為準確識別低壓配電網中的串聯(lián)故障電弧,提出了一種基于全相位譜和深度學習的串聯(lián)故障電弧識別方法。首先,從理論上推導負載畸變信號的全相位頻譜特征產生機理,利用全相位離散傅里葉變換提取線性、非線性負載的全相位頻譜特征量。其次,構建了基于Logistic回歸的深度學習神經網絡模型,并對不同負載、不同運行狀態(tài)下的全相位頻譜特征量進行深度學習訓練。最后,對搭建的故障電弧試驗平臺上采樣數(shù)據進行分析,結果能準確識別低壓配電網是否發(fā)生串聯(lián)故障電弧和甄別出故障負載的類型。試驗結果驗證了所提方法的有效性,并隨著深度學習理論在電力系統(tǒng)智能化中的應用,該方法可做進一步的深入研究和推廣。 

【文章來源】：電力系統(tǒng)保護與控制. 2020,48(17)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1串聯(lián)故障電弧電路示意圖

弧電路示意圖Fig.1Circuitdiagramofseriesfaultarc為模擬真實發(fā)生串聯(lián)故障電弧時的電氣量變化情況，根據UL1699-2008AFCI標準[18]搭建串聯(lián)故障電弧模擬試驗平臺如圖2所示。試驗平臺由電源模塊、故障發(fā)生模塊、數(shù)據采樣分析模塊三部分構成，其中AC表示低壓交流試驗電源，K1、K2、K3表示開關，Rp、R1=0.1Ω分別表示試驗負載和采樣電阻，DA表示數(shù)據采集模塊，PC表示用于分析的計算機。電弧發(fā)生器參照IEC62606-2013標準[19]，用于產生穩(wěn)定的串聯(lián)故障電唬圖2串聯(lián)故障電弧試驗平臺示意圖Fig.2Schematicdiagramofseriesfaultarcexperimentplatform2故障電弧的全相位譜特征2.1全相位頻譜的數(shù)學機理對于低壓交流系統(tǒng)，其實際電流信號可以表示為多個信號分量的線性疊加，即1()cos()MiiiiyntAntp(1)式中：n[N1,N1]，2N1為分析數(shù)據長度；t為采樣間隔；i、iA、ip為某個信號分量的角頻率、幅值和初相位；M為信號分量總數(shù)。對式(1)中的電流信號分別進行離散傅里葉變換和全相位離散傅里葉變換(忽略負頻率的影響)，各自的頻譜表達式為[20-21]j11()()e2iMpiiiGkAWk(2)2j11()()e2iMpiiiYkAWk(3)式中：k為譜線序號；/ii，為角頻率分辨率；()iWk為頻率偏移量ik處對應的矩形窗譜函數(shù)，如式(4)。1jπ()()esin()iNkNiiWkck(4)設頻率分量i的頻譜幅值峰譜線序號為ki，βiki為峰譜線ki處的頻率偏移量。?

梢?看出，當出現(xiàn)頻譜泄漏時，全相位離散傅里葉變換的幅值出現(xiàn)成倍衰減，這也是全相位離散傅里葉變換的頻譜具有良好頻譜泄漏和頻譜干涉抑制性能的根本原因[22]，因此測量的頻率分量具有很高的精度。2.2負載正常運行時的電流頻譜特征根據前述的全相位頻譜形成機理，對式(1)對應的線性負載(電阻30Ω)、非線性負載(電阻30Ω、電感1mH)電流信號分別進行離散傅里葉和全相位離散傅里葉變換，并進行頻率分量的頻率和幅值測量，得到其時域波形和頻譜圖分別如圖3和圖4所示。圖3線性負載正常的電流時域圖和頻譜圖Fig.3Currenttimedomainandfrequencyspectrumgraphoflinearloadincommoncondition圖4非線性負載正常的電流時域圖和頻譜圖Fig.4Currenttimedomainandfrequencyspectrumgraphofnon-linearloadincommoncondition從圖3和圖4可以看出，線性負載正常運行時波形接近理想的正弦波，頻譜圖中僅含基波分量，全相位頻譜測量結果僅含基波幅值。非線性負載正常運行時波形發(fā)生較有規(guī)律的周期性畸變，頻譜圖中的各頻譜線形成頻譜帶，全相位譜測量結果包含各次諧波分量和較少部分間諧波分量，其中奇數(shù)次諧波分量較突出。負載正常運行時通過全相位譜測量方法可以實現(xiàn)線性負載和非線性負載的頻譜特征提取，而不同種類的負載具有不同的頻譜特征，因此可以區(qū)分正常運行狀態(tài)下不同種類的線性負載和非線性負載。由圖4(b)和4(c)可以看出，在波形發(fā)生畸變時，傳統(tǒng)離散傅里葉變換的頻譜泄漏和頻譜間干涉問題較嚴重，頻譜分析算法容易誤判。全相位離散傅里葉變換可較好地抑制頻譜泄漏，有效解決了傳統(tǒng)頻譜分析方法受頻譜泄漏干擾的問題，從而提升頻譜分析的正確性。以基波為例，


本文編號：3270681