CN117725393B - 一种低压电弧故障识别方法、装置、设备及存储介质 - Google Patents
一种低压电弧故障识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117725393B CN117725393B CN202410173428.XA CN202410173428A CN117725393B CN 117725393 B CN117725393 B CN 117725393B CN 202410173428 A CN202410173428 A CN 202410173428A CN 117725393 B CN117725393 B CN 117725393B
- Authority
- CN
- China
- Prior art keywords
- frequency
- low
- neural network
- channel
- current
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种低压电弧故障识别方法、装置、设备及存储介质，涉及电气火灾故障检测技术领域。方法包括：采集电路运行时的电流数据，得到电流的低频特征和高频特征；通过双通道神经网络模型的两个通道分别对低频特征和高频进行特征提取，得到低频抽象特征和高频抽象特征；拼接低频抽象特征和高频抽象特征，经过全连接层和输出层得到电路是否发生低压电弧故障的识别结果。通过将电弧高频特征和低频特征同时纳入识别算法网络的输入向量，提取出低频信号的高层次特征与高频特征之间的联系，从而抑制其他类型的高频干扰噪声，实现对故障电弧的有效辨识。
Description
技术领域
本发明涉及电气火灾故障检测技术领域，尤其涉及一种低压电弧故障识别方法、装置、设备及存储介质。
背景技术
随着电气技术的发展，工业电气设备和家用电器剧增，电气故障造成的火灾事故也越来越频繁。电弧故障是由于接触不良、连接松动、绝缘老化、断裂等引起，故障电弧的线路中电流可能很小，但温度高，并使故障迅速扩大，直至点燃附近的可燃物而引发火灾，因此预防由电弧故障引发的火灾尤为重要。
目前一般采用机器学习的方法识别低压电弧故障，通过提取电流波形时频域的特征（时域特征如电流均值、平肩部，频域特征如谐波因数）作为识别模型的输入。然而随着工业用电设备与家用电器的种类增加，故障电弧的探测识别受到电气设备负荷特性的干扰影响越来越严重。对于不同种类的负载，如开关类、电阻类、电容电感类等，其负荷电流波形差异较大，无论是串联电弧或并联电弧，负荷电流混杂故障电弧后，导致故障电弧与负荷电流难以区分。在故障电弧检测常用的1~100kHz频段中，逆变器、整流器以及 DC/DC 转换器一类的电力电子设备产生的高频噪声干扰电弧产生的高频分量，这些噪声干扰与电弧产生的高频分量相互交叠，极易影响检测装置对电弧故障的识别准确性，导致电弧故障误判率显著上升，引发电弧故障断路器动作切断电路，影响人民群众正常的生产生活。
发明内容
本发明提供一种低压电弧故障识别方法、装置、设备及存储介质，以解决由于高频噪声干扰导致电弧故障识别不准确的问题。
本发明通过下述技术方案实现：
本发明的第一方面，提供了一种低压电弧故障识别方法，所述方法包括：
采集电路运行时的电流数据，对所述电流数据进行预处理，得到电流的低频特征和高频特征；
通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果。
本发明的低压电弧故障识别方法，将电弧高频特征和低频特征同时纳入识别算法网络的输入向量，利用双通道神经网络不同通道对特征抽象与映射能力，独立地对电弧高频特征和低频特征进行学习，减少冗余信息的干扰，抽象出高、低频特征中蕴含的波形稳定性、周期性等特点，将两个通道的输出特征进行拼接，经全连接层传播后实现低频特征和高频特征在高维空间的深度融合，提取出低频信号的高层次特征与高频特征之间的联系，从而抑制其他类型的高频干扰噪声，实现对故障电弧的有效辨识。
在一种实施方式中，所述双通道神经网络模型包括卷积神经网络和BP神经网络；
所述通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征，包括：通过所述卷积神经网络的多个卷积层和池化层对所述低频特征进行特征提取，得到低频抽象特征；
所述通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征，包括：通过所述BP神经网络的多个隐含层对所述高频特征进行特征提取，得到高频抽象特征。
在一种实施方式中，采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征，包括：以半周波为采样时间，全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；
基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征；基于当前时刻的半周波高频电流数据和前n个半周波高频电流数据得到电流的高频特征。
在一种实施方式中，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
将当前时刻的半周波低频电流数据分别与前n个半周波低频数据作差，得到n-1个差值数据，将n-1个差值数据和当前时刻的半波周低频电流数据组合为电流的低频特征。
在一种实施方式中，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
对半周波的低频电流数据进行标准化处理，再进行离散小波包变换，得到每个半周波的小波包系数矩阵，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征。
在一种实施方式中，所述方法还包括：采用代价敏感函数对所述双通道神经网络模型的识别结果进行优化，得到最终的预测结果；
所述代价敏感函数为：；
其中，O i 为模型通过Softmax层后计算得到的各类别对应概率，O * i 为优化后的识别结果，Cost为代价敏感矩阵，Cost[i,c]代表将i类判断为c类所需花费的代价，为减小误判代价，令Cost[0,0] = Cost[1,1]= 0，Cost[1,0]=1；
则最终的预测结果为：其中，/>函数表示使（）中的元素取最大值，/>为代价敏感函数/>取最大值时对应的类别。
在一种实施方式中，通过双通道神经网络模型的第一通道对所述低频特征进行特征提取之前，所述方法还包括；
训练所述双通道神经网络模型，包括以下训练步骤：
S1，获取样本数据：采集不同类型负载电路在正常运行条件下和故障条件下的电流样本数据，根据数据来源对所述电流样本数据标注有弧或无弧标签；
S2，数据预处理：对电流样本数据进行预处理，得到电流的低频样本特征和高频样本特征；
S3，设置模型参数：设置双通道神经网络模型的激活函数、损失函数、优化器、学习率、权重衰减参数、批次大小和超参数；
S4，训练双通道神经网络模型：将所述低频样本特征输入双通道神经网络模型的第一通道，将所述高频样本特征输入双通道神经网络模型的第二通道，基于S3中的模型参数对所述双通道神经网络模型进行迭代训练。
本发明的第二方面，提供一种低压电弧故障识别装置，所述装置包括：
数据采集单元，用于采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征；
故障识别单元，用于通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
还用于通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
还用于通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果。
本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项实施例所述的低压电弧故障识别方法。
本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施例所述的低压电弧故障识别方法。
本发明与现有技术相比，具有如下的优点和有益效果：
1、将电流的高频特征和低频特征同时作为识别模型的输入，将低频电流的不稳定与高频特征存在同时作为故障电弧的判据，将高频特征用于识别因噪声干扰导致的电流波形的不稳定，从而区分电弧数据与噪声数据，抑制高频干扰噪声的影响，实现对故障电弧的有效辨识；
2、采用双通道神经网络模型独立地对低频特征和高频特征进行特征抽象和映射，减少冗余信息的干扰，抽象出高、低频特征中蕴含的稳定性、周期性等特点，再通过特征拼接和全连接层传播后实现低频特征和高频特征在高维空间的深度融合，提取出低频信号的高层次特征与高频特征之间的联系，有效识别排除因噪声干扰导致的电流波形的不稳定的情况，降低误识别概率；
3、利用CNN与BP网络算法各自的优点，利用CNN的卷积层提取低频抽象特征，利用BP网络提取高频抽象特征，利用BP网络的非线性映射能力有效率定位和电弧有关联度的特征，提高特征提取精度和提取效；
4、采用当前时刻前n个半周波的电流数据提取低频特征和高频特征作为识别模型的输入，充分考虑到历史数据对当前数据的影响，提高模型预测的稳定性；
5、针对低频电流的稳定性，采用小波包变换的方法，对半周波低频电流数据进行小波包变换，得到二维的系数矩阵，可以在不同尺度上反映信号的突变或者瞬态特征，关注可能由于电弧引起的信号突变，以及突变值是否重复等因素，用于与高频信号联合抑制高频噪声的干扰，进一步降低识别网络误判的概率；
6、对双通道神经网络模型的识别结果进行代价敏感优化，得到模型理想的误判与漏判性能，提高预测结果的可靠性。
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是本发明实施例的一种低压电弧故障识别方法的流程图；
图2是本发明实施例的一种双通道神经网络结构示意图；
图3是本发明实施例的一种低频电流数据小波包变换过程示意图；
图4是通过代价敏感函数优化后的双通道神经网络模型的总体识别准确率；
图5是通过代价敏感函数优化后的双通道神经网络模型的误判率；
图6是故障（左）与正常情况（右）下的低频样本电流特征波形对比图；
图7是故障（左）与正常情况（右）下的高频样本特征1的波形对比图；
图8是故障（左）与正常情况（右）下的高频样本特征2的波形对比图；
图9是本发明实施例的一种基于双通道神经网络的训练与推理系统框图。
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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于或设备固有的其它步骤或单元。
在本申请的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本申请的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语（诸如在一般使用的词典中限定的术语）将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
本发明提供一种低压电弧故障识别方法，适用于检测电路的低压电弧故障，有利于降低检测过程中电路高频噪声的干扰，准确辨识电弧故障发生，消除电气火灾隐患。
图1是本发明实施例的一种低压电弧故障识别方法的流程图。
如图1所示，本发明的低压电弧故障识别方法包括以下步骤：
步骤S101，采集电路运行时的电流数据，对所述电流数据进行预处理，得到电流的低频特征和高频特征；
步骤S102，通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
步骤S103，通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果。
步骤S101中，对待检测电路进行运行数据的实时采集，采集点可以为同一电路的一个位置或多个位置，或同时对不同电路的一个位置或多个位置进行同时监测，具体地，通过ADC实时采样电流的低频电流数据和高频电流数据，后者通过高频采用实现。后端识别方法采用S102中的步骤完成。
对于传统的负载，如电阻、电容、电感类的器件，其正常运行时不存在高频能量，高频特征可以用于指示这类负载是否产生故障电弧。但对于现代电力电子设备如变频器、逆变器、电子开关这些开关类的器件，由于高频干扰噪声的存在，在其高频处表现出杂乱的波形，很难通过简单的阈值判断检测故障电弧。总体而言，部分用电设备和电弧都会表现出高频信号强的特点，存在高频信号是判断电弧故障的重要依据，因此本发明采集电流的高、低频特征作为识别模型的输入特征，通过神经网络的特征学习能力抽象出高、低频特征中蕴含的波形稳定性、周期性等特点，抑制电力电子设备运行中的高频噪声干扰。
步骤S102中，本发明选用双通道神经网络模型，双通道模型具体两个输入网络，能同时处理两种不同的输入，独立地进行学习，再将两种输出特征进行拼接融合，能够学习到两种特征之间的内在关联。本实施例中，利用双通道神经网络模型对电流低频特征和高频特征进行处理，提取出低频信号的高层次特征与高频特征之间的联系，从而抑制高频噪声对电弧高频特征的影响，降低误识别的概率。
在本发明的一种实施方式中，双通道神经网络模型的两个输入通道采用卷积神经网络（Convolutional Neural Networks, CNN）和BP神经网络（Back Propagation NeuralNetwork，BPNN）。
图2是本发明实施例的一种双通道神经网络结构示意图，如图2所示，通过卷积神经网络的多个卷积层和池化层对低频特征进行特征提取，得到低频抽象特征，通过BP神经网络的多个隐含层对高频特征进行特征提取，得到高频抽象特征。
其中，CNN和BP神经网络采用现有的结构，卷积神经网络包括由输入层、多个卷积层和池化层和输出层。BP神经网络包括输入层、一个或多个隐含层和输出层。CNN和BP的输出通过特征拼接层进行融合拼接，再经过全连接层的特征处理后输入到输出层，输出层输出低电压电弧故障的预测概率，通过softmax函数转换为二分类的结果输出。
考虑到现有电弧故障识别技术的不足，为进一步提升低压故障电弧识别的准确性和效率，本发明融合卷积神经网络与BP网络的优点，针对负载电流的低频波形与高频特征进行研究，提出一种基于卷积神经网络与BP网络的双通道特征融合的故障电弧识别算法。这种双通道的结构利用了CNN与BP网络算法各自的优点：CNN算法特征抽取能力强、精度及效率高；BP网络计算资源消耗低，且针对高频信号，在充分研究负载高频特征的前提下，提取电流的高频特征并输入到BP网络，利用其非线性映射能力能够更有效率地定位到和电弧有关联度的特征。最后将两者的输出拼接后通过全连接层与Softmax层分类，得到故障电弧识别的结果，及时辨识电弧故障发生，消除电气火灾隐患。
需要说明的是，上述卷积神经网络和BP神经网络是对于本发明中双通道模型的优选方案，本发明中双通道神经网络模型的两个通道也可以采用其他具备相同或相似功能的深度神经网络模型实现。
在本发明的一种实施方式中，对运行数据进行预处理，得到电流的低频特征和高频特征，包括：以半周波为采样时间，全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征；基于当前时刻的半周波高频电流数据和前n个半周波高频电流数据得到电流的高频特征。
本实施例中，当前半周波即待测半周波，考虑到历史数据对当前半周波的影响，采用滑动窗口的方式加入前n个半周波的历史数据，且每两个半周波间隔一个周期，每个半周波内有64个采样点，以区分负载的正向特性与反向特性，提高故障电弧识别精度。N可取1-4，,本实施例中n取3，即输入特征包括4个半周波的数据。
进一步地，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：将当前时刻的半周波低频电流数据分别与前n个半周波低频数据作差，得到n-1个差值数据，将n-1个差值数据和当前时刻的半波周低频电流数据组合为电流的低频特征。
进一步地，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：对半周波的低频电流数据进行标准化处理，再进行离散小波包变换，得到每个半周波的小波包系数矩阵，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征。
图3是低频电流数据小波包变换过程示意图，小波系数矩阵通过热力图的方式呈现。如图3所示，针对低频电流的稳定性，本实施例采用小波包变换的方法，对半周波数据进行小波包变换，得到二维的系数矩阵。该预处理方法可以在不同尺度上反映信号的突变或者瞬态特征，关注可能由于电弧引起的信号突变。这种变换后的多通道图像数据，不仅表达半周波数据一定的时域频域特征，还表达突变值是否重复等因素，用于输入网络与高频信号联合抑制高频噪声的干扰。
本实施采用离散小波包变换的方法，在小波变换的基础上对原信号分别进行低通、高通滤波，分解为低频子带与高频子带，这种处理方法得到小波包系数的尺度一致，经降采样滤波器后得到下一层分解节点，逐层分解并不断往后延拓，其公式如（1）和（2）所示。
（1）
（2）
其中，W i-1,j 代表第i-1层分解第j个终端节点的小波系数集合，g[k]和h[k]分别为低通滤波器和高通滤波器，k为滤波器长度，2n为i-1层待分解子带的长度。处理过程中采用db4小波，对4个通道的半周波数据分别应用3级小波包变换。
进一步地，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征，包括：将n个半周波小波包系数矩阵组合为电流的低频特征。
进一步地，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征，包括：将当前时刻的半周波小波包系数矩阵分别与前n个半周波小波包系数矩阵作差，得到n-1个差值小波包系数矩阵，将n-1个差值小波包系数矩阵和当前时刻的半波小波包系数矩阵组合为电流的低频特征。
将3个差值矩阵与当前时刻的半周波的系数矩阵，组合为4通道的二维小波包系数矩阵，输入图2的通道1中的网络学习相邻频带与历史数据间的关系。
在本发明的一种实施方式中，还包括：采用代价敏感函数对所述双通道神经网络模型的识别结果进行优化，得到最终的预测结果。
在本实施例中，双通道神经网络模型的输出为网络的初步分类结果，训练完成后，对测试集上性能最优的网络进行代价敏感优化，确定阈值移动法的参数，以寻求模型理想的误判与漏判性能。
阈值移动（Threshold-Moving）无需对训练过程做出修改，是实现代价敏感成本较低且更为灵活的有效方案。在测试阶段，对于二分类神经网络的Softmax输出O i (i∈{0,1})，通过阈值移动的方法，将其修改为下式(3)。
（3）
其中，O * i 为优化后的识别结果，Cost为代价敏感矩阵，Cost[i,c]代表将i类判断为c类所需花费的代价，为减小误判代价，令Cost[0,0] = Cost[1,1]= 0，Cost[1,0]=1。
上式（3）简化为（4）：
（4）
调整Cost[0,1]即可实现误判率的减小，其值需要根据所得模型具体设置，使得误判与漏判率均保持在可接受的范围内。最终的识别分类结果可通过式（5）得到，即最终的预测结果为：
（5）
其中，函数表示使（）中的元素取最大值，/>为代价敏感函数/>取最大值时对应的类别。
在一种实施方式中，通过双通道神经网络模型的第一通道对低频特征进行特征提取之前，还包括训练双通道神经网络模型的步骤，训练步骤如下：
步骤S110，获取样本数据：采集不同类型负载电路在正常运行条件下和故障条件下的电流样本数据，根据数据来源对所述电流样本数据标注有弧或无弧标签；
步骤S120，数据预处理：对电流样本数据进行预处理，得到电流的低频样本特征和高频样本特征；
步骤S130，设置模型参数：设置双通道神经网络模型的激活函数、损失函数、优化器、学习率、权重衰减参数、批次大小和超参数；
步骤S140，训练双通道神经网络模型：将所述低频样本特征输入双通道神经网络模型的第一通道，将所述高频样本特征输入双通道神经网络模型的第二通道，基于S3中的模型参数对所述双通道神经网络模型进行迭代训练。
在步骤S110中，预设采样频率与窗口长度，采集各类负载正常工作状态和故障电弧状态下的特征数据，其包含负载的电流波形以及通过电路采集得到的高频成分。其中，负载类型包括：纯阻类、电容电感类、开关类，如调光灯、卤素灯、热水壶、电钻等，故障类型包括串联故障电弧和并联故障电弧.所得的数据为ADC采样后的结果，需要针对数据进一步进行预处理等处理过程。
进一步地，将步骤S110中获取的样本数据划分为训练集、测试集和验证集，训练集用于双通道神经网络模型的反复迭代训练，测试集和验证集用于对训练后的双通道神经网络模型进行测试和验证。
在步骤S120中，对训练数据进行预处理，得到电流的低频样本特征和高频样本特征。其中，预处理包括数据归一化、小波变换、特征组合等处理，得到最终输入双通道神经网络模型的高频输入特征和低频输入特征。具体预处理过程参见上述预处理相关实施例。
在步骤S130中，构建双通道神经网络模型并对模型相关设置进行配置，本发明采用的双通道神经网络模型为常见的双通道结构，即由两个输入特征提取通道、特征拼接层、全连接层和输出层构成，具有结构简单的优点。因此该步骤中主要是对模型相关设置进行配置，包括激活函数、损失函数、优化器、学习率、权重衰减参数、批次大小和超参数等。以上设置可根据训练集大小和实际情况灵活设置。
在步骤S140中，本实施例采用现有技术中常规的训练方式，基于步骤S130中的设置对模型进行训练，直到模型满足预设条件或达到预设迭代次数。此外，可通过测试集、测试集对训练好的模型进行评估，根据误判率、漏判率、精准率等参数验证网络的性能与泛化能力，若网络性能不符合预期，则继续进行训练的步骤，若负荷预期，则输出该双通道神经网络模型，将该模型应用于低压电弧故障的实时预测。
进一步地，若评估上述双通道神经网络模型不符合预期，则调整步骤S130中的超参数重新进行迭代训练；否之，则输出该双通道神经网络模型。
进一步地，针对测试集与得到的理想模型，进行代价敏感调整，选采样阈值移动法移动二分类神经网络的输出，取最合适的阈值移动法的代价敏感参数，确保漏判率在可接受范围的前提下，尽可能减小误判率。
将上述双通道神经网络模型引入故障电弧识别流程，模型输入为负载的时间窗口，将采集的负载的电流低频特征与高频特征分别输入双通道神经网络的两个通道中，实时地得到当前时间窗口中对应有无电弧分类。根据一段时间序列电弧的出现次数综合判断故障电弧的产生。
完成上述模型训练步骤后，对于步骤S101中采集的部分波形数据，采用以上训练步骤得到的网络进行故障识别。另采用卷积网络Lenet-5与深度卷积网络Resnet18，直接输入电流数据进行训练，与双通道网络进行对比，其结果如表1所示。其中，误判率定义为无弧数据判为有弧数据占总体无弧数据的比例，漏判率为有弧数据判为无弧数据占总体无弧数据的比例。
表1测试集上各网络识别结果
| 网络类型 | 总体准确度(%) | 误判数 | 漏判数 | 误判率(%) | 漏判率(%) | 消耗时间(s) |
| Lenet-5 | 97.43 | 1905 | 1501 | 1.66 | 8.23 | 2.63 |
| Resnet18 | 98.51 | 1049 | 919 | 0.91 | 5.04 | 152 |
| 双通道网络 | 98.51 | 1143 | 828 | 0.99 | 4.54 | 3.77 |
由表1可知，Lenet-5网络与双通道网络对于低频电流的处理基本一致，区别在于未将高频特征作为输入；Resnet18则是将低频电流与高频特征直接输入一维卷积网络提取特征，并未采用小波变换的处理。结果显示，双通道网络在加入高频特征后识别效果显著提升，且与深度网络Resnet18相比，由于利用小波包变换预先提取特征，两者在准确度上的测试结果相差不大，但是在时间效率上有着50倍左右的提升。依据上述实例，本发明能在兼顾效率与实用性的前提下，抑制噪声干扰精准识别检测多种类负载中故障电弧的发生。
图4是通过代价敏感函数优化后的双通道神经网络模型的总体识别准确率，图5是通过代价敏感函数优化后的双通道神经网络模型的误判率，优化后的双通道网络模型进一步减小误判率，使本发明适应多种实际应用中复杂的工作环境。即通过上述步骤，本发明能实时地监测故障电弧的发生，有效防止火灾、触电等事故，降低人身及财产安全上的潜在风险。
下面以一种完整的实施方式说明本发明的低电压电弧故障识别方法，包括以下步骤：
步骤一、数据采集。
本发明通过电流互感器对电路中的电流进行实时采集，采集不同负载类型的电路的电流波形数据，负载类型包括纯阻类、电容电感类、开关类，如调光灯、卤素灯、热水壶、电钻等。同时利用电弧发生器得到带故障电弧的波形数据，包含串联故障电弧与并联故障电弧。电弧的波形数据经过ADC采样得到，并经过预处理得到时域上的低频特征与高频特征。
通过ADC采样后的电弧波形数据共有四维，低频数据的采样频率为6.4kHz，高频数据采用100MHz的采样频率，通过高频滤波后求出10/64ms内数据的峰值，将其作为低频数据的对应点。其中第一维是电流的低频波形，第二、三维则展示了其高频特征，第四维是该波形数据对应的标签。电弧数据中存在高频特征显著但并非低压电弧的数据，这些数据可以看做是噪声干扰导致的。神经网络能通过低频数据与高频特征的搭配，筛选出真实的故障电弧，排除噪声干扰。
上述电流数据随机划分为训练集、测试集、验证集，其比例为8:1:1，用于构建实验的数据集。训练集用于模型的反复迭代，验证集则用于评估模型在未见过的数据上的性能以及超参数的调整。测试集用于训练完成后，反映模型在真实场景中的泛化能力。此外，考虑到历史数据对当前半周波的影响，采用滑动窗口的方式加入前3个半周波的历史数据，且每两个半周波间隔一个周期，每个半周波内有64个采样点，以区分负载的正向特性与反向特性，提高故障电弧识别精度。样本标签即无弧有弧的判断用于标注最后的单个半周波。
步骤二、数据预处理。
预处理模块采用标准化方法，压缩低频电流数据，不对高频电流进行处理。标准化后的低频电流数据计算离散小波包变换，对原信号分别进行低通、高通滤波，经降采样滤波器后得到下一层分解节点，并不断往后延拓。
步骤三、构建双通道神经网络模型。
图6-8为步骤一中采集的负载波形样本，图6是故障（左）与正常情况（右）下的低频样本电流特征波形对比图，图7是故障（左）与正常情况（右）下的高频样本特征1的波形对比图，图8是故障（左）与正常情况（右）下的高频样本特征2波形对比图。低频波形主要展示了故障电弧发生过程中半周波内电流波形的变化，在不同的负载类型与故障电弧存在较大的差异，复杂程度高；而后两种采集到的高频特征只在少数时间点上出现短暂起伏变化，较为稀疏，复杂程度低。两类特征描述信号的角度不同，低频波形相对于高频部分需要更为高效的结构取提取波形中蕴含的抽象特征。
构建如图2所示的双通道神经网络模型，双通道神经网络模型包括两个输入通道1和2、特征拼接层、全连接层和输出层，通道1采用卷积神经网络，通道2采用 BP神经网络。
网络超参数定义以下表2形式呈现，网络的激活函数为Relu函数，输出通过Softmax分类，并选取交叉熵损失函数计算训练集上的损失。优化器为Adam，学习率为1.0×10-3，权重衰减(weight decay)参数λ=1.0×10-3，批次大小（batch size）为512。超参数应对应数据集进行设计与调整，上述参数为通过测试得到的适合大样本数据集训练的超参数。
表2 双通道网络各层参数
首先对各层网络参数进行初始化，将低频特征输入通道1，利用多个卷积层与池化层学习提取复杂的参数；将高频特征输入通道2，通过BP网络进一步抽象高频特征。
电流特征经由两个通道的网络分别提取后进行融合拼接，最后通过多个全连接层与Softmax函数输出为有弧与无弧两种类别。
使用测试集和验证集进行模型推理，根据误判率、漏判率、精准率等参数验证网络的性能与泛化能力。若网络性能不符合预期，则调整模型超参数重新进行迭代训练，否则进入步骤四。
步骤四、模型输出结果优化。
训练完成后，对测试集上性能最优的网络进行代价敏感优化，具体实现过程参见本发明的上述相关实施例。
步骤五、低压电弧故障预测。
将模型引入故障电弧识别流程，输入为负载的时间窗口。将负载的电流波形与高频特征输入网络中，实时地得到当前时间窗口中对应有无电弧分类。根据一段时间序列电弧的出现次数综合判断故障电弧的产生。
如图6所示是本发明基于双通道神经网络的训练与推理系统框图，如图6所示，该系统包括数据采集模块、神经网络模块和分类识别模块。
数据采集模块用于采集电流低频数据和高频数据，以及预处理，预处理包括标准化、小波包变换等，将采集的电路数据处理成双通道神经网络模型的输入。
神经网络模块为双通道神经网络模型，通过两个通道分别接收电路的低频特征和高频特征，输出预测结果。
分类识别模块中通过代价敏感方法对双通道网络的输出结果进行优化，得到故障电弧的判断结果。
本实施例的各模块功能与本发明上述方法实施例各方法对应，具体实现过程参照上述方法实施例。
本发明的第二方面，提供一种低压电弧故障识别装置，该装置包括：
数据采集单元，用于采集电路运行数据，对运行数据进行预处理，得到电流的低频特征和高频特征；
故障识别单元，用于通过双通道神经网络模型的第一通道对低频特征进行特征提取，得到低频抽象特征；
故障识别单元还用于通过双通道神经网络模型的第二通道对高频特征进行特征提取，得到高频抽象特征；
故障识别单元还用于通过双通道神经网络模型的特征拼接层将低频抽象特征和高频抽象特征进行拼接，再经过全连接层和输出层得到电路是否发生低压电弧故障的识别结果。
本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项实施例所述的低压电弧故障识别方法。
本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施例所述的低压电弧故障识别方法。
本发明的第三方面，提供一种电子设备，该电子设备包括处理器、存储器、输入装置、输出装置以及通信装置；计算机设备中处理器的数量可以是一个或多个，电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，以实现本发明上述任一项实施例所述的低压电弧故障识别方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序，存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可用于接收电流数据等外部数据以及设置指令等，输出装置用于输出数据处理结果或中间数据。
本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时实现本发明上述任一项实施例所述的低压电弧故障识别方法。存储介质可以是ROM/RAM、磁碟、光盘等。
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 (8)
1.一种低压电弧故障识别方法，其特征在于，所述方法包括：
以半周波为采样时间， 全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；
基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征；
基于当前时刻的半周波高频电流数据和前n个半周波高频电流数据得到电流的高频特征；
通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果；
所述双通道神经网络模 型包括卷积神经网络和BP神经网络；
所述通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征，包括：通过所述卷积神经网络的多个卷积层和池化层对所述低频特征进行特征提取，得到低频抽象特征；
所述通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征，包括：通过所述BP神经网络的多个隐含层对所述高频特征进行特征提取，得到高频抽象特征。
2.根据权利要求1所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
将当前时刻的半周波低频电流数据分别与前n个半周波低频数据作差，得到n-1个差值数据，将n-1个差值数据和当前时刻的半波周低频电流数据组合为电流的低频特征。
3.根据权利要求1所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
对半周波的低频电流数据进行标准化处理，再进行离散小波包变换，得到每个半周波的小波包系数矩阵，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征。
4. 根据权利要求1所述的低压电弧故障识别方法，其特征在于，所述方法还包括：采用代价敏感函数对所述双通道神经网络模型的识别结果进行优化，得到最终的预测结果；
所述代价敏感函数为：
；
其中，O i 为模型通过Softmax层后计算得到的各类别对应概率，O * i 为优化后的识别结果，Cost为代价敏感矩阵，Cost[i,c]代表将i类判断为c类所需花费的代价，为减小误判代价，令Cost[0,0] = Cost[1,1] = 0，Cost[1,0]=1；
则最终的预测结果为：。
5.根据权利要求1所述的低压电弧故障识别方法，其特征在于，通过双通道神经网络模型的第一通道对所述低频特征进行特征提取之前，所述方法还包括；
训练所述双通道神经网络模型，包括以下训练步骤：
S1，获取样本数据：采集不同类型负载电路在正常运行条件下和故障条件下的电流样本数据，根据数据来源对所述电流样本数据标注有弧或无弧标签；
S2，数据预处理：对电流样本数据进行预处理，得到电流的低频样本特征和高频样本特征；
S3，设置模型参数：设置双通道神经网络模型的激活函数、损失函数、优化器、学习率、权重衰减参数、批次大小和超参数；
S4，训练双通道神经网络模型：将所述低频样本特征输入双通道神经网络模型的第一通道，将所述高频样本特征输入双通道神经网络模型的第二通道，基于S3中的模型参数对所述双通道神经网络模型进行迭代训练。
6.一种低压电弧故障识别装置，其特征在于，所述装置包括：
数据采集单元，用于以半周波为采样时间， 全周波为采样间隔实时采集电路的低频电流数据和高频电流数据； 基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征；基于当前时刻的半周波高频电流数据和前n个半周波高频电流数据得到电流的高频特征；
故障识别单元，用于通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
还用于通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
还用于通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果
所述双通道神经网络模 型包括卷积神经网络和BP神经网络；
所述通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征，包括：通过所述卷积神经网络的多个卷积层和池化层对所述低频特征进行特征提取，得到低频抽象特征；
所述通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征，包括：通过所述BP神经网络的多个隐含层对所述高频特征进行特征提取，得到高频抽象特征。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的低压电弧故障识别方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的低压电弧故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173428.XA CN117725393B (zh) | 2024-02-07 | 2024-02-07 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173428.XA CN117725393B (zh) | 2024-02-07 | 2024-02-07 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117725393A CN117725393A (zh) | 2024-03-19 |
| CN117725393B true CN117725393B (zh) | 2024-05-07 |
Family
ID=90207312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410173428.XA Active CN117725393B (zh) | 2024-02-07 | 2024-02-07 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725393B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118338328B (zh) * | 2024-06-14 | 2024-08-16 | 四川酷比通信设备有限公司 | 基于人工智能的5g-ntn卫星通信智能化评估系统 |
| CN118549778B (zh) * | 2024-07-29 | 2024-10-15 | 德力西电气有限公司 | 故障电弧识别方法、电路和计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535589A (zh) * | 2018-05-21 | 2018-09-14 | 彭浩明 | 一种故障电弧检测方法及装置 |
| CN111257684A (zh) * | 2020-04-01 | 2020-06-09 | 浙江人民电器有限公司 | 一种电弧故障检测的方法及系统 |
| CN111401307A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军海军航空大学 | 基于深度度量学习的卫星遥感图像目标关联方法和装置 |
| CN112381667A (zh) * | 2020-11-12 | 2021-02-19 | 国网四川省电力公司电力科学研究院 | 一种基于深度学习的配网电气拓扑识别方法 |
| CN113379661A (zh) * | 2021-06-15 | 2021-09-10 | 中国工程物理研究院流体物理研究所 | 红外与可见光图像融合的双分支卷积神经网络及融合方法 |
| CN114091340A (zh) * | 2021-11-26 | 2022-02-25 | 华中科技大学 | 一种基于多物理场直流局部放电模型的构建与判别方法 |
| CN116031453A (zh) * | 2022-12-30 | 2023-04-28 | 同济大学 | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
Family Cites Families (2)
| 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 |
| CN113627518B (zh) * | 2021-08-07 | 2023-08-08 | 福州大学 | 利用迁移学习实现神经网络脑电情感识别模型的方法 |
-
2024
- 2024-02-07 CN CN202410173428.XA patent/CN117725393B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535589A (zh) * | 2018-05-21 | 2018-09-14 | 彭浩明 | 一种故障电弧检测方法及装置 |
| CN111257684A (zh) * | 2020-04-01 | 2020-06-09 | 浙江人民电器有限公司 | 一种电弧故障检测的方法及系统 |
| CN111401307A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军海军航空大学 | 基于深度度量学习的卫星遥感图像目标关联方法和装置 |
| CN112381667A (zh) * | 2020-11-12 | 2021-02-19 | 国网四川省电力公司电力科学研究院 | 一种基于深度学习的配网电气拓扑识别方法 |
| CN113379661A (zh) * | 2021-06-15 | 2021-09-10 | 中国工程物理研究院流体物理研究所 | 红外与可见光图像融合的双分支卷积神经网络及融合方法 |
| CN114091340A (zh) * | 2021-11-26 | 2022-02-25 | 华中科技大学 | 一种基于多物理场直流局部放电模型的构建与判别方法 |
| CN116031453A (zh) * | 2022-12-30 | 2023-04-28 | 同济大学 | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于概念漂移监测与增量更新机制的超短期风电功率在线预测》;潘春阳等;《中国电机工程学报》;20231227;1-11 * |
| 《配电网树线放电故障容性电流转移消弧实验研究》;赵福平等;《中国电力》;20221130;第55卷(第11期);51-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117725393A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117725393B (zh) | 一种低压电弧故障识别方法、装置、设备及存储介质 | |
| Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
| CN107219447B (zh) | 一种基于阻抗特征的直流电弧检测方法及系统 | |
| CN105738764A (zh) | 基于暂态信息全频带的配电网故障区段定位方法 | |
| Afrasiabi et al. | Power transformers internal fault diagnosis based on deep convolutional neural networks | |
| CN210111945U (zh) | 光伏系统直流侧电弧故障检测系统 | |
| CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
| CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
| CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
| CN110007198A (zh) | 一种新型的单相接地故障启动方法 | |
| Shen et al. | Fast-Fourier-transform enhanced progressive singular-value-decomposition algorithm in double diagnostic window frame for weak arc fault detection | |
| Paul et al. | Efficient-ArcNet: Series AC arc fault detection using lightweight convolutional neural network | |
| CN113922361B (zh) | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 | |
| CN112183628A (zh) | 基于多种线性时频变换的交流电弧故障检测方法及系统 | |
| Musa et al. | Linear regression index‐based method for fault detection and classification in power transmission line | |
| CN111487507A (zh) | 基于小波包能量比值的配电网高阻故障辨识方法 | |
| Gong et al. | Series arc fault identification method based on wavelet transform and feature values decomposition fusion DNN | |
| CN113092899B (zh) | 变压器电气故障识别方法、系统、终端以及可读存储介质 | |
| CN114742295A (zh) | 一种基于小波变换技术的设备用电故障预测方法 | |
| Zhang et al. | Lightweight AC arc fault detection method by integration of event-based load classification | |
| Yeh et al. | A comparative study of orthogonal algorithms for detecting the HIF in MDCs | |
| CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
| CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 |
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 |