一种基于多特征量直流电弧故障检测方法.docVIP

一种基于多特征量的直流电弧故障检测方法 　　摘 要：文中提出了一种基于支持向量机SVM分类器的直流电弧故障检测方法与若干可用于直流电弧故障检测的时域、频域特征量，特别是基于希尔伯特-黄变换的时频域特征。将特征值导入SVM分类器进行训练后，SVM分类器可检测出直流电弧故障。在SVM分类器的设计和训练过程中，采用遗传算法参数寻优结合K折交叉验证选取最优参数。实验结果表明，SVM分类器的分类准确率高达98%以上。 　　关键词：直流电弧故障检测；希尔伯特-黄变换；支持向量机；SVM分类器 　　中图分类号：TP18；U484 文献标识码：A 文章编号：2095-1302（2018）02-00-03 　　0 引 言 　　直流电弧故障多发于直流供电系统，倘若直流电弧发生故障，会产生比较稳定的持续燃烧环境，若未及时发现并切断火源，则易因电气设备着火而引发火灾。 　　目前，针对直流电弧故障的检测大多通过提取发生电弧故障时电流的时域或频域特征，采用阈值法检测电弧故障。文献[1]采用神经网络分析和快速傅里叶变换在频域检测航天器系统的直流电弧故障，文献[2]采用统计方法来研究发生电弧故障时电流在时域的波形变化特征，文献[3，4]则采用时域结合小波变换来进行特征提取。但由于实际电气设备的特性各不相同，直流电弧是否发生故障也具有随机特性，影响因素多样，各特征量的阈值难以界定，因此这些方法大多检测准确率低、误动作高。 　　直流电弧故障检测方法本质上是一个“有或无”的二分类问题。本文提出一种基于支持向量机SVM分类器的直流电弧故障检测方法。首先提出了若干可用于直流电弧故障检测的时域、频域特征量，特别提出了基于希尔伯特-黄变换的时频域特征，并设计了具有检测直流电弧故障功能的SVM分类器，采用特征量训练的SVM分类器可根据输入的电流特征量数据判断是否发生直流电弧故障。 　　1 用于直流电弧故障检测的电流特征 　　本文采用时间窗口对电流进行特征提取，每个窗口为0.2ms，包含1 000个电流采样数据。 　　1.1 时域特征 　　本文将以下两个时域特征作为用于直流电弧故障检测的电流时域特征。 　　（1）电流波动特性：在一个时间窗口中电流最大值和最小值的差值（峰峰值）： 　　F=Imax-Imin （1） 　　（2） 波形因数：在一个时间窗口中电流波形的有效值和绝对均值的比值： 　　1.2 频域特征 　　本文使用快速傅里叶变换对正常工作时和发生电弧故障时的电流进行频域特性对比，确定可用于直流电弧故障检测的电流频域特征。 　　从原始电流采样数据里取出正常工作和发生电弧故障的电流各20 ms进行对比分析。因为数据采样频率为5 MHz，由采样定理知，只需分析0～2.5 M Hz内的谐波分量即可。将0～2.5 MHz等分为10个频段，依次用F1，F2，…，F10标注，表1所列为每个频段范围的能量值。 　　由上表计算知，F1，F2频段内发生电弧故障和正常工作时的能量比分别为22.04，18.71，与其他频段相比较为明显，表明可以将一个时间窗口内电流在F1，F2频段即0～500 kHz内的频谱能量值作为用于直流电弧故障检测的特征。 　　1.3 基于希尔伯特-黄变换的时频域特征 　　发生直流电弧故障时的电流是非线性、非稳定的。傅里叶变换作为一种纯频域分析方法，用频率从零到无穷大的复正弦分量进行叠加来拟合原函数f（t），即用F（ω）来分辨f（t），但此举会导致有限频域的信息无法确定任意小范围内的函数f（t）。特别对于非平稳信号而言，时域的突变会散布在整个频域上，造成诸多不便。由此可知，傅里叶变换对非平稳信号的处理存在不足。而希尔伯特-黄变换 （Hilbert-Huang Transform，HHT）基于信号局部特性，将非平稳信号分解成多个固有模态函数（IMF）分量，进而将信号的局部特征在时频平面进行描述[5]，特别适用于非平稳、非线性信号分析。 　　小波变换虽然也同样适用于非平稳信号的局部特性分析，但文献[6]通过对小波分析与HHT各自优缺点的对比，发现HHT同样可以达到小波变换的效果，同时还具有自身数据驱动性。HHT完全依靠信号自身进行分解，不同于小波变换需事先选取合适的小波基函数，更能反映非平稳信号的局部特征，从而准确提取出非平稳信号的特征。 　　HHT将信号进行经验模式分解（EMD），分解成n个固有模态函数IMF。IMF在每一时刻只有单一的频率成分，为瞬时频率赋予了物理意义。IMF具有高频到低频的多尺度特征，是对信号自身“频率-时间-幅值”三种特征的分析，即信号不同的频率分量情况[7]。图1所示为一个时间窗口内对电流采样数据进行EMD分解得到的结果，电流采样数据序列分解出了IMF1，IMF2，…，IMF9由高频到低频不同的频率分量。