基于机器学习方法的直流电弧故障检测.docxVIP

基于机器学习方法的直流电弧故障检测 丁鑫 竺红卫 殷浩楠 王一闻 浙江大学电气工程学院 摘要： 为了解决传统分析方法在肓流供电系统中电弧故障检测的精确度不足及过程繁 琐的问题，将直流电弧故障检测归为二分类问题，引入机器学习方法，通过直 流电弧实验得到正常状态和电弧状态的数据，从时域屮提取电流均值等4个特 征，从频域中提取高频分量标准差等3个特征。利用提取到的特征对支持向量机 (SVM)进行训练，利用求解得到的模型对测试数据集进行分类，分类准确率为 94. 483%0结果证明：所提方法能有效检测直流电弧故障，提高故障检测精度，且 步骤精简，易于推广。 关键词： 直流电弧;故障检测;特征提取;机器学习；支持向量机; 作者简介：丁鑫(1991-)，男，硕士研究生，主要研究方向为故障电弧的信号 分析、特征提取与模式识别 收稿日期:2017-01-21 基金：浙江省科技技术应用研究计划资助项目(2015C3115) DC arc fauIt detection based on machine learning method DING Xin ZHU Hong-wei YIN Hao-nan WANG Yi—wen School of Electrical Engineering, Zhejiang University; Abstract： In order to solve the problems that in direct current ( DC) power supply system, accuracy of arc fault detection is insufficient and the process is tedious with the traditional analysis method. The DC arc fault detection is classified into two classification problems whi1e the mach inc learning met hod is used. The data of normal state and arc fau It state are obtained by DC arc experiment. Extract four features from time domain, including the average current and so on. At the same time, extract three characteristics from frequency domain, such as standard deviation of high frequency comp orient, etc. By t rain ing support vector machine ( SVM) usi ng the ext rac ted fea tu res above, classif ica tion model is obtain cd. The accuracy of classification of the test data set by the model is94. 483 %, the result proves that this method can be used to detect DC arc fault effectively, improve detection preci sion, and can be popularized easily because of simple steps. Keyword： direct current (DC) arc; fault detection; feature extraction; machine learning; support vector machine (SVM); Received： 2017-01-21 0引言 直流电源广泛应用于航天器的供电系统山、汽车的电气系统宜，这些电力电子 系统也是发生直流电弧故障的重灾区R1，如果不能及时检测并排除故障，直流 电弧将危害电源系统和控制系统，严重时还会引发火灾。不同于交流电弧的周期 性，直流电弧的随机性和不稳定性使故障检测变得困难。目前常用的分析技术有 时频分析111、小波包分析固、神经网络回、马氏距离￡11、共振电路宜等。 本文从统计学角度对故障电弧的特征进行提取，并明确了各特征量所表征的含 义，给岀计算公式，采用机器学习的分类方法进行故障检测，针对特定的电路 环境有较高的精确度和稳定性，并且易于推广。根据负载连接方式的不同，电弧 故障可以分为两类：串联和并联。串