CN114077819A - 故障电弧检测模型构建方法、装置、设备及存储介质 - Google Patents
故障电弧检测模型构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114077819A CN114077819A CN202111404286.6A CN202111404286A CN114077819A CN 114077819 A CN114077819 A CN 114077819A CN 202111404286 A CN202111404286 A CN 202111404286A CN 114077819 A CN114077819 A CN 114077819A
- Authority
- CN
- China
- Prior art keywords
- data
- arc detection
- fault arc
- detection model
- wavelet
- 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 112
- 238000010276 construction Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation 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]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了故障电弧检测模型构建方法、装置、设备及存储介质,该方法包括:获取目标回路中待检测电流;对所述待检测电流进行两层小波提取,获得小波变换后的数据;对所述小波变换后的数据进行编码,获得用于故障电弧检测的特征标识;通过神经网络对所述特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。本发明采用一种基于颜色编码的特征提取和深度学习的故障诊断方式,有效解决故障电弧由于燃弧程度不同、电流畸变程度不同导致的错检和漏检问题。
Description
技术领域
本发明属于故障电弧识别技术领域,尤其涉及故障电弧检测模型构建方法、装置、设备及存储介质。
背景技术
目前串联故障电弧的检测方法主要有以下三种:一是基于弧光、热、电磁辐射的故障检测,此方法在实际应用中会受到电弧发生位置的不确定及用电负载类型多样化的限制,适用范围有一定的局限性;第二种是基于电弧数学模型,该方法因模型不完善,参数类型较多一直停留在模型仿真阶段;第三种是基于电弧的电流电压波形。
常用的方法是基于故障电弧电流特征的检测方法,通过特征提取提取故障电弧的时频域特征进行故障电弧检测。
目前基于电流电压的故障电弧检测存在的主要问题包含故障特征提取的有效性,由于燃弧的随机性,传统的时频域特征的识别率不高,出现误检、漏检的问题,难以广泛应用;其次是人工智能检测方法存在计算量大的问题,使得检测算法的可实现性较低。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了故障电弧检测模型构建方法、装置、设备及存储介质,采用一种基于颜色编码的特征提取和深度学习的故障诊断方式,有效解决故障电弧由于燃弧程度不同、电流畸变程度不同导致的错检和漏检问题。
本发明目的通过下述技术方案来实现:
一种故障电弧检测模型构建方法,所述方法包括:
获取目标回路中待检测电流;
对所述待检测电流进行两层小波提取,获得小波变换后的数据;
对所述小波变换后的数据进行编码,获得用于故障电弧检测的特征标识;
通过神经网络对所述特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
进一步的,所述对所述待检测电流进行两层小波提取具体包括:
对所述待检测电流进行2层小波分解,小波分解方法为
其中,cj-1,k表示小波分解空间Vj-1的第k个尺度系数,dj-1,k表示小波分解空间Wj-1的第k个小波系数,hn为定义的低通滤波器,gn为定义的高通滤波器,Z为整数;
通过小波分解得到一组包含所述待检测电流从低频到高频的不同频带信息的一维向量。
进一步的,所述对所述小波变换后的数据进行矩阵编码具体包括:
将小波变换后的数据进行归一化和极坐标变换,通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
其中,xi是经过归一化后的用电负荷时间序列;ti为采样时间戳;N为降采样参数;X为包含n个实值的电能数据时间序列,X={x1,x2,...,xn};φ为极坐标系中与极轴的夹角,r为极坐标中的半径;
对经过极坐标转换后的数据采用格拉姆矩阵,将数据转换为二维向量,格拉姆矩阵为
其中,φi为时间序列中对应的实值xi转换到极坐标系中与极轴的夹角,G为格拉姆编码矩阵,X'为X的转置矩阵,I为与X同维度的单位矩阵。
进一步的,所述神经网络包括AlexNet网络,所述AlexNet网络包括ReLU激活函数。
进一步的,所述AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
进一步的,所述AlexNet网络的池化层选用平均值池化,选用N/2尺寸大小的过滤器进行采样。
进一步的,所述AlexNet网络在完成参数优化后,将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。
另一方面,本发明还提供了一种故障电弧检测模型构建装置,所述装置包括:
电流获取模块,用于获取目标回路中待检测电流;
小波变换模块,用于对所述待检测电流进行两层小波提取,获得小波变换后的数据;
数据编码模块,用于对所述小波变换后的数据进行编码,获得用于故障电弧检测的特征标识;
模型建立模块,用于通过神经网络对所述特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
可选地,所述小波变换模块对所述待检测电流进行两层小波提取具体包括:
对所述待检测电流进行2层小波分解,小波分解方法为
其中,cj-1,k表示小波分解空间Vj-1的第k个尺度系数,dj-1,k表示小波分解空间Wj-1的第k个小波系数,hn为定义的低通滤波器,gn为定义的高通滤波器,Z为整数;
通过小波分解得到一组包含所述待检测电流从低频到高频的不同频带信息的一维向量。
可选地,所述数据编码模块对所述小波变换后的数据进行矩阵编码具体包括:
将小波变换后的数据进行归一化和极坐标变换,通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
其中,xi是经过归一化后的用电负荷时间序列;ti为采样时间戳;N为降采样参数;X为包含n个实值的电能数据时间序列,X={x1,x2,...,xn};φ为极坐标系中与极轴的夹角,r为极坐标中的半径;
对经过极坐标转换后的数据采用格拉姆矩阵,将数据转换为二维向量,格拉姆矩阵为
其中,φi为时间序列中对应的实值xi转换到极坐标系中与极轴的夹角,G为格拉姆编码矩阵,X'为X的转置矩阵,I为与X同维度的单位矩阵。
可选地,所述模型建立模块采用的神经网络包括AlexNet网络,所述AlexNet网络包括ReLU激活函数。
可选地,所述模型建立模块采用的AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
可选地,所述模型建立模块采用的AlexNet网络的池化层选用平均值池化,选用N/2尺寸大小的过滤器进行采样。
可选地,模型建立模块在所述AlexNet网络在完成参数优化后,将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种故障电弧检测模型构建方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种故障电弧检测模型构建方法。
本发明的有益效果在于:
(1)本发明构建的故障电弧检测模型在进行故障电弧检测时针对回路电流的小波特征进行了极坐标变换,该理想映射保证了电流数据在笛卡尔直角坐标系和极坐标系下的唯一且相互对应,不丢失数据特征信息。其次,极坐标系下数据表示与时间信息的关系更加紧密。利用格拉姆矩阵对极坐标系下特征信息进行了二维编码,使得RGB图像中的纹理信息、颜色特征与电流数据中的失真、跳变等信息密切相关,使得不同燃弧状态的下的故障特征更具区分性,有效避免由于电流畸变程度导致的漏检和错检问题。
(2)本发明构建的故障电弧检测模型使用深度学习算法对故障进行检测,相比于传统机器学习算法具有更好的数据挖掘能力和自适应性,能够有效提取不同燃弧状态下负荷标识的特征信息,大大降低故障电弧检测过程中出现的漏检和错检情况,在各项检测指标上均有更好的表现。
(3)本发明构建的故障电弧检测模型的故障电弧检测方案主要针对电流信号的低频特征,对设备的采样率要求较低,整体流程实现简单,具有较高的可实现性。
附图说明
图1是本发明实施例提供的故障电弧检测模型构建方法的流程框图;
图2是本发明实施例故障电弧检测方案流程框图;
图3是本发明实施例用于获取目标回路中待检测电流的信号采集装置示意图;
图4是本发明实施例采用的AlexNet网络结构示意图;
图5是本发明实施例提供的故障电弧检测方案应用于实际电路环境的示意图;
图6是本发明实施例提供的故障电弧检测模型构建装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前基于电流电压的故障电弧检测存在的主要问题包含故障特征提取的有效性,由于燃弧的随机性,传统的时频域特征的识别率不高,出现误检、漏检的问题,难以广泛应用;其次是人工智能检测方法存在计算量大的问题,使得检测算法的可实现性较低。
为了解决上述技术问题,提出了本发明故障电弧检测模型构建方法、装置、设备及存储介质的各个实施例。
实施例1
本实施例提供了一种故障电弧检测方案,参照图2,如图2所示是本实施例提供的故障电弧检测方案流程框图。
在低压交流供电系统下,对回路中不同负载工作时的故障和正常电流进行进行采集,故障情况下由于燃弧程度的不同导致故障电流具有一定随机性,加大了特征提取的难度。因此,对采集的电流进行两层小波提取,将小波变换的结果通过格拉姆颜色矩阵进行编码。再通过神经网络进行模型训练,将最终获得的故障电弧检测模型用于故障电弧检测。
本实施例采用一种基于颜色编码的特征提取和深度学习的故障诊断方式,有效解决故障电弧由于燃弧程度不同、电流畸变程度不同导致的错检和漏检问题。
参照图1,如图1所示是本实施例提供的故障电弧检测模型构建方法的流程框图。
该方法具体包括:
步骤S100:获取目标回路中待检测电流。
作为一种实施方式,参照图3,如图3所示是本实施例用于获取目标回路中待检测电流的信号采集装置示意图。该装置主要由信号采集装置、电弧发生器、负载三部分组成。信号采集装置主要由电流互感器与pico示波器组成,采集电路中的电流信息;电弧发生器用于模拟线路中的燃弧状态;负载部分用于接入电力设备,包含开关型、电阻型、电感性等负载类型。电路中S1为总开关,S3、S4控制故障支路,采集故障电流信息,S2控制正常支路,采集负载正常工作时的电流数据。
步骤S200:对待检测电流进行两层小波提取,获得小波变换后的数据。
作为一种实施方式,故障电弧的电流信号具有非平稳、随机性的特征,因此可通过小波分解提取信号的高频及低频特征用于辨别故障信号。Daubechies系列小波具有正交性好,对不规则信号敏感的特点,因此适用于故障信号的分析。本实施例对所采集的电流信号进行2层小波分解,小波分解算法定义如下:
式中,cj-1,k表示小波分解空间Vj-1的第k个尺度系数,dj-1,k表示小波分解空间Wj-1的第k个小波系数,hn和gn分别为定义的低通滤波器以及高通滤波器。
步骤S300:对小波变换后的数据进行编码,获得用于故障电弧检测的特征标识。
具体地,首先将小波变换后的数据进行归一化和极坐标变换,然后通过格拉姆矩阵将数据转换为二维向量,极坐标转换公式如下
式中:xi是经过归一化后的用电负荷时间序列;ti为采样时间戳;N为降采样参数,即电能数据经过格拉姆矩阵颜色编码之后的特征矩阵尺寸。X为包含n个实值的电能数据时间序列,即X={x1,x2,...,xn},φ为极坐标系中与极轴的夹角,r为极坐标中的半径。
对电流信息进行归一化以及极坐标转换之后,采用格拉姆矩阵将其转换为二维向量,格拉姆矩阵的定义如下:
式中:φi为时间序列中对应的实值xi转换到极坐标系中与极轴的夹角,X为包含n个实值的电能数据时间序列,即X={x1,x2,...,xn},G为所求得的格拉姆编码矩阵。
经过格拉姆矩阵颜色编码方法的处理,小波变换后的三层分量分别生成了3个N*N大小的特征矩阵。将这些矩阵分别与RGB颜色空间的三个通道对应,则可以合成和与负荷电流密切相关的RGB图像。该图像包含原始电流数据的主要信息,该标识中的纹理信息、颜色分布等特征与电流数据中的失真、跳变等信息密切相关,因此可以作为故障电弧检测的特征标识。在故障特征标识的构建过程中,可以通过设置参数N的大小来调整构建的标识的二维矩阵尺寸大小,能够适应更多不同场景下的故障检测的精度要求以及速率要求。
步骤S400:通过神经网络对特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
具体地,基于格拉姆颜色编码提取的特征标识,利用AlexNet神经网络进行训练,根据训练样本的数据类型,对模型的配置参数,例如卷积核大小、步长、权重等参数进行调优。
参照图4,如图4所示是本实施例采用的AlexNet神经网络结构示意图。该神经网络包含5个卷积层和3个全连接层,输入为经过格拉姆颜色编码后组成的RGB图像,本质为二维矩阵,输出结果为分类结果,即线路故障或线路正常。AlexNet网络模型结构简单,通过采用多个小尺寸的卷积核代替大卷积核能够加快网络收敛速度,缩短故障检测模型的训练时间,更好的适用于实际环境。
本实施例采用的AlexNet网络使用ReLU激活函数,与传统激活函数如Sigmoid等相比具有计算量小,传播和收敛速度快等优点。表达式如下所示:
ReLU=max(0,x);
神经网络的卷积层包含连接局部响应归一化以及Dropout操作,其中连接局部响应归一化实现了局部抑制,增强了神经元的竞争性,提高了泛化能力和准确度。Dropout操作对网络的影响主要在于增强网络的多样性,减少过拟合,提升网络的泛化能力。
池化层选用平均值池化,选用N/2尺寸大小的过滤器进行采样,通过采样能够压缩大量数据,减少网络参数的数量,提取出代表性的图像特征。
网络参数等细节设置完成后,将格拉姆矩阵编码之后的数据通过10折交叉验证划分为训练集和测试集,运用划分的数据进行网络性能测试与调优,最终通过训练好的神经网络模型实现故障电弧的检测。
参照图5,如图5所示是本实施例提供的故障电弧检测方案应用于实际电路环境的示意图。采用本实施例提出的故障电弧检测方案能够适用于实际电路环境,减少了实际线路中不同燃弧状态产生的电流随机性导致的误检漏检问题。本方案用于提高低压台区的故障电弧检测的可靠性。图5展示了采用了本实施例的方法构建的故障电弧检测模型的故障指示器的部署方式,可以将其部署在总进线出检测整个区域的故障电弧发生情况,同样可使用于单一负荷前对该设备进行监测,并且监测结果将通过无线传输的方式上传到用户侧进行实时的显示。
根本实施例提供的方法构建的故障电弧检测模型在进行故障电弧检测时针对回路电流的小波特征进行了极坐标变换,该理想映射保证了电流数据在笛卡尔直角坐标系和极坐标系下的唯一且相互对应,不丢失数据特征信息。其次,极坐标系下数据表示与时间信息的关系更加紧密。利用格拉姆矩阵对极坐标系下特征信息进行了二维编码,使得RGB图像中的纹理信息、颜色特征与电流数据中的失真、跳变等信息密切相关,使得不同燃弧状态的下的故障特征更具区分性,有效避免由于电流畸变程度导致的漏检和错检问题。
本实施例构建的故障电弧检测模型使用深度学习算法对故障进行检测,相比于传统机器学习算法具有更好的数据挖掘能力和自适应性,能够有效提取不同燃弧状态下负荷标识的特征信息,大大降低故障电弧检测过程中出现的漏检和错检情况,在各项检测指标上均有更好的表现。
本实施例构建的故障电弧检测模型的故障电弧检测方案主要针对电流信号的低频特征,对设备的采样率要求较低,整体流程实现简单,具有较高的可实现性。
实施例2
参照图6,如图6所示是本实施例提供的故障电弧检测模型构建装置结构框图。该装置具体包括:
电流获取模块,用于获取目标回路中待检测电流。
小波变换模块,用于对待检测电流进行两层小波提取,获得小波变换后的数据。
数据编码模块,用于对小波变换后的数据进行编码,获得用于故障电弧检测的特征标识。
模型建立模块,用于通过神经网络对特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
作为一种实施方式,小波变换模块对待检测电流进行两层小波提取具体包括:
对待检测电流进行2层小波分解,小波分解方法为
其中,cj-1,k表示小波分解空间Vj-1的第k个尺度系数,dj-1,k表示小波分解空间Wj-1的第k个小波系数,hn为定义的低通滤波器,gn为定义的高通滤波器,Z为整数。
通过小波分解得到一组包含待检测电流从低频到高频的不同频带信息的一维向量。
作为一种实施方式,数据编码模块对小波变换后的数据进行矩阵编码具体包括:
将小波变换后的数据进行归一化和极坐标变换,通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
其中,xi是经过归一化后的用电负荷时间序列。ti为采样时间戳。N为降采样参数。X为包含n个实值的电能数据时间序列,X={x1,x2,...,xn}。φ为极坐标系中与极轴的夹角,r为极坐标中的半径。
对经过极坐标转换后的数据采用格拉姆矩阵,将数据转换为二维向量,格拉姆矩阵为
其中,φi为时间序列中对应的实值xi转换到极坐标系中与极轴的夹角,G为格拉姆编码矩阵,X'为X的转置矩阵,I为与X同维度的单位矩阵。
作为一种实施方式,模型建立模块采用的神经网络包括AlexNet网络,AlexNet网络包括ReLU激活函数。
作为一种实施方式,模型建立模块采用的AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
作为一种实施方式,模型建立模块采用的AlexNet网络的池化层选用平均值池化,选用N/2尺寸大小的过滤器进行采样。
作为一种实施方式,模型建立模块在AlexNet网络在完成参数优化后,将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。
根本实施例提供的装置构建的故障电弧检测模型在进行故障电弧检测时针对回路电流的小波特征进行了极坐标变换,该理想映射保证了电流数据在笛卡尔直角坐标系和极坐标系下的唯一且相互对应,不丢失数据特征信息。其次,极坐标系下数据表示与时间信息的关系更加紧密。利用格拉姆矩阵对极坐标系下特征信息进行了二维编码,使得RGB图像中的纹理信息、颜色特征与电流数据中的失真、跳变等信息密切相关,使得不同燃弧状态的下的故障特征更具区分性,有效避免由于电流畸变程度导致的漏检和错检问题。
本实施例构建的故障电弧检测模型使用深度学习算法对故障进行检测,相比于传统机器学习算法具有更好的数据挖掘能力和自适应性,能够有效提取不同燃弧状态下负荷标识的特征信息,大大降低故障电弧检测过程中出现的漏检和错检情况,在各项检测指标上均有更好的表现。
本实施例构建的故障电弧检测模型的故障电弧检测方案主要针对电流信号的低频特征,对设备的采样率要求较低,整体流程实现简单,具有较高的可实现性。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的故障电弧检测模型构建方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的故障电弧检测模型构建方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的故障电弧检测模型构建方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一故障电弧检测模型构建方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一故障电弧检测模型构建方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种故障电弧检测模型构建方法,其特征在于,所述方法包括:
获取目标回路中待检测电流;
对所述待检测电流进行两层小波提取,获得小波变换后的数据;
对所述小波变换后的数据进行编码,获得用于故障电弧检测的特征标识;
通过神经网络对所述特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
3.如权利要求2所述的故障电弧检测模型构建方法,其特征在于,所述对所述小波变换后的数据进行矩阵编码具体包括:
将小波变换后的数据进行归一化和极坐标变换,通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
其中,xi是经过归一化后的用电负荷时间序列;ti为采样时间戳;N为降采样参数;X为包含n个实值的电能数据时间序列,X={x1,x2,...,xn};φ为极坐标系中与极轴的夹角,r为极坐标中的半径;
对经过极坐标转换后的数据采用格拉姆矩阵,将数据转换为二维向量,格拉姆矩阵为
其中,φi为时间序列中对应的实值xi转换到极坐标系中与极轴的夹角,G为格拉姆编码矩阵,X'为X的转置矩阵,I为与X同维度的单位矩阵。
4.如权利要求3所述的故障电弧检测模型构建方法,其特征在于,所述神经网络包括AlexNet网络,所述AlexNet网络包括ReLU激活函数。
5.如权利要求4所述的故障电弧检测模型构建方法,其特征在于,所述AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
6.如权利要求4所述的故障电弧检测模型构建方法,其特征在于,所述AlexNet网络的池化层选用平均值池化,选用N/2尺寸大小的过滤器进行采样。
7.如权利要求4所述的故障电弧检测模型构建方法,其特征在于,所述AlexNet网络在完成参数优化后,将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。
8.一种故障电弧检测模型构建装置,其特征在于,所述装置包括:
电流获取模块,用于获取目标回路中待检测电流;
小波变换模块,用于对所述待检测电流进行两层小波提取,获得小波变换后的数据;
数据编码模块,用于对所述小波变换后的数据进行编码,获得用于故障电弧检测的特征标识;
模型建立模块,用于通过神经网络对所述特征标识进行训练,并根据训练样本的数据类型对模型的参数进行优化,获得故障电弧检测模型。
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计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的故障电弧检测模型构建方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的故障电弧检测模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404286.6A CN114077819A (zh) | 2021-11-24 | 2021-11-24 | 故障电弧检测模型构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404286.6A CN114077819A (zh) | 2021-11-24 | 2021-11-24 | 故障电弧检测模型构建方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114077819A true CN114077819A (zh) | 2022-02-22 |
Family
ID=80284639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111404286.6A Pending CN114077819A (zh) | 2021-11-24 | 2021-11-24 | 故障电弧检测模型构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077819A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616364A (zh) * | 2022-12-16 | 2023-01-17 | 中国科学技术大学先进技术研究院 | 故障电弧检测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050171647A1 (en) * | 2004-02-02 | 2005-08-04 | Abb Inc. | High impedance fault detection |
CN110618353A (zh) * | 2019-10-22 | 2019-12-27 | 北京航空航天大学 | 一种基于小波变换+cnn的直流电弧故障检测方法 |
-
2021
- 2021-11-24 CN CN202111404286.6A patent/CN114077819A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050171647A1 (en) * | 2004-02-02 | 2005-08-04 | Abb Inc. | High impedance fault detection |
CN110618353A (zh) * | 2019-10-22 | 2019-12-27 | 北京航空航天大学 | 一种基于小波变换+cnn的直流电弧故障检测方法 |
Non-Patent Citations (4)
Title |
---|
余琼芳;胡亚倩;杨艺;: "基于小波特征及深度学习的故障电弧检测", 电子测量与仪器学报, no. 03, 15 March 2020 (2020-03-15), pages 105 - 113 * |
刘鹏;张峰;张士文;: "基于神经网络的故障电弧检测装置的研究", 低压电器, no. 17, 15 September 2013 (2013-09-15), pages 1 - 2 * |
崔芮华;王绍敏;刘;: "基于小波包技术和熵理论的航空故障电弧特征频段研究", 电气工程学报, no. 01, 25 January 2017 (2017-01-25), pages 1 - 3 * |
王毅;段大程;程昊;孙洪亮;郑可;胡晓锐;刘或让;: "基于神经网络的低压电力线载波通信信号调制识别研究", 电测与仪表, no. 11, 10 June 2016 (2016-06-10), pages 56 - 60 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616364A (zh) * | 2022-12-16 | 2023-01-17 | 中国科学技术大学先进技术研究院 | 故障电弧检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | A convolutional neural network-based deep learning methodology for recognition of partial discharge patterns from high-voltage cables | |
Khokhar et al. | A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network | |
Duan et al. | Method of inter‐turn fault detection for next‐generation smart transformers based on deep learning algorithm | |
CN108152651A (zh) | 基于gmapm和som-lvq-ann的输电线路故障综合识别方法 | |
CN114441900A (zh) | 一种配电网单相接地故障选线方法及系统 | |
Gowrishankar et al. | Transmission line fault detection and classification using discrete wavelet transform and artificial neural network | |
De et al. | Recognition of impulse fault patterns in transformers using Kohonen's self-organizing feature map | |
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
Mishra et al. | A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition | |
Liao et al. | Fusion of infrared-visible images in UE-IoT for fault point detection based on GAN | |
Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
CN114077819A (zh) | 故障电弧检测模型构建方法、装置、设备及存储介质 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
Vahidi et al. | An approach to detection of high impedance fault using discrete wavelet transform and artificial neural networks | |
CN113052099B (zh) | 一种基于卷积神经网络的ssvep分类方法 | |
Guzmán et al. | Wavelet denoising of partial discharge signals and their pattern classification using artificial neural networks and support vector machines | |
CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及系统 | |
CN112381667A (zh) | 一种基于深度学习的配网电气拓扑识别方法 | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
Dag et al. | Fault classification for power distribution systems via a combined wavelet-neural approach | |
CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
CN116224158A (zh) | 基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法 | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach |
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 |