一种串联电弧故障检测方法及系统与流程

1.本发明属于电弧故障检测技术领域，具体涉及一种串联电弧故障检测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.低压直流供电具有效率高、便于接入储能设备、可靠性高等优点，广泛应用于光伏发电、电动汽车、大型数据中心等系统中，并且在多电飞机、电气化舰船、航空航天、直流配用电网领域具有广阔的应用前景。在直流供电系统中，发生绝缘破坏、金属接头松动、元件老化、动物啮咬等情况时都会产生直流电弧故障。对于交流电弧，发生电弧故障时，电流会过零点产生“零休”现象；而直流电弧不同于交流电弧，电流没有过零点，无法自然熄弧，一旦发生且未被及时检测，故障可能扩散波及邻近电路，光伏组件、输电线路、控制系统等都将遭到损坏；严重时，电弧持续燃烧还可能导致火灾事故的发生。
4.据发明人了解，目前对故障电弧检测往往选择合适的特征量输入到神经网络中，但特征量的选择往往将单一时域特征作为神经网络算法的输入，检测指标单一、精度较低，具有不稳定性，所含故障信息不充分。综合能源系统设备众多，线路中常会发生电火花燃烧现象，一旦产生电弧故障，将对电力线路造成巨大危害，严重威胁电力系统的安全与稳定。以往对于电弧故障检测与诊断，往往选用单一特征量作为指标进行判断，很容易造成判断有误，除此之外，电力线路及其复杂，哪一处位置发生电弧故障无法准确确定，一处处排查造成了人力物力的大量浪费，电弧故障检测的效率极为低下。


技术实现要素：

5.为了解决上述问题，本发明提出了一种串联电弧故障检测方法及系统，对电弧故障特征进行多维提取分析，避免了提取单一特征因指标单一而造成的诊断错误，提高电弧故障诊断的正确率，准确诊断综合能源系统中发生的串联电弧故障，提高了综合能源系统的安全性。
6.根据一些实施例，本发明的第一方案提供了一种串联电弧故障检测方法，采用如下技术方案：
7.一种串联电弧故障检测方法，包括：
8.获取母线电流信号；
9.分析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；
10.对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；
11.根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检
测。
12.作为进一步的技术限定，在分析所获取的电流信号的过程中，计算并存储电流信号的时域特征；所述时域特征包括峰峰值、方差、标准差、均值、有效值、峭度、波形指标、峰值因子、脉冲因子和偏度。
13.进一步的，监测所得到的电流信号的时域特征，当时域特征超出设定阈值时判定可能存在电弧故障，筛选出该时域特征以便故障检测。
14.作为进一步的技术限定，在得到变分模态分量的模糊熵的过程中，采用改进的变分模态分解，即采用澳洲野狗算法优化变分模态分解。
15.作为进一步的技术限定，筛选后时域特征量的分解，得到各个变分模态分量的模糊熵，选出模糊熵最大的前三个变分模态分量，将电流信号进行合并重构得到新的信号分量，计算新的信号分量的电流时域特征，采用relief-f特征选择算法计算所得到的新的信号分量的电流时域特征的特征评价权重。
16.作为进一步的技术限定，在根据支持向量机和所得到的特征评价权重诊断电弧故障的过程中，根据筛选后的时域特征及特征评价权重构造综合时域特征，结合所构造的综合时域特征和预设的故障诊断模型进行电弧故障诊断，通过改进的支持向量机进行所得到的故障检测结果的二次故障诊断，实现串联电弧的故障检测。
17.进一步的，所述故障诊断模型采用随机森林算法和改进的支持向量机；所述改进的支持向量机采用澳洲野狗算法(doa算法)优化惩罚因子和权重向量。
18.根据一些实施例，本发明的第二方案提供了一种串联电弧故障检测系统，采用如下技术方案：
19.一种串联电弧故障检测系统，包括：
20.获取模块，其被配置为获取母线电流信号；
21.计算模块，其被配置为析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；
22.检测模块，其被配置为根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。
23.根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
24.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的串联电弧故障检测方法中的步骤。
25.根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：
26.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的串联电弧故障检测方法中的步骤。
27.与现有技术相比，本发明的有益效果为：
28.本发明能够对电弧故障特征进行多维提取分析，避免了提取单一特征因指标单一而造成的诊断错误，提高了对于电弧故障诊断的正确率；对疑似发生电弧故障的线路进行二次提取特征分析，特征蕴含的故障信息更加准确，进一步提高了故障特征的检测准确度；
构建综合时域特征进行故障类型的识别、诊断，保证了故障电弧检测结果检测精度，实现精准判断。
29.本发明能够准确诊断综合能源系统中发生的串联电弧故障，提高了综合能源系统的安全性，为未来综合能源系统内电弧故障的精确诊断提供了一种新思路；采用云平台实时监控并报警提示，能清楚的反应出哪条线路发生电弧故障，节省了人力物力，有效保障了电力系统线路稳定性。
附图说明
30.构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
31.图1为本发明实施例一中的串联电弧故障检测方法的流程图；
32.图2为本发明实施例一中的串联电弧故障检测方法的具体过程示意图；
33.图3为本发明实施例一中的采集电流正常与故障状态图；
34.图4为本发明实施例一中的数据采集架构图；
35.图5为本发明实施例一中的时域特征图；
36.图6为本发明实施例一中的某一时域特征判断图；
37.图7为本发明实施例一中的vmd分解结果及所选i mf分量示意图；
38.图8为本发明实施例一中的随机森林算法原理图；
39.图9为本发明实施例一中的改进的支持向量机原理图；
40.图10为本发明实施例一中的云平台监控示意图；
41.图11为本发明实施例二中的串联电弧故障检测系统的结构框图。
具体实施方式
42.下面结合附图与实施例对本发明作进一步说明。
43.应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
44.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
45.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
46.实施例一
47.本发明实施例一介绍了一种串联电弧故障检测方法。
48.如图1和图2所示的一种串联电弧故障检测方法，包括：
49.获取母线电流信号；
50.分析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；
51.对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得
到的模糊熵得到特征评价权重；
52.根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。
53.作为一种或多种实施方式，在获取母线电流信号的过程中，采用电流数据采集装置对综合能源系统中的各设备线路数据母线电流进行实时采集，并记录各采集母线电流所处的位置；即在综合能源系统中内的各设备电力线路上安装数据采集装置采集母线电流，将母线电流依次标记上所处线路的位置，如l1，l2，l3
…
，ln，各数据依次保留存储；发生电弧故障时电流变化如图3所示，数据采集架构如图4所示。
54.作为一种或多种实施方式，在分析所获取的电流信号的过程中，计算并存储如图5所示的电流信号的时域特征；所述时域特征包括峰峰值、方差、标准差、均值、有效值、峭度、波形指标、峰值因子、脉冲因子和偏度；
55.各时域特征值计算式如下：
56.峰峰值：x
p
＝max(|xi|)
57.方差：
58.标准差：
59.均值：
60.有效值：
61.峭度：
62.波形指标：
63.峰值因子：
64.脉冲因子：
65.偏度：
66.其中，xi是第i点处的电流值，n是采样点数。
67.监测所得到的电流信号的时域特征，当时域特征超出设定阈值时判定可能存在电弧故障，筛选出该时域特征以便故障检测；即对所计算的所有时域特征值进行监测，每个时域特征量均设置有特定的阈值，若超过此阈值，说明这条线路的电流可能存在电弧故障，立马将此组电流数据标为警告模式，输入到下一模块进行进一步分析；若不超过此阈值，说明此电流数据正常运行无波动，未发生电弧故障，标为安全模式；其中，只要有一组时域特征值超出阈值，都将此线路电流设为警告模式，需要对其进行进一步判断，某一时域特征判断图如图6所示。
68.作为一种或多种实施方式，采用如图8所示的澳洲野狗算法优化变分模态分解(vmd)对电流进行分解，得到各变分模态分量(imfs)，求解各imfs分量的模糊熵，选出模糊熵最大的前三个imf分量，将信号进行合并重构为新的信号分量，如图7所示，对新电流信号重复步骤二的时域特征计算流程，采用relief-f特征选择算法对时域特征进行特征评价权重，如表1所示，将权重值大于0.1的特征进行保留，输出筛选后的特征计算结果。
69.表1各个特征权重
[0070][0071]
采用变分模态分解(vmd)方法对电流信号进行分解，但在vmd分解信号时，k、α的选取对分解效果影响较大，且它们往往是人为根据经验设置。在实际电弧故障信号应用中，当k值取值过大，会造成信号过分解；k值取值较小，会造成信号分解不够，进而产生模态混叠现象；α则代表每个模态初始中心约束强度。因此，有必要选择合适的k、α对vmd进行分解，来准确反应电弧故障信息。本技术采用澳洲野狗算法优化vmd的k、α参数，得到最优结果后设置为vmd的默认参数对信号进行分解。
[0072]
vmd分解原理如下定义：
[0073]
(1)构造变分问题
[0074]
假定原始信号可以分解为k个imf分量，则第k个imf分量的公式如下式所示：uk(t)＝ak(t)cos[φk(t)],k∈{1,
…
,k}；其中,相位φk(t)是非递减函数,且φk′
(t)≥0；ak(t)表示包络函数,且ak(t)≥0。
[0075]
构造约束变分问题求解如下式所示：其中，t为时间；j1为虚部单位；ωk为第k个imf分量的中心频率，k＝1,2,
…
k，k为最大分解个数；δ(t)为冲击函数。
[0076]
(2)求解变分问题
[0077]
引入α和λ(t)，则将变分问题转化为无约束性变分问题，即：
[0078][0079]
其中，λ(t)为拉格朗日乘子；α为惩罚因子；f(t)为待分解的原始信号。
[0080]
对无约束性变分问题的鞍点进行求解即为求解约束变分问题的最优值，具体步骤为:
[0081]
①
对n进行初始化；
[0082]
②
执行循环，n＝n+1；
[0083]
③
对所有ω》0，更新
[0084]
即得
[0085]
④
更新ωk；
[0086]
即得
[0087]
⑤
更新λ；
[0088]
即得
[0089]
重复上述步骤
②
～
⑤
，当满足以下条件时停止迭代，其中，ε是收敛精度，ε》0。
[0090]
澳洲野狗算法定义如下：
[0091]
首先，对种群初始化；即其中，lbi和ubi分别表示个体的下界和上界，randi是[0,1]之间均匀生成的随机数。
[0092]
(1)群体攻击(group attack)
[0093]
野狗捕食大猎物时会成群结队，找到猎物的位置并将其包围，定义为：其中，是搜索代理的新位置，na是在[2,sizepop/2]的逆序中生成的随机整数，sizepop是野狗种群的规模，是搜索代理(将攻击的野狗)的子集，其中x是随机生成的野狗种群，是当前搜索代理，是上一次迭代中发现的最佳搜索代理，β1是[-2,2]内均匀生成的随机数。
[0094]
(2)迫害(persecution)
[0095]
野狗通常捕猎小猎物，直到单独捕获为止，定义为：其中，是搜索代理的新位置，是当前搜索代理，是上一次迭代中发现的最佳搜索代理，β2是在[-1,1]内均匀生成的随机数，是野狗种群的随机个体。
[0096]
(3)食腐(scavenger)
[0097]
野狗在栖息地随机行走时找到腐肉吃的行为，定义为：其中，是搜索代理的新位置，是当前搜索代理，β2是在[-1,1]内均匀生成的随机数，是野狗种群的随机个体，σ是步骤2随机生成的二进制数，σ∈{0,1}。
[0098]
(4)野狗的存活率(dingoes’survival rates)
[0099]
捕食完成后，野狗会面临生存问题。每只野狗的生存概率与其适应度值有关生存概率较小的个体需要重新到当前最优个体周围去觅食，以提高自己的生存概率。野狗的存活率值定义为：其中，fitness
max
和fitness
min
分别是当前一代中最差和最优的适合度值，而fitness(i)是第i个搜索代理的当前适应度值，上式中的生存向量包含[0,1]区间内的归一化适应度。例如，若其生存概率小于0.3，则该个体使用下式来计算新位置：其中，是当前搜索代理，是上一次迭代中发现的最佳搜索代理，和为群体中不相同的两个随机个体，σ∈{0,1}。
[0100]
模糊熵定义为：
[0101]
(1)对于一个给定长度为n的时间序列{x(i),i＝1,2,
…
,n}，初始化嵌入维数m，将上述时间序列进行相空间重构定义为：x(i)＝{x(i),x(i+1),
…
,x(i+m-1)}-u(i)；其中，x(i)为重构后的新的时间序列，i＝1,2,
…
,n-m+1；u(i)为m个连续x(i)的均值，其表达式为：
[0102]
(2)定义两个向量x(i)与x(j)间的距离为：其中，1≤i,j≤n-m+1，且i≠j。
[0103]
(3)引入模糊隶属度函数来定义向量x(i)与x(j)之间的相似程度定义为
[0104]
(4)定义函数为可得到m维度下的关系维度，即
[0105]
(5)将嵌入维数增加1，然后对m+1维向量重复上述步骤(1)至步骤(4)，即可得到m+1维度下的关系维度，即
[0106]
(6)最后可得到模糊熵的表达式，即fuzzyen(m,r,n)＝lnφm(r)-lnφ
m+1
(r)；其中，m为嵌入维数参数，在本实施例中取m＝2；r为相似容限参数，在本实施例中取r＝0.2std，std为原信号的标准差；n为原始时间序列的长度。
[0107]
relief-f算法定义为：
[0108]
假设数据集为df，该数据集一共包含|y|个类别，对示例xf，若它属于第kf类(kf∈{1,2,
…
,|y|})，则relief-f算法先在第kf类的样本中寻找xf的最近邻x
f,l,nh
(l＝1,2,
…
,|y|；1≠kf)，作为样本xf的猜错近邻，则相关统计量对应于属性jf的分量为:其中，p1为第1类样本在数据集df中所占
的比例。
[0109]
作为一种或多种实施方式，根据筛选后的时域特征依据其特征权重构造综合时域特征，采用权重值
×
特征原则，将各筛选后的时域特征
×
权重依次相加，构建综合时域特征，最终将筛选后的时域特征与综合时域特征分别作为时域特征电弧故障数据集和综合特征电弧故障数据集进行输出；
[0110]
即权重大于0.1的o个时域特征依据其特征权重构造综合时域特征，采用权重
×
特征原则，将筛选后的各时域特征(tf(f＝1,2,
…
,o))
×
权重(σf(f＝1,2,
…
,o))依次相加，构建综合时域特征(综合时域特征g定义为：g＝t1×
σ1+t2×
σ2+
…
tf×
σf(f＝1,2,
…
,o))，最终分别输出时域特征电弧故障数据集与综合特征电弧故障数据集。
[0111]
作为一种或多种实施方式，采用如图8所示的随机森林算法和改进支持向量机算法进行故障诊断，基于所存储的100组正常状态时的数据集，标签为“0”，将时域特征电弧故障数据集和综合特征电弧故障数据集各100组发生电弧故障时的数据集，标签为“1”，将正常状态时的数据集与时域特征电弧故障数据集作为随机森林诊断模型的输入量，正常状态时的数据集与时域特征电弧故障数据集作为改进支持向量机模型的输入量，分别输出随机森林的预测结果和改进向量机的预测结果。
[0112]
支持向量机(svm)定义为：yi(ω
t
ω(xi)+b≥1-ζi)、ζi≥0i＝1,2,...,l；其中，ω为权值向量，c为惩罚因子，ζ为松弛变量，xi为输入到svm分类器中训练集的向量样本表示，yi为分类标记，ω(xi)为将训练样本从低维空间映射到高位空间的函数。
[0113]
支持向量机通过将原始特征空间的数据样本映射到一个重构的高维特征空间，在该特征空间构造分类超平面，通过对惩罚因子c和权值向量ω进行最优解的寻找，能够实现良好的分类效果，本实施例采用如图9所示的doa算法对这两个参数进行寻优，构建改进支持向量机模型。doa算法优化寻找vmd和svm均为相同步骤，首先设置doa算法的迭代次数50，种群数30，vmd参数寻优的范围设置为k∈[5,10]，α∈[500,4000]，而svm参数寻优的范围设置为c＝[0,4]，ω＝[0.4,2]，vmd参数以其分解的各imf分量的最小包络熵作为适应度函数，svm以不同寻优值的最高准确率作为适应度函数。
[0114]
作为一种或多种实施方式，对故障诊断模块输出的两组预测结果再次采用改进支持向量机模型进行二次分类，输出最终二次电弧故障分类结果，实现高精度的电弧故障诊断。
[0115]
具体的，输出的两组预测结果再次采用改进支持向量机模型进行二次分类，输出最终二次电弧故障分类结果，实现高精度的电弧故障诊断。若最终svm对数据的分类结果为“1”，则证明该线路确实发生电弧故障，立即向云平台监控系统反馈，报警提示；若最终svm对数据的分类结果为“0”，则证明可能是线路接入负载等原因造成电流波动，实际未发生电弧故障，向云平台监控系统反馈，线路状态由警告改为安全。
[0116]
需要说明的是，此处的改进的支持向量机与图9所示的一致，区别仅在于输入值与输出值的不同；此处，一次分类svm模型的输入量是筛选出的故障特征，一次svm分类结果输出分类结果，同时随机森林模型也将输出其分类结果，将这两个模型的分类结果值作为二次分类svm新的输入值进行分类得到最终的输出结果。
[0117]
本实施例还设置了如图10所示的云平台监控，以实时获取各模块的处理信息以及综合能源系统内各线路电流运行情况，当疑似发生电弧故障时，将会提示警告模式，若线路正常运行未发生电弧故障，则一直显示正常状态，当经过故障诊断后确实发生电弧故障，则立马报警提示，若未发生电弧故障，则将警告状态改为安全状态。
[0118]
本实施例能够准确诊断综合能源系统中发生的串联电弧故障，提高了综合能源系统的安全性，为未来综合能源系统内电弧故障的精确诊断提供了一种新思路；采用云平台实时监控并报警提示，能清楚的反应出哪条线路发生电弧故障，节省了人力物力，有效保障了电力系统线路稳定性。
[0119]
实施例二
[0120]
本发明实施例二介绍了一种串联电弧故障检测系统。
[0121]
如图11所示的一种串联电弧故障检测系统，包括：
[0122]
获取模块，其被配置为获取母线电流信号；
[0123]
计算模块，其被配置为析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；
[0124]
检测模块，其被配置为根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。
[0125]
详细步骤与实施例一提供的串联电弧故障检测方法相同，在此不再赘述。
[0126]
实施例三
[0127]
本发明实施例三提供了一种计算机可读存储介质。
[0128]
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的串联电弧故障检测方法中的步骤。
[0129]
详细步骤与实施例一提供的串联电弧故障检测方法相同，在此不再赘述。
[0130]
实施例四
[0131]
本发明实施例四提供了一种电子设备。
[0132]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例一所述的串联电弧故障检测方法中的步骤。
[0133]
详细步骤与实施例一提供的串联电弧故障检测方法相同，在此不再赘述。
[0134]
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

技术特征：
1.一种串联电弧故障检测方法，其特征在于，包括：获取母线电流信号；分析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。2.如权利要求1中所述的一种串联电弧故障检测方法，其特征在于，在分析所获取的电流信号的过程中，计算并存储电流信号的时域特征；所述时域特征包括峰峰值、方差、标准差、均值、有效值、峭度、波形指标、峰值因子、脉冲因子和偏度。3.如权利要求2中所述的一种串联电弧故障检测方法，其特征在于，监测所得到的电流信号的时域特征，当时域特征超出设定阈值时判定可能存在电弧故障，筛选出该时域特征以便故障检测。4.如权利要求1中所述的一种串联电弧故障检测方法，其特征在于，在得到变分模态分量的模糊熵的过程中，采用改进的变分模态分解，即采用澳洲野狗算法优化变分模态分解。5.如权利要求1中所述的一种串联电弧故障检测方法，其特征在于，筛选后时域特征量的分解，得到各个变分模态分量的模糊熵，选出模糊熵最大的前三个变分模态分量，将电流信号进行合并重构得到新的信号分量，计算新的信号分量的电流时域特征，采用relief-f特征选择算法计算所得到的新的信号分量的电流时域特征的特征评价权重。6.如权利要求1中所述的一种串联电弧故障检测方法，其特征在于，在根据支持向量机和所得到的特征评价权重诊断电弧故障的过程中，根据筛选后的时域特征及特征评价权重构造综合时域特征，结合所构造的综合时域特征和预设的故障诊断模型进行电弧故障诊断，通过改进的支持向量机进行所得到的故障检测结果的二次故障诊断，实现串联电弧的故障检测。7.如权利要求6中所述的一种串联电弧故障检测方法，其特征在于，所述故障诊断模型采用随机森林算法和改进的支持向量机；所述改进的支持向量机采用澳洲野狗算法优化惩罚因子和权重向量。8.一种串联电弧故障检测系统，其特征在于，包括：获取模块，其被配置为获取母线电流信号；计算模块，其被配置为析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；检测模块，其被配置为根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的串联电弧故障检测方法的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的串联电弧故障检测方法的步骤。

技术总结
本发明属于电弧故障检测技术领域，具体涉及一种串联电弧故障检测方法及系统，包括：获取母线电流信号；分析所获取的电流信号，计算并判断发生电弧故障时电流信号的时域特征量，得到筛选后的时域特征量；对所筛选后的时域特征量进行能量分解，得到变分模态分量的模糊熵，结合所得到的模糊熵得到特征评价权重；根据支持向量机和所得到的特征评价权重诊断电弧故障，实现串联电弧的故障检测。实现串联电弧的故障检测。实现串联电弧的故障检测。


技术研发人员：刘玉娇 李国亮 林煜清 王坤 唐晓光 林美华 宋培鑫 徐小龙 杨斌 王瑞琪 朱国梁 孟凡波 吴小川 张化坤 林桂柯 李佳萍 李东昕
受保护的技术使用者：国网山东综合能源服务有限公司
技术研发日：2023.04.28
技术公布日：2023/8/6