本文選題：電弧故障 + 小波變換�。� 參考：《電網技術》2014年03期

【摘要】：為實現對用電系統(tǒng)低壓端串聯電弧故障的準確診斷,根據交流系統(tǒng)中低壓串聯電弧故障的奇異性、能量特性及不確定性,通過自主搭建的電弧故障模擬實驗平臺及不同負載下的串聯電弧故障模擬實驗,提出一種基于多特征融合的串聯電弧故障診斷方法。該方法根據信號不同特性,結合小波變換理論對經降噪預處理后的采樣信號進行主成分分析,提取各頻段特性對信號的貢獻率,并以信號3種特性中最大貢獻率所在頻段的空間位置關系作為特征向量構成1?3階信號特性分布矩陣;將此矩陣作為網絡的輸入向量,利用改進多層前饋神經網絡構建特征向量與電弧故障之間的映射關系。測試結果表明,該方法可減小電弧燃燒對診斷結果的影響,實現對串聯電弧故障的診斷分類。
[Abstract]:In order to accurately diagnose the series arc fault of low voltage end of electric power system, according to the singularity, energy characteristic and uncertainty of low voltage series arc fault in AC system, A fault diagnosis method for series arc based on multi-feature fusion is proposed by using the self-built arc fault simulation platform and the series arc fault simulation experiment under different loads. According to the different characteristics of the signal and the wavelet transform theory, the method carries out the principal component analysis of the sampled signal after de-noising preprocessing, and extracts the contribution rate of the characteristics of each frequency band to the signal. The spatial position relation of the largest contribution rate in the frequency band of the three characteristics of the signal is taken as the eigenvector to form the signal characteristic distribution matrix of order 1 and 3, and the matrix is used as the input vector of the network. An improved multilayer feedforward neural network is used to construct the mapping relationship between eigenvector and arc fault. The test results show that this method can reduce the influence of arc combustion on the diagnosis results and realize the diagnosis classification of series arc faults.
【作者單位】： 沈陽工業(yè)大學電氣工程學院;
【基金】：國家自然科學基金項目(51377106,51337001)~~
【分類號】：TM501.2

【參考文獻】

相關期刊論文 前10條

1 何怡剛;祝文姬;周炎濤;劉美容;;基于粒子群算法的模擬電路故障診斷方法[J];電工技術學報;2010年06期

2 周天春;楊麗君;廖瑞金;汪可;鄭升訊;;基于局部放電因子向量和BP神經網絡的油紙絕緣老化狀況診斷[J];電工技術學報;2010年10期

3 雍靜;桂小智;牛亮亮;曾禮強;;基于自回歸參數模型的低壓系統(tǒng)串聯電弧故障識別[J];電工技術學報;2011年08期

4 藍會立;張認成;;基于小波分析的故障電弧伴生弧聲特征提取[J];電力系統(tǒng)及其自動化學報;2008年04期

5 李東敏;劉志剛;蔡軍;霍柏超;;基于多小波包系數熵和人工神經網絡的輸電線路故障類型識別方法[J];電網技術;2008年24期

6 董青迅;李興源;穆子龍;顧威;;基于近似熵的次同步諧振檢測方法[J];電網技術;2011年11期

7 林圣;何正友;陳鑒;李小鵬;錢清泉;;基于行波時頻特征的單端故障測距方法[J];電網技術;2012年01期

8 董超;廖清芬;唐飛;歐陽利平;王娜娜;劉代剛;汪小明;;基于Teager能量算子的低頻振蕩節(jié)點同調分群[J];電網技術;2012年05期

9 孫鵬;董榮剛;鄭志成;;基于小波分析信號特征頻段能量變比的故障電弧診斷技術研究[J];高壓電器;2010年07期

10 楊小明;劉滌塵;廖清芬;單增禮;羅恒;張紅麗;;動態(tài)近似熵在強迫功率振蕩在線檢測中的應用[J];電網技術;2012年11期

【共引文獻】

相關期刊論文 前10條

1 姜艷茹;費玉琢;李子星;王春雨;;基于樣本熵理論的輸電線路單相自適應重合閘研究[J];電測與儀表;2012年03期

2 聶晶;石s，

本文編號：2046765