本發(fā)明主要涉及電弧識別，具體涉及一種基于奇異譜統(tǒng)計特征的串聯(lián)故障電弧識別方法及系統(tǒng)。

背景技術：

1、電氣火災嚴重威脅人身和財產安全，已在全球范圍引發(fā)廣泛關注。尤其是隨著用電量增長與電纜設備老化，電氣火災發(fā)生率持續(xù)攀升。在電氣火災的所有誘因中，故障電弧是主要致災因素，其高溫極易引燃木材框架或絕緣材料等周邊可燃物，進而引發(fā)火災。因此，故障電弧檢測和識別是保障用電安全的關鍵環(huán)節(jié)，對預防安全隱患、降低電氣火災風險具有重要價值。

2、交流串聯(lián)故障電弧識別近年來已成為研究熱點。根據識別方法的特征提取原理不同，當前的主流技術主要分為頻域變換法和時域統(tǒng)計特征兩類方法。頻域變換法是故障電弧檢測的常用特征提取技術，包括快速傅里葉變換（fast?fourier?transform,?fft）、線性調頻z變換（chirp?z?transform,?czt）以及離散小波變換（discrete?wavelet?transform,dwt）等。該方法將時域電弧信號轉換至頻域，通過分解系數、功率譜密度等指標實現故障電弧分類。頻域變換法需謹慎選擇基函數等參數：分解層數及采樣頻率等參數會顯著影響識別成功率。而時域統(tǒng)計特征類方法通過量化描述來表征時域信號特性，無需信號先驗知識，可從統(tǒng)計量（如標準差等）和分布形態(tài)（如偏度、峰度等）提取特征。針對電弧電流的時域特性，過零點檢測、均方差值、平均能量密度等指標也被廣泛應用于故障電弧識別。但是，目前仍缺乏通用標準來判斷何種特征更適合交流串聯(lián)故障電弧識別。

3、在完成特征提取后，需采用分類模型實現故障電弧識別。在早期研究中，基于閾值或代數表達式的識別方法因實現簡單而被廣泛采用。近年來，人工智能技術開始大量應用于故障電弧識別領域。這些方法通過已提取的特征構建檢測模型，包括各類神經網絡技術、支持向量機、深度學習等分類器都基于特征訓練實現精準識別。然而現有識別方法均存在固有缺陷，比如：恒定閾值法難以應對復雜工況；神經網絡方法的性能受限于需人工設計的網絡結構；深度學習算法的計算開銷往往超出實際應用需求。因此，選擇合適的識別方法時需綜合考慮參數配置便捷性與計算開銷兩大因素。

4、故障電弧識別的另一個關鍵問題在于數據特征的選取，包括采樣率頻率和采樣窗長。在現有研究提出的方案一般憑經驗自行設定這些參數，迄今尚未建立統(tǒng)一的取值標準。這些既影響識別精度又關乎識別效率的數據特征至關重要，卻長期缺乏系統(tǒng)研究。理論上，高采樣率與長采樣周期可提升檢測精度，但必然導致計算負荷大幅增加。因此，在確定參考采樣率與周期時，必須兼顧精度與效率的雙重要求。

5、除識別方法外，不同負載引發(fā)的故障電弧電流波形復雜性亦是電弧檢測面臨的重大挑戰(zhàn)。當回路存在非線性或開關類負載時，故障電弧電流波形呈現顯著多樣性。更復雜的是，實際工況中多種負載常同時運行，這進一步增加了故障電弧識別難度?，F行故障電弧識別方法多基于固定閾值構建，然而這些固定框架可能限制其適應多樣化負載工況的能力。實驗結果表明，現有故障電弧識別方法在復雜負載條件下表現欠佳，存在較高的誤識別率。

技術實現思路

1、針對現有技術存在的技術問題，本發(fā)明提供一種提升串聯(lián)交流故障電弧的識別精度與效率的基于奇異譜統(tǒng)計特征的串聯(lián)故障電弧識別方法及系統(tǒng)。

2、為解決上述技術問題，本發(fā)明提出的技術方案為：

3、一種基于奇異譜統(tǒng)計特征的串聯(lián)故障電弧識別方法，包括步驟：

4、s1.實時采集串聯(lián)交流故障電弧的電流波形數據，獲取電流采樣序列；

5、s2.基于電流采樣序列，構建hankel矩陣y，隨后對hankel矩陣y進行奇異值分解，得到奇異譜s；

6、s3.基于奇異譜s計算統(tǒng)計特征，形成特征向量；

7、s4.將特征向量輸入已訓練好的xgboost分類器，得到串聯(lián)交流故障電弧的類別標簽，實現故障電弧的實時識別；其中類別標簽對應多類負載工況。

8、優(yōu)選地，所述xgboost分類器通過差分進化算法優(yōu)化超參數；其中超參數包括學習率、樹數量、最大深度、子樣本比例、特征采樣比例、l2正則化權重和葉子節(jié)點最小權重。

9、優(yōu)選地，所述xgboost分類器通過差分進化算法優(yōu)化超參數的具體過程為：

10、初始化參數種群：設置參數搜索邊界；

11、通過自適應變異與交叉機制更新種群，目標函數obj為：

12、

13、式中，，表示boosting的第 t棵樹； l(·)為損失函數，用于衡量模型對訓練數據的擬合程度；ω(·)為正則化項，用于評估模型復雜度；表示當前構造的樹函數；yi表示串聯(lián)交流故障電弧的類別標簽；

14、當損失函數收斂至最小值，輸出最優(yōu)超參數組合。

15、優(yōu)選地，采用多分類交叉熵作為損失函數。

16、優(yōu)選地，步驟s3中的統(tǒng)計特征包括奇異譜能量 e、奇異譜均值 m、奇異譜標準差 std、奇異譜偏斜度 skew、奇異譜香農熵 se、奇異譜均方根 rms、奇異譜峰度 ktr、奇異譜對數能量熵 loe、奇異譜范數熵 ne。

17、優(yōu)選地，在步驟s2中，構建hankel矩陣y為：

18、

19、式中，y(·)為電流采樣值； n為電流采樣序列的采樣點數； l為矩陣維度， l=fix( n/2)，其中fix(·)為取整函數。

20、本發(fā)明還公開了一種基于奇異譜統(tǒng)計特征的串聯(lián)故障電弧識別系統(tǒng)，包括：

21、電流獲取模塊，用于實時采集串聯(lián)交流故障電弧的電流波形數據，獲取電流采樣序列；

22、奇異譜構建模塊，用于基于電流采樣序列，構建hankel矩陣y，隨后對hankel矩陣y進行奇異值分解，得到奇異譜s；

23、特征提取模塊，用于基于奇異譜s計算統(tǒng)計特征，形成特征向量；

24、電弧識別模塊，用于將特征向量輸入已訓練好的xgboost分類器，得到串聯(lián)交流故障電弧的類別標簽，實現故障電弧的實時識別；其中類別標簽對應多類負載工況。

25、優(yōu)選地，所述xgboost分類器通過差分進化算法優(yōu)化超參數；其中超參數包括學習率、樹數量、最大深度、子樣本比例、特征采樣比例、l2正則化權重和葉子節(jié)點最小權重。

26、優(yōu)選地，所述xgboost分類器通過差分進化算法優(yōu)化超參數的具體過程為：

27、初始化參數種群：設置參數搜索邊界；

28、通過自適應變異與交叉機制更新種群，目標函數obj為：

29、

30、式中，，表示boosting的第 t棵樹； l(·)為損失函數，用于衡量模型對訓練數據的擬合程度；ω(·)為正則化項，用于評估模型復雜度；表示當前構造的樹函數；yi表示串聯(lián)交流故障電弧的類別標簽；

31、當損失函數收斂至最小值，輸出最優(yōu)超參數組合。

32、優(yōu)選地，采用多分類交叉熵作為損失函數。

33、優(yōu)選地，統(tǒng)計特征包括奇異譜能量 e、奇異譜均值 m、奇異譜標準差 std、奇異譜偏斜度 skew、奇異譜香農熵 se、奇異譜均方根 rms、奇異譜峰度 ktr、奇異譜對數能量熵 loe、奇異譜范數熵 ne。

34、優(yōu)選地，構建hankel矩陣y為：

35、

36、式中，y(·)為電流采樣值； n為電流采樣序列的采樣點數； l為矩陣維度， l=fix( n/2)，其中fix(·)為取整函數。

37、本發(fā)明還公開了一種計算機程序產品，包括計算機程序，所述計算機程序被處理器運行時執(zhí)行如上所述方法的步驟。

38、本發(fā)明進一步公開了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序在被處理器運行時執(zhí)行如上所述方法的步驟。

39、本發(fā)明還公開了一種計算機設備，包括相互連接的存儲器和處理器，所述存儲器上存儲有計算機程序，所述計算機程序在被處理器運行時執(zhí)行如上所述方法的步驟。

40、與現有技術相比，本發(fā)明的優(yōu)點在于：

41、1、本發(fā)明針對復雜負載工況下電弧誤識別率高、依賴長采樣窗口等問題，首先通過hankel矩陣奇異值分解構建電流波形的奇異譜，提取包括能量、均值、標準差等9類統(tǒng)計特征，通過奇異譜高效捕獲故障電弧的高頻諧波和幅值特征，進而提升識別精度；隨后結合差分進化算法優(yōu)化xgboost分類器的學習率、樹深度等7項超參數，構建高效分類模型，能夠提升串聯(lián)交流故障電弧的識別精度與效率。本發(fā)明以不同故障電弧工況下電流波形的奇異譜統(tǒng)計特征為基礎，既能利用故障電弧電流信號頻率分量豐富、幅值大的特征，又避免了時頻變換對長采樣窗口的依賴，同時可以適應多樣化負載工況，在故障電弧識別方面具有快速精準的優(yōu)勢。

42、2、本發(fā)明提出的融合奇異譜統(tǒng)計特征與xgboost分類器的串聯(lián)故障電弧識別新方法。該方法首先提取不同故障電弧工況下電流波形的奇異譜統(tǒng)計特征集，隨后以該特征集作為輸入數據，結合差分進化算法優(yōu)化xgboost分類器參數，最終構建最優(yōu)故障電弧識別模型。實驗結果表明：（1）所提方法僅需3個標稱周波的采樣長度即可實現16類工況識別，成功率高達98.90%；（2）僅使用數據集5%的樣本作為訓練集時，識別成功率仍可達97.11%，表現出優(yōu)異的泛化性能；（3）所提方法無需高采樣頻率和長采樣窗長，具有識別響應時間的優(yōu)點，且易于運行在計算資源受限的低成本嵌入式平臺上；（4）與bpnn、svm和rnn等主流方法相比，所提方法的整體識別成功率提升3個百分點，優(yōu)勢顯著。

43、3、本發(fā)明突破了傳統(tǒng)時頻分析對長采樣窗口的依賴；基于hankel矩陣奇異值分解提取9維奇異譜特征，首次將奇異譜用于故障電弧識別，增強了復雜負載工況下的特征區(qū)分度；采用差分進化算法自動優(yōu)化xgboost超參數，解決人工調參低效問題，模型在5%小樣本訓練下仍保持97.11%準確率；實現僅需3工頻周波（60ms）的快速檢測，即可實現98.90%的平均識別準確率，適用于嵌入式平臺，與bpnn/svm/rnn等主流方法相比，提出方法的平均識別精度提升3%，顯著優(yōu)于反向傳播神經網絡（back?propagation?neural?network,?bpnn）、支持向量機（support?vector?machine,?svm）和循環(huán)神經網絡（recurrent?neuralnetworks,?rnn）等對比方法。該方法無需高采樣率與復雜時頻變換，適用于計算資源受限的嵌入式平臺，為串聯(lián)故障電弧檢測提供了高泛化性解決方案。