基于小波变换和时域混合特征的交流故障电弧检测方法

摘要

本发明涉及一种基于小波变换和时域混合特征的交流故障电弧检测方法，包括以下步骤：1)系统初始化；2)微处理器以设定的采样间隔，实时采集信号采集电路的输出电流信号；3)微处理器判断采集的次数是否到达设定阈值，若为是，执行步骤4)，否则返回步骤2)；4)微处理器对采样得到的一个周期的电流信号进行归一化处理，分别对电流信号进行时域和小波变换特征值计算，将时域特征值和小波变换特征值作为收敛的BP神经网络的输入；5)通过BP神经网络的输出值来判断是否存在故障电弧。与现有技术相比，本发明具有适用范围广、控制精度高、安全性高、扩展性好等优点。

主权项

一种基于小波变换和时域混合特征的交流故障电弧检测方法，其特征在于，包括以下步骤：1)系统初始化；2)微处理器以设定的采样间隔，实时采集信号采集电路的输出电流信号；3)微处理器判断采集的次数是否到达设定阈值，若为是，执行步骤4)，否则返回步骤2)；4)微处理器对采样得到的一个周期的电流信号进行归一化处理，分别对电流信号进行时域和小波变换特征值计算，其中时域特征值为线路电流信号半个周期内平均值和峰值的变化量，小波变换特征值为前两层小波变换细节信号的能量，将时域特征值和小波变换特征值作为收敛的BP神经网络的输入；5)通过BP神经网络的输出值来判断是否存在故障电弧；所述的对采样得到的一个周期的电流信号进行归一化处理具体为：先由模数转换模块采集得到数组AD_calculate，再经归一化处理AD(n)＝Normal(AD_calculate)；所述的时域特征值计算如下：先对归一化后的电流信号AD(n)取绝对值得到|AD(n)|，再分别计算其每半个周期的平均值S_n和峰值M_n与上半个周期的平均值S_n‑1和峰值M_n‑1，最后做差得到时域特征值ΔM和ΔS$\left\{\begin{array}{c}\Delta M=M_n-M_{n-1}\\ \Delta S=S_n-S_{n-1}\end{array}\right.$所述的小波变换特征值包括电流信号两层小波变换的细节信号的能量，第一层小波变换的细节信号为d₁(n)，其由归一化后得到的数组AD(n)同小波变换高通滤波器系数计算得到，具体的公式为：$d_1\left(n\right)=\underset{k}{\Sigma }\bar{g}\left(2n-k\right)AD\left(k\right)$第一层小波变换的逼近信号为a₁(n)，其由归一化后得到的数组AD(n)同小波变换低通滤波器系数计算得到，具体的公式为：$a_1\left(n\right)=\underset{k}{\Sigma }\bar{h}\left(2n-k\right)AD\left(k\right)$第二层小波变换的细节信号为d₂(n)，其由第一层小波变换的逼近信号a₁(n)同小波变换高通滤波器系数计算得到，具体的公式为：$d_2\left(n\right)=\underset{k}{\Sigma }\bar{g}\left(2n-k\right)a_1\left(k\right)$最后再计算两层小波变换的细节信号的能量e₁和e₂；即$\left\{\begin{array}{c}{e}_1={\mathrm{\Sigma d}}_1{\left(n\right)}^2\\ e_2={\mathrm{\Sigma d}}_2{\left(n\right)}^2\end{array}\right.$。