本發(fā)明涉及故障電弧檢測，并且更具體地，涉及一種基于采樣電阻電壓信號的故障電弧診斷方法及系統(tǒng)。

背景技術：

1、在住宅和低壓配電系統(tǒng)中，長時間的使用、外力作用及環(huán)境因素可導致電纜絕緣層老化和破損，從而降低絕緣強度，引發(fā)并聯(lián)、串聯(lián)電弧故障。串聯(lián)故障電弧(saf)與常規(guī)電氣故障相比，其電流幅值變化較小，主要表現(xiàn)為電流波形的高頻畸變和雜波增多。這使得傳統(tǒng)電氣保護裝置如空氣開關和熔斷器難以有效識別低壓交流電弧，因為它們主要基于過電流觸發(fā)斷路。且隨著我國新型電力系統(tǒng)的構建，非線性負載的增多和拓撲回路結構的復雜化，實現(xiàn)主干路故障電弧的有效檢測和預防，成為電氣故障保護領域的新挑戰(zhàn)。目前國內外幾十余家生產(chǎn)企業(yè)相繼推出了低壓電弧診斷裝置，但現(xiàn)有的基于匯集支路(干路)檢測的低壓故障電弧診斷裝置準確率還有待提高。采樣電阻兩端信號沒有帶寬限制，能夠完好的保留電路中電流信號的原始特征，且采樣電阻采樣得到的故障電弧時域波形會統(tǒng)一的呈現(xiàn)高頻尖峰波形特征，故障電流信號特征明顯，容易識別電弧故障。但小電流負載產(chǎn)生的電弧特征會淹沒在干路電流中。

2、因此，需要對采樣電阻電壓信號進一步處理，為此提出了一種基于采樣電阻電壓信號的故障電弧診斷方法。

技術實現(xiàn)思路

1、本發(fā)明提出一種基于采樣電阻電壓信號的故障電弧診斷方法及系統(tǒng)，以解決如何高效地進行故障電弧診斷的問題。

2、為了解決上述問題，根據(jù)本發(fā)明的一個方面，提供了一種基于采樣電阻電壓信號的故障電弧診斷方法，所述方法包括：

3、對交流系統(tǒng)電路中干路電流經(jīng)過的采樣電阻兩端電壓進行采樣，獲取電壓信號；

4、對所述電壓信號進行時頻域特征的提取，并對提取的時頻域特征進行降維處理，以獲取降維處理后的特征數(shù)據(jù)；

5、基于所述特征數(shù)據(jù)訓練li?ghtgbm模型，并基于訓練好的li?ghtgbm模型對每個時間窗內的電壓信號進行檢測，以進行故障電弧的診斷。

6、優(yōu)選地，其中所述方法還包括：

7、在對所述電壓信號進行時頻域特征的提取之前，逐頻降低所述電壓信號中的低頻信息，以凸顯所述電壓信號中的高頻信息。

8、優(yōu)選地，其中所述時頻域特征，包括：異常脈沖數(shù)、皮爾遜相關系數(shù)、峰峰值、整流平均值、標準差、歸零化峭度、偏度、均方根、波形因子、峰值因子、脈沖因子、裕度因子、重心頻率、均方根頻率、頻率方差、頻率標準差、譜峭度均值、譜峭度標準差、譜峭度的偏度、譜峭度的峭度、頻譜能量、頻譜均值、3次和5次諧波的幅值之和、總諧波失真率、功率譜熵、能量熵、模糊熵、包絡熵。

9、優(yōu)選地，其中所述方法基于隨機森林算法對提取的時頻域特征進行降維處理，以獲取降維后的特征數(shù)據(jù)，包括：

10、通過隨機森林模型訓練包含所有時頻域特征的數(shù)據(jù)集，計算每個特征的重要性和模型分類準確率，再根據(jù)模型中每個特征的重要性進行特征篩選，在每次循環(huán)中按照重要性從小到大的順序去除第一預設數(shù)量的特征，并重新訓練模型，直至分類準確率達到預設準確率或剩余的特征數(shù)量為第二預設數(shù)量時停止，獲取降維后的特征數(shù)據(jù)。

11、優(yōu)選地，其中所述基于所述特征數(shù)據(jù)訓練li?ghtgbm模型，包括：

12、利用goss對特征數(shù)據(jù)進行處理，選取合適的大梯度及小梯度樣本集合，并對所選的兩部分樣本集合進行合并，利用合并后的樣本集合進行訓練學習，學習一個新學習器，并進行多次迭代，以后訓練好的li?ghtgbm模型；

13、其中，通過optuna庫實現(xiàn)的貝葉斯優(yōu)化算法對li?ghtgbm中的多個超參數(shù)進行同時優(yōu)化。

14、優(yōu)選地，其中基于訓練好的lightgbm模型對每個時間窗內的電壓信號進行檢測，以進行故障電弧的診斷，包括：

15、利用訓練好的li?ghtgbm模型對依次每個時間窗內的電弧信號進行檢測，確定每個時間窗內電弧是否發(fā)生，并在連續(xù)的第一預設數(shù)量的時間窗口內，發(fā)生電弧故障的數(shù)量大于等于第二預設數(shù)量時，確定所述交流系統(tǒng)發(fā)生電弧故障。

16、根據(jù)本發(fā)明的另一個方面，提供了一種基于采樣電阻電壓信號的故障電弧診斷系統(tǒng)，所述系統(tǒng)包括：

17、信號采樣單元，對交流系統(tǒng)電路中干路電流經(jīng)過的采樣電阻兩端電壓進行采樣，獲取電壓信號；

18、特征數(shù)據(jù)獲取單元，用于對所述電壓信號進行時頻域特征的提取，并對提取的時頻域特征進行降維處理，以獲取降維處理后的特征數(shù)據(jù)；

19、診斷單元，用于基于所述特征數(shù)據(jù)訓練li?ghtgbm模型，并基于訓練好的lightgbm模型對每個時間窗內的電壓信號進行檢測，以進行故障電弧的診斷。

20、優(yōu)選地，其中所述系統(tǒng)還包括：

21、信號放大單元，用于在對所述電壓信號進行時頻域特征的提取之前，逐頻降低所述電壓信號中的低頻信息，以凸顯所述電壓信號中的高頻信息。

22、優(yōu)選地，其中所述時頻域特征，包括：異常脈沖數(shù)、皮爾遜相關系數(shù)、峰峰值、整流平均值、標準差、歸零化峭度、偏度、均方根、波形因子、峰值因子、脈沖因子、裕度因子、重心頻率、均方根頻率、頻率方差、頻率標準差、譜峭度均值、譜峭度標準差、譜峭度的偏度、譜峭度的峭度、頻譜能量、頻譜均值、3次和5次諧波的幅值之和、總諧波失真率、功率譜熵、能量熵、模糊熵、包絡熵。

23、優(yōu)選地，其中所述特征數(shù)據(jù)獲取單元，基于隨機森林算法對提取的時頻域特征進行降維處理，以獲取降維后的特征數(shù)據(jù)，包括：

24、通過隨機森林模型訓練包含所有時頻域特征的數(shù)據(jù)集，計算每個特征的重要性和模型分類準確率，再根據(jù)模型中每個特征的重要性進行特征篩選，在每次循環(huán)中按照重要性從小到大的順序去除第一預設數(shù)量的特征，并重新訓練模型，直至分類準確率達到預設準確率或剩余的特征數(shù)量為第二預設數(shù)量時停止，獲取降維后的特征數(shù)據(jù)。

25、優(yōu)選地，其中所述診斷單元，基于所述特征數(shù)據(jù)訓練lightgbm模型，包括：

26、利用goss對特征數(shù)據(jù)進行處理，選取合適的大梯度及小梯度樣本集合，并對所選的兩部分樣本集合進行合并，利用合并后的樣本集合進行訓練學習，學習一個新學習器，并進行多次迭代，以后訓練好的lightgbm模型；

27、其中，通過optuna庫實現(xiàn)的貝葉斯優(yōu)化算法對lightgbm中的多個超參數(shù)進行同時優(yōu)化。

28、優(yōu)選地，其中所述診斷單元，基于訓練好的lightgbm模型對每個時間窗內的電壓信號進行檢測，以進行故障電弧的診斷，包括：

29、利用訓練好的lightgbm模型對依次每個時間窗內的電弧信號進行檢測，確定每個時間窗內電弧是否發(fā)生，并在連續(xù)的第一預設數(shù)量的時間窗口內，發(fā)生電弧故障的數(shù)量大于等于第二預設數(shù)量時，確定所述交流系統(tǒng)發(fā)生電弧故障。

30、基于本發(fā)明的另一方面，本發(fā)明提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)一種基于采樣電阻電壓信號的故障電弧診斷方法中任一項的步驟。

31、基于本發(fā)明的另一方面，本發(fā)明提供一種電子設備，包括：

32、上述的計算機可讀存儲介質；以及

33、一個或多個處理器，用于執(zhí)行所述計算機可讀存儲介質中的程序。

34、本發(fā)明提供了一種基于采樣電阻電壓信號的故障電弧診斷方法及系統(tǒng)，包括：對交流系統(tǒng)電路中干路電流經(jīng)過的采樣電阻兩端電壓進行采樣，獲取電壓信號；對所述電壓信號進行時頻域特征的提取，并對提取的時頻域特征進行降維處理，以獲取降維處理后的特征數(shù)據(jù)；基于所述特征數(shù)據(jù)訓練li?ghtgbm模型，并基于訓練好的li?ghtgbm模型對每個時間窗內的電壓信號進行檢測，以進行故障電弧的診斷。本發(fā)明的方法在干路獲取信號，并檢測所屬區(qū)域內發(fā)生的串聯(lián)故障電弧，能夠解決復雜家庭用電環(huán)境下的串聯(lián)故障電弧診斷問題，高效地識別串聯(lián)故障電弧。