CN114034999B - 拉弧的检测方法、装置、电子设备和用电系统 - Google Patents
拉弧的检测方法、装置、电子设备和用电系统 Download PDFInfo
- Publication number
- CN114034999B CN114034999B CN202111343081.1A CN202111343081A CN114034999B CN 114034999 B CN114034999 B CN 114034999B CN 202111343081 A CN202111343081 A CN 202111343081A CN 114034999 B CN114034999 B CN 114034999B
- Authority
- CN
- China
- Prior art keywords
- current signal
- historical
- detected
- target
- measured
- 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
- 238000010891 electric arc Methods 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 85
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请提供了一种拉弧的检测方法、装置、电子设备和用电系统。该方法包括:将待测电流信号输入至目标神经网络模型中,得到初步判断结果,在初步判断结果表征初步判断待测电流信号存在拉弧现象的情况下,计算待测电流信号对应的时域谱的能量值,并根据待测电流信号对应的时域谱的能量值最终确定待测电流信号是否存在拉弧现象。该方法中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,该方法中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
Description
技术领域
本申请涉及拉弧检测领域,具体而言,涉及一种拉弧的检测方法、装置、电子设备和用电系统。
背景技术
随着工业用电的不断发展和家庭用电设备的不断普及,导致火灾事故频发,其中,近年来电气火灾陡升,特别是由电气火灾导致的较大火灾占约1/2。所以,应该高度重视因为电线短路、过负荷、以及电气设备故障等引起的电气火灾,电气火灾若未能消灭在隐患期或初期而爆发起来,可能会引起巨大的人员伤亡及财产损失,经过研究,电气火灾与故障电弧有关。
因此,通过检测用电设备中是否存在拉弧,可以实时检测故障信号,为及时切断电源保护电路发挥了巨大作用。目前,发明人了解到有多种检测方法可以对拉弧进行检测,但是,准确性不高。
发明内容
本申请的主要目的在于提供一种拉弧的检测方法、装置、电子设备和用电系统,以解决现有技术中难以准确地对拉弧进行检测的问题。
根据本发明实施例的一个方面,提供了一种拉弧的检测方法,包括:获取待测电流信号;将所述待测电流信号输入至目标神经网络模型中,得到初步判断结果,所述初步判断结果为初步判断所述待测电流信号是否存在拉弧现象的结果,所述神经网络模型为使用多组历史数据通过机器学习训练出的,各组所述历史数据均包括第一历史目标参数和第二历史目标参数,所述第一历史目标参数为根据历史电流信号计算得到的参数,所述第二历史目标参数为表征所述历史电流信号是否存在拉弧现象的参数;在所述初步判断结果表征初步判断所述待测电流信号存在所述拉弧现象的情况下,计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象。
可选地,在将待测电流信号输入至目标神经网络模型中,得到初步判断结果之前,所述方法还包括:对多个所述历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,所述第一历史目标参数为所述历史电流信号的多个固有模态分量的总和;获取表征多个所述历史电流信号是否存在拉弧现象的标签,得到多个所述第二历史目标参数;采用分别包括所述第一历史目标参数和所述第二历史目标参数的多组所述历史数据作为训练样本进行机器学习训练,得到所述目标神经网络模型。
可选地,在计算所述待测电流信号对应的时域谱的能量值,并根据所述能量值确定最终判断结果之后,所述方法还包括:将所述待测电流信号作为所述历史电流信号,并对所述待测电流信号和所述最终判断结果进行处理,得到新增的所述训练样本,新增的所述训练样本包括所述第一历史目标参数和新增的所述第二历史目标参数,在所述最终判断结果正确的情况下,将所述最终判断结果转换为对应的所述第二历史目标参数,在所述最终判断结果不正确的情况下,将正确的判断结果转换为对应的所述第二历史目标参数;对新增的所述训练样本并进行训练,以更新所述目标神经网络模型。
可选地,计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象,包括:对所述待测电流信号进行频域变化,得到目标频域谱;根据所述目标频域谱,计算所述待测电流信号的能量值的变异系数,所述变异系数为多个频段的能量值的标准差与多个所述频段的能量值的均值的比值;在所述变异系数大于预定阈值的情况下,最终确定所述待测电流信号存在所述拉弧现象,在所述变异系数小于或者等于所述预定阈值的情况下,最终确定所述待测电流信号不存在所述拉弧现象。
可选地,对所述待测电流信号至少进行傅里叶变换,得到目标频域谱,包括:对所述待测电流信号进行希尔伯特黄变换,得到所述待测电流信号的多个固有模态分量的总和;对所述待测电流信号的多个固有模态分量的总和进行傅里叶变换,得到所述目标频域谱。
可选地,所述方法还包括:对多组所述历史数据中的第一部分进行计算,得到多个初始阈值,所述第一部分包括至少两组所述历史数据;采用多组所述历史数据中的第二部分计算多个所述初始阈值的准确率,所述第一部分和所述第二部分形成所述多组历史数据;确定准确率最高的所述初始阈值为目标阈值。
可选地,所述第一历史目标参数为所述历史电流信号的多个固有模态分量的总和,对多组所述历史数据中的第一部分进行计算,得到多个初始阈值,包括:对所述第一部分的多个所述第一历史目标参数进行傅里叶变化,得到多个历史时域谱;计算各所述历史时域谱对应的能量值,并依据多个所述历史时域谱的能量值和对应的多个所述第二历史目标参数确定所述初始阈值。
根据本发明实施例的另一方面,还提供了一种拉弧的检测装置,包括:第一获取单元,用于获取待测电流信号;第一处理单元,用于将所述待测电流信号输入至目标神经网络模型中,得到初步判断结果,所述初步判断结果为初步判断所述待测电流信号是否存在拉弧现象的结果,所述神经网络模型为使用多组历史数据通过机器学习训练出的,各组所述历史数据均包括第一历史目标参数和第二历史目标参数,所述第一历史目标参数为根据历史电流信号计算得到的参数,所述第二历史目标参数为表征所述历史电流信号是否存在拉弧现象的参数;第二处理单元,在所述初步判断结果表征初步判断所述待测电流信号存在所述拉弧现象的情况下,计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象。
根据本发明实施例的再一方面,还提供了一种电子设备,包括:一个或多个处理器,存储器以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的拉弧的检测方法。
根据本发明实施例的又一方面,还提供了一种用电系统,包括:用电设备和电子设备,所述用电设备和所述电子设备通信连接,所述电子设备为所述的电子设备。
在本发明实施例中,该方法中,采用机器学习的方法可以得到目标神经网络模型,再采用目标神经网络模型来初步判断待测电流信号是否存在拉弧现象,可以实现初步检测,在初步判断后,再计算待测电流信号对应的时域谱的能量值,通过能量值可以得到最终判断结果。即该方法中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,第二次判断过程中利用发明人发现的规律(发生拉弧后的电流较大,会产生较大的能量值,而未发生拉弧的电流较小,会产生较小的能量值),因此,该方法中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的一种拉弧的检测方法的流程示意图;
图2示出了希尔伯特黄变换计算的原理的流程示意图;
图3示出了发生拉弧现象的频谱分布图;
图4示出了根据本申请的实施例的一种拉弧的检测装置的结构示意图;
图5示出了根据本申请的实施例的另一种拉弧的检测方法的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所说的,现有技术中难以准确地对拉弧进行检测,为了解决上述问题,本申请的一种典型的实施方式中,提供了一种拉弧的检测方法、装置、电子设备和用电系统。
根据本申请的实施例,提供了一种拉弧的检测方法。图1是根据本申请实施例的拉弧的检测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取待测电流信号;
步骤S102,将上述待测电流信号输入至目标神经网络模型中,得到初步判断结果,上述初步判断结果为初步判断上述待测电流信号是否存在拉弧现象的结果,上述神经网络模型为使用多组历史数据通过机器学习训练出的,各组上述历史数据均包括第一历史目标参数和第二历史目标参数,上述第一历史目标参数为根据历史电流信号计算得到的参数,上述第二历史目标参数为表征上述历史电流信号是否存在拉弧现象的参数;
步骤S103,在上述初步判断结果表征初步判断上述待测电流信号存在上述拉弧现象的情况下,计算上述待测电流信号对应的时域谱的能量值,并根据上述待测电流信号对应的时域谱的能量值最终确定上述待测电流信号是否存在上述拉弧现象。
上述的方法中,采用机器学习的方法可以得到目标神经网络模型,再采用目标神经网络模型来初步判断待测电流信号是否存在拉弧现象,可以实现初步检测,在初步判断后,再计算待测电流信号对应的时域谱的能量值,通过能量值可以得到最终判断结果。即该方法中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,第二次判断过程中利用发明人发现的规律(发生拉弧后的电流较大,会产生较大的能量值,而未发生拉弧的电流较小,会产生较小的能量值),因此,该方法中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
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。
具体地,发明人了解到的拉弧检测方法中,可以对拉弧进行检测,但是,准确性不高,例如,现有技术中是对多组信号进行模态分解,每组的信号分为正常信号与故障信号,分别对这两种信号进行对应的差值,再选取差值最大的三个值对应的模态分量进行模糊熵处理,最后结合概率神经网络进行预测,而本申请的上述方案是对待测电流信号进行两次判断,本申请的上述方案与现有技术中的方案的数据处理的方式也有差异,本申请的上述方案可以即剔除了干扰且保留拉弧特征的最全的信息,本申请的上述方案可以最大程度提取判断拉弧,经过了两次判断后,可以保证对待测电流信号的拉弧检测更加准确。
本申请的一种实施例中,在将待测电流信号输入至目标神经网络模型中,得到初步判断结果之前,上述方法还包括:对多个上述历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,上述第一历史目标参数为上述历史电流信号的多个固有模态分量的总和;获取表征多个上述历史电流信号是否存在拉弧现象的标签,得到多个上述第二历史目标参数;采用分别包括上述第一历史目标参数和上述第二历史目标参数的多组上述历史数据作为训练样本进行机器学习训练,得到上述目标神经网络模型。该实施例中,由于对历史电流信号进行了希尔伯特黄变换,可以只剔除余项分量,可以尽可能最多的保留历史电流信号的特征,同时还可以减少余项的干扰,这样就可以进一步保证得到的初步判断的结果较为准确,进而进一步保证了对待测电流信号的拉弧检测的准确性较好。
具体地,采用希尔伯特黄变换可以区分高频信息和低频信息,而出现拉弧时特征会分布在高频特征中,常用的傅里叶变化难以在频谱边界问题区分,傅里叶变换是时频转换,而希尔伯特黄变换是时间上的变换,可以有效区分时间上的变换尺度不同的历史电流信号,多个历史电流信号可以为后面模型训练和提取特征提供数据源,对历史电流信号进行希尔伯特黄变换的公式如下: 其中,ε(t)为历史电流信号,IMFi为K个固有模态分量的总和,即第一历史目标参数,rK为历史电流信号减去IMF后的余项,具体的采用希尔伯特黄变换计算的原理如图2所示,如图2所示:首先找到历史电流信号的最大值点和最小值点,之后做最大值点和最小值点的包络线,之后求包络线的平均值,之后用历史电流信号-包络线平均值得到疑似第一历史目标参数,判断当前第一历史目标参数是否为最高频分量,在当前第一历史目标参数不为最高频分量的情况下,使用当前第一历史目标参数作为历史电流信号,在当前第一历史目标参数为最高频分量的情况下,采用历史电流信号-当前第一历史目标参数得到新历史电流信号,判断新历史电流信号是否单调,在新历史电流信号单调的情况下,结束分解,因为第一历史目标参数是拉弧现象的主要特征分布区域,而余项分量在数据分析过程中会产生干扰,所以提取经过希尔伯特黄变换的/>作为训练目标神经网络模型的第一历史目标参数(即自变量),因变量为是否存在拉弧现象的标签,标签使用0和1表示,0表征不存在拉弧现象,1表征存在拉弧现象,具体的数据结构表格如表1所示,r1、r2、……rn分别为1、2、……n条记录历史电流信号的多个固有模态分量的总和。
表1
序号 | 多个固有模态分量的总和 | 标签 |
1 | r1=(IMF1+IMF2+……) | 1 |
2 | r2=(IMF1+IMF2+……) | 0 |
3 | r3=(IMF1+IMF2+……) | 1 |
…… | …… | …… |
n | rn=(IMF1+IMF2+……) | 1 |
本申请的再一种实施例中,在计算上述待测电流信号对应的时域谱的能量值,并根据上述能量值确定最终判断结果之后,上述方法还包括:将上述待测电流信号作为上述历史电流信号,并对上述待测电流信号和上述最终判断结果进行处理,得到新增的上述训练样本,新增的上述训练样本包括上述第一历史目标参数和新增的上述第二历史目标参数,在上述最终判断结果正确的情况下,将上述最终判断结果转换为对应的上述第二历史目标参数,在上述最终判断结果不正确的情况下,将正确的判断结果转换为对应的上述第二历史目标参数;对新增的上述训练样本并进行训练,以更新上述目标神经网络模型。该实施例中,可以不断更新目标神经网络模型,可以进一步保证在一段时间内目标神经网络模型进行初步判断的准确性较好,从而进一步保证了检测结果更为准确,还可以提升目标神经网络的精度,进而可以适应更多的应用场景。
具体地,本申请的方案中可以采用随机森林分类算法来进行机器学习,通过随机森林分类算法来对训练样本进行训练,并且可以将最终判断结果转换为对应的第二历史目标参数,进一步提升了目标神经网络模型的精度,当然,并不限于随机森林分类算法,还可以为其他的算法,本领域技术人员可以选择合适的算法来对训练样本进行训练。
在经过了希尔伯特黄变换后,虽然已经剔除了部分干扰,但是还可能存在其他的噪声干扰,为了进一步保证检测的准确性,本申请的又一种实施例中,计算上述待测电流信号对应的时域谱的能量值,并根据上述待测电流信号对应的时域谱的能量值最终确定上述待测电流信号是否存在上述拉弧现象,包括:对上述待测电流信号进行频域变化,得到目标频域谱;根据上述目标频域谱,计算上述待测电流信号的能量值的变异系数,上述变异系数为多个频段的能量值的标准差与多个上述频段的能量值的均值的比值;在上述变异系数大于预定阈值的情况下,最终确定上述待测电流信号存在上述拉弧现象,在上述变异系数小于或者等于上述预定阈值的情况下,最终确定上述待测电流信号不存在上述拉弧现象。该实施例中,可以进一步保证确定待测电流信号是否存在拉弧现象的结果更为准确,进而进一步解决了现有技术中难以准确地对拉弧进行检测的问题。
具体地,如图3中上图(上面的图)所示,未发生拉弧现象时待测电流信号的能量值的变异系数较小,如图3中下图(下面的图)所示,发生拉弧现象时待测电流信号的能量值的变异系数较大,因此,可以计算能量值对应的变异系数,根据变异系数和预定阈值的大小关系来确定最终判断结果。
本申请的另一种实施例中,对上述待测电流信号至少进行傅里叶变换,得到目标频域谱,包括:对上述待测电流信号进行希尔伯特黄变换,得到上述待测电流信号的多个固有模态分量的总和;对上述待测电流信号的多个固有模态分量的总和进行傅里叶变换,得到上述目标频域谱。该实施例中,可以得到准确的目标频域谱,进而后续可以得到更为准确的待测电流信号的能量值的变异系数。
具体地,计算变异系数可以有两种方式,第一种方式:先计算待测电流信号的能量值,再计算能量值的标准差和和均值的比值,根据能量值的标准差和和均值的比值来计算变异系数,具体公式为:其中,S为能量值的标准差,M为能量值的均值,均值M的计算公式为:标准差S的计算公式为:/>其中wi为第i频域谱段,i=1,2,3,...,n;第二种方式:采用频域谱计算幅值的平方,再计算频域谱对应的幅值的标准差和和均值的比值,根据幅值的标准差和和均值的比值来计算变异系数,具体公式为:其中,F(jw)为幅值,幅值的计算公式为:/>w=[w1,w2,w3,...,wn],w1,w2,w3,...,wn分别为频谱段1,2,3,n.的频谱,IMFi(t)为待测电流信号的多个固有模态分量的总和。
本申请的一种具体的实施例中,上述方法还包括:对上述多组上述历史数据中的第一部分进行计算,得到多个初始阈值,上述第一部分包括至少两组上述历史数据;采用上述多组上述历史数据中的第二部分计算多个上述初始阈值的准确率,上述第一部分和上述第二部分形成上述多组历史数据;确定准确率最高的上述初始阈值为目标阈值。该实施例中,将多组历史数据分成了两个部分,分别是第一部分和第二部分,将多组历史数据的第一部分进行计算得到初始阈值,再将第二部分进行计算得到初始阈值的准确率,准确率最高的初始阈值即为目标阈值,这样就可以得到更为准确的目标阈值,进而可以保证第二次判断的准确性更高。
需要说明的是,后续检测结束的数据依然可以加入历史数据中进行计算,这样可以更新目标阈值,新加入的历史数据需要保证其为准确的数据,如果不是准确的数据,需要更新为准确的数据后加入。
为了进一步保证计算得到的初始阈值的准确度较高,本申请的再一种实施例中,上述第一历史目标参数为上述历史电流信号的多个固有模态分量的总和,对多组上述历史数据中的第一部分进行计算,得到多个初始阈值,包括:对上述第一部分的多个上述第一历史目标参数进行傅里叶变化,得到多个历史时域谱;计算各上述历史时域谱对应的能量值,并依据多个上述历史时域谱的能量值和对应的多个上述第二历史目标参数确定上述初始阈值。
本申请实施例还提供了一种拉弧的检测装置,需要说明的是,本申请实施例的拉弧的检测装置可以用于执行本申请实施例所提供的用于拉弧的检测方法。以下对本申请实施例提供的拉弧的检测装置进行介绍。
图4是根据本申请实施例的拉弧的检测装置的示意图。如图4所示,该装置包括:
第一获取单元10,用于获取待测电流信号;
第一处理单元20,用于将上述待测电流信号输入至目标神经网络模型中,得到初步判断结果,上述初步判断结果为初步判断上述待测电流信号是否存在拉弧现象的结果,上述神经网络模型为使用多组历史数据通过机器学习训练出的,各组上述历史数据均包括第一历史目标参数和第二历史目标参数,上述第一历史目标参数为根据历史电流信号计算得到的参数,上述第二历史目标参数为表征上述历史电流信号是否存在拉弧现象的参数;
第二处理单元30,在上述初步判断结果表征初步判断上述待测电流信号存在上述拉弧现象的情况下,计算上述待测电流信号对应的时域谱的能量值,并根据上述待测电流信号对应的时域谱的能量值最终确定上述待测电流信号是否存在上述拉弧现象。
上述的装置中,第一处理单元采用机器学习的方法可以得到目标神经网络模型,再采用目标神经网络模型来初步判断待测电流信号是否存在拉弧现象,可以实现初步检测,第二处理单元在初步判断后,再计算待测电流信号对应的时域谱的能量值,通过能量值可以得到最终判断结果。即该装置中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,第二次判断过程中利用发明人发现的规律(发生拉弧后的电流较大,会产生较大的能量值,而未发生拉弧的电流较小,会产生较小的能量值),因此,该装置中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
具体地,发明人了解到的拉弧检测装置中,可以对拉弧进行检测,但是,准确性不高,例如,现有技术中是对多组信号进行模态分解,每组的信号分为正常信号与故障信号,分别对这两种信号进行对应的差值,再选取差值最大的三个值对应的模态分量进行模糊熵处理,最后结合概率神经网络进行预测,而本申请的上述方案是对待测电流信号进行两次判断,本申请的上述方案与现有技术中的方案的数据处理的方式也有差异,本申请的上述方案可以即剔除了干扰且保留拉弧特征的最全的信息,本申请的上述方案可以最大程度提取判断拉弧,经过了两次判断后,可以保证对待测电流信号的拉弧检测更加准确。
本申请的一种实施例中,上述装置还包括第三处理单元、第四处理单元和第五处理单元,上述第三处理单元用于在将待测电流信号输入至目标神经网络模型中,得到初步判断结果之前,对多个上述历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,上述第一历史目标参数为上述历史电流信号的多个固有模态分量的总和;第四处理单元用于获取表征多个上述历史电流信号是否存在拉弧现象的标签,得到多个上述第二历史目标参数;第五处理单元用于采用分别包括上述第一历史目标参数和上述第二历史目标参数的多组上述历史数据作为训练样本进行机器学习训练,得到上述目标神经网络模型。该实施例中,由于对历史电流信号进行了希尔伯特黄变换,可以只剔除余项分量,可以尽可能最多的保留历史电流信号的特征,同时还可以减少余项的干扰,这样就可以进一步保证得到的初步判断的结果较为准确,进而进一步保证了对待测电流信号的拉弧检测的准确性较好。
具体地,采用希尔伯特黄变换可以区分高频信息和低频信息,而出现拉弧时特征会分布在高频特征中,常用的傅里叶变化难以在频谱边界问题区分,傅里叶变换是时频转换,而希尔伯特黄变换是时间上的变换,可以有效区分时间上的变换尺度不同的历史电流信号,多个历史电流信号可以为后面模型训练和提取特征提供数据源,对历史电流信号进行希尔伯特黄变换的公式如下:其中,ε(t)为历史电流信号,IMFi为K个固有模态分量的总和,即第一历史目标参数,rK为历史电流信号减去IMF后的余项,具体的采用希尔伯特黄变换计算的原理如图2所示,如图2所示:首先找到历史电流信号的最大值点和最小值点,之后做最大值点和最小值点的包络线,之后求包络线的平均值,之后用历史电流信号-包络线平均值得到疑似第一历史目标参数,判断当前第一历史目标参数是否为最高频分量,在当前第一历史目标参数不为最高频分量的情况下,使用当前第一历史目标参数作为历史电流信号,在当前第一历史目标参数为最高频分量的情况下,采用历史电流信号-当前第一历史目标参数得到新历史电流信号,判断新历史电流信号是否单调,在新历史电流信号单调的情况下,结束分解,因为第一历史目标参数是拉弧现象的主要特征分布区域,而余项分量在数据分析过程中会产生干扰,所以提取经过希尔伯特黄变换的/>作为训练目标神经网络模型的第一历史目标参数(即自变量),因变量为是否存在拉弧现象的标签,标签使用0和1表示,0表征不存在拉弧现象,1表征存在拉弧现象,具体的数据结构表格如上文中的表1所示,r1、r2、……rn分别为1、2、……n条记录历史电流信号的多个固有模态分量的总和。
本申请的再一种实施例中,上述装置还包括第六处理单元和训练单元,第六处理单元用于在计算上述待测电流信号对应的时域谱的能量值,并根据上述能量值确定最终判断结果之后,将上述待测电流信号作为上述历史电流信号,并对上述待测电流信号和上述最终判断结果进行处理,得到新增的上述训练样本,新增的上述训练样本包括上述第一历史目标参数和新增的上述第二历史目标参数,在上述最终判断结果正确的情况下,将上述最终判断结果转换为对应的上述第二历史目标参数,在上述最终判断结果不正确的情况下,将正确的判断结果转换为对应的上述第二历史目标参数;训练单元用于对新增的上述训练样本并进行训练,以更新上述目标神经网络模型。该实施例中,可以不断更新目标神经网络模型,可以进一步保证在一段时间内目标神经网络模型进行初步判断的准确性较好,从而进一步保证了检测结果更为准确,还可以提升目标神经网络的精度,进而可以适应更多的应用场景。
具体地,本申请的方案中可以采用随机森林分类算法来进行机器学习,通过随机森林分类算法来对训练样本进行训练,并且可以将最终判断结果转换为对应的第二历史目标参数,进一步提升了目标神经网络模型的精度,当然,并不限于随机森林分类算法,还可以为其他的算法,本领域技术人员可以选择合适的算法来对训练样本进行训练。
在经过了希尔伯特黄变换后,虽然已经剔除了部分干扰,但是还可能存在其他的噪声干扰,为了进一步保证检测的准确性,本申请的又一种实施例中,第一处理单元包括第一处理模块、第一计算模块和确定模块,第一处理模块用于对上述待测电流信号进行频域变化,得到目标频域谱;;第一计算模块用于根据上述目标频域谱,计算上述待测电流信号的能量值的变异系数,上述变异系数为多个频段的能量值的标准差与多个上述频段的能量值的均值的比值;确定模块用于在上述变异系数大于预定阈值的情况下,最终确定上述待测电流信号存在上述拉弧现象,在上述变异系数小于或者等于上述预定阈值的情况下,最终确定上述待测电流信号不存在上述拉弧现象。该实施例中,可以进一步保证确定待测电流信号是否存在拉弧现象的结果更为准确,进而进一步解决了现有技术中难以准确地对拉弧进行检测的问题。
具体地,如图3中上图所示,未发生拉弧现象时待测电流信号的能量值的变异系数较小,如图3中下图所示,发生拉弧现象时待测电流信号的能量值的变异系数较大,因此,可以计算能量值对应的变异系数,根据变异系数和预定阈值的大小关系来确定最终判断结果。
本申请的另一种实施例中,第一处理模块包括第一处理子模块和第二处理子模块,第一处理子模块用于对上述待测电流信号进行希尔伯特黄变换,得到上述待测电流信号的多个固有模态分量的总和;第二处理子模块用于对上述待测电流信号的多个固有模态分量的总和进行傅里叶变换,得到上述目标频域谱。该实施例中,可以得到准确的目标频域谱,进而后续可以得到更为准确的待测电流信号的能量值的变异系数。
具体地,计算变异系数可以有两种方式,第一种方式:先计算待测电流信号的能量值,再计算能量值的标准差和和均值的比值,根据能量值的标准差和和均值的比值来计算变异系数,具体公式为:其中,S为能量值的标准差,M为能量值的均值,均值M的计算公式为:标准差S的计算公式为:/>其中wi为第i频域谱段,i=1,2,3,...,n;第二种方式:采用频域谱计算幅值的平方,再计算频域谱对应的幅值的标准差和和均值的比值,根据幅值的标准差和和均值的比值来计算变异系数,具体公式为:其中,F(jw)为幅值,幅值的计算公式为:/>w=[w1,w2,w3,...,wn],w1,w2,w3,...,wn分别为频谱段1,2,3,n.的频谱,IMFi(t)为待测电流信号的多个固有模态分量的总和。
本申请的一种具体的实施例中,上述装置还包括第六处理单元、计算单元和确定单元,第六处理单元用于对上述多组上述历史数据中的第一部分进行计算,得到多个初始阈值,上述第一部分包括至少两组上述历史数据;计算单元用于采用上述多组上述历史数据中的第二部分计算多个上述初始阈值的准确率,上述第一部分和上述第二部分形成上述多组历史数据;确定单元用于确定准确率最高的上述初始阈值为目标阈值。该实施例中,将多组历史数据分成了两个部分,分别是第一部分和第二部分,将多组历史数据的第一部分进行计算得到初始阈值,再将第二部分进行计算得到初始阈值的准确率,准确率最高的初始阈值即为目标阈值,这样就可以得到更为准确的目标阈值,进而可以保证第二次判断的准确性更高。
需要说明的是,后续检测结束的数据依然可以加入历史数据中进行计算,这样可以更新目标阈值,新加入的历史数据需要保证其为准确的数据,如果不是准确的数据,需要更新为准确的数据后加入。
为了进一步保证计算得到的初始阈值的准确度较高,本申请的再一种实施例中,上述第一历史目标参数为上述历史电流信号的多个固有模态分量的总和,第六处理单元包括第二处理模块和第三处理模块,第二处理模块用于对上述第一部分的多个上述第一历史目标参数进行傅里叶变化,得到多个历史时域谱;第三处理模块用于计算各上述历史时域谱对应的能量值,并依据多个上述历史时域谱的能量值和对应的多个上述第二历史目标参数确定上述初始阈值。
上述拉弧的检测装置包括处理器和存储器,上述第一获取单元、第一处理单元和第二处理单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来准确地对拉弧进行检测。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种一种电子设备,该电子设备包括一个或多个处理器,存储器以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置为由上述一个或多个处理器执行,上述一个或多个程序包括用于执行中任意一种上述的拉弧的检测方法。
本发明实施例还提供了一种用电系统,该系统包括用电设备和电子设备,上述用电设备和上述电子设备通信连接,上述电子设备为上述的电子设备。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取待测电流信号;
步骤S102,将上述待测电流信号输入至目标神经网络模型中,得到初步判断结果,上述初步判断结果为初步判断上述待测电流信号是否存在拉弧现象的结果,上述神经网络模型为使用多组历史数据通过机器学习训练出的,各组上述历史数据均包括第一历史目标参数和第二历史目标参数,上述第一历史目标参数为根据历史电流信号计算得到的参数,上述第二历史目标参数为表征上述历史电流信号是否存在拉弧现象的参数;
步骤S103,在上述初步判断结果表征初步判断上述待测电流信号存在上述拉弧现象的情况下,计算上述待测电流信号对应的时域谱的能量值,并根据上述待测电流信号对应的时域谱的能量值最终确定上述待测电流信号是否存在上述拉弧现象。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取待测电流信号;
步骤S102,将上述待测电流信号输入至目标神经网络模型中,得到初步判断结果,上述初步判断结果为初步判断上述待测电流信号是否存在拉弧现象的结果,上述神经网络模型为使用多组历史数据通过机器学习训练出的,各组上述历史数据均包括第一历史目标参数和第二历史目标参数,上述第一历史目标参数为根据历史电流信号计算得到的参数,上述第二历史目标参数为表征上述历史电流信号是否存在拉弧现象的参数;
步骤S103,在上述初步判断结果表征初步判断上述待测电流信号存在上述拉弧现象的情况下,计算上述待测电流信号对应的时域谱的能量值,并根据上述待测电流信号对应的时域谱的能量值最终确定上述待测电流信号是否存在上述拉弧现象。
为了本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例来说明本申请的技术方案和技术效果。
实施例
如图5所示,图5示出了本实施例的具体过程:
首先,输入待测电流信号,对历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,采用第一历史目标参数作为训练样本进行机器学习训练,获取表征多个历史电流信号是否存在拉弧现象的标签,得到多个第二历史目标参数,采用第一历史目标参数和第二历史目标参数作为训练样本进行机器学习训练,初步判断当前历史电流信号是否存在拉弧现象,在初步判断不存在拉弧现象的情况下,根据最终判断结果将该历史电流信号作为新增的训练样本,更新目标神经网络模型;
在初步判断存在拉弧现象的情况下,计算待测电流信号的能量值的变异系数,判断能量值的变异系数是否大于预定阈值,在变异系数大于预定阈值的情况下,确定存在拉弧现象,在变异系数小于或者等于预定阈值的情况下,确定不存在拉弧现象。
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,例如上述单元的划分,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。
上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。
上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上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。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的拉弧的检测方法,采用机器学习的方法可以得到目标神经网络模型,再采用目标神经网络模型来初步判断待测电流信号是否存在拉弧现象,可以实现初步检测,在初步判断后,再计算待测电流信号对应的时域谱的能量值,通过能量值可以得到最终判断结果。即该方法中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,第二次判断过程中利用发明人发现的规律(发生拉弧后的电流较大,会产生较大的能量值,而未发生拉弧的电流较小,会产生较小的能量值),因此,该方法中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
2)、本申请的拉弧的检测装置,第一处理单元采用机器学习的方法可以得到目标神经网络模型,再采用目标神经网络模型来初步判断待测电流信号是否存在拉弧现象,可以实现初步检测,第二处理单元在初步判断后,再计算待测电流信号对应的时域谱的能量值,通过能量值可以得到最终判断结果。即该装置中对待测电流经过两次判断,第一次判断为采用神经网络模型进行的初始判断,第二次判断为根据待测电流信号对应的时域谱的能量值进行的最终判断,第二次判断过程中利用发明人发现的规律(发生拉弧后的电流较大,会产生较大的能量值,而未发生拉弧的电流较小,会产生较小的能量值),因此,该装置中通过对待测电流信号对应的时域谱的能量值的判断,保证了对待测电流信号的拉弧检测更加准确,进而解决了现有技术中难以准确地对拉弧进行检测的问题。
以上上述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。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 (8)
1.一种拉弧的检测方法,其特征在于,包括:
获取待测电流信号;
将所述待测电流信号输入至目标神经网络模型中,得到初步判断结果,所述初步判断结果为初步判断所述待测电流信号是否存在拉弧现象的结果,所述神经网络模型为使用多组历史数据通过机器学习训练出的,各组所述历史数据均包括第一历史目标参数和第二历史目标参数,所述第一历史目标参数为根据历史电流信号计算得到的参数,所述第二历史目标参数为表征所述历史电流信号是否存在拉弧现象的参数;
在所述初步判断结果表征初步判断所述待测电流信号存在所述拉弧现象的情况下,计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象,
在将待测电流信号输入至目标神经网络模型中,得到初步判断结果之前,所述方法还包括:
对多个所述历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,所述第一历史目标参数为所述历史电流信号的多个固有模态分量的总和;
获取表征多个所述历史电流信号是否存在拉弧现象的标签,得到多个所述第二历史目标参数;
采用分别包括所述第一历史目标参数和所述第二历史目标参数的多组所述历史数据作为训练样本进行机器学习训练,得到所述目标神经网络模型,
计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象,包括:
对所述待测电流信号进行频域变化,得到目标频域谱;
根据所述目标频域谱,计算所述待测电流信号的能量值的变异系数,所述变异系数为多个频段的能量值的标准差与多个所述频段的能量值的均值的比值;
在所述变异系数大于预定阈值的情况下,最终确定所述待测电流信号存在所述拉弧现象,在所述变异系数小于或者等于所述预定阈值的情况下,最终确定所述待测电流信号不存在所述拉弧现象。
2.根据权利要求1所述的方法,其特征在于,在计算所述待测电流信号对应的时域谱的能量值,并根据所述能量值确定最终判断结果之后,所述方法还包括:
将所述待测电流信号作为所述历史电流信号,并对所述待测电流信号和所述最终判断结果进行处理,得到新增的所述训练样本,新增的所述训练样本包括所述第一历史目标参数和新增的所述第二历史目标参数,在所述最终判断结果正确的情况下,将所述最终判断结果转换为对应的所述第二历史目标参数,在所述最终判断结果不正确的情况下,将正确的判断结果转换为对应的所述第二历史目标参数;
对新增的所述训练样本并进行训练,以更新所述目标神经网络模型。
3.根据权利要求1所述的方法,其特征在于,对所述待测电流信号至少进行傅里叶变换,得到目标频域谱,包括:
对所述待测电流信号进行希尔伯特黄变换,得到所述待测电流信号的多个固有模态分量的总和;
对所述待测电流信号的多个固有模态分量的总和进行傅里叶变换,得到所述目标频域谱。
4.根据权利要求1至2中任一项所述的方法,其特征在于,所述方法还包括:
对多组所述历史数据中的第一部分进行计算,得到多个初始阈值,所述第一部分包括至少两组所述历史数据;
采用多组所述历史数据中的第二部分计算多个所述初始阈值的准确率,所述第一部分和所述第二部分形成所述多组历史数据;
确定准确率最高的所述初始阈值为目标阈值。
5.根据权利要求4所述的方法,其特征在于,所述第一历史目标参数为所述历史电流信号的多个固有模态分量的总和,对多组所述历史数据中的第一部分进行计算,得到多个初始阈值,包括:
对所述第一部分的多个所述第一历史目标参数进行傅里叶变化,得到多个历史时域谱;
计算各所述历史时域谱对应的能量值,并依据多个所述历史时域谱的能量值和对应的多个所述第二历史目标参数确定所述初始阈值。
6.一种拉弧的检测装置,其特征在于,包括:
第一获取单元,用于获取待测电流信号;
第一处理单元,用于将所述待测电流信号输入至目标神经网络模型中,得到初步判断结果,所述初步判断结果为初步判断所述待测电流信号是否存在拉弧现象的结果,所述神经网络模型为使用多组历史数据通过机器学习训练出的,各组所述历史数据均包括第一历史目标参数和第二历史目标参数,所述第一历史目标参数为根据历史电流信号计算得到的参数,所述第二历史目标参数为表征所述历史电流信号是否存在拉弧现象的参数;
第二处理单元,用于在所述初步判断结果表征初步判断所述待测电流信号存在所述拉弧现象的情况下,计算所述待测电流信号对应的时域谱的能量值,并根据所述待测电流信号对应的时域谱的能量值最终确定所述待测电流信号是否存在所述拉弧现象,
所述装置还包括第三处理单元、第四处理单元和第五处理单元,所述第三处理单元用于在将待测电流信号输入至目标神经网络模型中,得到初步判断结果之前,对多个所述历史电流信号进行希尔伯特黄变换,得到多个第一历史目标参数,所述第一历史目标参数为所述历史电流信号的多个固有模态分量的总和;第四处理单元用于获取表征多个所述历史电流信号是否存在拉弧现象的标签,得到多个所述第二历史目标参数;第五处理单元用于采用分别包括所述第一历史目标参数和所述第二历史目标参数的多组所述历史数据作为训练样本进行机器学习训练,得到所述目标神经网络模型,
第一处理单元包括第一处理模块、第一计算模块和确定模块,第一处理模块用于对所述待测电流信号进行频域变化,得到目标频域谱;第一计算模块用于根据所述目标频域谱,计算所述待测电流信号的能量值的变异系数,所述变异系数为多个频段的能量值的标准差与多个所述频段的能量值的均值的比值;确定模块用于在所述变异系数大于预定阈值的情况下,最终确定所述待测电流信号存在所述拉弧现象,在所述变异系数小于或者等于所述预定阈值的情况下,最终确定所述待测电流信号不存在所述拉弧现象。
7.一种电子设备,其特征在于,包括:一个或多个处理器,存储器以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至5中任意一项所述的拉弧的检测方法。
8.一种用电系统,其特征在于,包括:用电设备和电子设备,所述用电设备和所述电子设备通信连接,所述电子设备为权利要求7所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343081.1A CN114034999B (zh) | 2021-11-12 | 2021-11-12 | 拉弧的检测方法、装置、电子设备和用电系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343081.1A CN114034999B (zh) | 2021-11-12 | 2021-11-12 | 拉弧的检测方法、装置、电子设备和用电系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034999A CN114034999A (zh) | 2022-02-11 |
CN114034999B true CN114034999B (zh) | 2023-10-31 |
Family
ID=80137587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111343081.1A Active CN114034999B (zh) | 2021-11-12 | 2021-11-12 | 拉弧的检测方法、装置、电子设备和用电系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034999B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425118A (zh) * | 2015-10-29 | 2016-03-23 | 山东建筑大学 | 一种多信息融合故障电弧检测方法及装置 |
CN110717144A (zh) * | 2019-08-19 | 2020-01-21 | 珠海格力电器股份有限公司 | 一种故障电弧检测方法、装置、终端及存储介质 |
WO2020093859A1 (zh) * | 2018-11-06 | 2020-05-14 | 清华大学 | 分区所无断电柔性电分相设备及其控制方法 |
CN111627000A (zh) * | 2020-05-25 | 2020-09-04 | 山东万腾智能科技有限公司 | 弓网拉弧检测方法及系统 |
CN111983402A (zh) * | 2020-08-20 | 2020-11-24 | 阳光电源股份有限公司 | 一种直流电弧故障检测方法及光伏逆变系统 |
CN112290887A (zh) * | 2020-09-23 | 2021-01-29 | 合肥工业大学 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
CN112363070A (zh) * | 2021-01-14 | 2021-02-12 | 江苏固德威电源科技股份有限公司 | 电池拉弧检测方法、装置和电池储能系统 |
-
2021
- 2021-11-12 CN CN202111343081.1A patent/CN114034999B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425118A (zh) * | 2015-10-29 | 2016-03-23 | 山东建筑大学 | 一种多信息融合故障电弧检测方法及装置 |
WO2020093859A1 (zh) * | 2018-11-06 | 2020-05-14 | 清华大学 | 分区所无断电柔性电分相设备及其控制方法 |
CN110717144A (zh) * | 2019-08-19 | 2020-01-21 | 珠海格力电器股份有限公司 | 一种故障电弧检测方法、装置、终端及存储介质 |
CN111627000A (zh) * | 2020-05-25 | 2020-09-04 | 山东万腾智能科技有限公司 | 弓网拉弧检测方法及系统 |
CN111983402A (zh) * | 2020-08-20 | 2020-11-24 | 阳光电源股份有限公司 | 一种直流电弧故障检测方法及光伏逆变系统 |
CN112290887A (zh) * | 2020-09-23 | 2021-01-29 | 合肥工业大学 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
CN112363070A (zh) * | 2021-01-14 | 2021-02-12 | 江苏固德威电源科技股份有限公司 | 电池拉弧检测方法、装置和电池储能系统 |
Non-Patent Citations (1)
Title |
---|
采用分类学习的电气化机车受电弓拉弧检测方法;杨东军;钱学明;;西安交通大学学报(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114034999A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102016607B (zh) | 用于分析电力系统的波形信号的方法和装置 | |
CN102331543B (zh) | 基于支持向量机的故障电弧检测方法 | |
Zhong et al. | Power‐quality disturbance recognition based on time‐frequency analysis and decision tree | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
Roy et al. | PSD based high impedance fault detection and classification in distribution system | |
CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
CN108008244A (zh) | 一种小电流接地故障多层次递进式分类识别方法 | |
Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
CN106685752B (zh) | 一种信息处理方法及终端 | |
CN108629047B (zh) | 一种歌曲清单生成方法及终端设备 | |
CN114152825B (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
US20090013004A1 (en) | System and Method for the Characterization, Selection and Recommendation of Digital Music and Media Content | |
CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
CN109408660A (zh) | 一种基于音频特征的音乐自动分类的方法 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
Fulneček et al. | A simple method for tree fall detection on medium voltage overhead lines with covered conductors | |
CN114034999B (zh) | 拉弧的检测方法、装置、电子设备和用电系统 | |
Costa et al. | A method for fault classification in transmission lines based on ann and wavelet coefficients energy | |
CN115420988B (zh) | 异常用电用户的识别方法、装置、设备及存储介质 | |
Farshad | Locating short‐circuit faults in HVDC systems using automatically selected frequency‐domain features | |
CN116298735A (zh) | 一种低压配电网交流电弧故障检测方法及相关装置 | |
CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
CN114370612A (zh) | 基于随机森林模型的供水管道状态监测方法 | |
CN113552444A (zh) | 一种泄漏电流特征阈值在线整定方法及装置 | |
CN110873832A (zh) | 一种基于小波能量熵的配电网选线方法及系统 |
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 |