《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 基于Stacking模型融合的串联故障电弧检测
基于Stacking模型融合的串联故障电弧检测
2021年电子技术应用第11期
王 毅1,陈 进1,李松浓2,陈 涛2,戴莲丹3,宣 姝3
1.重庆邮电大学 通信与信息工程学院,重庆400065; 2.国网重庆市电力公司电力科学研究院,重庆400014;3.国网重庆市电力公司营销服务中心,重庆400023
摘要: 针对低压交流配电网中由于电弧燃烧程度不同、电流畸变程度不同而导致漏检、错检问题,提出一种基于Stacking模型融合的时域故障电弧检测方法。从回路电流中提取时域特征,将时域特征组成特征矩阵对机器学习算法决策树和集成学习算法随机森林等进行参数寻优。最后,将集成学习算法代替机器学习算法作为基学习器通过Stacking模型融合构建低压交流故障检测模型。实验共采集6种电器的并联电流共计96 970组,结果表明,相较于非集成算法和其他集成算法,所提方法具有更高的准确率、精确度和F1指标,其模型更为稳健。
中图分类号: TM501.2
文献标识码: A
DOI:10.16157/j.issn.0258-7998.201209
中文引用格式: 王毅,陈进,李松浓,等. 基于Stacking模型融合的串联故障电弧检测[J].电子技术应用,2021,47(11):53-57.
英文引用格式: Wang Yi,Chen Jin,Li Songnong,et al. Series fault arc detection based on Stacking model fusion[J]. Application of Electronic Technique,2021,47(11):53-57.
Series fault arc detection based on Stacking model fusion
Wang Yi1,Chen Jin1,Li Songnong2,Chen Tao2,Dai Liandan3,Xuan Shu3
1.School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications, Chongqing 400065,China; 2.Chongqing Electric Power Research Institute,Chongqing 400014,China; 3.State Grid Chongqing Electric Power Company Marketing Service Center,Chongqing 400023,China
Abstract: Aiming at the problems of missed detection and false detection due to different arc combustion levels and current distortion levels in low-voltage AC distribution networks, a time-domain arc fault detection method based on Stacking model fusion is proposed. The time domain features are extracted from the loop current, and the time domain features are formed into a feature matrix to optimize the parameters of the machine learning algorithm decision tree and the integrated learning algorithm random forest. Finally, the integrated learning algorithm is used as the base learner instead of the machine learning algorithm to build a low-voltage AC fault detection model through Stacking model fusion. The experiment collected a total of 96 970 groups of parallel currents of six electrical appliances. The results show that compared with non-integrated algorithms and other integrated algorithms, the proposed method has higher accuracy, precision and F1 index, and its model is more robust.
Key words : arc fault;current acquisition;arc detection;integrated machine learning;Stacking model fusion

0 引言

    电弧是一种由于绝缘介质被电压击穿而导致的持续放电现象,通常伴随着电极部分挥发[1-2]。在生活中由于输电线长时间带载、过载产生热量或者由于外力导致的绝缘层老化、破损,会产生电弧现象[3-4]。这类电弧是人们不希望产生的,称为故障电弧[5-6]

    近年来,相关学者从不同角度对故障电弧的检测进行了广泛研究,文献[7]通过快速傅里叶变换(FFT)得到电流的幅度谱,再对其进行稀疏表示来进行故障检测,在对稀疏表示的Lp范数进行调整时,发现对不同的数据采用不同的范数可以提高分类的准确性。文献[8]分别分析了小波熵算法、基于支持向量机(SVM)和逻辑回归的分类模型,综合以上算法可知相对于简单方法,该组合算法具有更好的检测功能。文献[9]集中讨论了电弧电流中的40~100 kHz的高频谐波部分,通过FFT和阈值设置,可以有效识别故障电弧。文献[10]提取电流中的9个时频域特征,再使用主成分分析将9个特征在维度上缩减为3个参数,最后使用SVM建立了负荷识别和串联电弧检测的综合模型。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003826




作者信息:

王  毅1,陈  进1,李松浓2,陈  涛2,戴莲丹3,宣  姝3

(1.重庆邮电大学 通信与信息工程学院,重庆400065;

2.国网重庆市电力公司电力科学研究院,重庆400014;3.国网重庆市电力公司营销服务中心,重庆400023)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。