CN114818798A - 基于自卷积的故障电弧特征提取方法及装置、电子设备 - Google Patents

基于自卷积的故障电弧特征提取方法及装置、电子设备 Download PDF

Info

Publication number
CN114818798A
CN114818798A CN202210401992.3A CN202210401992A CN114818798A CN 114818798 A CN114818798 A CN 114818798A CN 202210401992 A CN202210401992 A CN 202210401992A CN 114818798 A CN114818798 A CN 114818798A
Authority
CN
China
Prior art keywords
data
fault arc
waveform
convolution
fault
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
Application number
CN202210401992.3A
Other languages
English (en)
Inventor
张培勇
汤俊飞
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210401992.3A priority Critical patent/CN114818798A/zh
Publication of CN114818798A publication Critical patent/CN114818798A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于自卷积的故障电弧特征提取方法及装置、电子设备。包括：剪切故障电弧波形，获得第一数据，其中含有故障电弧信息；处理第一数据得到第二数据并作为该类型故障电弧检测的专用卷积核，其中处理过程包括调整均值；将传感器采集到得到并进行预处理的电网信号作为第三数据；使用第二数据与第三数据进行卷积计算得到第四数据，其中，卷积计算使得故障电弧信号与正常电网信号在幅值上分离，达成提取故障电弧特征的功能；对第四数据进行特征识别处理，得到第五数据，其中第五数据中含有用电设备是否发生故障电弧的信息。通过本发明解决了传统故障电弧特征提取方法如小波变换卷积核通用导致的特征提取效果不好和参数过多问题。

Description

基于自卷积的故障电弧特征提取方法及装置、电子设备
技术领域
本申请涉及特征提取方法领域，具体而言，涉及一种基于自卷积的故障电弧特征提取方法及装置、电子设备。
背景技术
近年来，电器火灾成为对生命财产安全愈发愈大的威胁，在引发电器火灾的因素中，故障电弧造成的危害不容忽视。故障电弧在极短时间内发生并且积累的故障电弧会引发火灾。
传统的故障电弧特征提取方法如小波变换卷积核通用导致的特征提取效果不好和参数过多使得故障电弧检测成为难题。
相关技术中存在的上述问题，并且尚未提出有效的解决方案。
发明内容
本申请实施例的目的是提供一种基于自卷积的故障电弧特征提取方法及装置、电子设备，以解决故障电弧危害大但现有的故障电弧特征提取方法特征提取效果不好、参数量大占用硬件资源量多的问题。
根据本申请实施例的第一方面，提供一种基于自卷积的故障电弧特征提取方法，包括：
剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息；
对所述第一数据进行处理，得到第二数据；
将传感器采集得到并进行预处理的电网信号作为第三数据；
使用所述第二数据与第三数据进行卷积计算得到第四数据；
对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
进一步地，所述故障电弧波形选自：
家用电器发生故障电弧时被传感器采集的并联或串联的电信号波形；
家用电器发生故障电弧时的物理信号波形；
互联网上开源的故障电弧信号波形；
其中所述故障电弧信息选自：
故障电弧信号波形突变的区域；
符合家用电器作为负载的故障电弧信号波形的区域；
在无故障电弧时信号波形为正常电网的缓变谐波，在无故障电弧时信号波形为家用电器作为负载的正常电网的缓变谐波。
进一步地，剪切故障电弧波形，获得第一数据，包括：
剪切完整的故障电弧波形或剪切完整的故障电弧波形的左半部分或右半部分，获得第一数据。
进一步地，对所述第一数据进行处理，得到第二数据，包括：
如果剪切的故障电弧波形是完整的故障电弧波形，则调整所述第一数据的均值，使均值为0，从而得到第二数据；
如果剪切的故障电弧波形是完整的故障电弧波形的左半部分或右半部分，则处理包括中心对称复制和调整均值，从而得到第二数据，其中中心对称是复制故障电弧波形的左半部分或右半部分作为故障电弧波形的右半部分或左半部分与原故障电弧波形的左半部分或右半部分拼接，构造一个完整的故障电弧波形，其中调整均值使构造的一个完整的故障电弧波形均值为0。
进一步地，将传感器采集得到并进行预处理的电网信号作为第三数据，包括：
通过传感器采集电网信号，得到模拟电信号，通过模数转换器将所述模拟电信号转换为数字电信号；
对所述数字电信号进行调整幅值范围、滤波处理，得到第三数据。
进一步地，使用所述第二数据与第三数据进行卷积计算得到第四数据，包括：
实时的卷积计算：将第二数据提前存储，当第三数据输入时，将第二数据与第三数据进行卷积计算，得到第四数据；
非实时的卷积计算：将第二数据和第三数据提前存储，将第二数据与第三数据进行卷积计算，得到第四数据。
进一步地，对所述第四数据进行特征识别处理，得到第五数据，包括：
对所述第四数据的幅值与设定的阈值进行比较，统计第四数据超出设定阈值的次数，若统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据的变化范围与阈值进行比较，统计第四数据的变化范围超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据的方差与阈值进行比较，统计第四数据的方差超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据转换的图形与预设图形进行比较，计算第四数据转换的图形与设定图形的相似程度，相似程度超出限值则输出的第五数据提示检测到故障电弧。
根据本申请实施例的第二方面，提供一种基于自卷积的故障电弧特征提取装置，包括：
剪切模块，用于剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息；
第一处理模块，用于对所述第一数据进行处理，得到第二数据；
第二处理模块，用于将传感器采集得到并进行预处理的电网信号作为第三数据；
卷积计算模块，用于使用所述第二数据与第三数据进行卷积计算得到第四数据；
识别模块，用于对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请基于自卷积的故障电弧特征提取方法及装置、电子设备，因为剪切的第一数据源自故障电弧波形，所以第一数据含有故障电弧特征；因为含有故障电弧特征的第一数据经过处理之后得到第二数据，所以第二数据是含有第一数据的故障电弧特征的专用卷积核；因为将含有故障电弧特征的第二数据与待检测的第三数据进行卷积，所以克服了传统特征提取算法对第三数据中故障电弧特征提取性能不够好的问题，用实际故障电弧作为专用卷积核达到了更好的特征提取性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为根据一示例性实施例示出的一种基于自卷积的故障电弧特征提取方法的流程图。
图2为根据一示例性实施例示出的含有故障电弧的以电阻为负载的串联交流电网电流波形。
图3为根据一示例性实施例示出的初略定位的故障电弧。
图4为根据一示例性实施例示出的步骤S1中的第一数据；
图5为根据一示例性实施例示出的步骤S2中的第一数据经中心对称复制处理的结果。
图6为根据一示例性实施例示出的步骤S2中的第二数据。
图7为根据一示例性实施例示出的步骤S3中的第四数据。
图8为根据一示例性实施例示出的一种基于自卷积的故障电弧特征提取方法与传统的基于离散小波变换的特征提取方法比较。
图9为根据一示例性实施例示出的两种算法的特征提取结果绝对值。
图10为根据一示例性实施例示出的两种算法的特征提取结果绝对值按从大到小排序。
图11为根据一示例性实施例示出的构建的电钻自卷积核。
图12为根据一示例性实施例示出的构建的电脑自卷积核。
图13为根据一示例性实施例示出的构建的电扇自卷积核。
图14为根据一示例性实施例示出的构建的日光灯自卷积核。
图15为根据一示例性实施例示出的构建的电水壶自卷积核。
图16是根据一示例性实施例示出的一种基于自卷积的故障电弧特征提取装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在......时”或“当......时”或“响应于确定”。
图1是根据本发明实施例提供的一种基于自卷积的故障电弧特征提取方法的流程图。如图1所示，该发明包括以下步骤：
S1：剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息。
具体的，基于故障电弧使得电网高频波动的特点，调整剪切位置和长度确保剪切得到的第一数据序列含有关键故障电弧信息。
所述故障电弧波形选自：家用电器发生故障电弧时被传感器采集的并联或串联的电信号波形；家用电器发生故障电弧时的物理信号波形；互联网上开源的故障电弧信号波形；
所述故障电弧信息选自：故障电弧信号波形突变的区域；符合家用电器作为负载的故障电弧信号波形的区域；
在无故障电弧时信号波形为正常电网的缓变谐波，在无故障电弧时信号波形为家用电器作为负载的正常电网的缓变谐波。
剪切完整的故障电弧波形或剪切完整的故障电弧波形的左半部分或右半部分，获得第一数据。
基于故障电弧使得电网高频波动的特点，调整剪切位置和长度确保剪切得到的第一数据序列含有关键故障电弧信息。
剪切故障电弧波形，获得第一数据，故障电弧波形包括：阻性、感性、容性、开关电源等各种类型家用电器发生故障电弧时被传感器采集的并联或串联的电流信号或电压信号等电信号波形；阻性、感性、容性、开关电源等各种类型家用电器发生故障电弧时的声、光、热等物理信号波形；互联网上开源的声、光、电、热等故障电弧信号波形。
剪切片段序列的方式包括：以人工方式剪切；设计脚本程序自动剪切；互联网上开源的故障电弧片段序列方式。
剪切故障电弧波形，获得第一数据，第一数据中含有故障电弧信息，所述故障电弧信息包括：第一数据序列中要包含故障电弧信号波形突变的特点；第一数据序列中要符合各种家用电器作为负载的故障电弧信号波形的特点；相反的，在无故障电弧时信号波形为正常电网的缓变谐波；在无故障电弧时信号波形为各种家用电器作为负载的正常电网的缓变谐波。
S2：对所述第一数据进行处理，得到第二数据。
具体的，处理过程根据构建第二数据的是否完整分为两种处理过程。如果剪切的故障电弧波形是完整的故障电弧波形，则调整所述第一数据的均值，使均值为0，从而得到第二数据；如果剪切的故障电弧波形是完整的故障电弧波形的左半部分或右半部分，则处理包括中心对称复制和调整均值，从而得到第二数据，其中中心对称是复制故障电弧波形的左半部分或右半部分作为故障电弧波形的右半部分或左半部分与原故障电弧波形的左半部分或右半部分拼接，构造一个完整的故障电弧波形，其中调整均值使构造的一个完整的故障电弧波形均值为0。
上述处理步骤还可以加标准化，标准化是为了控制第二数据的区间分布，防止后续数据计算出现溢出导致误差，在可控范围内也可不进行标准化处理。
第二数据作为故障电弧特征提取专用卷积核，包括：专用于提取阻性、感性、容性、开关电源等各种类型家用电器发生故障电弧时的声、光、热等物理故障电弧特征的卷积核；互联网上开源的声、光、电、热等故障电弧特征提取专用卷积核。
S3：将传感器采集得到并进行预处理的电网信号作为第三数据。
具体的，由传感器转换信号类型为模拟电信号，由模数转换器将模拟电信号转换为数字电信号。
更具体的，采集，包括：使用各种声、光、电、热等传感器采集；采集后可量化为数字信号；通过直接采集或者通过物联网、互联网等连接方式采集得到。
具体的，预处理包括调整幅值范围、滤波。
进一步的，预处理还包括：对采集的信号进行抽取降低数据量、标准化使得数据格式统一等预处理操作。
所述第三数据包括：电网中阻性、感性、容性、开关电源等各种类型家用电器运行时的声、光、热等物理信号；该信号中有可能有故障电弧，也有可能没有故障电弧，主要目的是检测到故障电弧。
S4：使用所述第二数据与第三数据进行卷积计算得到第四数据。
具体的，卷积计算分为实时计算和非实时计算。实时的卷积计算：将第二数据提前存储，当第三数据输入时，将第二数据与第三数据进行卷积计算，得到第四数据；非实时的卷积计算：将第二数据和第三数据提前存储，将第二数据与第三数据进行卷积计算，得到第四数据。
卷积计算，硬件载体包括：使用ASIC芯片、MCU、FPGA、PC和云端服务器等计算设备进行计算；卷积计算时效性为实时或者非实时的计算；卷积计算实现方式为将构建的第二数据与采集在第三数据上进行滑窗卷积，当第三数据为串行输入并更新时，固定第二数据、乘法器和加法器即可实现卷积计算。
具体的，第四数据与第三数据的关系：若第三数据中含有故障电弧，则第四数据中故障电弧发生的位置幅值较大；若第三数据中含有故障电弧，则第四数据中整体幅值较低并平稳
S5：对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
具体的，对所述第四数据的幅值与设定的阈值进行比较，统计第四数据超出设定阈值的次数，若统计的次数超出限值则输出的第五数据提示检测到故障电弧；对第四数据的变化范围与阈值进行比较，统计第四数据的变化范围超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；对第四数据的方差与阈值进行比较，统计第四数据的方差超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；对第四数据转换的图形与预设图形进行比较，计算第四数据转换的图形与设定图形的相似程度，相似程度超出限值则输出的第五数据提示检测到故障电弧。
这里的特征处理方法，还包括：滤波、去噪、计算方差、模式识别等特征处理算法。
下面将上述方法应用于一个具体的实施例中，以展示本发明具体的实施过程和技术效果。
本实施例基于阻性负载的交流串联电流信号进行数据采集，并利用发明的自卷积算法进行故障电弧特征提取。
1.剪切故障电弧波形，获得第一数据。
如图2所示是一个电网周期即20ms内以电阻为负载的串联交流电网电流波形，其中含有故障电弧。下面根据发明的自卷积算法构建自卷积核。
如图3所示，故障电弧片段发生的时间位置大约在4899到7179采样点中间。但此时还需要进一步调整剪切的序列。
如图4所示，最终剪切得到长度为6的序列：[44740 34003 34729 35164 3472934438]作为第一数据，第一数据含有关键故障电弧信息。
2.对所述第一数据进行处理，得到第二数据。
为了使得第一数据可以作为卷积核能针对发生在两个方向上的故障电弧进行特征提取效果，即电网波形的故障电弧发生位置可能处于电网波形一阶导数大于0和小于0两个方向，因此将提取得到的序列进行中心对称复制，得到长度为11的序列[34438 3472935164 34729 34003 44740 34003 34729 35164 34729 34438]。如图5所示。
为了使得卷积核与电网信号卷积过程中只提取出故障电弧信号特征，不对电网信号生成较大畸变，因此需要对卷积核进行积分归零化处理，即保证电网信号与卷积核卷积过程中，卷积核在电网信号的时域范围内滑窗，电网信号与卷积核的卷积和为0，只有在故障电弧处卷积和突然增大，以达到提取故障电弧特征的功能。
如果没有进行让卷积核积分为0的处理，则无法起到特征提取的效果，提取的特征无法与正常信号的畸变区分开来，湮没在电网信号与卷积核卷积的畸变中。
离散傅里叶变换的卷积核为一系列频率不同的标准正弦波，各正弦波卷积核的均值为0。离散小波变换的卷积核为db4这样的小波，小波卷积核的均值也为0。
因此为了使得卷积核的积分为0，需要将卷积核每个元素降低一个数值，这个数值等于卷积核的均值。
经过上一步骤的处理，卷积核的积分为0，达到了如下效果：卷积核与正常电网信号卷积时，卷积和为0；卷积核与故障电弧信号卷积和大幅增大。如此实现了故障电弧特征提取的功能。
如图6所示，构建的卷积核为：[-1.0953 -0.8043 -0.3693 -0.8043 -1.53039.2067 -1.5303 -0.8043 -0.3693 -0.8043 -1.0953]×10-3。
上诉卷积核序列即为第二数据。
3.将传感器采集得到并进行预处理的电网信号作为第三数据，使用所述第二数据与第三数据进行卷积计算得到第四数据。
将提取、处理、构建得到的卷积核与电网信号进行卷积。
如图7所示，含有故障电弧的电网信号经过自卷积算法之后，故障电弧位置的卷积输出值远大于正常位置的卷积输出值。即实现了故障电弧特征提取功能。
构建的故障电弧特征提取专用卷积核的序列长度为11，参数量极小，有利于硬件实现。在实现低成本故障电弧检测设备上有优势。
同时得益于算法结构简单，算法输出延长极低，提取特征快，检测速度快。
同时，根据实验结果和下述与传统算法的对比，发明的一种基于自卷积的故障电弧特征提取方法特征提取效果好，使得故障电弧检测准确率高。
总结以上，发明的一种基于自卷积的故障电弧特征提取方法可以使得故障电弧特征提取效果好、提取速度快、提取硬件成本低。
4、对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
第五数据包含故障电弧检测结论，即有故障电弧/没有故障电弧；第五数据形式可为高低电平，也可以是电子报文，也可为是否亮灯、鸣笛等物理现象。
总结以上，得益于发明的一种基于自卷积的故障电弧特征提取方法，可以使得故障电弧检测做到准确率高、检测速度快、检测硬件成本低。
如图8所示，最上方的为第三数据，中间的为传统的基于离散小波变换的特征提取方法结果，最下方的为第四数据即发明的一种基于自卷积的故障电弧特征提取方法的结果。可以看出，发明的一种基于自卷积的故障电弧特征提取方法在提取效果上优秀
如图9所示，经过绝对值化处理，左边图形a为发明的自卷积算法处理结果的绝对值，右边图形b为经典的离散小波变换算法处理结果的绝对值。
两个算法的处理结果分别重新按照重大到小排列得到，左图是发明的自卷积算法，右图是经典的离散小波变换算法。注意到经过发明的自卷积算法的变换，故障电弧信号变换为4亿，远大于右图离散小波变换的2万，从对故障电弧的增益上来看，经计算发明的自卷积算法的响应是传统的离散小波变换算法响应的1.96万倍，而与此同时发明的自卷积算法对正常电网信号的响应相对于传统离散小波变换却远没有达到1.96万倍。
如图10所示，将两种特征处理算法处理后的序列按照从大到小排序，取前1千最大的序列绘出，图10中的a为发明的自卷积算法，图10中的b为经典的离散小波变换算法。从图10两幅图的靠前的数的幅值与靠后的数的幅值的相对大小关系可以看到，图10靠前的数幅值越大越好，图10靠后的数幅值越小越好，自卷积算法的对故障电弧的增益和对正常电网信号的抑制都要好于经典的离散小波变换算法。左图的发明的自卷积算法在防止误判上也更有优势。自卷积算法的故障电弧响应尖峰大并且尖峰次数少，不到100条尖峰后就明显下降。右图的离散小波变换的响应尖峰高度低并且尖峰数量过多，100条尖峰之后才响应才明显下降，而已知测试波形中故障电弧的数量为3，因此发明的自卷积算法在防止正常电网信号误判为故障电弧方面也有优势。
下面将发明的一种基于自卷积的故障电弧特征提取方法与传统的基于离散小波变换的故障电弧特征提取方法进行量化比较。
为了能够量化比较离散小波变换算法和发明的自卷积算法在提取故障电弧特征上效果的优劣，提出一种故障电弧特征提取量化方法。
Figure BDA0003599365040000121
为了方便计算上面等式，提出了离散故障电弧特征提取量化方法。
Figure BDA0003599365040000122
上等式中，n为含故障电弧的电网序列的最大长度，x为经过离散小波变换算法或者自卷积算法之后的值，arc1、arc2、arc3、arc4...为第一处、第二处、第三处、第四处......故障电弧发生位置，k为故障电弧发生次数。
按照提出的特征提取效果量化方法计算，电网波形中含有三次故障电弧，所以将两种算法处理结果的最大的3个值的绝对值求和，作为特征提取方法对故障电弧的增益。同时将两种算法处理结果的所有值的绝对值求和，作为特征提取方法对无故障电弧的正常信号的增益。按照提出的特征提取方法量化评价方法，故障电弧增益/无故障电弧正常信号增益得出发明的自卷积算法的特征提取评价量化值为92.8647，经典的离散小波变换算法的特征提取评价量化值为86.3501，提出的构造专用卷积核的自卷积方法优于传统的离散小波变换方法。
按照提出的特征提取效果量化评价方法。在特征提取上发明的一种基于自卷积的故障电弧特征提取方法优于经典的离散小波变换算法。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
图11到图16是根据一示例性实施例示出的故障电弧检测的专用卷积核，因为这种专用卷积核来源于故障电弧自身，所以也称为“自卷积核”，具体为：图11为根据一示例性实施例示出的构建的电钻自卷积核。图12为根据一示例性实施例示出的构建的电脑自卷积核。图13为根据一示例性实施例示出的构建的电扇自卷积核。图14为根据一示例性实施例示出的构建的日光灯自卷积核。图15为根据一示例性实施例示出的构建的电水壶自卷积核。
与前述的基于自卷积的故障电弧特征提取方法的实施例相对应，本申请还提供了基于自卷积的故障电弧特征提取装置的实施例。
图16是根据一示例性实施例示出的一种基于自卷积的故障电弧特征提取装置框图。参照图16，该装置包括：
剪切模块1，用于剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息；
第一处理模块2，用于对所述第一数据进行处理，得到第二数据；
第二处理模块3，用于将传感器采集得到并进行预处理的电网信号作为第三数据；
卷积计算模块4，用于使用所述第二数据与第三数据进行卷积计算得到第四数据；
识别模块5，用于对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于自卷积的故障电弧特征提取方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的基于自卷积的故障电弧特征提取方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于自卷积的故障电弧特征提取方法，其特征在于，包括：
剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息；
对所述第一数据进行处理，得到第二数据；
将传感器采集得到并进行预处理的电网信号作为第三数据；
使用所述第二数据与第三数据进行卷积计算得到第四数据；
对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
2.根据权利要求1所述的方法，其特征在于，所述故障电弧波形选自：
家用电器发生故障电弧时被传感器采集的并联或串联的电信号波形；
家用电器发生故障电弧时的物理信号波形；
互联网上开源的故障电弧信号波形；
其中所述故障电弧信息选自：
故障电弧信号波形突变的区域；
符合家用电器作为负载的故障电弧信号波形的区域；
在无故障电弧时信号波形为正常电网的缓变谐波，在无故障电弧时信号波形为家用电器作为负载的正常电网的缓变谐波。
3.根据权利要求1所述的方法，其特征在于，剪切故障电弧波形，获得第一数据，包括：
剪切完整的故障电弧波形或剪切完整的故障电弧波形的左半部分或右半部分，获得第一数据。
4.根据权利要求1所述的方法，其特征在于，对所述第一数据进行处理，得到第二数据，包括：
如果剪切的故障电弧波形是完整的故障电弧波形，则调整所述第一数据的均值，使均值为0，从而得到第二数据；
如果剪切的故障电弧波形是完整的故障电弧波形的左半部分或右半部分，则处理包括中心对称复制和调整均值，从而得到第二数据，其中中心对称是复制故障电弧波形的左半部分或右半部分作为故障电弧波形的右半部分或左半部分与原故障电弧波形的左半部分或右半部分拼接，构造一个完整的故障电弧波形，其中调整均值使构造的一个完整的故障电弧波形均值为0。
5.根据权利要求1所述的方法，其特征在于，将传感器采集得到并进行预处理的电网信号作为第三数据，包括：
通过传感器采集电网信号，得到模拟电信号，通过模数转换器将所述模拟电信号转换为数字电信号；
对所述数字电信号进行调整幅值范围、滤波处理，得到第三数据。
6.根据权利要求1所述的方法，其特征在于，使用所述第二数据与第三数据进行卷积计算得到第四数据，包括：
实时的卷积计算：将第二数据提前存储，当第三数据输入时，将第二数据与第三数据进行卷积计算，得到第四数据；
非实时的卷积计算：将第二数据和第三数据提前存储，将第二数据与第三数据进行卷积计算，得到第四数据。
7.根据权利要求1所述的方法，其特征在于，对所述第四数据进行特征识别处理，得到第五数据，包括：
对所述第四数据的幅值与设定的阈值进行比较，统计第四数据超出设定阈值的次数，若统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据的变化范围与阈值进行比较，统计第四数据的变化范围超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据的方差与阈值进行比较，统计第四数据的方差超出设定阈值的次数，统计的次数超出限值则输出的第五数据提示检测到故障电弧；
对第四数据转换的图形与预设图形进行比较，计算第四数据转换的图形与设定图形的相似程度，相似程度超出限值则输出的第五数据提示检测到故障电弧。
8.一种基于自卷积的故障电弧特征提取装置，其特征在于，包括：
剪切模块，用于剪切故障电弧波形，获得第一数据，所述第一数据中含有故障电弧信息；
第一处理模块，用于对所述第一数据进行处理，得到第二数据；
第二处理模块，用于将传感器采集得到并进行预处理的电网信号作为第三数据；
卷积计算模块，用于使用所述第二数据与第三数据进行卷积计算得到第四数据；
识别模块，用于对所述第四数据进行特征识别处理，得到第五数据，所述第五数据中含有用电设备是否发生故障电弧的信息。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
CN202210401992.3A 2022-04-15 2022-04-15 基于自卷积的故障电弧特征提取方法及装置、电子设备 Pending CN114818798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210401992.3A CN114818798A (zh) 2022-04-15 2022-04-15 基于自卷积的故障电弧特征提取方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210401992.3A CN114818798A (zh) 2022-04-15 2022-04-15 基于自卷积的故障电弧特征提取方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN114818798A true CN114818798A (zh) 2022-07-29

Family

ID=82536494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210401992.3A Pending CN114818798A (zh) 2022-04-15 2022-04-15 基于自卷积的故障电弧特征提取方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN114818798A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150349A (zh) * 2023-10-31 2023-12-01 济南嘉宏科技有限责任公司 一种智能化设备基础故障自主定位与量化评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150349A (zh) * 2023-10-31 2023-12-01 济南嘉宏科技有限责任公司 一种智能化设备基础故障自主定位与量化评估方法及系统
CN117150349B (zh) * 2023-10-31 2024-02-02 济南嘉宏科技有限责任公司 一种智能化设备基础故障自主定位与量化评估方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. A real-time classification method of power quality disturbances
Salem et al. Rule based system for power quality disturbance classification incorporating S-transform features
CN109240182B (zh) 基于电性曲线的电动沙发的防夹方法
CN114818798A (zh) 基于自卷积的故障电弧特征提取方法及装置、电子设备
US20230050565A1 (en) Audio detection method and apparatus, computer device, and readable storage medium
CN111191671A (zh) 一种用电器波形检测方法、系统、电子设备及存储介质
CN109447473B (zh) 一种电力负荷监测方法、装置、设备及可读存储介质
Jiang et al. A feature selection method for malware detection
Panigrahi et al. A power quality detection and classification algorithm based on FDST and hyper-parameter tuned light-GBM using memetic firefly algorithm
US10942205B2 (en) Method and system for analyzing electricity consumption
CN110618366A (zh) 一种直流电弧检测方法及装置
CN114978877A (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
Gong et al. Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN
CN113627547A (zh) 训练方法、电弧检测方法、装置、电子设备及存储介质
Hafiz et al. An approach for classification of power quality disturbances based on Hilbert Huang transform and Relevance vector machine
CN109343420B (zh) 基于电性曲线的电动沙发的防夹装置
CN116820813A (zh) 一种故障事件预测方法及装置、存储介质
CN110794210B (zh) 电压谐波隔离效果的判断方法、装置、供电系统、计算机设备及存储介质
JP7148809B2 (ja) 文献群解析装置、文献群解析方法及びプログラム
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
Pöttker et al. Non-intrusive load monitoring: A multi-agent architecture and results
Shang et al. Series arc fault identification based on complete ensemble empirical mode decomposition with adaptive noise and convolutional neural network
CN114707553A (zh) 分步式故障电弧检测方法及装置、电子设备、存储介质
CN117405975B (zh) 一种pv面板绝缘电阻检测方法、系统及介质
Umeh et al. Intelligent system for identification of harmonics originating from single phase nonlinear loads

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