CN110320452A - 一种串联故障电弧检测方法 - Google Patents

一种串联故障电弧检测方法 Download PDF

Info

Publication number
CN110320452A
CN110320452A CN201910583410.6A CN201910583410A CN110320452A CN 110320452 A CN110320452 A CN 110320452A CN 201910583410 A CN201910583410 A CN 201910583410A CN 110320452 A CN110320452 A CN 110320452A
Authority
CN
China
Prior art keywords
template
vector group
vector
convolution
mapping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910583410.6A
Other languages
English (en)
Inventor
杨艺
黄高路
余琼芳
赵来军
张素妍
胡亚倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201910583410.6A priority Critical patent/CN110320452A/zh
Publication of CN110320452A publication Critical patent/CN110320452A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Locating Faults (AREA)

Abstract

本发明提供一种串联故障电弧检测方法，包括如下步骤：根据采集得到的低压供配电系统中的电流信号，将低压供配电系统中产生的电弧分类为可能的故障电弧与可能的非故障电弧；采用深度卷积神经网络方法对可能的故障电弧与可能的非故障电弧进行识别，确定非故障电弧或故障电弧。本发明所述串联故障电弧检测方法具有准确度高的特点，可广泛应用于电弧检测领域。

Description

一种串联故障电弧检测方法
技术领域
本发明涉及检测技术，特别提供了一种串联故障电弧检测方法。
背景技术
随着科技发展与人民生活水平的提高，电能成为生产、生活不可或缺的资源，而且用电负荷逐年攀升。随着用电量的急速增加，电气安全问题也随之而来。据公安部消防局网站火灾统计资料显示，每年由电弧引发的火灾占全年火灾总数的30％左右。电弧是指电极间气隙被击穿后，电极由绝缘体变成导电体并伴随着发出高温、强光等的自持放电现象。通常，电弧心温度能达到5000℃～15000℃。在低压家用供配电系统中，电弧一般分为正常电弧与故障电弧两类。正常电弧持续时间短且发生位置固定，不会产生危险，比如，开关动作或者拔插插销时产生的电弧或电火花。故障电弧是由于绝缘老化、接触松动、灰尘堆积等原因引起的会产生危险的电话。实际上，故障电弧是低压家用供配电系统中引发电气火灾的主要原因之一。
目前，现有的电气保护设备可对并联故障电弧进行有效检测，而无法对串联故障电弧进行有效检测。为此，各国学者与科研人员采用各种方法对故障电弧检测开展深入细致的研究，比如，采用数学模型、电磁辐射、小波分析、神经元网络、基于向量机的故障识别、K邻近算法等方法进行故障电弧的检测。虽然上述故障电弧检测方法能在一定程度上提高故障电弧检测的精度，但是这些方法的检测精度均不够高。
由此可见，现有技术中，故障电弧检测方法的检测精度均比较低。
发明内容
有鉴于此，本发明的主要目的在于提供一种检测精度比较高的串联故障电弧检测方法。
为了达到上述目的，本发明提出的技术方案为：
一种串联故障电弧检测方法，包括如下步骤：
步骤1、根据采集得到的低压供配电系统中的电流信号，将低压供配电系统中产生的电弧分类为可能的故障电弧与可能的非故障电弧：
步骤2、采用深度卷积神经网络方法对可能的故障电弧与可能的非故障电弧进行识别，确定非故障电弧或故障电弧。
综上所述，本发明所述串联故障电弧检测方法通过对低压供配电系统中的电流信号的检测，根据这些电流信号的特点，将低压供配电系统中的电弧分为可能的故障电弧与可能的非故障电弧；并根据深度卷积神经网络识别后，最终确定上述可能的故障电弧是否为确定的故障电弧，上述可能的非故障电弧是否为确定的非故障电弧。经过很多次的训练、实验，表明：本发明所述串联故障电弧检测方法检测正确率在95％～99％，甚至有时候会达到99％以上。由此可知，本发明所述串联故障电弧检测方法的检测精度很高。
附图说明
图1为本发明所述串联故障电弧检测方法的总体流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明所述串联故障电弧检测方法的总体流程示意图。如图1所示，本发明所述一种串联故障电弧检测方法，包括如下步骤：
步骤1、根据采集得到的低压供配电系统中的电流信号，将低压供配电系统中产生的电弧分类为可能的故障电弧与可能的非故障电弧。
步骤2、采用深度卷积神经网络方法对可能的故障电弧与可能的非故障电弧进行识别，确定非故障电弧或故障电弧。
总之，本发明所述串联故障电弧检测方法通过对低压供配电系统中的电流信号的检测，根据这些电流信号的特点，将低压供配电系统中的电弧分为可能的故障电弧与可能的非故障电弧；并根据深度卷积神经网络识别后，最终确定上述可能的故障电弧是否为确定的故障电弧，上述可能的非故障电弧是否为确定的非故障电弧。经过很多次的训练、实验，表明：本发明所述串联故障电弧检测方法检测正确率在95％～99％，甚至有时候会达到99％以上。由此可知，本发明所述串联故障电弧检测方法的检测精度很高。
本发明中，所述步骤1包括如下具体步骤：
步骤11、以采样周期T＝0.00002秒的采样率，对低压供配电系统中的电流信号进行数据采集，并将每段时长为0.2秒的采集数据作为一组；一组采集数据对应时长为0.2秒的一段电流信号。
步骤12、对每段电流信号按其自身周期进行检测、计数：当一段电流信号包含8个以上的带噪正弦信号半波时，则将该段电流信号作为可能的故障电弧；当一段电流信号包含为7个以下的带噪正弦信号半波时，则将该段电流信号作为可能的非故障电弧。
本发明中，所述步骤2具体包括如下步骤：
步骤21、建立基于卷积神经网络方法的深度学习网络，依次包括：第一层、第二层、第三层、第四层、第五层、第六层；其中，第一层包括第一卷积子层、第一池化子层、第一归一化子层、第一模型组合子层；第二层包括第二卷积子层、第二池化子层、第二归一化子层、第二模型组合子层；第三层包括第三卷积子层，第四层包括第四卷积子层，第五层包括第五卷积子层、第三池化子层、第三归一化子层、第三模型组合子层；第六层包括第一全连接子层、第二全连接子层和第三全连接子层。
步骤22、将每组采集数据作为一个初始向量输入深度学习网络，依次进行第一重处理、第二重处理、第三重处理、第四重处理、第五重处理、第六重处理，同时进行自学习校正，确定非故障电弧或故障电弧；其中，第一重处理包括第一卷积处理、第一池化处理、第一归一化处理、第一模型组合处理，第二重处理包括第二卷积处理、第二池化处理、第二归一化处理、第二模型组合处理，第三重处理包括第三卷积处理，第四重处理包括第四卷积处理，第五重处理包括第五卷积处理、第三池化处理、第三归一化处理、第三模型组合处理；第六重处理包括第一分类化处理、第二分类化处理、第三分类化处理；其中，所述初始向量包括10000个向量元；其中，I0表示初始输入。
步骤23、在步骤22进行上述各种处理的同时，沿着从第六层依次到第一层的方向，基于卷积神经网络方法的深度学习网络进行自学习校正处理。
本发明步骤22中，所述第一卷积处理具体包括如下步骤：
步骤111、设定第一模板Mk的数量j、每个第一模板的尺寸m1×n1、第一模板的滑动步长d1；其中，j＝48或64，m1×n1＝3×1，d1＝1，第一模板序数k＝1，2，...，j，且j、m1、n1、d1、k均为自然数。
步骤112、对初始向量进行增补，得到初始增补向量
步骤113、采用各第一模板Mk，对初始增补向量通过模板卷积方式进行特征提取，并将得到的j个第一特征向量分别作为行向量构成第一特征向量组：
其中，增补向量包含的元素数i＝1，2，...，10002，第一模板Mk卷积步数l＝1，2，...，10000，且i、l为自然数；为第一模板Mk对初始向量进行卷积运算时第l步的覆盖范围；为第一模板Mk第u1行第v1列的权值，为第一模板Mk的偏置量，且均通过自学习校正获得；其中，且u1＝1，2，3、v1＝1；I1表示第一卷积。
步骤114、对步骤113得到的第一特征向量组分别进行线性整流(ReLU，RectifiedLinear Unit)映射，得到第一映射向量组：
其中，RI1表示第一映射输出。
本发明步骤22中，所述第一池化处理具体为：
步骤121、设定第二模板N中的所有权值均为1，第二模板N的尺寸m2×n2、第二模板滑动步长d2；其中，m2×n2＝5×1，d2＝5，且m2、n2、d2均为自然数。
步骤122、采用第二模板N对步骤114得到的所述第一映射向量组进行最大值提取，将对应得到的j个第二特征向量分别作为行向量构成第二特征向量组：
其中，I2表示第一池化输出；为第k个第一映射向量被第二模板N第r步的覆盖范围，r＝1，2，...，2000，且r为自然数。
本发明步骤22中，所述第一归一化处理具体为：
步骤131、设置偏置量a＝1、特征系数α＝0.0001、归一化指数β＝0.75、相邻向量个数h＝8。
步骤132、对步骤122中得到的所述第二特征向量组进行归一化处理，将对应得到的j个第三特征向量分别作为行向量构成第三特征向量组：
其中，I3表示第一归一化输出； 表示第二特征向量组的第r个列向量中由动态范围(max(0，k-h/2)，min(j，k+h/2))确定的各元素进行平方和运算。
本发明步骤22中，所述第一模型组合处理具体为：
步骤141、对步骤132得到所述第三特征向量组进行伯努利处理，将对应得到的j个第四特征向量分别作为行向量构成第四特征向量组：
其中，伯努利概率值θ＝0.2，I4表示第一模型组合处理输出，且
本发明步骤22中，所述第二卷积处理具体包括如下步骤：
步骤211、设定第三模板Pc的数量t、每个第三模板的尺寸m3×n3、第三模板滑动步长d3；其中，t＝48或64，m3×n3＝3×1，d3＝1，且t、m3、n3、d3均为自然数。
步骤212、对所述第四特征向量组进行增补，得到第四增补向量组：
步骤213、采用各第三模板Pc，对第四增补向量组通过模板卷积方式进行特征提取，将对应得到的t个第五特征向量分别作为行向量构成第五特征向量组：
其中，第三模板序数c＝1，2，...；为第三模板Pc对第四增补向量组进行卷积运算时第r步的覆盖范围；为第三模板Pc第u3行第v3列的权值，为第三模板Pc的偏置量，且均通过自学习校正获得；且u3＝1，2，3、v3＝1，c、u3、v3为自然数；J1表示第二卷积。
步骤213中，第五特征向量组中的各元素是对第四增补向量组进行卷积处理后，又进行了一次求和，可以进一步提高本发明所述串联故障电弧检测方法的检测准确度。
步骤214、对步骤213得到的第五特征向量组进行ReLU映射，得到第五映射向量组：
其中，RJ1表示第五映射输出。
本发明步骤22中，所述第二池化处理具体为：
步骤221、设定第四模板Q中的所有权值均为1，第四模板Q的尺寸m4×n4、第四模板滑动步长d4；其中，m4×n4＝5×1，d4＝5，且m4、m4、d4均为自然数。
步骤222、采用的第四模板Q对步骤214得到的所述第五映射向量组以行向量的形式进行最大值提取，将对应得到的t个第六特征向量分别作为行向量构成第六特征向量组：
其中，第四模板Q卷积步数w＝1，2，...，400，且w为自然数； 为第五特征向量组被第四模板Q第w步的覆盖范围；J2表示第二池化输出。
步骤22中，所述第二归一化处理具体为：
步骤231、根据所述步骤131设定的各参数，对步骤222中得到的所述第六特征向量组进行归一化处理，对应得到第七特征向量组：
其中，J3表示第二归一化输出；
本发明步骤22中，所述第二模型组合处理具体为：
步骤241、对步骤231得到的第七特征向量组进行伯努利处理，对应得到第八特征向量组：
其中，J4表示第二模型组合处理输出。
本发明步骤22中，所述第三卷积处理具体包括如下步骤：
步骤311、设定第五模板SE的数量b、每个第五模板的尺寸m5×n5、第五模板滑动步长d5；其中，b＝48或64，m5×n5＝3×1，d5＝1，且b、m5、n5、d5均为自然数。
步骤312、对所述第八特征向量组进行增补，得到第八增补向量组：
步骤313、采用各第五模板SE，对第八增补向量组通过卷积方式进行特征提取，将对应得到的b个第九特征向量分别作为行向量构成第九特征向量组：
其中，第五模板SE序数e＝1，2，...，b；为第五模板SE对第八增补向量组进行卷积运算时第w步的覆盖范围；为第c个第五模板SE第u5行第v5列的权值，为第五模板SE的偏置量，且均通过自学习校正获得，u5＝1，2，3、v5＝1，e、w、u5、v5为自然数；K1表示第三卷积。
步骤313中，第九特征向量组中的各元素是对第八增补向量组进行卷积处理后，又进行了一次求和，可以进一步提高本发明所述串联故障电弧检测方法的检测准确度。
步骤314、对步骤313得到的第九特征向量组进行ReLU映射，得到第十映射向量组：
其中，RK1表示第十映射输出。
本发明步骤22中，所述第四卷积处理具体包括如下步骤：
步骤411、设定第六模板TF的数量g、每个第六模板的尺寸m6×n6、第六模板滑动步长d6；其中，g＝48或64，m6×n6＝3×1，d6＝1，且g、m6、n6、d6均为自然数。
步骤412、对所述第十映射向量组进行增补，得到第十增补向量组：
步骤413、采用各第六模板TF，对第十增补向量组通过卷积方式进行特征提取，将对应得到的g个第十一特征向量作为行向量构成第十一特征向量组：
其中，第六模板TF序数f＝1，2，...，g，为第f个第六模板TF对第十增补向量组进行卷积运算时第w步的覆盖范围；为第f个第六模板TF第u6行第v6列的权值，为第六模板TF的偏置量，均通过自学习校正获得，u6＝1，2，3、v6＝1，f、u6、v6为自然数；L1表示第四卷积。
步骤414、对步骤413得到的第十一特征向量组分别进行ReLU映射，得到第十一映射向量组：
其中，RL1表示第十一映射输出。
本发明步骤22中，所述第五卷积处理具体包括如下步骤：
步骤511、设定第七模板UD的数量q、每个第七模板的尺寸m7×n7、第七模板滑动步长d7；其中，q＝48或64，m7×n7＝3×1，d7＝1，且q、m7、n7、d7均为自然数。
步骤512、对所述第十一映射向量组进行增补，得到第十一增补向量组：
步骤513、采用各第七模板UD，对所述第十一增补向量组通过卷积方式进行特征提取，将对应得到的q个第十二特征向量作为行向量构成第十二特征向量组：
其中，第七模板UD序数d＝1，2，...，q，为第d个第七模板UD对第十一增补向量组进行卷积运算时第w步的覆盖范围；为第d个第七模板UD第u7行第v7列的权值，为第七模板UD的偏置量， 均通过自学习校正获得，u7＝1，2，3、v7＝1，q、u7、v7为自然数；W1表示第五卷积。
步骤513中，第十二特征向量组中的各元素是对第十一增补向量组进行卷积处理后，又进行了一次求和，可以进一步提高本发明所述串联故障电弧检测方法的检测准确度。
步骤514、对步骤513得到的个第十二特征向量组分别进行ReLU映射，得到第十二映射向量组：
其中，RW1表示第十二映射输出。
本发明步骤22中，所述第三池化处理具体为：
步骤521、设定第八模板T中的所有权值均为1，第八模板的尺寸m8×n8、第八模板滑动步长d8；其中，m8×n8＝5×1，d8＝5，且m8、n8、d8均为自然数。
步骤522、采用的第八模板T对步骤514得到的第十二映射向量组进行最大值提取，对应得到第十三特征向量组：
其中，第八模板T卷积步数z＝1，2，...，80，z为自然数； 为所述第十二映射向量组被第八模板T第z步的覆盖范围；W2表示第二池化输出。
步骤22中，所述第三归一化处理具体为：
步骤531、根据所述步骤131设定的各参数，对步骤522中得到的第十三映射向量组进行归一化处理，对应得到第十四特征向量组：
其中，W3表示第三归一化输出；
本发明步骤22中，所述第三模型组合处理具体为：
步骤541、对步骤531得到的第十四特征向量组进行伯努利处理，对应得到第十五特征向量组：
其中，K4表示第三模型组合处理输出，
本发明步骤22中，所述第一分类化处理具体包括：
步骤611、将步骤541得到的所述第十五特征向量组，同时按照q从小到大的排列顺序，将第十四特征向量组中的各行向量首尾相连，得到一个初始状态向量其中，O1表示第一全链接子层；初始状态向量中的元素序数y＝1，2，…，q×80，y为自然数。
步骤612、设置个第一权值向量其中，为自然数。
步骤613、对初始状态向量与第一权值向量进行第一加权处理，得到第一全链接向量其中，第一加权偏置量通过自学习校正获得。
步骤614、对第一全链接向量进行ReLU映射，得到第一输出向量其中，RO1表示第一全链接输出；
本发明步骤22中，所述第二分类化处理具体包括：
步骤621、设置个第二权值向量其中，为自然数，O2表示第二全链接子层。
步骤622、对将步骤614得到的第一输出向量与第二权值向量进行第二加权处理，得到第二全链接向量其中， 通第二加权偏置量过自学习校正获得。
步骤623、对第二全链接向量进行ReLU映射，得到第二输出向量其中，RO2表示第二全链接输出；
本发明步骤22中，所述第三分类化处理具体包括：
步骤631、设置2个第三权值向量其中，π＝1、2，π为自然数；O3表示第三全链接子层。
步骤632、对将步骤623得到的第二输出向量与第三权值向量进行第三加权处理，得到第三全链接向量其中， 第二加权偏置量与均通过自学习校正获得。
步骤633、对第三全链接向量进行指数归一化处理，得到输出分类向量[ζ1 ζ2]；其中，可能的非故障电弧概率可能的故障电弧概率
步骤634、当可能的非故障电弧概率ζ1＞可能的故障电弧概率ζ2时，则所述该段电流信号作为非故障电弧；当可能的非故障电弧概率ζ1＜可能的故障电弧概率ζ2时，则所述该段电流信号作为故障电弧。
本发明中，上述所有涉及到的自学习校正处理为现有技术，此处不再赘述。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种串联故障电弧检测方法，其特征在于，所述方法包括如下步骤：
步骤1、根据采集得到的低压供配电系统中的电流信号，将低压供配电系统中产生的电弧分类为可能的故障电弧与可能的非故障电弧；
步骤2、采用深度卷积神经网络方法对可能的故障电弧与可能的非故障电弧进行识别，确定非故障电弧或故障电弧。
2.根据权利要求1所述的串联故障电弧检测方法，其特征在于，所述步骤1包括如下具体步骤：
步骤11、以采样周期T＝0.00002秒的采样率，对低压供配电系统中的电流信号进行数据采集，并将每段时长为0.2秒的采集数据作为一组；一组采集数据对应时长为0.2秒的一段电流信号；
步骤12、对每段电流信号按其自身周期进行检测、计数：当一段电流信号包含8个以上的带噪正弦信号半波时，则将该段电流信号作为可能的故障电弧；当一段电流信号包含为7个以下的带噪正弦信号半波时，则将该段电流信号作为可能的非故障电弧。
3.根据权利要求2所述的串联故障电弧检测方法，其特征在于，所述步骤2具体包括如下步骤：
步骤21、建立基于卷积神经网络方法的深度学习网络，依次包括：第一层、第二层、第三层、第四层、第五层、第六层；其中，第一层包括第一卷积子层、第一池化子层、第一归一化子层、第一模型组合子层；第二层包括第二卷积子层、第二池化子层、第二归一化子层、第二模型组合子层；第三层包括第三卷积子层，第四层包括第四卷积子层，第五层包括第五卷积子层、第三池化子层、第三归一化子层、第三模型组合子层；第六层包括第一全连接子层、第二全连接子层和第三全连接子层；
步骤22、将每组采集数据作为一个初始向量输入深度学习网络，依次进行第一重处理、第二重处理、第三重处理、第四重处理、第五重处理、第六重处理，同时进行自学习校正，确定非故障电弧或故障电弧；其中，第一重处理包括第一卷积处理、第一池化处理、第一归一化处理、第一模型组合处理，第二重处理包括第二卷积处理、第二池化处理、第二归一化处理、第二模型组合处理，第三重处理包括第三卷积处理，第四重处理包括第四卷积处理，第五重处理包括第五卷积处理、第三池化处理、第三归一化处理、第三模型组合处理；第六重处理包括第一分类化处理、第二分类化处理、第三分类化处理；其中，所述初始向量包括10000个向量元；其中，I0表示初始输入；
步骤23、在步骤22进行上述各种处理的同时，沿着从第六层依次到第一层的方向，基于卷积神经网络方法的深度学习网络进行自学习校正处理。
4.根据权利要求3所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第一卷积处理具体包括如下步骤：
步骤111、设定第一模板Mk的数量j、每个第一模板的尺寸m1×n1、第一模板的滑动步长d1；其中，j＝48或64，m1×n1＝3×1，d1＝1，第一模板序数k＝1，2，...，j，且j、m1、n1、d1、k均为自然数；
步骤112、对初始向量进行增补，得到初始增补向量
步骤113、采用各第一模板Mk，对初始增补向量通过模板卷积方式进行特征提取，并将得到的j个第一特征向量分别作为行向量构成第一特征向量组：
其中，增补向量包含的元素数i＝1，2，...，10002，第一模板Mk卷积步数l＝1，2，...，10000，且i、l为自然数；为第一模板Mk对初始向量进行卷积运算时第l步的覆盖范围；为第一模板Mk第u1行第v1列的权值，为第一模板Mk的偏置量，且均通过自学习校正获得；其中，且u1＝1，2，3、v1＝1；I1表示第一卷积；
步骤114、对步骤113得到的第一特征向量组分别进行ReLU映射，得到第一映射向量组：
其中，RI1表示第一映射输出；
步骤22中，所述第一池化处理具体为：
步骤121、设定第二模板N中的所有权值均为1，第二模板N的尺寸m2×n2、第二模板滑动步长d2；其中，m2×n2＝5×1，d2＝5，且m2、n2、d2均为自然数；
步骤122、采用第二模板N对步骤114得到的所述第一映射向量组进行最大值提取，将对应得到的j个第二特征向量分别作为行向量构成第二特征向量组：
其中，I2表示第一池化输出；为第k个第一映射向量被第二模板N第r步的覆盖范围，r＝1，2，...，2000，且r为自然数；
步骤22中，所述第一归一化处理具体为：
步骤131、设置偏置量a＝1、特征系数α＝0.0001、归一化指数β＝0.75、相邻向量个数h＝8；
步骤132、对步骤122中得到的所述第二特征向量组进行归一化处理，将对应得到的j个第三特征向量分别作为行向量构成第三特征向量组：
其中，I3表示第一归一化输出； 表示第二特征向量组的第r个列向量中由动态范围(max(0，k-h/2)，min(j，k+h/2))确定的各元素进行平方和运算；
步骤22中，所述第一模型组合处理具体为：
步骤141、对步骤132得到所述第三特征向量组进行伯努利处理，将对应得到的j个第四特征向量分别作为行向量构成第四特征向量组：
其中，伯努利概率值θ＝0.2，I4表示第一模型组合处理输出，且
5.根据权利要求4所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第二卷积处理具体包括如下步骤：
步骤211、设定第三模板Pc的数量t、每个第三模板的尺寸m3×n3、第三模板滑动步长d3；其中，t＝48或64，m3×n3＝3×1，d3＝1，且t、m3、n3、d3均为自然数；
步骤212、对所述第四特征向量组进行增补，得到第四增补向量组：
步骤213、采用各第三模板Pc，对第四增补向量组通过模板卷积方式进行特征提取，将对应得到的t个第五特征向量分别作为行向量构成第五特征向量组：
其中，第三模板序数c＝1，2，...t；为第三模板Pc对第四增补向量组进行卷积运算时第r步的覆盖范围；为第三模板Pc第u3行第v3列的权值，为第三模板Pc的偏置量，且均通过自学习校正获得；且u3＝1，2，3、v3＝1，c、u3、v3为自然数；J1表示第二卷积；
步骤214、对步骤213得到的第五特征向量组进行ReLU映射，得到第五映射向量组：
其中，RJ1表示第五映射输出；
步骤22中，所述第二池化处理具体为：
步骤221、设定第四模板Q中的所有权值均为1，第四模板Q的尺寸m4×n4、第四模板滑动步长d4；其中，m4×n4＝5×1，d4＝5，且m4、n4、d4均为自然数；
步骤222、采用的第四模板Q对步骤214得到的所述第五映射向量组以行向量的形式进行最大值提取，将对应得到的t个第六特征向量分别作为行向量构成第六特征向量组：
其中，第四模板Q卷积步数w＝1，2，...，400，且w为自然数； 为第五特征向量组被第四模板Q第w步的覆盖范围；J2表示第二池化输出；
步骤22中，所述第二归一化处理具体为：
步骤231、根据所述步骤131设定的各参数，对步骤222中得到的所述第六特征向量组进行归一化处理，对应得到第七特征向量组：
其中，J3表示第二归一化输出；
步骤22中，所述第二模型组合处理具体为：
步骤241、对步骤231得到的第七特征向量组进行伯努利处理，对应得到第八特征向量组：
其中，J4表示第二模型组合处理输出。
6.根据权利要求5所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第三卷积处理具体包括如下步骤：
步骤311、设定第五模板SE的数量b、每个第五模板的尺寸m5×n5、第五模板滑动步长d5；其中，b＝48或64，m5×n5＝3×1，d5＝1，且b、m5、n5、d5均为自然数；
步骤312、对所述第八特征向量组进行增补，得到第八增补向量组：
步骤313、采用各第五模板SE，对第八增补向量组通过卷积方式进行特征提取，将对应得到的b个第九特征向量分别作为行向量构成第九特征向量组：
其中，第五模板SE序数e＝1，2，...，b；为第五模板SE对第八增补向量组进行卷积运算时第w步的覆盖范围；为第c个第五模板SE第u5行第v5列的权值，为第五模板SE的偏置量，且均通过自学习校正获得，u5＝1，2，3、v5＝1，e、w、u5、v5为自然数；K1表示第三卷积；
步骤314、对步骤313得到的第九特征向量组进行ReLU映射，得到第十映射向量组：
其中，RK1表示第十映射输出。
7.根据权利要求6所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第四卷积处理具体包括如下步骤：
步骤411、设定第六模板TF的数量g、每个第六模板的尺寸m6×n6、第六模板滑动步长d6；其中，g＝48或64，m6×n6＝3×1，d6＝1，且g、m6、n6、d6均为自然数；
步骤412、对所述第十映射向量组进行增补，得到第十增补向量组：
步骤413、采用各第六模板TF，对第十增补向量组通过卷积方式进行特征提取，将对应得到的g个第十一特征向量作为行向量构成第十一特征向量组：
其中，第六模板TF序数f＝1，2，...，g，为第f个第六模板TF对第十增补向量组进行卷积运算时第w步的覆盖范围；为第f个第六模板TF第u6行第v6列的权值，为第六模板TF的偏置量，均通过自学习校正获得，u6＝1，2，3、v6＝1，f、u6、v6为自然数；L1表示第四卷积；
步骤414、对步骤413得到的第十一特征向量组分别进行ReLU映射，得到第十一映射向量组：
其中，RL1表示第十一映射输出。
8.根据权利要求7所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第五卷积处理具体包括如下步骤：
步骤511、设定第七模板UD的数量q、每个第七模板的尺寸m7×n7、第七模板滑动步长d7；其中，q＝48或64，m7×n7＝3×1，d7＝1，且q、m7、n7、d7均为自然数；
步骤512、对所述第十一映射向量组进行增补，得到第十一增补向量组：
步骤513、采用各第七模板UD，对所述第十一增补向量组通过卷积方式进行特征提取，将对应得到的q个第十二特征向量作为行向量构成第十二特征向量组：
其中，第七模板UD序数d＝1，2，...，q，为第d个第七模板UD对第十一增补向量组进行卷积运算时第w步的覆盖范围；为第d个第七模板UD第u7行第v7列的权值，为第七模板UD的偏置量， 均通过自学习校正获得，u7＝1，2，3、v7＝1，q、u7、v7为自然数；W1表示第五卷积；
步骤514、对步骤513得到的个第十二特征向量组分别进行ReLU映射，得到第十二映射向量组：
其中，RW1表示第十二映射输出；
步骤22中，所述第三池化处理具体为：
步骤521、设定第八模板T中的所有权值均为1，第八模板的尺寸m8×n8、第八模板滑动步长d8；其中，m8×n8＝5×1，d8＝5，且m8、n8、d8均为自然数；
步骤522、采用的第八模板T对步骤514得到的第十二映射向量组进行最大值提取，对应得到第十三特征向量组：
其中，第八模板T卷积步数z＝1，2，...，80，z为自然数； 为所述第十二映射向量组被第八模板T第z步的覆盖范围；W2表示第二池化输出；
步骤22中，所述第三归一化处理具体为：
步骤531、根据所述步骤131设定的各参数，对步骤522中得到的第十三映射向量组进行归一化处理，对应得到第十四特征向量组：
其中，W3表示第三归一化输出；
步骤22中，所述第三模型组合处理具体为：
步骤541、对步骤531得到的第十四特征向量组进行伯努利处理，对应得到第十五特征向量组：
其中，K4表示第三模型组合处理输出，
9.根据权利要求8所述的串联故障电弧检测方法，其特征在于，步骤22中，所述第一分类化处理具体包括：
步骤611、将步骤541得到的所述第十五特征向量组，同时按照q从小到大的排列顺序，将第十四特征向量组中的各行向量首尾相连，得到一个初始状态向量其中，O1表示第一全链接子层；初始状态向量中的元素序数y＝1，2，…，q×80，y为自然数；
步骤612、设置个第一权值向量其中，为自然数；
步骤613、对初始状态向量与第一权值向量进行第一加权处理，得到第一全链接向量其中，第一加权偏置量通过自学习校正获得；
步骤614、对第一全链接向量进行ReLU映射，得到第一输出向量其中，RO1表示第一全链接输出；
步骤22中，所述第二分类化处理具体包括：
步骤621、设置个第二权值向量其中，为自然数，O2表示第二全链接子层；
步骤622、对将步骤614得到的第一输出向量与第二权值向量进行第二加权处理，得到第二全链接向量其中， 通第二加权偏置量过自学习校正获得；
步骤623、对第二全链接向量进行ReLU映射，得到第二输出向量其中，RO2表示第二全链接输出；
步骤22中，所述第三分类化处理具体包括：
步骤631、设置2个第三权值向量其中，π＝1、2，π为自然数；O3表示第三全链接子层；
步骤632、对将步骤623得到的第二输出向量与第三权值向量进行第三加权处理，得到第三全链接向量其中， 第二加权偏置量与均通过自学习校正获得；
步骤633、对第三全链接向量进行指数归一化处理，得到输出分类向量[ζ1 ζ2]；其中，可能的非故障电弧概率可能的故障电弧概率
步骤634、当可能的非故障电弧概率ζ1＞可能的故障电弧概率ζ2时，则所述该段电流信号作为非故障电弧；当可能的非故障电弧概率ζ1＜可能的故障电弧概率ζ2时，则所述该段电流信号作为故障电弧。
CN201910583410.6A 2019-06-21 2019-06-21 一种串联故障电弧检测方法 Pending CN110320452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910583410.6A CN110320452A (zh) 2019-06-21 2019-06-21 一种串联故障电弧检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910583410.6A CN110320452A (zh) 2019-06-21 2019-06-21 一种串联故障电弧检测方法

Publications (1)

Publication Number Publication Date
CN110320452A true CN110320452A (zh) 2019-10-11

Family

ID=68121491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910583410.6A Pending CN110320452A (zh) 2019-06-21 2019-06-21 一种串联故障电弧检测方法

Country Status (1)

Country Link
CN (1) CN110320452A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554289A (zh) * 2019-10-14 2019-12-10 河南理工大学 一种低压串联故障电弧检测系统
CN110702966A (zh) * 2019-10-17 2020-01-17 北京航天常兴科技发展股份有限公司 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN111123048A (zh) * 2019-12-23 2020-05-08 温州大学 一种基于卷积神经网络的串联故障电弧检测装置及方法
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法
CN112505512A (zh) * 2020-01-02 2021-03-16 青岛鼎信通讯股份有限公司 一种故障电弧的识别方法、装置、设备及介质
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616032A (zh) * 2015-01-30 2015-05-13 浙江工商大学 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN108196170A (zh) * 2017-12-28 2018-06-22 河南理工大学 一种故障电弧检测系统和方法
CN108376253A (zh) * 2018-03-05 2018-08-07 西南交通大学 一种基于机器视觉的信号机故障监测方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
CN109308489A (zh) * 2018-09-03 2019-02-05 中国人民解放军国防科技大学 一种元件电弧焊焊接质量检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616032A (zh) * 2015-01-30 2015-05-13 浙江工商大学 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN108196170A (zh) * 2017-12-28 2018-06-22 河南理工大学 一种故障电弧检测系统和方法
CN108376253A (zh) * 2018-03-05 2018-08-07 西南交通大学 一种基于机器视觉的信号机故障监测方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
CN109308489A (zh) * 2018-09-03 2019-02-05 中国人民解放军国防科技大学 一种元件电弧焊焊接质量检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
余琼芳 等: ""基于AlexNet 深度学习网络的串联故障电弧检测方法"", 《电子测量与仪器学报》 *
刘丽 等: ""低压串联电弧故障特征与检测方法分析"", 《电气开关》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554289A (zh) * 2019-10-14 2019-12-10 河南理工大学 一种低压串联故障电弧检测系统
CN110702966A (zh) * 2019-10-17 2020-01-17 北京航天常兴科技发展股份有限公司 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN111123048A (zh) * 2019-12-23 2020-05-08 温州大学 一种基于卷积神经网络的串联故障电弧检测装置及方法
CN112505512A (zh) * 2020-01-02 2021-03-16 青岛鼎信通讯股份有限公司 一种故障电弧的识别方法、装置、设备及介质
WO2021136053A1 (zh) * 2020-01-02 2021-07-08 青岛鼎信通讯股份有限公司 一种故障电弧的识别方法、装置、设备及介质
US11831138B2 (en) 2020-01-02 2023-11-28 Qingdao Topscomm Communication Co., Ltd Fault-arc identification method, device and apparatus, and storage medium
CN111458599A (zh) * 2020-04-16 2020-07-28 福州大学 基于一维卷积神经网络的串联电弧故障检测方法
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
WO2021212891A1 (zh) * 2020-04-22 2021-10-28 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
US11860216B2 (en) 2020-04-22 2024-01-02 Qingdao Topscomm Communication Co., Ltd Fault arc signal detection method using convolutional neural network
EP4141458A4 (en) * 2020-04-22 2024-05-29 Qingdao Topscomm Communication Co., Ltd METHOD FOR DETECTING ARC SIGNALS USING A CONVOLUTIONAL NEURAL NETWORK
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN110320452A (zh) 一种串联故障电弧检测方法
US20230160942A1 (en) Fault arc signal detection method using convolutional neural network
CN109766952B (zh) 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法
CN105425118A (zh) 一种多信息融合故障电弧检测方法及装置
CN110609200B (zh) 一种基于模糊度量融合判据的配电网接地故障保护方法
CN102520286B (zh) 基于高光谱的复合绝缘子运行状态分类方法
CN109781614A (zh) 一种复合绝缘子老化程度的综合检测方法
CN109444667B (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
CN110018369A (zh) 一种基于非侵入式负荷分解的家电智能识别与监测方法
He et al. A contactless insulator contamination levels detecting method based on infrared images features and RBFNN
CN109342909A (zh) 一种基于slle的电缆附件局部放电模式识别方法
CN113917294B (zh) 基于小波分解的智能自适应电弧检测方法及其应用装置
CN116990648B (zh) 基于一维空洞卷积神经网络的故障电弧检测方法
Jiang et al. Machine learning approach to detect arc faults based on regular coupling features
Yan et al. A simplified current feature extraction and deployment method for DC series arc fault detection
CN116432112A (zh) 基于小波包变换、残差卷积神经网络的电弧故障检测方法
CN113608066A (zh) 一种基于磁场检测的配网架空线路单相接地故障定位方法
CN113376473A (zh) 一种基于支持向量机和图像识别的故障电弧检测方法
Chu et al. TDV-LSTM: A new methodology for series arc fault detection in low power AC systems
Lu et al. A new series arc fault identification method based on wavelet transform
Das et al. A Novel Deep-Learning Framework to Identify and Locate Single and Multiple Partial Discharge Events
He et al. Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine
CN115687916A (zh) 一种交流串联电弧故障识别方法
Duan et al. PD pattern recognition of XLPE cable based on parameter optimal support vector machine algorithm
Das et al. Fusion of deep features with superpixel based local handcrafted features for surface condition assessment of metal oxide surge arrester using infrared thermal images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191011