一种基于SVM的直流电弧故障检测方法.pdf

《工业控制计算机}2017年第 30卷第 2期 129 一 种基于SVM的直流电弧故障检测方法 A DC AFC FaultDetection Method Based onSVM 刘 伟 马 琪 (杭州电子科技大学微电子CAD研究所，浙江 杭州 310018) 竺红卫 (浙江大学超大规模集成 电路设计研究所，浙江 杭州 310027) 摘要 ：直流电弧故障检测方法能够在低压直流 电源系统中实时准确地检测 出电弧故障的发生 。针对 电动 自行车 电池系 统，提 出一种基于支持 向量机 SVM 的直流电弧故障检测方法 ，该方法包括 电流电压时域和频域特征量提取、特征量数据预 处理和直流 电弧故障SVM分类器三部分，可根据特征量通过SVM分类器来判剐电弧故障。在SVM分类器设计 中还采用 粒子群优化算法结合K折交叉验证寻找最优 SVM参数，以优化分类器的分类性能。实验结果表明，该方法能够准确有效地 检测 出发 生的直流故 障电弧 。 关键词 ：直流电弧故障检测 ，支持 向量机 ，粒子群优化算法 Abstract：ThispaperpresentsaDCarcfaultdetectionmethodbasedOI3supportvectormachine (SVM) forthebakery powersupply system ofelectric bicycle．The method includes characteristics extraction in time and frequency domain，pre— processofthe characteristic data。and a SVM classifier，which can detectthe DC arc faultaccording to the inputcharacter- istic data．To find the optimalparameters ofSVM．the particleswarm optimization algorithm isused withK-fold CrossValida- tion(K-CV)． Keywords：DC ArcFaultDetection，supportvectormachine，particleswarm optimization 目前针对直流电弧故障检测技术 的研究大多集 中在时域和 或者各个量纲数值相差太大等，如果直接把特征量数据导入到 频域两个方面，文献[1]使用了时域中的标准差和时频域中的马 SVM分类器模型进行训练或分类 ，分类效果将远远不能达到要 氏距离两种检测手段；文献[2】提出用双罗氏线圈检测故障电弧 求，为了能够使分类器性能得到充分的保障，需要对特征量数据 输出电量波形，通过两个罗氏线圈获得 电量信号的互关联程度 进行预处理。预处理包括数据清洗及归一化 。 来检测电弧；文献[3】利用小波包分析的带通特性 ，将结果进行 电动 自行车容易受环境、电路老化 、电池质量 以及一些其他 重构，求出每个频段的能量时频谱和能量总和，把特征频带的能 因素的影响，可能会导致在同一工作状态下采集 的特征量数据 量百分比作为电弧故障特征量 ；文献 [4】检测电弧放 电时的噪 存在较大的差异。为了尽量消除这些影响，预处理首先对数据进 声、热量及 电磁辐射特性来检测故障电弧。 行清洗。数据清洗通过数据平滑处理算法和压缩近邻规则算法 ， 本文针对 电动 自行车电池系统，综合直流故障电弧发生时 在保证数据有效性和不失真的情况下，进行噪声过滤数据处理， 电流及 电压的时域和频域特征，提出了一种基于支持向量机 并查找和删除异常数据点。 (supportvectormachine，SVM)的直流 电弧故障检测方法 。 由于选取的特征量量纲不一样 ，数据数量级不一样 ，预处