CN116127302A - 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 - Google Patents
基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 Download PDFInfo
- Publication number
- CN116127302A CN116127302A CN202211367332.4A CN202211367332A CN116127302A CN 116127302 A CN116127302 A CN 116127302A CN 202211367332 A CN202211367332 A CN 202211367332A CN 116127302 A CN116127302 A CN 116127302A
- Authority
- CN
- China
- Prior art keywords
- fault arc
- fault
- data
- arc
- alexnet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,包括以下步骤:使用2个3×3卷积核代替1个5×5卷积核,得到改进的AlexNet故障电弧识别模型;采集并处理故障电弧试验数据,建立涵盖多种负载类型样本的故障电弧数据集;使用故障电弧数据集对改进的AlexNet故障电弧识别模型进行训练和验证,将电弧数据输入至训练后的AlexNet故障电弧识别模型进行故障电弧识别。本发明设计合理,其利用卷积神经网络能够自动识别和提取训练集特征的特点,采用深度学习过程直接从电流波形抽取非线性负载故障电弧特征,在满足故障识别准确率的前提下,优化网络架构,能够准确识别电动汽车充电装置电弧故障,可广泛用于电动汽车充电领域。
Description
技术领域
本发明属于电动汽车充电技术领域,尤其是一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法。
背景技术
电动汽车及其直流充电设备线复杂,易产生电弧故障,可能导致设备烧蚀甚至起火。与交流电弧不同,无平肩效应的直流电弧不易熄灭,常用的交流电弧故障检测方法难以应用于直流电弧故障检测领域,因此对直流电弧故障检测方法的研究十分紧迫。在电弧故障检测领域,弧光和热特性主要用于开关设备等受限空间中的电弧故障识别,对传感器灵敏度、安装位置和抗干扰性有很高的要求,并且在实际应用中存在限制。基于电弧电压和电流时频域特征的电弧故障检测方法,由于非线性负载正在增加,难以确保提取的电弧故障特征具有广泛代表性。随着人工智能的发展,如何将人工智能用于电动汽车充电装置电弧故障检测技术并准确进行故障电弧识别是目前迫切续需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其使用人工智能方法区分信号并输出分类结果,提高识别的准确率,有效地摆脱了人为设置检测阈值带来的困扰。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,包括以下步骤:
步骤1、使用2个3×3卷积核代替1个5×5卷积核,得到改进的AlexNet故障电弧识别模型;
步骤2、采集并处理故障电弧试验数据,建立涵盖多种负载类型样本的故障电弧数据集;
步骤3、使用故障电弧数据集对改进的AlexNet故障电弧识别模型进行训练和验证,将电弧数据输入至训练后的AlexNet故障电弧识别模型进行故障电弧识别。
进一步,所述改进的AlexNet故障电弧识别模型包括6个卷积层、3个池化层和3个全连接层,第一个卷积层的核尺寸为11×11,其他卷积层和池化层的核尺寸为3×3,第一个卷积层的移动步长为4,其他卷积层的移动步长为1,池化层的移动尺寸为2。
进一步,所述步骤2的具体实现方法包括以下步骤:
⑴采集故障电弧试验数据并进行数据清洗;
⑵对清洗后的数据进行数据分割;
⑶对分割后的数据进行数据标注得到故障电弧数据集,该故障电弧数据集包括按一定比例划分的训练集、验证集与测试集。
进一步,所述步骤⑵以滑动窗口采样的方式进行数据进行分割。
进一步,所述步骤3的具体实现方法包括以下步骤:
⑴初始化AlexNet网络参数,AleNet故障电弧识别模型随机从故障电弧数据集的训练集中提取一个样本,从前向后依次计算得到输出,通过反向传播误差,调整网络参数并更新AleNet故障电弧识别模型,然后输入下一个样本,直至误差达到最小,则输出训练后的AleNet故障电弧识别模型;
⑵将故障电弧数据集的测试集输入训练后的AleNet故障电弧识别模型进行验证并得到识别准确率,对模型识别结果进行评估;
⑶使用验证后的AleNet故障电弧识别模型对故障电弧数据进行故障电弧识别。
进一步,所述AleNet故障电弧识别模型的输入为故障电弧数据,其输出线路状态,包括正常和故障状态。
本发明的优点和积极效果是:
本发明设计合理,其利用卷积神经网络能够自动识别和提取训练集特征的特点,采用深度学习过程直接从电流波形抽取非线性负载故障电弧特征,同时利用人工神经网络建立正常负载工况与故障电弧相区分的边界条件,选取AlexNet网络搭建深度学习故障电弧识别模型,在满足故障识别准确率的前提下,优化网络架构,并研究模型训练策略,选取最优超参数组合,并对模型识别结果进行验证,能够准确识别电动汽车充电装置电弧故障,可广泛用于电动汽车充电领域。
附图说明
图1为本发明以2个3×3卷积核代替1个5×5卷积核的原理图;
图2为本发明的数据分割原理图;
图3为改进的AlexNet故障电弧识别模型结构图;
图4a为改进前后AlexNet模型故障电弧识别准确率(验证集准确率)对比图;
图4b为改进前后AlexNet模型故障电弧识别准确率(测试集准确率)对比图;
图5a为改进前故障电弧识别模型训练过程图;
图5b为改进后故障电弧识别模型训练过程图。
具体实施方式
以下结合附图对本发明做进一步详述。
本发明提出一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,包括以下步骤:
步骤1、使用2个3×3卷积核代替1个5×5卷积核,得到改进的AlexNet故障电弧识别模型。
传统AlexNet模型有两个大卷积核,一个是11×11卷积核,用来提取图像底层纹理等通用特征;另一个是5×5卷积核。从卷积原理分析,使用3×3的卷积核连续卷积两次可以达到1个5×5的卷积核卷积一次提取特征的能力,即这两种卷积过程得到的结果,都能反映原始图像内同样像素大小内的特征。使用2个3×3卷积核代替1个5×5卷积核过程如图1所示。
在卷积核移动步长为1的前提下,以n(n∈N)表示堆叠的卷积核数目,卷积核堆叠后待训练参数量3×3×n,对应的单个卷积核参数可表示为(2n+1)2,则卷积核替代前后训练权值比可表示为:
由式(1)可知,一个5×5的卷积核具有25个待训练权值,而使用两个步长为1的3×3卷积核,权值数目降到18,节省了28%的计算成本。基于上述,改进的AlexNet故障电弧识别模型由6个卷积层、3个池化层和3个全连接层组成,如图3所示。AlexNet故障电弧识别模型的结构参数如表1所示。
表1 改进AlexNet的故障电弧识别模型结构参数
步骤2、采集并处理故障电弧试验数据,建立涵盖多种负载类型样本的故障电弧数据集。
在本步骤中,采用改进的数据预处理方法生成故障电弧数据集,具体方法包括以下步骤:
⑴采集故障电弧试验数据并进行数据清洗。
为了消除同类数据的不一致性,提高数据质量,在训练前通过人为干预对试验数据进行“清洗”,删除数据中的异常数据点。
⑵对清洗后的数据进行数据分割。
为了增加训练样本数量同时保证样本的一致性,提升故障电弧识别模型的泛化能力,以滑动窗口采样的方式对数据进行分割。滑动采样数据分割过程如图2所示。
⑶对分割后的数据进行数据标注,得到故障电弧数据集并按一定比例划分为训练集、验证集与测试集。
经过数据清洗、数据分割过程后,所有单一负载点接触式故障电弧数据和正常状态数据各有5000组,在模型训练之前,将故障电弧数据集按一定比例划分为训练集、验证集与测试集。故障电弧数据集分布如表2所示。
表2 故障电弧数据集
改进的故障电弧模型的输入为上述故障电弧数据集,输出为线路状态,即“正常”或“故障”。
步骤3、使用故障电弧数据集对改进的故障电弧识别模型进行训练和验证,将电弧数据输入至验证后的故障电弧识别模型进行故障电弧识别。
具体流程如下:
⑴初始化AlexNet网络参数,AleNet故障电弧识别模型随机从故障电弧数据集的训练集中提取一个样本,从前向后依次计算得到输出,通过反向传播误差,调整网络参数并更新AleNet故障电弧识别模型。然后输入下一个样本,直至误差达到最小,则输出训练后的AleNet故障电弧识别模型。
⑵将测试集输入训练后的AleNet故障电弧识别模型进行验证并得到识别准确率,从而对模型识别结果进行评估。
⑶使用验证后的AleNet故障电弧识别模型对故障电弧数据(直流电弧信号)进行故障电弧识别。
为了验证改进后AlexNet故障电弧识别模型的性能,分别训练改进前后的AlexNet模型并将故障电弧识别结果进行对比分析。不同比例的数据集划分情况如表3所示。
表3 不同比例的数据集划分
完成故障电弧识别模型训练过程后,将测试集输入模型中验证识别准确率。在不同数据集下,改进前后AlexNet模型的故障电弧识别结果如图4a及图4b所示。可以看出,随着数据集中训练集所占比重的增加,测试集和验证集的识别准确率曲线均呈现上升趋势。以同一组数据集为研究对象,改进后AlexNet模型的验证集故障电弧识别率较改进前有所提升。
改进前后AlexNet模型训练过程如图5a及图5b所示。改进前的AlexNet在迭代次数大于75代时趋于收敛,稳定时的验证集准确率为92.08%。改进的AlexNet模型在迭代次数为13代时准确率高于90%,稳定时验证集准确率为99.89%,收敛速度较改进前有明显提升。改进后AlexNet模型在不同数据集下故障电弧识别准确率如表4所示。
表4 改进后AlexNet模型在不同数据集下识别准确率
通过表4可以看出,改进后的AleNet故障电弧识别模型的准确率比改进前的AleNet故障电弧识别模型的准确率有较大的提高。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:包括以下步骤:
步骤1、使用2个3×3卷积核代替1个5×5卷积核,得到改进的AlexNet故障电弧识别模型;
步骤2、采集并处理故障电弧试验数据,建立涵盖多种负载类型样本的故障电弧数据集;
步骤3、使用故障电弧数据集对改进的AlexNet故障电弧识别模型进行训练和验证,将电弧数据输入至训练后的AlexNet故障电弧识别模型进行故障电弧识别。
2.根据权利要求1所述的基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:所述改进的AlexNet故障电弧识别模型包括6个卷积层、3个池化层和3个全连接层,第一个卷积层的核尺寸为11×11,其他卷积层和池化层的核尺寸为3×3,第一个卷积层的移动步长为4,其他卷积层的移动步长为1,池化层的移动尺寸为2。
3.根据权利要求1所述的基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:所述步骤2的具体实现方法包括以下步骤:
⑴采集故障电弧试验数据并进行数据清洗;
⑵对清洗后的数据进行数据分割;
⑶对分割后的数据进行数据标注得到故障电弧数据集,该故障电弧数据集包括按一定比例划分的训练集、验证集与测试集。
4.根据权利要求3所述的基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:所述步骤⑵以滑动窗口采样的方式进行数据进行分割。
5.根据权利要求1所述的基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:所述步骤3的具体实现方法包括以下步骤:
⑴初始化AlexNet网络参数,AleNet故障电弧识别模型随机从故障电弧数据集的训练集中提取一个样本,从前向后依次计算得到输出,通过反向传播误差,调整网络参数并更新AleNet故障电弧识别模型,然后输入下一个样本,直至误差达到最小,则输出训练后的AleNet故障电弧识别模型;
⑵将故障电弧数据集的测试集输入训练后的AleNet故障电弧识别模型进行验证并得到识别准确率,对模型识别结果进行评估;
⑶使用验证后的AleNet故障电弧识别模型对故障电弧数据进行故障电弧识别。
6.根据权利要求5所述的基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法,其特征在于:所述AleNet故障电弧识别模型的输入为故障电弧数据,其输出线路状态,包括正常和故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367332.4A CN116127302A (zh) | 2022-11-03 | 2022-11-03 | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367332.4A CN116127302A (zh) | 2022-11-03 | 2022-11-03 | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127302A true CN116127302A (zh) | 2023-05-16 |
Family
ID=86301598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367332.4A Pending CN116127302A (zh) | 2022-11-03 | 2022-11-03 | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454166A (zh) * | 2023-10-11 | 2024-01-26 | 国网四川省电力公司电力科学研究院 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
-
2022
- 2022-11-03 CN CN202211367332.4A patent/CN116127302A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454166A (zh) * | 2023-10-11 | 2024-01-26 | 国网四川省电力公司电力科学研究院 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
CN117454166B (zh) * | 2023-10-11 | 2024-05-10 | 国网四川省电力公司电力科学研究院 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
WO2023216553A1 (zh) | 一种配电网多重故障诊断方法及系统 | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN112819093A (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
CN112070104A (zh) | 主变压器局部放电识别方法 | |
CN113780060A (zh) | 一种基于多模态深度学习的高压开关柜态势感知方法 | |
CN116127302A (zh) | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
CN114640304A (zh) | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 | |
CN108694375B (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
CN113326873A (zh) | 一种基于数据增强的电力设备分合闸状态自动分类方法 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN117113243A (zh) | 一种光伏设备异常检测方法 | |
CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 | |
CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 |
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 |