CN117638799B - 具有漏电保护功能的远程变频控制器及方法 - Google Patents
具有漏电保护功能的远程变频控制器及方法 Download PDFInfo
- Publication number
- CN117638799B CN117638799B CN202311721035.XA CN202311721035A CN117638799B CN 117638799 B CN117638799 B CN 117638799B CN 202311721035 A CN202311721035 A CN 202311721035A CN 117638799 B CN117638799 B CN 117638799B
- Authority
- CN
- China
- Prior art keywords
- current waveform
- full
- semantic
- time domain
- feature 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 156
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 49
- 230000006835 compression Effects 0.000 claims description 37
- 238000007906 compression Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000008447 perception Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- H02H3/26—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 difference between voltages or between currents; responsive to phase angle between voltages or between currents
- H02H3/32—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 difference between voltages or between currents; responsive to phase angle between voltages or between currents involving comparison of the voltage or current values at corresponding points in different conductors of a single system, e.g. of currents in go and return conductors
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors
- H02H7/0833—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors for electric motors with control arrangements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors
- H02H7/085—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors against excessive load
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
公开了一种具有漏电保护功能的远程变频控制器及方法。其首先从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端，接着，对所述电流信号进行滤波处理以得到滤波后电流信号，然后，对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量，最后，基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。这样，可以实现漏电识别，并及时开启漏电保护。
Description
技术领域
本申请涉及漏电保护领域，且更为具体地，涉及一种具有漏电保护功能的远程变频控制器及方法。
背景技术
现有技术中，引起变频器漏电流及误动作的原因如下：
(1)、分布电容的漏电及误动作：主要是指线路(包括半导体器件)对地的分布电容。在普通电机的绕组和机壳之间存在着较大的分布电容，在电网直接供电的情况下，电源线上只有50Hz的工频电压，但由于频率很低，通过分布电容的漏电流很小。但是当使用变频器驱动电机时，由于变频器输出的是几KHz的高频脉宽调制的电压波形，输出电压是在0V到直流母线电压之间快速跳变的脉动电压，除基波外还存在着大量的谐波。这些谐波通过分布电容产生对地漏电流，其幅值会增大百倍以上，超过正常的保护限值，从而造成漏电保护的频繁误动作。
(2)、EMI滤波器的漏电及误动作：在变频器的应用中，通常使用EMI滤波器以防止电源的污染，其中滤波器输入端的电容（例如，记为Cy）是用于滤除高频共模电流，以降低传导EMI。当电网电压正常时，以基波电压为主，频率为50Hz，Cy电容容值很小，其流过的漏电流也很小。但是如果电网谐波电压的次数较高时，Cy电容容抗与频率成反比，高次谐波电压情况下对于高频漏电流会成倍增加，高次谐波电压幅值达到一定程度时，漏电流也会超标，从而造成误动作。
为了消除上述所述的变频器漏电流及漏电引起的误动作，现有煤矿井下常用变频器漏的电检测主要采用附加直流电源检测的方法，其具有保护全面即对地电容电流补偿、动作值整定简单的特点。该检测电路采用传统的模拟电路设计，经过电压采样、滤波等一系列处理后，再通过比较器电路比较，如果发生漏电就翻转，驱动后级执行电路动作进行保护。然而变频器是一种高频、高脉冲的电气设备，很容易对检测回路造成电磁干扰，干扰采样电压，从而引起误动作保护，且执行电路的保护没有选择性，往往直接停机保护，严重时引起变频器频繁断电甚至造成设备损坏，影响安全生产与工作效率。
因此，期待一种优化的具有漏电保护功能的远程变频控制器及方法。
发明内容
有鉴于此，本申请提出了一种具有漏电保护功能的远程变频控制器及方法，其可以从零序互感器提取预定时间段的电流信号，并通过智能化算法从电流信号中提取多密度电流波形特征，以识别其中所蕴含的漏电特征分布，从而实现漏电识别，并及时开启漏电保护。
根据本申请的一方面，提供了一种具有漏电保护功能的远程变频控制器，其包括：
电流信号提取模块，用于从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；
滤波模块，用于对所述电流信号进行滤波处理以得到滤波后电流信号；
波形特征分析模块，用于对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及
漏电分析模块，用于基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。
根据本申请的另一方面，提供了一种具有漏电保护功能的远程变频控制方法，其包括：
从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；
对所述电流信号进行滤波处理以得到滤波后电流信号；
对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及
基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。
根据本申请的实施例，其首先从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端，接着，对所述电流信号进行滤波处理以得到滤波后电流信号，然后，对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量，最后，基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。这样，可以实现漏电识别，并及时开启漏电保护。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的具有漏电保护功能的远程变频控制器的框图。
图2示出根据本申请的实施例的具有漏电保护功能的远程变频控制方法的流程图。
图3示出根据本申请的实施例的具有漏电保护功能的远程变频控制方法的架构示意图。
图4示出根据本申请的实施例的具有漏电保护功能的远程变频控制器的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为从零序互感器提取预定时间段的电流信号，并通过智能化算法从电流信号中提取多密度电流波形特征，以识别其中所蕴含的漏电特征分布，从而实现漏电识别，并及时开启漏电保护。
基于此，图1示出根据本申请的实施例的具有漏电保护功能的远程变频控制器的框图示意图。如图1所示，根据本申请实施例的具有漏电保护功能的远程变频控制器100，包括：电流信号提取模块110，用于从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；滤波模块120，用于对所述电流信号进行滤波处理以得到滤波后电流信号；波形特征分析模块130，用于对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及，漏电分析模块140，用于基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。
应可以理解，电流信号提取模块110用于从零序互感器提取预定时间段的电流信号，零序互感器是一种用于检测电流的传感器，它与三相供电电源的输出端连接，电流信号提取模块110负责从零序互感器中读取电流信号，并将其传递给后续模块进行处理。滤波模块120用于对电流信号进行滤波处理，以得到滤波后的电流信号，滤波处理可以去除电流信号中的噪音和干扰，从而得到更加平滑和稳定的信号，滤波后的电流信号将用于后续的波形特征分析。波形特征分析模块130用于对滤波后的电流信号进行多密度电流波形特征分析，多密度电流波形特征分析是一种对电流信号进行分析和提取特征的方法，它可以得到多密度电流波形的语义全时域特征向量，这些特征向量包含了电流信号的重要特征信息，可以用于后续的漏电分析。漏电分析模块140基于多密度电流波形语义全时域特征向量，用于确定是否开启漏电保护，漏电保护是一种安全机制，用于检测电流是否存在漏电情况。漏电分析模块140利用之前提取的特征向量进行分析，并根据预设的漏电保护规则和算法判断当前电流信号是否存在漏电现象，如果存在漏电风险，系统可以触发漏电保护措施，以确保电路和设备的安全。综合来说，电流信号提取模块110负责提取电流信号，滤波模块120对信号进行滤波处理，波形特征分析模块130提取多密度电流波形特征，而漏电分析模块140则基于这些特征进行漏电保护的判断和处理，这些模块共同构成了具有漏电保护功能的远程变频控制器100的工作流程。
具体地，在本申请的技术方案中，首先从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端。这里，零序互感器是一种用于测量电网或电路中的零序电流的传感器。在变频器应用中，由于变频器输出的电压波形存在高频脉动和谐波成分，这些电压波形可能导致电机绕组和机壳之间的分布电容产生对地漏电流。为了检测和防止这种漏电引起的误动作，需要测量电机回路中的零序电流。通过从零序互感器提取预定时间段的电流信号，可以获得电机回路中的零序电流信息。这段时间内的电流信号可以反映特定时间段内的电流变化情况，并用于后续的漏电检测和保护处理。
然后，对所述电流信号进行滤波处理以得到滤波后电流信号；并对所述滤波后电流信号通过基于卷积神经网络模型的电流波形特征提取器以得到电流波形特征图。其中，滤波处理能够去除其中的噪声信息，保留电流波形中的有用信息。特别地，考虑到卷积神经网络能够有效捕捉输入信息中的局部邻域特征关联信息，因而在本申请的技术方案中期待利用卷积神经网络模型来构建所述电流波形特征提取器以捕捉电流波形的局部领域相关特征分布。
应可以理解，考虑到由于卷积是典型的局部操作，而对于所述滤波后电流信号来说，所述滤波后电流信号中的局部特征之间并非是孤立存在的，所述滤波后电流信号中的各个局部特征的关联性关系构成完整的电流波形特征表达。因此，在本申请的技术方案中，为了加强所述滤波后电流信号中的各个局部特征的关联性，使用非局部神经网络来进一步进行特征提取。也就是，将所述电流波形特征图通过基于非局部神经网络模型的波形全域感知器以得到全时域电流波形特征图。这里，利用非局部神经网络模型来构建波形全域感知器，以通过计算所述滤波后电流信号中的各个局部特征之间的相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述滤波后电流信号中的各个局部特征间的整体内容。
随后，对所述全时域电流波形特征图进行沿通道维度的全局均值池化以得到全时域电流波形语义压缩特征向量。也就是，通过降维处理，以对全时域电流波形特征图所表达的全时域电流波形特征分布进行维度对齐与统一，便于后续的融合处理。
在实际的应用场景中，电流波形是随时间变化的信号，其中的时序信息对于理解波形的演变和特征分析非常重要。同时，电流波形中的不同时序局部区域可能具有特定的语义含义，例如波形的起始阶段、过渡区域、稳态区域等。因此，在本申请的技术方案中，进一步地将所述滤波后电流信号通过基于RCNN模型的电流波形区局部域特征描述器以得到电流波形局部感兴趣语义特征向量的序列。
这里，通过使用RCNN模型可以捕捉所述滤波后电流信号中电流波形的时序依赖关系。具体来说，所述基于RCNN模型的电流波形区局部域特征描述器使用选择性搜索（Selective Search）算法来生成各个局部时序感兴趣候选区域以将所述滤波后电流信号分割为不同的局部时序感兴趣候选区域；并对每个局部时序感兴趣候选区域进行特征提取。通过这样的方式来刻画和表征所述滤波后电流信号中各个局部时序感兴趣候选区域的电流波形语义特征。
接下来将所述电流波形局部感兴趣语义特征向量的序列进行拼接以得到稀疏电流波形全时域语义特征向量；并融合所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量以得到多密度电流波形语义全时域特征向量。也就是，将电流波形局部感兴趣语义特征向量的序列进行整合以得到完整的向量表示，并与全时域电流波形语义压缩特征向量进行融合，以获得多密度视角下的电流波形特征表达。
相应地，所述波形特征分析模块130，包括：空间邻域波形特征提取单元，用于提取所述滤波后电流信号的空间邻域波形特征以得到电流波形特征图；语义压缩单元，用于对所述电流波形特征图进行全局感知和降维处理以得到全时域电流波形语义压缩特征向量；选择性区域波形特征提取单元，用于提取所述滤波后电流信号的选择性区域波形特征以得到稀疏电流波形全时域语义特征向量；以及，融合单元，用于融合所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量以得到所述多密度电流波形语义全时域特征向量。
应可以理解，空间邻域波形特征提取单元用于提取滤波后电流信号的空间邻域波形特征，以得到电流波形特征图，空间邻域波形特征是指在时间序列中的每个采样点周围一定范围内的波形信息，通过对滤波后的电流信号进行空间邻域波形特征提取，可以捕捉到波形的细节和局部特征，用于后续的分析和处理。语义压缩单元用于对电流波形特征图进行全局感知和降维处理，以得到全时域电流波形语义压缩特征向量，语义压缩是指通过对波形特征进行处理和转换，将其表示为更紧凑和具有语义信息的向量形式，全局感知可以帮助系统更好地理解整个波形的特征，而降维处理可以减少特征向量的维度，提高计算效率和模型性能。选择性区域波形特征提取单元用于提取滤波后电流信号的选择性区域波形特征，选择性区域波形特征是指在时间序列中选择性地提取某些区域的波形信息，通过对滤波后的电流信号进行选择性区域波形特征提取，可以捕捉到特定区域的重要特征，减少冗余信息，从而得到更稀疏的特征向量。融合单元用于融合稀疏电流波形全时域语义特征向量和全时域电流波形语义压缩特征向量，融合是指将不同来源的特征向量进行合并和整合，以得到更全面和综合的特征表示，通过融合稀疏特征和压缩特征，可以充分利用它们的优势，提高波形特征分析的准确性和鲁棒性。综合来说，空间邻域波形特征提取单元用于提取局部特征，语义压缩单元进行全局感知和降维处理，选择性区域波形特征提取单元提取重要区域特征，而融合单元将稀疏特征和压缩特征进行融合，得到多密度电流波形语义全时域特征向量，这些单元共同工作，为后续的漏电分析提供了丰富的波形特征信息。
其中，所述空间邻域波形特征提取单元，包括：特征提取子单元，用于利用深度学习网络模型对所述滤波后电流信号进行基于空间邻域的特征提取以得到所述电流波形特征图。具体地，所述深度学习网络模型为基于卷积神经网络模型的电流波形特征提取器；其中，所述基于卷积神经网络模型的电流波形特征提取器包括输入层、卷积层、激活层、池化层和输出层。
进一步地，所述特征提取子单元，用于：对所述滤波后电流信号通过所述基于卷积神经网络模型的电流波形特征提取器以得到所述电流波形特征图。应可以理解，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，专门用于处理具有网格结构的数据。卷积神经网络的主要特点是通过卷积层和池化层来提取输入数据的局部特征，并通过多层堆叠的方式逐渐学习到更高级别的抽象特征。其中，卷积层通过使用卷积操作对输入数据进行滤波和特征提取，可以捕捉到输入数据的空间局部关系。激活层引入非线性变换，增加网络的表达能力。池化层用于减小特征图的尺寸，并保留主要的特征信息。卷积神经网络的优势在于它能够自动学习到适合任务的特征表示，而无需手工设计特征。通过反向传播算法，网络可以根据任务的损失函数进行训练和优化，从而使得网络能够更好地提取和表示输入数据的特征。卷积神经网络在图像处理任务中具有较强的表达能力和良好的泛化能力。在空间邻域波形特征提取单元中，基于卷积神经网络模型的电流波形特征提取器被用于对滤波后的电流信号进行特征提取。通过训练该网络模型，它可以自动学习到适合电流信号的特征表示，包括局部的空间邻域信息。通过该特征提取器，可以将电流信号转换为电流波形特征图，为后续的漏电分析和处理提供更丰富和有用的特征信息。
其中，所述语义压缩单元，包括：波形全域感知子单元，用于将所述电流波形特征图通过基于非局部神经网络模型的波形全域感知器以得到全时域电流波形特征图；以及，全局均值池化子单元，用于对所述全时域电流波形特征图进行沿通道维度的全局均值池化以得到所述全时域电流波形语义压缩特征向量。
其中，所述选择性区域波形特征提取单元，包括：局部域特征描述子单元，用于将所述滤波后电流信号通过基于RCNN模型的电流波形区局部域特征描述器以得到电流波形局部感兴趣语义特征向量的序列；以及，拼接子单元，用于将所述电流波形局部感兴趣语义特征向量的序列进行拼接以得到所述稀疏电流波形全时域语义特征向量。
应可以理解，在所述选择性区域波形特征提取单元中，拼接子单元的作用是将电流波形局部感兴趣语义特征向量的序列进行拼接，以得到稀疏电流波形全时域语义特征向量。拼接（Concatenation）是指将两个或多个向量按照一定的顺序连接在一起形成一个更长的向量，在这种情况下，电流波形局部感兴趣语义特征向量的序列会按照一定的顺序进行拼接，形成一个更长的特征向量，即稀疏电流波形全时域语义特征向量。拼接的目的是将不同的局部特征信息整合在一起，以获得更全面和丰富的特征表示。通过将不同局部感兴趣区域的特征向量拼接在一起，可以保留每个区域的特征信息，并将它们组合成一个更综合的特征向量。这样做可以提高特征的表达能力，使得波形全时域的语义特征更加全面和准确。拼接子单元在选择性区域波形特征提取中起到将局部感兴趣特征向量整合成全时域语义特征向量的作用，为后续的分析和处理提供更全面和综合的特征信息。
进而，将所述多密度电流波形语义全时域特征向量通过分类器以得到分类结果，所述分类结果用于表示当前是否存在漏电；并响应于当前存在漏电，开启漏电保护。
相应地，所述漏电分析模块140，包括：特征分布校正单元，用于对所述多密度电流波形语义全时域特征向量进行特征分布校正以得到校正后多密度电流波形语义全时域特征向量；结果分类单元，用于将所述校正后多密度电流波形语义全时域特征向量通过分类器以得到分类结果，所述分类结果用于表示当前是否存在漏电；以及，漏电保护控制单元，用于响应于当前存在漏电，开启漏电保护。
应可以理解，特征分布校正单元用于对多密度电流波形语义全时域特征向量进行特征分布校正，特征分布校正是指对特征向量中的数值进行调整，以使其符合某种期望的分布特性，通过对特征向量进行校正，可以消除由于数据采集和处理过程中引入的偏差和噪声，提高特征的准确性和可靠性。结果分类单元用于将经过特征分布校正的多密度电流波形语义全时域特征向量输入分类器，并根据分类器的输出结果得到漏电的分类结果，分类器是一种机器学习模型，可以根据输入的特征向量对不同类别进行分类，在漏电分析中，分类器可以根据特征向量的模式和特征分布来判断当前是否存在漏电。漏电保护控制单元用于根据分类结果来控制漏电保护系统的开启，当分类结果表明当前存在漏电时，漏电保护控制单元会触发相应的控制动作，开启漏电保护装置以保护电路和设备的安全，漏电保护控制单元起到监测和响应漏电事件的作用，确保电路的安全运行。综合来说，特征分布校正单元用于对特征向量进行校正，结果分类单元通过分类器对校正后的特征向量进行分类，得到漏电的分类结果，而漏电保护控制单元根据分类结果来控制漏电保护系统的开启，这些单元共同工作，实现了对电流波形特征的分析和漏电事件的检测与保护。
在上述技术方案中，所述全时域电流波形语义压缩特征向量表达所述滤波后电流信号的全时域信号波形图像语义特征的基于所述卷积神经网络模型的稀疏化通道分布特征，而所述稀疏电流波形全时域语义特征向量表达所述滤波后电流信号的基于源信号波形语义时序关联的全时域图像语义特征，因此，在所述滤波后电流信号的图像语义特征的表达维度和表达稀疏化尺度上，所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量具有显著差异。
由此，在融合所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量时，期望抑制由于图像语义特征的表达维度和表达稀疏化尺度差异导致的所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量的与不同特征分布方向对应的高维几何变化差异，从而提升融合效果。
基于此，本申请的申请人对所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量进一步进行融合校正，以获得校正特征向量。
相应地，在本申请的一个示例中，所述特征分布校正单元，进一步用于：以如下融合公式将所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量进行融合校正以得到校正特征向量；其中，所述融合公式为：其中， />是所述稀疏电流波形全时域语义特征向量，/>是所述全时域电流波形语义压缩特征向量，/>、/>和/>分别是所述稀疏电流波形全时域语义特征向量/>、所述全时域电流波形语义压缩特征向量/>和所述校正特征向量的第/>个位置的特征值，/>和/>分别是特征向量的1范数和2范数，/>是特征向量的长度，且/>是权重超参数，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值；以及，将所述校正特征向量与所述多密度电流波形语义全时域特征向量进行融合以得到所述校正后多密度电流波形语义全时域特征向量。
具体地，为了在进行融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量/>的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留融合特征的旋转不变性，从而避免融合特征时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述多密度电流波形语义全时域特征向量进行融合，就可以提升所述多密度电流波形语义全时域特征向量的融合表达效果，从而改进其通过分类器得到的分类结果的准确性。
进一步地，所述分类单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述校正后多密度电流波形语义全时域特征向量进行全连接编码以得到编码分类特征向量；以及，结果分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括当前存在漏电(第一标签)，以及，当前不存在漏电(第二标签)，其中，所述分类器通过软最大值函数来确定所述校正后多密度电流波形语义全时域特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前是否存在漏电”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前是否存在漏电的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前是否存在漏电”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
综上，基于本申请实施例的具有漏电保护功能的远程变频控制器100被阐明，其可以实现漏电识别，并及时开启漏电保护。
如上所述，根据本申请实施例的所述具有漏电保护功能的远程变频控制器100可以实现在各种终端设备中，例如拥有具有漏电保护功能的远程变频控制算法的服务器等。在一个示例中，具有漏电保护功能的远程变频控制器100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该具有漏电保护功能的远程变频控制器100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该具有漏电保护功能的远程变频控制器100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该具有漏电保护功能的远程变频控制器100与该终端设备也可以是分立的设备，并且该具有漏电保护功能的远程变频控制器100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图2示出根据本申请的实施例的具有漏电保护功能的远程变频控制方法的流程图。图3示出根据本申请的实施例的具有漏电保护功能的远程变频控制方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的具有漏电保护功能的远程变频控制方法，其包括：S110，从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；S120，对所述电流信号进行滤波处理以得到滤波后电流信号；S130，对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及，S140，基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护。
这里，本领域技术人员可以理解，上述具有漏电保护功能的远程变频控制方法中的各个步骤的具体操作已经在上面参考图1的具有漏电保护功能的远程变频控制器的描述中得到了详细介绍，并因此，将省略其重复描述。
图4示出根据本申请的实施例的具有漏电保护功能的远程变频控制器的应用场景图。如图4所示，在该应用场景中，首先，获取从零序互感器提取预定时间段的电流信号（例如，图4中所示意的D），然后，将所述电流信号输入至部署有具有漏电保护功能的远程变频控制算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述具有漏电保护功能的远程变频控制算法对所述电流信号进行处理以得到用于表示当前是否存在漏电的分类结果，并响应于当前存在漏电，开启漏电保护。
应可以理解，本申请的实施例的具有漏电保护功能的远程变频控制器可以用于检测毫安级别的漏电流，具体地，漏电流保护可调节范围为0.1毫安-30毫安，最大可以调到国家标准最大值。当电机或者水泵漏电时，会立即跳对地短路保护且立即关断变频器输出的3路继电器。因为变频器输入电源侧装普通漏电开关后，会导致漏电开关误动作，故而大部分用户安装变频器前端未安装漏电保护器，一般安装的是空气开关，造成非常大的安全隐患，且万一漏电时，普通变频器会跳对地保护，但是变频器保护后，变频器的IGBT还会有电压输出，无法完全关断，依然有输出电压，这样就会导致有触电危险，本申请的具有漏电保护功能的远程变频控制器在变频器输出端外增加了3路继电器，在变频器的输入侧增加了零序互感器，当检测到漏电流时，比如漏电流达到设定的30毫安，变频器跳对地保护，关断变频器输出的3路继电器，从而使输出完全没有电压输出。
进一步地，本申请的具有漏电保护功能的远程变频控制器还可以通过远程DTU与变频器通讯，再通过小程序可以随时调节变频器的功能参数，设定工作模式。具体地，工作模式包括：恒压模式(可以设定压力值等)、定时模式(可以设置几点启动、几点停机)、循环模式(24小时制，比如工作1分钟，停机20分钟，反复循环)、手动模式(可以外接浮球控制，外接浮球后，当水满后，浮球常开端会变成常闭，然后停机)。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种具有漏电保护功能的远程变频控制器，其特征在于，包括：
电流信号提取模块，用于从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；
滤波模块，用于对所述电流信号进行滤波处理以得到滤波后电流信号；
波形特征分析模块，用于对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及
漏电分析模块，用于基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护；
其中，所述波形特征分析模块，包括：
空间邻域波形特征提取单元，用于提取所述滤波后电流信号的空间邻域波形特征以得到电流波形特征图；
语义压缩单元，用于对所述电流波形特征图进行全局感知和降维处理以得到全时域电流波形语义压缩特征向量；
选择性区域波形特征提取单元，用于提取所述滤波后电流信号的选择性区域波形特征以得到稀疏电流波形全时域语义特征向量；以及
融合单元，用于融合所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量以得到所述多密度电流波形语义全时域特征向量；
其中，所述漏电分析模块，包括：
特征分布校正单元，用于对所述多密度电流波形语义全时域特征向量进行特征分布校正以得到校正后多密度电流波形语义全时域特征向量；
结果分类单元，用于将所述校正后多密度电流波形语义全时域特征向量通过分类器以得到分类结果，所述分类结果用于表示当前是否存在漏电；以及
漏电保护控制单元，用于响应于当前存在漏电，开启漏电保护；
其中，所述特征分布校正单元，用于：以如下融合公式将所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量进行融合校正以得到校正特征向量；其中，所述融合公式为：
其中，V1是所述稀疏电流波形全时域语义特征向量，V2是所述全时域电流波形语义压缩特征向量，v1i、v2i和vci分别是所述稀疏电流波形全时域语义特征向量V1、所述全时域电流波形语义压缩特征向量V2和所述校正特征向量的第i个位置的特征值，||·||1和||·||2分别是特征向量的1范数和2范数，L是特征向量的长度，且α是权重超参数，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值；以及，将所述校正特征向量与所述多密度电流波形语义全时域特征向量进行融合以得到所述校正后多密度电流波形语义全时域特征向量。
2.根据权利要求1所述的具有漏电保护功能的远程变频控制器，其特征在于，所述空间邻域波形特征提取单元，包括：
特征提取子单元，用于利用深度学习网络模型对所述滤波后电流信号进行基于空间邻域的特征提取以得到所述电流波形特征图。
3.根据权利要求2所述的具有漏电保护功能的远程变频控制器，其特征在于，所述深度学习网络模型为基于卷积神经网络模型的电流波形特征提取器；其中，所述基于卷积神经网络模型的电流波形特征提取器包括输入层、卷积层、激活层、池化层和输出层。
4.根据权利要求3所述的具有漏电保护功能的远程变频控制器，其特征在于，所述特征提取子单元，用于：
对所述滤波后电流信号通过所述基于卷积神经网络模型的电流波形特征提取器以得到所述电流波形特征图。
5.根据权利要求4所述的具有漏电保护功能的远程变频控制器，其特征在于，所述语义压缩单元，包括：
波形全域感知子单元，用于将所述电流波形特征图通过基于非局部神经网络模型的波形全域感知器以得到全时域电流波形特征图；以及
全局均值池化子单元，用于对所述全时域电流波形特征图进行沿通道维度的全局均值池化以得到所述全时域电流波形语义压缩特征向量。
6.根据权利要求5所述的具有漏电保护功能的远程变频控制器，其特征在于，所述选择性区域波形特征提取单元，包括：
局部域特征描述子单元，用于将所述滤波后电流信号通过基于RCNN模型的电流波形区局部域特征描述器以得到电流波形局部感兴趣语义特征向量的序列；以及
拼接子单元，用于将所述电流波形局部感兴趣语义特征向量的序列进行拼接以得到所述稀疏电流波形全时域语义特征向量。
7.根据权利要求6所述的具有漏电保护功能的远程变频控制器，其特征在于，所述分类单元，包括：
全连接编码子单元，用于使用所述分类器的全连接层对所述校正后多密度电流波形语义全时域特征向量进行全连接编码以得到编码分类特征向量；以及
结果分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种具有漏电保护功能的远程变频控制方法，其特征在于，包括：
从零序互感器提取预定时间段的电流信号，其中，所述零序互感器电连接于三相供电电源输出端；
对所述电流信号进行滤波处理以得到滤波后电流信号；
对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量；以及
基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护；
其中，对所述滤波后电流信号进行多密度电流波形特征分析以得到多密度电流波形语义全时域特征向量，包括：
空间邻域波形特征提取单元，用于提取所述滤波后电流信号的空间邻域波形特征以得到电流波形特征图；
语义压缩单元，用于对所述电流波形特征图进行全局感知和降维处理以得到全时域电流波形语义压缩特征向量；
选择性区域波形特征提取单元，用于提取所述滤波后电流信号的选择性区域波形特征以得到稀疏电流波形全时域语义特征向量；以及
融合单元，用于融合所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量以得到所述多密度电流波形语义全时域特征向量；
其中，基于所述多密度电流波形语义全时域特征向量，确定是否开启漏电保护，包括：
对所述多密度电流波形语义全时域特征向量进行特征分布校正以得到校正后多密度电流波形语义全时域特征向量；
将所述校正后多密度电流波形语义全时域特征向量通过分类器以得到分类结果，所述分类结果用于表示当前是否存在漏电；以及
响应于当前存在漏电，开启漏电保护；
其中，对所述多密度电流波形语义全时域特征向量进行特征分布校正以得到校正后多密度电流波形语义全时域特征向量，包括：以如下融合公式将所述稀疏电流波形全时域语义特征向量和所述全时域电流波形语义压缩特征向量进行融合校正以得到校正特征向量；其中，所述融合公式为：
其中，V1是所述稀疏电流波形全时域语义特征向量，V2是所述全时域电流波形语义压缩特征向量，v1i、v2i和vci分别是所述稀疏电流波形全时域语义特征向量V1、所述全时域电流波形语义压缩特征向量V2和所述校正特征向量的第i个位置的特征值，||·||1和||·||2分别是特征向量的1范数和2范数，L是特征向量的长度，且α是权重超参数，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值；以及，将所述校正特征向量与所述多密度电流波形语义全时域特征向量进行融合以得到所述校正后多密度电流波形语义全时域特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311721035.XA CN117638799B (zh) | 2023-12-14 | 2023-12-14 | 具有漏电保护功能的远程变频控制器及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311721035.XA CN117638799B (zh) | 2023-12-14 | 2023-12-14 | 具有漏电保护功能的远程变频控制器及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117638799A CN117638799A (zh) | 2024-03-01 |
| CN117638799B true CN117638799B (zh) | 2024-05-28 |
Family
ID=90032130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311721035.XA Active CN117638799B (zh) | 2023-12-14 | 2023-12-14 | 具有漏电保护功能的远程变频控制器及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117638799B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090069153A (ko) * | 2009-05-25 | 2009-06-29 | 주식회사 파워트론 | 전선로의 누설전류 유효성분 측정 연산 장치 및 그 방법 |
| CN108267684A (zh) * | 2018-01-15 | 2018-07-10 | 哈尔滨理工大学 | 一种变频器故障诊断方法 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN114879079A (zh) * | 2022-04-22 | 2022-08-09 | 发明之家(北京)科技有限公司 | 一种芯片漏电保护系统 |
| CN114943256A (zh) * | 2022-05-31 | 2022-08-26 | 常州大学 | 一种基于时频特征和改进cnn的局部放电识别方法及装置 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
| CN116114260A (zh) * | 2020-12-31 | 2023-05-12 | 华为技术有限公司 | 一种图像处理方法以及装置 |
| CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
| CN117110798A (zh) * | 2023-10-25 | 2023-11-24 | 国网江苏省电力有限公司苏州供电分公司 | 智能配电网的故障检测方法和系统 |
-
2023
- 2023-12-14 CN CN202311721035.XA patent/CN117638799B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090069153A (ko) * | 2009-05-25 | 2009-06-29 | 주식회사 파워트론 | 전선로의 누설전류 유효성분 측정 연산 장치 및 그 방법 |
| CN108267684A (zh) * | 2018-01-15 | 2018-07-10 | 哈尔滨理工大学 | 一种变频器故障诊断方法 |
| CN116114260A (zh) * | 2020-12-31 | 2023-05-12 | 华为技术有限公司 | 一种图像处理方法以及装置 |
| CN114879079A (zh) * | 2022-04-22 | 2022-08-09 | 发明之家(北京)科技有限公司 | 一种芯片漏电保护系统 |
| CN114943256A (zh) * | 2022-05-31 | 2022-08-26 | 常州大学 | 一种基于时频特征和改进cnn的局部放电识别方法及装置 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
| CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
| CN117110798A (zh) * | 2023-10-25 | 2023-11-24 | 国网江苏省电力有限公司苏州供电分公司 | 智能配电网的故障检测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117638799A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Series AC arc fault detection method based on hybrid time and frequency analysis and fully connected neural network | |
| CN114825257B (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN106019138A (zh) | 一种高压断路器机械故障的在线诊断方法 | |
| CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
| CN116470885B (zh) | 高压脉冲电路系统及其控制方法 | |
| CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
| CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
| CN103810451A (zh) | 射频卡检测装置及其射频卡检测方法 | |
| Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
| CN117638799B (zh) | 具有漏电保护功能的远程变频控制器及方法 | |
| CN104062541A (zh) | 一种针对容错永磁电机定子匝间短路的故障诊断方法 | |
| CN114336965A (zh) | 电器类型识别方法、装置及计算机可读存储介质 | |
| Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| CN111160383A (zh) | 一种自适应的油浸式变压器火灾模型预警检测方法 | |
| CN116223075A (zh) | 用于轨道交通车辆的振动稳定性检测系统及方法 | |
| Bayrak et al. | Detection and classification of power quality disturbances in smart grids using artificial intelligence methods | |
| CN114727062A (zh) | 基于普通安防视频监控的穿透检测方法和装置 | |
| CN114817840A (zh) | 断路器状态检测方法、装置、设备及计算机可读存储介质 | |
| Banerjee et al. | Home Security System Using RaspberryPi | |
| CN106375705A (zh) | 防止红外摄像机重启的方法、系统和装置 | |
| Xia et al. | Early fault diagnosis for DC/DC converters based on digital twins and transfer learning | |
| CN117277745B (zh) | 功率管驱动控制方法、功率管驱动系统、电子设备和芯片 | |
| Wang et al. | CALM: Contactless Accurate Load Monitoring via Modality Distillation |
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 |