基于主成分分析和决策树的故障电弧识别方法

doi:10.16628/j.cnki.2095-8188.2023.04.001

电器与能效管理技术 ›› 2023, Vol. 0 ›› Issue (4): 1-7.doi: 10.16628/j.cnki.2095-8188.2023.04.001

• 电弧研究与分析 • 下一篇

基于主成分分析和决策树的故障电弧识别方法

林靖怡¹, 武建文¹, 李奎², 邵阳¹, 王尧², 马明顺¹, 夏尚文¹, 佟子昂¹

1.北京航空航天大学自动化科学与电气工程学院, 北京 100191
2.河北工业大学电气工程学院, 天津 300131

收稿日期:2023-02-04 出版日期:2023-04-30 发布日期:2023-05-09
作者简介:林靖怡(1993—),女,博士研究生,研究方向为电器理论及应用。|武建文(1963—),男,教授,博士生导师,研究方向为开关电弧理论及应用、智能电器及电力电子技术。|李奎(1965—),男,教授,博士生导师,研究方向为开关电器可靠性与智能化。
基金资助:
国家自然科学基金项目(51937004)

Arc Fault Identification Method Based on Principal Component Analysis and Decision Tree

LIN Jingyi¹, WU Jianwen¹, LI Kui², SHAO Yang¹, WANG Yao², MA Mingshun¹, XIA Shangwen¹, TONG Ziang¹

1. School of Automation Science and Electrical Engineering,Beihang University,Beijing 100191, China
2. School of Electrical Engineering,Hebei University of Technology,Tianjin 300131, China

Received:2023-02-04 Online:2023-04-30 Published:2023-05-09

摘要/Abstract

摘要：

针对故障电弧产生时故障电流受负载影响较大、不易识别的问题,提出基于主成分分析与决策树的故障电弧识别方法。采用主成分分析法对有故障电弧产生时电流的8种时域特征参数降维处理,将去除冗余信息后的3种主成分作为特征值输入决策树,建立分类模型。所提方法能有效简化决策树分类模型,减少故障电弧识别时间,故障电弧识别准确率可达95%。

关键词: 主成分分析, 时域特征, 决策树, 故障电弧识别

Abstract:

The fault current of the fault arc is affected by the load and is not easy to be identified.To solve this problem,the arc fault identification method based on principal component analysis and decision tree was proposed.The principal component analysis method was used to reduce the dimension ality of eight temporal characteristic parameters of current generated by the fault arc.After removing the redundant information,the three kinds of principal components were input into the decision tree as characteristic values to establish a classification model.The proposed method can effectively simplify the decision tree classification model,reduce the time of fault arc identification,and reach the accuracy of fault arc identification of 95%.

Key words: principal component analysis, time domain feature, decision tree, fault arc identification

中图分类号:

TM501.2

林靖怡, 武建文, 李奎, 邵阳, 王尧, 马明顺, 夏尚文, 佟子昂. 基于主成分分析和决策树的故障电弧识别方法[J]. 电器与能效管理技术, 2023, 0(4): 1-7.

LIN Jingyi, WU Jianwen, LI Kui, SHAO Yang, WANG Yao, MA Mingshun, XIA Shangwen, TONG Ziang. Arc Fault Identification Method Based on Principal Component Analysis and Decision Tree[J]. LOW VOLTAGE APPARATUS, 2023, 0(4): 1-7.

图/表 13

图1

表1

图2

图3

图4

图5

图6

表2

所选电流时域特征参数

序号	参数	计算方法
1	平均值的绝对值\|I_avg\|	\|I_avg\|= $1 N ∑ k = 1 N i k$
2	平肩时间百分比P_zero	P_zero= $N z e r o N$ ×100%
3	电流最大变化率v_max	v_max=max[ $i k - i k + 1$ ·f]
4	方差σ²	σ²= $1 N ∑ k = 1 N$ (i_k- $i -$ )²
5	峰值因子X_c	X_c= $i p e a k i R M S$ = $i m a x - i m i n 1 N ∑ k = 1 N i k 2$
6	波形因子X_s	X_s= $i R M S i a r v$ = $1 N ∑ k = 1 N i k 2 1 N ∑ k = 1 N \| i k \|$
7	脉冲因子X_I	X_I= $i p e a k i a r v$ = $i m a x - i m i n 1 N ∑ k = 1 N \| i k \|$
8	裕度因子X_L	X_L= $i p e a k i r$ = $i m a x - i m i n 1 N ∑ k = 1 N \| i k \| 2$

表2

图7

表3

图8

表4

表5

参考文献 19

[1]	崔芮华, 张振, 佟德栓, 等. 基于改进经验小波变换多特征融合的航空交流串联电弧故障检测[J]. 电工技术学报, 2022, 37(12):3148-3161.
[2]	蒋原, 李擎, 苗磊, 等. 多电飞机断路器电弧机理及灭弧技术研究综述[J/OL]. 工程科学学报:1-11[2022-12-28]http://kns.cnki.net/kcms/detail/10.1297.TF.20221024.1046.002.html.
[3]	高小庆, 陈晓军, 鲍光海. 考虑故障电弧电流高频特征的阻抗电弧模型[J]. 电器与能效管理技术, 2021(3):6-12.
[4]	林靖怡. 基于模式识别的电弧故障保护技术的研究[D]. 天津: 河北工业大学, 2020.
[5]	林靖怡, 王尧, 李奎, 等. 基于自组织特征映射网络的电弧故障检测方法[J]. 电力自动化设备, 2020, 40(8):210-219.
[6]	王尧, 田明, 牛峰, 等. 低压交流电弧故障检测方法研究综述[J]. 电器与能效管理技术, 2018(10):8-13,44.
[7]	孟驰华, 马娅娜, 韦清瀚, 等. 基于航空交流故障电弧标准的电弧仿真研究[J]. 测控技术, 2022, 41(10):73-81,88.
[8]	陈思磊, 李兴文, 屈建宇. 直流故障电弧研究综述[J]. 电器与能效管理技术, 2015(15):1-6,45.
[9]	李瑞新, 刘树鑫, 曹云东. 基于振动信号的交流接触器运行状态识别[J]. 电器与能效管理技术, 2022(6):39-44,68.
[10]	张瑶佳, 王莉, 尹振东, 等. 基于HHT的航空直流串行电弧特征提取方法[J]. 航空学报, 2019, 40(1):259-271.
[11]	ATHARPARVEZ M, PURANDARE K. Series arc fault detection using novel signal processing technique[C]// 2018 IEEE Holm Conference on Electrical Contacts, 2018:335-339.
[12]	徐宵伟, 陈永亮. 电弧故障检测技术分析与发展趋势[J]. 电器与能效管理技术, 2018(10):14-19.
[13]	王昱皓, 武建文, 马速良, 等. 基于核主成分分析-SoftMax的高压断路器机械故障诊断技术研究[J]. 电工技术学报, 2020, 35(增刊1):267-276.
[14]	许笑, 高翔, 李光熹, 等. 基于数据挖掘的电动汽车充电设施充电安全故障特性分析[J]. 电器与能效管理技术, 2022(3):15-22.
[15]	黄继盛, 姚康, 束洪春, 等. 基于主成分分析和SVM模型的配电网故障选线方法[J]. 昆明理工大学学报(自然科学版), 2021, 46(4):64-75.
[16]	董伟, 张俊民, 桂美景, 等. 基于小波包分解的航空故障电弧的识别[J]. 电工电能新技术, 2018, 37(11):76-81.
[17]	陈照, 王尧, 牛峰, 等. 基于神经网络和D-S证据理论的故障电弧检测[J]. 高压电器, 2019, 55(3):29-36.
[18]	焦治杰, 李腾, 王莉娜, 等. 基于卷积神经网络的光伏系统直流串联电弧故障检测[J]. 电工电能新技术, 2019, 38(7):29-34.
[19]	YANG J H, FANG H Y, ZHANG R C, et al. An arc fault diagnosis algorithm using multiinformation fusion and support vector machines[J]. Royal Society Open Science, 2018, 5(9):180160. doi: 10.1098/rsos.180160

编号	负载	参数
1	电阻	23 Ω
2	电动工具	550 W
3	开关电源	700 W
4	卤素灯	600 W
5	电子调光灯	500 W
6	吸尘器	1 000 W
7	电容起动电动机	2 200 W
8	电热箱并联电动工具	电热箱1 500 W 电动工具550 W
9	吸尘器并联电动工具	吸尘器1 000 W 电动工具550 W

时域特征	第一主成分	第二主成分	第三主成分
平均值的绝对值	0.318 1	-0.350 1	0.427 3
平肩时间百分比	-0.011 0	0.619 7	0.493 0
电流变化率	0.437 8	-0.136 4	-0.073 6
方差	0.179 2	-0.541 9	0.405 4
峰值因子	0.401 9	0.124 8	-0.447 9
波形因子	0.348 0	0.377 7	0.378 2
脉冲因子	0.442 6	0.124 5	-0.244 8
裕度因子	0.443 3	0.086 2	-0.031 8

数据处理方式	故障电弧识别准确率/%
未降维	81.54
主成分分析法降维	95.38

模型名称	训练时长/s	诊断时长/s	综合时长/s	故障电弧识别准确率/%
决策树	2.42	0.16	2.58	95.38
支持向量机	3.65	2.47	6.12	90.77
K近邻	1.71	0.24	1.95	81.54
朴素贝叶斯	6.98	1.85	8.83	72.31

基于主成分分析和决策树的故障电弧识别方法

Arc Fault Identification Method Based on Principal Component Analysis and Decision Tree

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 19

相关文章 1

编辑推荐

Metrics

本文评价