本发明涉及电弧故障诊断领域,特别是一种基于iao-vmd中心频率的电弧故障诊断系统及方法。
背景技术:
1、根据近年来的火灾统计报告,电气火灾的比例高居榜首,而电弧故障是引起电气火灾的一种重要原因。在交流系统中,低压供电线路绝缘老化、接地故障以及接线端子滑扣松脱等原因都可能引起交流电弧故障。而电弧故障主要分为三类,其中并联和接地电弧故障易被传统保护装置检测,当发生串联电弧故障时,线路电流减少,断路器、保险丝等保护装置将无法跳闸保护线路。因此,如何有效解决低压交流电弧故障已经成为一个热点问题,一直被国内外学者广泛关注和研究。
2、交流故障电弧的检测方法主要分为基于电弧数学模型、物理特征和模式识别的方法,目前已有的电弧数学模型包括描述电弧宏观外特性的cassie模型、mayr模型、stokes模型、ayrton模型,以及描述电弧内部物理特性的磁流体动力学模型等;辐射特性方法受环境因素影响较大,且定位范围有限,采用较少;采用最多的方法是模式识别方法,往往先对故障信号进行时频域处理等,再运用机器学习算法进行故障诊断。
3、变分模态分解vmd是一种基于迭代运算的时频域分离算法,能够有效克服模态混叠,但若影响参数选择不当,将会花费过多的执行时间且分解效果不好。低压交流系统复杂多变负载众多,电弧故障特征弱、影响因素多,信号分解不准确将很大程度上影响对故障电弧的诊断结果。此外,目前已研究了许多使用ml来处理交流串联电弧故障的方法,但是这些ml算法多为单一预测模型,泛化能力一般导致诊断精度提升有限,同时由于低压配电系统的动态性和不确定性,将为电弧故障检测与诊断带来很大挑战。
技术实现思路
1、本发明的目的是克服现有技术的上述不足而提供一种基于iao-vmd中心频率的电弧故障诊断系统及方法。
2、本发明的技术方案是:基于iao-vmd中心频率的电弧故障诊断系统,包括数据获取模块、最优参数获取模块、分解分量获取模块、频段划分模块、信号重构频段、故障特征提取模块和集成学习处理模块。
3、所述数据获取模块用于选择现有的电路正常状态和发生电弧故障状态下的电流信号数据,或通过交流电弧故障模拟及采集实验平台获取模拟电路正常状态和发生电弧故障状态下的电流信号数据。
4、所述最优参数获取模块用于采用vmd方法处理随机抽取的一组故障电弧状态的特征数据,并使用改进天鹰算法优化vmd分解的最佳参数组合,且将最终优化结果进行输出。
5、所述分解分量获取模块用于将最终优化的vmd分解最佳参数组合代入到vmd中,处理电路正常状态与故障电弧状态的特征数据集,得到电路正常状态与故障电弧状态的特征数据集的k个imf分量及各分量对应的中心频率。
6、所述频段划分模块用于将正常状态与故障电弧状态的特征数据集频率进行fft频域变化后划分为四等分,并根据各imf分量的中心频率判断其所属频段。
7、所述信号重构模块用于对处于相同频段的imf分量进行叠加合并得到新的低频、中低频、中高频、高频子序列,输出重构信号。
8、所述故障特征提取模块用于对各重构子序列分别提取多域故障特征,并采用核主成分降维方法进行数据降维,对各频段重构子序列分别构建低维故障特征集。
9、所述集成学习处理模块为stacking集成学习模型,其中基学习器包括svm处理部分、knn处理部分、gbdt处理部分、rf处理部分;用于对不同频段的低维特征集选择不同的基学习器,训练各个基学习器得到输出结果,再将输出结构作为输入量,采用gbdt模型作为元学习器进行分类,输出最终故障诊断结果。
10、所述数据获取模块、最优参数获取模块、分解分量获取模块、频段划分模块、信号重构频段、故障特征提取模块和集成学习处理模块依次连接。
11、本发明进一步的技术方案是:所述交流电弧故障模拟及采集实验平台包括电源、电流传感器、数据采集装置、智能网关、上位机、负载、两个开关和电弧发生器;所述电源、电流传感器、第一开关、负载和第二开关依次连接形成闭合回路,电流传感器与数据采集装置电连接,数据采集装置与智能网关电连接,智能网关与上位机电连接,电弧发生器设置于电流传感器和负载之间并与第一开关并联连接;采集负载正常状态数据时闭合第一开关、第二开关,采集负载电弧故障状态数据时断开第一开关、闭合第二开关,对各负载分别获取多组正常状态数据和电弧故障状态数据,构造特征数据集。
12、本发明再进一步的技术方案是:所述电弧发生器采用平端固定碳棒电极和尖端移动铜棒电极组成,通过缓慢旋拧铜极调节器控制电极间隙模拟拉弧;负载选择为led、电吹风、电水壶和笔记本。
13、本发明更进一步的技术方案是:所述多域故障特征包括时域特征11个和频域特征5个,分别为平均值、方差、有效值、方根幅值、峰峰值、标准差、峭度、偏度、峰值因子、脉冲因子、波形指标、重心频率、平均频率、均方根频率、频率方差、频率方差和频率标准差。
14、本发明再进一步的技术方案是:所述对不同频段的低维特征集选择不同的基学习器具体为:低频段低维数据使用支持向量机svm模型,中低频段低维数据使用k近邻算法knn模型,中高频段低维数据使用梯度提升决策树gbdt模型,高频段低维数据使用随机森林rf模型。
15、本发明的另一技术方案是:前述基于iao-vmd中心频率的电弧故障诊断系统的方法,包括如下步骤,
16、步骤一、数据获取模块获取电路正常状态和发生电弧故障状态下的电流信号数据。
17、步骤二、最优参数获取模块中采用vmd方法处理随机抽取的一组故障电弧状态的特征数据,使用改进天鹰算法优化vmd分解的最佳参数组合,将最终优化结果进行输出。
18、步骤三、分解分量获取模块将优化搜索的vmd分解最佳参数组合代入到vmd中,处理电路正常状态与故障电弧状态的特征数据集,得到电路正常状态与故障电弧状态的特征数据集的k个imf分量及各分量对应的中心频率。
19、步骤四、频段划分模块将正常状态与故障电弧状态的特征数据集频率进行fft频域变化后划分为四等分,分别为低频段、中低频段、中高频段、高频段,依据步骤三得到的各imf分量的中心频率判断其属于哪一频段,输出划分结果;信号重构模块中对处于相同频段的imf分量进行叠加合并得到新的低频、中低频、中高频、高频子序列,输出重构信号。
20、步骤五、故障特征提取模块中对各重构子序列分别提取多域故障特征,采用核主成分降维方法进行数据降维,对各频段重构子序列分别构建低维故障特征集。
21、步骤六、重复步骤四和步骤五,直至电路正常状态与故障电弧状态的特征数据集全部计算完毕;分别输出电路正常状态与故障电弧状态的低维特征数据集组,其中每组数据集中包含低频段、中低频段、中高频段、高频段的低维数据。
22、步骤七、集成学习处理模块中对不同频段的低维特征集选择不同的基学习器,训练各个基学习器得到输出结果,再将输出结构作为输入量,采用gbdt模型作为元学习器进行分类,输出最终诊断结果。
23、本发明进一步的技术方案是:所述改进天鹰算法优化vmd分解的最佳参数组合具体为在天鹰算法在执行缩小搜索和缩小开发时引入阿基米德螺旋机制强化。
24、本发明进一步的技术方案是:所述步骤四中的数据采样频率为8000hz,fft频域变换后频率为4000hz,对其进行四等分,得到低频段为[0,1000hz],中低频段为[1000hz,2000hz],中高频段为[2000hz,3000hz],高频段为[3000hz,4000hz]。
25、本发明与现有技术相比具有如下特点:
26、(1)本发明依据vmd分解的imf分量的中心频率进行叠加合并,重构为新的低频、中低频、中高频、高频子序列,重构信号更能够反应出各频段的有效故障特征,有效提高了故障诊断的精度。
27、(2)本发明通过提取多域故障特征,避免了单一特征的偶然性与不准确性,能有效准确的提取电弧故障特征。
28、(3)本发明的数据降维方法,避免了特征间存在相关性和特征过多造成的数据集计算规模过大、冗余度上升的问题,降低了计算的复杂程度。
29、(4)本发明采用集成学习模型进行故障诊断,具有良好的泛化性能,故障识别效果显著,且相比于单一模型具有更高的识别精度,为交流串联电弧故障诊断算法的改进和研究提供一种新思路。
30、以下结合附图和具体实施方式对本发明的详细结构作进一步描述。