[发明专利]基于VMD参数优化、样本熵的断路器故障电弧检测方法

说明书

本发明公开基于VMD参数优化、样本熵的断路器故障电弧检测方法，包括如下步骤：S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。该方法通过参数优化后的VMD算法对信号特征进行提取，效果更好，将计算样本熵SE所得到的特征向量输入到SVM进行故障电弧识别有更高的准确度。

技术领域

本发明涉及电气工程技术领域，具体涉及基于VMD参数优化、样本熵的断路器故障电弧检测方法。

背景技术

在低压配电网中，为了减轻对居民和工业用户等造成的危害，故障电弧检测断路器的发展和应用是非常重要的。当发生故障电弧时，通过检测供电网络中的电流信号能够分析得到很多信息，这对故障的判别有很大的作用。

现有低压断路器检测故障电弧的算法也都是对故障电流进行提取分析，选取何种信号处理方式对故障电弧加以分析是至关重要的。传统的应用于故障电弧信号分析和处理的方法有傅里叶变换、小波变换等各种时域分析方法。傅里叶变换是一种全局分析，对于信号的时频局域特点的描述有局限性；小波变换会受到领近谐波的影响，信号分析会失真。20世纪末，经验模态分解(Empirical Mode Decomposion，EMD)方法被提出用来分析非线性、具有自适应性的信号，它将故障电弧信号进行分解，得到多个IMF分量，但是它的缺陷是分解效果并不好，会产生模态混叠、端点效应的现象，会产生多余的分量。后来信号分解方法又发展成为了一种集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法，虽然它使得模态混叠、端点效应的现象没有那么明显，但是并没有改善产生多余的分量的缺点。近几年，有学者提出了一种新的非递归式自适应模态分解算法－变分模态分解(Variational Mode Decomposition，VMD)，它能够更好地适应信号中的噪声，快速分解出不同频率的特征信号，还有着高精度的优点，并且利用粒子群算法(PSO)进行参数优化减小了人为误差。

目前这种研究方法已有应用于低压断路器自身故障诊断的例子，但仅限于对断路器发生机械故障时的振动信号进行分解。为了改善对故障电弧信号进行在线监测的不足，我们提出一种基于VMD参数优化、样本熵的断路器故障电弧检测方法，将参数优化后的VMD分解方法引进到断路器的故障电弧电流信号的精准、快速解析，使得信号特征能够更充分地表示出来，最后计算其样本熵SE得到特征向量。

发明内容

本发明针对现有技术存在的不足，提供了基于VMD参数优化、样本熵的断路器故障电弧检测方法，具体技术方案如下：

基于VMD参数优化、样本熵的断路器故障电弧检测方法，包括如下步骤：

S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；

S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；

S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。

作为上述技术方案的改进，在步骤S1中还包括步骤S1.1，具体的对小波包分解高频系数进行阈值量化，并通过实验选择合适的阈值得到信号预处理的最佳结果，最后根据第N层的小波包对系数进行量化处理并进行小波重构。