CN113627547B - 训练方法、电弧检测方法、装置、电子设备及存储介质 - Google Patents

训练方法、电弧检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113627547B
CN113627547B CN202110940173.1A CN202110940173A CN113627547B CN 113627547 B CN113627547 B CN 113627547B CN 202110940173 A CN202110940173 A CN 202110940173A CN 113627547 B CN113627547 B CN 113627547B
Authority
CN
China
Prior art keywords
current signal
target
deep learning
arc
training
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
Application number
CN202110940173.1A
Other languages
English (en)
Other versions
CN113627547A (zh
Inventor
王尧
盛德杰
牛峰
班云升
侯林明
赵铁夫
郭培建
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.)
Hebei University of Technology
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
Hebei University of Technology
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
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 Hebei University of Technology, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical Hebei University of Technology
Priority to CN202110940173.1A priority Critical patent/CN113627547B/zh
Publication of CN113627547A publication Critical patent/CN113627547A/zh
Application granted granted Critical
Publication of CN113627547B publication Critical patent/CN113627547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本公开实施例提供了一种训练方法、电弧检测方法、装置、电子设备及存储介质，该训练方法包括：利用基于小波变换的梅尔频率倒谱系数方法对目标电流信号进行处理，得到目标训练样本集，其中，目标训练样本集包括多个正常电流信号样本和多个电弧电流信号样本；利用目标训练样本集训练目标深度学习模型，得到电弧检测模型。

Description

训练方法、电弧检测方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，更具体地，涉及一种电弧检测模 型的训练方法、电弧检测方法、电弧检测模型的训练装置、电弧检测 装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着电力电子设备的广泛使用，电力利用变得更加高效和方便。 然而，随着低压配电系统的现代化，也给电力安全带来了潜在的风险。 由于电弧的部分高温，容易造成电气火灾危险，因此，电弧故障是这 种严重的威胁之一。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如 下技术问题：电弧检测的精确度不高。
发明内容
有鉴于此，本公开实施例提供了一种电弧检测模型的训练方法、 电弧检测方法、电弧检测模型的训练装置、电弧检测装置、电子设备、 计算机可读存储介质及计算机程序产品。
本公开实施例的一个方面提供了一种电弧检测模型的训练方法， 包括：利用基于小波变换的梅尔频率倒谱系数方法对目标电流信号进 行处理，得到目标训练样本集，其中，上述目标训练样本集包括多个 正常电流信号样本和多个电弧电流信号样本；以及，利用上述目标训 练样本集训练目标深度学习模型，得到上述电弧检测模型。
本公开实施例的另一个方面提供了一种电弧检测方法，包括：获 取目标电流信号；以及，将上述目标电流信号输入上述电弧检测模型， 得到与上述目标电流信号对应的预测结果，其中，上述电弧检测模型 是利用根据如上上述的方法训练的。
本公开实施例的另一个方面提供了一种电弧检测模型的训练装置， 包括：处理模块，用于利用基于小波变换的梅尔频率倒谱系数方法对 目标电流信号进行处理，得到目标训练样本集，其中，上述目标训练 样本集包括多个正常电流信号样本和多个电弧电流信号样本；以及， 第一训练模块，用于利用上述目标训练样本集训练目标深度学习模型，得到上述电弧检测模型。
本公开实施例的另一个方面提供了一种电弧检测装置，包括：第 一获取模块，用于获取目标电流信号；以及，获得模块，用于将上述 目标电流信号输入上述电弧检测模型，得到与上述目标电流信号对应 的预测结果，其中，上述电弧检测模型是利用根据如上上述的装置训 练的。
本公开实施例的另一个方面提供了一种电子设备，包括：一个或 多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个 或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处 理器实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机可读存储介质，存 储有计算机可执行指令，上述指令在被执行时用于实现如上所述的方 法。
本公开实施例的另一个方面提供了一种计算机程序产品，上述计 算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现 如上所述的方法。
根据本公开的实施例，由于目标训练样本集是基于小波变换的梅 尔频率倒谱系数方法对目标电流信号进行处理得到的，小波变换不仅 可以反映信号的动态特性，而且可以有效提取特定频带的信号特征， 即，电弧特征频段特征，因此，提高了目标训练样本集的质量。在此 基础上，由于电弧检测模型是利用目标训练样本集对目标深度学习模型进行训练得到的，目标深度学习模型可以较好地学习到电弧故障特 征，因此，提高了电弧检测的精确度。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其 他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用电弧检测模型的 训练方法、电弧检测方法、电弧检测模型的训练装置和电弧检测装置 的示例性系统架构；
图2示意性示出了根据本公开实施例的电弧检测模型的训练方法 的流程图；
图3示意性示出了根据本公开实施例的利用基于小波变换的梅尔 频率倒谱系数方法对目标电流信号进行处理，得到目标训练样本集的 流程图；
图4示意性示出了根据本公开实施例的利用目标训练样本集训练 目标深度学习模型，得到电弧检测模型的流程图；
图5示意性示出了根据本公开实施例的利用与每个正常电流信号 样本对应的标签、与每个正常电流信号样本对应的预测结果、与每个 电弧电流信号样本对应的标签和与每个电弧电流信号样本对应的预测 结果训练目标深度学习模型，得到电弧检测模型的流程图；
图6示意性示出了根据本公开实施例的目标深度学习模型确定过 程的流程图；
图7示意性示出了根据本公开实施例的目标深度学习模型的模型 结构的示意图；
图8示意性示出了根据本公开实施例的电弧检测方法的流程图；
图9示意性示出了根据本公开实施例的电弧检测模型的训练装置 的框图；
图10示意性示出了根据本公开实施例的电弧检测装置的框图；以 及
图11示意性示出了根据本公开实施例的适于实现上文描述的方 法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些 描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述 中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全 面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情 况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本 公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、 操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、 步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人 员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解 释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于 刻板的方式来解释。
在使用种似于“A、B和C等中至少一个”这样的表述的情况下， 一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释 (例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具 有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B 和C、和/或具有A、B、C的系统等)。在使用种似于“A、B或C等 中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人 员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少 一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、 具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统 等)。
根据电弧与负荷的关系，电弧故障可以分为串联电弧故障和并联 电弧故障。由于串联负载阻抗的限制，因此，串联电弧故障比并联电 弧故障更难检测。此外，一些家用电器(例如，电磁炉和吸尘器)的 电流在其工作过程中可能表现出与串联电弧故障相似的特征，这增加了假阳性的可能性。在不同类型的非线性载荷与串联电弧故障分支并 联的情况下，会变得更加复杂而更具有挑战性，由此，可能掩盖了串 联电弧故障的存在。相关技术可能只能检测并联电弧故障。
人工智能的发展为电弧故障检测提供了新的思路。在实现本公开 构思的过程中，发现基于机器学习的电弧故障检测方法需要在输入模 型之前手动提取一些特征，由于线下提取到的特征并不能很好的反映 电弧故障特征，因此，使得电弧检测的精确度不高。
在实现本公开构思的过程中，发现针对电弧故障检测，在线性或 非线性负载运行的情况下，正常电流信号可以认为是周期性的平稳信 号，而电弧电流信号是突发的随机信号。梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)方法是语音识别领域较为广 泛使用的一种语音特征参数，其描述的是语音短时功率谱的包络。 MFCC能够有效的反映出语音信号的能量在不同频率范围的分布。针对语音信号，可以将其作为一段平稳信号中的随机信号。
由于电弧电流信号和语音信号的随机性相符，因此，可以利用基 于MFCC的方法对电弧电流信号进行特征提取。
在实现本公开构思的过程中，还发现由于电弧电流信号检测需要 满足实时性的要求，因此，需要对电弧电流信号进行时频分析。时域 分析方法可以包括短时傅里叶变换、小波变换或s变换等。进一步发 现小波变换不仅可以反映信号的动态特性，而且还可以提取预设频带的特征信号。由此，本公开实施例提出了一种利用基于小波变换的梅 尔频率倒谱系数方法对目标电流信号进行处理得到的目标训练样本集 训练深度学习模型的方案。
具体地，本公开实施例提供了一种电弧检测模型的训练方法、电 弧检测方法、装置、电子设备、计算机可读存储介质及计算机程序产 品。训练方法包括：利用基于小波变换的梅尔频率倒谱系数方法对目 标电流信号进行处理，得到目标训练样本集，其中，目标训练样本集包括多个正常电流信号样本和多个电弧电流信号样本，并利用目标训 练样本集训练目标深度学习模型，得到电弧检测模型。
图1示意性示出了根据本公开实施例的可以应用电弧检测模型的 训练方法、电弧检测方法、电弧检测模型的训练装置和电弧检测装置 的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构 的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味 着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、 102、103，网络104和服务器105。网络104用以在终端设备101、102、 103和服务器105之间提供通信链路的介质。网络104可以包括各种 连接类型，例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有 各种通讯客户端应用，例如购物种应用、网页浏览器应用、搜索种应 用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的 各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算 机和台式计算机等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端 设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为 示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处 理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或 数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的电弧检测模型的训练方法 或电弧检测方法一般可以由服务器105执行。相应地，本公开实施例 所提供的电弧检测模型的训练装置或电弧检测装置一般可以设置于服 务器105中。本公开实施例所提供的电弧检测模型的训练方法或电弧 检测方法也可以由不同于服务器105且能够与终端设备101、102、103 和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实 施例所提供的电弧检测模型的训练装置或电弧检测装置也可以设置于 不同于服务器105且能够与终端设备101、102、103和/或服务器105 通信的服务器或服务器集群中。
或者，本公开实施例所提供的电弧检测模型的训练方法或电弧检 测方法也可以由终端设备101、102、或103执行，或者也可以由不同 于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的电弧检测模型的训练装置或电弧检测装置也可以设置 于终端设备101、102、或103中，或设置于不同于终端设备101、102、 或103的其他终端设备中。
例如，目标训练样本集可以原本存储在终端设备101、102、或103 中的任意一个(例如，终端设备101，但不限于此)之中，或者存储 在外部存储设备上并可以导入到终端设备101中。然后，终端设备101 可以在本地执行本公开实施例所提供的电弧检测模型的训练方法，或者将目标训练样本集发送到其他终端设备、服务器、或服务器集群， 并由接收该目标训练样本集的其他终端设备、服务器、或服务器集群 来执行本公开实施例所提供的电弧检测模型的训练方法。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意 性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的电弧检测模型的训练方法 的流程图。
如图2所示，该方法200包括操作S210～S220。
在操作S210，利用基于小波变换的梅尔频率倒谱系数方法对目标 电流信号进行处理，得到目标训练样本集，其中，目标训练样本集包 括多个正常电流信号样本和多个电弧电流信号样本。
在操作S220，利用目标训练样本集训练目标深度学习模型，得到 电弧检测模型。
根据本公开的实施例，可以利用改进的梅尔频率倒谱系数方法， 即，基于小波变换的梅尔频率倒谱系数方法，对目标电流信号进行处理，得到包括多个正常电流信号样本和多个电弧电流信号样本的目标 训练样本集。
根据本公开的实施例，在获得目标训练样本集之后，可以利用目 标训练样本集训练目标深度学习模型，以实现调整目标深度学习模型 的模型参数，直至满足模型收敛条件，将在满足模型收敛条件的情况 下得到的目标深度学习模型确定为电弧检测模型。
根据本公开的实施例，由于目标训练样本集是基于小波变换的梅 尔频率倒谱系数方法对目标电流信号进行处理得到的，小波变换不仅 可以反映信号的动态特性，而且可以有效提取特定频带的信号特征， 即，电弧特征频段特征，因此，提高了目标训练样本集的质量。在此 基础上，由于电弧检测模型是利用目标训练样本集对目标深度学习模型进行训练得到的，目标深度学习模型可以较好地学习到电弧故障特 征，因此，提高了电弧检测的精确度。
根据本公开的实施例，多个正常电流信号样本包括以下至少一项： 电阻型负载的正常电流信号样本、电机型负载的正常电流信号样本、 气体放电灯型负载的正常电流信号样本和电力电子型负载的正常电流 信号样本。
根据本公开的实施例，多个电弧电流信号样本包括以下至少一项： 电阻型负载的电弧电流信号样本、电机型负载的电弧电流信号样本、 气体放电灯型负载的电弧电流信号样本和电力电子型负载的电弧电流 信号样本。
根据本公开的实施例，由于电弧检测可以应用于住宅，因此，在 进行电流信号样本选择时可以选择不同类型的家用电器的电流信号。 在本公开的实施例中，可以选择多种不同类型的负载，以采集不同的 负载电流、电弧电流和正常条件下的电流信号。多种不同类型的负载 中的每种类型的负载的规格可以符合IEC62606标准。
根据本公开的实施例，多个正常电流信号样本和多个电弧电流信 号样可以是从单个负载或者并联的不同负载中采集得到的。电阻型负 载可以包括具有正弦类型的负载电流的负载。电机型负载可以包括在 启动过程中具有较高的励磁涌流阶段的负载，例如可以包括电容器启 动电机、电动手电钻或吸尘器等。气体放电灯型负载可以包括负载电流在气体排放时类似电弧的负载，例如可以包括卤素灯或荧光灯等。
根据本公开的实施例，电力电子型负载例如可以包括晶闸管型电 子灯调光器或开关模式电源负载等，还可以包括例如计算机等在负载 点六中具有较宽的谐波带宽的负载。
根据本公开的实施例，多种不同类型的负载中的每种类型的负载 都可以包括不同品牌的子负载类别，例如，对于电机型负载，可以选 择A品牌的吸尘器和B品牌的吸尘器。
下面参考图3～图7，结合具体实施例对根据本公开实施例所述的 电弧检测模型的训练方法做进一步说明。
图3示意性示出了根据本公开实施例的利用基于小波变换的梅尔 频率倒谱系数方法对目标电流信号进行处理，得到目标训练样本集的 流程图。
如图3所示，该方法300包括操作S311～S316。
在操作S311，对多个目标电流信号中的每个目标电流信号进行预 加重处理，得到预加重目标电流信号。
在操作S312，对每个预加重目标电流信号进行分帧处理，得到分 帧信号。
在操作S313，对每个分帧信号进行加窗处理，得到加窗信号。
在操作S314，利用小波变换方法对每个加窗信号进行处理，得到 小波变换信号，其中，小波变换信号的频段属于电弧特征频段。
在操作S315，利用梅尔滤波器组对每个小波变换信号进行处理， 得到处理后的小波变换信号。
在操作S316，对每个处理后的小波变换信号进行离散余弦变换， 得到电弧电流信号样本或正常电流信号样本。
根据本公开的实施例，上述操作S311～S313可以依次进行，但不 限于此，上述操作S311～S313还可以同时进行，即可以同时对目标电 流信号进行预加重、分帧和加窗处理，得到加窗信号。
根据本公开的实施例，电弧特征频段可以处于3kHz～6kHz。
根据本公开的实施例，操作S210和/或操作S311中的目标电流信 号可以是利用数据预处理得到的。
根据本公开的实施例，数据预处理包括数据异常值剔除和/或数据 离散化。
根据本公开的实施例，由于原始电流信号中可能会存在明显偏离 的异常点，这些异常点会对样本造成污染，因此，需要对原始电流信 号中存在的明显偏离的异常点进行剔除。
根据本公开的实施例，如果原始电流信号中存在异常点，则为了 尽可能的减少剔除异常点对原始电流信号波形的影响，可以根据异常 点在原始电流信号波形的位置，采用相应的数据异常值剔除方法剔除 异常点。
根据本公开的实施例，在异常点出现在原始电流信号波形最开始 点的情况下，可以用异常点的后一样本点的数据替换该异常点。
根据本公开的实施例，在异常点出现在原始电流信号波形结束点 的情况下，可以用异常点的前一样本点的数据替换该异常点。
根据本公开的实施例，在异常点出现在原始电流信号波形重点的 情况下，可以利用平均值对该异常点进行替换，平均值可以是根据该 异常点的前一样本点和后一样本点的数据计算得到的。
根据本公开的实施例，通过对原始电流信号中的数据异常值得剔 除，有效减少了异常点对电弧故障判断的影响。
图4示意性示出了根据本公开实施例的利用目标训练样本集训练 目标深度学习模型，得到电弧检测模型的流程图。
如图4所示，该方法400包括操作S421～S422。
在操作S421，根据预设输入顺序或随机输入方式，将多个正常电 流信号样本和多个电弧电流信号样本输入目标深度学习模型，得到与 每个正常电流信号样本对应的预测结果和与每个电弧电流信号样本对应的预测结果。
在操作S422，利用与每个正常电流信号样本对应的标签、与每个 正常电流信号样本对应的预测结果、与每个电弧电流信号样本对应的 标签和与每个电弧电流信号样本对应的预测结果训练目标深度学习模 型，得到电弧检测模型。
根据本公开的实施例，预设输入顺序可以指处理目标训练样本集 中的正常电路信号样本和电弧电流信号样本的顺序。例如，为了提高 模型的精度度，可以设置预设输入顺序为交替处理每种类别的电流信 号的顺序。
根据本公开的实施例，由于正常电流信号样本和电弧电流信号样 本都包括多种负载类型的电流信号样本，因此，可以为多种负载类型 的电流信号样本设置对应的标签。
根据本公开的实施例，负载类型与标签的对应关系可以参照下表 1。
表1
根据本公开的实施例，可以将表1中的标签作为初始标签，然后 利用独热算法对初始标签进行处理，生成与每个正常电流信号样本对 应的标签和与每个电弧电流信号样本对应的标签，具体如以下表2所 示。
表2
图5示意性示出了根据本公开实施例的利用与每个正常电流信号 样本对应的标签、与每个正常电流信号样本对应的预测结果、与每个 电弧电流信号样本对应的标签和与每个电弧电流信号样本对应的预测 结果训练目标深度学习模型，得到电弧检测模型的流程图。
如图5所示，该方法500包括操作S521～S525。
在操作S521，将与每个正常电流信号样本对应的标签和预测结果 输入损失函数，得到第一输出值。
在操作S522，将与每个电弧电流信号样本对应的标签和预测结果 输入损失函数，得到第二输出值。
在操作S523，根据第一输出值和第二输出值，得到输出值。
在操作S524，根据输出值，调节目标深度学习模型的模型参数， 直至输出值收敛。
在操作S525，将在输出值收敛的情况下得到的目标深度学习模型， 确定为电弧检测模型。
根据本公开的实施例，损失函数可以包括交叉熵损失函数。
根据本公开的实施例，损失函数可以利用以下公式(1)表示。
其中，表示第一输出值或第二输出值，yj表示正常电流信号样 本或电弧电流信号样本，N表示样本总数。
根据本公开的一实施例，上述电弧检测模型的训练方法还可以包 括如下操作。
根据目标采样频率对原始电流信号进行采样，得到目标电流信号。
根据本公开的实施例，采样频率的大小可以决定在对原始电流信 号进行采样的过程中，每个采样周期中采样的数据点的数量。
根据本公开的实施例，如果采样频率过高，则模型的训练数据较 为充沛，但相应的，模型的拟合难度也相应变大。如果采样频率过少， 则有助于减少计算时间，但是过少的训练数据较难以训练出满足精度 要求的模型。
根据本本公开的实施例，本公开实施例不对目标采样频率的具体 数值做限定，本领域技术人员可以根据实际应用需求进行灵活调整。 例如，目标采样频率可以包括1.5Hz、2Hz、2.5Hz、5Hz、10Hz或 40Hz。
图6示意性示出了根据本公开实施例的目标深度学习模型确定过 程的流程图。
如图6所示，该方法600包括操作S601～S608。
在操作S601，获取与M个采样频率中的每个采样频率对应的训 练样本集，其中，M≥2。在操作S602，确定N个深度学习模型，其 中，N≥2。在操作S603，确定T个对应关系，其中，每个对应关系表 征采样频率与深度学习模型之间的对应关系，每个采样频率具有对应的深度学习模型，每个深度学习模型具有对应的采样频率，2≤T≤M ×N。
在操作S604，利用与T个对应关系中的每个对应关系包括的采样 频率对应的训练样本集训练对应关系包括的深度学习模型，得到T个 训练完成的深度学习模型。
在操作S605，对T个训练完成的深度学习模型中的每个训练完成 的深度学习模型进行评价，得到评价结果。
在操作S606，根据评价结果，从T个对应关系中确定目标对应关 系。
在操作S607，将目标对应关系包括的采样频率确定为目标采样频 率。
在操作S608，将目标对应关系包括的深度学习模型确定为目标深 度学习模型。
根据本公开的实施例，基于对照实验的控制变量准则，M个训练 样本数据集中的电流信号样本可以完全相同，以避免由于电流信号样 本的不同对后续操作造成影响。
根据本公开的实施例，N个深度学习模型中的每个深度学习模型 可以是基于同一深度学习网络构建的到的，例如，N个深度学习模型 中的每个深度学习模型均可以是基于卷积神经网络构建得到的，但不限于此，N个深度学习模型中的每个深度学习模型均还可以是基于循 环神经网络构建得到的。
根据本公开的实施例，N个深度学习模型中的每个深度学习模型 的不同之处可以在于模型结构，例如级联的层级关系、每层的卷积核 等。
根据本公开的实施例，例如N等于2，由N1和N2，M等于2，有 M1和M2，从而可以有关系T1{N1：M1}、关系T2{N1：M2}、关系T3{N2：M1} 和关系T4{N2：M2}。
根据本公开的实施例，T{N：M}的含义可以包括以采样频率M1对 原始电流信号进行采样得到第一目标电流信号，然后理由根据第一目 标电流信号构建的目标训练样本集来训练深度学习模型N。
根据本公开的实施例，可以从目标训练样本集中随机选取一定数 量的正常电流信号样本和电话电流信号样本组成评价数据集，然后利 用评价数据集对对T个训练完成的深度学习模型中的每个训练完成的 深度学习模型进行评价，得到评价结果。
根据本公开的实施例，评价结果例如可以包括T个训练完成的深 度学习模型中的每个训练完成的深度学习模型在评价数据集上的检测 正确率。
根据本公开的实施例，可以从T个检测正确率中选取最高正确率， 然后将与最高正确率对应的关系确定为目标对应关系。
根据本公开的实施例，目标采样频率可以包括10kHz。图7示意 性示出了根据本公开实施例的目标深度学习模型的模型结构的示意图。
如图7所示，目标深度学习模型700可以包括输入层、4个卷积 (即Convolution)层、4个最大池(即Max Pooling)层、3个全连接 (Fully Connected，FC)层和输出层。在每个卷积层之后连接一个线性校正单元(Rectified Linear Unit，ReLU)和一个最大池化层。
根据本公开的实施例，第一卷积层可以设置有96个滤波器。第二 卷积层和第三卷积层可以设置有128个滤波器。第四卷积层可以设置 有64个滤波器。四个卷积层的滤波器的大小相同，可以设置为5×1。
根据本公开的实施例，最大池化层的过滤器的大小可以设置为2 ×1，步长可以设置为1，以减少特征映射大小，以提高计算效率。在 最后一个最大池层的末尾，附加了2个FC层，分别可以包括64个和 32个神经元。最后一个最大池层在进入第一个FC层之前被扁平。每 个FC层后面设置有一个ReLU激活函数。在FC层中的每个神经元与 其上一层中的所有神经元连接，具有可以学习的权重。通过对每个输入信号的乘积及其相应的权重进行求和，并通过ReLU传递求和，计 算隐藏层单元的响应。输出层可以包括8个神经元，然后是分类多类分类的Softmax层。
图8示意性示出了根据本公开实施例的电弧检测方法的流程图。
如图8所示，该方法800包括操作S810～S820。
在操作S810，获取目标电流信号。
在操作S820，将目标电流信号输入电弧检测模型，得到与目标电 流信号对应的预测结果，其中，电弧检测模型是利用本公开实施例所 述的电弧检测模型的训练方法训练的。
图9示意性示出了根据本公开实施例的电弧检测模型的训练装置 的框图。
如图9所示，电弧检测模型的训练装置900可以包括处理模块910 和第一训练模块920。
处理模块910，用于利用基于小波变换的梅尔频率倒谱系数方法 对目标电流信号进行处理，得到目标训练样本集，其中，目标训练样 本集包括多个正常电流信号样本和多个电弧电流信号样本。
第一训练模块920，用于利用目标训练样本集训练目标深度学习 模型，得到电弧检测模型。
根据本公开的实施例，处理模块910可以包括第一处理子模块、 第二处理子模块、第三处理子模块、第四处理子模块、第五处理子模 块和变换子模块。
第一处理子模块，用于对多个目标电流信号中的每个目标电流信 号进行预加重处理，得到预加重目标电流信号。
第二处理子模块，用于对每个预加重目标电流信号进行分帧处理， 得到分帧信号。
第三处理子模块，用于对每个分帧信号进行加窗处理，得到加窗 信号。
第四处理子模块，用于利用小波变换方法对每个加窗信号进行处 理，得到小波变换信号，其中，小波变换信号的频段属于电弧特征频 段。
第五处理子模块，用于利用梅尔滤波器组对每个小波变换信号进 行处理，得到处理后的小波变换信号。
变换子模块，用于对每个处理后的小波变换信号进行离散余弦变 换，得到电弧电流信号样本或正常电流信号样本。
根据本公开的实施例，上述电弧检测模型的训练装置900还可以 包括预处理模块。
预处理模块，用于利用数据预处理得到目标电流信号，其中，数 据预处理包括数据异常值剔除和/或数据离散化。
根据本公开的实施例，第一训练模块920可以包括获得子模块和 训练子模块。
获得子模块，用于根据预设输入顺序或随机输入方式，将多个正 常电流信号样本和多个电弧电流信号样本输入目标深度学习模型，得 到与每个正常电流信号样本对应的预测结果和与每个电弧电流信号样 本对应的预测结果。
训练子模块，用于利用与每个正常电流信号样本对应的标签、与 每个正常电流信号样本对应的预测结果、与每个电弧电流信号样本对 应的标签和与每个电弧电流信号样本对应的预测结果训练目标深度学 习模型，得到电弧检测模型。
根据本公开的实施例，训练子模块可以包括第一获得单元、第二 获得单元、第三获得单元、调节单元和确定单元。
第一获得单元，用于将与每个正常电流信号样本对应的标签和预 测结果输入损失函数，得到第一输出值。
第二获得单元，用于将与每个电弧电流信号样本对应的标签和预 测结果输入损失函数，得到第二输出值。
第三获得单元，用于根据第一输出值和第二输出值，得到输出值。
调节单元，用于根据输出值，调节目标深度学习模型的模型参数， 直至输出值收敛。
确定单元，用于将在输出值收敛的情况下得到的目标深度学习模 型，确定为电弧检测模型。
根据本公开的实施例，上述电弧检测模型的训练装置900还可以 包括采样模块。
采样模块，用于根据目标采样频率对原始电流信号进行采样，得 到目标电流信号。
根据本公开的实施例，上述电弧检测模型的训练装置900还可以 包括第二获取模块、第一确定模块、第二确定模块、第二训练模块、 第三确定模块、第四确定模块和第五确定模块。
第二获取模块，用于获取与M个采样频率中的每个采样频率对应 的训练样本集，其中，M≥2。
第一确定模块，用于确定N个深度学习模型，其中，N≥2。
第二确定模块，用于确定T个对应关系，其中，每个对应关系表 征采样频率与深度学习模型之间的对应关系，每个采样频率具有对应 的深度学习模型，每个深度学习模型具有对应的采样频率，2≤T≤M ×N。
第二训练模块，用于利用与T个对应关系中的每个对应关系包括 的采样频率对应的训练样本集训练对应关系包括的深度学习模型，得 到T个训练完成的深度学习模型。
评价模块，用于对T个训练完成的深度学习模型中的每个训练完 成的深度学习模型进行评价，得到评价结果。
第三确定模块，用于根据评价结果，从T个对应关系中确定目标 对应关系；
第四确定模块，用于将目标对应关系包括的采样频率确定为目标 采样频率。
第五确定模块，用于将目标对应关系包括的深度学习模型确定为 目标深度学习模型。
根据本公开的实施例，多个正常电流信号样本包括以下至少一项： 电阻型负载的正常电流信号样本、电机型负载的正常电流信号样本、 气体放电灯型负载的正常电流信号样本和电力电子型负载的正常电流 信号样本。
其中，多个电弧电流信号样本包括以下至少一项：电阻型负载的 电弧电流信号样本、电机型负载的电弧电流信号样本、气体放电灯型负载的电弧电流信号样本和电力电子型负载的电弧电流信号样本。
图10示意性示出了根据本公开实施例的电弧检测装置的框图。
如图10所示，电弧检测装置1000可以包括第一获取模块1010和 获得模块1020。
第一获取模块1010，用于获取目标电流信号。
获得模块1020，用于将目标电流信号输入电弧检测模型，得到与 目标电流信号对2应的预测结果，其中，电弧检测模型是利用本公开 实施例所述的电弧检测模型的训练装置训练的。
根据本公开的实施例的模块、子模块、单元中的任意多个、或其 中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施 例的模块、子模块、单元中的任意一个或多个可以被拆分成多个模块 来实现。根据本公开实施例的模块、子模块、单元中的任意一个或多 个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Arrays，PLA)、片上系统、基板上的系统、封装上的系统、专 用集成电路(Application SpecificIntegrated Circuit，ASIC)，或可以 通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实 现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、 单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该 计算机程序模块被运行时，可以执行相应的功能。
例如，处理模块910和第一训练模块920，或第一获取模块1010 和获得模块1020中的任意多个可以合并在一个模块/子模块/单元中实 现，或者其中的任意一个模块/子模块/单元可以被拆分成多个模块/子 模块/单元。或者，这些模块/子模块/单元中的一个或多个模块/子模块/ 单元的至少部分功能可以与其他模块/子模块/单元的至少部分功能相结合，并在一个模块/子模块/单元中实现。根据本公开的实施例，处理 模块910和第一训练模块920，或第一获取模块1010和获得模块1020 中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门 阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件 以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实 现。或者，处理模块910和第一训练模块920，或第一获取模块1010 和获得模块1020中的至少一个可以至少被部分地实现为计算机程序 模块，当该计算机程序模块被运行时，可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现上文描述的方 法的电子设备的框图。图11示出的电子设备仅仅是一个示例，不应对 本公开实施例的功能和使用范围带来任何限制。
如图11所示，根据本公开实施例的电子设备1100包括处理器1101， 其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的 程序或者从存储部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理。处理 器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/ 或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等 等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101 可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处 理单元或者是多个处理单元。
在RAM 1103中，存储有电子设备1100操作所需的各种程序和数 据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。 处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根 据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以 存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理 器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O) 接口1105，输入/输出(I/O)接口1105也连接至总线1104。电子设备 1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包 括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶 显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107； 包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等 的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网 络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆 卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需 要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被 安装入存储部分1108。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现 为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品， 其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包 含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计 算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可 拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行 本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的电子设备、装置、模块、子模块、单元等可以通过计算机程序 模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介 质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单 独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承 载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根 据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计 算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬 盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器((Erasable Programmable Read Only Memory，EPROM)或 闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory， CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。 在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形 介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合 使用。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文 描述的ROM2102和/或RAM2103和/或ROM2102和RAM2103以外 的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序， 该计算机程序包含用于执行本公开实施例所提供的方法的程序代码， 当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备 实现本公开实施例所提供的电弧检测模型的训练方法和电弧检测方法。
在该计算机程序被处理器2101执行时，执行本公开实施例的系统 /装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装 置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储 器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网 络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载 和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代 码可以用任何适当的网络介质传输，包括但不限于：无线、有线等， 或者上述的任意合适的组合。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组 合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体 地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语 言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++， Python，“C”语言或种似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备 上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算 设备的情形中，远程计算设备可以通过任意种种的网络，包括局域网 (Local Area Network，LAN)或广域网(Wide Area Networks，WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因 特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于 实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发 生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们 有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的 是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合， 可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理 解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组 合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别 地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或 权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和 /或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为 了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述 了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合 使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开 的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种电弧检测模型的训练方法，包括：
获取与M个采样频率中的每个采样频率对应的训练样本集，其中，M≥2；
确定N个深度学习模型，其中，N≥2；
确定T个对应关系，其中，每个所述对应关系表征所述采样频率与所述深度学习模型之间的对应关系，每个所述采样频率具有对应的所述深度学习模型，每个所述深度学习模型具有对应的所述采样频率，2≤T≤M×N；
利用与所述T个对应关系中的每个对应关系包括的采样频率对应的训练样本集训练所述对应关系包括的深度学习模型，得到T个训练完成的深度学习模型；
对所述T个训练完成的深度学习模型中的每个训练完成的深度学习模型进行评价，得到评价结果；
根据所述评价结果，从所述T个对应关系中确定目标对应关系；
将所述目标对应关系包括的采样频率确定为目标采样频率；
将所述目标对应关系包括的深度学习模型确定为目标深度学习模型；
根据所述目标采样频率对原始电流信号进行采样，得到目标电流信号；
利用基于小波变换的梅尔频率倒谱系数方法对所述目标电流信号进行处理，得到目标训练样本集，其中，所述目标训练样本集包括多个正常电流信号样本和多个电弧电流信号样本；以及
利用所述目标训练样本集训练所述目标深度学习模型，得到所述电弧检测模型。
2.根据权利要求1所述的方法，其中，所述利用基于小波变换的梅尔频率倒谱系数方法对目标电流信号进行处理，得到目标训练样本集，包括：
对多个所述目标电流信号中的每个目标电流信号进行预加重处理，得到预加重目标电流信号；
对每个所述预加重目标电流信号进行分帧处理，得到分帧信号；
对每个所述分帧信号进行加窗处理，得到加窗信号；
利用小波变换方法对每个所述加窗信号进行处理，得到小波变换信号，其中，所述小波变换信号的频段属于电弧特征频段；
利用梅尔滤波器组对每个所述小波变换信号进行处理，得到处理后的小波变换信号；以及
对每个所述处理后的小波变换信号进行离散余弦变换，得到所述电弧电流信号样本或所述正常电流信号样本。
3.根据权利要求1或2所述的方法，还包括：
利用数据预处理得到所述目标电流信号，其中，所述数据预处理包括数据异常值剔除和/或数据离散化。
4.根据权利要求1或2所述的方法，其中，所述利用所述目标训练样本集训练所述目标深度学习模型，得到所述电弧检测模型，包括：
根据预设输入顺序或随机输入方式，将所述多个正常电流信号样本和所述多个电弧电流信号样本输入所述目标深度学习模型，得到与每个所述正常电流信号样本对应的预测结果和与每个所述电弧电流信号样本对应的预测结果；以及
利用与每个所述正常电流信号样本对应的标签、与每个所述正常电流信号样本对应的预测结果、与每个所述电弧电流信号样本对应的标签和与每个所述电弧电流信号样本对应的预测结果训练所述目标深度学习模型，得到所述电弧检测模型。
5.根据权利要求4所述的方法，其中，所述利用与每个所述正常电流信号样本对应的标签、与每个所述正常电流信号样本对应的预测结果、与每个所述电弧电流信号样本对应的标签和与每个所述电弧电流信号样本对应的预测结果训练所述目标深度学习模型，得到所述电弧检测模型，包括：
将与每个所述正常电流信号样本对应的标签和预测结果输入损失函数，得到第一输出值；
将与每个所述电弧电流信号样本对应的标签和预测结果输入所述损失函数，得到第二输出值；
根据所述第一输出值和所述第二输出值，得到输出值；
根据所述输出值，调节所述目标深度学习模型的模型参数，直至所述输出值收敛；以及
将在所述输出值收敛的情况下得到的目标深度学习模型，确定为所述电弧检测模型。
6.根据权利要求1或2所述的方法，其中，所述多个正常电流信号样本包括以下至少一项：电阻型负载的正常电流信号样本、电机型负载的正常电流信号样本、气体放电灯型负载的正常电流信号样本和电力电子型负载的正常电流信号样本；
其中，多个所述电弧电流信号样本包括以下至少一项：电阻型负载的电弧电流信号样本、电机型负载的电弧电流信号样本、气体放电灯型负载的电弧电流信号样本和电力电子型负载的电弧电流信号样本。
7.一种电弧检测方法，包括：
获取目标电流信号；以及
将所述目标电流信号输入所述电弧检测模型，得到与所述目标电流信号对应的预测结果，其中，所述电弧检测模型是利用根据权利要求1~6中任一项所述的方法训练的。
8.一种电弧检测模型的训练装置，包括：
获取与M个采样频率中的每个采样频率对应的训练样本集，其中，M≥2；
确定N个深度学习模型，其中，N≥2；
确定T个对应关系，其中，每个所述对应关系表征所述采样频率与所述深度学习模型之间的对应关系，每个所述采样频率具有对应的所述深度学习模型，每个所述深度学习模型具有对应的所述采样频率，2≤T≤M×N；
利用与所述T个对应关系中的每个对应关系包括的采样频率对应的训练样本集训练所述对应关系包括的深度学习模型，得到T个训练完成的深度学习模型；
对所述T个训练完成的深度学习模型中的每个训练完成的深度学习模型进行评价，得到评价结果；
根据所述评价结果，从所述T个对应关系中确定目标对应关系；
将所述目标对应关系包括的采样频率确定为目标采样频率；
将所述目标对应关系包括的深度学习模型确定为目标深度学习模型；
根据所述目标采样频率对原始电流信号进行采样，得到目标电流信号；
处理模块，用于利用基于小波变换的梅尔频率倒谱系数方法对所述目标电流信号进行处理，得到目标训练样本集，其中，所述目标训练样本集包括多个正常电流信号样本和多个电弧电流信号样本；以及
第一训练模块，用于利用所述目标训练样本集训练所述目标深度学习模型，得到所述电弧检测模型。
9.一种电弧检测装置，包括：
第一获取模块，用于获取目标电流信号；以及
获得模块，用于将所述目标电流信号输入所述电弧检测模型，得到与所述目标电流信号对应的预测结果，其中，所述电弧检测模型是利用根据权利要求8所述的装置训练的。
10.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1~6中任一项或权利要求7所述的方法。
11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1~6中任一项或权利要求7所述的方法。
CN202110940173.1A 2021-08-16 2021-08-16 训练方法、电弧检测方法、装置、电子设备及存储介质 Active CN113627547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940173.1A CN113627547B (zh) 2021-08-16 2021-08-16 训练方法、电弧检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940173.1A CN113627547B (zh) 2021-08-16 2021-08-16 训练方法、电弧检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113627547A CN113627547A (zh) 2021-11-09
CN113627547B true CN113627547B (zh) 2024-01-26

Family

ID=78385841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940173.1A Active CN113627547B (zh) 2021-08-16 2021-08-16 训练方法、电弧检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113627547B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113057667B (zh) * 2021-03-26 2023-08-15 上海联影医疗科技股份有限公司 Pet探测器信号采样方法、装置、电子装置和存储介质
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944359A (zh) * 2010-07-23 2011-01-12 杭州网豆数字技术有限公司 一种面向特定人群的语音识别方法
WO2020022639A1 (ko) * 2018-07-18 2020-01-30 한국과학기술정보연구원 딥러닝 기반의 가치 평가 방법 및 그 장치
CN113033837A (zh) * 2021-03-05 2021-06-25 国网电力科学研究院武汉南瑞有限责任公司 基于输电线路暂态波形的人工智能故障辨识系统及方法
CN113096692A (zh) * 2021-03-19 2021-07-09 招商银行股份有限公司 语音检测方法及装置、设备、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011001002A1 (en) * 2009-06-30 2011-01-06 Nokia Corporation A method, devices and a service for searching
US20210158147A1 (en) * 2019-11-26 2021-05-27 International Business Machines Corporation Training approach determination for large deep learning models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944359A (zh) * 2010-07-23 2011-01-12 杭州网豆数字技术有限公司 一种面向特定人群的语音识别方法
WO2020022639A1 (ko) * 2018-07-18 2020-01-30 한국과학기술정보연구원 딥러닝 기반의 가치 평가 방법 및 그 장치
CN113033837A (zh) * 2021-03-05 2021-06-25 国网电力科学研究院武汉南瑞有限责任公司 基于输电线路暂态波形的人工智能故障辨识系统及方法
CN113096692A (zh) * 2021-03-19 2021-07-09 招商银行股份有限公司 语音检测方法及装置、设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ArcNet: Series AC Arc Fault Detection Based on Raw Current and Convolutional Neural Network;Yao Wang等;ArcNet: Series AC Arc Fault Detection Based on Raw Current and Convolutional Neural Network;第1-10页 *
基于小波特征及深度学习的故障电弧检测;余琼芳;胡亚倩;杨艺;;电子测量与仪器学报(第03期);全文 *

Also Published As

Publication number Publication date
CN113627547A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN109241418B (zh) 基于随机森林的异常用户识别方法及装置、设备、介质
CN113627547B (zh) 训练方法、电弧检测方法、装置、电子设备及存储介质
US20180248879A1 (en) Method and apparatus for setting access privilege, server and storage medium
US20180276553A1 (en) System for querying models
US20200184955A1 (en) Image-based approaches to identifying the source of audio data
CN107844586A (zh) 新闻推荐方法和装置
WO2017206661A1 (zh) 语音识别的方法及系统
WO2023273769A1 (zh) 视频标签推荐模型的训练方法和确定视频标签的方法
CN106227792B (zh) 用于推送信息的方法和装置
Wang et al. Classification of power quality events using optimal time-frequency representations-part 1: Theory
CN112949767A (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN115825313B (zh) 色谱信息检测方法、装置、电子设备和计算机可读介质
Khan et al. End-to-end partial discharge detection in power cables via time-domain convolutional neural networks
CN109190123A (zh) 用于输出信息的方法和装置
Liu et al. A clustering method for web service discovery
CN113746780B (zh) 基于主机画像的异常主机检测方法、装置、介质和设备
CN111199454B (zh) 实时用户转化评估方法、装置及电子设备
Khokhar et al. Automatic pattern recognition of single and multiple power quality disturbances
Xu et al. Loop optimization noise-reduced LSTM based classifier for PD detection
CN108062576B (zh) 用于输出数据的方法和装置
WO2022218068A1 (zh) 素材投放方法、装置、设备和介质
CN109634554A (zh) 用于输出信息的方法和装置
US20230121824A1 (en) System for user initiated generic conversation with an artificially intelligent machine
CN110288467B (zh) 数据挖掘方法、装置、电子设备及存储介质
CN109975795B (zh) 一种声源追踪方法和装置

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