CN117498262A - 一种高压直流电子负载开关保护电路 - Google Patents
一种高压直流电子负载开关保护电路 Download PDFInfo
- Publication number
- CN117498262A CN117498262A CN202311422400.7A CN202311422400A CN117498262A CN 117498262 A CN117498262 A CN 117498262A CN 202311422400 A CN202311422400 A CN 202311422400A CN 117498262 A CN117498262 A CN 117498262A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- electronic load
- current
- sequence
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims description 54
- 238000012800 visualization Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 31
- 230000008901 benefit Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004148 unit process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- G—PHYSICS
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
- H02H3/08—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to excess current
- H02H3/087—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to excess current for dc applications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H5/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection
- H02H5/04—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature
- H02H5/047—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature using a temperature responsive switch
Abstract
一种高压直流电子负载开关保护电路,其获取预定时间段内多个预定时间点的电子负载的电流值;将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;基于所述电流波动时序特征,确定是否关闭开关。这样,结合基于深度学习的人工智能技术来通过分析电子负载的实时电流波形,提取其波动模式特征,以此来识别异常情况,从而判断是否关闭开关,以避免离群值引起的误操作。
Description
技术领域
本申请涉及智能开关保护电路技术领域,并且更具体地,涉及一种高压直流电子负载开关保护电路。
背景技术
高压直流电子负载可以模拟各种负载条件,对电源进行稳定性、效率、瞬态响应等方面的评估。然而,高压直流电子负载在工作过程中会产生大量的热量,如果不及时散热,就会导致电子负载的温度升高,甚至损坏。此外,高压直流电源的输出电流也可能出现波动或突变,造成电子负载的过流,同样会影响电子负载的寿命和安全性。
目前,常用的高压直流电子负载开关保护电路是在电子负载的输入端串联一个开关,通过温度传感器或电流传感器来检测电子负载的工作状态,当温度或电流超过预设的阈值时,就关闭开关,切断电源,从而保护电子负载。这种方法虽然简单、可靠、响应快,但是也存在一些问题。例如,由于阈值的设定是固定的,可能会出现误判或漏判的情况,比如由于突发的电流峰值或其他异常情况导致的离群值,这些异常情况可能并不代表真正的过热或过流状态。因此,期待一种优化的高压直流电子负载开关保护电路。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高压直流电子负载开关保护电路,其获取预定时间段内多个预定时间点的电子负载的电流值;将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;基于所述电流波动时序特征,确定是否关闭开关。这样,结合基于深度学习的人工智能技术来通过分析电子负载的实时电流波形,提取其波动模式特征,以此来识别异常情况,从而判断是否关闭开关,以避免离群值引起的误操作。
第一方面,提供了一种高压直流电子负载开关保护电路,其包括:
电流值获取模块,用于获取预定时间段内多个预定时间点的电子负载的电流值;
向量排列模块,用于将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;
图像转化模块,用于对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;
时序特征提取模块,用于提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;
开关控制模块,用于基于所述电流波动时序特征,确定是否关闭开关。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为根据本申请实施例的高压直流电子负载开关保护电路的框图。
图2为根据本申请实施例的高压直流电子负载开关保护方法的流程图。
图3为根据本申请实施例的高压直流电子负载开关保护方法架构的示意图。
图4为根据本申请实施例的高压直流电子负载开关保护电路的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
高压直流电子负载是一种用于模拟各种负载条件,并对电源进行评估和测试的设备,通常用于测试和验证高压直流电源的性能和稳定性,以及评估电源在实际工作环境中的瞬态响应和效率。高压直流电子负载的主要功能是模拟负载条件,通过吸收电源输出的电能,并将其转化为热能进行散热。它可以提供可调的电流和电压负载,以满足不同的测试需求。通过调节电流和电压负载,可以模拟不同的工作状态和负载情况,例如恒定电流负载、恒定电压负载、恒定功率负载等。
高压直流电子负载的应用领域广泛,包括电力电子、电动汽车、太阳能和风能等可再生能源系统、电池测试和评估、电源研发和测试等,可以帮助工程师和研究人员评估电源的性能和稳定性,优化电源设计,提高系统效率,并确保电源在各种负载条件下的可靠性和安全性。
高压直流电子负载开关保护电路是一种用于防止电子负载过热或过流的电路。它的工作原理是在电子负载的输入端串联一个开关,当检测到电子负载的温度或电流超过设定值时,就关闭开关,切断电源,从而保护电子负载。这种电路的优点是简单、可靠、响应快,但是也有一些缺点,比如会增加电源的输出阻抗,影响电源的稳定性和效率,以及会产生开关噪声和电磁干扰。而且,这种方法存在一些局限性,例如固定阈值可能不适用于所有负载情况,容易出现误判或漏判的问题。此外,该方法无法适应电子负载工作状态的动态变化。
其中,固定阈值的设定可能导致误判,即将正常的工作状态错误地判定为过热或过流状态。例如,当电子负载在正常工作范围内产生短暂的电流峰值时,开关保护电路可能会错误地将其判定为过流状态,并触发保护动作。固定阈值的设定也可能导致漏判,即无法正确地检测真正的过热或过流状态。例如,如果电子负载在某些特定工作条件下需要承受较高的电流或温度,而阈值设定较低,开关保护电路可能无法及时触发保护动作,从而导致电子负载受到损害。开关保护电路通常基于统计方法来设定阈值,但在面对突发的电流峰值或其他异常情况时,这些离群值可能会导致误判。例如,电子负载在启动或关闭瞬间可能会产生较高的电流峰值,这些峰值可能超过了设定的阈值,但并不代表真正的过流状态。
为了解决这些问题,基于深度学习的人工智能技术可以提供一种更准确的判断方法。通过分析电子负载的实时电流波形,深度学习算法可以学习和识别各种波动模式,包括正常工作状态和异常状态。相比于固定阈值的设定,深度学习算法可以根据实际情况进行自适应调整,提高判断的准确性。
因此,为了进一步提高开关保护电路的准确性和可靠性,本申请提出了基于深度学习的人工智能技术来优化判断过程,通过分析电子负载的实时电流波形,提取波动模式特征,并利用深度学习算法进行模式识别,实现更准确的异常情况判断,以避免误操作和损坏风险,这种技术能够提供更高的准确性、自适应性、实时性和抗干扰能力,从而进一步提升开关保护电路的性能。
在本申请的一个实施例中,图1为根据本申请实施例的高压直流电子负载开关保护电路的框图。如图1所示,根据本申请实施例的高压直流电子负载开关保护电路100,包括:电流值获取模块110,用于获取预定时间段内多个预定时间点的电子负载的电流值;向量排列模块120,用于将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;图像转化模块130,用于对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;时序特征提取模块140,用于提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;开关控制模块150,用于基于所述电流波动时序特征,确定是否关闭开关。
在所述电流值获取模块110中,确保准确获取预定时间段内多个预定时间点的电子负载的电流值,可能需要使用适当的传感器或测量设备来获取电流值,并确保采样频率足够高以捕捉到电流的快速变化。提供了电子负载的实时电流数据,为后续模块的处理提供输入。
在所述向量排列模块120中,按照时间维度将多个预定时间点的电子负载的电流值排列为电子负载电流值时序输入向量,确保向量的维度和顺序正确,以便后续模块能够正确处理。将电流值按时间维度排列为向量,提供了电子负载电流值的时序信息,为后续模块的处理提供基础。
在所述图像转化模块130中,将电子负载电流值时序输入向量进行图像转化,生成电子负载电流值局部时序图像的序列。选择适当的图像转化方法,例如将向量转化为灰度图或彩色图,并确保转化过程不引入过多的信息损失。将电子负载电流值转化为图像序列,使得后续模块能够利用计算机视觉和图像处理的方法来分析电流波动的时序特征。
在所述时序特征提取模块140中,从电子负载电流值局部时序图像的序列中提取电流波动的时序特征。可能需要使用适当的特征提取算法,例如基于深度学习的卷积神经网络或传统的信号处理方法,以捕捉电流波动的模式和趋势。提取电流波动的时序特征,可以更准确地判断电子负载的工作状态,包括过热或过流状态。
在所述开关控制模块150中,基于电流波动的时序特征,确定是否关闭开关。根据特定的判定规则或阈值,判断电子负载是否处于异常状态,如果是,则触发关闭开关的控制信号。通过基于电流波动的时序特征进行判断,可以更准确地决定是否需要关闭开关,从而避免误判或漏判的问题,提高对电子负载的保护效果。
电流值获取模块、向量排列模块、图像转化模块、时序特征提取模块和开关控制模块共同协作,利用深度学习和图像处理等技术,提高开关保护电路的准确性和可靠性,从而更好地保护电子负载免受过热或过载的损害。
针对上述技术问题,本申请的技术构思是不再简单地根据设定值来判断是否超过阈值,而是结合基于深度学习的人工智能技术来通过分析电子负载的实时电流波形,提取其波动模式特征,以此来识别异常情况,从而判断是否关闭开关,以避免离群值引起的误操作。
基于此,在本申请的技术方案中,首先获取预定时间段内多个预定时间点的电子负载的电流值;并将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量。
通过按照时间维度排列电流值,可以保留电子负载的时序信息,能够捕捉到电流的动态变化和波动模式,从而更全面地了解电子负载的工作状态和性能。将电流值排列为时序输入向量后,可以更方便地应用各种时序特征提取方法和技术。例如,可以使用滑动窗口、傅里叶变换、小波变换等方法对时序输入向量进行特征提取,提取出电流波动的频率、幅度、时域特征等信息。将电流值排列为时序输入向量后,可以更容易地对数据进行处理和分析。例如,可以利用机器学习算法对时序输入向量进行建模和预测,识别电子负载的异常情况或预测未来的电流趋势。此外,还可以应用统计方法、时序分析等技术对时序输入向量进行更深入的数据分析。将电流值排列为时序输入向量后,可以应用各种时序模型和算法进行分析和预测。例如,可以使用循环神经网络(RNN)、长短时记忆网络(LSTM)、卷积神经网络(CNN)等模型对时序输入向量进行建模和预测。这样做的好处是可以利用时序模型的优势,更准确地分析和预测电子负载的电流行为。
将预定时间段内多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量有助于保留时序信息、方便特征提取、简化数据处理和分析,并广泛适用于各种时序模型和算法,以提高对电子负载的电流行为的理解和分析能力,为开关保护电路的优化和可靠性提供支持。
然后,对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列。这里,将时序数据转换为图像,可以利用计算机视觉领域的方法和技术来提取图像数据中的空间特征,捕捉到电流波动的模式等特征,以及局部波形的变化趋势。
在本申请的一个具体示例中,所述图像转化模块,用于对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列的编码过程,包括:向量切分单元,用于对所述电子负载电流值时序输入向量进行向量切分以得到电子负载电流值局部时序输入向量的序列;以及,向量-图像转换单元,用于将所述电子负载电流值局部时序输入向量的序列分别通过向量-图像转换器以得到所述电子负载电流值局部时序图像的序列。
其中,所述向量-图像转换单元,包括:局部向量切分子单元,用于将所述电子负载电流值局部时序输入向量的序列进行向量切分以得到电子负载电流值局部输入子向量的序列;矩阵化子单元,用于将所述电子负载电流值局部输入子向量的序列排列为电子负载电流值局部时序输入矩阵;以及,归一化子单元,用于对所述电子负载电流值局部时序输入矩阵进行归一化处理以得到所述电子负载电流值局部时序图像的序列;其中,所述电子负载电流值局部时序图像的序列中各个位置的值的范围为0-255。
向量切分单元用于对电子负载电流值时序输入向量进行切分,将其划分为电子负载电流值局部时序输入向量的序列。这样做的好处是可以将整个时序过程分解为多个局部时序,从而更好地捕捉电流波动的局部特征。通过切分,可以提高对电流波动的分析精度和准确性。
向量-图像转换单元将电子负载电流值局部时序输入向量的序列分别通过向量-图像转换器,将其转换为电子负载电流值局部时序图像的序列。这种转换的好处是可以利用计算机视觉和图像处理的技术来进一步分析电流波动的时序特征,图像提供了更直观和丰富的信息,可以更好地捕捉电流波动的模式和趋势。
通过向量切分单元和向量-图像转换单元的组合使用,可以将电子负载电流值时序输入向量转化为电子负载电流值局部时序图像的序列,这种转换过程可以提供更全面和详细的信息,使得后续的时序特征提取模块能够更准确地分析电流波动的特征。同时,图像序列还可以通过图像处理和计算机视觉的方法进行进一步的分析和识别,从而提高对电子负载工作状态的判断准确性。
向量切分单元和向量-图像转换单元的有益效果在于将电子负载电流值时序输入向量转化为电子负载电流值局部时序图像的序列。这种转换过程能够提供更全面和详细的信息,为后续的时序特征提取和判断模块提供更准确的输入,从而提高开关保护电路的性能和可靠性。
接着,提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征。具体来说,电子负载电流值可能会出现周期性的变化。例如,对于某些负载来说,电流值可能会以固定的频率进行周期性的升降。当电子负载电流值出现异常波动时,往往表示工作状态出现了异常。
在本申请的一个具体示例中,提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征的实现方式是将所述电子负载电流值局部时序图像的序列通过基于三维卷积神经网络模型的电流模式时序特征提取器以得到电流波动时序特征图。
在本申请的一个具体实施例中,所述时序特征提取模块,包括:时序特征提取单元,用于将所述电子负载电流值局部时序图像的序列通过基于三维卷积神经网络模型的电流模式时序特征提取器以得到电流波动时序特征图;以及,电流波动时序特征生成单元,用于将所述电流波动时序特征图作为所述电流波动时序特征。
其中,所述时序特征提取单元,用于:使用所述基于三维卷积神经网络模型的电流模式时序特征提取器的各层在层的正向传递中分别对所述电子负载电流值局部时序图像的序列进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述基于三维卷积神经网络模型的电流模式时序特征提取器的最后一层输出所述电流波动时序特征图。
时序特征提取单元使用基于三维卷积神经网络模型的电流模式时序特征提取器,对电子负载电流值局部时序图像的序列进行处理,提取电流波动的时序特征图。通过使用卷积神经网络模型,可以自动学习和捕捉电流波动的模式和趋势,从而更准确地表征电流波动的特征。
电流波动时序特征生成单元将通过时序特征提取单元得到的电流波动时序特征图作为电流波动时序特征。这样,将电流波动的时序特征转化为一种更紧凑和高级的表示形式,以便后续的判断和决策模块能够更方便地使用和处理。
通过时序特征提取单元和电流波动时序特征生成单元的组合使用,可以将电子负载电流值局部时序图像的序列转化为电流波动的时序特征。这些时序特征能够更准确地表征电流波动的模式和趋势,提供了更丰富和有用的信息,这些特征可以用于后续的判断和决策模块,例如判断电子负载是否处于异常状态并触发开关控制信号。
时序特征提取单元和电流波动时序特征生成单元的有益效果在于提取和生成电流波动的时序特征,这些时序特征能够更准确地表征电流波动的模式和趋势,为后续的判断和决策模块提供更丰富和有用的信息,从而提高开关保护电路的性能和可靠性。
进而,将所述电流波动时序特征图通过通道注意力模块以得到通道显化电流波动时序特征图。这里,在电流波动时序特征图中,每个通道对应着不同的时序特征信息。然而,并非所有的特征通道都对分类任务具有相同的重要性。有些通道可能包含了噪声或冗余信息,而有些通道则可能包含了更有区分度的关键特征。通过引入通道注意力模块,可以自动学习每个通道的权重,将更多的注意力放在对分类任务更有用的特征通道上。这样可以增强有用特征的表达能力,减少对无用特征的依赖,从而提高分类的准确性和鲁棒性。接下来,将所述优化通道显化电流波动时序特征图通过分类器以得到分类结果,所述分类结果用于表示是否关闭开关。
在本申请的一个具体实施例中,所述开关控制模块,包括:通道注意力单元,用于将所述电流波动时序特征图通过通道注意力模块以得到通道显化电流波动时序特征图;特征分布优化单元,用于对所述通道显化电流波动时序特征图进行特征分布优化以得到优化通道显化电流波动时序特征图;以及,分类单元,用于将所述优化通道显化电流波动时序特征图通过分类器以得到分类结果,所述分类结果用于表示是否关闭开关。
其中,所述通道注意力单元,用于:将所述电流波动时序特征图输入所述通道注意力模块的多层卷积层以得到电流卷积特征图;计算所述电流卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量;以及,以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述电流卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显化电流波动时序特征图。
通道注意力单元通过通道注意力模块对电流波动时序特征图进行处理,以得到通道显化电流波动时序特征图。通道注意力模块能够自动学习和调整每个通道的权重,使得对于电流波动的不同特征通道能够获得适当的关注和强调,这样,能够提高对于关键特征的识别和利用,从而更准确地表征电流波动的特征。
特征分布优化单元对通道显化电流波动时序特征图进行特征分布优化,以得到优化的通道显化电流波动时序特征图。通过优化特征分布,可以使得不同通道之间的特征更加均衡和有效,避免某些通道过于突出或不明显的问题,这样,可以提高整体特征的表征能力和稳定性,从而更好地支持后续的分类和决策任务。
分类单元将优化的通道显化电流波动时序特征图通过分类器进行处理,得到分类结果,用于表示是否关闭开关。分类器可以是经过训练的机器学习模型,例如支持向量机、随机森林或深度学习模型等。通过利用优化的特征图进行分类,可以更准确地判断电子负载是否处于异常状态,从而触发相应的开关控制信号。
通过通道注意力单元、特征分布优化单元和分类单元的组合使用,可以提高对电流波动时序特征的分析和判断能力;通道注意力单元和特征分布优化单元能够增强关键特征的表征和区分能力,同时消除特征之间的不平衡问题;分类单元则利用优化的特征图进行分类,提高对电子负载工作状态的准确性和可靠性。通道注意力单元、特征分布优化单元和分类单元的有益效果在于增强特征的表征能力、优化特征分布,并通过分类器实现对电子负载工作状态的准确判断,这些技术的应用可以提高开关保护电路的性能和可靠性,确保电子负载的安全运行。
进一步地,在本申请的一个具体实施例中,所述特征分布优化单元,用于:对所述通道显化电流波动时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到第一权重和k个第二权重;将所述第一权重和所述各个第二权重进行矩阵相乘以得到权重值的序列;以及,以所述权重值的序列作为权重值,对所述通道显化电流波动时序特征图的各个特征矩阵进行加权以得到所述优化通道显化电流波动时序特征图。
在本申请的技术方案中,对所述电子负载电流值时序输入向量进行向量切分以得到电子负载电流值局部时序输入向量的序列,将所述电子负载电流值局部时序输入向量的序列分别通过向量-图像转换器以得到电子负载电流值局部时序图像的序列,并将所述电子负载电流值局部时序图像的序列通过基于三维卷积神经网络模型的电流模式时序特征提取器后,可以提取电子负载电流值在全局时域下的基于向量切分的局部时域,以及基于向量-图像格式转换的局部时域下的细分时域的多尺度时域子空间下的时域子空间内-时域子空间间时序关联特征。这样,通过通道注意力模块,可以进一步强化某些局部时域下的局部时域子空间内的时序关联特征分布,但是,如果将所述通道显化电流波动时序特征图作为整体,则其对于各个时域子空间下的时序关联特征表达可能存在不均衡,并且,本申请的申请人进一步发现,这种不均衡在很大程度上与特征表达尺度相关,即特征矩阵的空间维度上的局部时域内的细分时域内-细分时域间时序关联特征表达尺度,和各个特征矩阵间的通道维度上的局部时域间时序关联尺度,例如,可以理解为相对于预定尺度,特征值之间的分布越不均衡,则特征图的整体表达也越不均衡。
因此,优选地,对于所述通道显化电流波动时序特征图的各个特征矩阵,例如记为进行特征尺度约束的概率密度收敛优化,表示为:以如下优化公式对于所述通道显化电流波动时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化;其中,所述优化公式为:
其中,是所述通道显化电流波动时序特征图的各个特征矩阵,/>是所述通道显化电流波动时序特征图的通道数,/>是所述通道显化电流波动时序特征图的各个特征矩阵的全局特征均值,/>是/>组成的特征向量,/>表示特征向量/>的二范数的平方,/>是所述通道显化电流波动时序特征图的各个特征矩阵/>的尺度,即宽度乘以高度,且/>表示所述通道显化电流波动时序特征图的各个特征矩阵/>的Frobenius范数的平方,/>是所述通道显化电流波动时序特征图的各个特征矩阵/>每个位置的特征值,/>是特征向量/>的权重系数,/>是所述通道显化电流波动时序特征图的各个特征矩阵/>的权重系数。
这里,所述特征尺度约束的概率密度收敛优化可以通过类标准柯西分布式的尾部分布加强机制,来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束,以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开,从而弥补特征尺度偏差导致的概率密度收敛异质性。这样,以上述权重对沿通道的每个特征矩阵/>进行加权,就可以提升优化通道显化电流波动时序特征图相对于预定回归概率的收敛性,从而提升其通过分类器得到的分类结果的准确性。
综上,基于本申请实施例的高压直流电子负载开关保护电路100被阐明,其不再简单地根据设定值来判断是否超过阈值,而是结合基于深度学习的人工智能技术来通过分析电子负载的实时电流波形,提取其波动模式特征,以此来识别异常情况,从而判断是否关闭开关,以避免离群值引起的误操作。
在本申请的一个实施例中,图2为根据本申请实施例的高压直流电子负载开关保护方法的流程图。图3为根据本申请实施例的高压直流电子负载开关保护方法架构的示意图。如图2和图3所示,所述高压直流电子负载开关保护方法,包括:210,获取预定时间段内多个预定时间点的电子负载的电流值;220,将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;230,对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;240,提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;250,基于所述电流波动时序特征,确定是否关闭开关。
本领域技术人员可以理解,上述高压直流电子负载开关保护方法中的各个步骤的具体操作已经在上面参考图1的高压直流电子负载开关保护电路的描述中得到了详细介绍,并因此,将省略其重复描述。
图4为根据本申请实施例的高压直流电子负载开关保护电路的应用场景图。如图4所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的电子负载的电流值(例如,如图4中所示意的C);然后,将获取的电流值输入至部署有高压直流电子负载开关保护电路算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于高压直流电子负载开关保护电路算法对所述电流值进行处理,以确定是否关闭开关。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种高压直流电子负载开关保护电路,其特征在于,包括:
电流值获取模块,用于获取预定时间段内多个预定时间点的电子负载的电流值;
向量排列模块,用于将所述多个预定时间点的电子负载的电流值按照时间维度排列为电子负载电流值时序输入向量;
图像转化模块,用于对所述电子负载电流值时序输入向量进行图像转化以得到电子负载电流值局部时序图像的序列;
时序特征提取模块,用于提取所述电子负载电流值局部时序图像的序列中的电流波动时序特征;
开关控制模块,用于基于所述电流波动时序特征,确定是否关闭开关。
2. 根据权利要求1所述的高压直流电子负载开关保护电路,其特征在于,所述图像转化模块,包括:
向量切分单元,用于对所述电子负载电流值时序输入向量进行向量切分以得到电子负载电流值局部时序输入向量的序列;以及
向量-图像转换单元,用于将所述电子负载电流值局部时序输入向量的序列分别通过向量-图像转换器以得到所述电子负载电流值局部时序图像的序列。
3.根据权利要求2所述的高压直流电子负载开关保护电路,其特征在于,所述向量-图像转换单元,包括:
局部向量切分子单元,用于将所述电子负载电流值局部时序输入向量的序列进行向量切分以得到电子负载电流值局部输入子向量的序列;
矩阵化子单元,用于将所述电子负载电流值局部输入子向量的序列排列为电子负载电流值局部时序输入矩阵;以及
归一化子单元,用于对所述电子负载电流值局部时序输入矩阵进行归一化处理以得到所述电子负载电流值局部时序图像的序列;其中,所述电子负载电流值局部时序图像的序列中各个位置的值的范围为0-255。
4. 根据权利要求3所述的高压直流电子负载开关保护电路,其特征在于,所述时序特征提取模块,包括:
时序特征提取单元,用于将所述电子负载电流值局部时序图像的序列通过基于三维卷积神经网络模型的电流模式时序特征提取器以得到电流波动时序特征图;以及
电流波动时序特征生成单元,用于将所述电流波动时序特征图作为所述电流波动时序特征。
5.根据权利要求4所述的高压直流电子负载开关保护电路,其特征在于,所述时序特征提取单元,用于:
使用所述基于三维卷积神经网络模型的电流模式时序特征提取器的各层在层的正向传递中分别对所述电子负载电流值局部时序图像的序列进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述基于三维卷积神经网络模型的电流模式时序特征提取器的最后一层输出所述电流波动时序特征图。
6.根据权利要求5所述的高压直流电子负载开关保护电路,其特征在于,所述开关控制模块,包括:
通道注意力单元,用于将所述电流波动时序特征图通过通道注意力模块以得到通道显化电流波动时序特征图;
特征分布优化单元,用于对所述通道显化电流波动时序特征图进行特征分布优化以得到优化通道显化电流波动时序特征图;以及
分类单元,用于将所述优化通道显化电流波动时序特征图通过分类器以得到分类结果,所述分类结果用于表示是否关闭开关。
7.根据权利要求6所述的高压直流电子负载开关保护电路,其特征在于,所述通道注意力单元,用于:
将所述电流波动时序特征图输入所述通道注意力模块的多层卷积层以得到电流卷积特征图;
计算所述电流卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;
将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量;以及
以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述电流卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显化电流波动时序特征图。
8.根据权利要求7所述的高压直流电子负载开关保护电路,其特征在于,所述特征分布优化单元,用于:
对所述通道显化电流波动时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到第一权重和k个第二权重;
将所述第一权重和所述各个第二权重进行矩阵相乘以得到权重值的序列;以及
以所述权重值的序列作为权重值,对所述通道显化电流波动时序特征图的各个特征矩阵进行加权以得到所述优化通道显化电流波动时序特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422400.7A CN117498262A (zh) | 2023-10-31 | 2023-10-31 | 一种高压直流电子负载开关保护电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422400.7A CN117498262A (zh) | 2023-10-31 | 2023-10-31 | 一种高压直流电子负载开关保护电路 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117498262A true CN117498262A (zh) | 2024-02-02 |
Family
ID=89684075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422400.7A Pending CN117498262A (zh) | 2023-10-31 | 2023-10-31 | 一种高压直流电子负载开关保护电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117498262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
-
2023
- 2023-10-31 CN CN202311422400.7A patent/CN117498262A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
CN117805607B (zh) * | 2024-02-29 | 2024-05-07 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine | |
Harrou et al. | Improved $ k $ NN-based monitoring schemes for detecting faults in PV systems | |
Yi et al. | Fault detection for photovoltaic systems based on multi-resolution signal decomposition and fuzzy inference systems | |
Ali et al. | Machine learning-based fault diagnosis for single-and multi-faults in induction motors using measured stator currents and vibration signals | |
Hajji et al. | Multivariate feature extraction based supervised machine learning for fault detection and diagnosis in photovoltaic systems | |
Appiah et al. | Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis | |
Li et al. | Fast power system event identification using enhanced LSTM network with renewable energy integration | |
Ahmadi et al. | A new method for detecting series arc fault in photovoltaic systems based on the blind-source separation | |
Chen et al. | Photovoltaic fault diagnosis via semisupervised ladder network with string voltage and current measures | |
CN111444615B (zh) | 一种基于k近邻和iv曲线的光伏阵列故障诊断方法 | |
CN117498262A (zh) | 一种高压直流电子负载开关保护电路 | |
CN114825257B (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
Liu et al. | Time series clustering and physical implication for photovoltaic array systems with unknown working conditions | |
Sekar et al. | An improved power quality disturbance detection using deep learning approach | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
Joga et al. | Fault Diagnosis in PV system using DWT and Ensembled k-NN Machine Learning Classifier | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
Afrasiabi et al. | Machine Learning-Based Condition Monitoring of Solar Photovoltaic Systems: A Review | |
Zenebe et al. | Machine learning for pv system operational fault analysis: Literature review | |
Del Río et al. | Photovoltaic Solar Power Plant Maintenance Management based on IoT and Machine Learning | |
Ahmad et al. | Prediction of cascading failures and simultaneous learning of functional connectivity in power system | |
Liu et al. | Fault diagnosis of photovoltaic array based on XGBoost method | |
Hichri et al. | Fault detection and diagnosis in grid-connected photovoltaic systems |
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 |