CN113076691A - 直流电弧检测方法、装置、设备、系统及存储介质 - Google Patents
直流电弧检测方法、装置、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN113076691A CN113076691A CN202110328848.7A CN202110328848A CN113076691A CN 113076691 A CN113076691 A CN 113076691A CN 202110328848 A CN202110328848 A CN 202110328848A CN 113076691 A CN113076691 A CN 113076691A
- Authority
- CN
- China
- Prior art keywords
- arcing
- neural network
- network model
- detection result
- direct
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 246
- 238000003062 neural network model Methods 0.000 claims abstract description 184
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 143
- 238000012545 processing Methods 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010891 electric arc Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010791 quenching Methods 0.000 description 3
- 230000000171 quenching effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 240000000491 Corchorus aestuans Species 0.000 description 1
- 235000011777 Corchorus aestuans Nutrition 0.000 description 1
- 235000010862 Corchorus capsularis Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
- H02H1/0015—Using arc detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本申请提供一种直流电弧检测方法、装置、设备、系统及存储介质,该方法包括:获取直流电路的电气量;将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。由于通过将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,实现了对直流电弧故障的检测,进一步提高了直流电弧故障检测的准确性。
Description
技术领域
本申请涉及电弧检测技术领域,尤其涉及一种直流电弧检测方法、装置、设备、系统及存储介质。
背景技术
目前的光伏发电系统在国家的政策扶植下得以大力推广,但是在施工过程中由于材料偷工减料或者施工不规范往往造成一些安全隐患。由于直流电弧电流没有过零点,不会像交流电弧那样周期性的熄灭和重燃,直流电弧一旦燃烧便很难熄灭,而光伏电池板持续的电流输出为故障电弧提供了稳定燃烧的环境,使其有源源不断的能量注入。因此,直流电弧故障会对光伏组件和输电线路造成巨大的损伤,并有引发火灾的风险。因此,如何准确的检测直流电弧成为亟待解决的问题。
现有技术中,为了实现对电弧的检测,通常依靠人为挖掘电弧的特征,并通过对电弧的特征的归纳和提炼,作为电弧判据,以判断是否存在直流电弧,例如,通过获取并观察发生电弧故障时的直流电弧电流波形和未发生电弧故障时的正常电流波形,然后通过比较正常电流波形和直流电弧电流波形,寻找差异,进而根据差异特征形成若干判据和对应阈值(例如,前后时刻电流方差的差值大于阈值K,判断为产生电弧),最后光伏发电系统依据判据和阈值实时检测是否有直流电弧产生,进而判断发生直流电弧或未发生直流电弧。
然而现有技术中,通过人工寻找电弧特征和非电弧特征对直流电弧进行实时检测,准确性较低。
发明内容
本申请实施例提供一种直流电弧检测方法、装置、设备、系统及存储介质,用于实现了对直流电弧故障的检测,提高了直流电弧故障检测的准确性。
第一方面,本申请提供一种直流电弧检测方法,包括:
获取直流电路的电气量;将所述电气量输入燃弧神经网络模型,用于对所述直流电路进行燃弧检测,得到燃弧检测结果;若所述燃弧检测结果为检测到燃弧,则确定所述直流电路存在直流电弧故障。
电弧是电流通过绝缘介质所产生的瞬间火花,电弧可以分为起弧和燃弧,其中,起弧是引燃电弧,燃弧是起弧后的电弧,另外,电弧还可以包括熄弧,熄弧是熄灭电弧,燃弧也可以表示起弧到熄弧之间的电弧。燃弧检测用于检测是否存在燃弧。起弧检测用于检测是否存在起弧。本申请实施例中,通过将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,实现了对直流电弧故障的检测,提高了直流电弧故障检测的准确性。
可选的,电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
标幺化处理用于计算原始电气量与基准值之间的比值。在标幺值是电力系统分析和工程计算中常用的数值标记方法,表示各物理量及参数的相对值,计算标幺值的过程即为标幺化处理。本申请实施例中,通过对原始电气量进行傅里叶变换和数据标幺化,有利于提高起弧神经网络模型和燃弧神经网络模型的准确性。
可选的,本申请实施例提供的直流电弧检测方法,在将电气量输入燃弧神经网络模型之前,还包括:
将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果;若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型。
本申请实施例中,通过将电气量输入至起弧神经网络模型对直流电路进行起弧检测,有效降低了电弧的误识别率,然后在检测到起弧之后,将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,实现了对直流电弧故障的检测,进一步提高了直流电弧故障检测的准确性。
可选的,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
本申请实施例中,通过根据起弧训练数据和非燃弧训练数据,对起弧神经网络模型进行训练,提高起弧神经网络模型的准确性。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。本申请实施例中,通过根据燃弧训练数据和非燃弧训练数据对燃弧神经网络模型进行训练,提高了燃弧神经网络模型的准确性。
可选的,起弧检测结果为直流电路存在起弧的分数值,本申请实施例提供的直流电弧检测方法,包括:
若起弧检测结果大于第一阈值,则确定起弧检测结果为检测到起弧。
本申请实施例中,通过设置阈值,当起弧神经网络模型的输出结果大于该阈值,则确定检测到起弧,提高了起弧判断的准确性,进而提高了直流电弧故障检测的准确性。
可选的,本申请实施例提供的直流电弧检测方法,还包括:
若起弧检测结果小于或等于第一阈值,则继续将电气量输入起弧神经网络模型,直到确定直流电路存在起弧。
本申请实施例中,通过在起弧神经网络模型的输出结果小于或等于第一阈值时,即未检测到起弧时,继续将电气量输入起弧神经网络模型,对起弧进行检测,直到确定直流电路中是否存在直流电弧故障,实现了对起弧的检测。
可选的,燃弧检测结果为直流电路存在燃弧的分数值,本申请实施例提供的直流电弧检测方法,包括:
若燃弧检测结果大于第二阈值,则确定燃弧检测结果为检测到燃弧。
本申请实施例中,实现了对燃弧的确定,并通过设置第二阈值,若燃弧神经网络模型的输出结果大于第二阈值,则确定检测到燃弧,提高了燃弧判断的准确性,进而提高了直流电弧故障判断的准确性。
可选的,本申请实施例提供的直流电弧检测方法,还包括:
若燃弧检测结果小于或等于第二阈值,则判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长;若时长小于预设时长,则继续将电气量作为燃弧神经网络模型的输入参数,直到确定直流电路是否存在直流电弧故障;若时长大于或等于预设时长,则继续将电气量作为起弧神经网络模型的输入参数,直到确定直流电路存在起弧。
通过设置预设时长,实现了在检测到起弧的预设时长内检测到燃弧,则判断直流电弧故障,提高了直流电弧故障检测的准确性。
可选的,在确定直流电路存在直流电弧故障之后,还包括:
推送告警信息,以向用户提示直流电路存在直流电弧故障。
本申请实施例中,通过推送告警信息,实现了向用户提示直流电路存在直流电弧故障,进而使用户采取相应的措施,避免发生灾害。
可选的,本申请实施例提供的直流电弧检测方法,还包括:
判断直流电弧故障的结果是否准确;若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
本申请实施例中,通过对起弧神经网络模型和燃弧神经网络模型进行更新,提高了起弧神经网络和燃弧神经网络的可靠性。
下面介绍本申请实施例提供的直流电弧检测装置、设备、系统、存储介质以及计算机程序产品,其内容和效果可参考本申请实施例第一方面及第一方面可选方式提供的直流电弧检测方法,不再赘述。
第二方面,本申请实施例提供一种直流电弧检测装置,包括:
获取模块,用于获取直流电路的电气量;第一处理模块,用于将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;第一处理模块,还用于若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。
可选的,电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
第二处理模块,用于将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果;第二处理模块,还用于若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型。
可选的,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。
可选的,本申请实施例提供的直流电弧检测装置,起弧检测结果为直流电路存在起弧的分数值,第二处理模块,具体用于:
若起弧检测结果大于第一阈值,则确定起弧检测结果为检测到起弧。
可选的,本申请实施例提供的直流电弧检测装置,第二处理模块,还用于:
若起弧检测结果小于或等于第一阈值,则继续将电气量输入起弧神经网络模型,直到确定直流电路存在起弧。
可选的,本申请实施例提供的直流电弧检测装置,燃弧检测结果为直流电路存在燃弧的分数值,第一处理模块,具体用于:
若燃弧检测结果大于第二阈值,则确定燃弧检测结果为检测到燃弧。
可选的,本申请实施例提供的直流电弧检测装置,第一处理模块,具体用于:
若燃弧检测结果小于或等于第二阈值,则判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长;若时长小于预设时长,则继续将电气量输入燃弧神经网络模型,直到确定直流电路是否存在直流电弧故障。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
推送模块,用于推送告警信息,以向用户提示直流电路存在直流电弧故障。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
判断模块,用于判断直流电弧故障的结果是否准确;更新模块,用于若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
第三方面,本申请实施例提供一种设备,包括处理器和传输接口,
传输接口,用于获取直流电路的电气量;处理器,用于将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。
可选的,电气量是原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
可选的,处理器还用于:将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果;若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型。
可选的,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。
可选的,起弧检测结果为直流电路存在起弧的分数值,处理器,具体用于:
若起弧检测结果大于第一阈值,则确定起弧检测结果为检测到起弧。
可选的,处理器,还用于:若起弧检测结果小于或等于第一阈值,则继续将电气量输入起弧神经网络模型,直到确定直流电路存在起弧。
可选的,燃弧检测结果为直流电路存在燃弧的分数值,处理器,还用于:
若燃弧检测结果大于第二阈值,则确定燃弧检测结果为检测到燃弧。
可选的,处理器还用于:
若燃弧检测结果小于或等于第二阈值,则判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长;若时长小于预设时长,则继续将电气量输入燃弧神经网络模型,直到确定直流电路是否存在直流电弧故障。
可选的,处理器还用于:推送告警信息,以向用户提示直流电路存在直流电弧故障。
可选的,处理器还用于:判断直流电弧故障的结果是否准确;若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
第四方面,本申请实施例提供一种系统,包括传感器和如第三方面及第三方面可选方式提供的设备,传感器用于采集直流电路的电气量。
第五方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有指令,当指令在计算机或处理器上运行时,使得计算机或处理器执行如第一方面及第一方面可选方式的方法。
第六方面,本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机或处理器上运行时,使得该计算机或处理器执行如上述第一方面或者及第一方面可选方式提供的方法。
本申请实施例提供的直流电弧检测方法、装置、设备、系统及存储介质,获取直流电路的电气量;将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。由于通过将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,实现了对直流电弧故障的检测,进一步提高了直流电弧故障检测的准确性。
附图说明
图1是本申请实施例一示例性应用场景图;
图2是本申请一实施例提供的直流电弧检测方法的流程示意图;
图3是本申请另一实施例提供的直流电弧检测方法的流程示意图;
图4是本申请又一实施例提供的直流电弧检测方法的流程示意图;
图5是本申请一实施例提供的直流电弧检测装置的结构示意图;
图6是本申请一实施例提供的终端设备的结构示意图;
图7是本申请另一实施例提供的终端设备的结构示意图;
图8是本申请一实施例提供的直流电弧检测系统的结构示意图。
具体实施方式
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三、第四等来描述训练数据,但这些训练数据不应限于这些术语。这些术语仅用来将训练数据彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一训练数据也可以被称为第二训练数据,类似地,第二训练数据也可以被称为第一训练数据。
目前的光伏发电系统在国家的政策扶植下得以大力推广,但是在施工过程中由于材料偷工减料或者施工不规范往往造成一些安全隐患。由于直流电弧电流没有过零点,不会像交流电弧那样周期性的熄灭和重燃,直流电弧一旦燃烧便很难熄灭,而光伏电池板持续的电流输出为故障电弧提供了稳定燃烧的环境,使其有源源不断的能量注入。因此,直流电弧故障会对光伏组件和输电线路造成巨大的损伤,并有引发火灾的风险。因此,如何准确的检测直流电弧成为亟待解决的问题。然而现有技术中,通过人工寻找电弧特征和非电弧特征对直流电弧进行实时检测,准确性较低。为了解决上述技术问题,本申请实施例提供了一种直流电弧检测方法、装置、设备、系统及存储介质。
下面对本申请实施例的一示例性应用场景进行介绍。
图1是本申请实施例一示例性应用场景图,如图1所示,本申请实施例可以应用于光伏发电系统11中,光伏发电系统11可以包括电池板12和逆变器13,电池板12用于将太阳能转换成电能,逆变器13用于将电池板12传输的直流电转化为交流电。光伏发电系统直流侧连接大量光伏组串,光伏组串的空间上分布分散、存在大量连接器用于光伏组件连接且直流侧线缆长,使得对直流电弧故障的检测成为光伏发电系统的重要问题。电弧产生的原因主要包括线路接触不良和线路绝缘老化,线路接触不良通常在线路连接处发生,如果在连接处接头接得不好,就会阻碍电流在导线中的流动,容易引起线路发热和故障电弧。当线路绝缘水平下降时,供电线容易发生绝缘击穿而导致电弧性短路。线路绝缘破损,电缆芯与电缆芯或电缆芯与铅皮之间的绝缘体被击穿而产生电弧,致使电缆的绝缘材料黄麻保护层发生燃烧。因此,不止是在光伏发电系统中,例如其他的涉及到可能会产生直流电弧的电路、场景中均可以采用本申请实施例提供的直流电弧检测方法,例如电动汽车领域、航空航天领域等,本申请实施例对此不做限制。基于此,本申请实施例提供一种直流电弧检测方法、装置、设备、系统及存储介质。
图2是本申请一实施例提供的直流电弧检测方法的流程示意图,该方法可以通过本申请实施例提供的直流电弧检测装置执行,该装置可以通过软件和/或硬件的方式实现,例如,直流电弧检测装置可以是终端设备的部分或全部,例如可以是终端设备中的处理器,下面以终端设备为执行主体为例,对本申请实施例提供的直流电弧检测方法进行介绍。如图2所示,本申请实施例提供的直流电弧检测方法,可以包括:
步骤S101:获取直流电路的电气量。
获取直流电路的电气量,可以通过终端设备中的传感器获取直流电路中的电气量,或者通过处理器的传输接口从传感器中获取电气量,本申请实施例对获取电气量的方式不做限制。电气量可以是直流电路的电流数据,或者直流电路的电压数据,或者是电流数据和电压数据等,本申请实施例对电气量的具体数据类型不做限制。
本申请实施例对电气量的形式不做限制,由于直流电弧在电流频谱上存在明显的特征,在一种可能的实施方式中,电气量是经过傅里叶变换和数据标幺化处理之后的数据。
通过以电流频谱作为神经网络模型的输入有利于模型的训练以及运行,可以提高模型泛化能力。另外,标幺化是电力系统分析和工程计算中常用的数值标记方法,表示各物理量及参数的相对值,标幺值是相对于某一基准值而言的,同一有名值,当基准值选取不同时,其标幺值也不同,它们的关系如下:标幺值=有名值/基准值。通过对电气量的傅里叶变换和数据标幺化处理,可以提高电气量的可靠性。
步骤S102:将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果。
本申请实施例对燃弧神经网络模型的具体模型参数不做限制,只要能够实现对直流电路的燃弧检测即可,在一种可能的实施方式中,燃弧神经网络模型可以选择卷积神经网络,卷积神经网络能够更为深入地挖掘电弧特性,例如输入数据之间的边沿特征,因此具有较强的燃弧和非燃弧的区分能力,其次,卷积神经网络实现了参数共享,有效减少了网络参数。本申请实施例对此不做限制。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。为了实现将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,在一种可能的实施方式中,本申请实施例提供的直流电弧检测方法,在将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测之前,还可以包括:
获取燃弧神经网络模型对应的第二训练数据,第二训练数据包括:燃弧训练数据和非燃弧训练数据;根据第二训练数据训练燃弧神经网络模型。
获取燃弧神经网络模型对应的第二训练数据,可以通过采集直流电路的历史电气量,本申请实施例对第二训练数据的样本数量不做限制,第二训练数据包括燃弧训练数据和非燃弧训练数据,其中,燃弧训练数据和非燃弧训练数据的判断,可以根据数据采集时刻电弧发生的阶段判断,或者可以根据电气量变化的剧烈程度等判断。
本申请实施例对根据第二训练数据训练燃弧神经网络模型的具体实现方式不做限制,例如,可以通过将燃弧训练数据作为正样本,并标记为1,将非燃弧训练数据作为负样本,并标记为0,对燃弧神经网络模型进行训练,使燃弧神经网络模型可以有效的识别出燃弧。在具体训练过程中,可以通过将第二训练数据按照比例进行分组,例如分为训练集、测试集和开发集等,本申请实施例对第二训练数据分组类别以及分组比例不做限制。通过训练集对燃弧神经网络模型进行训练,并通过开发集或测试集对燃弧神经网络模型进行测试和验证。在一种可能的实施方式中,若在开发集和测试集上燃弧检测的准确率达到设定阈值,则对燃弧神经网络模型训练结束;若在开发集和测试集上起弧检测的准确率未达到设定阈值,则对燃弧神经网络模型进行调整,并继续进行训练。本申请实施例中,通过根据燃弧训练数据和非燃弧训练数据,对燃弧神经网络模型进行训练,提高燃弧神经网络模型的准确性。
本申请实施例对将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测的具体实现形式不做限制,例如,可以根据燃弧神经网络模型的输出结果,直接判断是否检测到了燃弧,或在根据燃弧神经网络模型的输出结果,进一步推断是否检测到了燃弧,本申请实施例对此不做限制。
步骤S103:若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。
若燃弧检测结果检测到燃弧,则确定直流电路存在直流电弧故障。若燃弧检测结果为未检测到燃弧,则确定直流电路不存在直流电弧故障。本申请实施例对确定直流电路存在直流电弧障碍之后的后续操作不做限制,在一种可能的实施方式中,在步骤S103之后,还包括:
推送告警信息,以向用户提示直流电路存在直流电弧故障。
推送告警信息可以通过语音、指示灯、文字信息等形式进行,本申请实施例对推送告警信息的方式不做限制,只要可以向用户提示直流电路存在直流电弧故障即可。通过推送告警信息,实现了向用户提示直流电路存在直流电弧故障,进而使用户采取相应的措施,避免发生灾害。
本申请实施例中,通过将电气量输入至起弧神经网络模型对直流电路进行起弧检测,有效降低了电弧的误识别率,然后在检测到起弧之后,将电气量输入燃弧神经网络模型,以对直流电路进行燃弧检测,通过分阶段的直流电弧检测方法利用电弧的起始特征初步判断是否存在电弧,然后利用燃弧神经网络模型进行二次确认,有效提高对噪声抗干扰能力,降低误触发率的同时提升识别准确性。
为了降低电弧的误识别率,在一种可能的实施方式中,图3是本申请另一实施例提供的直流电弧检测方法的流程示意图,该方法可以通过本申请实施例提供的直流电弧检测装置执行,该装置可以通过软件和/或硬件的方式实现,例如,直流电弧检测装置可以是终端设备的部分或全部,例如可以是终端设备中的处理器,下面以终端设备为执行主体为例,对本申请实施例提供的直流电弧检测方法进行介绍。如图3所示,本申请实施例提供的直流电弧检测方法,在步骤S101之后可以包括:
步骤S201:将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果。
将电气量输入起弧神经网络模型,对直流电路进行起弧检测,本申请实施例对起弧神经网络模型的具体模型参数不做限制,只要能够实现对直流电路的起弧检测即可,在一种可能的实施方式中,起弧神经网络模型可以是多层感知机,多层感知机有多个神经元层,因此也叫深度神经网络,多层感知机计算量小,能有效减小处理器的负担。本申请实施例对此不做限制。在另一种可能的实施方式中,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
为了实现将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测。在一种可能的实施方式中,本申请实施例提供的直流电弧检测方法,在将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测之前,还可以包括:
获取起弧神经网络模型对应的第一训练数据,第一训练数据包括:起弧训练数据和非燃弧训练数据;根据第一训练数据训练起弧神经网络模型。
获取起弧神经网络模型对应的第一训练数据,可以通过采集直流电路的历史电气量获取,本申请实施例对第一训练数据的样本数不做限制,第一训练数据包括起弧训练数据和非燃弧训练数据,其中,起弧训练数据和非燃弧训练数据的判断,可以根据数据采集时刻电弧发生的阶段判断,或者可以根据电气量变化的剧烈程度等判断。
本申请实施例对根据第一训练数据训练起弧神经网络模型的具体实现方式不做限制,例如,可以通过将起弧训练数据作为正样本,并标记为1,将非燃弧训练数据作为负样本,并标记为0,对起弧神经网络模型进行训练,使起弧神经网络模型可以有效的识别出起弧。在具体训练过程中,可以通过将第一训练数据按照比例进行分组,例如分为训练集、测试集和开发集等,本申请实施例对第一训练数据分组类别以及分组比例不做限制。通过训练集对起弧神经网络模型进行训练,并通过开发集或测试集对起弧神经网络模型进行测试和验证。在一种可能的实施方式中,若在开发集和测试集上起弧检测的准确率达到设定阈值,则对起弧神经网络模型训练结束。若在开发集和测试集上起弧检测的准确率未达到设定阈值,则对起弧神经网络模型进行调整,并继续进行训练。本申请实施例中,通过根据起弧训练数据和非燃弧训练数据,对起弧神经网络模型进行训练,提高起弧神经网络模型的准确性。
若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,若起弧检测结果为未检测到起弧,则可以返回至步骤S101中。将电气量作为起弧神经网络模型的输入参数,得到起弧神经网络的输出结果,本申请实施例对起弧神经网络的输出结果的形式不做限制,在一种可能的实施方式中,输出结果可以是起弧的概率。例如,可以通过输出结果为起弧的百分比、分值、类别等形式,本申请实施例对此不做限制。在一种可能的实施方式中,起弧检测结果为直流电路存在起弧的分数值,例如,起弧检测结果为0,则表示直流电路不存在起弧,若起弧检测结果为100,则表示直流电路一定存在起弧,本申请实施例对此不做限制。
可选的,在步骤S201之后,如图3所示,本申请实施例提供的直流电弧检测方法还可以包括:
步骤S202:判断起弧检测结果是否大于第一阈值。
第一阈值的设置形式可以根据输出结果的形式进行设置,例如,输出结果为起弧的百分比,则可以设置第一阈值的形式为百分比的形式等。另外,本申请实施例对第一阈值的具体数值不做限制,具体可以根据用户需求进行调整。在确定第一阈值和起弧神经网络模型的输出结果之后,判断起弧神经网络模型的输出结果是否大于第一阈值。
若判断起弧神经网络模型的输出结果小于或等于第一预设阈值,表示未检测到起弧,则执行步骤S201,继续将电气量输入起弧神经网络模型以判断是否存在起弧。通过在起弧检测结果小于或等于第一阈值时,即未检测到起弧时,继续将电气量输入起弧神经网络模型,实现了对起弧的检测。
若判断起弧神经网络模型的输出结果大于第一阈值,则确定检测到起弧,并执行步骤S102。通过设置阈值,当起弧神经网络模型的输出结果大于该阈值,则确定检测到起弧,提高了起弧判断的准确性,进而提高了直流电弧故障检测的准确性。
通过步骤S102,将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果,将电气量作为燃弧神经网络模型的输入参数,得到燃弧神经网络的输出结果,本申请实施例对燃弧神经网络的输出结果的形式不做限制,在一种可能的实施方式中,输出结果可以是燃弧的概率。例如,可以通过输出结果为燃弧的百分比、分值、类别等形式,本申请实施例对此不做限制。
在步骤S102之后,如图3所示,本申请实施例提供的直流电弧检测方法,还可以包括:
步骤S203:判断燃弧检测结果是否大于第二阈值。
第二阈值的设置形式可以根据输出结果的形式进行设置,例如,输出结果为燃弧的百分比,则可以设置第二阈值的形式为百分比的形式等。另外,本申请实施例对第二阈值的具体数值不做限制,具体可以根据用户需求进行调整。在确定第二阈值和燃弧神经网络模型的输出结果之后,判断燃弧神经网络模型的输出结果是否大于第二阈值。
经过判断,若燃弧神经网络模型的输出结果大于第二阈值,则至步骤S204。
步骤S204:燃弧检测结果为检测到燃弧,确定直流电路存在直流电弧故障。
通过设置第二阈值,若燃弧神经网络模型的输出结果大于第二阈值,则确定检测到燃弧,提高了燃弧判断的准确性,进而提高了直流电弧故障判断的准确性。
经过判断,若燃弧神经网络模型的输出结果小于或等于第二阈值,则执行步骤S205。
步骤S205:判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长。
本申请实施例对预设时长的具体时长不做限制,具体可以根据用户需求进行设置,在一种可能的实施方式中,预设时长为2分钟,本申请实施例不限于此。本申请实施例对检测到起弧的时间以及当前时间的时长的获取方式不做限制,只要能够获取到该时长即可。
经过判断,若时长小于预设时长,则返回执行步骤S102,继续将电气量输入燃弧神经网络模型,以判断在检测到起弧起至预设时长内是否存在燃弧,进而实现对直流电弧故障的检测。若时长大于或等于预设时长,则返回执行步骤S201,继续将电气量输入起弧神经网络模型。
本申请实施例中,通过设置预设时长,实现了在检测到起弧的预设时长内检测到燃弧,则判断直流电弧故障,提高了直流电弧故障检测的准确性。
为了提高了起弧神经网络和燃弧神经网络的可靠性,在一种可能的实施方式中,图4是本申请又一实施例提供的直流电弧检测方法的流程示意图,该方法可以通过本申请实施例提供的直流电弧检测装置执行,该装置可以通过软件和/或硬件的方式实现,例如,直流电弧检测装置可以是终端设备的部分或全部,例如可以是终端设备中的处理器,下面以终端设备为执行主体为例,对本申请实施例提供的直流电弧检测方法进行介绍。如图4所示,本申请实施例提供的直流电弧检测方法,还可以包括:
步骤S301:判断直流电弧故障的结果是否准确。
在确定直流电弧故障的过程中,可能会存在误判的情况,为了提高直流电弧检测的准确性,可以通过判断直流电弧故障的结果是否准确,以获取直流电弧检测的准确率。
步骤S302:若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
若直流电弧故障的判断结果不准确,则可以通过提取直流电弧故障判断不准确的数据,并以此数据作为样本,采用上述实施例中对起弧神经网络模型和燃弧神经网络模型的方式,分别对起弧神经网络模型和燃弧神经网络模型进行训练,以更新起弧神经网络模型和燃弧神经网络模型,进而提高起弧神经网络和燃弧神经网络的可靠性。
提取直流电弧故障判断不准确的数据,可以通过获取一段时间内的数据,并利用该一段时间内的数据分别对起弧神经网络模型和燃弧神经网络模型进行训练,本申请实施例对更新起弧神经网络模型和燃弧神经网络模型的频率不做限制,具体可以根据实际需求进行设置,例如,收集每个自然月内直流电弧故障判断不准确的数据,对起弧神经网络模型和燃弧神经网络模型进行训练,在每个自然月对起弧神经网络模型和燃弧神经网络模型进行更新。
本申请实施例中,通过对起弧神经网络模型和燃弧神经网络模型进行更新,提高了起弧神经网络和燃弧神经网络的可靠性。
下面介绍本申请实施例提供的直流电弧检测装置、设备、系统、存储介质以及计算机程序产品,其内容和效果可参考本申请实施例提供的直流电弧检测方法,不再赘述。
本申请实施例提供一种直流电弧检测装置,图5是本申请一实施例提供的直流电弧检测装置的结构示意图,该装置可以通过软件和/或硬件的方式实现,例如,直流电弧检测装置可以是终端设备的部分或全部,例如可以是终端设备中的处理器,如图5所示,本申请实施例提供的直流电弧检测装置,还可以包括:
获取模块51,用于获取直流电路的电气量;第一处理模块52,用于将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;第一处理模块52,还用于若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。
可选的,电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
第二处理模块53,用于将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果;第二处理模块53,还用于若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型。
可选的,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。
可选的,本申请实施例提供的直流电弧检测装置,起弧检测结果为直流电路存在起弧的分数值,第二处理模块53,具体用于:
若起弧检测结果大于第一阈值,则确定起弧检测结果为检测到起弧。
可选的,本申请实施例提供的直流电弧检测装置,第二处理模块53,还用于:
若起弧检测结果小于或等于第一阈值,则继续将电气量输入起弧神经网络模型,直到确定直流电路存在起弧。
可选的,本申请实施例提供的直流电弧检测装置,燃弧检测结果为直流电路存在燃弧的分数值,第一处理模块52,具体用于:
若燃弧检测结果大于第二阈值,则确定燃弧检测结果为检测到燃弧。
可选的,本申请实施例提供的直流电弧检测装置,第一处理模块52,具体用于:
若燃弧检测结果小于或等于第二阈值,则判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长;若时长小于预设时长,则继续将电气量输入燃弧神经网络模型,直到确定直流电路是否存在直流电弧故障。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
推送模块54,用于推送告警信息,以向用户提示直流电路存在直流电弧故障。
可选的,本申请实施例提供的直流电弧检测装置,还包括:
判断模块55,用于判断直流电弧故障的结果是否准确;更新模块56,用于若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
本申请所提供的装置实施例仅仅是示意性的,图5中的模块划分仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个模块可以结合或者可以集成到另一个系统。各个模块相互之间的耦合可以是通过一些接口实现,这些接口通常是电性通信接口,但是也不排除可能是机械接口或其它的形式接口。因此,作为分离部件说明的模块可以是或者也可以不是物理上分开的,既可以位于一个地方,也可以分布到同一个或不同设备的不同位置上。
本申请实施例提供一种设备,图6是本申请一实施例提供的终端设备的结构示意图,如图6所示,本申请提供的终端设备包括处理器61、存储器62、收发器63,该存储器中存储有软件指令或者说计算机程序;处理器可以是芯片,收发器63实现终端设备对通信数据的发送和接收,处理器61被配置为调用存储器中的软件指令以实现上述直流电弧检测方法,其内容及效果请参考方法实施例。
本申请实施例提供一种设备,图7是本申请另一实施例提供的终端设备的结构示意图,如图7所示,本申请实施例提供的设备包括处理器71和传输接口72,
传输接口72,用于获取直流电路的电气量;处理器71,用于将电气量输入燃弧神经网络模型,用于对直流电路进行燃弧检测,得到燃弧检测结果;若燃弧检测结果为检测到燃弧,则确定直流电路存在直流电弧故障。
可选的,电气量是原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
可选的,处理器71还用于:将电气量输入起弧神经网络模型,用于对直流电路进行起弧检测,得到起弧检测结果;若起弧检测结果为检测到起弧,则将电气量输入燃弧神经网络模型。
可选的,起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,第一训练数据包括:起弧训练数据和非燃弧训练数据。
可选的,燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,第二训练数据包括:燃弧训练数据和非燃弧训练数据。
可选的,起弧检测结果为直流电路存在起弧的分数值,处理器71,具体用于:
若起弧检测结果大于第一阈值,则确定起弧检测结果为检测到起弧。
可选的,处理器71,还用于:若起弧检测结果小于或等于第一阈值,则继续将电气量输入起弧神经网络模型,直到确定直流电路存在起弧。
可选的,燃弧检测结果为直流电路存在燃弧的分数值,处理器71,还用于:
若燃弧检测结果大于第二阈值,则确定燃弧检测结果为检测到燃弧。
可选的,处理器71还用于:
若燃弧检测结果小于或等于第二阈值,则判断从检测到起弧的时间到当前时间之间的时长是否小于预设时长;若时长小于预设时长,则继续将电气量输入燃弧神经网络模型,直到确定直流电路是否存在直流电弧故障。
可选的,处理器71还用于:推送告警信息,以向用户提示直流电路存在直流电弧故障。
可选的,处理器71还用于:判断直流电弧故障的结果是否准确;若直流电弧故障的判断结果不准确,则根据电气量更新起弧神经网络模型和燃弧神经网络模型。
本申请实施例提供一种系统,图8是本申请一实施例提供的直流电弧检测系统的结构示意图,如图8所示,本申请实施例提供的系统包括传感器81和上述实施例提供的设备82,传感器81用于采集直流电路的电气量。
本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有指令,当指令在计算机或处理器上运行时,使得计算机或处理器执行本申请实施例提供的直流电弧检测方法。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机或处理器上运行时,使得该计算机或处理器执行如本申请实施例提供的直流电弧检测方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (35)
1.一种电弧检测方法,其特征在于,包括:
获取直流电路的电气量;
将所述电气量输入燃弧神经网络模型,用于对所述直流电路进行燃弧检测,得到燃弧检测结果;
若所述燃弧检测结果为检测到燃弧,则确定所述直流电路存在直流电弧故障。
2.根据权利要求1所述的方法,其特征在于,所述电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
3.根据权利要求1或2所述的方法,其特征在于,在将所述电气量输入燃弧神经网络模型之前,还包括:
将所述电气量输入起弧神经网络模型,用于对所述直流电路进行起弧检测,得到起弧检测结果;
若所述起弧检测结果为检测到起弧,则将所述电气量输入所述燃弧神经网络模型。
4.根据权利要求3所述的方法,其特征在于,
所述起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,所述第一训练数据包括:起弧训练数据和非燃弧训练数据。
5.根据权利要求4所述的方法,其特征在于,
所述燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,所述第二训练数据包括:燃弧训练数据和非燃弧训练数据。
6.根据权利要求5所述的方法,其特征在于,所述起弧检测结果为所述直流电路存在所述起弧的分数值,包括:
若所述起弧检测结果大于第一阈值,则确定所述起弧检测结果为检测到所述起弧。
7.根据权利要求6所述的方法,其特征在于,还包括:
若所述起弧检测结果小于或等于所述第一阈值,则继续将所述电气量输入所述起弧神经网络模型,直到确定所述直流电路存在起弧。
8.根据权利要求7所述的方法,其特征在于,所述燃弧检测结果为所述直流电路存在所述燃弧的分数值,包括:
若所述燃弧检测结果大于第二阈值,则确定所述燃弧检测结果为检测到所述燃弧。
9.根据权利要求8所述的方法,其特征在于,还包括:
若所述燃弧检测结果小于或等于所述第二阈值,则判断从检测到所述起弧的时间到当前时间之间的时长是否小于预设时长;
若所述时长小于所述预设时长,则继续将所述电气量输入所述燃弧神经网络模型,直到确定所述直流电路是否存在直流电弧故障。
10.根据权利要求1-9任一项所述的方法,其特征在于,在确定所述直流电路存在直流电弧故障之后,还包括:
推送告警信息,以向用户提示所述直流电路存在直流电弧故障。
11.根据权利要求3-9任一项所述的方法,其特征在于,还包括:
判断直流电弧故障的结果是否准确;
若所述直流电弧故障的判断结果不准确,则根据所述电气量更新所述起弧神经网络模型和所述燃弧神经网络模型。
12.一种电弧检测装置,其特征在于,包括:
获取模块,用于获取直流电路的电气量;
第一处理模块,用于将所述电气量输入燃弧神经网络模型,用于对所述直流电路进行燃弧检测,得到燃弧检测结果;
所述第一处理模块,还用于若所述燃弧检测结果为检测到燃弧,则确定所述直流电路存在直流电弧故障。
13.根据权利要求12所述的装置,其特征在于,所述电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
14.根据权利要求12或13所述的装置,其特征在于,还包括:
第二处理模块,用于将所述电气量输入起弧神经网络模型,用于对所述直流电路进行起弧检测,得到起弧检测结果;
所述第二处理模块,还用于若所述起弧检测结果为检测到起弧,则将所述电气量输入所述燃弧神经网络模型。
15.根据权利要求14所述的装置,其特征在于,
所述起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,所述第一训练数据包括:起弧训练数据和非燃弧训练数据。
16.根据权利要求15所述的装置,其特征在于,
所述燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,所述第二训练数据包括:燃弧训练数据和非燃弧训练数据。
17.根据权利要求16所述的装置,其特征在于,所述起弧检测结果为所述直流电路存在所述起弧的分数值,所述第二处理模块,具体用于:
若所述起弧检测结果大于第一阈值,则确定所述起弧检测结果为检测到所述起弧。
18.根据权利要求17所述的装置,其特征在于,所述第二处理模块,还用于:
若所述起弧检测结果小于或等于所述第一阈值,则继续将所述电气量输入所述起弧神经网络模型,直到确定所述直流电路存在起弧。
19.根据权利要求18所述的装置,其特征在于,所述燃弧检测结果为所述直流电路存在所述燃弧的分数值,所述第一处理模块,具体用于:
若所述燃弧检测结果大于第二阈值,则确定所述燃弧检测结果为检测到所述燃弧。
20.根据权利要求19所述的装置,其特征在于,所述第一处理模块,具体用于:
若所述燃弧检测结果小于或等于所述第二阈值,则判断从检测到所述起弧的时间到当前时间之间的时长是否小于预设时长;
若所述时长小于所述预设时长,则继续将所述电气量输入所述燃弧神经网络模型,直到确定所述直流电路是否存在直流电弧故障。
21.根据权利要求12-20任一项所述的装置,其特征在于,还包括:
推送模块,用于推送告警信息,以向用户提示所述直流电路存在直流电弧故障。
22.根据权利要求14-20任一项所述的装置,其特征在于,还包括:
判断模块,用于判断直流电弧故障的结果是否准确;
更新模块,用于若所述直流电弧故障的判断结果不准确,则根据所述电气量更新所述起弧神经网络模型和所述燃弧神经网络模型。
23.一种设备,其特征在于,包括处理器和传输接口,
所述传输接口,用于获取直流电路的电气量;
所述处理器,用于将所述电气量输入燃弧神经网络模型,用于对所述直流电路进行燃弧检测,得到燃弧检测结果;
若所述燃弧检测结果为检测到燃弧,则确定所述直流电路存在直流电弧故障。
24.根据权利要求23所述的设备,其特征在于,所述电气量是对原始电气量经过傅里叶变换和数据标幺化处理之后的数据。
25.根据权利要求23或24所述的设备,其特征在于,所述处理器还用于:
将所述电气量输入起弧神经网络模型,用于对所述直流电路进行起弧检测,得到起弧检测结果;
若所述起弧检测结果为检测到起弧,则将所述电气量输入所述燃弧神经网络模型。
26.根据权利要求25所述的设备,其特征在于,
所述起弧神经网络模型是根据第一训练数据训练得到的神经网络模型,所述第一训练数据包括:起弧训练数据和非燃弧训练数据。
27.根据权利要求26所述的设备,其特征在于,
所述燃弧神经网络模型是根据第二训练数据训练得到的神经网络模型,所述第二训练数据包括:燃弧训练数据和非燃弧训练数据。
28.根据权利要求27所述的设备,其特征在于,所述起弧检测结果为所述直流电路存在所述起弧的分数值,所述处理器,具体用于:
若所述起弧检测结果大于第一阈值,则确定所述起弧检测结果为检测到所述起弧。
29.根据权利要求28所述的设备,其特征在于,所述处理器,还用于:
若所述起弧检测结果小于或等于所述第一阈值,则继续将所述电气量输入所述起弧神经网络模型,直到确定所述直流电路存在起弧。
30.根据权利要求29所述的设备,其特征在于,所述燃弧检测结果为所述直流电路存在所述燃弧的分数值,所述处理器,还用于:
若所述燃弧检测结果大于第二阈值,则确定所述燃弧检测结果为检测到所述燃弧。
31.根据权利要求30所述的设备,其特征在于,所述处理器还用于:
若所述燃弧检测结果小于或等于所述第二阈值,则判断从检测到所述起弧的时间到当前时间之间的时长是否小于预设时长;
若所述时长小于所述预设时长,则继续将所述电气量输入所述燃弧神经网络模型,直到确定所述直流电路是否存在直流电弧故障。
32.根据权利要求23-31任一项所述的设备,其特征在于,所述处理器还用于:
推送模块,用于推送告警信息,以向用户提示所述直流电路存在直流电弧故障。
33.根据权利要求25-31任一项所述的设备,其特征在于,所述处理器还用于:
判断直流电弧故障的结果是否准确;
若所述直流电弧故障的判断结果不准确,则根据所述电气量更新所述起弧神经网络模型和所述燃弧神经网络模型。
34.一种系统,其特征在于,包括传感器和如权利要求23-33任一项所述的设备,所述传感器用于采集直流电路的电气量。
35.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,当所述计算机指令在计算机或处理器上运行时,使得所述计算机或处理器执行如权利要求1至11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328848.7A CN113076691A (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900369.0A CN110763958B (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
CN202110328848.7A CN113076691A (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900369.0A Division CN110763958B (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113076691A true CN113076691A (zh) | 2021-07-06 |
Family
ID=69330075
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328848.7A Pending CN113076691A (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
CN201910900369.0A Active CN110763958B (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900369.0A Active CN110763958B (zh) | 2019-09-23 | 2019-09-23 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220206056A1 (zh) |
EP (2) | EP4024062B1 (zh) |
CN (2) | CN113076691A (zh) |
WO (1) | WO2021057107A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282689A (zh) * | 2022-03-04 | 2022-04-05 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧实时智能检测方法及系统 |
CN116030464A (zh) * | 2023-03-28 | 2023-04-28 | 苏芯物联技术(南京)有限公司 | 一种基于语义分割的焊接起弧状态实时检测方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076691A (zh) * | 2019-09-23 | 2021-07-06 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
CN111539550B (zh) * | 2020-03-13 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
EP3996224A3 (en) * | 2020-11-04 | 2022-08-17 | Abb Schweiz Ag | Nuisance trip decision management using data analytics in electrical protection system |
CN113176480B (zh) * | 2021-05-10 | 2022-05-24 | 阳光电源股份有限公司 | 一种直流电弧检测电路、自检方法及逆变器 |
CN113866572B (zh) * | 2021-09-06 | 2024-05-28 | 西安理工大学 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
CN114859195B (zh) * | 2022-07-11 | 2022-09-27 | 国网江苏省电力有限公司电力科学研究院 | 高压电缆金属护套对地间隙燃弧状态分析方法和系统 |
CN117081502B (zh) * | 2023-10-16 | 2024-02-06 | 锦浪科技股份有限公司 | 一种光伏直流电弧监测平台及其控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451012B2 (en) * | 2007-02-21 | 2008-11-11 | Gree Electric Applicances Inc. Of Zhuhai | Fault electric arc protection circuits and method for detecting fault electric arc |
CN104410360A (zh) * | 2014-10-17 | 2015-03-11 | 广东易事特电源股份有限公司 | 光伏发电系统安全运行方法及其中对人工神经网络的训练方法和实时检测方法及装置 |
CN109975663A (zh) * | 2017-12-28 | 2019-07-05 | 西门子公司 | 直流电弧故障检测方法、装置和系统 |
CN110763958A (zh) * | 2019-09-23 | 2020-02-07 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0104763D0 (en) * | 2001-02-27 | 2001-04-18 | Smiths Group Plc | Arc detection |
CN102253293A (zh) * | 2011-05-30 | 2011-11-23 | 南京航空航天大学 | 一种直流电弧故障检测方法及装置 |
WO2013004295A1 (en) * | 2011-07-04 | 2013-01-10 | Sma Solar Technology Ag | Method and system for detecting an arc fault in a photovoltaic power system |
US9945894B2 (en) * | 2012-02-29 | 2018-04-17 | Innovative Scientific Solutions, Inc. | Arc fault detection |
CN103439654A (zh) * | 2013-09-17 | 2013-12-11 | 武汉大学 | 一种高压直流开关状态检测方法 |
CN106199131B (zh) * | 2016-06-22 | 2019-08-20 | 华为技术有限公司 | 一种直流电流中电弧的检测电路及微处理器 |
CN108107329A (zh) * | 2016-11-24 | 2018-06-01 | 上海航空电器有限公司 | 一种交流电弧频域检测方法 |
CN107167726B (zh) * | 2017-05-12 | 2020-01-21 | 清华大学 | 一种断路器内部击穿电弧建模方法 |
CN107219447B (zh) * | 2017-06-19 | 2019-12-03 | 安徽江淮汽车集团股份有限公司 | 一种基于阻抗特征的直流电弧检测方法及系统 |
CN107994866B (zh) * | 2017-12-07 | 2019-10-08 | 科华恒盛股份有限公司 | 直流电弧故障检测的方法、装置、设备及存储介质 |
CN108334843B (zh) * | 2018-02-02 | 2022-03-25 | 成都国铁电气设备有限公司 | 一种基于改进AlexNet的燃弧识别方法 |
CN108334842A (zh) * | 2018-02-02 | 2018-07-27 | 成都国铁电气设备有限公司 | 一种识别弓网受流燃弧大小的方法 |
CN108562835A (zh) * | 2018-03-19 | 2018-09-21 | 杭州拓深科技有限公司 | 一种基于bp神经网络的故障电弧检测方法 |
CN109298291A (zh) * | 2018-07-20 | 2019-02-01 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
CN110059451A (zh) * | 2019-05-28 | 2019-07-26 | 浙江长兴笛卡尔科技有限公司 | 继电器触点燃弧时间状态检测方法、装置、设备及介质 |
-
2019
- 2019-09-23 CN CN202110328848.7A patent/CN113076691A/zh active Pending
- 2019-09-23 CN CN201910900369.0A patent/CN110763958B/zh active Active
-
2020
- 2020-06-15 WO PCT/CN2020/096086 patent/WO2021057107A1/zh unknown
- 2020-06-15 EP EP20868069.4A patent/EP4024062B1/en active Active
- 2020-06-15 EP EP23211510.5A patent/EP4379402A2/en active Pending
-
2022
- 2022-03-15 US US17/695,050 patent/US20220206056A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451012B2 (en) * | 2007-02-21 | 2008-11-11 | Gree Electric Applicances Inc. Of Zhuhai | Fault electric arc protection circuits and method for detecting fault electric arc |
CN104410360A (zh) * | 2014-10-17 | 2015-03-11 | 广东易事特电源股份有限公司 | 光伏发电系统安全运行方法及其中对人工神经网络的训练方法和实时检测方法及装置 |
CN109975663A (zh) * | 2017-12-28 | 2019-07-05 | 西门子公司 | 直流电弧故障检测方法、装置和系统 |
CN110763958A (zh) * | 2019-09-23 | 2020-02-07 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
吴春华: "基于BP神经网络的光伏故障电弧检测方法研究", 《太阳能学报》, vol. 37, no. 11, pages 2958 - 2963 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282689A (zh) * | 2022-03-04 | 2022-04-05 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧实时智能检测方法及系统 |
CN116030464A (zh) * | 2023-03-28 | 2023-04-28 | 苏芯物联技术(南京)有限公司 | 一种基于语义分割的焊接起弧状态实时检测方法 |
CN116030464B (zh) * | 2023-03-28 | 2023-10-24 | 苏芯物联技术(南京)有限公司 | 一种基于语义分割的焊接起弧状态实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4379402A2 (en) | 2024-06-05 |
WO2021057107A1 (zh) | 2021-04-01 |
EP4024062A4 (en) | 2022-11-16 |
EP4024062B1 (en) | 2024-05-29 |
CN110763958A (zh) | 2020-02-07 |
CN110763958B (zh) | 2021-04-09 |
US20220206056A1 (en) | 2022-06-30 |
EP4024062A1 (en) | 2022-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110763958B (zh) | 直流电弧检测方法、装置、设备、系统及存储介质 | |
JP2021148778A (ja) | 非接地配電システムのための過渡状態に基づいた故障位置特定方法 | |
Galvez et al. | Fault location in active distribution networks containing distributed energy resources (DERs) | |
CN105548892A (zh) | 电池系统的故障检测系统、方法及装置以及电动车 | |
CN113378403B (zh) | 仿真测试建模方法、系统、测试方法、设备及存储介质 | |
CN113075563A (zh) | 一种动力电池析锂的检测方法、装置和车辆 | |
Ying et al. | Travelling wave‐based pilot direction comparison protection for HVDC line | |
CN113884943B (zh) | 漏电故障分析方法、装置、设备及介质 | |
CN109239592A (zh) | 断路器触头性能监测方法、装置及监测系统 | |
CN116148599B (zh) | 基于峭度和偏度系数的高阻接地故障诊断保护方法及装置 | |
CN109546966B (zh) | 一种光伏组件的热斑诊断方法和装置 | |
CN116298733A (zh) | 一种电弧检测方法、装置、电子设备及介质 | |
CN109814039A (zh) | 一种蓄电池组开路检测方法、装置及计算机可读存储介质 | |
CN112904130B (zh) | 一种线路老化在线监测方法、装置、设备、介质及系统 | |
CN107414251A (zh) | 焊接设备、燃弧判定处理方法及装置 | |
CN113075511A (zh) | 基于分布式故障录波的线路绝缘监测方法、系统及装置 | |
CN111896840B (zh) | 基于故障行波电压判断混合线路中故障区间的方法和系统 | |
CN113848439A (zh) | 故障电弧检测方法、装置、计算机设备和存储介质 | |
KR20230013423A (ko) | 배터리 화재 예방 진단 시스템 | |
CN203759192U (zh) | 模拟交联聚乙烯绝缘电缆局部放电模拟检测平台 | |
CN112630599A (zh) | 一种不依赖电压极性的小电流接地故障定位方法及系统 | |
CN109633329A (zh) | 多回路储能设备的故障检测方法、装置、终端设备及介质 | |
CN114137333B (zh) | 一种电动汽车直流充电模式测试装置与对比方法 | |
Gao et al. | New pilot protection method based on the current fault component waveform similarity | |
CN117991048B (zh) | 高比例分布式电源接入的配电网短路故障检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211108 Address after: 518043 No. 01, 39th floor, building a, antuoshan headquarters building, No. 33, antuoshan Sixth Road, Xiang'an community, Xiangmihu street, Futian District, Shenzhen, Guangdong Province Applicant after: Huawei Digital Energy Technology Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |