ARIMA模型在矿山电网故障测距中的应用：行波波头辨识

"该文研究了矿山电网故障暂态行波的波头辨识与故障测距问题，提出了一种基于ARIMA模型的方法。在矿山电网中，由于高次谐波和高频噪声的存在，行波测距面临挑战。文中通过分析故障行波的时域特性，利用ARIMA模型预测波头到达前的高频周期信号，并计算波形残差，通过残差的平稳性变化确定波头到达时刻，从而实现精确的故障测距。与小波变换和经验模态分解相比，该方法具有更高的识别精度和鲁棒性，特别适合于含有整流设备和非线性负载的矿山电网。" 本文针对矿山电网的特殊环境，即包含大量整流设备和非线性负载导致的高次谐波和高频噪声，探讨了如何有效进行故障暂态行波的波头辨识和故障测距。传统的行波测距方法在矿山电网中可能无法提供准确的结果，因为故障产生的暂态信号与背景谐波严重混淆。为解决这一问题，研究者提出采用整合移动平均自回归模型（ARIMA）来预测行波波头到达前的高频周期性信号。ARIMA模型是一种统计时间序列分析工具，常用于处理非平稳序列，能有效地捕捉数据的短期波动和长期趋势。 在ARIMA模型预测的基础上，文章进一步结合实际波头到达时刻的波形，计算出波形残差。通过对残差进行平稳性检验，可以识别波头到达的精确时刻。这是因为故障发生前后，残差的平稳性会发生显著变化。这种方法能有效区分故障信号和背景噪声，提高行波测距的准确性和可靠性。 通过低压电缆网络的仿真实验，该方法在与小波变换和经验模态分解等传统方法对比中表现出优越性能，不仅能够准确识别行波波头，而且对故障条件和噪声的敏感性较低，提高了行波测距的可行性和精度。特别是在含有整流设备和非线性负载的矿山电网中，该方法尤其适用，有助于提升故障诊断的效率和电网的运行稳定性。 这项工作为矿山电网故障测距提供了新的思路，利用ARIMA模型增强了在复杂电网环境下对故障暂态信号的处理能力，对于保障矿山电网的可靠性和安全运行具有重要的理论和实践价值。