CN116298725A - 故障电弧检测方法、系统及存储介质 - Google Patents
故障电弧检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116298725A CN116298725A CN202310209310.3A CN202310209310A CN116298725A CN 116298725 A CN116298725 A CN 116298725A CN 202310209310 A CN202310209310 A CN 202310209310A CN 116298725 A CN116298725 A CN 116298725A
- Authority
- CN
- China
- Prior art keywords
- arc
- fault
- current
- module
- arc detection
- 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 129
- 230000006835 compression Effects 0.000 claims abstract description 24
- 238000007906 compression Methods 0.000 claims abstract description 24
- 230000005284 excitation Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010891 electric arc Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 34
- 230000007246 mechanism Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004880 explosion Methods 0.000 description 5
- 230000001939 inductive effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008033 biological extinction Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100537937 Caenorhabditis elegans arc-1 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G01R31/12—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
- G01R31/1227—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 of components, parts or materials
- G01R31/1263—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 of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- 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
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开一种故障电弧检测方法、系统及存储介质，方法包括采集待检测线路的电流波形；对所述电流波形进行增强处理，得到电流增强信号；将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。本发明可显著提高故障电弧检测的准确率。
Description
技术领域
本发明涉及电弧检测技术领域，具体涉及一种故障电弧检测方法、系统及存储介质。
背景技术
随着电力电子设备的不断发展和广泛使用，电力的利用也变得更加便捷。然而，由于低压配电系统用电设备的增多，随之而来的火灾隐患也在大大增加。低压配电系统用电设备类型复杂，若出现导线破损、老化及长时间过载等情况，会在线路中产生故障电弧，故障电弧中心部分的维持温度可达5000℃以上，极易引起电气火灾甚至爆炸。电气火灾在全国火灾总数种占比超过30％，引发电气火灾的电气故障源主要有短路、过载、漏电和电弧故障等。当前，断路器、熔断器等可以分别对短路和过载进行有效的保护，而故障电弧具有强随机性、隐蔽性和复杂性的特点，其检测精度一直是亟待解决的技术难题。
目前，市场上大多数故障电弧探测器是通过设置电弧特征量的固定阈值检测方法，当检测到的特征量超过所设置的阈值，可认为线路中存在故障电弧。然而，由于电路本身存在一定的电磁干扰，并且负载类型多种多样，很难找到一个普遍适合于多种不同负载类型组合的最优阈值。
近年来，随着人工智能的兴起，一些新的检测方法比如神经网络等模型被大量用于电弧检测领域，但存在着结构复杂，计算成本高、识别精度较低等问题。比如相关技术中，公布号为CN115498956A的专利申请文献提出的光伏阵列串联电弧故障诊断方法，以故障时序信号的二维特征图像的数据集训练深度卷积生成对抗网络DCGAN；深度卷积生成对抗网络利用数据增强方法增扩电弧故障样本；以二维特征图像的数据集和增扩后的电弧故障样本训练卷积神经网络分类模型CNN。该方案是在数据样本比较少时，采用生成对抗网络来产生其他数据，实现数据增广，扩大数据集的目的，而不是对电流波形本身进行信号增强。
公布号为CN114152844A的专利申请文献提出的基于遗传算法优化残差网络模型的电弧检测方法中，根据经过预处理后的数据集搭建复合残差网络模型，并采用遗传算法优化残差网络模型，实现电弧检测。但该方案中所搭建的复合残差网络模型对于电弧的高频畸变特征学习不够充分，且易受到电弧产生的时间随机性的影响。
发明内容
本发明所要解决的技术问题在于如何提高故障电弧的检测精度。
本发明通过以下技术手段解决上述技术问题的：
第一方面，本发明提出了一种故障电弧检测方法，所述方法包括以下步骤：
采集待检测线路的电流波形；
对所述电流波形进行增强处理，得到电流增强信号；
将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
进一步地，所述对所述电流波形进行增强处理，得到电流增强信号，包括：
采用参数型维纳滤波器对所述电流波形进行增强处理，得到所述电流增强信号，其中，所述参数型维纳滤波器的公式表示为：
式中：Pxx(ωk)是纯净信号的功率谱，Pnn(ωk)是噪声信号的功率谱，ξk是先验信噪比，α、β是可调参数。
进一步地，所述压缩激励模块包括依次连接的通道注意力机制网络和空间注意力机制网络，所述通道注意力机制网络采用全局最大池化操作，所述空间注意力机制网络采用全局平均池化操作；
所述残差模块的输出与所述通道注意力机制网络的输入连接。
进一步地，在所述将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之后，所述方法还包括：
确定所述检测结果为发生电弧故障时，则执行故障数计数加一操作，否则不进行计数操作；
在累积故障数大于设定数量时，通过脱口装置断开线路。
进一步地，在所述将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之前，所述方法还包括：
采集故障电弧实验平台的电流信号；
利用参数型维纳滤波器对所述电流信号进行增强处理，得到增强数据集；
利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型。
进一步地，所述故障电弧实验平台包括采用串联方式连接的故障电弧发生装置、交流电源和不同类型的负载，所述故障电弧发生装置和所述负载之间连接有开关，所述交流电源和所述故障电弧发生装置连接有电流采集装置；
所述电流采集装置用于采集故障电弧实验平台主干路的电流信号，所述电流信号包括正常态的主路电流信号和故障态的主路电流信号。
进一步地，在所述采集故障电弧实验平台的电流信号之后，所述方法还包括：
按照工频周期对所述电流信号进行分割，得到电弧数据集；
使用高通滤波器提取所述电弧数据集中电弧数据的电路噪声；
基于所述电弧数据集和所述电路噪声，构建参数型维纳滤波器。
进一步地，所述利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型，包括：
将所述增强数据集按照比例划分为训练数据集和测试数据集；
将所述训练数据集作为所述电弧检测模型的输入，通过不断迭代来更新网络中卷积层及全连接层的权重和偏置，得到损失函数损失值最小的一组参数值作为模型参数，其中，所述损失函数使用交叉熵损失函数，公式表示为：
式中：m表示批量大小，n表示数据维度，P(xi，j)表示输入数据的真实分布，Q(xi，j)表示网络预测的概率分布；
利用所述测试数据集对所述电弧检测模型进行检测，并调整超参数直至满足测试要求。
第二方面，本发明提出了一种故障电弧检测系统，所述系统包括：
采集模块，用于采集待检测线路的电流波形；
增强模块，用于对所述电流波形进行增强处理，得到电流增强信号；
检测模块，用于将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
第三方面，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的故障电弧检测方法。
本发明的优点在于：
(1)本发明对采集的待检测线路的电流波形先进行数据增强处理，将得到的电流增强信号输入至电弧检测模型中进行处理，得到相应的电弧故障检测结果；通过对电流波形进行信号增强，减少了由于线路老化、电网污染及用电设备电磁泄露等原因导致的电路噪声对故障电弧特征的影响，提高了检测的稳定性和精度；通过借助卷积神经网络的特征自提取能力，可以满足多负载类型的检测，扩大了故障电弧检测装置所能检测的实际工况范围；使用残差连接构建深度神经网络，缓解深度网络出现的梯度消失和梯度爆炸现象；通过添加压缩激励模块，可以在几乎不增加模型复杂度的前提下，提高模型对故障电弧畸变特征的提取，显著提高了故障电弧检测的准确率。
(2)通道注意力机制网络中采用全局最大池化操作，充分关注故障电弧畸变特征；空间注意力机制网络中采用全局平均池化操作，减少故障电弧产生时间随机性对检测结果的影响。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例提出的故障电弧检测方法的流程示意图；
图2是本发明实施例中电弧检测模型Arc-1DCNN的局部结构示意图；
图3是本发明实施例中电弧检测模型Arc-1DCNN的结构细节说明图；
图4是本发明实施例中电弧检测模型Arc-1DCNN的整体结构示意图；
图5是本发明实施例提出的电弧检测模型的训练流程示意图；
图6是本发明实施例中故障电弧发生实验平台电路示意图；
图7是本发明实施例中白炽灯故障和正常工作噪声的频谱图；
图8是本发明实施例中电弧检测模型Arc-1DCNN的超参数设置；
图9是本发明实施例中电弧检测模型Arc-1DCNN的训练误差变化曲线；
图10是本发明实施例中电弧检测模型Arc-1DCNN的训练准确率变化曲线；
图11是本发明实施例中电弧检测模型Arc-1DCNN的故障电弧检测表现情况；
图12是本发明实施例提出的故障电弧检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
如图1所示，本发明第一实施例提出的一种故障电弧检测方法，所述方法包括以下步骤：
S10、采集待检测线路的电流波形；
需要说明的是，本实施例按照设定的固定时间间隔采集待检测线路的电流波形，其中时间间隔可设置为1s，当然也可根据实际需求设置为其他数值，此处不作具体限定。
S20、对所述电流波形进行增强处理，得到电流增强信号；
需要说明的是，通过对电流波形进行信号增强，减少了由于线路老化、电网污染及用电设备电磁泄露等原因导致的电路噪声对故障电弧特征的影响，提高了检测的稳定性和精度。
S30、将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
需要说明的是，本实施例构建的电弧检测模型通过借助卷积神经网络的特征自提取能力，可以满足多负载类型的检测，扩大了故障电弧检测装置所能检测的实际工况范围；使用残差连接构建深度神经网络，缓解深度网络出现的梯度消失和梯度爆炸现象；通过添加压缩激励模块，可以在几乎不增加模型复杂度的前提下，提高模型对故障电弧畸变特征的提取，显著提高了故障电弧检测的准确率。
在一实施例中，所述步骤S20：对所述电流波形进行增强处理，得到电流增强信号，包括：
采用参数型维纳滤波器对所述电流波形进行增强处理，得到所述电流增强信号，其中，所述参数型维纳滤波器的公式表示为：
式中：Pxx(ωk)是纯净信号的功率谱，Pnn(ωk)是噪声信号的功率谱，ξk是先验信噪比，α、β是可调参数，可以通过电弧的先验知识灵活设置。
本实施例对原始信号进行时频分析，并通过维纳滤波的手段降低噪声对电弧特征的影响，以实现数据增强的目的；使用参数型维纳滤波器可以根据电弧的先验知识灵活进行参数设置，经过参数型维纳滤波之后，能够在不影响电弧特征的前提下，抑制电路中本身存在的噪声，这样就扩大了故障电流信号和正常电流信号的的差异性，可以提高后续网络模型的检测准确率。
在一实施例中，所述压缩激励模块包括依次连接的通道注意力机制网络和空间注意力机制网络，所述通道注意力机制网络采用全局最大池化操作，所述空间注意力机制网络采用全局平均池化操作；
所述残差模块的输出与所述通道注意力机制网络的输入连接。
进一步地，所述通道注意力机制网络由若干卷积层和全局最大池化层组成，每个卷积层后接有激活函数，卷积层后交替接有ReLU和sigmoid激活函数。
所述通道注意力机制网络由若干卷积层和全局平均池化层组成，每个卷积层后接有激活函数，卷积层后交替接有ReLU和sigmoid激活函数。
需要说明的是，本实施例提出的残差网络模型是根据任务目标进行特异性修改后的，在保证模型具有一定复杂度的基础上，减少了一部分网络层，达到减少模型复杂度的目的；最后，本方案提出的模型是以卷积神经网络为基础的，使用了残差结构，并嵌入了通道和空间的压缩激励模块，保证了网络可以充分学习电弧的畸变特征以及减少模型受电弧产生的时间随机性的影响。
如图2至图4所示，本实施例构建的电弧检测模型Arc-1DCNN具体包括输入层、特征提取层和输出层，其中输入层包括依次连接的三层卷积层Convld和最大池化层MaxPoolld，其中每层卷积层Convld后均接有层归一化层LN，输入层中每层输出特征尺寸大小、卷积核大小以及卷积核数量见图3中模块I所示。
特征提取层包括依次连接的第一残差模块、第二残差模块、第三残差模块和第四残差模块，其中残差模块用于将输入数据做非线性变化后与所述输入数据做线性叠加输出，所述第一残差模块、第二残差模块、第三残差模块和第四残差模块的数量可根据实际需求设定，本实施例不作具体限定。
其中，第一残差模块、第二残差模块、第三残差模块和第四残差模块均包括依次连接的三层卷积层Conv1d和压缩激励模块SE-Block，其中每层卷积层Conv1d后均接有批归一化层BN。第一残差模块中每层输出特征尺寸大小、卷积核大小以及卷积核数量见图3中模块Ⅱ所示；第二残差模块中每层输出特征尺寸大小、卷积核大小以及卷积核数量见图3中模块Ⅲ所示；第三残差模块中每层输出特征尺寸大小、卷积核大小以及卷积核数量见图3中模块Ⅳ所示；第四残差模块中每层输出特征尺寸大小、卷积核大小以及卷积核数量见图3中模块Ⅴ所示。
输出层包括自适应1D池化层AdaptiveAvgPool1d、Flatten层、全连接层Linear和输出层Softmax，具体的参数见图3中模块Ⅵ所示。
具体地，如图2所示，压缩激励模块SE-Block包括依次连接的通道注意力机制网络和空间注意力机制网络，残差模块中最后一层卷积层的输出连接通道注意力机制网络，通道注意力机制网络的输出连接空间注意力机制网络，空间注意力机制网络的输出与残差模块中最后一层卷积层的线性叠加后与残差模块中第一层卷积的输入数据线性叠加后作为下一残差模块的输入。
需要说明的是，本实施例构建的电弧检测模型Arc-1DCNN以卷积神经网络为基础，使用残差连接缓解深度网络出现的梯度消失和梯度爆炸现象，使用一维卷积核提取数据不同级别的抽象特征；主要由输入层、交替的卷积层和池化层、全连接层、交替的批归一化层和层归一化层、输出层组成。所述输入层用于对输入的数据进行预处理，所述卷积层和池化层提取电弧特征，所述全连接层在一定程度上保留模型的复杂度，将学习到的特征映射到样本标记空间。所述批归一化层和层归一化层加速模型收敛，提高模型泛化性能。所述输出层输出Arc-1DCNN对输入样本种类的预测。
其中，所述通道注意力机制网络中采用全局最大池化操作，充分关注故障电弧畸变特征；所述空间注意力机制网络中采用全局平均池化操作，减少故障电弧产生时间随机性对检测结果的影响。
需要说明的是，网络层的选取和网络层的放置顺序不唯一，其他相似网络堆叠均视为本发明的补充。
在一实施例中，在所述步骤S30：将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之后，所述方法还包括以下步骤：
确定所述检测结果为发生电弧故障时，则执行故障数计数加一操作，否则不进行计数操作；
在累积故障数大于设定数量时，通过脱口装置断开线路。
需要说明的是，Arc-1DCNN模型计算出电流数据对应的种类标签，判断是否发生电弧故障，如果发生故障，则进行故障数计数加一操作；如果未发生故障，则不操作；当累积故障数大于14个时，通过脱口装置断开线路。
本实施例克服了传统检测方法需要主观选择电弧特征量和特征阈值选取困难的难题，不需要人为选择电弧特征量，不需要设置特征阈值，不受负载电流大小的影响；并且使用干路电流作为输入，相对于其他信号：电压、温度、电磁等物理量更易获取，方便实际工况下进行信号采集。
如图5所示，在所述步骤S30：将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之前，所述方法还包括以下步骤：
S1、采集故障电弧实验平台的电流信号；
S2、利用参数型维纳滤波器对所述电流信号进行增强处理，得到增强数据集；
S3、利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型。
在一实施例中，如图6所示，所述故障电弧实验平台包括采用串联方式连接的故障电弧发生装置、交流电源和不同类型的负载，所述故障电弧发生装置和所述负载之间连接有开关，所述交流电源和所述故障电弧发生装置连接有电流采集装置；
所述电流采集装置用于采集故障电弧实验平台主干路的电流信号，所述电流信号包括正常态的主路电流信号和故障态的主路电流信号。
其中，所述电流采集装置包括电流互感器、采样电阻和信号采集卡，电路互感器的输出还练级示波器。
其中，所述故障电弧发生装置用于模拟实际用电线路中的故障电弧；所述电流互感器用于感应主干路的电流信号，与所述采样电阻、所述采集卡配合，进行电流数据的采集；所述示波器用于实时显示实验过程中的电流波形；所述不同类型负载用于模拟不同工况下的线路故障。
在本实施案例中，不同类型负载包括：白炽灯、空调、电脑及白炽灯与空调的组合，包含了阻性负载、感性负载及开关电源，总共有八个组别的数据：电阻性负载正常数据、电阻性负载故障数据、电感性负载正常数据、电感性负载故障数据、开关电源负载正常数据、开关电源负载故障数据、电阻性负载和电感性负载正常数据、电阻性负载和电感性负载故障数据。
在一实施例中，在所述步骤步骤S1：采集故障电弧实验平台的电流信号之后，所述方法还包括以下步骤：
按照工频周期对所述电流信号进行分割，得到电弧数据集；
使用高通滤波器提取所述电弧数据集中电弧数据的电路噪声；
基于所述电弧数据集和所述电路噪声，构建参数型维纳滤波器。
本实施例针对分别采集八个组别的实验数据，采样时间间隔为1秒，将采集到的数据按照工频周期进行划分，构建原始电弧数据集。具体为对采集到的电流信号，按照工频周期(0.02s)进行分割，得到电弧数据集。所述时频分析指针对不同负载类型的电流信号，分别采用快速傅里叶变换，结合频谱以及时域波形，分析不同负载类型的图形差异。
通过对不同组别的实验数据进行时频分析，使用高通滤波器提取电路噪声，图7显示的是白炽灯发生故障时和正常工作噪声的频谱。结合电弧相关的理论知识以及大量实验验证，选择合适的参数构建参数型维纳滤波器，进行原始电流信号的信号增强。
在一实施例中，所述步骤S3：所述利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型，具体包括以下步骤：
将所述增强数据集按照比例划分为训练数据集和测试数据集；
将所述训练数据集作为所述电弧检测模型的输入，通过不断迭代来更新网络中卷积层及全连接层的权重和偏置，得到损失函数损失值最小的一组参数值作为模型参数，其中，所述损失函数使用交叉熵损失函数，公式表示为：
式中：m表示批量大小，n表示数据维度，P(xi，j)表示输入数据的真实分布，Q(xi，j)表示网络预测的概率分布；
利用所述测试数据集对所述电弧检测模型进行检测，并调整超参数直至满足测试要求。
具体地，本实施例使用增强后的信号构建增强数据集，并按照7∶1∶2的比例划分为训练集、验证集及测试集；利用所述训练集训练电弧检测模型；利用所述验证集对训练后的电弧检测模型的参数进行调整；利用所述测试集对训练好的电弧检测模型的性能进行测试。
将增强数据集作为Arc-1DCNN模型的训练输入，输出类别为正常和故障两类；网络模型的训练如下：Arc-1DCNN模型使用Kaiming初始化权重和偏置，使用交叉熵损失函数作为优化的目标函数。将增强数据集的训练集和验证集分批次输入Arc-1DCNN中，通过不断迭代来更新网络中卷积层及全连接层的权重和偏置，最终得到损失函数损失值最小的一组参数值，整个Arc-1DCNN模型包括网络结构及其参数。其训练过程流程图如图5所示。训练过程中需要根据网络模型的表现情况，适当进行超参数的调整。所述调整相应超参数指在训练开始前调整学习率、批量数据大小、训练迭代周期及权重衰减系数。在本实施案例中，Arc-1DCNN模型对应的超参数设置如图8所示。其中，超参数的设置是网络训练中逐步确立的，但并不是唯一解，其他相似的超参数设置均视为本发明的扩充。Arc-1DCNN模型的训练误差变化如图9所示，测试结果如图10所示。具体地，利用训练好的电弧检测模型进行电弧检测的表现情况如图11所示。
本实施例使用了反向梯度传播法进行网络参数优化，在寻找模型最佳参数的迭代过程中，不同的迭代周期中使用了两种不同的优化器，以达到模型快速稳定学习的目的。
如图12所示，本发明第二实施例提出了一种故障电弧检测系统，所述系统包括：
采集模块10，用于采集待检测线路的电流波形；
增强模块20，用于对所述电流波形进行增强处理，得到电流增强信号；
检测模块30，用于将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
本实施例通过对电流波形进行信号增强，减少了由于线路老化、电网污染及用电设备电磁泄露等原因导致的电路噪声对故障电弧特征的影响，提高了检测的稳定性和精度；通过借助卷积神经网络的特征自提取能力，可以满足多负载类型的检测，扩大了故障电弧检测装置所能检测的实际工况范围；使用残差连接构建深度神经网络，缓解深度网络出现的梯度消失和梯度爆炸现象；通过添加压缩激励模块，可以在几乎不增加模型复杂度的前提下，提高模型对故障电弧畸变特征的提取，显著提高了故障电弧检测的准确率。
在一实施例中，所述增强模块20，具体用于：
采用参数型维纳滤波器对所述电流波形进行增强处理，得到所述电流增强信号，其中，所述参数型维纳滤波器的公式表示为：
式中：Pxx(ωk)是纯净信号的功率谱，Pnn(ωk)是噪声信号的功率谱，ξk是先验信噪比，α、β是可调参数。
在一实施例中，所述压缩激励模块包括依次连接的通道注意力机制网络和空间注意力机制网络，所述通道注意力机制网络采用全局最大池化操作，所述空间注意力机制网络采用全局平均池化操作；
所述残差模块的输出与所述通道注意力机制网络的输入连接。
在一实施例中，所述系统还包括故障处理模块，用于：
确定所述检测结果为发生电弧故障时，则执行故障数计数加一操作，否则不进行计数操作；
在累积故障数大于设定数量时，通过脱口装置断开线路。
在一实施例中，所述系统还包括模型训练模块，具体包括：
样本数据采集单元，用于采集故障电弧实验平台的电流信号；
信号增强单元，用于利用参数型维纳滤波器对所述电流信号进行增强处理，得到增强数据集；
训练单元，用于利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型。
在一实施例中，所述故障电弧实验平台包括采用串联方式连接的故障电弧发生装置、交流电源和不同类型的负载，所述故障电弧发生装置和所述负载之间连接有开关，所述交流电源和所述故障电弧发生装置连接有电流采集装置；
所述电流采集装置用于采集故障电弧实验平台主干路的电流信号，所述电流信号包括正常态的主路电流信号和故障态的主路电流信号。
在一实施例中，所述系统还包括时域分析模块，具体用于：
按照工频周期对所述电流信号进行分割，得到电弧数据集；
使用高通滤波器提取所述电弧数据集中电弧数据的电路噪声；
基于所述电弧数据集和所述电路噪声，构建参数型维纳滤波器。
在一实施例中，所述训练单元，具体用于：
将所述增强数据集按照比例划分为训练数据集和测试数据集；
将所述训练数据集作为所述电弧检测模型的输入，通过不断迭代来更新网络中卷积层及全连接层的权重和偏置，得到损失函数损失值最小的一组参数值作为模型参数，其中，所述损失函数使用交叉熵损失函数，公式表示为：
式中：m表示批量大小，n表示数据维度，P(xi，j)表示输入数据的真实分布，Q(xi，j)表示网络预测的概率分布；
利用所述测试数据集对所述电弧检测模型进行检测，并调整超参数直至满足测试要求。
需要说明的是，本发明所述故障电弧检测系统的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
此外，本发明第三实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上第一实施例所述的故障电弧检测方法。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种故障电弧检测方法，其特征在于，所述方法包括：
采集待检测线路的电流波形；
对所述电流波形进行增强处理，得到电流增强信号；
将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
2.如权利要求1所述的故障电弧检测方法，其特征在于，所述对所述电流波形进行增强处理，得到电流增强信号，包括：
采用参数型维纳滤波器对所述电流波形进行增强处理，得到所述电流增强信号，其中，所述参数型维纳滤波器的公式表示为：
式中：Pxx(ωk)是纯净信号的功率谱，Pnn(ωk)是噪声信号的功率谱，ξk是先验信噪比，α、β是可调参数。
3.如权利要求1所述的故障电弧检测方法，其特征在于，所述压缩激励模块包括依次连接的通道注意力机制网络和空间注意力机制网络，所述通道注意力机制网络采用全局最大池化操作，所述空间注意力机制网络采用全局平均池化操作；
所述残差模块的输出与所述通道注意力机制网络的输入连接。
4.如权利要求1所述的故障电弧检测方法，其特征在于，在所述将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之后，所述方法还包括：
确定所述检测结果为发生电弧故障时，则执行故障数计数加一操作，否则不进行计数操作；
在累积故障数大于设定数量时，通过脱口装置断开线路。
5.如权利要求1所述的故障电弧检测方法，其特征在于，在所述将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果之前，所述方法还包括：
采集故障电弧实验平台的电流信号；
利用参数型维纳滤波器对所述电流信号进行增强处理，得到增强数据集；
利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型。
6.如权利要求5所述的故障电弧检测方法，其特征在于，所述故障电弧实验平台包括采用串联方式连接的故障电弧发生装置、交流电源和不同类型的负载，所述故障电弧发生装置和所述负载之间连接有开关，所述交流电源和所述故障电弧发生装置连接有电流采集装置；
所述电流采集装置用于采集故障电弧实验平台主干路的电流信号，所述电流信号包括正常态的主路电流信号和故障态的主路电流信号。
7.如权利要求5所述的故障电弧检测方法，其特征在于，在所述采集故障电弧实验平台的电流信号之后，所述方法还包括：
按照工频周期对所述电流信号进行分割，得到电弧数据集；
使用高通滤波器提取所述电弧数据集中电弧数据的电路噪声；
基于所述电弧数据集和所述电路噪声，构建参数型维纳滤波器。
8.如权利要求5所述的故障电弧检测方法，其特征在于，所述利用所述增强数据集对电弧检测模型进行训练，得到训练好的电弧检测模型，包括：
将所述增强数据集按照比例划分为训练数据集和测试数据集；
将所述训练数据集作为所述电弧检测模型的输入，通过不断迭代来更新网络中卷积层及全连接层的权重和偏置，得到损失函数损失值最小的一组参数值作为模型参数，其中，所述损失函数使用交叉熵损失函数，公式表示为：
式中：m表示批量大小，n表示数据维度，P(xi,j)表示输入数据的真实分布，Q(xi,)表示网络预测的概率分布；
利用所述测试数据集对所述电弧检测模型进行检测，并调整超参数直至满足测试要求。
9.一种故障电弧检测系统，其特征在于，所述系统包括：
采集模块，用于采集待检测线路的电流波形；
增强模块，用于对所述电流波形进行增强处理，得到电流增强信号；
检测模块，用于将所述电流增强信号输入至预先训练好的电弧检测模型，得到与所述电流波形对应的电弧故障检测结果；
其中，所述电弧检测模型包括依次连接的输入层、特征提取层和输出层，所述特征提取层包括依次连接的若干残差模块，且每个所述残差模块的输出连接有压缩激励模块，所述残差模块的输出与所述压缩激励模块的输出线性叠加后再与所述残差模块的输入数据线性叠加输出。
10.一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，实现如权利要求1-8中任一项所述的故障电弧检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310209310.3A CN116298725A (zh) | 2023-03-01 | 2023-03-01 | 故障电弧检测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310209310.3A CN116298725A (zh) | 2023-03-01 | 2023-03-01 | 故障电弧检测方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116298725A true CN116298725A (zh) | 2023-06-23 |
Family
ID=86802552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310209310.3A Pending CN116298725A (zh) | 2023-03-01 | 2023-03-01 | 故障电弧检测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298725A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
-
2023
- 2023-03-01 CN CN202310209310.3A patent/CN116298725A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis | |
| CN110174610B (zh) | 一种基于卷积神经网络来获取交流接触器电寿命的方法 | |
| 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 | |
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
| CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
| CN118378198B (zh) | 一种输电线路污闪故障预测方法及系统 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN114528883A (zh) | 一种风电变流器igbt故障识别方法 | |
| CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
| CN115508673A (zh) | 一种基于多域深度特征联合的串联电弧故障检测方法 | |
| CN118275822A (zh) | 一种电缆早期故障诊断系统及其方法 | |
| CN116973677A (zh) | 基于空洞卷积与注意力机制的配网单相接地故障选线方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| Uckol et al. | Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations | |
| Liao et al. | Recognizing noise-influenced power quality events with integrated feature extraction and neuro-fuzzy network | |
| CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
| CN117805627A (zh) | 电池故障诊断方法、装置和存储介质 | |
| CN111597925A (zh) | 一种基于dcnn的电力系统暂态信号分析方法 | |
| Hagh et al. | Improving bad data detection in state estimation of power systems | |
| CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
| CN115856504A (zh) | 一种串联电弧故障的检测方法和系统 |
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 |