CN109738771B - 基于深度学习的串联型故障电弧试验平台及其试验方法 - Google Patents

Abstract

本发明涉及基于深度学习的串联型故障电弧试验平台及其试验方法，属于电气消防应用领域。该试验平台包括：串联型故障电弧发生器、电网模拟器、RLC可编程负载、可编程序控制器、数据采集处理器和深度学习计算机，串联型故障电弧发生器通过电缆串联于电网模拟器和RLC可编程负载之间，构成试验电源与负载调节回路，电网模拟器、RLC可编程负载、可编程序控制器、数据采集处理器分别与深度学习计算机连接，数据采集处理器与串联型故障电弧发生器内部的弧压传感器、电流互感器、弧光传感器连接，可编程序控制器串联型故障电弧发生器内部的步进电机和旋转编码器连接。本发明以提高串联型故障电弧探测和识别的准确性，弥补此类产品的市场空白。

Description

基于深度学习的串联型故障电弧试验平台及其试验方法

技术领域

本发明属于电气消防应用领域。特别涉及一种基于深度学习的串联型故障电弧试验平台及其试验方法。

背景技术

近年来，由于电气原因造成的火灾事故居高不下，给国家和人民生命财产造成巨大损失。据应急管理部消防救援局统计显示，2017年全国共发生火灾28.1万起，在全部火灾中，因电气原因引发的火灾占总数的35.7％，其中电气线路问题占电气火灾总数的62.2％、电器设备故障占31.3％、其他电气方面原因占6.5％。在65起较大火灾中，电气引发的有35起，占较大火灾的53.9％。在6起重大火灾中，电气引发的有3起，占重大火灾的50％。在这些电气火灾中，由故障电弧引发的火灾占电气火灾总数的一半以上。由此可见，电气火灾是引发火灾的主要原因，电气线路故障电弧问题又是电气火灾的主要诱因。因此，加强电气火灾预防尤其是对故障电弧的检测，已成为电气火灾预防的重要任务之一。

目前，市场上故障电弧探测产品良莠不齐，功能指标等也没有统一的规范。电弧探测准确率普遍不高，究其原因主要是无法建立精确的故障电弧模型，导致故障电弧检测方法比较单一。

本发明采用电网模拟器、可编程负载、高性能微处理器、可编程序控制器和高性能计算机构造一种智能型串联故障电弧试验平台，全自动多维度采集故障电弧样本数据，通过深度学习算法训练串联故障电弧识别模型，采用该模型进行串联故障电弧的探测和识别，能够有效提高串联故障电弧识别的准确率。

有授权公告号CN102331536B，授权公告日2013年5月1日，名称为《故障电弧可控模拟发生装置》的中国发明专利。该专利所发明的装置采用可控电极模拟故障电弧的发生并对电弧电压和电流进行采样检测。该方法不能改变负载回路的电压和电流，只能针对单一电压条件下的故障电弧特性进行检测试验，虽能对故障电弧的性能进行检测，但无法实现多变量、多样本数据的自动检测。

有授权公告号CN101696986B，授权公告日2012年6月13日，名称为《故障电弧检测方法及保护装置》的中国发明专利。该专利的故障电弧检测方法是先对电流信号进行采样，再从采样信号中分离出高频部分，然后通过检测该高频部分的能量突变来识别电弧。该方法仅针对阻性负载的直流故障电弧检测，无法改变负载的性质，且不能做到负载的连续调节。

有授权公告号CN105425118B，授权公告日2018年9月4日，名称为《一种多信息融合故障电弧检测方法及装置》的中国发明专利。该专利发明了一种故障电弧模拟试验平台，通过采集和分析不同负载时的正常工作状态和故障电弧状态时的电流波形数据，提取两者的特性差异并通过超闭球CMAC神经网络算法来进行故障电弧的特征提取。该发明装置的试验平台功能单一，无法对电网参数如电能质量指标等进行调节，所采用的CMAC神经网络无法进行深度学习。

有授权公告号CN103513148B，授权公告日2016年3月30日，名称为《一种故障电弧模拟发生装置及方法》的中国发明专利。该专利所发明的故障电弧模拟发生装置可以通过步进电机改变固定电极和可动电极间的间隙大小，能够完成故障电弧的发生，但不包括电弧数据采集与分析环节，也无法实现多变量数据的自动采集和样本提取，该专利也没有对故障电弧的判据加以说明。

有授权公告号CN103728509B，授权公告日2016年5月25日，名称为《一种故障电弧信号模拟发生装置》的中国发明专利。该专利发明的故障电弧信号采集装置由电流采集电路和电压采集电路组成，电流采集电路包括电流互感器、低通滤波器和放大电路，的电压采集电路包括用于采集电弧发生装置两端电压信号和市电同步信号的电压互感器，可以对故障电弧信号进行数字化处理。该发明的中央处理器及控制单元包括人机交互的指令输入和显示装置、故障电弧样本存储器和屏蔽负载存储器、数字合成单元和模数转换器等。该装置在一定程度上可以解决变负载电弧发生与电弧数据采集的功能，但是仍然存在有缺陷，即该装置的负载性质单一，无法做到阻(R)、感(L)、容(C)性负载的连续调节，也不能对所采集的样本数据进行深度学习训练，因此无法满足人工智能时代对故障电弧科研研究的需求。

有2018年7月发表在《工矿自动化》第44卷第7期第66至69页，题目为《串联型故障电弧模拟实验装置研制》的论文。该论文设计了一种串联型故障电弧模拟实验装置，所设计的实验装置包括数据采集卡、上位机、电源、负载和触头分离模块等。动触头由步进电机带动达到触头间隙可控的目的，电弧电压、电弧电流等数据经调理模块后通过数据采集卡传输至上位机显示和存储。通过该实验装置可以模拟故障电弧的发生并进行电弧数据采集，可以用该装置进行串联型故障电弧的特性实验，但是也存在明显的缺陷，主要体现在：第一，该模拟实验装置的可变负载性质单一，无法实现电阻、电感、电容(RLC)的任意组合调节，无法用其进行不同性质负载下故障电弧特性的研究；第二，该模拟实验装置电源为非可编程电源，无法针对不同电能质量条件下的故障电弧特征进行研究；第三，该模拟实验装置的故障电弧判据单一，仅根据故障电弧发生时的电压和电流信号波形进行判断，漏判率和误判率较高。综上，该论文所设计的故障电弧模拟实验装置，技术上具有一定的先进行，但故障电弧发生方法自动化程度低，故障电弧判据单一，无法适应大数据与人工智能时代对故障电弧探测和研究的需求。

综上，现有的串联型故障电弧试验平台均未实现故障电弧发生与数据采集的智能化，在故障电弧探测方法上也未采用深度学习与人工智能方法来学习和训练串联型故障电弧模型，普遍具有故障电弧探测和识别的盲点，故障电弧探测和识别的准确性和可靠性普遍较低。

发明内容

鉴于上述问题，本发明的目的是提供一种基于深度学习的串联型故障电弧试验平台及其试验方法，以解决现有串联型故障电弧试验平台功能单一，无法自主训练故障电弧模型的问题。

本发明提供的基于深度学习的串联型故障电弧试验平台，其特征在于，包括串联型故障电弧发生器、电网模拟器、RLC可编程负载、可编程序控制器、数据采集处理器和深度学习计算机；其中，串联型故障电弧发生器通过电缆串联于电网模拟器和RLC可编程负载之间，构成试验电源与负载调节回路；串联型故障电弧发生器包括透明封闭壳体、直线滑台、石墨固定电极、可动铜电极、弧压传感器、电流互感器、弧光传感器、步进电机和旋转编码器；石墨固定电极固定在直线滑台的非移动台面上；可动铜电极固定在直线滑台的移动台面上；电流互感器安装在可动铜电极上；弧压传感器固定在串联型故障电弧发生器的底座上；弧光传感器固定在透明封闭壳体的侧壁上，且正对石墨固定电极、可动铜电极的接触面；步进电机与旋转编码器同轴安装在直线滑台的侧面，用于驱动直线滑台的移动台面移动；电网模拟器通过通信电缆与深度学习计算机的RS485总线接口相连接，用于根据深度学习计算机的指令调节电源参数；RLC可编程负载通过通信电缆与深度学习计算机的RS485总线接口相连接，用于根据深度学习计算机的指令调节负载的大小；可编程序控制器通过步进电机接口与步进电机和旋转编码器相连接，以及通过通信电缆与深度学习计算机的RS485总线接口相连接，用于根据深度学习计算机的指令控制可动铜电极的移动，调节可动铜电极与石墨固定电极之间的间隙；数据采集处理器通过信号电缆分别与弧压传感器、电流互感器、弧光传感器连接，以及通过通信电缆与深度学习计算机的RS485总线接口相连接，用于采集故障电弧参数，并上传至深度学习计算机；深度学习计算机用于存储故障电弧参数形成样本数据，并对该样本数据进行分类，同时对该样本数据进行串联型故障电弧模型的训练。

此外，优选的结构是，串联型故障电弧发生器还包括高清摄像头，高清摄像头位于透明封闭壳体的顶部，正对石墨固定电极、可动铜电极的接触面，数据采集处理器通过信号电缆与高清摄像头连接，用于采集视频数据。

本发明提供的基于深度学习的串联型故障电弧试验方法，包括如下步骤：

步骤S1：开启深度学习计算机，自动完成电网模拟器、RLC可编程负载、可编程序控制器和数据采集处理器的初始化工作；

步骤S2：通过深度学习计算机设定试验参数和深度学习模型的学习参数；其中，试验参数包括样本采集总次数、电源调节范围、负载调节范围、调节频度，学习参数包括隐藏层层数训练范围m、隐藏层神经元个数训练范围n、训练样本个数和评估样本个数p；

步骤S3：通过电网模拟器调节电源参数及通过RLC可编程负载调节负载大小，完成样本数据的采集；

步骤S4：分别对每个隐藏层1-n个节点，隐藏层数1-m层，采用s个训练样本进行训练，直到训练结果正确率达到0.98以上，自动停止训练；

步骤S5：输出训练结果的权值矩阵，重新构建深度学习模型，调取样本数据中的p个评估样本，对重建的深度学习模型进行评估，在评估故障电弧识别率达到0.95以上时结束试验，输出结果并转换输出模型的C语言程序。

本发明的有益效果为：可以完成不同负载性质、电源电能质量、电极间隙等因素变化前提下的电弧参数样本采集，并通过深度学习算法构造串联型故障电弧识别模型，以提高串联型故障电弧探测和识别的准确性，弥补此类产品的市场空白。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明：

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为本发明实施例的串联型故障电弧试验平台的逻辑结构图；

图2为本发明实施例的串联型故障电弧发生器的结构图；

图3为本发明实施例的串联型故障电弧试验方法的流程图；

图4为本发明实施例的深度学习模型的结构图。

其中的附图标记包括：1-串联型故障电弧发生器、2-电网模拟器3、-RLC可编程负载、4-可编程序控制器、5-数据采集处理器、6-深度学习计算机、101-透明封闭壳体、102-直线滑台、-石墨固定电极103、104-可动铜电极、105-弧压传感器、106-电流互感器、107-弧光传感器、109-步进电机、110-旋转编码器。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1示出了本发明实施例的基于深度学习的串联型故障电弧试验平台的结构。

如图1所示，本发明提供的基于深度学习的串联型故障电弧试验平台，包括：串联型故障电弧发生器1、电网模拟器2、RLC可编程负载3、可编程序控制器4、数据采集处理器5和深度学习计算机6，串联型故障电弧发生器1通过电缆串联于电网模拟器2和RLC可编程负载3之间，构成试验电源与负载调节回路。

图2示出了本发明实施例的串联型故障电弧发生器的结构。

如图1和图2共同所示，串联型故障电弧发生器1包括透明封闭壳体101、直线滑台102、石墨固定电极103、可动铜电极104、弧压传感器105、电流互感器106、弧光传感器107、步进电机109和旋转编码器110；石墨固定电极103固定在直线滑台102的非移动台面上；可动铜电极104固定在直线滑台102的移动台面上；电流互感器106安装在可动铜电极104上；弧压传感器105固定在串联型故障电弧发生器1的底座上；弧光传感器107固定在透明封闭壳体101的侧壁上，且正对石墨固定电极103、可动铜电极104的接触面；步进电机109与旋转编码器110同轴安装在直线滑台102的侧面，用于驱动直线滑台102的移动台面移动。

电网模拟器2通过通信电缆与深度学习计算机6的RS485总线接口相连接，用于根据深度学习计算机6的指令调节电源参数。

RLC可编程负载3通过通信电缆与深度学习计算机6的RS485总线接口相连接，用于根据深度学习计算机6的指令调节负载的大小。

可编程序控制器4通过步进电机接口与步进电机109和旋转编码器110相连接，以及通过通信电缆与深度学习计算机6的RS485总线接口相连接，用于根据深度学习计算机6的指令控制可动铜电极104的移动，调节可动铜电极104与石墨固定电极103之间的间隙。

数据采集处理器5通过信号电缆分别与弧压传感器105、电流互感器106、弧光传感器107连接，以及通过通信电缆与深度学习计算机6的RS485总线接口相连接，用于采集故障电弧参数，并上传至深度学习计算机6。

深度学习计算机6用于存储故障电弧参数形成样本数据，并对该样本数据进行分类，同时对该样本数据进行串联型故障电弧模型的训练。

串联型故障电弧发生器1还包括高清摄像头108，高清摄像头108位于透明封闭壳体101的顶部，正对石墨固定电极103、可动铜电极104的接触面，数据采集处理器5通过信号电缆与高清摄像头108连接，用于采集视频数据。

上述内容详细说明了本发明提供的基于深度学习的串联型故障电弧试验平台的结构，与该基于深度学习的串联型故障电弧试验平台相对应，本发明还提供一种基于深度学习的串联型故障电弧试方法。

图3示出了本发明实施例的串联型故障电弧试验方法的流程。

如图3所示，本发明提供的基于深度学习的串联型故障电弧试验方法，包括如下步骤：

步骤S1：开启深度学习计算机，自动完成电网模拟器、RLC可编程负载、可编程序控制器和数据采集处理器的初始化工作。

步骤S2：通过深度学习计算机设定试验参数和深度学习模型的学习参数；其中，试验参数包括样本采集总次数、电源调节范围、负载调节范围、调节频度，学习参数包括隐藏层层数训练范围m、隐藏层神经元个数训练范围n、训练样本个数和评估样本个数p。

深度学习模型如图4所示，主要包括1个输入层、J个隐藏层和1个输出层，输入层由5个神经元构成，输入信号分别为电压、电流、3次谐波、5次谐波和总谐波；隐藏层层数范围和节点数由用户通过试验软件界面输入确定，其输出结果传递给下一隐藏层，直至传递到输出层；输出层由1个神经元节点构成，隐藏层的输出为是否发生电弧，其值大于0.5为有电弧发生，其值小于等于0.5为无电弧发生。

步骤S3：通过电网模拟器调节电源参数及通过RLC可编程负载调节负载大小，完成样本数据的采集。

样本数据的生成过程为：由深度学习计算机向可编程序控制器、数据采集处理器、电网模拟器和RLC可编程负载发布调节命令，改变电源和负载，可编程序控制器调节电极间隙，直到数据采集处理器检测到弧光信号，存储当前参数并上传至深度学习计算机形成样本数据并加以存储。如此反复，直至生成设定条数的样本数据。

步骤S4：分别对每个隐藏层1-n个节点，隐藏层数1-m层，采用s个训练样本进行训练，直到训练结果正确率达到0.98以上，自动停止训练。

深度学习模型在试验过程中进行调节的参数为隐藏层数层数和隐藏层节点数量，采用试验第一部分采集的故障电弧样本数据对模型加以训练，直至输出结果达到0.98以上，结束训练。

步骤S5：输出训练结果的权值矩阵，重新构建深度学习模型，调取样本数据中的p个评估样本，对重建的深度学习模型进行评估，在评估故障电弧识别率达到0.95以上时结束试验，输出结果并转换输出模型的C语言程序。

本本发明未详述之处，均为本技术领域技术人员的公知技术。根据本发明的一种基于深度学习的串联型故障电弧试验平台及其试验方法，可将高温下测试油浸纸绝缘介电谱数据归算至低温，对评估低温下油浸纸绝缘设备绝缘老化状态的评估具有重要意义。

Claims (3)

1.一种基于深度学习的串联型故障电弧试验平台，其特征在于，包括串联型故障电弧发生器(1)、电网模拟器(2)、RLC可编程负载(3)、可编程序控制器(4)、数据采集处理器(5)和深度学习计算机(6)；其中，

所述串联型故障电弧发生器(1)通过电缆串联于所述电网模拟器(2)和所述RLC可编程负载(3)之间，构成试验电源与负载调节回路；所述串联型故障电弧发生器(1)包括透明封闭壳体(101)、直线滑台(102)、石墨固定电极(103)、可动铜电极(104)、弧压传感器(105)、电流互感器(106)、弧光传感器(107)、步进电机(109)和旋转编码器(110)；所述石墨固定电极(103)固定在所述直线滑台(102)的非移动台面上；所述可动铜电极(104)固定在所述直线滑台(102)的移动台面上；所述电流互感器(106)安装在所述可动铜电极(104)上；所述弧压传感器(105)固定在所述串联型故障电弧发生器(1)的底座上；所述弧光传感器(107)固定在所述透明封闭壳体(101)的侧壁上，且正对所述石墨固定电极(103)、所述可动铜电极(104)的接触面；所述步进电机(109)与所述旋转编码器(110)同轴安装在所述直线滑台(102)的侧面，用于驱动所述直线滑台(102)的移动台面移动；

所述电网模拟器(2)通过通信电缆与深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令调节电源参数；

RLC可编程负载(3)通过通信电缆与深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令调节负载的大小；

所述可编程序控制器(4)通过步进电机接口与所述步进电机(109)和所述旋转编码器(110)相连接，以及通过通信电缆与所述深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令控制所述可动铜电极(104)的移动，调节所述可动铜电极(104)与所述石墨固定电极(103)之间的间隙；

所述数据采集处理器(5)通过信号电缆分别与所述弧压传感器(105)、所述电流互感器(106)、所述弧光传感器(107)连接，以及通过通信电缆与所述深度学习计算机(6)的RS485总线接口相连接，用于采集故障电弧参数，并上传至所述深度学习计算机(6)；

所述深度学习计算机(6)用于存储故障电弧参数形成样本数据，并对该样本数据进行分类，同时对该样本数据进行串联型故障电弧模型的训练。

2.根据权利要求1所述的基于深度学习的串联型故障电弧试验平台，其特征在于，所述串联型故障电弧发生器(1)还包括高清摄像头(108)，所述高清摄像头(108)位于所述透明封闭壳体(101)的顶部，正对所述石墨固定电极(103)、所述可动铜电极(104)的接触面，所述数据采集处理器(5)通过信号电缆与所述高清摄像头(108)连接，用于采集视频数据。

3.权利要求1所述的一种基于深度学习的串联型故障电弧试验方法，包括如下步骤：

步骤S1：开启深度学习计算机，自动完成电网模拟器、RLC可编程负载、可编程序控制器和数据采集处理器的初始化工作；

步骤S2：通过所述深度学习计算机设定试验参数和深度学习模型的学习参数；其中，所述试验参数包括样本采集总次数、电源调节范围、负载调节范围、调节频度，所述学习参数包括隐藏层层数训练范围m、隐藏层神经元个数训练范围n、训练样本个数和评估样本个数p；

步骤S3：通过电网模拟器调节电源参数及通过RLC可编程负载调节负载大小，完成样本数据的采集；

步骤S4：分别对每个隐藏层1-n个节点，隐藏层数1-m层，采用s个训练样本进行训练，直到训练结果正确率达到0.98以上，自动停止训练；

步骤S5：输出训练结果的权值矩阵，重新构建深度学习模型，调取所述样本数据中的p个评估样本，对重建的深度学习模型进行评估，在评估故障电弧识别率达到0.95以上时结束试验，输出结果并转换输出模型的C语言程序。