基于多维特征与XGBoost算法的低压串联电弧故障辨识方法、设备及介质与流程

本发明属于低压用电安全领域，具体涉及一种基于多维特征与xgboost算法的低压串联电弧故障辨识方法、设备及介质。

背景技术：

1、电能是现代化生产、生活的重要资源，对社会经济起到重要作用。随着科技水平的提高，低压电器种类增多，普通家庭用户对电能的需求不断上升，大部分家居产品都通过电能驱动，而电能在带来诸多便利的同时也给人们带来了许多安全隐患。线路长期过载、不规范接线、电线质量参差不齐等原因导致的电弧故障频发，电弧故障因具有较强的随机性、隐蔽性，在故障初期及故障持续期间，均难以被有效感知，而电弧故障一旦发生，其弧隙温度可高达3000-4000℃，且常伴随有金属熔融喷溅物，极易引燃周围可燃物，导致电气火灾发生。据有关统计数据表明，全国每年发生的电气火灾超10万起，70％的重特大火灾是电气火灾，电气火灾中80％以上是由故障电弧引起，不仅给家庭造成了很大的痛苦，而且对社会也产生了严重的政治冲击。

2、近二十年来，一些学者和工程技术人员相继提出了许多故障电弧检测技术。主要分为基于物理现象和基于电气数据分析等两个不同角度。基于电弧故障物理现象的检测方法大多采用热、光电、声、红外等几个特征。如2005年时国内学者蔡彬等人通过电晕、阳光、手电筒光、灯光及电弧故障弧光等一系列光源进行传感实验研究，研制了一种基于弧光单一判据的开关柜内部电弧故障检测装置；2010年时国内学者蓝会立等人根据电弧故障发生前弧声信号主要集中在5-10khz的特点，建立混沌检测系统判断是否存在弧声，提出一种基于混沌理论的电弧故障早期检测方法。这些方法虽然能够较好的实现故障电弧的检测，但存在成本高、应用场景受限等缺点，无法广泛应用于低压用电场景。

3、在低压家庭用电中，电弧故障可分为串联、并联及接地三种电弧故障情况，并联及接地故障发生时，相当于线路发生短路故障，线路电流明显上升，现有断路器采用过流保护基本可实现故障检测。而串联电弧故障发生时，相当于在线路中又串入一个非线性电阻，电流可能会减小，在故障发生及持续燃烧期间难以被有效感知。且存在发生位置随机的特点，也增加了检测的难度。

4、基于电气数据分析的辨识方法大多根据电弧机理，提取故障前后电流、电压及功率等电气数据的频域与数学统计量特征值，结合人工智能模型进行电弧故障辨识。2013年国内学者王子骏等人针对传统线路保护装置存在对电弧故障的误判和漏判等问题，提出一种基于支持向量机的故障电弧辨识方法；2020年国内学者陈烜等人通过理论推导出负载电流波形畸变的全相位频谱特征产生机理，并提取实验负载的全相位频谱特征量，结合深度学习模型实现对不同负载的电弧故障辨识。以上基于电气数据分析的方法均达到了较高准确率的辨识效果，但在其研究方法中考虑的只是不同类型单负载或是多负载运行工况下主线路发生电弧故障时的辨识问题，即现有电弧故障检测技术多针对一条线路一个负载的情况进行研究。而实际家庭用电生活中是一条线路中会接入多个负载，如一个插排接入多个负载的情况，当其中某一个负载支路发生电弧故障时，上一级主线路因受到其它正常线路电流信号的干扰，导致故障特征极其微弱，进而导致故障电弧难以有效检测。

5、而实际生活用电场景中的故障电弧断路器则要求在多个负载多条支路的运行工况下，通过主线路电气参数实现任意支路电弧故障的辨识。

技术实现思路

1、为了解决目前低压配电系统小功率负载支路发生电弧故障时，主线路因信号混叠而难以获取故障信号特征，进而导致电弧故障难以精准辨识的问题的技术问题，本发明提供一种基于多维特征与xgboost算法的低压串联电弧故障辨识方法、设备及介质，旨在通过主线路电流信号实现单个负载支路电弧故障的快速、精准辨识。

2、为实现上述技术目的，本发明采用如下技术方案：

3、一种基于多维特征与xgboost算法的低压串联电弧故障辨识方法，包括：

4、从低压用户侧入户端采集多种不同负载工况下每种状态的电流信号，并对各电流信号预处理；其中，每种负载工况下所有状态均包括：正常工作和对应负载工况下各条单负载支路分别发生低压串联电弧故障；

5、采用固定长度的窗口将每个预处理后的电流信号划分为多个数据样本；对每个数据样本提取特征向量，并以对应状态为标签，构建电弧故障辨识样本；

6、搭建xgboost算法模型，根据电弧故障辨识样本集并利用贝叶斯算法对xgboost算法模型的超参数进行优化；

7、根据电弧故障辨识样本集对超参数优化后的xgboost算法模型进行训练，得到xgboost电弧故障辨识模型；

8、实时采集低压用户侧入户端的电流信号，对预处理并从中提取特征向量，输入至训练好的xgboost电弧故障辨识模型，输出得到该低压用户侧的当前负载工况及状态。

9、进一步的，对电流信号预处理包括去噪和归一化处理；

10、其中，去噪处理包括：选择sym8小波函数对电流信号进行6层分解，并利用matlab自带的基于heursure的启发式阈值选取函数自动选取阈值，去除小波系数小于阈值的信号，并对保留信号进行信号重构，进而实现信号去噪；

11、归一化处理包括：将去噪后的电流信号进行线性变换归一化至[-1,1]之间，公式如下：

12、

13、其中，x和x*分别为归一化前后的电流信号；xmax为电流信号中的最大值；xmin为电流信号中的最小值。

14、进一步的，在将预处理后的电流信号划分为多个数据样本之前，先对将预处理后的电流信号进行故障有效信号重构，再将重构信号划分为多个数据样本；

15、其中，对预处理后的电流信号进行故障有效信号重构，具体为：使用小波包基sym4对电流信号进行6层小波分解，将分解得到的d1～d4四层细节信号叠加，得到重构信号。

16、进一步的，提取的特征向量包括特征指标：d1～d4各层高频信号的小波能量熵、重构信号方差、重构信号积分、重构信号香农熵、重构信号峰态。

17、进一步的，对xgboost算法模型优化的超参数包括：学习率、决策树个数、决策树的深度、随机采样训练样本的采样率、生成树时的特征采样率、l2正则化项参数、决定最小叶子节点权重和。

18、进一步的，所述根据电弧故障辨识样本集对超参数优化后的xgboost算法模型进行训练，目标函数为：

19、

20、式中，obj代表目标函数；yi为电弧故障辨识样本i的状态标签，为xgboost算法模型对电弧故障辨识样本i的预测输出状态，n为电弧故障辨识样本集中的样本数量，为电弧故障辨识样本i的的损失函数值；fk代表第k棵决策树，ω(fk)表示第k棵决策树fk的复杂度惩罚函数值，k为决策树个数；ωj表示叶子节点j的权重；t为单个决策树的叶子节点数量；γ和λ代表模型复杂度控制的正则化参数。

21、一种电子设备，包括：

22、一个或多个处理器；

23、存储装置，用于存储一个或多个程序，

24、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的低压串联电弧故障辨识方法。

25、一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一项所述的低压串联电弧故障辨识方法。

26、有益效果

27、与现在技术相比，本发明具有以下技术效果：

28、1、本发明将融合多个与电弧故障相关特征得到的特征向量作为故障综合判据，提升了低压单个负载电弧故障辨识方法的自适应性，避免了因单一特征作为判据进行串联电弧故障辨识而导致漏判和误判等问题。

29、2、本发明将原始电流波形分解成多个电流细节信号，并根据电弧故障特性和细节信号变化规律选择高频细节信号，采用信号微弱变化叠加法完成故障有效信号重构，凸显故障特性，大幅提升模型辨识电弧故障的灵敏度。

30、3、本发明采用贝叶斯算法对xgboost模型的多个超参数进行优化，贝叶斯算法在尝试下一组超参数时，会参考之前的评估结果，相比传统网格搜索等超参数优化算法在计算时间与计算量具有显著优势，节省了计算时间和空间，提高了方法辨识速度。