CN114825257A - Led灯检测的漏电保护装置及其漏电保护方法 - Google Patents

Led灯检测的漏电保护装置及其漏电保护方法 Download PDF

Info

Publication number
CN114825257A
CN114825257A CN202210732894.8A CN202210732894A CN114825257A CN 114825257 A CN114825257 A CN 114825257A CN 202210732894 A CN202210732894 A CN 202210732894A CN 114825257 A CN114825257 A CN 114825257A
Authority
CN
China
Prior art keywords
vector
frequency domain
waveform
feature
feature vector
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.)
Granted
Application number
CN202210732894.8A
Other languages
English (en)
Other versions
CN114825257B (zh
Inventor
陈旭
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.)
Jiangsu Yiming Photoelectric Co ltd
Original Assignee
Jiangsu Yiming Photoelectric 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 Jiangsu Yiming Photoelectric Co ltd filed Critical Jiangsu Yiming Photoelectric Co ltd
Priority to CN202210732894.8A priority Critical patent/CN114825257B/zh
Publication of CN114825257A publication Critical patent/CN114825257A/zh
Application granted granted Critical
Publication of CN114825257B publication Critical patent/CN114825257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
    • H02H3/02—Details
    • H02H3/04—Details with warning or supervision in addition to disconnection, e.g. for indicating that protective apparatus has functioned
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/30—Semiconductor lamps, e.g. solid state lamps [SSL] light emitting diodes [LED] or organic LED [OLED]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本申请涉及漏电保护技术领域，其具体地公开了一种LED灯检测的漏电保护装置及其漏电保护方法，其通过卷积神经网络模型对所述漏电电流信号的波形图进行适当编码以得到波形特征向量，并且通过傅里叶变换和序列编码器对采集到的漏电电流信号进行特征提取和关联性深度编码以得到频域特征向量，并进一步地，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，从而提高漏电类型的识别的准确度。这样，可基于漏电类型采取适配的保护措施。

Description

LED灯检测的漏电保护装置及其漏电保护方法
技术领域
本申请涉及漏电保护技术领域，且更为具体地，涉及一种LED灯检测的漏电保护装置及其漏电保护方法。
背景技术
电热水器是指以电作为能源进行加热的热水器，是与燃气热水器、太阳能热水器相并列的三大热水器之一，电热水器按加热功率大小可分为储水式、即热式、速热式三种。在电热水器的工作过程中，可能会产生漏电，但是漏电类型有很多中，如果一旦检测到漏电就切断电源并产生报警，会增加用户困扰且给用户带来不必要的麻烦。
因此，期待一种用于电热水器的智能漏电保护方案，其能够从漏电电流中识别漏电类型并采取适当的保护措施。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种LED灯检测的漏电保护装置及其漏电保护方法，其通过卷积神经网络模型对所述漏电电流信号的波形图进行适当编码以得到波形特征向量，并且通过傅里叶变换和序列编码器对采集到的漏电电流信号进行特征提取和关联性深度编码以得到频域特征向量，并进一步地，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，从而提高漏电类型的识别的准确度。这样，可基于漏电类型采取适配的保护措施。
根据本申请的一个方面，提供了一种LED灯检测的漏电保护装置，其包括：漏电电流信号采样模块，用于获取预定时间段的漏电电流信号；频域特征提取模块，用于基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；频域特征编码模块，用于将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；电流波形编码模型，用于将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；特征融合模块，用于对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；漏电类型结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及警示模块，用于基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
在上述LED灯检测的漏电保护装置中，所述频域特征编码模块，包括：
全连接编码单元，用于使用所述序列编码器的全连接层如下公式对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征，其中，所述公式为：
Figure 134118DEST_PATH_IMAGE001
，其中
Figure 746628DEST_PATH_IMAGE002
是输入向量，
Figure 302243DEST_PATH_IMAGE003
是输出向量，
Figure 291190DEST_PATH_IMAGE004
是权重矩阵，
Figure 733803DEST_PATH_IMAGE005
是偏置向量，
Figure 484591DEST_PATH_IMAGE006
表示矩阵乘；以及一维卷积编码单元，用于使用所述序列编码器的一维卷积层如下公式对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征；其中，所述公式为：
Figure 497808DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述LED灯检测的漏电保护装置中，所述序列编码器由交替排列的全连接层和一维卷积层组成。
在上述LED灯检测的漏电保护装置中，所述电流波形编码模型，进一步用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征向量，其中，所述第一卷积神经网络的第一层的输入为所述漏电电流信号的波形图。
在上述LED灯检测的漏电保护装置中，所述特征融合模块，包括：差分特征计算单元，用于计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；第一指数运算单元，用于计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；后验分布调整单元，用于以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；第二指数运算单元，用于计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及融合单元，用于计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
在上述LED灯检测的漏电保护装置中，所述漏电类型结果生成模块，进一步用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述LED灯检测的漏电保护装置中，所述分类器的分类标签包括人体直接接触漏电、人体间接接触漏电和绝缘损坏漏电。
根据本申请的另一方面，提供了一种LED灯检测的漏电保护方法，其包括：获取预定时间段的漏电电流信号；基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
在上述LED灯检测的漏电保护方法中，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量，包括：使用所述序列编码器的全连接层如下公式对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征，其中，所述公式为：
Figure 523402DEST_PATH_IMAGE008
，其中
Figure 305675DEST_PATH_IMAGE009
是输入向量，
Figure 961785DEST_PATH_IMAGE010
是输出向量，
Figure 716159DEST_PATH_IMAGE011
是权重矩阵，
Figure 279864DEST_PATH_IMAGE012
是偏置向量，
Figure 916644DEST_PATH_IMAGE013
表示矩阵乘；以及使用所述序列编码器的一维卷积层如下公式对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征；其中，所述公式为：
Figure 291125DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述LED灯检测的漏电保护方法中，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，包括：计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的LED灯检测的漏电保护方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的LED灯检测的漏电保护方法。
与现有技术相比，本申请提供的一种LED灯检测的漏电保护装置及其漏电保护方法，其通过卷积神经网络模型对所述漏电电流信号的波形图进行适当编码以得到波形特征向量，并且通过傅里叶变换和序列编码器对采集到的漏电电流信号进行特征提取和关联性深度编码以得到频域特征向量，并进一步地，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，从而提高漏电类型的识别的准确度。这样，可基于漏电类型采取适配的保护措施。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的LED灯检测的漏电保护装置的应用场景图。
图2图示了根据本申请实施例的LED灯检测的漏电保护装置的框图示意图。
图3图示了根据本申请实施例的LED灯检测的漏电保护装置中频域特征编码模块的框图。
图4图示了根据本申请实施例的LED灯检测的漏电保护装置中特征融合模块的框图。
图5图示了根据本申请实施例的LED灯检测的漏电保护方法的流程图。
图6图示了根据本申请实施例的LED灯检测的漏电保护方法的系统架构的示意图。
图7图示了根据本申请实施例的LED灯检测的漏电保护方法中，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量的流程图。
图8图示了根据本申请实施例的LED灯检测的漏电保护方法中，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量的流程图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，期待一种用于电热水器的智能漏电保护方案，其能够从漏电电流中识别漏电类型并采取适当的保护措施。
深度学习以及神经网络的发展（尤其是机器视觉技术的发展），为电热水器的智能漏电保护提供的解决思路和方案。
具体来说，漏电有多种类型，包括人体直接接触漏电、人体间接接触漏电和绝缘损坏漏电，对于不同的漏电类型需采取不同的保护策略，例如，对于绝缘损坏漏电，些许的绝缘损坏漏电并不会影响电器的正常使用且频繁更换会增加使用成本。因此，期待一种漏电保护装置，其能够智能地识别漏电类型以适于采取恰当的保护策略。为了便于识别，在本申请实施例中，不同的漏电类型识别结果可通过LED灯的不同颜色来表示，例如，第一种类型的故障，第一种颜色的灯光，以此类推。
在本申请的技术方案中，不同漏电类型对应于不同的漏电电流信号，也就是，可以通过对漏电电流信号的特征提取和识别来判断漏电类型，但是，不同漏电类型的漏电电流信号在时域表征上差异不明显，同时，漏电电流信号中掺杂着噪声、非平稳信号等干扰检测的部分。因此，在本申请的技术方案中，本申请发明人以图像特征提取领域具有优异性能表现的卷积神经网络模型对漏电电流信号进行编码以从所述漏电电流信号中提取适于漏电电流分类的特征模式以得到波形特征向量。也就是，将所述漏电电流信号作为一个二维的数据，以卷积神经网络提取所述漏电电流信号的波形图中的高维局部隐含特征，即，所述漏电电流信号在局部时域窗口中的高维隐含关联特征。
但是，考虑到所述漏电电流信号并非是图像数据且所述漏电电流信号的波形图本身有其数据的独特性，因此，在本申请的技术方案中，进一步使用频域分析方法来提高漏电类型的分类精度。具体地，首先基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值。考虑到所述多个多个频率下的多个频域统计特征值之间存在关联，因此，进一步地使用包含一维卷积层和全连接层的序列编码器对由所述多个频域统计特征值组成的输入向量进行编码以提取所述漏电电流信号的多个频域统计特征值中各个频域统计特征值的高维隐含特征和各个频域统计特征值间的关联的高维隐含关联特征以得到频域特征向量。
进一步地，融合所述波形特征向量和所述频域特征向量就可以进行漏电类型判断。但是，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此期望频域特征向量和波形特征向量之间的向量融合也获得高维特征空间内的平滑的响应信息。
因此，对频域特征向量
Figure 777470DEST_PATH_IMAGE014
和波形特征向量
Figure 646331DEST_PATH_IMAGE015
进行基于平滑过渡的融合，表示为：
Figure 432890DEST_PATH_IMAGE016
Figure 243852DEST_PATH_IMAGE017
表示所述频域特征向量，
Figure 718957DEST_PATH_IMAGE018
表示所述波形特征向量，
Figure 93307DEST_PATH_IMAGE019
按位置作差，
Figure 235838DEST_PATH_IMAGE020
按位置相加，
Figure 466968DEST_PATH_IMAGE021
表示按位置点乘，
Figure 678637DEST_PATH_IMAGE022
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的值为幂的自然指数函数值以得到指数向量；
Figure 154880DEST_PATH_IMAGE023
为控制后验权重的超参数。
由于频域统计特征对于波形语义特征的响应性，即频域统计特征的特征分布相对于波形语义特征的特征分布的后验性，通过基于平滑过渡的融合，可以以波形语义特征的特征分布作为先验分布，来获得频域统计特征作为隐特征表达的后验性分布。由此，当以该融合后的分类特征向量作为频域特征向量和波形特征向量的融合表达时，就可以获得具有响应性的特征向量的特征分布之间的更加平滑的响应一致性优化。这样，提高漏电类型的识别的准确度。
进一步地，为了便于识别，在本申请实施例中，不同的漏电类型识别结果可通过LED灯的不同颜色来表示，例如，第一种类型的故障，第一种颜色的灯光，以此类推。
基于此，本申请提供了一种LED灯检测的漏电保护装置，其包括：漏电电流信号采样模块，用于获取预定时间段的漏电电流信号；频域特征提取模块，用于基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；频域特征编码模块，用于将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；电流波形编码模型，用于将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；特征融合模块，用于对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；漏电类型结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及，警示模块，用于基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
图1图示了根据本申请实施例的LED灯检测的漏电保护装置的应用场景图。如图1所示，在该应用场景中，首先，通过部署于电热水器（例如，如图1中所示意的E）电路中的漏电电流检测仪（例如，如图1中所示意的T）来获取预定时间段的漏电电流信号。然后，将所述预定时间段的漏电电流信号输入至部署有LED灯检测的漏电保护算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够以LED灯检测的漏电保护算法对所述预定时间段的漏电电流信号进行处理，以生成用于表示漏电类型的分类结果，并基于所述分类结果的漏电类型开启不同颜色的LED灯。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性装置
图2图示了根据本申请实施例的LED灯检测的漏电保护装置的框图示意图。如图2所示，根据本申请实施例的所述漏电保护装置100，包括：漏电电流信号采样模块110，用于获取预定时间段的漏电电流信号；频域特征提取模块120，用于基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；频域特征编码模块130，用于将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；电流波形编码模型140，用于将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；特征融合模块150，用于对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；漏电类型结果生成模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及，警示模块170，用于基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
在本申请实施例中，所述漏电电流信号采样模块110的作用为获取预定时间段的漏电电流信号。如前所述，漏电有多种类型，包括人体直接接触漏电、人体间接接触漏电和绝缘损坏漏电，对于不同的漏电类型需采取不同的保护策略，例如，对于绝缘损坏漏电，些许的绝缘损坏漏电并不会影响电器的正常使用且频繁更换会增加使用成本。同时考虑到不同漏电类型对应于不同的漏电电流信号，也就是不同漏电电流的大小、频率等不相同。因此，在本申请的技术方案中，期望通过对漏电电流信号的特征提取和识别来判断漏电类型，并基于不同的漏电类型采取不同的保护策略。
在本申请实施例中，所述频域特征提取模块120和所述频域特征编码模块130，用于基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值，再将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量。应可以理解，考虑到所述漏电电流信号具有独特的频域特征，因此，在本申请的技术方案中，使用频域分析方法来提高漏电类型的分类精度。
也就是，具体地，在本申请的技术方案中，首先基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值。然后，使用包含一维卷积层和全连接层的序列编码器对由所述多个频域统计特征值组成的输入向量进行编码以提取所述漏电电流信号的多个频域统计特征值中各个频域统计特征值的高维隐含特征和各个频域统计特征值间的关联的高维隐含关联特征以得到频域特征向量。这里使用一维卷积层和全连接层的序列编码器是考虑到所述多个多个频率下的多个频域统计特征值之间存在关联。
具体的，在本申请的一个实施例中，图3图示了根据本申请实施例的LED灯检测的漏电保护装置中频域特征编码模块的框图。如图3所示，所述频域特征编码模块130，包括：全连接编码单元131和一维卷积编码单元132。所述全连接编码单元131，用于使用所述序列编码器的全连接层如下公式对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征，其中，所述公式为：
Figure 384873DEST_PATH_IMAGE024
，其中
Figure 22790DEST_PATH_IMAGE025
是输入向量，
Figure 987335DEST_PATH_IMAGE026
是输出向量，
Figure 234646DEST_PATH_IMAGE027
是权重矩阵，
Figure 351769DEST_PATH_IMAGE028
是偏置向量，
Figure 862384DEST_PATH_IMAGE013
表示矩阵乘。以及，所述一维卷积编码单元132，用于使用所述序列编码器的一维卷积层如下公式对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征；其中，所述公式为：
Figure 279939DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在本申请一个具体的实施例中，所述序列编码器由交替排列的全连接层和一维卷积层组成。应可以理解，通过交替排列的全连接层和一维卷积层可交替进行一维卷积编码和全连接编码以从输入数据中提取为更为深入的高维隐含特征，也就是，从输入数据中提取出更隐含的模式特征。
在本申请实施例中，所述电流波形编码模型140的作用为将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量。应可以理解，漏电类型的漏电电流信号在时域表征上差异不明显，同时，漏电电流信号中掺杂着噪声、非平稳信号等干扰检测的部分。因此，在本申请的技术方案中，本申请发明人以图像特征提取领域具有优异性能表现的卷积神经网络模型对漏电电流信号进行编码以从所述漏电电流信号中提取适于漏电电流分类的特征模式以得到波形特征向量。也就是，将所述漏电电流信号的波形图，输入作为图像编码器的第一卷积神经网络以提取所述漏电电流信号的波形图中的高维局部隐含特征，即，提取所述漏电电流信号在局部时域窗口中的高维隐含关联特征，从而得到波形特征向量。
具体的，在本申请的一个实施例中，所述电流波形编码模型140，进一步用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征向量，其中，所述第一卷积神经网络的第一层的输入为所述漏电电流信号的波形图。
接着，融合所述波形特征向量和所述频域特征向量就可以进行漏电类型判断。但是，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此期望频域特征向量和波形特征向量之间的向量融合也获得高维特征空间内的平滑的响应信息。
因此，对频域特征向量
Figure 596520DEST_PATH_IMAGE014
和波形特征向量
Figure 817417DEST_PATH_IMAGE015
进行基于平滑过渡的融合，表示为：
Figure 797136DEST_PATH_IMAGE016
Figure 188803DEST_PATH_IMAGE029
表示所述频域特征向量，
Figure 810540DEST_PATH_IMAGE030
表示所述波形特征向量，
Figure 885943DEST_PATH_IMAGE031
按位置作差，
Figure 269520DEST_PATH_IMAGE032
按位置相加，
Figure 446686DEST_PATH_IMAGE033
表示按位置点乘，
Figure 573910DEST_PATH_IMAGE034
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的值为幂的自然指数函数值以得到指数向量；
Figure 254553DEST_PATH_IMAGE035
为控制后验权重的超参数。在本申请实施例中，所述特征融合模块150的作用为对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行。应可以理解，由于频域统计特征对于波形语义特征的响应性，即频域统计特征的特征分布相对于波形语义特征的特征分布的后验性，通过基于平滑过渡的融合，可以以波形语义特征的特征分布作为先验分布，来获得频域统计特征作为隐特征表达的后验性分布。由此，当以该融合后的分类特征向量作为频域特征向量和波形特征向量的融合表达时，就可以获得具有响应性的特征向量的特征分布之间的更加平滑的响应一致性优化。这样，提高漏电类型的识别的准确度。
具体的，在本申请的一个实施例中，图4图示了根据本申请实施例的LED灯检测的漏电保护装置中特征融合模块的框图。如图4所示，所述特征融合模块150，包括：差分特征计算单元151，用于计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；第一指数运算单元152，用于计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；后验分布调整单元153，用于以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；第二指数运算单元154，用于计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及，融合单元155，用于计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
在本申请实施例中，所述漏电类型结果生成模块160的作用为将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型。具体地，所述漏电类型结果生成模块，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果，所述分类器的分类标签包括人体直接接触漏电、人体间接接触漏电和绝缘损坏漏电。
更为具体地，使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；其中，所述公式为：
Figure 90922DEST_PATH_IMAGE036
，其中，
Figure 988339DEST_PATH_IMAGE037
到
Figure 951879DEST_PATH_IMAGE038
为权重矩阵，
Figure 719983DEST_PATH_IMAGE039
到
Figure 461674DEST_PATH_IMAGE040
为偏置向量，
Figure 82274DEST_PATH_IMAGE041
为分类特征向量。
也就是，计算所述一维的分类特征向量的Softmax函数值，即，所述分类特征向量归属于各个分类标签的概率值，在本申请实施例中，所述分类标签包括人体直接接触漏电（第一标签）、人体间接接触漏电（第二标签）以及绝缘损坏漏电（第二标签）。最后，将概率值较大者对应的标签作为所述分类结果。
在本申请实施例中，所述警示模块170的作用为基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。应可以理解，为了便于识别，在本申请实施例中，不同的漏电类型识别结果可通过LED灯的不同颜色来表示，例如，第一种类型的故障，第一种颜色的灯光，以此类推。
在本申请的一个具体的实施例中，根据漏电类型的危急程度来选择灯的颜色，如人体直接接触漏电对应红色灯、人体间接接触漏电对应黄色灯、绝缘损坏漏电对应绿色灯。
综上，基于本申请实施例的所述LED灯检测的漏电保护装置，其通过卷积神经网络模型对所述漏电电流信号的波形图进行适当编码以得到波形特征向量，并且通过傅里叶变换和序列编码器对采集到的漏电电流信号进行特征提取和关联性深度编码以得到频域特征向量，并进一步地，考虑到频域统计特征实质上具有对于波形语义特征的响应性，因此，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，从而提高漏电类型的识别的准确度。这样，可基于漏电类型采取适配的保护措施。
如上所述，根据本申请实施例的所述LED灯检测的漏电保护装置100可以实现在各种终端设备中，例如具有LED灯检测的漏电保护算法的服务器等。在一个示例中，LED灯检测的漏电保护装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该LED灯检测的漏电保护装置100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该LED灯检测的漏电保护装置100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该LED灯检测的漏电保护装置100与该终端设备也可以是分立的设备，并且LED灯检测的漏电保护装置100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了根据本申请实施例的LED灯检测的漏电保护方法的流程图。如图5所示，根据本申请实施例的LED灯检测的漏电保护方法，其包括：S110，获取预定时间段的漏电电流信号；S120，基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；S130，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；S140，将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；S150，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；S160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及，S170，基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
图6图示了根据本申请实施例的LED灯检测的漏电保护方法的系统架构的示意图。如图6所示，在本申请实施例的系统架构中，首先，通过漏电电流检测仪获取预定时间段的漏电电流信号。然后，对所述漏电电流信号进行傅里叶变换从而提取多个频率下的多个频域统计特征值。接着，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量。同时，将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量。然后，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量。接着，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型。最后，基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
在本申请的一个实施例中，图7图示了根据本申请实施例的LED灯检测的漏电保护方法中，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量的流程图。如图7所示，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量，包括：S210，使用所述序列编码器的全连接层对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征；以及，S210，使用所述序列编码器的一维卷积层对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征。
其中，所述序列编码器的全连接层采用的公式为：
Figure 82460DEST_PATH_IMAGE008
，其中
Figure 472115DEST_PATH_IMAGE009
是输入向量，
Figure 368396DEST_PATH_IMAGE010
是输出向量，
Figure 933414DEST_PATH_IMAGE042
是权重矩阵，
Figure 940553DEST_PATH_IMAGE043
是偏置向量，
Figure 965141DEST_PATH_IMAGE006
表示矩阵乘；其中，所述序列编码器的一维卷积层采用的公式为：
Figure 533788DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在本申请的一个实施例中，图8图示了根据本申请实施例的LED灯检测的漏电保护方法中，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量的流程图。如图8所示，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，包括：S310，计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；S320，计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；S330，以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；S340，计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及，S350，计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
这里，本领域技术人员可以理解，上述LED灯检测的漏电保护方法中的各个步骤的具体操作已经在上面参考图1到图4的LED灯检测的漏电保护方法的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的电热水器的智能漏电保护以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如获取的预定时间段的漏电电流信号等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括LED灯控制指令等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的LED灯检测的漏电保护方法的步骤。
所述计算机程序产品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申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。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、作为一个独立的软件包执行、部分在用户计算设备上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。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的LED灯检测的漏电保护方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体地例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体地细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种LED灯检测的漏电保护装置，其特征在于，包括：漏电电流信号采样模块，用于获取预定时间段的漏电电流信号；频域特征提取模块，用于基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；频域特征编码模块，用于将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；电流波形编码模型，用于将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；特征融合模块，用于对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；漏电类型结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及警示模块，用于基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
2.根据权利要求1所述的LED灯检测的漏电保护装置，其特征在于，所述频域特征编码模块，包括：全连接编码单元，用于使用所述序列编码器的全连接层如下公式对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征，其中，所述公式为：
Figure 137878DEST_PATH_IMAGE001
，其中
Figure 630170DEST_PATH_IMAGE002
是输入向量，
Figure 343174DEST_PATH_IMAGE003
是输出向量，
Figure 426667DEST_PATH_IMAGE004
是权重矩阵，
Figure 254815DEST_PATH_IMAGE005
是偏置向量，
Figure 832689DEST_PATH_IMAGE006
表示矩阵乘；以及一维卷积编码单元，用于使用所述序列编码器的一维卷积层如下公式对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征；其中，所述公式为：
Figure 164313DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
3.据权利要求2所述的LED灯检测的漏电保护装置，其特征在于，所述序列编码器由交替排列的全连接层和一维卷积层组成。
4.根据权利要求3所述的LED灯检测的漏电保护装置，其特征在于，所述电流波形编码模型，进一步用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征向量，其中，所述第一卷积神经网络的第一层的输入为所述漏电电流信号的波形图。
5.根据权利要求4所述的LED灯检测的漏电保护装置，其特征在于，所述特征融合模块，包括：差分特征计算单元，用于计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；第一指数运算单元，用于计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；后验分布调整单元，用于以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；第二指数运算单元，用于计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及融合单元，用于计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
6.根据权利要求5所述的LED灯检测的漏电保护装置，其特征在于，所述漏电类型结果生成模块，进一步用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的LED灯检测的漏电保护装置，其特征在于，所述分类器的分类标签包括人体直接接触漏电、人体间接接触漏电和绝缘损坏漏电。
8.一种LED灯检测的漏电保护方法，其特征在于，包括：获取预定时间段的漏电电流信号；基于傅里叶变换从所述漏电电流信号提取多个频率下的多个频域统计特征值；将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量；将所述漏电电流信号的波形图通过作为图像编码器的第一卷积神经网络以得到波形特征向量；对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，其中，所述基于平滑过渡的融合基于所述频域特征向量和所述波形特征向量之间的差分特征向量来进行；将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示漏电类型；以及基于所述分类结果生成LED灯控制指令，其中，所述LED灯控制指令用于基于所述分类结果的漏电类型开启不同颜色的LED灯。
9.根据权利要求8所述的LED灯检测的漏电保护方法，其特征在于，将所述多个频域统计特征值排列为输入向量后通过包含一维卷积层和全连接层的序列编码器以得到频域特征向量，包括：使用所述序列编码器的全连接层如下公式对所述输入向量进行全连接编码以提取所述输入向量中各个位置的频域统计特征值的高维隐含特征，其中，所述公式为：
Figure 700599DEST_PATH_IMAGE008
，其中
Figure 16043DEST_PATH_IMAGE009
是输入向量，
Figure 866449DEST_PATH_IMAGE010
是输出向量，
Figure 521422DEST_PATH_IMAGE011
是权重矩阵，
Figure 974748DEST_PATH_IMAGE012
是偏置向量，
Figure 793800DEST_PATH_IMAGE006
表示矩阵乘；以及使用所述序列编码器的一维卷积层如下公式对所述输入向量进行一维卷积编码以提取所述输入向量中各个位置的频域统计特征值间的关联的高维隐含关联特征；
其中，所述公式为：
Figure 743170DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
10.根据权利要求9所述的LED灯检测的漏电保护方法，其特征在于，对所述频域特征向量和所述波形特征向量进行基于平滑过渡的融合以得到分类特征向量，包括：计算所述频域特征向量和所述波形特征向量之间的差分以得到所述差分特征向量；计算以所述差分特征向量中各个位置的特征值为幂的自然指数函数值以得到指数差分特征向量；以预定超参数作为权重对所述波形特征向量进行加权以得到后验波形特征向量；计算以所述后验波形特征向量中各个位置的特征值为幂的自然指数函数值以得到指数后验波形特征向量；以及计算所述指数差分特征向量和所述指数后验波形特征向量的按位置相加以得到所述分类特征向量。
CN202210732894.8A 2022-06-27 2022-06-27 Led灯检测的漏电保护装置及其漏电保护方法 Active CN114825257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210732894.8A CN114825257B (zh) 2022-06-27 2022-06-27 Led灯检测的漏电保护装置及其漏电保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210732894.8A CN114825257B (zh) 2022-06-27 2022-06-27 Led灯检测的漏电保护装置及其漏电保护方法

Publications (2)

Publication Number Publication Date
CN114825257A true CN114825257A (zh) 2022-07-29
CN114825257B CN114825257B (zh) 2022-09-09

Family

ID=82522412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210732894.8A Active CN114825257B (zh) 2022-06-27 2022-06-27 Led灯检测的漏电保护装置及其漏电保护方法

Country Status (1)

Country Link
CN (1) CN114825257B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588166A (zh) * 2022-11-10 2023-01-10 新乡市诚德能源科技装备有限公司 一种防泄漏船用lng燃料罐
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116125133A (zh) * 2023-02-16 2023-05-16 南京博纳威电子科技有限公司 非接触式电流电压一体化测量在线监测方法及系统
CN116500379A (zh) * 2023-05-15 2023-07-28 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN117638799A (zh) * 2023-12-14 2024-03-01 温岭市恒亚机电有限公司 具有漏电保护功能的远程变频控制器及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578016A (zh) * 2017-09-06 2018-01-12 重庆大学 一种基于稀疏表示的剩余电流波形自动识别方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578016A (zh) * 2017-09-06 2018-01-12 重庆大学 一种基于稀疏表示的剩余电流波形自动识别方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN113049922A (zh) * 2020-04-22 2021-06-29 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588166A (zh) * 2022-11-10 2023-01-10 新乡市诚德能源科技装备有限公司 一种防泄漏船用lng燃料罐
CN115588166B (zh) * 2022-11-10 2023-02-17 新乡市诚德能源科技装备有限公司 一种防泄漏船用lng燃料罐
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN115857614B (zh) * 2022-11-17 2023-12-29 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116125133A (zh) * 2023-02-16 2023-05-16 南京博纳威电子科技有限公司 非接触式电流电压一体化测量在线监测方法及系统
CN116125133B (zh) * 2023-02-16 2023-10-20 南京博纳威电子科技有限公司 非接触式电流电压一体化测量在线监测方法及系统
CN116500379A (zh) * 2023-05-15 2023-07-28 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN116500379B (zh) * 2023-05-15 2024-03-08 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN117638799A (zh) * 2023-12-14 2024-03-01 温岭市恒亚机电有限公司 具有漏电保护功能的远程变频控制器及方法
CN117638799B (zh) * 2023-12-14 2024-05-28 温岭市恒亚机电有限公司 具有漏电保护功能的远程变频控制器及方法

Also Published As

Publication number Publication date
CN114825257B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN114825257B (zh) Led灯检测的漏电保护装置及其漏电保护方法
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
CN115951584A (zh) 用于滚筒杀青机的温度控制系统及方法
CN115186774B (zh) 智能电缆剥线设备及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN117058622A (zh) 污水处理设备的智能监测系统及其方法
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN116245513A (zh) 基于规则库的自动化运维系统及其方法
CN116579618B (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN116819379A (zh) 电源适配器的故障监测系统及其方法
CN113111543A (zh) 物联网服务系统
CN116149397B (zh) 电子级双氧水存储的温度自适应控制系统
Shukla et al. Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks
CN115146676A (zh) 电路故障检测方法及其系统
CN116759053A (zh) 基于物联网系统的医疗体系防控方法及系统
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN115205788A (zh) 食材质量监控系统
CN115392320A (zh) 具有防盗功能的变压器及其方法
CN116089648A (zh) 基于人工智能的档案管理系统及方法
CN116502899B (zh) 基于人工智能的风险评级模型生成方法、装置及存储介质
CN116958697A (zh) 基于图像的电力安全巡检系统及其方法

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