CN110456234B - 故障电弧的检测方法、装置和系统 - Google Patents
故障电弧的检测方法、装置和系统 Download PDFInfo
- Publication number
- CN110456234B CN110456234B CN201810428564.3A CN201810428564A CN110456234B CN 110456234 B CN110456234 B CN 110456234B CN 201810428564 A CN201810428564 A CN 201810428564A CN 110456234 B CN110456234 B CN 110456234B
- Authority
- CN
- China
- Prior art keywords
- arc
- model
- fault
- parameters
- circuit
- 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.)
- Active
Links
Images
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
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种故障电弧的检测方法、装置和系统。其中,该方法包括:获取电气设备所在电路的电弧参数,电弧参数为电路中产生的电弧的参数;使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率;使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧。本发明解决了现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
Description
技术领域
本发明涉及电弧故障保护领域,具体而言,涉及一种故障电弧的检测方法、装置和系统。
背景技术
电气设备在实际运行中会在电路中产生电弧。这些电弧一些是设备正常工作产生的“好弧”(电机启动瞬间,开关动作等引起的电压,电流等参数的波形),另一些是由于故障引起的“坏弧”(连接线绝缘层的破损,不良电气接触等引起的电压,电流等参数的波动),“坏弧”也就是故障电弧,是引起电气火灾的主要原因。AFCI(是Arc-Fault Circuit-Interrupter的简称)技术即电弧故障分段保护技术,是通过识别故障电弧在电路中的状态特征,用以区分正常电弧和故障电弧,在电弧引起火灾之前及时、准确检测和清除故障电弧的保护技术。
目前电弧的检测技术已经很成熟,通过电压,电流,光电特性等都可以作为电弧检测参数,难点是如何区分正常电弧和故障电弧。基于传统的特征提取方式进行区分在特定场景中有一定的效果,但故障电弧产生的环境比较复杂,影响因素较多,传统识别方式无法达到电气可靠性和稳定性的要求。
针对现有技术中故障电弧的检测方法准确度低且可靠性差的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障电弧的检测方法、装置和系统,以至少解决现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
根据本发明实施例的一个方面,提供了一种故障电弧的检测方法,包括:获取电气设备所在电路的电弧参数,电弧参数为电路中产生的电弧的参数;使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率;使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧。
进一步地,当确定电弧属于故障电弧时,通过与电气设备和电源连接的控制装置动作,以切断电路中的电源和/或对电气设备进行电弧故障保护。
进一步地,在获取电气设备所在电路的电弧参数之前,上述方法还包括:建立初始神经网络模型;获取多组样本数据,其中,多组样本数据中的每组样本数据均包括:电弧参数和对应的电弧是否属于故障电弧的标签;通过多组样本数据对初始神经网络模型进行训练,得到第一模型。
进一步地,在获取电气设备所在电路的电弧参数之前,上述方法还包括:通过通信装置发送历史电弧参数和控制装置对应的历史动作数据至服务器,并接收服务器返回的优化后的第一模型和优化后的第二模型,其中,优化后的第一模型和优化后的第二模型是服务器基于历史电弧参数和历史动作数据,对第一模型和第二模型进行优化后得到的模型。
进一步地,获取电气设备所在电路的电弧参数,包括:通过电弧信号检测器检测电弧的电弧状态,其中,电弧状态包括如下一种或多种:电流波动、电压波动和光的强度;对电弧状态进行转换,得到电弧参数。
根据本发明实施例的另一方面,还提供了一种故障电弧的检测装置,包括:获取模块,用于获取电气设备所在电路的电弧参数,电弧参数为电路中产生的电弧的参数;第一确定模块,用于使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率;第二确定模块,用于使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧。
根据本发明实施例的另一方面,还提供了一种故障电弧的检测系统,包括:采集装置,与电气设备所在电路连接,用于获取电路的电弧参数;处理器,与采集装置连接,用于使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,并使用第二模型对正常电弧和故障电弧的概率进行判断,确定出电弧是否属于故障电弧。
进一步地,上述系统还包括:控制装置,与处理器,电气设备和电路中电源连接,用于当确定电弧属于故障电弧时动作,以切断电源和/或对电气设备进行电弧故障保护。
进一步地,上述系统还包括:通信装置,与处理器连接,用于发送历史电弧参数和控制装置对应的历史动作数据至服务器,并接收服务器返回的优化后的第一模型和优化后的第二模型,其中,优化后的第一模型和优化后的第二模型是服务器基于历史电弧参数和历史动作数据,对第一模型和第二模型进行优化后得到的模型。
进一步地,采集装置包括:电弧信号检测器,用于检测电路中电弧的电弧状态,并对电弧状态进行转换,得到电弧参数,其中,电弧状态包括如下一种或多种:电流波动、电压波动和光的强度。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的故障电弧的检测方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的故障电弧的检测方法。
在本发明实施例中,在获取到电气设备所在电路的电弧参数之后,可以将电弧参数输入第一模型,使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,然后进一步将正常电弧和故障电弧的概率输入第二模型,使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧,从而实现区分正常电弧和故障电弧的目的。由于采用神经网络预测和基于概率决策的判定模型对电气设备实际运行中的正常电弧和故障电弧进行区分,实现对电路中的故障电弧进行精确识别,进一步避免电弧分段保护器在部分场景容易引起误动作或发生故障不动作,从而达到了提高检测准确度和可靠性,进一步提升电气设备的可靠性和稳定性的技术效果,进而解决了现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种故障电弧的检测方法的流程图;
图2是根据本发明实施例的一种可选的故障电弧的检测方法的拓扑示意图;
图3是根据本发明实施例的一种可选的故障电弧的检测方法的流程示意图;
图4是根据本发明实施例的一种故障电弧的检测装置的示意图;以及
图5是根据本发明实施例的一种故障电弧的检测装置系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种故障电弧的检测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种故障电弧的检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取电气设备所在电路的电弧参数,电弧参数为电路中产生的电弧的参数。
具体地,上述的电气设备可以是任何使用AFCI技术的设备,包括但不限于空调、插座、生产作业设备等等;上述的电路可以是电气设备的供电电路,包括为电气设备供电的电源;上述的电弧参数可以是电压、电流、光电形式参数等形式,可以在电路中产生电弧时,通过采集装置采集到相应的电弧参数。
步骤S104,使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率。
具体地,上述的第一模型可以是预先通过大量实验数据或历史数据训练好的神经网络模型,通过神经网络可以预测得到正常电弧和故障电弧的置信度概率,其中,神经网络可以采用不同的结构和类型,实际运用根据输入的电弧数据格式确定,可以是但不局限于全连接神经网络,卷积神经网络,循环神经网络,胶囊神经网络的一种或多种。
步骤S106,使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧。
具体地,上述的第二模型可以是概率决策模型,通过概率决策模型可以对神经网络模型输出的概率进行可靠性确认分析,从而得到电弧最终是故障电弧还是正常电弧的判断,其中,概率决策可以采用但不局限于风险评估,统计分布,经验公式的一种或多种进行决策,可以根据实际应用场景和数据结构来确定。
在一种可选的方案中,当电气设备所在的电路中产生电弧时,需要对电弧的类型进行区分,确定电弧是正常电弧还是故障电弧,可以实时通过采集装置从电路上获取到电弧参数,并通过故障电弧的检测算法进行判断,输出该电弧是正常电弧还是故障电弧的检测结果,具体地,可以将故障电弧刚发生时采集到的电弧参数作为输入参数,首先利用神经网络模型预测得到正常电弧和故障电弧的置信度概率,然后通过概率决策模型进行决策,得到最终是故障电弧还是正常电弧。
在本发明上述实施例中,在获取到电气设备所在电路的电弧参数之后,可以将电弧参数输入第一模型,使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,然后进一步将正常电弧和故障电弧的概率输入第二模型,使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧,从而实现区分正常电弧和故障电弧的目的。由于采用神经网络预测和基于概率决策的判定模型对电气设备实际运行中的正常电弧和故障电弧进行区分,实现对电路中的故障电弧进行精确识别,进一步避免电弧分段保护器在部分场景容易引起误动作或发生故障不动作,从而达到了提高检测准确度和可靠性,进一步提升电气设备的可靠性和稳定性的技术效果,进而解决了现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
可选地,当确定电弧属于故障电弧时,通过与电气设备和电源连接的控制装置动作,以切断电路中的电源和/或对电气设备进行电弧故障保护。
具体地,上述的控制装置可以是电气设备的保护动作装置,例如可以是电弧分段保护器,与电路中的电源和电气设备连接。
在一种可选的方案中,在通过神经网络模型和概率决策模型确定出电弧属于故障电弧之后,可以通知控制装置及时切断电源并对电气设备进行保护动作,从而防止故障电弧进一步恶化引起电气火灾,保护用户的生命财产安全。
可选地,在获取电气设备所在电路的电弧参数之前,该方法还包括:建立初始神经网络模型;获取多组样本数据,其中,多组样本数据中的每组样本数据均包括:电弧参数和对应的电弧是否属于故障电弧的标签;通过多组样本数据对初始神经网络模型进行训练,得到第一模型。
具体地,上述的多组样本数据可以是通过实验或历史数据获取到的电弧参数样本数据。
在一种可选的方案中,可以根据AFCI检测标准确定实验条件,通过实验或历史数据获取到的大量带有标签的电弧参数样本数据,训练阶段可以通过仪器检测电压或电流信号,或者通过摄像头、CCD(是电荷耦合器件图像传感器,Charge Coupled Device的简称)等光电设备判定是否为故障电弧,得到电弧参数样本数据的标签。以故障电弧刚发生的参数作为输入,将电弧参数和对应标签送到初始神经网络模型中进行训练,得到最优化的预测模型,也即第一模型。
可选地,在获取电气设备所在电路的电弧参数之前,该方法还包括:通过通信装置发送历史电弧参数和控制装置对应的历史动作数据至服务器,并接收服务器返回的优化后的第一模型和优化后的第二模型,其中,优化后的第一模型和优化后的第二模型是服务器基于历史电弧参数和历史动作数据,对第一模型和第二模型进行优化后得到的模型。
具体地,上述的通信装置可以是通过WIFI,GPRS,3G网络,4G网络,5G网络等联网的装置,例如,WIFI模块,通信装置可以采用内置方式与AFCI设备组成一体,也可以采用外置方式与AFCI设备通讯连接;上述的服务器可以是云端服务器,可以通过云端训练算法对神经网络模型和概率决策模型进行针对性的优化训练。
在一种可选的方案中,AFCI设备能够通过通信装置与云端服务器进行通信,把把该场景的电弧数据和控制动作情况上传到云端服务器,通过云端服务器对神经网络模型和概率决策模型进行针对性的优化训练。然后云端服务器把优化后的模型下发到AFCI设备的本地程序端执行,这样既可以根据使用场景及设备使用年限等信息不断优化模型,进行适应性学习。也可以通过大数据搜集不断积累故障电弧数据,让算法模型越来越完善。
可选地,获取电气设备所在电路的电弧参数,包括通过电弧信号检测器检测电弧的电弧状态,其中,电弧状态包括如下一种或多种:电流波动、电压波动和光的强度;对电弧状态进行转换,得到电弧参数。
具体地,上述的电弧状态可以是电弧反映的自然状态,可以是电流,电压的波动,光的强度变化等的反应,无法直接使用。
在一种可选的方案中,可以首先通过电弧信号检测器检测电气设备所在电路的电弧状态,并转换为数字信号,作为神经网络模型的输入数据。
图2是根据本发明实施例的一种可选的故障电弧的检测方法的拓扑示意图,图3是根据本发明实施例的一种可选的故障电弧的检测方法的流程示意图,下面结合图2和图3对本发明一种优选的实施例进行详细说明。
如图2所示,该检测方法可以从设备所在电路中采集设备运行中产生电弧时的电弧参数作为输入,通过神经网络模型进行预测,得到故障电弧概率和正常电弧概率。然后通过概率决策模型进行可靠性确认分析,得到最终是故障电弧还是正常电弧的检测结果。
如图3所示,电气设备通过电路与电源连接,AFCI设备中的电弧信号检测器连接在该电路上,能够实时从电路上获取电弧参数;故障电弧判定算法模型包括神经网络模型和概率决策模型,能够对输入的电弧参数进行判断,输出正常电弧或故障电弧;如果是故障电弧则通过保护动作装置进行相应的动作:切断电源或对电气设备进行保护动作;AFCI设备可以通过联网装置与云端服务器连接,实现AFCI设备的电弧参数和保护动作装置的控制动作等数据上传,以及云端服务器训练和优化后的神经网络模型和概率决策模型的下发。
通过上述方案,通过采用神经网络预测和概率决策的故障电弧判定模型对设备实际运行中的故障电弧和正常电弧进行区分,实现对电路中的故障电弧精确识别。结合故障电弧控制方法,实现发生故障时及时切断电源并进行防护动作,防止故障电弧进一步恶化引起电气火灾,保护人民的生命财产安全。
根据本发明实施例,还提供了一种故障电弧的检测装置的实施例。
图4是根据本发明实施例的一种故障电弧的检测装置的示意图,如图4所示,该装置包括:
获取模块42,用于获取电气设备所在电路的电弧参数,电弧参数为电路中产生的电弧的参数。
具体地,上述的电气设备可以是任何使用AFCI技术的设备,包括但不限于空调、插座、生产作业设备等等;上述的电路可以是电气设备的供电电路,包括为电气设备供电的电源;上述的电弧参数可以是电压、电流、光电形式参数等形式,可以在电路中产生电弧时,通过采集装置采集到相应的电弧参数。
第一确定模块44,用于使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率。
具体地,上述的第一模型可以是预先通过大量实验数据或历史数据训练好的神经网络模型,通过神经网络可以预测得到正常电弧和故障电弧的置信度概率,其中,神经网络可以采用不同的结构和类型,实际运用根据输入的电弧数据格式确定,可以是但不局限于全连接神经网络,卷积神经网络,循环神经网络,胶囊神经网络的一种或多种。
第二确定模块46,用于使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧。
具体地,上述的第二模型可以是概率决策模型,通过概率决策模型可以对神经网络模型输出的概率进行可靠性确认分析,从而得到电弧最终是故障电弧还是正常电弧的判断,其中,概率决策可以采用但不局限于风险评估,统计分布,经验公式的一种或多种进行决策,可以根据实际应用场景和数据结构来确定。
在一种可选的方案中,当电气设备所在的电路中产生电弧时,需要对电弧的类型进行区分,确定电弧是正常电弧还是故障电弧,可以实时通过采集装置从电路上获取到电弧参数,并通过故障电弧的检测算法进行判断,输出该电弧是正常电弧还是故障电弧的检测结果,具体地,可以将故障电弧刚发生时采集到的电弧参数作为输入参数,首先利用神经网络模型预测得到正常电弧和故障电弧的置信度概率,然后通过概率决策模型进行决策,得到最终是故障电弧还是正常电弧。
在本发明上述实施例中,在获取到电气设备所在电路的电弧参数之后,可以将电弧参数输入第一模型,使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,然后进一步将正常电弧和故障电弧的概率输入第二模型,使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧,从而实现区分正常电弧和故障电弧的目的。由于采用神经网络预测和基于概率决策的判定模型对电气设备实际运行中的正常电弧和故障电弧进行区分,实现对电路中的故障电弧进行精确识别,进一步避免电弧分段保护器在部分场景容易引起误动作或发生故障不动作,从而达到了提高检测准确度和可靠性,进一步提升电气设备的可靠性和稳定性的技术效果,进而解决了现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
根据本发明实施例,还提供了一种故障电弧的检测系统的实施例。
图5是根据本发明实施例的一种故障电弧的检测装置系统的示意图,如图5所示,该系统包括:
采集装置52,与电气设备所在电路连接,用于获取电路的电弧参数。
具体地,上述的电气设备可以是任何使用AFCI技术的设备,包括但不限于空调、插座、生产作业设备等等;上述的电路可以是电气设备的供电电路,包括为电气设备供电的电源;上述的电弧参数可以是电压、电流、光电形式参数等形式,可以在电路中产生电弧时,通过采集装置采集到相应的电弧参数。
处理器54,与采集装置连接,用于使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,并使用第二模型对正常电弧和故障电弧的概率进行判断,确定出电弧是否属于故障电弧。
具体地,如图3所示,上述的处理器可以包括故障电弧判定算法模型,包括第一模型和第二模型;上述的第一模型可以是预先通过大量实验数据或历史数据训练好的神经网络模型,通过神经网络可以预测得到正常电弧和故障电弧的置信度概率,其中,神经网络可以采用不同的结构和类型,实际运用根据输入的电弧数据格式确定,可以是但不局限于全连接神经网络,卷积神经网络,循环神经网络,胶囊神经网络的一种或多种;上述的第二模型可以是概率决策模型,通过概率决策模型可以对神经网络模型输出的概率进行可靠性确认分析,从而得到电弧最终是故障电弧还是正常电弧的判断,其中,概率决策可以采用但不局限于风险评估,统计分布,经验公式的一种或多种进行决策,可以根据实际应用场景和数据结构来确定。
在一种可选的方案中,当电气设备所在的电路中产生电弧时,需要对电弧的类型进行区分,确定电弧是正常电弧还是故障电弧,可以实时通过采集装置从电路上获取到电弧参数,并通过故障电弧的检测算法进行判断,输出该电弧是正常电弧还是故障电弧的检测结果,具体地,可以将故障电弧刚发生时采集到的电弧参数作为输入参数,首先利用神经网络模型预测得到正常电弧和故障电弧的置信度概率,然后通过概率决策模型进行决策,得到最终是故障电弧还是正常电弧。
在本发明上述实施例中,在通过采集装置获取到电气设备所在电路的电弧参数之后,可以通过处理器将电弧参数输入第一模型,使用第一模型对电弧参数进行分析,确定出电弧属于正常电弧和故障电弧的概率,然后进一步将正常电弧和故障电弧的概率输入第二模型,使用第二模型对正常电弧和故障电弧的概率进行判断,确定电弧是否属于故障电弧,从而实现区分正常电弧和故障电弧的目的。由于采用神经网络预测和基于概率决策的判定模型对电气设备实际运行中的正常电弧和故障电弧进行区分,实现对电路中的故障电弧进行精确识别,进一步避免电弧分段保护器在部分场景容易引起误动作或发生故障不动作,从而达到了提高检测准确度和可靠性,进一步提升电气设备的可靠性和稳定性的技术效果,进而解决了现有技术中故障电弧的检测方法准确度低且可靠性差的技术问题。
可选地,该系统还包括:
控制装置,与处理器,电气设备和电路中电源连接,用于当确定电弧属于故障电弧时动作,以切断电源和/或对电气设备进行电弧故障保护。
具体地,上述的控制装置可以是电气设备的保护动作装置,例如可以是电弧分段保护器,与电路中的电源和电气设备连接。
在一种可选的方案中,在通过神经网络模型和概率决策模型确定出电弧属于故障电弧之后,可以通知控制装置及时切断电源并对电气设备进行保护动作,从而防止故障电弧进一步恶化引起电气火灾,保护用户的生命财产安全。
可选地,该系统还包括:
通信装置,与处理器连接,用于发送历史电弧参数和控制装置对应的历史动作数据至服务器,并接收服务器返回的优化后的第一模型和优化后的第二模型,其中,优化后的第一模型和优化后的第二模型是服务器基于历史电弧参数和历史动作数据,对第一模型和第二模型进行优化后得到的模型。
具体地,上述的通信装置可以是通过WIFI,GPRS,3G网络,4G网络,5G网络等联网的装置,例如,WIFI模块,通信装置可以采用内置方式与AFCI设备组成一体,也可以采用外置方式与AFCI设备通讯连接;上述的服务器可以是云端服务器,可以通过云端训练算法对神经网络模型和概率决策模型进行针对性的优化训练。
在一种可选的方案中,AFCI设备能够通过通信装置与云端服务器进行通信,把把该场景的电弧数据和控制动作情况上传到云端服务器,通过云端服务器对神经网络模型和概率决策模型进行针对性的优化训练。然后云端服务器把优化后的模型下发到AFCI设备的本地程序端执行,这样既可以根据使用场景及设备使用年限等信息不断优化模型,进行适应性学习。也可以通过大数据搜集不断积累故障电弧数据,让算法模型越来越完善。
可选地,采集装置包括:
电弧信号检测器,用于检测电路中电弧的电弧状态,并对电弧状态进行转换,得到电弧参数,其中,电弧状态包括如下一种或多种:电流波动、电压波动和光的强度。
具体地,上述的电弧状态可以是电弧反映的自然状态,可以是电流,电压的波动,光的强度变化等的反应,无法直接使用。
在一种可选的方案中,可以首先通过电弧信号检测器检测电气设备所在电路的电弧状态,并转换为数字信号,作为神经网络模型的输入数据。
根据本发明实施例,还提供了一种存储介质的实施例,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的故障电弧的检测方法。
根据本发明实施例,还提供了一种处理器的实施例,处理器用于运行程序,其中,程序运行时执行上述的故障电弧的检测方法
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种故障电弧的检测方法,其特征在于,包括:
获取电气设备所在电路的电弧参数,所述电弧参数为所述电路中产生的电弧的参数;
使用第一模型对所述电弧参数进行分析,确定出所述电弧属于正常电弧和故障电弧的概率,其中,所述第一模型是预先通过实验数据或历史数据训练好的神经网络模型;
使用第二模型对所述正常电弧和故障电弧的概率进行判断,确定所述电弧是否属于故障电弧,其中,所述第二模型是概率决策模型;
其中,在获取电气设备所在电路的电弧参数之前,所述方法还包括:
建立初始神经网络模型;
获取多组样本数据,其中,所述多组样本数据中的每组样本数据均包括:电弧参数和对应的电弧是否属于故障电弧的标签,所述标签是通过仪器检测电压、电流信号,或者通过光电设备判定是否为故障电弧得到的;
通过所述多组样本数据对所述初始神经网络模型进行训练,得到所述第一模型。
2.根据权利要求1所述的方法,其特征在于,当确定所述电弧属于故障电弧时,通过与所述电气设备和电源连接的控制装置动作,以切断所述电路中的电源和/或对所述电气设备进行电弧故障保护。
3.根据权利要求2所述的方法,其特征在于,在获取电气设备所在电路的电弧参数之前,所述方法还包括:
通过通信装置发送历史电弧参数和所述控制装置对应的历史动作数据至服务器,并接收所述服务器返回的优化后的第一模型和优化后的第二模型,其中,所述优化后的第一模型和所述优化后的第二模型是所述服务器基于所述历史电弧参数和所述历史动作数据,对所述第一模型和所述第二模型进行优化后得到的模型。
4.根据权利要求1所述的方法,其特征在于,获取电气设备所在电路的电弧参数,包括:
通过电弧信号检测器检测所述电弧的电弧状态,其中,所述电弧状态包括如下一种或多种:电流波动、电压波动和光的强度;
对所述电弧状态进行转换,得到所述电弧参数。
5.一种故障电弧的检测装置,其特征在于,包括:
获取模块,用于获取电气设备所在电路的电弧参数,所述电弧参数为所述电路中产生的电弧的参数;
第一确定模块,用于使用第一模型对所述电弧参数进行分析,确定出所述电弧属于正常电弧和故障电弧的概率,其中,所述第一模型是预先通过实验数据或历史数据训练好的神经网络模型;
第二确定模块,用于使用第二模型对所述正常电弧和故障电弧的概率进行判断,确定所述电弧是否属于故障电弧,其中,所述第二模型是概率决策模型;
其中,所述装置还用于建立初始神经网络模型,获取多组样本数据,并通过所述多组样本数据对所述初始神经网络模型进行训练,得到所述第一模型,其中,所述多组样本数据中的每组样本数据均包括:电弧参数和对应的电弧是否属于故障电弧的标签,所述标签是通过仪器检测电压、电流信号,或者通过光电设备判定是否为故障电弧得到的。
6.一种故障电弧的检测系统,其特征在于,包括:
采集装置,与电气设备所在电路连接,用于获取所述电路的电弧参数;
处理器,与所述采集装置连接,用于使用第一模型对所述电弧参数进行分析,确定出所述电弧属于正常电弧和故障电弧的概率,并使用第二模型对所述正常电弧和故障电弧的概率进行判断,确定出所述电弧是否属于故障电弧,其中,所述第一模型是预先通过实验数据或历史数据训练好的神经网络模型,所述第二模型是概率决策模型;
其中,所述系统还用于建立初始神经网络模型,获取多组样本数据,并通过所述多组样本数据对所述初始神经网络模型进行训练,得到所述第一模型,其中,所述多组样本数据中的每组样本数据均包括:电弧参数和对应的电弧是否属于故障电弧的标签,所述标签是通过仪器检测电压、电流信号,或者通过光电设备判定是否为故障电弧得到的。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
控制装置,与所述处理器,所述电气设备和所述电路中电源连接,用于当确定所述电弧属于故障电弧时动作,以切断所述电源和/或对所述电气设备进行电弧故障保护。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
通信装置,与所述处理器连接,用于发送历史电弧参数和所述控制装置对应的历史动作数据至服务器,并接收所述服务器返回的优化后的第一模型和优化后的第二模型,其中,所述优化后的第一模型和所述优化后的第二模型是所述服务器基于所述历史电弧参数和所述历史动作数据,对所述第一模型和所述第二模型进行优化后得到的模型。
9.根据权利要求6所述的系统,其特征在于,所述采集装置包括:
电弧信号检测器,用于检测所述电路中电弧的电弧状态,并对所述电弧状态进行转换,得到所述电弧参数,其中,所述电弧状态包括如下一种或多种:电流波动、电压波动和光的强度。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的故障电弧的检测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4中任意一项所述的故障电弧的检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428564.3A CN110456234B (zh) | 2018-05-07 | 2018-05-07 | 故障电弧的检测方法、装置和系统 |
PCT/CN2018/120951 WO2019214231A1 (zh) | 2018-05-07 | 2018-12-13 | 故障电弧的检测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428564.3A CN110456234B (zh) | 2018-05-07 | 2018-05-07 | 故障电弧的检测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456234A CN110456234A (zh) | 2019-11-15 |
CN110456234B true CN110456234B (zh) | 2020-11-10 |
Family
ID=68468435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810428564.3A Active CN110456234B (zh) | 2018-05-07 | 2018-05-07 | 故障电弧的检测方法、装置和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110456234B (zh) |
WO (1) | WO2019214231A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353412B (zh) * | 2020-02-25 | 2023-03-24 | 河南理工大学 | 端到端的3D-CapsNet火焰检测方法及装置 |
CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
CN112014701B (zh) * | 2020-08-31 | 2023-08-04 | 许昌智普新能源科技有限公司 | 一种直流系统的直流电弧检测方法 |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
CN113569947A (zh) * | 2021-07-27 | 2021-10-29 | 合肥阳光智维科技有限公司 | 电弧检测方法和系统 |
CN115185176B (zh) * | 2022-09-08 | 2022-12-02 | 深圳市恒运昌真空技术有限公司 | 一种双处理模块设备及其控制方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614775B (zh) * | 2009-07-15 | 2011-04-27 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
CN102288857B (zh) * | 2011-05-18 | 2013-06-19 | 浙江科技学院 | 一种故障电弧的辨识检测方法及其检测保护装置 |
JP2016537631A (ja) * | 2013-11-22 | 2016-12-01 | ジーイー・アビエイション・システムズ・リミテッドGe Aviation Systems Limited | 回路の電気的故障を検出する方法 |
CN105445611B (zh) * | 2014-05-30 | 2019-11-08 | 西门子公司 | 故障电弧的检测方法和检测装置 |
FR3023377B1 (fr) * | 2014-07-04 | 2016-08-12 | Schneider Electric Ind Sas | Procede et dispositif de detection d'arcs electriques pour installations electriques a source de courant continu |
CN104569684B (zh) * | 2015-01-14 | 2017-08-25 | 上海和伍复合材料有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN105425118B (zh) * | 2015-10-29 | 2018-09-04 | 山东建筑大学 | 一种多信息融合故障电弧检测方法及装置 |
CN106980051B (zh) * | 2016-01-15 | 2019-06-28 | 辽宁工程技术大学 | 一种间歇性串联型故障电弧识别方法 |
CN107064752B (zh) * | 2017-03-22 | 2019-09-27 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN107154783B (zh) * | 2017-04-18 | 2018-10-30 | 西安交通大学 | 应用独立成分分析和s变换检测光伏系统故障电弧的方法 |
CN108061832B (zh) * | 2017-12-04 | 2019-11-12 | 辽宁工程技术大学 | 基于神经网络黑箱模型的串联型故障电弧仿真方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
-
2018
- 2018-05-07 CN CN201810428564.3A patent/CN110456234B/zh active Active
- 2018-12-13 WO PCT/CN2018/120951 patent/WO2019214231A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2019214231A1 (zh) | 2019-11-14 |
CN110456234A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456234B (zh) | 故障电弧的检测方法、装置和系统 | |
CN107609569B (zh) | 一种基于多维特征向量的配电网接地故障定位方法 | |
CN105424395A (zh) | 设备故障的确定方法和装置 | |
CN104714175A (zh) | 电池系统故障诊断方法及系统 | |
CN106549366B (zh) | 用电安全检测防护电路、开关设备或插座 | |
CN105143892A (zh) | 电能测量装置和使用该装置的电能测量信息标记系统 | |
CN112461289A (zh) | 一种环网柜故障监控方法、系统、终端及存储介质 | |
CN111555776B (zh) | 一种输电线路融合感知及联合诊断方法、系统及装置 | |
CN103324128A (zh) | 电力调度自动化系统中一次设备故障告警综合压缩方法 | |
CN113644748B (zh) | 一种区域内变电站设备模拟监控系统及方法 | |
CN116980958A (zh) | 一种基于数据识别的无线设备电故障监测方法及系统 | |
CN115102287A (zh) | 一种新能源电站集中区域智能管控系统 | |
CN114726740A (zh) | 台区拓扑识别方法、系统及智能融合终端 | |
KR101341805B1 (ko) | Iec 61850 규격에 따른 패킷 분석 장치 | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN204992550U (zh) | 用电安全检测防护电路、开关设备和插座 | |
CN104734353A (zh) | 一种基于网络报文的智能变电站悬停故障监测方法 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN109655715A (zh) | 一种基于电网故障智能识别设备的电网故障识别方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
CN111060780A (zh) | 一种配电网容错性在线故障定位的概率评估方法 | |
CN105890740A (zh) | 一种空调六维振动测试系统及其方法 | |
CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |