CN114487731A - 交流系统故障电弧检测方法、装置、计算机设备 - Google Patents
交流系统故障电弧检测方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114487731A CN114487731A CN202210031181.9A CN202210031181A CN114487731A CN 114487731 A CN114487731 A CN 114487731A CN 202210031181 A CN202210031181 A CN 202210031181A CN 114487731 A CN114487731 A CN 114487731A
- Authority
- CN
- China
- Prior art keywords
- time window
- current
- current time
- arc
- sampling signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请涉及一种交流系统故障电弧检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取交流系统在当前时间窗内的电流采样信号;根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵;对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值;将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。采用本方法能够高效处理数据,简化了交流系统故障电弧检测算法的判断流程,适用于实时处理过程。
Description
技术领域
本申请涉及交流电气故障检测技术领域,特别是涉及一种交流系统故障电弧检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
交流串联故障电弧不易被现有的熔断器、断路器等保护装置所检测到,而电弧的持续存在更是会释放出大量热量,极易造成设备损坏甚至引起电气火灾,而且会引发环境的气压升高、发出电磁辐射、噪声污染以及更甚引发绝缘物质的燃烧从而产生有毒气体,这些影响的存在都会对人们的生命或财产安全产生一定的威胁。因此,在故障电弧发生早期做到及时检测和准确预测,能够有效降低由电气火灾造成的经济损失和人员伤亡。
面对故障电弧所带来的危害,国内外相继展开对故障电弧检测的研究。目前,故障电弧研究方向主要是基于正常工作和电弧发生时电压、电流信号的分析,并且新的算法正不断被引进该研究方向。这些方法利用实验采集的电流、电压数据进行判断分析,在实际应用中,由于负载类型和负载数量多变,这些方法在大数据处理方面具有一定的局限性,而且大多方法都适用于某些特定的负载。
发明内容
基于此,有必要针对上述技术问题,提供一种交流系统故障电弧检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供一种交流系统故障电弧检测方法,其特征在于,所述方法包括:
获取交流系统在当前时间窗内的电流采样信号;
根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵;
对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值;
将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。
在其中一个实施例中,所述LightGBM模型的输出信号包括第一信号和第二信号;
若在第一时间窗内LightGBM模型的输出结果为第一信号,则判定当前时间窗内所述交流系统未发生故障电弧;
若在第一时间窗内LightGBM模型的输出结果为第二信号,且当前时间窗之前的预设数量的时间窗所对应的LightGBM模型的输出信号均为第二结果,则判定所述当前时间窗内所述交流系统发生故障电弧。
在其中一个实施例中,对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值的步骤包括:
对所述电流采样信号分布矩阵中的每个矩阵元素求平方,以将所述电流采样信号分布矩阵变换为目标矩阵;
累加当前时间窗内设定频段的交流电流信号分量所对应的目标矩阵元素,获得所述当前时间窗内的电弧特征值。
在其中一个实施例中,所述设定频段为5kHz至10kHz。
在其中一个实施例中,
响应于所述当前时间窗内产生故障电弧,向脱扣装置发出切断故障电弧所在回路的驱动信号。
在其中一个实施例中,所述第一时间窗的长度为1毫秒。
第二方面,本申请还提供了一种交流系统故障电弧检测装置,其特征在于,所述装置包括:
获取模块,用于获取交流系统在当前时间窗内的电流采样信号;
处理模块,用于根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵;
确定模块,用于对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值;
判断模块,将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
上述交流系统故障电弧检测方法、装置、计算机设备、存储介质和计算机程序产品,利用获取交流系统在当前时间窗内的电流采样信号后,获得当前时间窗内交流系统的电流采样信号分布矩阵,在对矩阵内的矩阵元素处理后确定当前时间窗内的电弧特征值,将确定的电弧特征值输入至LightGBM模型中,LightGBM模型会快速输出结果,因此利用LightGBM模型的输出结果可以快速判断交流系统在当前时间窗内是否发生了故障电弧。LightGBM模型可以直接在特征层融合电弧特征值,可以高效处理数据,避免了多故障电弧及类弧工况下合适阈值设定过程耗时长的问题,简化了交流系统故障电弧检测算法的判断流程,适用于实时处理过程。
附图说明
图1为一个实施例中交流系统故障电弧检测方法的应用环境图;
图2为一个实施例中交流系统故障电弧检测方法的流程示意图;
图3为一个实施例中确定电弧特征值的步骤流程示意图;
图4(a)为一个实施例中交流系统中回路电流、故障电弧特征值的示意图;
图4(b)为一个实施例中交流系统故障电弧检测方法检测结果的示意图;
图5(a)为一个实施例中交流系统在负载条件下的回路电流、故障电弧特征值的示意图;
图5(b)为另一个实施例中交流系统故障电弧检测方法检测结果的示意图;
图6为另一个实施例中交流系统故障电弧检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的交流系统故障电弧检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种交流系统故障电弧检测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,获取交流系统在当前时间窗内的电流采样信号。
其中,时间窗是处理数据时常用的一个工具,可用于显示和分析追踪数据。时间窗允许查看设定时间内的数据子集,因此借助时间窗可以看到随着时间不断变化的数据。时间窗的长度可以根据实际需求来设定。
在一个实施例中,利用霍尔传感器以设定频率采集交流系统中当前时间窗内的电流信号,为了反映故障电弧与类弧之间差异的故障电弧特征频段,霍尔传感器采集交流系统的电流信号时的采样频率为1MHz。
其中,如果时间窗长度太短,则时间窗内对应的信号也会很短,会导致频率分析不够精准,频率分辨率差;如果时间窗长度太长,则时间窗内对应的信号在时域上又不够精细,会导致时间分辨率低。当前时间窗长度为1毫秒。
步骤204,根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵。
其中,短时傅里叶变换对于时域信号有很高的时间分辨率,经过傅里叶变换得到的频域信号可以实现很高的频率分辨率。因此通过短时傅里叶变换处理当前时间窗内的电流采样信号,可以获得当前时间窗内交流系统的电流采样信号分布矩阵。
步骤206,对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值。
其中,电弧特征值为表示交流系统发生故障电弧的特征,具有较强的故障电弧识别能力,它由交流系统的电流采样信号分布矩阵中的元素确定。在当前时间窗内,服务器104处理交流系统的电流采样信号分布矩阵中的矩阵元素后可以确定出当前时间窗内的电弧特征值。
步骤208,将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。
其中,LightGBM模型为提前训练好的最优模型,经过训练数据集、验证数据集和测试数据集的训练以及验证,可以将最优的LightGBM模型保存以供使用。LightGBM模型是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点。它支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
在一个实施例中,LightGBM模型在接收到当前时间窗内的电弧特征值后,会以机器学习的方式在特征层快速融合该电弧特征值,进而输出结果,根据该输出结果可以判断交流系统在当前时间窗内是否发生了故障电弧。LightGBM模型能在极短的时间内进行特征量的融合并加以判断,这可以实现缩短算法处理数据的时间,简化了故障电弧检测算法的判断流程,适用于实时处理过程。此外,LightGBM模型未涉及根据不同故障电弧的电弧特征设置阈值以及归一化过程,使得机器学习融合过程得以直接在特征层进行,因此可以应用于不同负载中交流系统的故障电弧检测。
上述交流故障电弧检测方法中,服务器104利用获取交流系统在当前时间窗内的电流采样信号后,获得当前时间窗内交流系统的电流采样信号分布矩阵,在对矩阵内的矩阵元素处理后确定当前时间窗内的电弧特征值,将确定的电弧特征值输入至LightGBM模型中,LightGBM模型会快速输出结果,因此利用LightGBM模型的输出结果可以快速判断交流系统在当前时间窗内是否发生了故障电弧。LightGBM模型可以直接在特征层融合电弧特征值,可以高效处理数据,避免了多故障电弧及类弧工况下合适阈值设定过程耗时长的问题,简化了交流系统故障电弧检测算法的判断流程,适用于实时处理过程。
在一个实施例中,第一信号可以表示在当前时间窗内,交流系统未产生故障电弧。第二信号可以表示在当前时间窗内,交流系统可能产生故障电弧。例如,若当前时间窗(如第6时间窗)内LightGBM模型的输出结果为第一信号,例如0,则可以判断出在第6时间窗内,交流系统未产生故障电弧,即交流系统正常运行,可以获取交流系统在下一时间窗内的采样信号。
在一个实施例中,若当前时间窗(如第6时间窗)内LightGBM模型的输出结果为第二信号,例如1,则交流系统可能产生了故障电弧,需要进行进一步的判断。具体地,LightGBM模型需要根据第6时间窗之前的多个时间窗对应的输出结果和第6个时间窗对应的输出结果判断在第6时间窗内交流系统是否真的产生了故障电弧。若预设个数为4,第2-5个时间窗内LightGBM模型输出的结果均为1,第6时间窗对应的输出结果也为1,即LightGBM模型识别到有5个输出结果1,此时LightGBM模型输出的最终判断结果为1,即在第6时间窗内,交流系统产生了故障电弧。若预设个数为4,第2-5个时间窗内LightGBM模型输出的结果有一个为0,第6时间窗对应的输出结果为1,则判定为类弧工况,即第6时间窗内交流系统未产生故障电弧。
在另一个实施例中,若第2时间窗内LightGBM模型的输出结果为第二信号,例如1,则交流系统可能产生了故障电弧,需要进行进一步的判断。若预设个数为4,第1时间窗和第2时间窗的输出结果均为1,但第2时间窗之前只有第1时间窗,此时认为LightGBM模型会默认第1个时间窗之前的3个时间窗对应的输出结果为0,会根据第1时间窗和第2时间窗的输出结果来判断,即根据输出结果“1、1”输出最终判断结果1,即在第2时间窗内,交流系统产生了故障电弧。
本实施例中,根据LightGBM模型在当前时间窗内的输出结果,可以初步判断交流系统是否产生了故障电弧,若输出结果为第一信号,则当前时间窗内交流系统正常运行,可以获取交流系统在下一时间窗内的电流采样信号。若输出结果为第二信号,则服务器104会根据该时间窗以及该时间窗之前预设个数的时间窗的结果再次判断交流系统是否产生了故障电弧。这种通过两次判断的方式能够提高交流系统是否产生故障电弧的判断准确度,避免了偶然因素引起交流故障电弧检测装置的误动作。
在一个实施例中,若当前时间窗(如第6时间窗)内交流系统产生了故障电弧,则服务器104会响应该时间窗内产生故障电弧,向脱扣装置发出切断故障电弧所在回路的脱扣信号。
其中,脱扣装置(例如脱扣器)是与断路器机械上相连的,用以释放保持机构并使断路器自动断开的装置。它可以在交流系统产生故障电弧时通过漏电脱扣器在极短的时间内切断故障电弧所在的支路,从而起到触电和漏电保护作用。脱扣信号是服务器104发送至脱扣装置的驱动信号,用于驱动脱扣装置切断故障电弧所在的支路。
本实施例中,服务器104在交流系统产生故障电弧时,能够及时、快速地向脱扣装置发出切断故障电弧所在回路的脱扣信号,能够保障交流系统免受故障电弧的危害。此外,若交流系统为类弧工况或者正常运行,服务器104会继续获取下一时间窗内的电流采样信号,因此可以实现实时检测故障电弧。
在一个实施例中,如图3所示,对电流采样信号分布矩阵内的矩阵元素进行处理,确定当前时间窗内的电弧特征值的步骤包括:
步骤302,对电流采样信号分布矩阵中的每个矩阵元素求平方,以将电流采样信号分布矩阵变换为目标矩阵。
其中,目标矩阵中的每行元素反应的是交流系统中电流信号在当前时间窗内频域中的特征,每列元素反应的是电流信号在当前时间窗内时域中的特征。
步骤304,累加当前时间窗内设定频段的交流电流信号分量所对应的目标矩阵元素,获得当前时间窗内的电弧特征值。
其中,在短时傅里叶变换后,对于低于5kHz的频率段内的任一频率而言,时变的一维特征量一般都有较明显的分量,与时域中电流信号的变化形式一致,如此便不能体现故障电弧和类弧工况的本质差异;而对于高于65kHz的频率段而言,类弧工况与正常工况极为近似,无法明显区分。在一个实施例中,为尽可能在保证故障电弧检测可靠性的前提下,减少频率分量的计算数量,经观察比较后选取5kHz至10kHz频段认定为故障电弧特征频段,这一频段的各频率分量作叠加处理最为适合。即设定频段为23.43kHz至31.25kHz。对于短时傅里叶变换所得的时频域而言,在5kHz~10kHz频段内,在进行频率叠加处理时把特征明显的电弧特征值相叠加。通过交流系统的电流采样信号分布矩阵的时间维度、频率维度处理后,每个时间窗获取两个时频特征值,基于短时傅里叶变换所得的一维特征值在故障电弧发生前幅值平稳、在故障电弧发生时刻出现尖峰、在故障电弧燃烧阶段尤其是稳定生弧时产生更多的大幅值脉冲,故而这个电弧特征值能够准确指示故障电弧的发生并且反映故障电弧燃烧阶段与类弧工况发生时的差异性特征,选定为交流系统故障电弧检测算法的特征层。
本实施例中,通过短时傅里叶变换获得的电弧特征值具有较强的故障电弧识别能力,因此可以提高判断交流系统是否产生故障电弧的准确度。
在一个实施例中,如图4(a)和图4(b)所示,为吸尘器负载条件下的回路电流、故障电弧特征值和算法检测结果。在0.51s以前,电流信号处于正常态,此时系统正常运行;0.51s~0.64s间,接入了一个3A电阻;0.64s后,电流信号处于故障态,此时因系统发生串联故障电弧而产生降低的故障电弧电流波形;在0.87s以后,开关开断串联系统,停止工作,故障电弧熄灭。在故障电弧发生期间,短时傅里叶变换构建得到的检测特征量幅值得到了较为明显的提升,从而实现了对故障电弧状态与正常运行状态的有效区分。在故障电弧发生时刻有大幅值的脉冲指示,开断后电流信号的特征值输出水平较正常电流的特征输出还低,有利于该类弧状态的分离。图4(b)所示的结果显示检测算法面对正常运行电流能够给出正确的低电平指示,对所有的故障态电流信号能够给出正确的高电平指示,对交流开断后的停机电流能够给出正确的低电平指示,因而基于LightGBM策略提出的交流故障电弧检测算法可以较为准确地区分了交流系统内的故障电弧和类弧工况。
在一个实施例中,如图5(a)和图5(b)所示为吸尘器负载条件下的正常启动、运行、停机过程的电流、故障电弧特征值及算法检测结果。1.9s的系统启动瞬间会有一个较大的瞬时电流;2.3s~7.8s时,电流信号处于正常态,电流等级不变;7.8s时,系统停机。短时傅里叶变换构建得到的特征并未在整个过程中出现明显变化,因而基于LightGBM策略提出的交流故障电弧检测算法不会出现误动现象。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交流系统故障电弧检测方法的交流系统故障电弧检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交流系统故障电弧检测装置实施例中的具体限定可以参见上文中对于交流系统故障电弧检测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种交流系统故障电弧检测装置,包括:获取模块602、处理模块604、确定模块606和判断模块608。其中,获取模块602用于获取交流系统在当前时间窗内的电流采样信号。处理模块604用于根据短时傅里叶变换对当前时间窗内的电流采样信号进行处理,确定当前时间窗内交流系统的电流采样信号分布矩阵。确定模块606用于对电流采样信号分布矩阵内的矩阵元素进行处理,确定当前时间窗内的电弧特征值。判断模块608将当前时间窗内的电弧特征值输入至LightGBM模型,并根据LightGBM模型的输出信号判断交流系统在当前时间窗内是否发生故障电弧。
在一个实施例中,确定模块606对电流采样信号分布矩阵内的矩阵元素进行处理,确定当前时间窗内的电弧特征值的步骤包括:对电流采样信号分布矩阵中的每个矩阵元素求平方,以将电流采样信号分布矩阵变换为目标矩阵;累加当前时间窗内设定频段的交流电流信号分量所对应的目标矩阵元素,获得当前时间窗内的电弧特征值。
上述交流系统故障电弧检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储交流系统的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交流系统故障电弧检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交流系统故障电弧检测方法,其特征在于,所述方法包括:
获取交流系统在当前时间窗内的电流采样信号;
根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵;
对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值;
将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。
2.根据权利要求1所述的方法,其特征在于,所述LightGBM模型的输出信号包括第一信号和第二信号;
若在第一时间窗内LightGBM模型的输出结果为第一信号,则判定当前时间窗内所述交流系统未发生故障电弧;
若在第一时间窗内LightGBM模型的输出结果为第二信号,且当前时间窗之前的预设数量的时间窗所对应的LightGBM模型的输出信号均为第二结果,则判定所述当前时间窗内所述交流系统发生故障电弧。
3.根据权利要求1或2所述的方法,其特征在于,对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值的步骤包括:
对所述电流采样信号分布矩阵中的每个矩阵元素求平方,以将所述电流采样信号分布矩阵变换为目标矩阵;
累加当前时间窗内设定频段的交流电流信号分量所对应的目标矩阵元素,获得所述当前时间窗内的电弧特征值。
4.根据权利要求3所述的方法,其特征在于,所述设定频段为5kHz至10kHz。
5.根据权利要求1或2所述的方法,其特征在于,
响应于所述当前时间窗内产生故障电弧,向脱扣装置发出切断故障电弧所在回路的驱动信号。
6.根据权利要求1所述的方法,其特征在于,所述第一时间窗的长度为1毫秒。
7.一种交流系统故障电弧检测装置,其特征在于,所述装置包括:
获取模块,用于获取交流系统在当前时间窗内的电流采样信号;
处理模块,用于根据短时傅里叶变换对当前时间窗内的所述电流采样信号进行处理,确定当前时间窗内所述交流系统的电流采样信号分布矩阵;
确定模块,用于对所述电流采样信号分布矩阵内的矩阵元素进行处理,确定所述当前时间窗内的电弧特征值;
判断模块,将所述当前时间窗内的电弧特征值输入至LightGBM模型,并根据所述LightGBM模型的输出信号判断所述交流系统在所述当前时间窗内是否发生故障电弧。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031181.9A CN114487731A (zh) | 2022-01-12 | 2022-01-12 | 交流系统故障电弧检测方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031181.9A CN114487731A (zh) | 2022-01-12 | 2022-01-12 | 交流系统故障电弧检测方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114487731A true CN114487731A (zh) | 2022-05-13 |
Family
ID=81512026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210031181.9A Pending CN114487731A (zh) | 2022-01-12 | 2022-01-12 | 交流系统故障电弧检测方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487731A (zh) |
-
2022
- 2022-01-12 CN CN202210031181.9A patent/CN114487731A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018028136A1 (zh) | 一种电池管理系统的测试系统和方法 | |
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
CN107085153B (zh) | 一种用电异常火灾预警方法及系统 | |
CN108828406A (zh) | 非侵入式用户用电的故障识别方法及其系统 | |
CN106713354A (zh) | 一种基于不可检测信息攻击预警技术的电力信息物理系统脆弱性节点评估方法 | |
CN113095173B (zh) | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 | |
CN108957349A (zh) | 一种锂离子电池故障检测方法和系统 | |
CN106773993A (zh) | 现场数据采集终端及系统 | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN106711933A (zh) | 一种设备供电异常处理方法、装置及摄像机 | |
CN114487731A (zh) | 交流系统故障电弧检测方法、装置、计算机设备 | |
CN103245915A (zh) | 基于实时pmu数据的励磁系统在线监视方法 | |
CN116298733A (zh) | 一种电弧检测方法、装置、电子设备及介质 | |
CN110838940A (zh) | 地下电缆巡检任务配置方法和装置 | |
CN116149226A (zh) | 一种基于数据分析的开关柜远程控制系统 | |
CN116243199A (zh) | 异常电池单体的检测方法及装置、计算机存储介质 | |
CN113848439A (zh) | 故障电弧检测方法、装置、计算机设备和存储介质 | |
CN109375144B (zh) | 基于三相四线表计设备的失流故障监测方法和装置 | |
CN114460426A (zh) | 直流系统故障电弧检测方法、装置、计算机设备 | |
CN206594249U (zh) | 一种漏电检测电路装置 | |
CN108267689B (zh) | 发电机组的调速系统的阻尼极性判别方法、系统 | |
Shiqi et al. | Detection of Bad Data and False Data Injection Based on Back-Propagation Neural Network | |
Xu et al. | Multi-objective nonlinear observer design for multi-fault detection of lithium-ion battery in electric vehicles | |
CN117991048A (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 | |
Moghe et al. | Trend analysis techniques for incipient fault prediction |
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 |