[发明专利]一种基于集成机器学习的故障电弧检测方法

说明书

本发明公开了一种基于集成机器学习的低压交流供电系统下的串联故障电弧检测方法，主要针对低压交流供电系统下产生串联故障电弧时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。本发明方法包括：在低压交流供电系统下，收集不同类型负载单独工作下的正常和故障电流及多个负载并联工作时的正常和故障电流；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；将bagging集成学习算法以及boosting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。利用训练好的模型用于电路中的故障电弧检测。

技术领域

本发明属于低压配电系统串联故障电弧识别技术领域，尤其涉及一种基于集成机器学习的故障电弧检测方法。

背景技术

当某些绝缘介质(例如空气)被电压击穿会产生持续放电现象，这种放电现象被称为电弧，电弧通常伴随电极的部分挥发。人们利用电弧产生的火花和高温用于电弧炉、电弧焊接等，这一类电弧被称为“有用电弧”，然而在日常生活中由于输电线长时间带载、过载运行产生热量或者由于外力导致的绝缘层老化、破损，也会产生电弧现象。这种电弧会产生放电火花、引燃周边的可燃物造成火灾，产生严重后果，这类电弧是人们不希望产生的，被称为故障电弧。

尽管低压供电系统配置了断路器、熔断器及剩余电流动作断路器等保护电器，对于维护供电可靠性、减少电气火灾事故起到了很大作用，但是这些保护装置无法对电弧故障进行有效保护。故障电弧电流通常较小，特别是对于串联电弧故障，其电弧电流受线路负载限制，一般小于线路正常工作电流，供电系统的断路器或熔断器无法切除此类电弧故障。同时，串联故障电弧也不会引起线路电流矢量和的变化，因此剩余电流保护装置也不能对其进行保护。此外，串联电弧电流受负载特性影响较大，其故障特征往往被湮没在负载电流内，大大增加了检测难度，因而串联电弧故障是国内外学者研究的重点。

电弧故障的存在及其特性决定其已经构成严重的电气火灾隐患。如何准确识别电弧故障并对其进行有效保护是电气火灾防护工作中亟待解决的问题，得到了国内外学者的广泛关注。因此，寻求有效故障电弧检测方法，规避故障电弧带来的威胁和损失是十分必要的。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于集成机器学习的故障电弧检测方法，本方法主要解决了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，使用经过集成机器学习框架优化的机器学习算法对低压交流系统下的串联故障电弧进行检测，有效提高了故障电弧的检测率及各项检测指标。本发明的技术方案如下：

在低压交流供电系统下，对回路中不同负载独自工作和并联工作时的正常和故障电流进行采集，其中由于故障电弧的燃烧程度不同，同一负载下的故障电弧电流随机性更为明显；

对采集到的电流信号进行时域特征提取，仅提取电流信号的时域特征避免了由于特征计算带来的计算复杂度，有利于及时地从回路中检测出故障电弧，将各个时域特征提取出来以后组成特征矩阵，代替电流信号进行模型参数寻优及训练，提取出来的时域电流信息包括电流平均值、电流方差、电流极差和电流中位数；

利用提取出的时域特征矩阵进行机器学习算法决策树的参数寻优，使用网格搜索法寻找决策树最大深度、最大特征数的最佳参数；

利用寻找到的最佳参数和时域特征矩阵对使用boosting框架和bagging框架的集成算法进行参数寻优，其中基于boost框架的算法包括Adaboost框架和XGboost算法，基于bagging框架的算法包括随机森林和极限树算法。Adaboost和随机森林每棵树最佳参数按照上述参数寻优算法得出的最优参数进行选择，另对最佳基学习器个数进行寻优，XGboost和极限树算法寻优参数包括：最大深度、最大特征数以及最佳基学习器个数；