CN116610986A - 电弧故障检测模型的训练、电弧故障检测方法及电子设备 - Google Patents
电弧故障检测模型的训练、电弧故障检测方法及电子设备 Download PDFInfo
- Publication number
- CN116610986A CN116610986A CN202310698556.1A CN202310698556A CN116610986A CN 116610986 A CN116610986 A CN 116610986A CN 202310698556 A CN202310698556 A CN 202310698556A CN 116610986 A CN116610986 A CN 116610986A
- Authority
- CN
- China
- Prior art keywords
- arc
- detection data
- arc detection
- frequency band
- data
- 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 521
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000011176 pooling Methods 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 25
- 238000012800 visualization Methods 0.000 claims description 23
- 238000010891 electric arc Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 20
- 238000001228 spectrum Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本公开提供了一种电弧故障检测模型的训练、电弧故障检测方法及电子设备,可以应用于电弧检测技术领域。该方法包括:利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,其中,频段重要度表征与电弧检测数据对应的频段的重要程度;利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据;利用至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。
Description
技术领域
本公开涉及电弧检测技术领域,尤其涉及一种电弧故障检测模型的训练、电弧故障检测方法及电子设备。
背景技术
电弧故障是影响系统安全的威胁之一。例如,在光伏系统中,光伏发电的能量来自于太阳能,在发电过程中不会造成环境污染,且发电量可观,使其成为分布式电力系统的重要组成部分。但是,由于光伏系统电压可达到800V,这使得电弧故障成为影响光伏系统安全的威胁之一。光伏系统电弧故障会产生20000K的高温,容易引发电气火灾。
在实现本公开构思的过程中,发明人发现至少存在如下问题:对电弧故障检测的准确度较低。
发明内容
鉴于上述问题,本公开提供了电弧故障检测模型的训练、电弧故障检测方法及电子设备。
本公开的第一方面提供了一种电弧故障检测模型的训练方法,包括:
利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,其中,频段重要度表征与电弧检测数据对应的频段的重要程度;
利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据;以及
利用至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。
根据本公开的实施例,注意力模块包括第一池化层、卷积层和第一激活层;
其中,利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,包括:
利用与第一电弧故障检测模型对应的第一池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第一池化数据;
利用与第一电弧故障检测模型对应的卷积层处理至少一个第一池化数据,得到至少一个卷积数据;以及
利用与第一电弧故障检测模型对应的第一激活层处理至少一个卷积数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二池化层、第三池化层、第一全连接层和第二激活层;
其中,利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,包括:
利用与第一电弧故障检测模型对应的第二池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第二池化数据;
利用与第一电弧故障检测模型对应的第三池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第三池化数据;
利用与第一电弧故障检测模型对应的第一全连接层处理与至少一个电弧检测数据各自对应的第二池化数据和第三池化数据,得到与至少一个电弧检测数据各自对应的全连接数据;以及
利用与第一电弧故障检测模型对应的第二激活层处理与至少一个电弧检测数据各自对应的全连接数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二全连接层。
根据本公开的实施例,利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据,包括:
根据与至少一个电弧检测数据各自对应的频段,确定与至少一个电弧检测数据各自对应的电弧检测数据集,其中,电弧检测数据集与频段区间对应;
根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间;以及
将与至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为目标电弧检测数据。
根据本公开的实施例,根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间,包括:
根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度;以及
根据与至少一个电弧检测数据集各自对应的综合频段重要度,从至少一个频段区间中确定至少一个目标频段区间。
根据本公开的实施例,根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度,包括:
针对至少一个电弧检测数据集中的每个电弧检测数据集,
根据与电弧检测数据集对应的至少一个频段重要度,确定与电弧检测数据集对应的统计重要度;以及
将与电弧检测数据集对应的统计重要度确定为与电弧检测数据集对应的综合频段重要度。
根据本公开的实施例,上述电弧故障检测模型的训练方法还包括:
根据预设时间窗对至少一个初始电弧检测数据进行切分,得到与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据;
对与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据进行频域变换,得到与至少一个初始电弧检测数据各自对应的频域电弧检测数据;以及
对至少一个频域电弧检测数据进行归一化处理,得到至少一个电弧检测数据。
根据本公开的实施例,上述电弧故障检测模型的训练方法还包括:
对至少一个目标电弧检测数据进行可视化处理,得到可视化结果;以及
根据可视化结果调整至少一个目标电弧检测数据。
本公开的第二方面提供了一种电弧故障检测方法,包括:
获取待检测电弧数据;以及
将待检测电弧数据输入至目标电弧故障检测模型,输出电弧故障检测结果;
其中,目标电弧故障检测模式是利用根据本公开实施例的电弧故障检测模型的训练方法训练得到的。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
根据本公开提供的电弧故障检测模型的训练方法、设备及电弧故障检测方法,通过与至少一个电弧检测数据各自对应的频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据,可以减少训练第二电弧故障检测模型的数据量,从而可以提高目标电弧故障检测模型的训练速度,并且,利用注意力模块得到频段重要度,可以更好的根据电弧检测数据对应的频段的重要程度确定至少一个目标电弧检测数据,减少无用电弧检测数据对第二电弧故障检测模型的干扰,提高目标电弧故障检测模型的准确度。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的应用场景图;
图2示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的流程图;
图3A示意性示出了根据本公开实施例的第一电弧故障检测模型的结构示意图;
图3B示意性示出了根据本公开实施例的第一电弧故障检测模型的训练结果示意图;
图4A示意性示出了根据本公开实施例的电弧检测数据的频段示意图;
图4B示意性示出了根据本公开实施例的存在电弧故障的电弧检测数据的统计重要度的示意图;
图4C示意性示出了根据本公开实施例的不存在电弧故障的电弧检测数据的统计重要度的示意图;
图4D示意性示出了根据本公开实施例的目标电弧检测数据的频段示意图;
图5示意性示出了根据本公开实施例的目标电弧检测模型的训练结果示意图;
图6示意性示出了根据本公开实施例的电流信号波形图;
图7A示意性示出了根据本公开实施例的预设时间窗为2ms的电流信号的频域特征分析频谱图;
图7B示意性示出了根据本公开实施例的预设时间窗为10ms的电流信号的频域特征分析频谱图;
图7C示意性示出了根据本公开实施例的预设时间窗为50ms的电流信号的频域特征分析频谱图;
图8A示意性示出了根据本公开实施例目标电弧检测数据的可视化结果的示意图;
图8B示意性示出了根据本公开实施例的初始电弧检测数据的初始可视化结果的示意图;
图8C示意性示出了根据本公开实施例的频域电弧检测数据的频域可视化结果的示意图;
图8D示意性示出了根据本公开实施例的逆变器启动过程的电流变化示意图;
图9示意性示出了根据本公开实施例的电弧故障检测方法的流程图;
图10示意性示出了根据本公开实施例的电弧故障检测模型的训练装置的结构框图;
图11示意性示出了根据本公开实施例的电弧故障检测装置的结构框图;以及
图12示意性示出了根据本公开实施例的适于实现电弧故障检测模型的训练方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
以系统为光伏系统为例,由于光伏系统电弧故障所引发火灾的危害较大。因此,对电弧故障的检测方法是研究的重点。光伏电弧故障分为串联电弧故障、并联电弧故障和接地电弧故障。并联电弧故障和接地电弧故障因为电流较大,容易被过载保护断路器所切断。但是串联电弧故障因负载限制,产生的电流小于正常电流,难以被传统过载保护断路器等传统保护装置保护。
阈值检测法是一种电弧故障检测的方法,阈值检测法基于电弧的电压和电流的时频域特征,依赖人为设定的故障电弧识别阈值。其优点是算法简单,便于低成本实现。但是,系统不同运行工况下故障电弧时频域特征量的变化范围不同,依靠工程经验难以准确设定故障识别阈值。针对光伏系统中逆变器为电力电子化设备,容易在母线电流中产生较强的传导干扰,且其频带与电弧电流频带相重叠,影响故障电弧识别准确率。为了避免频繁误动带来的不便,需要调高故障识别阈值,但是又增加了保护拒动作概率。
有鉴于此,本公开的实施例提供了一种电弧故障检测模型的训练方法,包括:利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,其中,频段重要度表征与电弧检测数据对应的频段的重要程度;利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据;利用至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。
通过与至少一个电弧检测数据各自对应的频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据,可以减少训练第二电弧故障检测模型的数据量,从而可以提高目标电弧故障检测模型的训练速度,并且,利用注意力模块得到频段重要度,可以更好的根据电弧检测数据对应的频段的重要程度确定至少一个目标电弧检测数据,减少无用电弧检测数据对第二电弧故障检测模型的干扰,提高目标电弧故障检测模型的准确度。
图1示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的电弧故障检测模型的训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的电弧故障检测模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的电弧故障检测模型的训练方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的电弧故障检测模型的训练装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的流程图。
如图2所示,该实施例的电弧故障检测模型的训练方法包括操作S210~操作S230。
在操作S210,利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,其中,频段重要度表征与电弧检测数据对应的频段的重要程度。
在操作S220,利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据。
在操作S230,利用至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。
根据本公开的实施例,至少一个电弧检测数据可以是存在电弧故障的数据,还可以是不存在电弧故障的数据。
根据本公开的实施例,第一电弧故障检测模型可以是预先训练好用于检测电弧故障的模型。第一电弧故障检测模型可以是根据至少一个电弧检测数据训练得到的。
根据本公开的实施例,第一电弧故障检测模型中可以包括注意力模块。注意力模块可以决定第一电弧故障检测模型需要关注输入数据的哪一部分。
根据本公开的实施例,频段重要度可以是一个数值,可以设置频段重要度阈值,根据频段重要度与频段重要度阈值的比较结果,从至少一个电弧检测数据中确定至少一个目标电弧检测数据。
根据本公开的实施例,频段重要度可以是一个等级,可以预先设置频段重要度等级,根据频段重要度的等级,从至少一个电弧检测数据中确定至少一个目标电弧检测数据。
根据本公开的实施例,由于至少一个目标电弧检测数据是根据频段重要度从至少一个电弧检测数据中确定的,因此,至少一个目标电弧检测数据可以是更能体现电弧故障的数据。
根据本公开的实施例,第二电弧故障检测模型可以是用于检测电弧故障的模型。
根据本公开的实施例,第二电弧故障检测模型的模型结构可以与第一电弧故障检测模型的模型结构相同的结构,也可以是与第一电弧故障检测模型的模型结构不同的结构。
根据本公开的实施例,注意力模块使得第一电弧故障检测模型对电弧检测数据的检测结果具有了可解释性,即可以根据频段重要度确定第一电弧故障检测模型对电弧检测数据中的电弧特征的识别情况。
根据本公开的实施例,通过与至少一个电弧检测数据各自对应的频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据,可以减少训练第二电弧故障检测模型的数据量,从而可以提高目标电弧故障检测模型的训练速度,并且,利用注意力模块得到频段重要度,可以更好的根据电弧检测数据对应的频段的重要程度确定至少一个目标电弧检测数据,减少无用电弧检测数据对第二电弧故障检测模型的干扰,提高目标电弧故障检测模型的准确度。
根据本公开的实施例,注意力模块包括第一池化层、卷积层和第一激活层。
利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,包括:利用与第一电弧故障检测模型对应的第一池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第一池化数据。利用与第一电弧故障检测模型对应的卷积层处理至少一个第一池化数据,得到至少一个卷积数据。利用与第一电弧故障检测模型对应的第一激活层处理至少一个卷积数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,第一池化层可以是全局平均池化层。全局平均池化层可以代替全连接层接收电弧检测数据,并且全局平均池化层可以接收任意尺寸的输入特征图。
根据本公开的实施例,可以将至少一个电弧检测数据转换为与至少一个电弧检测数据对应的至少一个电弧输入特征图,将至少一个电弧输入特征图输入至第一池化层,得到与至少一个电弧检测数据各自对应的第一池化数据。
根据本公开的实施例,卷积层可以对至少一个第一池化数据进行卷积,提取第一池化数据中的特征,得到至少一个卷积数据。
根据本公开的实施例,第一激活层可以是利用Sigmoid激活函数进行激活的激活层。
根据本公开的实施例,注意力模块可以有多个通道,通过第一激活层对至少一个卷积数据进行处理,可以得到注意力模块各个通道的权重,从而根据各个通道的权重得到注意力模块的输出数据,根据注意力模块的输出数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二池化层、第三池化层、第一全连接层和第二激活层。
利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,包括:利用与第一电弧故障检测模型对应的第二池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第二池化数据。利用与第一电弧故障检测模型对应的第三池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第三池化数据。利用与第一电弧故障检测模型对应的第一全连接层处理与至少一个电弧检测数据各自对应的第二池化数据和第三池化数据,得到与至少一个电弧检测数据各自对应的全连接数据。利用与第一电弧故障检测模型对应的第二激活层处理与至少一个电弧检测数据各自对应的全连接数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,第二池化层可以是全局平均池化层,第三池化层可以是全局最大池化层。
根据本公开的实施例,第二池化层和第三池化层可以并行对至少一个电弧检测数据进行处理,分别得到第二池化数据和第三池化数据。至少一个电弧检测数据的大小可以是H*W*C,第二池化层和第三池化层的通道可以是1*1*C,不同的通道可以可以提取不同的特征。
根据本公开的实施例,第二池化层得到的第二池化数据和第三池化层得到的第三池化数据,可以共用一个第一全连接层,利用第一全连接层得到全连接数据。
根据本公开的实施例,第二激活层可以是Sigmoid激活函数进行激活的激活层。
根据本公开的实施例,全连接数据通过第二激活层可以得到注意力模块的输出数据,从而基于输出数据得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二全连接层。
根据本公开的实施例,注意力模块是利用第一电弧故障检测模型训练得到的,下面介绍第一电弧故障检测模型的训练过程。
图3A示意性示出了根据本公开实施例的第一电弧故障检测模型的结构示意图。
如图3所示,第一电弧故障检测模型可以包括注意力模块,4个一维卷积层和4个最大池化层后接三个第三全连接层。
根据本公开的实施例,注意力模块可以是前述实施例中的任意一种结构。例如,注意力模块可以是包括第二全连接层的结构,注意力模块还可以包括乘积层。至少一个电弧故障检测数据可以第二全连接层获取每个输入通道的权重,再经过乘积层将原始输入数据与全连接层得到的权重相乘,得到注意力模块的输出数据。将注意力模块的输出数据传输到第一电弧故障检测模型的一维卷积层。每个一维卷积层后边执行RELU函数的激活操作且后接一个最大池化层。
如图3中所示,至少一个电弧故障检测数据在注意力模块的输入大小可以是1000x1,第一个和第三个一维卷积层可以各拥有96个滤波器,第二个一维卷积层可以有128个滤波器,第四个一维卷积层可以有64个滤波器,且一维卷积层的滤波器大小都为5*1,最大池化层的大小为2*1,步长为1,可以有效减少特征图的大小提高计算效率。在最后一个最大池化层之后执行扁平化操作将数据降维,且在Flatten操作后接三个神经元数量分别为64,32和2的第三全连接层。输出层为分类层,输出层可以包括两个神经元,两个神经元分别对应至少一个电弧检测数据的运行状态,运行状态可以是存在电弧故障或不存在电弧故障。根据最后的输出结果,可以使用softmax函数将分数转化为总和为1的概率,取概率大的那一类作为最终分类状态。
根据本公开的实施例,第一电弧故障检测模型的训练过程可以使用以下公式(1)~公式(6)。
E=ωx+b (1)
y=Wx (3)
ReLU(x)=Max(0,x) (5)
其中,x表示至少一个电弧检测数据,E表示第二全连接层的输出数据,ω表示至少电弧检测数据在注意力模块的权重,b表示偏置矩阵,ei表示T个电弧检测数据中的第i个电弧检测数据在第二全连接层的输出数据,W表示第i个电弧检测数据的频段重要度,y表示注意力模块的输出数据,f是一维卷积层的卷积向量,k表示一维卷积层的卷积核,j表示r卷积核中的第j和卷积核,N表示训练数据总数,表示预测结果,yj表示第一电弧检测模型的输出结果。
根据本公开的实施例,第一电弧故障检测模型可以使用一维卷积提取电弧特征。由多层一维卷积层组成的特征提取层通过多次前向传播和反向传播优化网络参数。在前向传输过程中,输入特征通过卷积层并由每层的激活函数产生输出特征。在反向传输过程中,通过误差函数计算输出和训练标签的误差,并将误差函数反向传递回各层,最终通过梯度下降公式更新网络参数。
图3B示意性示出了根据本公开实施例的第一电弧故障检测模型的训练结果示意图。
如图3B所示,验证集的准确率与训练集的准确率较为接近,第一电弧故障检测模型没有过拟合。表1所示为第一电弧故障检测模型的混淆矩阵。为了评估模型性能,根据表1的混淆矩阵计算了准确率,召回率以及精确率。第一电弧故障检测模型准确率为97.04%,召回率为98.03%,精确率为96.00%,准确率和召回率都达到了96%以上。
表1
根据本公开的实施例,通过注意力模块得到与至少一个电弧检测数据各自对应的频段重要度,可以有效的提取电弧检测数据中电弧的特征。
根据本公开的实施例,利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据,包括:根据与至少一个电弧检测数据各自对应的频段,确定与至少一个电弧检测数据各自对应的电弧检测数据集,其中,电弧检测数据集与频段区间对应。根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间。将与至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为目标电弧检测数据。
根据本公开的实施例,频段区间可以是根据至少一个电弧检测数据的频率范围预先划分好的频域区间。例如,电弧检测数据的频率范围可以是10kHz~100kHz,频段区间可以是每10kHz一个区间,得到9个频段区间,也可以是以5kHz为步长,得到17个频段区间。
根据本公开的实施例,与至少一个电弧检测数据各自对应的频段可以是根据至少一个电弧检测数据的频率确定的。例如,电弧检测数据的频率是16kHz,可以确定电弧检测数据的频段是10kHz~20kHz或者15kHz~25kHz。
根据本公开的实施例,根据与至少一个电弧检测数据各自对应的频段,可以与频段区间进行对比,将和与至少一个电弧检测数据各自对应的频段相同的频段区间对应的电弧检测数据集,确定为与至少一个电弧检测数据各自对应的电弧检测数据集。
根据本公开的实施例,根据电弧检测数据集中的电弧检测数据对应的频段重要度,对频段区间进行排序,确定目标频段区间,从而将与至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为目标电弧检测数据。
根据本公开的实施例,通过与电弧检测数据集对应的频段区间确定至少一个目标频段区间,可以将电弧检测数据划分的更加精细,更加便于确定目标电弧检测数据。
根据本公开的实施例,根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间,包括:根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度。根据与至少一个电弧检测数据集各自对应的综合频段重要度,从至少一个频段区间中确定至少一个目标频段区间。
根据本公开的实施例,综合频段重要度可以表征与电弧检测数据集对应的频段区间的重要程度。
根据本公开的实施例,综合频段重要度可以是根据电弧检测数据集中的至少一个电弧检测数据确定。
根据本公开的实施例,可以根据综合频段重要度的大小,确定与电弧检测数据集对应的频段区间的重要程度,根据频段区间的重要程度,确定至少一个目标频段区间。
根据本公开的实施例,根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度,可以包括:针对至少一个电弧检测数据集中的每个电弧检测数据集:根据与电弧检测数据集对应的至少一个频段重要度,确定与电弧检测数据集对应的统计重要度。将与电弧检测数据集对应的统计重要度确定为与电弧检测数据集对应的综合频段重要度。
根据本公开的实施例,可以计算与电弧检测数据集对应的所有频段重要重要度相加的求和结果,将求和结果确定为与电弧检测数据集对应的统计重要度。还可以计算与电弧检测数据集对应的所有频段重要度的平均结果,将平均结果确定为与电弧检测数据集对应的统计重要度。还可以计算与电弧检测数据集对应的所有频段重要度的最大值,将最大值确定为与电弧检测数据集对应的统计重要度。
图4A示意性示出了根据本公开实施例的电弧检测数据的频段示意图。
图4B示意性示出了根据本公开实施例的存在电弧故障的电弧检测数据的统计重要度的示意图。
图4C示意性示出了根据本公开实施例的不存在电弧故障的电弧检测数据的统计重要度的示意图。
图4D示意性示出了根据本公开实施例的目标电弧检测数据的频段示意图。
如图4A所示,电弧检测数据的频谱的频率范围为3kHz~125kHz。但是高频段的能量谱中,存在电弧故障的电弧检测数据和不存在电弧故障的电弧检测数据的频谱存在高度重合。例如,高频段可以包括30kHz以后的频段。重合频段的频谱对电弧故障识别不会起到积极作用甚至会降低目标电弧故障检测模型的准确率。因此需要科学地选取目标电弧检测数据,降低模型宽度,提高电弧故障的识别准确率。
如4B和图4C所示,电弧检测数据的频谱的频率范围为3kHz~125kHz。以10kHz为频段区间长度,将10kHz频段区间长度内的频段重要度累加得到统计重要度。为了更全面地提取关键特征频段,可以以5kHz为步长,采用重叠采样法对3-125kHz频率区间进行划分,最终得到24个频段区间。
如图4B所示,在识别存在电弧故障的电弧检测数据时,8-23kHz频段区间的统计重要度较明显。如图4C所示,在识别不存在电弧故障的电弧检测数据时,8-18kHz频段区间的统计重要度较明显,28-38kHz频段区间的统计重要度也较明显,并且整个3-125kHz频段的电弧检测数据均可以对识别不存电弧故障的训练起到积极作用。
因此,可以将对应的存在电弧故障的电弧检测数据对应的8-18kHz频段区间、不存在电弧故障的电弧检测数据对应的8-18kHz频段区间和28-38kHz频段区间确定为目标频段区间。将与至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为目标电弧检测数据。目标电弧检测数据的联合频谱如图4D所示。
图5示意性示出了根据本公开实施例的目标电弧检测模型的训练结果示意图。
如图5所示,目标电弧故障检测模型的准确率提升到了99.89%。可以看出,目标电弧故障检测模型的训练准确率和验证准确率上升更快,这是因为目标电弧故障检测模型需要学习的内容少了,并且联合频段可以更好地表示电弧故障。
表2
根据本公开的实验结果,基于注意力模块确定的目标电弧检测数据对第二电弧故障检测模型进行训练,可以大幅度提高电弧故障识别准确率,降低误报率。
根据本公开的实施例,上述电弧故障检测模型的训练方法还包括:根据预设时间窗对至少一个初始电弧检测数据进行切分,得到与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据。对与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据进行频域变换,得到与至少一个初始电弧检测数据各自对应的频域电弧检测数据。对至少一个频域电弧检测数据进行归一化处理,得到至少一个电弧检测数据。
图6示意性示出了根据本公开实施例的电流信号波形图。
如图6所示,与交流系统相比,光伏系统的电流随机性强,无周期性特征,幅值较小,并且还存在与某些干扰下电流波形相似的可能,电弧故障的电流信号与正常的电流信号仅靠原始电流等时域特征难以分辨。若直接使用时域波形作为识别特征,很容易出现误判,因此对直流电弧故障电流进行频域特征分析。
如果直接对示波器采集到的原始直流电弧故障信号进行傅里叶变换,会丢失很多微小的电流突变信息,从而导致频谱不够精准,因此在对故障电弧电流进行特征分析之前,需要确定一个合理大小的时间窗对数据进行分割,得到与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据。
图7A示意性示出了根据本公开实施例的预设时间窗为2ms的电流信号的频域特征分析频谱图。
图7B示意性示出了根据本公开实施例的预设时间窗为10ms的电流信号的频域特征分析频谱图。
图7C示意性示出了根据本公开实施例的预设时间窗为50ms的电流信号的频域特征分析频谱图。
如图7A-7C所示,为了选择合适的时间窗口大小,分别采用2ms、10ms以及50ms的预设时间窗口对同一段8A直流电弧故障电流信号进行分析。直流电弧故障信号频谱频率范围为1kHz~120kHz。由图可知,窗口越小,频谱结果中显示细节越清楚,存在电弧故障的电流频谱和正常电流的电流频谱之间的特征区别越明显,更有利于电弧故障检测模型的识别。但太小的窗口也会增加电弧故障检测模型的实时性要求,对硬件的计算能力提出了更高的要求。因此可以选择10ms时间窗口对至少一个初始电弧检测数据进行切分。
根据本公开的实施例,可以利用离散傅里叶变换将直流电弧故障电流信号在频域中离散化,将时域中的采样转换为频域中的采样,从而给出直流电弧故障信号的频域特征。离散傅里叶变换(DWT)通过预设时间窗将整个直流电弧故障信号划分成若干个等长小信号从而获得信号足够的细节信息。用离散傅里叶变换计算简单,应用门槛低,可以有效区分电弧检测数据的特征,处理结果中只包含频域和幅值信息,对机器学习模型的信息处理能力要求低。而短时傅里叶变换和小波变换虽然也可以区分电弧检测数据的特征,但计算更加复杂,应用门槛较高,不适合电弧故障检测这种实时性要求高的任务。
根据本公开的实施例,与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据中的电流信号在经过离散傅里叶变换后在频域中被离散化,从而实现了频谱特性的研究。假设一个电流信号x(n)为一个长度为N的有限长序列,x(n)的表达式为:
使用离散傅里叶变换对电流信号x(n)进行分析,得到X(k)仍为长度为N的有限长序列,变换过程可表示为:
根据本公开的实施例,将至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据做离散傅里叶变换得到至少一个频域电弧检测数据,由于电弧特征主要在3kHz以后且3kHz以下频段存在低频谐波干扰,容易对电弧故障识别造成影响,所以可以取3-125k的至少一个频域电弧检测数据做归一化得到至少一个电弧检测数据。归一化公式如下:
其中,Xmin为至少一个频域电弧检测数据中的最小值,Xmax为至少一个频域电弧检测数据中的最大值。
根据本公开的实施例,可以采样留出法将至少一个电弧检测数据随机计划分为训练集75%、验证集10%和测试集15%。
根据本公开的实施例,上述电弧故障检测模型的训练方法还包括:对至少一个目标电弧检测数据进行可视化处理,得到可视化结果。
根据可视化结果调整至少一个目标电弧检测数据。
根据本公开的实施例,可以通过流形学习中的降维技术t-SNE来可视化对至少一个目标电弧检测数据进行处理,得到可视化结果。
根据本公开的实施例,还可以将至少一个初始电弧检测数据进行可视化处理,得到初始可视化结果。
根据本公开的实施例,还可以将至少一个频域电弧检测数据进行可视化处理,得到频域可视化结果。
图8A示意性示出了根据本公开实施例目标电弧检测数据的可视化结果的示意图。
图8B示意性示出了根据本公开实施例的初始电弧检测数据的初始可视化结果的示意图。
图8C示意性示出了根据本公开实施例的频域电弧检测数据的频域可视化结果的示意图。
如图8A-8C所示,目标电弧检测数据的可视化结果中,存在电弧故障的目标电弧检测数据和正常的目标电弧检测数据都具有较大的聚类。初始电弧检测数据的初始可视化结果显示了初始电弧检测数据的分布,由于其随机性,很难区分初始电弧检测数据是否存在电弧故障。频域电弧检测数据的频域可视化结果有轻微的重叠但仍然没有很好地聚类。
根据本公开的实施例,光伏电站通常安装在屋顶开放环境,阴影遮挡光伏板会影响产生电流的波动。逆变器的启动过程也会有电流的变化。
图8D示意性示出了根据本公开实施例的逆变器启动过程的电流变化示意图。
图8D示出了逆变器启动过程的电流变化过程。
阴影遮挡和逆变器启动这两种情况都会对电弧故障的检测产生影响。在阴影遮挡和逆变器启动这两种情况下,取60组样本组成数据集进行测试。抗干扰测试的性能总结于表3。
表3
根据本公开的实施例,在逆变器启动干扰测试中,优化前的电弧故障有四次误判,导致准确率下降到93.3%。这是因为逆变器启动和遮阳遮挡都改变了光伏系统的电流大小。时域的瞬态变化也会影响频域特征,导致干扰特征与电弧特征重叠,从而电弧故障检测模型误判。相比之下,逆变器启动时电流变化较快,逆变器中的电力电子器件也会产生开关噪声干扰电弧故障的检测,使得优化前的电弧特征在逆变器启动过程中抗干扰能力较差。该结果验证了目标电弧故障检测模型可解释性提取电弧特征的有效性。
图9示意性示出了根据本公开实施例的电弧故障检测方法的流程图。
如图9所示,该电弧故障检测方法包括操作S910~操作S920。
在操作S910,获取待检测电弧数据。
在操作S920,将待检测电弧数据输入至目标电弧故障检测模型,输出电弧故障检测结果。
根据本公开的实施例,目标电弧故障检测模型是利用根据本公开实施例的电弧故障检测模型的训练方法训练得到的。将待检测电弧数据输入至目标电弧故障检测模型,可以输出对待检测电弧数据的电弧故障检测结果。
根据本公开的实施例,利用本公开实施例的目标电弧故障检测模型进行电弧故障检测,可以提高电弧故障检测的准确度。
基于上述电弧故障检测模型的训练方法,本公开还提供了一种电弧故障检测模型的训练装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本公开实施例的电弧故障检测模型的训练装置的结构框图。
如图10所示,该实施例的电弧故障检测模型的训练装置1000包括第一得到模块1010、确定模块1020和第二得到模块1030。
第一得到模块1010用于利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度,其中,频段重要度表征与电弧检测数据对应的频段的重要程度。在一实施例中,第一得到模块1010可以用于执行前文描述的操作S210,在此不再赘述。
确定模块1020用于利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据。在一实施例中,确定模块1020可以用于执行前文描述的操作S220,在此不再赘述。
第二得到模块1030用于利用至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。在一实施例中,第二得到模块1030可以用于执行前文描述的操作S230,在此不再赘述。
根据本公开的实施例,注意力模块包括第一池化层、卷积层和第一激活层;
其中,用于利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度的第一得到模块1010包括:
第一得到子模块,用于利用与第一电弧故障检测模型对应的第一池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第一池化数据;
第二得到子模块,用于利用与第一电弧故障检测模型对应的卷积层处理至少一个第一池化数据,得到至少一个卷积数据;以及
第三得到子模块,用于利用与第一电弧故障检测模型对应的第一激活层处理至少一个卷积数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二池化层、第三池化层、第一全连接层和第二激活层;
其中,用于利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的频段重要度的第一得到模块1010包括:
第四得到子模块,用于利用与第一电弧故障检测模型对应的第二池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第二池化数据;
第五得到子模块,用于利用与第一电弧故障检测模型对应的第三池化层处理至少一个电弧检测数据,得到与至少一个电弧检测数据各自对应的第三池化数据;
第六得到子模块,用于利用与第一电弧故障检测模型对应的第一全连接层处理与至少一个电弧检测数据各自对应的第二池化数据和第三池化数据,得到与至少一个电弧检测数据各自对应的全连接数据;以及
第七得到子模块,用于利用与第一电弧故障检测模型对应的第二激活层处理与至少一个电弧检测数据各自对应的全连接数据,得到与至少一个电弧检测数据各自对应的频段重要度。
根据本公开的实施例,注意力模块包括第二全连接层。
根据本公开的实施例,用于利用至少一个频段重要度,从至少一个电弧检测数据中确定至少一个目标电弧检测数据的确定模块1020包括:
第一确定子模块,用于根据与至少一个电弧检测数据各自对应的频段,确定与至少一个电弧检测数据各自对应的电弧检测数据集,其中,电弧检测数据集与频段区间对应;
第二确定子模块,用于根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间;以及
第三确定子模块,用于将与至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为目标电弧检测数据。
根据本公开的实施例,用于根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,从至少一个频段区间中确定至少一个目标频段区间的第二确定子模块包括:
第一确定单元,用于根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度;以及
第二确定单元,用于根据与至少一个电弧检测数据集各自对应的综合频段重要度,从至少一个频段区间中确定至少一个目标频段区间。
根据本公开的实施例,用于根据与至少一个电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个电弧检测数据集各自对应的综合频段重要度的第一确定单元包括:
第一确定子单元,用于针对至少一个电弧检测数据集中的每个电弧检测数据集,
第二确定子单元,用于根据与电弧检测数据集对应的至少一个频段重要度,确定与电弧检测数据集对应的统计重要度;以及
第三确定子单元,用于将与电弧检测数据集对应的统计重要度确定为与电弧检测数据集对应的综合频段重要度。
根据本公开的实施例,上述电弧故障检测模型的训练装置还包括:
第三得到模块,用于根据预设时间窗对至少一个初始电弧检测数据进行切分,得到与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据;
第四得到模块,用于对与至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据进行频域变换,得到与至少一个初始电弧检测数据各自对应的频域电弧检测数据;以及
第五得到模块,用于对至少一个频域电弧检测数据进行归一化处理,得到至少一个电弧检测数据。
图11示意性示出了根据本公开实施例的电弧故障检测装置的结构框图。
如图11所示,该实施例的电弧故障检测装置1100包括获取模块1110和输出模块1120。
获取模块1110,用于获取待检测电弧数据。在一实施例中,获取模块1110可以用于执行前文描述的操作S910,在此不再赘述。
输出模块1120,用于将待检测电弧数据输入至目标电弧故障检测模型,输出电弧故障检测结果,其中,目标电弧故障检测模式是利用根据本公开实施例的电弧故障检测模型的训练方法训练得到的。在一实施例中,输出模块1120可以用于执行前文描述的操作S920,在此不再赘述。
根据本公开的实施例,第一得到模块1010、确定模块1020和第二得到模块1030中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一得到模块1010、确定模块1020和第二得到模块1030中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一得到模块1010、确定模块1020和第二得到模块1030中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图12示意性示出了根据本公开实施例的适于实现电弧故障检测模型的训练方法的电子设备的方框图。
如图12所示,根据本公开实施例的电子设备1200包括处理器1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1203中,存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1202和RAM1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1200还可以包括输入/输出(I/O)接口1205,输入/输出(I/O)接口1205也连接至总线1204。电子设备1200还可以包括连接至输入/输出(I/O)接口1205的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至输入/输出(I/O)接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种电弧故障检测模型的训练方法,包括:
利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的频段重要度,其中,所述频段重要度表征与所述电弧检测数据对应的频段的重要程度;
利用所述至少一个频段重要度,从所述至少一个电弧检测数据中确定至少一个目标电弧检测数据;以及
利用所述至少一个目标电弧检测数据训练第二电弧故障检测模型,得到目标电弧故障检测模型。
2.根据权利要求1所述的方法,其中,所述注意力模块包括第一池化层、卷积层和第一激活层;
其中,所述利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的频段重要度,包括:
利用与所述第一电弧故障检测模型对应的第一池化层处理所述至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的第一池化数据;
利用与所述第一电弧故障检测模型对应的卷积层处理至少一个所述第一池化数据,得到至少一个卷积数据;以及
利用与所述第一电弧故障检测模型对应的第一激活层处理所述至少一个卷积数据,得到与所述至少一个电弧检测数据各自对应的频段重要度。
3.根据权利要求1所述的方法,其中,所述注意力模块包括第二池化层、第三池化层、第一全连接层和第二激活层;
其中,所述利用与第一电弧故障检测模型对应的注意力模块处理至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的频段重要度,包括:
利用与所述第一电弧故障检测模型对应的第二池化层处理所述至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的第二池化数据;
利用与所述第一电弧故障检测模型对应的第三池化层处理所述至少一个电弧检测数据,得到与所述至少一个电弧检测数据各自对应的第三池化数据;
利用与所述第一电弧故障检测模型对应的第一全连接层处理与所述至少一个电弧检测数据各自对应的第二池化数据和第三池化数据,得到与所述至少一个电弧检测数据各自对应的全连接数据;以及
利用与所述第一电弧故障检测模型对应的第二激活层处理与所述至少一个电弧检测数据各自对应的全连接数据,得到与所述至少一个电弧检测数据各自对应的频段重要度。
4.根据权利要求1所述的方法,其中,所述注意力模块包括第二全连接层。
5.根据权利要求1~3中任一项所述的方法,其中,所述利用所述至少一个频段重要度,从所述至少一个电弧检测数据中确定至少一个目标电弧检测数据,包括:
根据与所述至少一个电弧检测数据各自对应的频段,确定与所述至少一个电弧检测数据各自对应的电弧检测数据集,其中,所述电弧检测数据集与频段区间对应;
根据与至少一个所述电弧检测数据集各自对应的至少一个频段重要度,从至少一个所述频段区间中确定至少一个目标频段区间;以及
将与所述至少一个目标频段区间各自对应的电弧检测数据集中的电弧检测数据确定为所述目标电弧检测数据。
6.根据权利要求5所述的方法,其中,所述根据与至少一个所述电弧检测数据集各自对应的至少一个频段重要度,从至少一个所述频段区间中确定至少一个目标频段区间,包括:
根据与至少一个所述电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个所述电弧检测数据集各自对应的综合频段重要度;以及
根据与至少一个所述电弧检测数据集各自对应的综合频段重要度,从至少一个所述频段区间中确定所述至少一个目标频段区间。
7.根据权利要求4所述的方法,其中,所述根据与至少一个所述电弧检测数据集各自对应的至少一个频段重要度,确定与至少一个所述电弧检测数据集各自对应的综合频段重要度,包括:
针对至少一个所述电弧检测数据集中的每个电弧检测数据集,
根据与所述电弧检测数据集对应的至少一个频段重要度,确定与所述电弧检测数据集对应的统计重要度;以及
将与所述电弧检测数据集对应的统计重要度确定为与所述电弧检测数据集对应的综合频段重要度。
8.根据权利要求1~3中任一项所述的方法,还包括:
根据预设时间窗对至少一个初始电弧检测数据进行切分,得到与所述至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据;
对与所述至少一个初始电弧检测数据各自对应的至少一个电弧检测区间数据进行频域变换,得到与所述至少一个初始电弧检测数据各自对应的频域电弧检测数据;以及
对至少一个所述频域电弧检测数据进行归一化处理,得到所述至少一个电弧检测数据。
9.根据权利要求1~3中任一项所述的方法,还包括:
对所述至少一个目标电弧检测数据进行可视化处理,得到可视化结果;以及
根据所述可视化结果调整所述至少一个目标电弧检测数据。
10.一种电弧故障检测方法,包括:
获取待检测电弧数据;以及
将所述待检测电弧数据输入至目标电弧故障检测模型,输出电弧故障检测结果;
其中,所述目标电弧故障检测模式是利用根据权利要求1~9中任一项所述的方法训练得到的。
11.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310698556.1A CN116610986A (zh) | 2023-06-13 | 2023-06-13 | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310698556.1A CN116610986A (zh) | 2023-06-13 | 2023-06-13 | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116610986A true CN116610986A (zh) | 2023-08-18 |
Family
ID=87678168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310698556.1A Pending CN116610986A (zh) | 2023-06-13 | 2023-06-13 | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610986A (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 |
-
2023
- 2023-06-13 CN CN202310698556.1A patent/CN116610986A/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 |
---|---|---|
Manohar et al. | Spatio-temporal information based protection scheme for PV integrated microgrid under solar irradiance intermittency using deep convolutional neural network | |
CN102495343B (zh) | 基于超声与紫外信息融合的局部放电检测识别方法及系统 | |
US11255922B2 (en) | Real-time detection of high-impedance faults | |
KR102166323B1 (ko) | 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법 | |
Mohammadi et al. | Detection and classification of multiple power quality disturbances based on temporal deep learning | |
US20140067291A1 (en) | Method and System For Detecting Arc Faults and Flashes Using Wavelets | |
Misák et al. | A complex classification approach of partial discharges from covered conductors in real environment | |
Moravej et al. | Wavelet transform and multi‐class relevance vector machines based recognition and classification of power quality disturbances | |
CN116610986A (zh) | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 | |
Panigrahi et al. | A power quality detection and classification algorithm based on FDST and hyper-parameter tuned light-GBM using memetic firefly algorithm | |
Mishra et al. | Advanced signal processing and machine learning techniques for voltage sag causes detection in an electric power system | |
CN116679161A (zh) | 一种电网线路故障诊断方法、设备和介质 | |
CN110677125A (zh) | 电弧故障检测的方法及装置 | |
Mahela et al. | A hybrid signal processing technique for recognition of complex power quality disturbances | |
CN118152936B (zh) | 基于阻抗谱的电缆分析方法及系统 | |
Pan et al. | Learning approach based DC arc fault location classification in DC microgrids | |
CN113627547B (zh) | 训练方法、电弧检测方法、装置、电子设备及存储介质 | |
Wang et al. | Wavelet transform‐based feature extraction for detection and classification of disturbances in an islanded micro‐grid | |
Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM | |
Arkan et al. | Design and development of travelling‐wave‐frequency‐based transmission line fault locator using TMS320 DSP | |
Wang et al. | Identification of power quality disturbance characteristic based on deep learning | |
Dawood et al. | Power quality disturbance classification based on efficient adaptive Arrhenius artificial bee colony feature selection | |
Wu et al. | Classification of complex power quality disturbances based on modified empirical wavelet transform and light gradient boosting machine | |
Yeh et al. | A comparative study of orthogonal algorithms for detecting the HIF in MDCs | |
CN115774199A (zh) | 新能源电池的故障诊断方法、系统、电子设备与存储介质 |
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 |