论文部分内容阅读
故障电弧检测是保证电气设备安全可靠运行,防止电气火灾发生的一项重要技术。在交流电气系统中,由于电弧的多样性和复杂性,故障电弧检测技术至少面临电流特征提取和故障电弧检测模型自适应两大问题。因此,本文分别从电流特征提取和故障电弧自适应检测两个角度进行了以下几个方面的创新性研究:1.传统的电流特征提取方法通常是利用诸如FFT或者DWT等信号分析工具手工提取电流特征,然而研究表明传统的特征提取方法在一定程度上会限制电流信号的特征表达能力。电流是一种典型的时间序列,本文以时间序列建模任务为背景,将深度学习应用于电流序列特征提取,提出了将时域卷积网络(Temporal Convolutional Networks,TCN)用于电流序列特征提取。然后对TCN模型进行了一系列的优化改进,改善网络性能。最后探究了 TCN在电流序列特征提取方面的性能。2.现有的时间序列分析的深度网络模型大多数属于时域方法的范畴,忽略了序列的频率信息。基于标准的离散小波分解,本文提出了多层小波分解网络(Multilevel Wavelet Decomposition Networks,MWDN),将小波变换无缝嵌入到深度学习框架中,使所有的参数都可训练。然后,基于TCN和MWDN又设计出多频率时域卷积网络(Multi-Frequency Temporal Convolutional Networks,MF-TCN),用于捕获电流序列的频率特征。最后,将MF-TCN模型应用在电流序列特征提取中,验证了该方法的有效性,同时也说明了 MWDN既具有离散小波变换的分解能力,又具有深度神经网络的学习能力。3.针对电流序列所具有的数据量巨大、数据标记成本高、类别不平衡和概念漂移等特点,本文提出了一种基于自适应的高斯混合模型(Gaussian Mixture Model,GMM)故障电弧检测算法。首先,将贝叶斯推理和GMM结合起来用于在线故障电弧检测,改善故障电弧检测性能。然后,提出了一种基于改进EM算法的自适应策略,并应用于在线故障电弧检测。实验结果表明,基于自适应的GMM的故障电弧检测模型可以动态更新模型,能够在误报率较低的情况下,保持良好的召回率。同时,本文提出的故障电弧检测方法的架构设计和分析方法揭示了该技术具有一定的有效性和通用性,可用于其他时间序列的特征提取、异常检测。