System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电动汽车充电,涉及充电系统故障识别方法,尤其是一种svm多传感器电动汽车充电系统故障电弧识别方法。
技术介绍
1、电动汽车具有零排放、能源利用率高、结构简单、噪声小、可以平抑电网的峰谷差以及能使发电设备得到充分利用的优点。随着电动汽车充电系统的发展,系统老化等因素引起的直流电弧问题也越来越多地暴露出来。直流电弧不存在自然过零点,一旦产生很难自行熄灭,局部温度可达数千摄氏度,极易造成电气火灾事故,因此对直流电弧故障进行识别和检测十分重要。
2、电动汽车电路中电气接触点较多,电弧故障发生位置不固定,很难通过弧声、弧光等物理特征对故障电弧进行检测。当发生故障电弧时,电信号特征早于弧声弧光等物理特征,基于电信号特征的电弧故障检测方法更有利于提高检测的实时性。将人工智能技术应用于故障电弧识别领域,通过模型训练自动建立故障电弧识别边界条件,能够提高检测方法的普适性和准确率。
3、目前,支持向量机方法在识别技术中具有高度可靠的分类能力、鲁棒性强及能够有效地处理高维数据等特点,可用于故障电弧的检测。故障电弧信号具有非平稳非线性且易受噪声干扰的特点,同时,基于svm的识别方法对测量误差的敏感性强,即使存在很小的测量误差,也会对识别结果产生较大影响。此外,单一传感器测得的信号难以得到全面的故障特征,影响故障识别的准确率,而较优传感器位置的选取依靠试验人员的实践测试经验。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提供一种svm多传感器电动汽车充电系
2、本专利技术解决现有的技术问题是采取以下技术方案实现的:
3、一种svm多传感器电动汽车充电系统故障电弧识别方法,包括以下步骤:
4、步骤1、使用多个电流传感器采集电动汽车充电系统的电流信号,并将采集到的电流信号数据进行等间隔划分,制作样本数据集;
5、步骤2、选择vmd模数的搜索域,对每一个样本计算各模数下包络峰度的最大值,确定该电流信号下vmd的最优模数;
6、步骤3、对步骤1划分好的各段数据进行vmd分解,对分解后的imf分量进行筛选;
7、步骤4、分别提取各阶本征模态分量与原始信号相关系数最大的分量,进行归一化处理,依次排列筛选出的imf分量累计构造数值矩阵;
8、步骤5、将步骤4的数值矩阵转换成灰度图像,并将各电流信号的时间序列数据生成若干幅灰度图像,作为svm训练集和测试集;
9、步骤6、随机划分训练集和测试集,利用训练集训练svm;
10、步骤7、svm训练完成后,利用测试集验证svm分类器的有效性,故障电弧分类结果,实现电动汽车充电系统电弧故障分类功能。
11、进一步,所述步骤1按时间为n的等距分段方式对原始电流信号数据进行等间隔划分。
12、进一步,所述vmd模数的搜索域k∈[2,15]。
13、进一步,所述步骤2的具体实现方法为:对电流传感器采集到的电流信号进行vmd分解,将初始模数设为k=2,计算设定模数k下各模态信号的包络峰度值,通过比较得到该模数下包络峰度的最大值,然后按照k=k+1的方法继续进行上述分析,直到取k=15,得到各模数下包络峰度的最大值,进而得到包络峰度的全局最大值对应的k值。
14、进一步,所述步骤3的具体实现方法为:采用相关系数法筛选分解后的各个imf分量,使用相关系数最大的imf分量作为生成灰度图像的数据。
15、进一步,所述相关系数的计算公式为:
16、
17、式中,l为信号长度,x(j)为第j段原始信号,fmi,i(j)为第i个imf分量的第j段信号,ρ(i)为第i个imf分量与原始信号x(t)之间的相关系数。
18、进一步,所述步骤4按下式对筛选出的imf分量进行归一化处理:
19、
20、式中:x,y分别为归一化前、归一化后的数值;vmax,vmin分别为原始灰度图像的最大值和最小值。
21、进一步,所述步骤4将数值矩阵转换成灰度图像的方法为:构造大小为n×n的灰度图像,将宽度n分为2等分,构造出n×n/2的2个区域,按照区域的大小对各传感器信号筛选的imf分量依次排列填充。
22、进一步,所述步骤6在训练svm时,采用梯度下降法对电流信号分类器进行训练。
23、本专利技术的优点和积极效果是:
24、1、本专利技术采用vmd预处理方法能够将电弧故障信号分解成一系列模态函数,每个模态函数代表了不同频率范围内的信号成分,再通过对这些模态函数进行分析和特征提取,可以更精确地捕捉到电弧故障的特征,从而提高故障识别的准确性;同时本专利技术采用多传感器数据进行故障识别,可以综合利用不同传感器的信息,提高故障识别的可靠性,通过将来自不同传感器的信号融合,可以更全面地分析电弧故障的特征,减少误判和漏判的可能性。
25、2、本专利技术采用的vmd预处理方法对于信号中的噪声和干扰具有较强的抑制能力,能够将噪声和干扰信号分解到高频模态函数中,而保留故障电弧信号的低频成分,在后续的故障识别过程中,可以更好地抑制噪声和干扰的影响,提高系统的抗干扰能力;并且,本专利技术在特征提取和分类过程中采用了svm算法,具有较高的计算效率和实时性,使得本专利技术可以应用于实时监测和保护系统,及时发现和处理电弧故障,降低事故风险。
26、3、本专利技术设计合理,其利用多传感器采集电流信号并利用vmd理论对故障电弧信号进行预处理得到灰度图像,提高svm识别的准确率,解决了故障电弧信号非平稳非线性且易受噪声干扰以及单个传感器对电弧故障识别率偏低的问题,将其应用于电动汽车充电系统故障电弧的精确识别,有助于有效地进行故障排除和维修,提高电动汽车充电过程的安全性。
本文档来自技高网...【技术保护点】
1.一种SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤1按时间为n的等距分段方式对原始电流信号数据进行等间隔划分。
3.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述VMD模数的搜索域K∈[2,15]。
4.根据权利要求3所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤2的具体实现方法为:对电流传感器采集到的电流信号进行VMD分解,将初始模数设为K=2,计算设定模数K下各模态信号的包络峰度值,通过比较得到该模数下包络峰度的最大值,然后按照K=K+1的方法继续进行上述分析,直到取K=15,得到各模数下包络峰度的最大值,进而得到包络峰度的全局最大值对应的K值。
5.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤3的具体实现方法为:采用相关系数法筛选分解后的各个IMF分量,使用相关系数最大的IMF分量作为生成灰度图
6.根据权利要求5所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述相关系数的计算公式为:
7.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤4按下式对筛选出的IMF分量进行归一化处理:
8.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤4将数值矩阵转换成灰度图像的方法为:构造大小为n×n的灰度图像,将宽度n分为2等分,构造出n×n/2的2个区域,按照区域的大小对各传感器信号筛选的IMF分量依次排列填充。
9.根据权利要求1所述的SVM多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤6在训练SVM时,采用梯度下降法对电流信号分类器进行训练。
...【技术特征摘要】
1.一种svm多传感器电动汽车充电系统故障电弧识别方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的svm多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤1按时间为n的等距分段方式对原始电流信号数据进行等间隔划分。
3.根据权利要求1所述的svm多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述vmd模数的搜索域k∈[2,15]。
4.根据权利要求3所述的svm多传感器电动汽车充电系统故障电弧识别方法,其特征在于:所述步骤2的具体实现方法为:对电流传感器采集到的电流信号进行vmd分解,将初始模数设为k=2,计算设定模数k下各模态信号的包络峰度值,通过比较得到该模数下包络峰度的最大值,然后按照k=k+1的方法继续进行上述分析,直到取k=15,得到各模数下包络峰度的最大值,进而得到包络峰度的全局最大值对应的k值。
5.根据权利要求1所述的svm多传感器电动汽车充电系统故障电弧...
【专利技术属性】
技术研发人员:刘思华,刘杰,王勇,肖萌,万里,李之鹏,薛天,李曰皓,侯志超,胥维骁,李冠琦,
申请(专利权)人:国网山东电动汽车服务有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。