《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于Stacking模型融合的串聯(lián)故障電弧檢測(cè)
基于Stacking模型融合的串聯(lián)故障電弧檢測(cè)
2021年電子技術(shù)應(yīng)用第11期
王 毅1,,陳 進(jìn)1,,李松濃2,,陳 濤2,戴蓮丹3,,宣 姝3
1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶400065,; 2.國網(wǎng)重慶市電力公司電力科學(xué)研究院,,重慶400014;3.國網(wǎng)重慶市電力公司營銷服務(wù)中心,,重慶400023
摘要: 針對(duì)低壓交流配電網(wǎng)中由于電弧燃燒程度不同,、電流畸變程度不同而導(dǎo)致漏檢、錯(cuò)檢問題,,提出一種基于Stacking模型融合的時(shí)域故障電弧檢測(cè)方法,。從回路電流中提取時(shí)域特征,將時(shí)域特征組成特征矩陣對(duì)機(jī)器學(xué)習(xí)算法決策樹和集成學(xué)習(xí)算法隨機(jī)森林等進(jìn)行參數(shù)尋優(yōu),。最后,,將集成學(xué)習(xí)算法代替機(jī)器學(xué)習(xí)算法作為基學(xué)習(xí)器通過Stacking模型融合構(gòu)建低壓交流故障檢測(cè)模型。實(shí)驗(yàn)共采集6種電器的并聯(lián)電流共計(jì)96 970組,,結(jié)果表明,,相較于非集成算法和其他集成算法,所提方法具有更高的準(zhǔn)確率,、精確度和F1指標(biāo),,其模型更為穩(wěn)健。
中圖分類號(hào): TM501.2
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.201209
中文引用格式: 王毅,,陳進(jìn),,李松濃,等. 基于Stacking模型融合的串聯(lián)故障電弧檢測(cè)[J].電子技術(shù)應(yīng)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

    電弧是一種由于絕緣介質(zhì)被電壓擊穿而導(dǎo)致的持續(xù)放電現(xiàn)象,,通常伴隨著電極部分揮發(fā)[1-2],。在生活中由于輸電線長時(shí)間帶載、過載產(chǎn)生熱量或者由于外力導(dǎo)致的絕緣層老化,、破損,,會(huì)產(chǎn)生電弧現(xiàn)象[3-4]。這類電弧是人們不希望產(chǎn)生的,,稱為故障電弧[5-6],。

    近年來,相關(guān)學(xué)者從不同角度對(duì)故障電弧的檢測(cè)進(jìn)行了廣泛研究,,文獻(xiàn)[7]通過快速傅里葉變換(FFT)得到電流的幅度譜,,再對(duì)其進(jìn)行稀疏表示來進(jìn)行故障檢測(cè),在對(duì)稀疏表示的Lp范數(shù)進(jìn)行調(diào)整時(shí),,發(fā)現(xiàn)對(duì)不同的數(shù)據(jù)采用不同的范數(shù)可以提高分類的準(zhǔn)確性,。文獻(xiàn)[8]分別分析了小波熵算法、基于支持向量機(jī)(SVM)和邏輯回歸的分類模型,,綜合以上算法可知相對(duì)于簡單方法,,該組合算法具有更好的檢測(cè)功能。文獻(xiàn)[9]集中討論了電弧電流中的40~100 kHz的高頻諧波部分,,通過FFT和閾值設(shè)置,,可以有效識(shí)別故障電弧。文獻(xiàn)[10]提取電流中的9個(gè)時(shí)頻域特征,,再使用主成分分析將9個(gè)特征在維度上縮減為3個(gè)參數(shù),,最后使用SVM建立了負(fù)荷識(shí)別和串聯(lián)電弧檢測(cè)的綜合模型。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000003826,。




作者信息:

王  毅1,,陳  進(jìn)1,李松濃2,陳  濤2,,戴蓮丹3,,宣  姝3

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶400065,;

2.國網(wǎng)重慶市電力公司電力科學(xué)研究院,,重慶400014;3.國網(wǎng)重慶市電力公司營銷服務(wù)中心,,重慶400023)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。