[发明专利]一种基于形态学滤波和MMG的串联故障电弧检测方法

说明书

本发明涉及一种基于形态学滤波和MMG的串联故障电弧检测方法，该方法通过1)数据采样：2)计算数据的过零点个数；3)根据过零点个数判断负载网络类型；4)对采样数据进行形态学滤波：对步骤1)的采样数据先进行腐蚀膨胀运算，再进行形态学开闭运算；5)MMG求解形态梯度值：利用多分辨率形态梯度运算对待分析电流信号波形中的突变特征进行提取，求解形态梯度值ρ_m；6)比较形态梯度值ρ_m与设定阈值，若ρ_m大于阈值，则判定为出现了故障电弧。本发明检测方法，利用数学形态学能够准确、快速的提取信号奇异点所呈现的故障特征，所以形态学可以不受故障点发生位置和线路不同负载的影响，准确判断出线路中是否有故障发生。

技术领域

本发明涉及一种基于形态学滤波和MMG的串联故障电弧检测方法，属于电力系统维护技术领域。

背景技术

电弧是电路电流击穿空气，产生强烈气体放电的现象。当电路绝缘老化、触头连接松弛时经常发生。在众多导致电力系统发生故障的因素当中，故障电弧是其中重要的因素。根据电弧的产生位置，可以将故障电弧分为串联故障电弧和并联故障电弧。其中并联故障电弧的电流幅值可达75-500A，而串联故障电弧的电流幅值不会出现跃变现象，传统分析方法难以检测和分析。串联故障电弧产生后，仅2-10A的故障电弧电流就可以产生2000-4000℃的局部高温，0.5A的电弧电流就足以引起火灾。因此，串联故障电弧更易引发电气火灾事故，另外，故障电弧如果发生在配电柜中，且得不到及时排除的话，则有可能使中低压母线出现故障，造成供电系统不稳定，严重时可能导致大面积停电，甚至造成人员伤亡和重大经济损失。

目前，判断故障电弧的方法以判定电压和电流信号的畸变为主，如傅立叶变换分析和小波变换分析，以及卷积神经网络、概率神经网络等人工智能算法。这些方法均存在计算量大、耗时长、对硬件处理能力要求高的问题。

形态学滤波是一种基于数学形态学的非线性变换，根据信号或图像的几何结构特性，利用结构元素对信号进行局部探测和修正，从而达到提取信号，抑制噪声的目的。多分辨率形态梯度运算(MMG：Multi-resolution Morphological Gradient(MMG)computing)是一种多分辨率分析的形态梯度运算，可以满足高灵敏度奇异性检测的要求，反映信号波形突变的程度。使用形态学滤波滤除电流信号中的噪声干扰，再使用MMG提取串联型故障电弧发生前后电流波形的突变特征，进而获取正常工作情况下和故障电弧发生时线路电流波形的形态梯度值，通过比较故障发生前后线路电流波形形态梯度值的大小，可以准确地判断出线路是否发生了电弧故障。

形态学滤波和MMG运算量小，运算速度快，非常适合物联网环境下(如配电箱内)故障电弧的检测，对于维护电网安全，降低人员伤亡和财产损失，具有重要意义。

发明内容

针对现有技术的不足，本发明提供一种基于形态学滤波和MMG的串联故障电弧检测方法。

本发明的技术方案如下：

一种基于形态学滤波和MMG的串联故障电弧检测方法，包括以下步骤：

1)数据采样：采集电路中的电流数据，采样频率设为工频的64倍，即电流波形的每个周期内取样64次；

2)计算数据的过零点个数：对步骤1)采样得到的数据，计算过零点个数；

3)根据过零点个数判断负载网络类型：将一个周期内的过零点个数与判断阈值比较，大于判断阈值为非线性负载，小于判断阈值为线性负载；

4)对采样数据进行形态学滤波：对步骤1)的采样数据先进行腐蚀膨胀运算，再进行形态学开闭运算；

5)MMG求解形态梯度值：利用多分辨率形态梯度运算对待分析电流信号波形中的突变特征进行提取，求解形态梯度值ρ_m；