1.一种串联电弧故障智能断路器,其特征是,包括以下几个模块:
模块M1,采集模块,包括电流传感器、滤波电路和放大电路,实现电路电流信号的采集与调理,并送入模块M2中;
模块M2,特征提取模块,对模块M1输出的电流信号完成模-数转换,基于微处理器实现电流信号的时域、频域和能量域特征提取,并送入模块M3中;
模块M3,智能诊断模块,根据模块M2输出的特征,基于微处理器和智能算法判断电路串联电弧故障的发生与否以及定位故障支路,并下发跳闸指令;
模块M4,断路器模块,根据模块M3的指令跳闸和报警;
模块M5,算法训练模块,实现机器学习算法参数的离线训练和调整,提取输入参数与机器学习算法输出结果之间的关联关系,生成智能算法并固化于模块M3中的微处理器内;
模块M6,电源模块,为模块M1~M4提供电能。
2.根据权利要求1所述的一种串联电弧故障智能断路器,其特征在于:对于给定的带支路拓扑的电路,电流传感器安装于主回路及各级子电路进线处。
3.根据权利要求1所述的一种串联电弧故障智能断路器,其特征在于:模块M2中基于微处理器实现电流波形的特征提取;具体而言,包括如下特征:时域特征:零区占比如(1)所示,xi为每个采样点的电流值,IH、IL为上下限,n为每组波形的总采样点数;
峰态系数如(2)所示,xi为每个采样点的电流值,为全部采样点的平均值,n为每组波形的总采样点数;
频域特征:各次间谐波含量,如(3)所示;所提取的间谐波频率为f=25×(2n-1)Hz,n为间谐波次数,An为各间谐波的幅值,A0为工频基波的幅值,H(n)为求得的间谐波特征;
能量域特征:如(4)所示。其中A(i)为谐波的幅值,i为谐波次数(2~10次),P(i)为各次谐波对应的功率,Psum为各次谐波功率总和,αi为第i次谐波的功率占比。
4.根据权利要求1所述的一种串联电弧故障智能断路器,其特征是模块M3中的智能算法分为以下3个步骤:
1)波形分类;基于峰态系数特征与5次间谐波含量特征,将波形归为线性与非线性两类;
2)电弧故障检测;依据步骤1)的分类结果,基于零区占比及3~6次间谐波含量,判断电路拓扑中是否发生电弧故障;
3)故障定位;基于2、10次间谐波含量及6~8次谐波功率占比,判断电路拓扑中发生电弧故障的具体支路位置。
5.根据权利要求1所述的一种串联电弧故障智能断路器,其特征是模块M5中的算法训练分为以下5个步骤:
1)训练样本准备;通过实物实验或者计算机仿真的方式准备一批给定电路拓扑中的电流波形特征样本,包括仅单一负载正常运行、多负载正常运行、单一负载运行时发生电弧故障以及多负载运行时发生电弧故障时波形的时域、频域与能量域特征;
2)用于波形分类的机器学习算法训练;通过步骤1)中的训练样本,完成对基于逻辑回归算法建立的波形分类模型的训练;
3)用于电弧故障检测的机器学习算法训练;通过步骤1)中的训练样本,完成对基于深度神经网络的电弧检测模型的训练;
4)用于电弧故障定位的机器学习算法训练;通过步骤1)中的训练样本,完成对基于深度神经网络的电弧故障定位模型的训练;
5)智能算法提取;观察步骤3)~4)中样本特征与神经网络算法结果之间的变化趋势,选取选择零区占比及3~6次间谐波含量作为主要特征,用线性运算及分段函数近似表征它们与神经网络算法结果之间的关系;选取2、10次间谐波含量及6~8次谐波功率占比,用三次函数与幂函数的线性组合,近似表征它们与神经网络算法结果之间的关系。
6.根据权利要求4所述的一种串联电弧故障智能断路器,其特征在于:步骤3)~4)中所用人工神经网络结构共五层,依次为输入层、三层隐藏层及输出层,并采用共轭梯度优化算法加速训练过程。
7.根据权利要求4所述的一种串联电弧故障智能断路器,其特征在于:步骤5)中,按照(5)对特征进行权重计算,选取权重大于0.3的特征作为智能算法的计算用特征;其中βi是每个特征的影响因子,ΔKi是每个特征的变化量,ΔRTi是对应的判断准确率的变化量,n是特征总数,E(β)是影响因子的期望,γi是每个特征因子的权重。