【技术实现步骤摘要】
本专利技术涉及直流故障诊断领域，尤其涉及一种基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法。
技术介绍
1、直流分布式发电系统具有高随机性，使得直流供电系统在电网中占比不断提高。当直流供电系统使用一定年限后，线路内易发生接头松脱、接触不良、导线绝缘老化、器件故障等问题，继而在接触点产生直流故障电弧。由于直流供电电源没有过零点，一旦产生故障电弧而未进行及时有效的处理，故障电弧将会持续燃烧并对外界释放大量能量，严重影响直流供配电系统的正常运行甚至引发电气火灾事故。
2、直流系统应用场景丰富广泛，线路复杂多样，因此故障电弧发生时刻及发生位置具有随机性，不同应用场景下均可能发生直流故障电弧。插拔开关出现的“好弧”、有刷电机产生周期性的“好弧”、正常状态下线路中接入其他负载改变电路的拓扑结构、线路中不同负载的类型，故障电弧发生的不同位置均会对故障电弧检测特性造成干扰。
3、研究实际应用场景下对故障电弧检测特征的影响并针对性地提出适用于实际应用场景下的故障电弧检测算法至关重要，可进一步提升直流故障电弧检测适用范围与检测准确率，这也属于国内外尚未开展相关研究的方面。
技术实现思路
1、本专利技术就是针对现有技术存在的缺陷，提供一种基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法。本专利技术通过构建直流故障电弧检测模型，分析了实际应用场景下引起的直流故障电弧特征差异，提出了基于iceemdan-kpca特征提取与
2、为实现上述目的，本专利技术采用如下技术方案，包括步骤1、搭建直流串联故障电弧实验平台。其中：主回路直流电源电流的输出范围是0～20a，电压输出范围是0～300v,步进电机是由dq-2hd542驱动器和tc-5510控制器控制，步进电机带动丝杆控制活动电极运动，其最小运动速度为0.1mm/s，直流电压源为24v稳压源，静止电极为碳棒，其直径为6.35mm，运动电极为铜棒，直径为6.4mm,前方削尖19mm符合标准ul1699b，并且通过此装置测量直流串联电弧故障电压电流，探究其特性。本次实验还模拟实际中由于导线破损引起直流故障电弧，两电极均为铜棒，接触面均为切割面。
3、步骤2、模拟实际应用场景下低压直流线路的电弧故障，提取不同类型下低压直流线路的电流信号。其中：为了研究不同条件下的故障电弧检测特征，搭建了直流故障电弧实验回路。实验回路主要通过直流电源供电，通过串联在回路中的故障电弧发生装置以拉弧的方式模拟产生故障电弧。拉弧模拟的是故障电弧发生过程中不断增大的生弧间隙。随着绝缘老化和连接端子松动程度的增加，直流系统运行中可能会因接触压力的减小而突然出现可见的弧隙。动物咬伤或环境影响等意外的外部损伤因素，也可能会将可见的弧隙引入至直流系统。为使采集到的直流串联故障电弧数据具有多样性和普适性，实验中不仅考虑了插拔开关出现的“好弧”、有刷电机产生周期性的“好弧”、正常状态下线路中接入其他负载对回路电流的影响、增加了线路中负载的类型，还考虑了故障电弧发生的不同位置对线路中电流的影响。本专利技术采用直流电机、直流风扇、直流电灯的组合并联模型来模拟实际应用场景，以此采集不同类型的电流数据。
4、步骤3、构建基于改进自适应噪声的完全集合经验模态分解(iceemdan)分解技术，对电弧信号进行数据分解与过滤，得到包含故障特征信息的固有模态分量imf。
5、针对直流故障电弧电流信号非线性非平稳的特点，分别对正常运行、电阻负载故障电弧、阻感负载故障电弧、电机负载故障电弧及支路发生故障电弧这6类状态的原始信号分别进行eemd、ceemdan及iceemdan分解处理。将算法的三个参数噪声振幅、集成总数和整体迭代次数分别设置0.2、100、500。经过分解得到的imf的各阶分量分别代表了原始信号中的各频率分量，并按照从高频到低频的顺序依次排列，从不同角度反映了原始电弧故障中的信号特征。
6、emd和eemd算法存在重构误差大及模态混叠等缺点，为此提出自适应噪声的完备经验模态分解ceemdan算法，加入自适应的非高斯白噪声，进一步降低模态混叠，重构误差大大减小，但仍含有部分残余噪声，且在分解过程因延迟性产生伪分量。在此研究基础上，提出iceemdan算法，进一步削弱残余噪声。区别于常规直接加入高斯白噪声的方式，改进算法将模态分量定义为剩余残差量与局部均值的差值，加入特殊白噪声至含高斯白噪声emd分解的第k阶imf函数，从而大大降低残余噪声。
7、iceemdan首先将高斯白噪声进行emd分解，再将分解后得到的imf分量加入原信号x(t)中；然后通过计算得到一个特有残差，求取该特有残差的平均值，并将imf定义为现有残差信号和特有残差局部均值之差。定义a(·)为求取emd后的剩余分量，ek(·)为使用emd输出的第k阶imf，ξi(i＝1,2,…,i)为一组高斯白噪声。下面介绍iceemdan的分解过程。
8、(1)在原始谐波信号x(t)中添加i个噪声分量，得到
9、xi(t)＝x(t)+β0e1(ξi(t)),i＝1,2,...,i
10、式中：β0—原始信噪比。
11、(2)求取信号的第一阶剩余分量，得到第一个残差：
12、
13、(3)通过r1(t)得到第一个固有模态函数imf1，具体如下：
14、c1(t)＝x(t)-r1(t)
15、(4)在r1(t)中加入i个高斯白噪声，求取信号的第二个残差r2(t)；并根据c2(t)＝r1(t)-r2(t)，求得第二个固有模态函数imf2，具体如下：
16、
17、式中：β1—第一阶段的信噪比。
18、(5)同理，可以根据公式ck(t)＝rk-1(t)-rk(t)求得剩余imf分量的值，其中
19、
20、式中：βk-1—第k-1阶段的信噪比，k＝3，4，5，…。
21、(6)不断重复步骤(5)，直到残差变为单调函数或相邻imf的标准差小于0.2时，迭代停止。
22、(7)最终得出各阶imf分量，原信号可表示为
23、
24、步骤4、分别计算imf与原信号之间的相关系数和方差贡献率，对其进行相关性分析。
25、分解得到的各阶模态分量与原信号之间的相关系数作为衡量数据之间相关程度的一个指标，可以筛选判断出真实、有意义的分量作为敏感imf分量。相关系数是两个时间序列之间的协方差与各自的标准差之比，消除了两个信号幅值量级的不同给最终结果造成的干扰而产生的误判。设原始信号为x，各阶分量为yi，则各阶分量与原信号之间的相关系数为：
26、
27、相关系数的绝对值范围为[0,1]，相关系数越大则代表两信号之间的相关性越强，表示分解得到的imf分量中含有更多的原始特征值；反之，相关系数越小则可判定此本文档来自技高网...
【技术保护点】
1.基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：
2.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述模拟实际应用场景下低压直流线路的电弧故障，提取低压直流线路的电流信号包括：
3.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：
4.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述分别计算IMF与原信号之间的相关系数和方差贡献率，对其进行相关性分析包括：
5.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述将相关性高的信号作为目标信号，并使用小波软阈值进行去噪包括：
6.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述对故障特征进行提取，分别
7.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述基于KPCA将故障样本数据映射到高维空间，消除空间相关性与因辐照度温度对不同故障特征产生的冗余数据，进而提取数据的非线性特征主元，并将采集数据分为训练数据集和测试数据集包括：
8.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：所述构建直流故障电弧的KELM核极限学习机的检测模型包括：
9.根据权利要求1所述的基于ICEEMDAN-KPCA特征提取与SOA-KELM的直流故障电弧诊断方法，其特征在于：
...【技术特征摘要】
1.基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法，其特征在于：
2.根据权利要求1所述的基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法，其特征在于：所述模拟实际应用场景下低压直流线路的电弧故障，提取低压直流线路的电流信号包括：
3.根据权利要求1所述的基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法，其特征在于：
4.根据权利要求1所述的基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法，其特征在于：所述分别计算imf与原信号之间的相关系数和方差贡献率，对其进行相关性分析包括：
5.根据权利要求1所述的基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法，其特征在于：所述将相关性高的信号作为目标信号，并使用小波软阈值进行去噪包括：
6.根...
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。