依据不同的理解可以提取不同的特征值，这里提取的特征值主要如表4所示：
[0060]
表4
[0061][0062]
计算获取的信号特征值，作出信号方向的辨识是一个复杂的问题，由于信号本身受多种环境因素的干扰，有时还有两个方向信号的混叠，特征值也会被污染。利用现有的大量实验数据，组合成特征向量集，进行有效的综合，从而对实际发生时的信号作出预测，是一项有效的思路。例如，利用上述特征向量集，使用机器学习算法，可建立输入向量与辨识结果的推理机制，其流程如图10所示：
[0063]
根据上述双传感器通道获取的特征值，进行比较处理，例如比较信号输入端口和输出端口差异，例如特征值差、特征值比，通过大量实验，建立主路方向信号和旁路方向信号特征向量集，即图10中的操作1。由于上述实验时，信号的方向是预知的，可以设置每个特征向量的标记，即指示该向量对应的信号方向，例如设定信号从端口1输入标记位是1，信号从端口2输入标记位是0，将标记位作为目标值和特征值组合在一起，就形成了有监督机器学习算法的输入特征向量，即图10中的操作2。
[0064]
有了实验数据后，需要搭建机器学习模型，机器学习模型有很多，在本实施例我们使用的是多层神经网络，其结构原理如图9所示：
[0065]
input layer即输入层，对应的就是前面提取的特征值，每一个特征值可以对应一个输入层的神经元；hidden layers即隐藏层，可以依据自己的选择设置不同的层数和每一层神经元的数量；output layer就是输出层，对应的就是输入的特征值经过多层神经网络后的结果，对应的就是信号传输的方向。
[0066]
一个完整的神经网络的流程分为前向过程和反向过程，前向过程的流程就是input layer输入，然后经过第一层神经元运算得到输出，然后第一层的输出作为第二层的输入，继续运算得到第二层的输出，如此反复直到输出层运算，得到最终网络运算结果，即图10中的操作3。
[0067]
而反向过程就是根据前向过程得到的结果和提前设置好的标记位进行比较，找出两者之间的偏差，通过合理地调整多层神经网络来让网络最后计算结果向标记位这个目标值靠近，即图10中的操作4。
[0068]
经过多次训练迭代，模型的输出结果会越来越接近我们预期的结果，当训练次数到达预设的值或者网络输出值和目标值之间的偏差小于预先设置好的精度时，认为模型训练完毕，即图10中的操作5。
[0069]
经由大量的实验数据，训练得到机器学习模型之后，完整的信号方向判断流程如图11所示：
[0070]
两个传感器分别采集电路电流中的高频信号，经过调理电路处理后，得到两路模拟信号，并输入到mcu进行模数变换，形成两路数字信号；从数字信号中分别提取代表强度的特征值，送入到事先已经训练完成的多层神经网络模型中，经过前向计算，输出最终结果，并依据这个最终结果判断出信号传输方向。
[0071]
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。