CN117454166B - 基于EffNet轻量化模型的致火电弧故障识别方法 - Google Patents
基于EffNet轻量化模型的致火电弧故障识别方法 Download PDFInfo
- Publication number
- CN117454166B CN117454166B CN202311316979.9A CN202311316979A CN117454166B CN 117454166 B CN117454166 B CN 117454166B CN 202311316979 A CN202311316979 A CN 202311316979A CN 117454166 B CN117454166 B CN 117454166B
- Authority
- CN
- China
- Prior art keywords
- arc
- effnet
- learning rate
- training
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 127
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000010248 power generation Methods 0.000 claims abstract description 9
- 230000009191 jumping Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000001816 cooling Methods 0.000 claims description 19
- 230000007423 decrease Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 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
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H9/00—Emergency protective circuit arrangements for limiting excess current or voltage without disconnection
- H02H9/08—Limitation or suppression of earth fault currents, e.g. Petersen coil
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电弧故障识别技术领域,公开了一种基于EffNet轻量化模型的致火电弧故障识别方法,包括:S1、改进EffNet网络模块得到Arc_EffNet网络模块,使电流数据能够作为输入数据通过所述Arc_EffNet网络模块得到输出特征;S2、找到所述Arc_EffNet网络模块的最佳数量和最佳批次尺寸,基于所述最佳数量和最佳批次尺寸堆叠串联搭建所述Arc_EffNet网络模块的致火电弧故障轻量化识别模型;S3、设计学习率下降策略和自动停止策略,对所述致火电弧故障轻量化识别模型进行训练,找出最佳的超参数;S4、将电流数据作为输入数据输入至训练完成后的所述致火电弧故障轻量化识别模型,以识别电弧故障。本发明提高了训练效率,缩短了训练时间,使得电弧故障检测精度高,能够直接降低误动率和拒动率。
Description
技术领域
本发明涉及电弧故障识别技术领域,具体涉及一种基于EffNet轻量化模型的致火电弧故障识别方法。
背景技术
随着我国经济的飞速发展,电能已广泛应用于各行各业,成为国民经济和人民生活的重要支柱。据国家能源局统计,2021年全社会用电量达83128亿千瓦时,同比增长10.3%。随着用电量的持续上升,由用电设备故障和电气线路老化等引起的电气火灾事故也逐年增加[2]。据应急管理部消防救援局统计,2012年至2021年,全国共发生132.4万起居住场所火灾,其中电气火灾占42.7%。2021年,全国共接报火灾74.8万起,已查明由电气直接引发的占比28.4%,而其中超过60%的电气火灾由中低压系统电弧故障引起,位居各类电气火灾原因之首[3-5]。电器插头接触不良、人为操作失误等均可能引起电弧故障,其高温易引燃周围环境易燃物,引发电气火灾,造成巨大损失。串联电弧故障电流波形受负载特性影响大,具有一定的隐蔽性和复杂性,给低压配电系统带来严重的火灾隐患。所以,如何在电弧燃弧初期识别故障电弧,降低故障电弧的危害,提高用电安全性,已经成为国内外学者研究的重点。
传统的串联电弧故障识别方法基于人工提取的电弧电流时频域特征,依靠人为经验设定特征量阈值来识别电弧故障。这种方法采用的时频域算法已有成熟的解决方案,便于在嵌入式平台上实现。但串联电弧故障电流受负载类型、电流等级等因素影响,具有很强的随机性,其时频域特征表现各异,固定的特征量阈值难以有效地识别各种工况下的电弧故障。在具有大量非线性负载的线路中,受高频谐波的干扰,传统的识别方法会出现保护误动作。为了避免误动作,提高算法识别准确率,需设置更高的阈值,这又会导致当电弧故障发生于线性负载线路时出现保护拒动作。研究表明,传统电弧故障断路器(Arc FaultCircuit Interrupter,AFCI)的动作准确率仅有60%左右。
人工智能技术的发展为电弧故障识别提供了新的思路,与传统方法相比,采用卷积神经网络搭建的电弧故障识别模型能自动提取电弧故障电流特征,具有较高的准确率和可靠性。但现有神经网络模型结构复杂,参数量可达数百万,需要大量的存储空间和计算资源,难以应用于嵌入式平台,无法实现对电弧故障的实时保护。
基于人工智能的电弧故障识别方法可以达到比传统识别算法更高的识别准确率。但神经网络模型参数量巨大,难以在嵌入式平台上运行,无法满足电弧检测实时性的要求。Siegel J E搭建了一个浅层的DNN网络进行电弧故障识别,可以在满足实时性要求的同时识别简单工况下的电弧故障。但浅层DNN网络结构简单,表示性差,不适用于复杂工况下的电弧故障识别。
因此,研究轻量化神经网络技术,搭建基于轻量化神经网络的电弧故障识别模型,提高电弧故障识别方法的准确率和可靠性,同时减少网络参数量和计算量,使其能够应用于嵌入式平台,实现电弧故障的在线识别,是电气火灾防护领域亟待解决的关键问题,具有重要的理论意义和广泛的应用前景。
发明内容
本发明提供一种基于EffNet轻量化模型的致火电弧故障识别方法,以提高电弧故障识别方法的准确率和可靠性,同时减少网络参数量和计算量。
本发明通过下述技术方案实现:
一种基于EffNet轻量化模型的致火电弧故障识别方法,包括:
S1、改进EffNet网络模块得到Arc_EffNet网络模块,使电流数据能够作为输入数据通过所述Arc_EffNet网络模块得到输出特征;
S2、分析所述Arc_EffNet网络模块的数量以及批次尺寸对电弧识别准确率的影响,找到所述Arc_EffNet网络模块的最佳数量和最佳批次尺寸,基于所述最佳数量和最佳批次尺寸堆叠串联搭建所述Arc_EffNet网络模块的致火电弧故障轻量化识别模型;
S3、设计学习率下降策略和自动停止策略,对所述致火电弧故障轻量化识别模型进行训练,找出最佳的超参数;
S4、将电流数据作为输入数据输入至训练完成后的所述致火电弧故障轻量化识别模型,以识别电弧故障。
作为优化,所述Arc_EffNet网络模块沿数据的传输方向依次包括作为输入层的第一一维卷积层、作为中间层的空间可分离卷积层和最大池化层以及作为输出层的第二一维卷积层。
作为优化,所述第一一维卷积层的大小为1×1,通道数为ch/2;所述空间可分离卷积层的大小为3×1,步长为1;所述最大池化层的步长为2;所述第二一维卷积层的大小为2×1,步长为2,通道数为ch,ch为MobileNet或ShuffleNet的通道数。
作为优化,S2中,分析所述Arc_EffNet网络模块的数量,找到所述Arc_EffNet网络模块的最佳数量的具体过程为:
A1、找出所述Arc_EffNet网络模块所有合适的数量;
A2、对不同数量的所述Arc_EffNet网络模块形成的致火电弧故障轻量化识别模型进行训练,综合准确率、参数数量找出所述Arc_EffNet网络模块的最佳的数量。
作为优化,A1的具体步骤为:
A1.1、令所述Arc_EffNet网络模块的数量ni=i+1;
A1.2、将输入数据分别经过所述Arc_EffNet网络模块得到输出数据;
A1.3、判断所述输出数据的长度是否不大于所述Arc_EffNet网络模块中其中一个卷积层的维度,若是,则跳转至A1.4,否则,将该所述Arc_EffNet网络模块得到的所述输出数据作为新的输入数据,返回A1.2;
A1.4、收集所有的所述Arc_EffNet网络模块数量N={2,3,···,ni},i为执行A1.2-A1.3的次数。
作为优化,A1.2中,所述Arc_EffNet网络模块中的第一一维卷积层、空间可分离卷积层、第二一维卷积层的计算均采用“same”模式:经过所述第一一维卷积层、空间可分离卷积层、第二一维卷积层进行卷积计算后输出的数据长度为输入数据长度除以对应卷积层的步长,且当某一卷积层进行卷积运算时,若该卷积层的输入数据长度不为该卷积层的步长的整倍数时,对该输入数据补零使输入数据长度为该卷积层的步长的整数倍后再除以该卷积层的步长;所述最大池化层计算采用“valid”模式:当所述最大池化层的输入数据的长度不为所述最大池化层的步长的整倍数时,舍弃该输入数据最后若干位使该输入数据长度为该最大池化层的步长的整数倍后再除以该最大池化层的步长。
作为优化,A2中,综合准确率、参数数量找出所述Arc_EffNet网络模块的最佳的数量的具体判断标准为:
A2.1、优先选取准确率最高的两个所述致火电弧故障轻量化识别模型作为候选致火电弧故障轻量化识别模型;
A2.2、在两个候选致火电弧故障轻量化识别模型中选取参数数量更少的所述致火电弧故障轻量化识别模型所包含的Arc_EffNet网络模块对应的数量作为所述Arc_EffNet网络模块的最佳的数量。
作为优化,S2中,分析所述批次尺寸,找到最佳批次尺寸的具体过程为:
B1、分别选取样本的批次尺寸为32、64、128、256、512、1024训练具有同一数量的所述Arc_EffNet网络模块形成的所述致火电弧故障轻量化识别模型;
B2、选取准确率最高的两个批次尺寸作为候选批次尺寸;
B3、在两个所述候选批次尺寸中选取批次尺寸较小的批次尺寸作为最佳批次尺寸。
作为优化,S3中,所述学习率下降策略和自动停止策略具体为:
S3.01、设置初始的学习率lr、学习率下降判别标准lr_min_delta、冷却周期值cool_num、学习率更新冷却时间cooldown、学习率更新值lr_num、学习率更新耐心值lr_patience、学习率最小值min_lr、停止训练判别标准stop_min_delta、停止训练值stop_num;
S3.02、训练所述致火电弧故障轻量化识别模型;
S3.03、计算训练所述致火电弧故障轻量化识别模型后得到的损失值下降数值loss_delta,然后同时跳转至S3.04和S3.10;
S3.04、所述冷却周期值cool_num迭代一次;
S3.05、判断经过S3.04后的冷却周期值cool_num是否大于学习率最小值min_lr且小于学习率更新冷却时间cooldown,若是,则跳转至S3.06,否则,跳转至S3.02;
S3.06、判断所述损失值下降数值loss_delta是否小于学习率下降判别标准lr_min_delta,若是,则学习率更新值lr_num迭代一次,然后跳转至S3.07,否则,跳转至S3.02;
S3.07、判断所述学习率更新值lr_num是否大于学习率更新耐心值lr_patience,若是,则跳转至S3.08,否则,跳转至S3.02;
S3.08、判断初始学习率Ir*factor是否大于学习率最小值min_lr,若是,则将Ir*factor作为新的学习率new_lr,factor为学习率下降乘子,否则,将学习率最小值min_lr作为新的学习率new_lr;
S3.09、将新的学习率new_lr作为新的学习率lr,跳转至S3.02;
S3.10、判断所述损失值下降数值loss_delta是否小于停止训练判别标准stop_min_delta,若是,则跳转至S3.11,否则,返回S3.02;
S3.11、所述停止训练值stop_num迭代一次;
S3.12、判断经过S3.11后的所述停止训练值stop_num是否大于停止训练耐心值stop_patience,若是,则结束,否则,返回S3.02。
作为优化,所述停止训练判别标准stop_min_delta小于所述学习率下降判别标准lr_min_delta,所述停止训练耐心值stop_patience大于学习率更新耐心值lr_patience。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明对EffNet网络模块进行了改进,提出了一种能够采用一维电流数据进行训练的轻量化Arc_EffNet网络模块,该Arc_EffNet网络模块删除了1×3卷积核和之后的池化层,在3×1卷积计算后加入最大池化计算,同时Arc_EffNet网络模块保留了经典EffNet模块的深度可分离卷积功能,同时能够适用于一维电弧数据,使得本发明减少了数据量和计算量,便能够降低计算时间,能够更快的检测电弧故障并进行保护,有效抑制了电气火灾的发生。
本发明的更少的数据量和计算量,以及更加优化的模块结构,为低算力平台运行人工智能电弧故障检测算法提供了可能,增加了方法的使用场景,为分布式电弧故障检测装置的部署提供了新思路。
本发明通过确定Arc_EffNet网络模块的数量以及参数设置确保了致火电弧故障轻量化识别模型的高准确率,兼顾了致火电弧故障轻量化识别模型的复杂程度和训练时间,同时,本发明提出了学习率更新策略与自动停止训练策略并确定了一套由具体实验得出的最优参数组合,提高了训练效率,缩短了训练时间,使得电弧故障检测精度高,能够直接降低误动率和拒动率,保证不漏检危险电弧故障的同时,减少开关误动作影响正常供电,以分钟为单位的训练时间,更快的训练速度代表了本发明的模型更新容易,便于后期优化,使用场景扩大,不依赖高算力的昂贵计算平台。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附图中:
图1为本发明所述的一种基于EffNet轻量化模型的致火电弧故障识别方法的流程图;
图2为EffNet网络模块结构与Arc_EffNet网络模块结构的对比图;
图3为包含不同Arc_EffNet网络模块数量的致火电弧故障轻量化识别模型;
图4为包含不同数量Arc_EffNet网络模块的致火电弧故障轻量化识别模型的训练集准确率曲线对比图;
图5为包含不同数量Arc_EffNet网络模块的致火电弧故障轻量化识别模型的准确率、参数数量和训练时间的对比图;
图6为不同Batchsize下的训练集准确率曲线对比图;
图7为不同Batchsize下的准确率曲线和训练时间对比图;
图8为学习率策略和自动停止训练策略的流程图;
图9为Arc_EffNet网络模型的损失值和准确率的曲线图;
图10为致火电弧故障轻量化识别模型训练过程中学习率的变化曲线图;
图11为致火电弧故障轻量化识别模型预测输出结果的混淆矩阵的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1的一种基于EffNet轻量化模型的致火电弧故障识别方法,包括:
S1、改进EffNet网络模块得到Arc_EffNet网络模块,使电流数据能够作为输入数据通过所述Arc_EffNet网络模块得到输出特征。
有现有技术可知,EffNet模块包含一个1×3大小的卷积核,这表示输入数据的长度至少应为1,宽度应至少为3。因此EffNet网络模型适用于宽度大于3的二维数据。而电流是一维时间序列数据,不能直接应用EffNet进行串联电弧故障识别。因此,本发明对EffNet模块进行了改进,提出了一种能够采用一维电流数据进行训练的轻量化故障电弧识别模型Arc_EffNet。原始EffNet网络模块和Arc_EffNet网络模块结构如图2所示。Arc_EffNet网络模块删除了1×3卷积核和之后的池化层,在3×1卷积计算后加入最大池化计算。Arc_EffNet网络模块保留了经典的EffNet网络模块的空间可分离卷积功能,同时能够适用于一维电弧数据。
本实施例中,所述Arc_EffNet网络模块沿数据的传输方向依次包括作为输入层的第一一维卷积层、作为中间层的空间可分离卷积层和最大池化层以及作为输出层的第二一维卷积层。
具体的,所述第一一维卷积层的大小为1×1,通道数为ch/2;所述空间可分离卷积层的大小为3×1,步长为1;所述最大池化层的步长为2;所述第二一维卷积层的大小为2×1,步长为2,通道数为ch,ch为MobileNet或ShuffleNet的通道数。
Arc_EffNet网络模块共包含三层。其输入层为1×1的第一一维卷积层,中间层为3×1的空间可分离卷积层(步长为1)和一个步长为2的最大池化层,最后一层为2×1的第二一维卷积层,步长为2。为了消除数据流瓶颈,最后一层的第二一维卷积核通道数需为其他两层卷积核通道数的两倍。用Keras搭建Arc_EffNet模块(模块的输入数据为大小为800×1电弧故障电流样本),模块具体结构参数如表1所示。
表1Arc_EffNet网络模块参数
致火电弧故障轻量化识别模型由多个Arc_EffNet网络模块堆叠而成。为了使致火电弧故障轻量化识别模型达到最佳效果,需要选取合适的Arc_EffNet网络模块数量和网络训练超参数。
模型深度越浅,参数量越小,越有利于其在嵌入式设备上的应用,但浅模型的表示能力有限,识别精度低。随着网络模型深度的增加,模型的表示能力和识别精度越高,但参数量和计算量也随之增加。因此,选取合适的结构块数量,才能在保证电弧故障识别模型Arc_EffNet精度的同时使模型参数量和计算量最小。
S2、分析所述Arc_EffNet网络模块的数量以及批次尺寸对电弧识别准确率的影响,找到所述Arc_EffNet网络模块的最佳数量和最佳批次尺寸,基于所述最佳数量和最佳批次尺寸堆叠串联搭建所述Arc_EffNet网络模块的致火电弧故障轻量化识别模型;
分析所述Arc_EffNet网络模块的数量,找到所述Arc_EffNet网络模块的最佳数量的具体过程为:
A1、找出所述Arc_EffNet网络模块所有合适的数量;
A1的具体步骤为:
A1.1、令所述Arc_EffNet网络模块的数量ni=i+1;
A1.2、将输入数据分别经过所述Arc_EffNet网络模块得到输出数据,其中,所述Arc_EffNet网络模块中的第一一维卷积层、空间可分离卷积层、第二一维卷积层的计算均采用“same”模式:经过所述第一一维卷积层、空间可分离卷积层、第二一维卷积层进行卷积计算后输出的数据长度为输入数据长度除以对应卷积层的步长,且当某一卷积层进行卷积运算时,若该卷积层的输入数据长度不为该卷积层的步长的整倍数时,对该输入数据补零使输入数据长度为该卷积层的步长的整数倍后再除以该卷积层的步长;所述最大池化层计算采用“valid”模式:当所述最大池化层的输入数据的长度不为所述最大池化层的步长的整倍数时,舍弃该输入数据最后若干位使该输入数据长度为该最大池化层的步长的整数倍后再除以该最大池化层的步长;
A1.3、判断所述输出数据的长度是否不大于所述Arc_EffNet网络模块中其中一个卷积层的维度,若是,则跳转至A1.4,否则,将该所述Arc_EffNet网络模块得到的所述输出数据作为新的输入数据,返回A1.2;
A1.4、收集所有的所述Arc_EffNet网络模块数量N={2,3,···,ni},i为执行A1.2-A1.3的次数。
例如,数据集中每个样本数据长度为800。由表1可知,经过一个Arc_EffNet网络模块后输出数据的长度为200,缩减为输入的1/4。则经过n个Arc_EffNet网络模块后,输出数据长度为800/4n。如果致火电弧故障轻量化识别模型中Arc_EffNet网络模块过多,会导致最后几层Arc_EffNet网络模块的输入数据过短,给神经网络的训练带来困难。通过上述方法,可以得知Arc_EffNet网络模块可以为2、3、4,同时,经典的EffNet网络采用了三个EffNet模块,参考EffNet网络模型,假设选取Arc_EffNet网络模块的数量为2、3、4三种分别进行训练,分别记为Arc_EffNet_2blocks、Arc_EffNet_3blocks和Arc_EffNet_4blocks。三个Arc_EffNet网络模块的结构如图3所示,Arc_EffNet网络模块中的卷积计算均采用“same”模式。经过卷积计算后,输出数据长度为输入数据长度除以步长,由于第一一维卷积层的大小为1X1,没有重叠部分,直接理解成步长为1。池化计算采用“valid”模式,本实施例中,当输入数据长度为奇数时,会舍弃一位数值。记Arc_EffNet网络模块的数量为n,当n为3时,第三层模块(Arc_EffNet_3blocks)的最大池化层的输出数据为长度为25,在进行最后一次卷积运算时,自动补“0”保证其数据长度不变,经过步长为2的卷积计算后,输出数据长度变为(25+1)/2=13。当n为4时,第四层模块(Arc_EffNet_4blocks)的输入数据长度为13,进行池化计算时,舍弃一位数值,池化输出数据长度位(13-1)/2=6,经过步长为2的卷积计算后,最终模块输出数据长度为3。可见,当n为4时,模块4的输出长度就已降至3。如果继续增加模块,第五个模块输入维度已低于卷积核,卷积时需要补充大量的“0”数据才能维持数据长度,而过多的“0”数据会导致网络难以训练甚至训练失败。所以Arc_EffNet网络模块的数量ni应小于等于4。
包含不同数量Arc_EffNet网络模块的模型训练准确率曲线如图4所示。可见Arc_EffNet_2blocks精度较低,经过150代训练后,其准确率仅为87.883%。Arc_EffNet_3blocks仅经过10代训练,准确率即可达到81.190%,且准确率曲线仍保持上升趋势。经过150代训练后,最终准确率为97.214%。Arc_EffNet_4blocks由于存在卷积补“0”和池化层丢弃数据等操作,网络准确率在前7代训练基本保持不变。在7代之后,网络识别准确率快速上升。在60代之后准确率曲线与Arc_EffNet_3blocks的准确率曲线基本重合,经过150代训练后,准确率达到96.960%。
A2、对不同数量的所述Arc_EffNet网络模块形成的致火电弧故障轻量化识别模型进行训练,综合准确率、参数数量找出所述Arc_EffNet网络模块的最佳的数量。
具体判断标准为:
A2.1、优先选取准确率最高的两个所述致火电弧故障轻量化识别模型作为候选致火电弧故障轻量化识别模型;
A2.2、在两个候选致火电弧故障轻量化识别模型中选取参数数量更少的所述致火电弧故障轻量化识别模型所包含的Arc_EffNet网络模块对应的数量作为所述Arc_EffNet网络模块的最佳的数量。
三个致火电弧故障轻量化识别模型的训练结果、参数数量和训练时间如图5所示。致火电弧故障轻量化识别模型需要兼顾参数量和准确率。从参数量上看,Arc_EffNet_2blocks参数量最低,仅为81 608。Arc_EffNet_3blocks参数量比Arc_EffNet_2blocks的参数量高74624,不到Arc_EffNet_2blocks的两倍。Arc_EffNet_4blocks的参数量最大,是Arc_EffNet_3blocks参数量的3.4倍。从识别准确率上看,Arc_EffNet_3blocks的训练集和验证集的准确率最高,分别为97.214%和96.585%。此外,网络的训练时间随着模块数量的增加而增加,基本呈线性关系。Arc_EffNet_2blocks参数量小,但其准确率低,无法满足电弧故障识别要求,因此选用参数量适中、准确率最高的Arc_EffNet_3blocks作为致火电弧故障轻量化识别模型。
分析所述批次尺寸,找到最佳批次尺寸的具体过程为:
B1、分别选取样本的批次尺寸为32、64、128、256、512、1024训练具有同一数量的所述Arc_EffNet网络模块形成的所述致火电弧故障轻量化识别模型;
B2、选取准确率最高的两个批次尺寸作为候选批次尺寸;
B3、在两个所述候选批次尺寸中选取批次尺寸较小的批次尺寸作为最佳批次尺寸。
批次尺寸(Batchsize)即神经网络每次训练所选取的样本数量。Batchsize较大时,每次选取的样本更多,梯度下降的方向越准确,训练振荡越小,但运算量大,会导致内存不足,同时由于迭代次数的减少,造成网络参数更新缓慢,准确率降低。Batchsize较小时,完成一次训练的时间增加,网络训练时长增加,训练振荡变大。为了平衡训练时长与故障电弧识别率的关系,需要寻求最优批次尺寸。分别选取Batchsize为32、64、128、256、512、1024共六种进行训练,准确率曲线如图6所示。可以看出,Batchsize为32时,因为Batchsize过小,梯度下降方向与数据集整体梯度下降方向不同,导致网络在前几次训练迭代过程中准确率没有明显提升。经过9次迭代后,准确率开始快速提升,经过150代训练后,最终准确率达到92.180%。Batchsize为1024时,准确率曲线与Batchsize为32时类似,网络在第12代之前准确度没有明显提升,在12代之后准确率曲线趋势与Batchsize为32时类似,最终准确率为92.128%。Batchsize为128、256和512时准确率曲线差异不明显,在训练前期三者准确率上升速率几乎一致,曲线接近平行。在第25~40代训练中三者准确率曲线出现重叠,之后准确率曲线也类似,三者最终的准确率分别为93.916%、94.756%和94.568%。Batchsize为64时网络性能最佳,其准确率上升速度和最终准确率数值均为最高。经过150代训练后,最终准确率为96.875%。
图7为不同Batchsize下的最终准确率和训练时间。可见,训练时间随着Batchsize的增加而减小,但差异较小,训练150代最长训练时间仅比最短时间多106秒。综合不同Batchsize的准确率和训练时间,选取Batchsize大小为64。
S3、设计学习率下降策略和自动停止策略,对所述致火电弧故障轻量化识别模型进行训练,找出最佳的超参数;
所述学习率下降策略和自动停止策略具体为:
S3.01、设置初始的学习率lr、学习率下降判别标准lr_min_delta、冷却周期值cool_num、学习率更新冷却时间cooldown、学习率更新值lr_num、学习率更新耐心值lr_patience、学习率最小值min_lr、停止训练判别标准stop_min_delta、停止训练值stop_num;
S3.02、训练所述致火电弧故障轻量化识别模型;
S3.03、计算训练所述致火电弧故障轻量化识别模型后得到的损失值下降数值loss_delta,然后同时跳转至S3.04和S3.10;
S3.04、所述冷却周期值cool_num迭代一次;
S3.05、判断经过S3.04后的冷却周期值cool_num是否大于学习率最小值min_lr且小于学习率更新冷却时间cooldown,若是,则跳转至S3.06,否则,跳转至S3.02;
S3.06、判断所述损失值下降数值loss_delta是否小于学习率下降判别标准lr_min_delta,若是,则学习率更新值lr_num迭代一次,然后跳转至S3.07,否则,跳转至S3.02;
S3.07、判断所述学习率更新值lr_num是否大于学习率更新耐心值lr_patience,若是,则跳转至S3.08,否则,跳转至S3.02;
S3.08、判断初始学习率Ir*factor是否大于学习率最小值min_lr,若是,则将Ir*factor作为新的学习率new_lr,factor为学习率下降乘子,否则,将学习率最小值min_lr作为新的学习率new_lr;
S3.09、将新的学习率new_lr作为新的学习率lr,跳转至S3.02;
S3.10、判断所述损失值下降数值loss_delta是否小于停止训练判别标准stop_min_delta,若是,则跳转至S3.11,否则,返回S3.02;
S3.11、所述停止训练值stop_num迭代一次;
S3.12、判断经过S3.11后的所述停止训练值stop_num是否大于停止训练耐心值stop_patience,若是,则结束,否则,返回S3.02。
神经网络的学习率是指每次训练梯度下降的步长,学习率的大小会影响网络训练时间和准确率。学习率越大,网络收敛速度越快,但是较大的学习率会导致网络在最优解附近振荡,无法收敛。而学习率小又会导致网络收敛速度慢,训练时间过长,同时可能会导致网络收敛于局部最优解。为了兼顾训练速度与模型精度,需要设置合适的学习率。因此,提出了一种网络学习率更新策略,在Arc_EffNet训练过程中实时更新学习率。在训练前期,设置较大的学习率,使网络快速收敛,避免陷入局部最优解。随着训练代数的增加,逐步减小学习率,减少网络在最优解附近的振荡,使其最终收敛于最优解附近。同时为了保证网络不会过拟合,在网络损失率不再降低时停止训练,即自动停止训练策略。
网络训练即沿损失函数梯度方向不断进行参数更新的过程。学习率更新策略和自动停止训练策略应用于网络训练过程,因此采用损失值作为其评估标准。网络学习率更新策略和自动停止训练策略中具体参数和简称如表2所示。
表2学习率更新策略和自动停止训练策略参数
学习率更新策略首先设置初始学习率lr和学习率下降判别标准lr_min_delta,当网络损失值下降loss_delta小于学习率下降判别标准lr_min_delta时,学习率更新值lr_num加1。网络训练过程中损失值呈波动下降趋势,为了防止损失值的波动造成学习率在训练时快速下降至最小值,设置了学习率更新耐心值lr_patience。当lr_num大于lr_patience后,更新学习率为factor×lr。在网络训练后期,损失值下降趋于0,lr_num会不断增加从而导致学习率不断下降直至为0,造成神经网络训练失败。因此设置了学习率最小值min_lr,当factor×lr小于min_lr时,更新学习率为min_lr,且不再进行学习率的更新。此外,在网络更新学习率后的前几个周期可能会出现loss_delta小于lr_min_delta的情况,为了避免学习率连续更新,导致网络在训练中期因学习率过低而陷入局部最优解,设置了学习率更新冷却时间cooldown,即更新学习率后再次开始更新算法的冷却值。cool_num为学习率更新后冷却值累加量,即冷却周期值,当cool_num大于cooldown时,再次开始学习率更新的计算。
自动停止训练策略与学习率更新策略同步进行。在每次迭代后,比较损失值下降loss_delta与停止训练判别标准stop_min_delta的大小,当loss_delta小于stop_min_delta时,停止训练值stop_num加1,当stop_num大于停止训练耐心值stop_patience时,停止训练。
学习率更新策略和自动停止训练策略的具体参数均是依据试验结果选取的最优参数,在试验过程中,参照原始EffNet的训练超参数,设置了与EffNet类似的训练超参数,之后再在次此基础上进行了微调,分别测试不同数值的超参数对Arc_EffNet识别准确率以及训练时间等的影响,最终确定一组表现最优的参数进行电弧故障的识别。两种策略的具体流程如图8所示,图中左侧为各个参数的中英文对照名称、右侧流程图为两种策略的具体实现过程。
由于学习率更新策略与自动停止训练策略是同步进行的,为了防止网络训练过早停止,停止训练判别标准stop_min_delta应小于学习率下降判别标准lr_min_delta,停止训练耐心值stop_patience应大于学习率更新耐心值lr_patience。表3为致火电弧故障轻量化识别模型所有超参数数值。
表3Arc_EffNet模型超参数
致火电弧故障轻量化识别模型训练曲线如图9所示。经过10次训练后,Arc_EffNet损失值从最初的1.91853下降至0.19970,准确率达到93.433%。在10~35代内,训练集损失值稳步下降,验证集损失值有较大波动,但仍呈下降趋势。在训练到第66代时,已经出现连续5个周期损失值下降小于学习率下降判别标准的情况,说明神经网络即将收敛,由于学习率过大在损失函数梯度最低点振荡。此时第一次降低学习率,减小梯度下降步长,训练集网络损失值继续下降,准确率进一步提高。在第80代时再次降低学习率至最小学习率0.00001,经过10代训练后损失值不再降低,自动停止训练防止过拟合。训练完成后,Arc_EffNet在训练集识别准确率为99.904%,验证集准确率为98.574%。且在Arc_EffNet训练过程中,验证集与训练集准确率曲线趋势始终保持一致,没有出现过拟合和欠拟合等情况,证明了网络学习率更新策略和自动停止策略的有效性。
致火电弧故障轻量化识别模型训练过程中学习率的变化曲线如图10所示。
S4、将电流数据作为输入数据输入至训练完成后的所述致火电弧故障轻量化识别模型,以识别电弧故障。
利用测试集数据验证Arc_EffNet模型性能。模型预测输出结果的混淆矩阵如图11所示。
矩阵横轴为Arc_EffNet预测类别,纵轴为样本真实类别。对角线上的数据为正确识别的样本数。从负载分类角度来看,Arc_EffNet预测错误的样本数为57个,其中有41个属于负载类别识别错误,例如将电阻类负载电弧识别为电机类负载有弧等,这些错误对电弧识别影响不大,不属于误判或者漏判。
从有弧和无弧识别的角度将混淆矩阵进行进一步总结,共有16个识别错误的样本,其中6个是将无弧识别为有弧,包括3个电机类样本和电力电子类样本,10个是将有弧识别为无弧,包括7个阻性负载、1个电机类负载和2个电力电子类负载。可以看出,有弧和无弧样本的识别错误主要集中在阻性负载、电机类负载和电力电子类负载上。正如2.3.2中分析,阻性负载和电机类负载的电弧电流波形与电力电子类正常电流波形类似,因此出现了较多的识别错误。记Arc_EffNet正确预测的电弧样本数量为真正(True Positive,TP),正确预测的无弧样本数量为真负(True Negative,TN);把Arc_EffNet将无弧识别为有弧的样本数量记为假正(False Positive,FP),将有弧识别为无弧的样本数量记为假负(FalseNegative,FN)。分别计算模型的精准率、召回率和准确率,其计算公式如下式所示:
Arc_EffNet的精确率、召回率和准确率计算结果如表4所示。可以看出,Arc_EffNet网络精确率、召回率和准确率都在99.5%以上,符合电弧故障识别的要求。
表4Arc_EffNet精确率、召回率和准确率
本发明改进了EffNet网络模块结构,删除了EffNet网络模块中的1×3卷积层,并将标准卷积替换为一维卷积,提出了一种适用于一维电弧电流数据的Arc_EffNet网络模块结构。对比分析模块数量和网络训练超参数对电弧故障识别准确率的影响,选取了Arc_EffNet网络模块数量为3,Batchsize为64搭建致火电弧故障轻量化识别模型。提出了一种学习率更新策略和自动停止训练策略,通过试验选取合适的参数,有效地防止了网络陷入局部最优解和过拟合,同时加快了网络训练速度。利用测试集数据验证了Arc_EffNet模型,结果表明模型能够准确识别串联电弧故障,精确率、准确率和召回率分别为99.750%、99.584%和99.688%。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,包括:
S1、改进EffNet网络模块得到Arc_EffNet网络模块,使电流数据能够作为输入数据通过所述Arc_EffNet网络模块得到输出特征;
所述Arc_EffNet网络模块沿数据的传输方向依次包括作为输入层的第一一维卷积层、作为中间层的空间可分离卷积层和最大池化层以及作为输出层的第二一维卷积层;
所述第一一维卷积层的大小为,通道数为/>;所述空间可分离卷积层的大小为,步长为1;所述最大池化层的步长为2;所述第二一维卷积层的大小为/>,步长为2,通道数为ch,ch为MobileNet或ShuffleNet的通道数;
S2、分析所述Arc_EffNet网络模块的数量以及批次尺寸对电弧识别准确率的影响,找到所述Arc_EffNet网络模块的最佳数量和最佳批次尺寸,基于所述最佳数量和最佳批次尺寸堆叠串联搭建所述Arc_EffNet网络模块的致火电弧故障轻量化识别模型;
S3、设计学习率下降策略和自动停止策略,对所述致火电弧故障轻量化识别模型进行训练,找出最佳的超参数;
所述学习率下降策略和自动停止策略具体为:
S3.01、设置初始的学习率lr、学习率下降判别标准lr_min_delta、冷却周期值cool_ num、学习率更新冷却时间cooldown、学习率更新值lr_num、学习率更新耐心值lr_ patience、学习率最小值min_lr、停止训练判别标准stop_min_delta、停止训练值stop_ num;
S3.02、训练所述致火电弧故障轻量化识别模型;
S3.03、计算训练所述致火电弧故障轻量化识别模型后得到的损失值下降数值loss_ delta,然后同时跳转至S3.04和S3.10;
S3.04、所述冷却周期值cool_num迭代一次;
S3.05、判断经过S3.04后的冷却周期值cool_num是否大于学习率最小值min_lr且小于学习率更新冷却时间cooldown,若是,则跳转至S3.06,否则,跳转至S3.02;
S3.06、判断所述损失值下降数值loss_delta是否小于学习率下降判别标准lr_min_ delta,若是,则学习率更新值lr_num迭代一次,然后跳转至S3.07,否则,跳转至S3.02;
S3.07、判断所述学习率更新值lr_num是否大于学习率更新耐心值lr_patience,若是,则跳转至S3.08,否则,跳转至S3.02;
S3.08、判断初始学习率Ir*factor是否大于学习率最小值min_lr,若是,则将Ir*factor作为新的学习率new_lr,否则,将学习率最小值min_lr作为新的学习率new_lr;
S3.09、将新的学习率new_lr作为新的学习率lr,跳转至S3.02;
S3.10、判断所述损失值下降数值loss_delta是否小于停止训练判别标准stop_min_ delta,若是,则跳转至S3.11,否则,返回S3.02;
S3.11、所述停止训练值stop_num迭代一次;
S3.12、判断经过S3.11后的所述停止训练值stop_num是否大于停止训练耐心值stop_ patience,若是,则结束,否则,返回S3.02;
S4、将电流数据作为输入数据输入至训练完成后的所述致火电弧故障轻量化识别模型,以识别电弧故障。
2.根据权利要求1所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,S2中,分析所述Arc_EffNet网络模块的数量,找到所述Arc_EffNet网络模块的最佳数量的具体过程为:
A1、找出所述Arc_EffNet网络模块所有合适的数量;
A2、对不同数量的所述Arc_EffNet网络模块形成的致火电弧故障轻量化识别模型进行训练,综合准确率、参数数量找出所述Arc_EffNet网络模块的最佳的数量。
3.根据权利要求2所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,A1的具体步骤为:
A1.1、令所述Arc_EffNet网络模块的数量;
A1.2、将输入数据分别经过所述Arc_EffNet网络模块得到输出数据;
A1.3、判断所述输出数据的长度是否不大于所述Arc_EffNet网络模块中其中一个卷积层的维度,若是,则跳转至A1.4,否则,将该所述Arc_EffNet网络模块得到的所述输出数据作为新的输入数据,返回A1.2;
A1.4、收集所有的所述Arc_EffNet网络模块数量, i为执行A1.2-A1.3的次数。
4.根据权利要求3所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,A1.2中,所述Arc_EffNet网络模块中的第一一维卷积层、空间可分离卷积层、第二一维卷积层的计算均采用“same”模式:经过所述第一一维卷积层、空间可分离卷积层、第二一维卷积层进行卷积计算后输出的数据长度为输入数据长度除以对应卷积层的步长,且当某一卷积层进行卷积运算时,若该卷积层的输入数据长度不为该卷积层的步长的整倍数时,对该输入数据补零使输入数据长度为该卷积层的步长的整数倍后再除以该卷积层的步长;所述最大池化层计算采用“valid”模式:当所述最大池化层的输入数据的长度不为所述最大池化层的步长的整倍数时,舍弃该输入数据最后若干位使该输入数据长度为该最大池化层的步长的整数倍后再除以该最大池化层的步长。
5.根据权利要求2所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,A2中,综合准确率、参数数量找出所述Arc_EffNet网络模块的最佳的数量的具体判断标准为:
A2.1、优先选取准确率最高的两个所述致火电弧故障轻量化识别模型作为候选致火电弧故障轻量化识别模型;
A2.2、在两个候选致火电弧故障轻量化识别模型中选取参数数量更少的所述致火电弧故障轻量化识别模型所包含的Arc_EffNet网络模块对应的数量作为所述Arc_EffNet网络模块的最佳的数量。
6.根据权利要求5所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,S2中,分析所述批次尺寸,找到最佳批次尺寸的具体过程为:
B1、分别选取样本的批次尺寸为32、64、128、256、512、1024训练具有同一数量的所述Arc_EffNet网络模块形成的所述致火电弧故障轻量化识别模型;
B2、选取准确率最高的两个批次尺寸作为候选批次尺寸;
B3、在两个所述候选批次尺寸中选取批次尺寸较小的批次尺寸作为最佳批次尺寸。
7.根据权利要求1所述的一种基于EffNet轻量化模型的致火电弧故障识别方法,其特征在于,所述停止训练判别标准stop_min_delta小于所述学习率下降判别标准lr_min_ delta,所述停止训练耐心值stop_patience大于学习率更新耐心值lr_patience。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316979.9A CN117454166B (zh) | 2023-10-11 | 2023-10-11 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316979.9A CN117454166B (zh) | 2023-10-11 | 2023-10-11 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454166A CN117454166A (zh) | 2024-01-26 |
CN117454166B true CN117454166B (zh) | 2024-05-10 |
Family
ID=89595694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311316979.9A Active CN117454166B (zh) | 2023-10-11 | 2023-10-11 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454166B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4028348A1 (de) * | 1990-09-06 | 1992-03-12 | Zumtobel Ag | Niederspannungsquelle mit vorschaltanordnung |
CN113077001A (zh) * | 2021-04-07 | 2021-07-06 | 西南大学 | 一种基于生成型张量网络的医学图像分类系统 |
CN114720818A (zh) * | 2022-04-01 | 2022-07-08 | 重庆邮电大学 | 一种基于时频特征筛选的交流串联故障电弧检测方法 |
DE102021204530A1 (de) * | 2021-05-05 | 2022-11-10 | Siemens Aktiengesellschaft | Schalter mit Störlichtbogenerkennung |
GB202218502D0 (en) * | 2022-01-28 | 2023-01-25 | Univ Hohai | Bridge damage diagnosis method based on fusion of vibration transfer big data and capsule network |
CN115905835A (zh) * | 2022-11-15 | 2023-04-04 | 国网四川省电力公司电力科学研究院 | 一种融合多维特征的低压交流电弧故障诊断方法 |
CN116127302A (zh) * | 2022-11-03 | 2023-05-16 | 国网山东省电力公司日照供电公司 | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
WO2023097705A1 (zh) * | 2021-11-30 | 2023-06-08 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
CN116382472A (zh) * | 2023-03-03 | 2023-07-04 | 国网山东省电力公司青岛供电公司 | 一种基于多模数据的电力作业人员可穿戴远程实时监测系统与方法 |
CN116610986A (zh) * | 2023-06-13 | 2023-08-18 | 河北工业大学 | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 |
CN116720084A (zh) * | 2023-07-10 | 2023-09-08 | 科世达(上海)机电有限公司 | 数据识别方法、装置、电子设备及计算机可读存储介质 |
CN117572161A (zh) * | 2022-08-04 | 2024-02-20 | 固德威技术股份有限公司 | 一种电弧故障检测方法、装置及相关组件 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049922B (zh) * | 2020-04-22 | 2022-11-15 | 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 |
-
2023
- 2023-10-11 CN CN202311316979.9A patent/CN117454166B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4028348A1 (de) * | 1990-09-06 | 1992-03-12 | Zumtobel Ag | Niederspannungsquelle mit vorschaltanordnung |
CN113077001A (zh) * | 2021-04-07 | 2021-07-06 | 西南大学 | 一种基于生成型张量网络的医学图像分类系统 |
DE102021204530A1 (de) * | 2021-05-05 | 2022-11-10 | Siemens Aktiengesellschaft | Schalter mit Störlichtbogenerkennung |
WO2023097705A1 (zh) * | 2021-11-30 | 2023-06-08 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
GB202218502D0 (en) * | 2022-01-28 | 2023-01-25 | Univ Hohai | Bridge damage diagnosis method based on fusion of vibration transfer big data and capsule network |
CN114720818A (zh) * | 2022-04-01 | 2022-07-08 | 重庆邮电大学 | 一种基于时频特征筛选的交流串联故障电弧检测方法 |
CN117572161A (zh) * | 2022-08-04 | 2024-02-20 | 固德威技术股份有限公司 | 一种电弧故障检测方法、装置及相关组件 |
CN116127302A (zh) * | 2022-11-03 | 2023-05-16 | 国网山东省电力公司日照供电公司 | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
CN115905835A (zh) * | 2022-11-15 | 2023-04-04 | 国网四川省电力公司电力科学研究院 | 一种融合多维特征的低压交流电弧故障诊断方法 |
CN116382472A (zh) * | 2023-03-03 | 2023-07-04 | 国网山东省电力公司青岛供电公司 | 一种基于多模数据的电力作业人员可穿戴远程实时监测系统与方法 |
CN116610986A (zh) * | 2023-06-13 | 2023-08-18 | 河北工业大学 | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 |
CN116720084A (zh) * | 2023-07-10 | 2023-09-08 | 科世达(上海)机电有限公司 | 数据识别方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (6)
Title |
---|
A DC Series Arc Fault Detection Method Based on a Lightweight Convolutional Neural Network Used in Photovoltaic System;Wang Yao 等;Energies;20220414;第15卷(第8期);2877(1-20) * |
ArcEffNet: A Novel Series Arc Fault Detection Method Based on Lightweight Neural Network;Ning Xin 等;Electronics;20231111;第12卷(第22期);4617(1-24) * |
Detecting Arcing Faults in Switchgear by Using Deep Learning Techniques;Yaseen Ahmed Mohammed Alsumaidaee 等;Applied Sciences;20230405;第13卷;4617(1-19) * |
Efficient-ArcNet: Series AC Arc Fault Detection using Lightweight Convolutional Neural Network;Kamal Chandra Paul 等;2021 IEEE Energy Conversion Congress and Exposition (ECCE);20211116;1327-1333 * |
Fault Arc Detection Based on Channel Attention Mechanism and Lightweight Residual Network;Gao Xiang 等;Energies;20230626;第16卷(第13期);4954(1-16) * |
改进Faster R-CNN模型的汽车喷油器阀座瑕疵检测算法;朱宗洪;李春贵;李炜;黄伟坚;;广西科技大学学报;20200108(01);1-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117454166A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | A fault diagnosis method of power systems based on improved objective function and genetic algorithm-tabu search | |
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
CN112038716B (zh) | 一种锂离子电池包热失控预警方法 | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN110619321B (zh) | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 | |
CN112241605B (zh) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 | |
Sun et al. | A novel life prediction method for railway safety relays using degradation parameters | |
CN110879373A (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN113189496A (zh) | 一种验证脉冲加热对动力电池寿命影响的方法 | |
CN116540101A (zh) | 关键区间特征提取的快速电池寿命预测方法 | |
CN117454166B (zh) | 基于EffNet轻量化模型的致火电弧故障识别方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113805060B (zh) | 基于相关向量回归的锂电池剩余寿命检测方法 | |
CN116956639B (zh) | 一种基于数据分析的高散热性蓄电池评估方法及系统 | |
CN114169173A (zh) | 一种考虑热失控传播的电池储能系统可靠度计算方法 | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
Zhang et al. | Modeling of electric vehicle batteries using rbf neural networks | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN115128473A (zh) | 一种锂电池的析锂监测方法和装置 | |
CN112733479A (zh) | 一种单体电池的模型参数计算方法、装置和介质 | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network |
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 |