CN111239569A - 电弧故障检测方法、装置、设备及存储介质 - Google Patents
电弧故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111239569A CN111239569A CN202010169676.9A CN202010169676A CN111239569A CN 111239569 A CN111239569 A CN 111239569A CN 202010169676 A CN202010169676 A CN 202010169676A CN 111239569 A CN111239569 A CN 111239569A
- Authority
- CN
- China
- Prior art keywords
- arc fault
- fault detection
- circuit
- arc
- detection model
- 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
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请公开了一种电弧故障检测方法、装置、设备及存储介质,属于电气技术领域。所述方法包括:获取待检测电路的电信号,所述电信号包括电流信号和/或电压信号;获取故障检测模型,所述故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;根据所述电信号,调用所述故障检测模型输出得到电弧故障信息,所述电弧故障信息用于指示所述待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。本申请实施例通过调用基于循环神经网络训练得到的故障检测模型,对待检测电路进行电弧故障检测,相较于传统的检测方法,提高了电弧故障检测的准确率和有效性,保证了电弧故障的检测效果。
Description
技术领域
本申请实施例涉及电气技术领域,特别涉及一种电弧故障检测方法、装置、设备及存储介质。
背景技术
电气设备在实际运行中会在电路中产生电弧。电弧包括正常电弧和故障电弧。
相关技术中,通过电弧故障分段保护技术识别电弧故障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、准确检测和清除电弧故障的保护技术。
但是相关技术中的电弧故障检测方法准确度低且可靠性差,目前尚未提出 有效的解决方案。
发明内容
本申请实施例提供了一种电弧故障检测方法、装置、设备及存储介质,所述技术方案如下:
一方面,本申请实施例提供了一种电弧故障检测方法,所述方法包括:
获取待检测电路的电信号,所述电信号包括电流信号和/或电压信号;
获取故障检测模型,所述故障检测模型为采用样本电信号对循环神经网络(RecurrentNeural Networks,RNN)进行训练得到的模型;
根据所述电信号,调用所述故障检测模型输出得到电弧故障信息,所述电弧故障信息用于指示所述待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
另一方面,本申请实施例提供了一种电弧故障检测装置,所述装置包括:
第一获取模块,用于获取待检测电路的电信号,所述电信号包括电流信号和/或电压信号;
第二获取模块,用于获取故障检测模型,所述故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;
检测模块,用于根据所述电信号,调用所述故障检测模型输出得到电弧故障信息,所述电弧故障信息用于指示所述待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如上述第一方面所述的电弧故障检测方法。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如上述第一方面所述的电弧故障检测方法。
本申请实施例通过获取待检测电路的电信号,电信号包括电流信号和/或电压信号;获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障;使得通过调用基于循环神经网络训练得到的故障检测模型,对待检测电路进行电弧故障检测,相较于传统的检测方法,提高了电弧故障检测的准确率和有效性,保证了电弧故障的检测效果。
附图说明
图1是本申请一个示例性实施例提供的计算机设备的结构示意图;
图2是本申请一个示例性实施例提供的电弧故障检测方法的流程图;
图3是本申请一个示例性实施例提供的故障检测模型训练过程的流程图;
图4是本申请另一个示例性实施例提供的电弧故障检测方法的流程图;
图5是本申请另一个示例性实施例提供的电弧故障检测方法的流程图;
图6是本申请一个示例性实施例提供的电弧故障检测方法的原理示意图;
图7是本申请一个示例性实施例提供的电弧故障检测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种电弧故障检测方法、装置、设备及存储介质,基于循环神经网络进行电弧故障检测,相较于传统的检测方法,提高了电弧故障检测的准确率和有效性,保证了电弧故障的检测效果。
请参考图1,其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
该计算机设备可以是终端或者服务器。终端包括平板电脑、膝上型便携计算机和台式计算机等等。服务器可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。
可选的,该计算机设备安装有电信号处理程序,该电信号处理程序是具有处理电信号功能的应用程序。
如图1所示,计算机设备包括处理器10、存储器20以及通信接口30。本领域技术人员可以理解,图1中示出的结构并不构成对该计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器10是计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体控制。处理器10可以由CPU实现,也可以由图形处理器(Graphics Processing Unit, GPU)实现。
存储器20可用于存储软件程序以及模块。处理器10通过运行存储在存储器20的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统21、第一获取模块22、第二获取模块23、检测模块24和至少一个功能所需的应用程序25(比如神经网络训练等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。存储器20可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable Read-Only Memory,PROM),只读存储器(ReadOnly Memory, ROM),磁存储器,快闪存储器,磁盘或光盘。相应地,存储器20还可以包括存储器控制器,以提供处理器10对存储器20的访问。
其中,处理器20通过运行第一获取模块22执行以下功能:获取待检测电路的电信号,电信号包括电流信号和/或电压信号;处理器20通过第二获取模块23执行以下功能:获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;处理器20通过检测模块24执行以下功能:根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。下面,采用示意性的实施例对电弧故障检测方法进行介绍。
请参考图2,其示出了本申请一个示例性实施例提供的电弧故障检测方法的流程图。本实施例以该电弧故障检测方法应用于图1所示出的计算机设备来举例说明。该电弧故障检测方法包括:
步骤201,获取待检测电路的电信号,电信号包括电流信号和/或电压信号。
可选的,当计算机设备接收到预设获取指令时,获取待检测电路的电信号。或者,计算机设备每隔预设时间间隔获取待检测电路的电信号。或者,计算机设备实时获取待检测电路的电信号。其中,电信号包括电流信号和/或电压信号。
预设时间间隔为默认设置的,或者自定义设置的,本实施例对此不加以限定。
可选的,当计算机设备为服务器时,终端向服务器发送待检测电路的电信号,对应的,服务器接收终端发送的电信号。
步骤202,获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型。
计算机设备获取训练好的故障检测模型。在一种可能的实现方式中,当计算机设备为终端时,终端获取自身存储的训练好的故障检测模型,或者从服务器中获取训练好的故障检测模型。在另一种可能的实现方式中,当计算机设备为服务器时,服务器获取自身存储的训练好的故障检测模型。
故障检测模型为采用样本电信号和正确电弧故障信息对循环神经网络进行训练得到的模型。即故障检测模型是根据样本电信号和正确电弧故障信息所确定的。其中,正确电弧故障信息为预先标注的与样本电信号对应的正确电弧故障信息。比如,循环神经网络为长短期记忆 (Long-Short Term Memory,LSTM)网络。
故障检测模型是具有对电信号中电弧故障信息进行识别的循环神经网络模型。
故障检测模型用于将输入的电信号转化为电弧故障信息。该电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
故障检测模型用于表示电信号与电弧故障信息之间的相关关系。
故障检测模型为预设的数学模型,该故障检测模型包括电信号与电弧故障信息之间的模型系数。模型系数可以为固定值,也可以是随时间动态修改的值,还可以是随着使用场景动态修改的值。
可选的,故障检测模型为卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络的混合模型,或者,故障检测模型为循环神经网络模型。比如,故障检测模型为LSTM模型。
步骤203,根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
可选的,计算机设备对电信号进行预处理,得到处理后的电信号,将处理后的电信号输入至故障检测模型中,输出得到电弧故障信息。
可选的,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势。或者,电弧故障信息用于指示待检测电路是否发生电弧故障。
示意性的,电弧故障信息包括用于指示待检测电路是否存在发生电弧故障的趋势的第一标识信息,比如,第一标识信息为第一标识时用于指示待检测电路存在发生电弧故障的趋势,第一标识信息为第二标识时用于指示待检测电路不存在发生电弧故障的趋势,第一标识不同于第二标识。
示意性的,电弧故障信息包括用于指示待检测电路是否发生电弧故障的第二标识信息,比如,第二标识信息为第三标识时用于指示待检测电路发生电弧故障,第二标识信息为第四标识时用于指示待检测电路未发生电弧故障,第三标识不同于第四标识。
综上所述,本申请实施例通过获取待检测电路的电信号,电信号包括电流信号和/或电压信号;获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障;使得通过调用基于循环神经网络训练得到的故障检测模型,对待检测电路进行电弧故障检测,相较于传统的检测方法,提高了电弧故障检测的准确率和有效性,保证了电弧故障的检测效果。
需要说明的是,在计算机设备获取故障检测模型之前,需要对训练样本集进行训练得到故障检测模型。下面对故障检测模型的训练过程进行介绍。
在一种可能的实现方式中,如图3所示,对故障检测模型的训练过程包括如下几个步骤:
步骤301,计算机设备获取训练样本集,训练样本集包括至少一组样本数据组。
故障检测模型是根据至少一组样本数据组训练得到的,每组所述样本数据组包括:样本电信号和预先标注的正确电弧故障信息。
步骤302,对于至少一组样本数据组中的每组样本数据组,计算机设备从样本电信号中提取样本信号特征。
计算机设备对样本电信号进行特征提取,将经过特征提取后的数据确定为样本信号特征。
示意性的,特征提取是从样本电信号中提取特征,并将特征转换为结构化数据的过程。
步骤303,计算机设备将样本信号特征输入原始参数模型得到训练结果,原始参数模型为长短期记忆模型。
可选的,原始参数模型是根据神经网络模型建立的,比如:原始参数模型是根据长短期记忆模型建立的。
示意性的,对于每组样本数据组,计算机设备创建该组样本数据组对应的输入输出对,输入输出对的输入参数为该组样本数据组中的样本信号特征,目标参数为该组样本数据组中的正确电弧故障信息;计算机设备将输入参数输入预测模型,得到训练结果。
可选的,输入输出对通过特征向量表示。
步骤304,计算机设备将训练结果与正确电弧故障信息进行比较,得到计算损失,计算损失用于指示训练结果与正确电弧故障信息之间的误差。
可选的,计算损失通过交叉熵来表示,
步骤305,计算机设备根据至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到故障检测模型。
可选的,计算机设备通过反向传播算法根据计算损失确定故障检测模型的梯度方向,从故障检测模型的输出层逐层向前更新故障检测模型中的模型参数。
请参考图4,其示出了本申请另一个示例性实施例提供的电弧故障检测方法的流程图。本实施例以该电弧故障检测方法应用于图1所示出的计算机设备来举例说明。该电弧故障检测方法包括:
步骤401,获取待检测电路的电信号,电信号包括电流信号和/或电压信号。
计算机设备获取待检测电路的电信号,电信号包括电流信号和/或电压信号。
步骤402,获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型。
其中,计算机设备获取故障检测模型。故障检测模型是根据至少一组样本数据组训练得到的,每组样本数据组包括:样本电信号和预先标注的正确电弧故障信息。
计算机设备获取训练好的故障检测模型。故障检测模型的训练过程可参考上述实施例中的相关细节。
步骤403,根据电信号,调用故障检测模型输出得到电弧故障信息。
计算机设备从电信号中提取信号特征,信号特征包括电流波动特征和/或电压波动特征;将信号特征输入至故障检测模型中,输出得到电弧故障信息;其中,故障检测模型是根据至少一组样本数据组训练得到的,每组样本数据组包括:样本电信号和预先标注的正确电弧故障信息。
电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
可选的,电弧故障信息还包括电弧故障的故障类型和/或故障发生位置,电弧故障的故障类型包括串联电弧故障和并联电弧故障中的一种。即当电弧故障信息用于指示待检测电路存在发生电弧故障的趋势时,电弧故障信息还包括待发生的电弧故障的故障类型和/或故障发生位置。或者,当电弧故障信息用于指示待检测电路发生电弧故障时,电弧故障信息还包括已发生的电弧故障的故障类型和/或故障发生位置。
可选的,计算机设备将电信号和电弧故障信息添加至训练样本集,得到更新后的训练样本集;根据更新后的训练样本集对故障检测模型进行训练,得到更新后的故障检测模型。
步骤404,当电弧故障信息用于指示待检测电路发生电弧故障时,切断待检测电路中的电源和/或进行电路故障保护。
当电弧故障信息用于指示待检测电路发生电弧故障时,计算机设备切断待检测电路中的电源和/或进行电路故障保护。
可选的,电弧故障信息包括第一标识和第二标识中的一种,第一标识用于指示待检测电路发生电弧故障,第二标识用于指示待检测电路未发生电弧故障,第一标识不同于第二标识。
可选的,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势,上述步骤404还可以被替代实现成为如下步骤,如图5所示:步骤501,当电弧故障信息用于指示待检测电路存在发生电弧故障的趋势且待检测电路的电路数据满足预设保护条件时,切断待检测电路中的电源和/或进行电路故障保护。
待检测电路的电路数据包括待检测电路的温度数据和/或待检测电路的弧光强度。其中,预设保护条件包括待检测电路的温度数据高于预设温度阈值,和/或,待检测电路的弧光强度高于预设强度阈值。
预设温度阈值和预设强度阈值为计算机设备默认设置的,或者是用户自定义设置的参数,本实施例对此不加以限定。
在一个示意性的例子中,计算机设备获取待检测电路的电信号,该电信号包括电流信号和/或电压信号;计算机设备获取故障检测模型,该故障检测模型为采用样本电信号对LSTM网络进行训练得到的模型;计算机设备根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势,且该电弧故障信息还包括电弧故障的故障类型和/或故障发生位置,电弧故障的故障类型包括串联电弧故障和并联电弧故障中的一种。当电弧故障信息用于指示待检测电路存在发生电弧故障的趋势且待检测电路的电路数据满足预设保护条件时,切断待检测电路中的电源和/或进行电路故障保护。其中,预设保护条件包括待检测电路的温度数据高于预设温度阈值,和/或,待检测电路的弧光强度高于预设强度阈值。
可选的,电弧故障信息包括第三标识和第四标识中的一种,第三标识用于指示待检测电路存在发生电弧故障的趋势,第四标识用于指示待检测电路不存在发生电弧故障的趋势,第三标识不同于第四标识。
可选的,当电弧故障信息用于指示待检测电路存在发生电弧故障的趋势时,计算机设备获取待检测电路的温度数据和/或弧光强度,若待检测电路的温度数据高于预设温度阈值和/或弧光强度高于预设强度阈值,则执行切断待检测电路中的电源和/或进行电路故障保护的步骤。
在一个示意性的例子中,如图6所示,计算机设备的后端获取训练样本集,根据训练样本集中的至少一组样本数据组,采用LSTM模型进行训练,得到训练好的故障检测模型。1、当计算机设备的前端A获取待检测电路的电信号时,将待检测电路的电信号上传至后端。对应的,后端从该电信号中提取信号特征,将信号特征输入至训练好的故障检测模型中输出得到电弧故障信息。2、后端将电弧故障信息输出到前端B。
本申请实施例还通过采用故障检测模型同时做电弧故障的类别判断和位置发生位置判断这两个任务,使得输出的电弧故障信息除了用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障,电弧故障信息还包括电弧故障的故障类型和/或故障发生位置,进一步保证了电弧故障检测的检测效果。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图7,其示出了本申请一个示例性实施例提供的电弧故障检测装置的结构示意图。该电弧故障检测装置可以通过专用硬件电路,或者,软硬件的结合实现成为图1中的计算机设备的全部或一部分,该电弧故障检测装置包括:第一获取模块710、第二获取模块720和检测模块730。
第一获取模块710,用于获取待检测电路的电信号,电信号包括电流信号和/或电压信号;
第二获取模块720,用于获取故障检测模型,故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;
检测模块730,用于根据电信号,调用故障检测模型输出得到电弧故障信息,电弧故障信息用于指示待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
在一种可能的实现方式中,检测模块730,还用于:
从电信号中提取信号特征,信号特征包括电流波动特征和/或电压波动特征;
将信号特征输入至故障检测模型中,输出得到电弧故障信息;
其中,故障检测模型是根据至少一组样本数据组训练得到的,每组样本数据组包括:样本电信号和预先标注的正确电弧故障信息。
在另一种可能的实现方式中,该装置还包括:训练模块;该训练模块,用于:
获取训练样本集,训练样本集包括至少一组样本数据组;
对于至少一组样本数据组中的每组样本数据组,从样本电信号中提取样本信号特征;
将样本信号特征输入原始参数模型得到训练结果,原始参数模型为长短期记忆模型;
将训练结果与正确电弧故障信息进行比较,得到计算损失,计算损失用于指示训练结果与正确电弧故障信息之间的误差;
根据至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到故障检测模型。
在另一种可能的实现方式中,该装置还包括:更新模块;该更新模块,用于将电信号和电弧故障信息添加至训练样本集,得到更新后的训练样本集;根据更新后的训练样本集对故障检测模型进行训练,得到更新后的故障检测模型。
在另一种可能的实现方式中,电弧故障信息还包括电弧故障的故障类型和/或故障发生位置,电弧故障的故障类型包括串联电弧故障和并联电弧故障中的一种。
在另一种可能的实现方式中,该装置还包括:保护模块;该保护模块,用于当电弧故障信息用于指示待检测电路存在发生电弧故障的趋势且待检测电路的电路数据满足预设保护条件时,切断待检测电路中的电源和/或进行电路故障保护;
其中,预设保护条件包括待检测电路的温度数据高于预设温度阈值,和/或,待检测电路的弧光强度高于预设强度阈值。
在另一种可能的实现方式中,该装置还包括:保护模块;该保护模块,用于当电弧故障信息用于指示待检测电路发生电弧故障时,切断待检测电路中的电源和/或进行电路故障保护。
相关细节可结合参考上述各个方法实施例。其中,第一获取模块710和第二获取模块720还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能;检测模块730还用于实现上述方法实施例中其他任意隐含或公开的与检测步骤相关的功能。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述各个方法实施例中的电弧故障检测方法。该计算机设备可以是终端,也可以是服务器。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述各个方法实施例中由计算机设备执行的电弧故障检测方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的电弧故障检测方法中全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电弧故障检测方法,其特征在于,所述方法包括:
获取待检测电路的电信号,所述电信号包括电流信号和/或电压信号;
获取故障检测模型,所述故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;
根据所述电信号,调用所述故障检测模型输出得到电弧故障信息,所述电弧故障信息用于指示所述待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
2.根据权利要求1的方法,其特征在于,所述根据所述电信号,调用故障检测模型输出得到电弧故障信息,包括:
从所述电信号中提取信号特征,所述信号特征包括电流波动特征和/或电压波动特征;
将所述信号特征输入至所述故障检测模型中,输出得到所述电弧故障信息;
其中,所述故障检测模型是根据至少一组样本数据组训练得到的,每组所述样本数据组包括:样本电信号和预先标注的正确电弧故障信息。
3.根据权利要求2的方法,其特征在于,所述获取故障检测模型之前,还包括:
获取训练样本集,所述训练样本集包括所述至少一组样本数据组;
对于所述至少一组样本数据组中的每组样本数据组,从所述样本电信号中提取样本信号特征;
将所述样本信号特征输入原始参数模型得到训练结果,所述原始参数模型为长短期记忆模型;
将所述训练结果与所述正确电弧故障信息进行比较,得到计算损失,所述计算损失用于指示所述训练结果与所述正确电弧故障信息之间的误差;
根据所述至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到所述故障检测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述电信号,调用所述故障检测模型输出得到电弧故障信息之后,还包括:
将所述电信号和所述电弧故障信息添加至所述训练样本集,得到更新后的训练样本集;
根据所述更新后的训练样本集对所述故障检测模型进行训练,得到更新后的故障检测模型。
5.根据权利要求1至4任一所述的方法,其特征在于,所述电弧故障信息还包括所述电弧故障的故障类型和/或故障发生位置,所述电弧故障的故障类型包括串联电弧故障和并联电弧故障中的一种。
6.根据权利要求1至4任一所述的方法,其特征在于,所述根据所述电信号,调用所述故障检测模型输出得到电弧故障信息之后,还包括:
当所述电弧故障信息用于指示所述待检测电路存在发生所述电弧故障的趋势且所述待检测电路的电路数据满足预设保护条件时,切断所述待检测电路中的电源和/或进行电路故障保护;
其中,所述预设保护条件包括所述待检测电路的温度数据高于预设温度阈值,和/或,所述待检测电路的弧光强度高于预设强度阈值。
7.根据权利要求1至4任一所述的方法,其特征在于,所述根据所述电信号,调用所述故障检测模型输出得到电弧故障信息之后,还包括:
当所述电弧故障信息用于指示所述待检测电路发生所述电弧故障时,切断所述待检测电路中的电源和/或进行电路故障保护。
8.一种电弧故障检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待检测电路的电信号,所述电信号包括电流信号和/或电压信号;
第二获取模块,用于获取故障检测模型,所述故障检测模型为采用样本电信号对循环神经网络进行训练得到的模型;
检测模块,用于根据所述电信号,调用所述故障检测模型输出得到电弧故障信息,所述电弧故障信息用于指示所述待检测电路是否存在发生电弧故障的趋势或者是否发生电弧故障。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1至7任一所述的电弧故障检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1至7任一所述的电弧故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169676.9A CN111239569A (zh) | 2020-03-12 | 2020-03-12 | 电弧故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169676.9A CN111239569A (zh) | 2020-03-12 | 2020-03-12 | 电弧故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111239569A true CN111239569A (zh) | 2020-06-05 |
Family
ID=70880335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169676.9A Pending CN111239569A (zh) | 2020-03-12 | 2020-03-12 | 电弧故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239569A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030789A (zh) * | 2021-04-12 | 2021-06-25 | 辽宁工程技术大学 | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
CN114330452A (zh) * | 2021-12-31 | 2022-04-12 | 河北工业大学 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466927A (zh) * | 2014-12-31 | 2015-03-25 | 重庆布鲁杰科技有限公司 | 电缆头安全保护控制装置及其控制方法 |
CN205160054U (zh) * | 2015-12-01 | 2016-04-13 | 铁道第三勘察设计院集团有限公司 | 一种应用于轨道交通领域的电弧光保护装置 |
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN107370123A (zh) * | 2016-05-13 | 2017-11-21 | 上海电科电器科技有限公司 | 电弧故障检测装置 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
US20190283254A1 (en) * | 2018-03-17 | 2019-09-19 | Tata Consultancy Services Limited | System and method for fault detection in robotic actuation |
CN110456234A (zh) * | 2018-05-07 | 2019-11-15 | 珠海格力电器股份有限公司 | 故障电弧的检测方法、装置和系统 |
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 |
-
2020
- 2020-03-12 CN CN202010169676.9A patent/CN111239569A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466927A (zh) * | 2014-12-31 | 2015-03-25 | 重庆布鲁杰科技有限公司 | 电缆头安全保护控制装置及其控制方法 |
CN205160054U (zh) * | 2015-12-01 | 2016-04-13 | 铁道第三勘察设计院集团有限公司 | 一种应用于轨道交通领域的电弧光保护装置 |
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN107370123A (zh) * | 2016-05-13 | 2017-11-21 | 上海电科电器科技有限公司 | 电弧故障检测装置 |
US20190283254A1 (en) * | 2018-03-17 | 2019-09-19 | Tata Consultancy Services Limited | System and method for fault detection in robotic actuation |
CN110456234A (zh) * | 2018-05-07 | 2019-11-15 | 珠海格力电器股份有限公司 | 故障电弧的检测方法、装置和系统 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
CN113030789A (zh) * | 2021-04-12 | 2021-06-25 | 辽宁工程技术大学 | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 |
CN114330452A (zh) * | 2021-12-31 | 2022-04-12 | 河北工业大学 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111239569A (zh) | 电弧故障检测方法、装置、设备及存储介质 | |
CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
CN112149345B (zh) | 电池管理方法、装置、计算机设备和存储介质 | |
US20170214242A1 (en) | System and method for assessing smart power grid networks | |
CN109191021B (zh) | 电网异常事件的关联规则匹配方法及装置 | |
CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
CN114113984A (zh) | 基于混沌工程的故障演练方法、装置、终端设备及介质 | |
CN110955959A (zh) | 电力系统故障的快速生成及批量计算方法及装置 | |
CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
Mohanta et al. | Importance and uncertainty analysis in software reliability assessment of computer relay | |
CN110838940A (zh) | 地下电缆巡检任务配置方法和装置 | |
CN113901456A (zh) | 一种用户行为安全性预测方法、装置、设备及介质 | |
CN113533891A (zh) | 一种故障诊断系统及装置 | |
CN113222370A (zh) | 电力系统风险预警方法、装置、设备及存储介质 | |
CN113610904A (zh) | 3d局部点云对抗样本生成方法、系统、计算机及介质 | |
Levitin et al. | Multistate systems with static performance-dependent fault coverage | |
CN114726622B (zh) | 针对电力系统数据驱动算法的后门攻击影响评估方法及其系统和计算机存储介质 | |
CN114844778B (zh) | 核心网的异常检测方法、装置、电子设备及可读存储介质 | |
CN117034261B (zh) | 一种基于标识符的异常检测方法、装置、介质及电子设备 | |
CN117009962B (zh) | 一种基于有效标签的异常检测方法、装置、介质及设备 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
CN112925668B (zh) | 服务器健康评价方法、装置、设备以及存储介质 | |
CN112446171B (zh) | 电力系统暂态稳定监测方法、装置、终端设备及存储介质 | |
CN115022085A (zh) | 基于云原生场景的节点隔离方法及其装置、电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |