CN118395104A - 一种串联故障电弧检测方法、系统、装置及可读存储介质 - Google Patents
一种串联故障电弧检测方法、系统、装置及可读存储介质 Download PDFInfo
- Publication number
- CN118395104A CN118395104A CN202410797335.4A CN202410797335A CN118395104A CN 118395104 A CN118395104 A CN 118395104A CN 202410797335 A CN202410797335 A CN 202410797335A CN 118395104 A CN118395104 A CN 118395104A
- Authority
- CN
- China
- Prior art keywords
- encoder
- self
- fault arc
- data
- arc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000002474 experimental method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight 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
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出的一种串联故障电弧检测方法、系统、装置及可读存储介质，属于故障电弧检测技术领域。所述方法包括：对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器；基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型；利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据；利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像；将特征灰度图像进行伪彩色处理，生成对应的伪彩色图；将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型；实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
Description
技术领域
本发明涉及故障电弧检测技术领域，更具体的说是涉及一种串联故障电弧检测方法、系统、装置及可读存储介质。
背景技术
电气设备与线路长时间运行易产生绝缘破损、线路断裂、电气接触不良等突出问题，在重大火灾事故中，由电气故障引发的火灾愈加频繁，其中电弧故障导致的火灾事故达到了近50%。电弧故障可分为并联型、串联型和接地型。并联型和接地型电弧故障会产生较大的短路电流或对地泄露电流，可用断路器和漏电保护器对此类故障加以防范。而串联型电弧故障由于故障电流小，故障波形受负载的影响复杂多变，而难以被现有保护设备保护或检测。
早期串联电弧故障检测中，以电弧产生的弧光、弧声、电磁辐射等物理量来检测电弧故障。但由于电气线路所处环境的复杂性，该方法局限性较大，多用于开关柜、配电箱等定点的电弧检测。近年来，串联故障电弧检测多用故障电流信号的时域、频域或时频域特征，并结合一定的分类或机器学习算法识别故障电弧。时域信息的检测方法包括零休时间、电流变化率、偏态、峭度和高阶累积量等数学统计量指标。
现有电弧识别方法的共性为利用现有数学方法从正常与故障电流波形中提取表象特征，并分析二者在一种或多种表象特征上的差异，以检测串联电弧故障。其优点是分类过程较为直观，但同时也造成检测方法局限，无法揭示出电弧更深层的故障特性。
发明内容
针对以上问题，本发明的目的在于提供一种串联故障电弧检测方法、系统、装置及可读存储介质，通过去噪自编码器提取串联故障电弧波形的深层次特征，再利用深度残差网络对故障特征进行学习和辨别，实现对串联型故障电弧的初步检测。
本发明为实现上述目的，通过以下技术方案实现：一种串联故障电弧检测方法，包括：
对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器；
基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型；
利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据；所述样本数据包括实验结果正常的样本数据和发生电弧故障的样本数据；
利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像；
将特征灰度图像进行伪彩色处理，生成对应的伪彩色图；
将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型；
实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
进一步，所述利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据，包括：
利用滑动窗口批量获取实验所得的电弧实验数据，捕捉所述电弧实验数据的局部特征；
采用最大最小标准化对所述实验数据进行归一化处理。
进一步，所述对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器，包括：
根据公式通过编码器f EN将输入样本X映射到隐藏层，得到其编码特征值Z；其中，为编码器激活函数，W EN为编码器权重矩阵，b EN为编码器偏置；
编码完成后，根据公式通过解码器f DE对隐藏层编码特征Z进行数据重构；其中，为解码器的激活函数，W DE为解码器权重矩阵，b DE为解码器偏置；
基于自编码器，在其输入层加入随机失活正则化或通过在输入样本中叠加噪声，以作为自编码器的输入X′，通过迭代训练生成去噪自编码器；
根据以下公式将去噪自编码器的学习目标设定为将重构输出样本Y与未叠加噪声的原始输入X间的偏差最小化：
；
其中，X′为叠加噪声的原始输入数据，NF为噪声叠加因子，XN服从标准正态分布。
进一步，所述利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像，包括：
将样本数据输入到去躁自编码器进行训练；
通过设置去躁自编码器隐藏层的维度为50，使每一样本数据均可得到数值在[0,1]间的50维深层特征；
将样本数据拓展至[0,255]区间，以绘制出正常情形和发生电弧故障时对应的特征灰度图像。
进一步，所述将特征灰度图像进行伪彩色处理，生成对应的伪彩色图，包括：
将特征灰度图像分别输入红、绿、蓝三原色通道；
通过将红、绿、蓝三原色通道输出的RGB值进行合成，生成特征灰度图像对应的伪彩色图。
进一步，所述基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型，包括：
通过以下公式计算二维卷积神经网络的输入层数据信息与其二维卷积核所重叠部分的内积，并通过非线性激活函数便得到特征输出值：
；
其中，为第k层的第i个特征图，为第k层的第i个卷积核矩阵，为网络的第k层输出，为第k层卷积层的偏置值；g()为ReLU激活函数，表达式如下：
；
通过以下公式对特征输出值进行池化处理：
；
其中，为第k个池化层在(i, j)处的值；pool()表示池化规则，包括最大值池化、随机池化和平均池化；为(i, j)处的感受野；为在感受野(m, n)处对应的输入；
以二维卷积神经网络的全连接层进一步提取池化层的特征以输出模型结果，并利用归一化指数函数完成数据的多分类任务；
基于二维卷积神经网络的架构，引入了残差网络模块，并通过快捷连接跳过卷积块来避免梯度消失现象；
通过恒等映射使二维卷积神经网络的输入X短路连接到有参层的输出Y，有参层得到相应的残差映射。
进一步，所述将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型，包括：
将伪彩色图输入残差网络模型，通过残差网络模型对伪彩色图的红、绿、蓝三原色通道输出的RGB值进行深度学习训练，生成串联故障电弧识别模型。
相应的，本发明还公开了一种串联故障电弧检测系统，包括：
编码器优化模块，配置用于对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器；
残差网络模型构建模块，配置用于基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型；
样本获取模块，配置用于利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据；
特征提取模块，配置用于利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像；
数据处理模块，配置用于将特征灰度图像进行伪彩色处理，生成对应的伪彩色图；
模型训练模块，配置用于将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型；
实时识别模块，配置用于实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
相应的，本发明公开了一种串联故障电弧检测装置，包括：
存储器，用于存储串联故障电弧检测程序；
处理器，用于执行所述串联故障电弧检测程序时实现如上文任一项所述串联故障电弧检测方法的步骤。
相应的，本发明公开了一种可读存储介质，所述可读存储介质上存储有串联故障电弧检测程序，所述串联故障电弧检测程序被处理器执行时实现如上文任一项所述串联故障电弧检测方法的步骤。
对比现有技术，本发明有益效果在于：
1、本发明以滑动窗口从实验获得的正常与故障电弧信号中获取批量样本，并将其归一化处理，有效防止了去噪自编码器和残差网络模型在学习训练中产生特征偏向。
2、本发明利用去噪自编码器具有的强特征提取能力，从正常和故障电弧电流信号中提取出高维抽象特征，不再利用故障电弧电流的时频域特征。将去噪自编码器获取的特征值转化为灰度图像，将灰度图像以伪彩色进行处理，最后将三通道图像输入到残差网络模型训练提高其分辨能力。
3、本发明通过去噪自编码器提取串联故障电弧波形的深层次特征，再利用深度残差网络对故障特征进行学习和辨别，实现对串联型故障电弧的初步检测。本发明能够提取出故障电弧中除表象特征外的深层次故障特征，克服传统串联故障电弧的检测方法局限且检测正确率不高的问题。
4、本发明可以解决串联电弧故障难以检测，以及利用常规深度学习所带来的学习退化问题，提高串联电弧故障的检出率，对未参与模型训练的负载，亦有较高的检出率，泛化能力强。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明具体实施方式的方法流程图。
图2是本发明具体实施方式的去噪自编码器的结构原理图。
图3是本发明具体实施方式的二维卷积神经网络的结构示意图。
图4是本发明具体实施方式的残差网络模型的残差块结构示意图。
图5是本发明具体实施方式的负载正常工作时的特征灰度图。
图6是本发明具体实施方式的发送串联电弧故障时的特征灰度图。
图7是图5对应的伪彩色图。
图8是图6对应的伪彩色图。
图9是本发明具体实施方式的串联电弧实验电路示意图。
图10是本发明具体实施方式的ResNet在训练集上的错误率示意图。
图11是本发明具体实施方式的ResNet在测试集上的错误率示意图。
图12是本发明具体实施方式的系统结构图。
图中，1、编码器优化模块；2、残差网络模型构建模块；3、样本获取模块；4、特征提取模块；5、数据处理模块；6、模型训练模块；7、实时识别模块。
具体实施方式
参见图1所示，本实施例提供了一种串联故障电弧检测方法，包括如下步骤：
S1：对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器。
具体来说，对于机器分类学习算法，若输入数据中包含了未被分离的噪声，可能造成分类算法的过拟合，以致算法的分类效果和泛化能力下降，原因是机器学习算法会将其中所包含的噪声也认为是数据的分类特征。传统自编码器AE经迭代训练后可取得较好效果，但其不具有降噪能力，为此需引入去噪自编码器DAE以提高模型的泛化能力。
在具体实施方式中，AE在训练中首先通过编码器将输入样本X映射到隐藏层，得到其编码特征值Z，如下式所示：
；
其中，为编码器激活函数，WEN为编码器权重矩阵，bEN为编码器偏置。
编码完成后，以解码器fDE对隐藏层编码特征Z进行数据重构。如下式所示：
；
其中，为解码器的激活函数，W DE为解码器权重矩阵，b DE为解码器偏置。
去噪自编码器原理如图2所示，其在AE的基础上，在输入层加入随机失活（Dropout）正则化或通过在输入样本中叠加噪声，以作为传统AE的输入X′。本方法选择在原始输入中叠加噪声的方式实现DAE，如下式所示。DAE学习目标为将重构输出样本Y与未叠加噪声的原始输入X间的偏差最小化。
；
式中，X′为叠加噪声的原始输入数据，NF为噪声叠加因子，XN服从标准正态分布。
经上述处理后，DAE从叠加噪声的输入中学习到的特征鲁棒性强，可以更多的保留数据潜在空间的相关信息，而滤除噪声等不相关内容。
S2：基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型。
其中，二维卷积神经网络CNN是深度学习的典型方法，含有高和宽两个维度，通过多层的卷积运算提取图像特征。CNN结构如图3所示，其由卷积层、池化层和全连接层组成，卷积层用于局部特征的提取。
在具体实施方式中，首先计算输入层数据信息与二维卷积核所重叠部分的内积，再将其通过一个非线性激活函数便得到特征输出值，如下式所示。激活函数通常采用修正线性单元（ReLU），可以将部分神经元输出清零，加快训练速度。
；
其中，为第k层的第i个特征图，为第k层的第i个卷积核矩阵，为网络的第k层输出，为第k层卷积层的偏置值；g()为ReLU激活函数，表达式如下：
；
池化层位于卷积层之后，主要作用有两个，一是将提取的高维特征进行降维，提高运算效率以避免过拟合；二是保证特征的不变性，提高模型泛化能力。通过以下公式对特征输出值进行池化处理：
；
式中，为第k个池化层在(i, j)处的值；pool()表示池化规则，包括最大值池化、随机池化和平均池化；为(i, j)处的感受野；为在感受野(m, n)处对应的输入。
经卷积和池化处理后，以全连接层进一步提取池化层的特征以输出模型结果，最后利用归一化指数函数（Softmax）完成数据的多分类任务。
在CNN的架构基础上，本方法的残差网络模型ResNet的构建借鉴高速网络的跨层连接思想，引入了残差网络模块（RBB），通过快捷连接跳过卷积块来避免梯度消失现象，使神经网络的输入X通过恒等映射短路连接到有参层的输出Y，有参层得到相应的残差映射。
其中，残差网络模型的残差块结构如图4所示，CONV表示卷积层；BN表示进行去均值归一化，以减弱不同特征之间的差异。左右两图分别为标准残差块和带降采样层的残差块，对比于CNN让有参层学习输入、输出间的直接映射，学习二者的残差映射。可有效降低网络学习难度，打破了传统神经网络第n层的输出只能作为第n+1层输入的惯例。
由于ResNet在不同网络训练深度下均有着较高的识别率，在152层的超高层训练深度下，电弧识别率可以达到99.7%。且对于未参与ResNet网络训练的负载，识别率亦可达97.6%，展现出较好的泛化能力。因此，通过构建该残差网络，ResNet的训练深度可以达到成百上千层，且网络性能不会下降。
S3：利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据。
在具体实施方式中，为防止学习模型的过拟合和泛化能力下降，利用滑动窗口对电弧实验数据进行处理，在得到批量数据的同时，既能捕捉局部特征，又能保留时间序列数据的时间依赖性。对于神经网络和深度学习而言，若某一输入维度的数值较高，会造成神经网络在学习中过分偏向此类特征，因此，在批量获取到实验所得的电弧实验数据后，采用最大最小标准化进行实验数据的归一化处理，并将其作为样本数据。
其中，样本数据包括实验结果正常的样本数据和发生电弧故障的样本数据。
S4：利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像。
在具体实施方式中，首先，将归一化的样本数据输入到去躁自编码器进行训练。通过设置去躁自编码器隐藏层的维度为50，使每一样本数据均可得到数值在[0,1]间的50维深层特征；将样本数据拓展至[0,255]区间，以绘制出正常情形和发生电弧故障时对应的特征灰度图像。
S5：将特征灰度图像进行伪彩色处理，生成对应的伪彩色图。
在具体实施方式中，计算机视觉识别与人眼的视觉感官类似，对彩色图像的分辨能力要远高于灰度图像，为从特征图中提取到更多电弧故障特征，以伪彩色对得到的灰度图像进行图像增强。因此，首先将特征灰度图像分别输入至具有不同变化特性的红、绿、蓝（RGB）三原色通道，再将各通道输出的RGB值进行合成，便得到特征灰度图对应的伪彩色图。其中，特征灰度图和对应的伪彩色图如图5-图8所示。
S6：将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型。
在具体实施方式中，将伪彩色图输入残差网络模型，通过残差网络模型对伪彩色图的红、绿、蓝三原色通道输出的RGB值进行深度学习训练，生成串联故障电弧识别模型。
S7：实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
在具体实施方式中，电气设备的电弧电流信号，参照步骤S3-S5的数据处理过程，将处理后的数据到串联故障电弧识别模型中，生成串联故障电弧检测结果。
基于上述串联故障电弧检测方法，本发明还公开了一种串联故障电弧检测方法，具体如下：
1、电弧实验装置的搭建：
电弧实验装置如图9所示，其主要由220V工频交流电源、电流互感器、负载、电弧发生器、数据采集模块和计算机等组成。电弧发生器参照国际UL1699标准制作，包括可移动的尖头铜电极、固定的平头石墨电极、绝缘棒、金属滑轨底座及步进电机等。
实验流程为：接通电源及待测负载后，控制步进电机移动铜电极至产生稳定燃烧电弧，以电流互感器采集干路电流，利用AD7606高精度16位ADC与STM32单片机完成模数转换与数据采集后，将故障与正常电流数据上传至计算机以待进一步分析。考虑实际效益，电流互感器的采样频率不宜过高，而较低又会造成故障信息的埋没，给电弧识别带来困难，综合考虑，对每电流周期采样256点，即采样频率设置为12.8kHz。根据负载的电流波形特性可将其分为线性与非线性负载两类，线性负载的电流波形呈现为理想的正弦波，非线性负载的电流波形为非正弦波，存在周期性畸变。考虑到实际中负载的并联使用与故障电弧所在干路与支路位置的不同，设计了多种电弧实验方案。
2、DAE特征提取：
对负载进行编号，将正常与故障电流信号各采集5个工频周期，依据滑动窗口数据处理方法，每一负载的正常与故障情形均可获得1280-256+1共1025个样本，正常与故障情形分别对应5125个样本，总样本数量为10250个。将归一化后的样本数据输入到DAE进行训练，设置DAE隐藏层的维度为50，每一样本均可得到数值在[0,1]间的50维深层特征，将其拓展至[0,255]区间，可得对应的特征灰度图像。将灰度图像分别输入至具有不同变化特性的红、绿、蓝（RGB）三原色通道，再将各通道输出的RGB值进行合成，便得到灰度图对应的伪彩色图。
3、ResNet网络训练：
利用前文的数据处理方法和DAE提取出正常与故障电弧特征后，共得到样本10250个，其中8000个样本作为ResNet的训练集，2250个样本作为测试集。每一个样本为1×50维的RGB三原色图片，将其切割重组为5×10维，再把RGB三个通道的5×10维图形作为ResNet的输入。分别设置ResNet的网络学习深度为18、50和152层（指卷积层和全连接层，不包括池化层）。用于训练的数据集批样本大小（BatchSize）设定为50。在18、50、152的不同训练深度下，ResNet在训练集上的错误率如图10所示，ResNet在测试集上的错误率如图11所示。
可见，本发明公开的串联故障电弧检测方法，是一种基于去噪自编码器（Denoising Autoencoder，DAE）和深度残差网络（Deep Residual Network，ResNet）的串联故障电弧检测方法，其特点是，首先利用滑动窗口和数据归一化方法从实验所得数据中获取大量训练样本，再以DAE处理实验采集的故障与正常样本，获取各样本的高维抽象特征数据；其次，将所得特征转化为灰度图像再以伪彩色处理，单通道的灰度图像被映射为三通道的彩色值，通过ResNet对三通道的大量RGB值进行深度学习训练，所得训练模型可实现对串联故障电弧的初步识别。该方法可以解决串联电弧故障难以检测，以及利用常规深度学习所带来的学习退化问题，提高串联电弧故障的检出率，对未参与模型训练的负载，亦有较高的检出率，泛化能力强。
参见图12所示，本发明还公开了一种串联故障电弧检测系统，包括：编码器优化模块1、残差网络模型构建模块2、样本获取模块3、特征提取模块4、数据处理模块5、模型训练模块6和实时识别模块7。
编码器优化模块1，配置用于对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器。
残差网络模型构建模块2，配置用于基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型。
样本获取模块3，配置用于利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据。
特征提取模块4，配置用于利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像。
数据处理模块5，配置用于将特征灰度图像进行伪彩色处理，生成对应的伪彩色图。
模型训练模块6，配置用于将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型。
实时识别模块7，配置用于实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
本实施例的串联故障电弧检测系统的具体实施方式与上述串联故障电弧检测方法的具体实施方式基本一致，在此不再赘述。
本发明还公开了一种串联故障电弧检测装置，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的串联故障电弧检测程序时实现如上文任一项所述串联故障电弧检测方法的步骤。
进一步的，本实施例中的串联故障电弧检测装置，还可以包括：
输入接口，用于获取外界导入的串联故障电弧检测程序，并将获取到的串联故障电弧检测程序保存至所述存储器中，还可以用于获取外界终端设备传输的各种指令和参数，并传输至处理器中，以便处理器利用上述各种指令和参数展开相应的处理。本实施例中，所述输入接口具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。
输出接口，用于将处理器产生的各种数据输出至与其相连的终端设备，以便于与输出接口相连的其他终端设备能够获取到处理器产生的各种数据。本实施例中，所述输出接口具体可以包括但不限于USB接口、串行接口等。
通讯单元，用于在串联故障电弧检测装置和外部服务器之间建立远程通讯连接，以便于串联故障电弧检测装置能够将镜像文件挂载到外部服务器中。本实施例中，通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。
键盘，用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。
显示器，用于运行串联故障电弧检测过程的相关信息进行实时显示。
鼠标，可以用于协助用户输入数据并简化用户的操作。
本发明还公开了一种可读存储介质，这里所说的可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。可读存储介质中存储有串联故障电弧检测程序，所述串联故障电弧检测程序被处理器执行时实现如上文任一项所述串联故障电弧检测方法的步骤。
综上所述，本发明通过去噪自编码器提取串联故障电弧波形的深层次特征，再利用深度残差网络对故障特征进行学习和辨别，实现对串联型故障电弧的初步检测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的串联故障电弧检测方法、系统、装置及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种串联故障电弧检测方法，其特征在于，包括：
对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器；
基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型；
利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据；所述样本数据包括实验结果正常的样本数据和发生电弧故障的样本数据；
利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像；
将特征灰度图像进行伪彩色处理，生成对应的伪彩色图；
将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型；
实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
2.根据权利要求1所述的串联故障电弧检测方法，其特征在于，所述利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据，包括：
利用滑动窗口批量获取实验所得的电弧实验数据，捕捉所述电弧实验数据的局部特征；
采用最大最小标准化对所述实验数据进行归一化处理。
3.根据权利要求1所述的串联故障电弧检测方法，其特征在于，所述对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器，包括：
根据公式通过编码器f EN将输入样本X映射到隐藏层，得到其编码特征值Z；其中，为编码器激活函数，W EN为编码器权重矩阵，b EN为编码器偏置；
编码完成后，根据公式通过解码器f DE对隐藏层编码特征Z进行数据重构；其中，为解码器的激活函数，W DE为解码器权重矩阵，b DE为解码器偏置；
基于自编码器，在其输入层加入随机失活正则化或通过在输入样本中叠加噪声，以作为自编码器的输入X′，通过迭代训练生成去噪自编码器；
根据以下公式将去噪自编码器的学习目标设定为将重构输出样本Y与未叠加噪声的原始输入X间的偏差最小化：
；
其中，X′为叠加噪声的原始输入数据，NF为噪声叠加因子，XN服从标准正态分布。
4.根据权利要求3所述的串联故障电弧检测方法，其特征在于，所述利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像，包括：
将样本数据输入到去躁自编码器进行训练；
通过设置去躁自编码器隐藏层的维度为50，使每一样本数据均可得到数值在[0,1]间的50维深层特征；
将样本数据拓展至[0,255]区间，以绘制出正常情形和发生电弧故障时对应的特征灰度图像。
5.根据权利要求4所述的串联故障电弧检测方法，其特征在于，所述将特征灰度图像进行伪彩色处理，生成对应的伪彩色图，包括：
将特征灰度图像分别输入红、绿、蓝三原色通道；
通过将红、绿、蓝三原色通道输出的RGB值进行合成，生成特征灰度图像对应的伪彩色图。
6.根据权利要求5所述的串联故障电弧检测方法，其特征在于，所述基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型，包括：
通过以下公式计算二维卷积神经网络的输入层数据信息与其二维卷积核所重叠部分的内积，并通过非线性激活函数便得到特征输出值：
；
其中，为第k层的第i个特征图，为第k层的第i个卷积核矩阵，为网络的第k层输出，为第k层卷积层的偏置值；g()为ReLU激活函数，表达式如下：
；
通过以下公式对特征输出值进行池化处理：
；
其中，为第k个池化层在(i, j)处的值；pool()表示池化规则，包括最大值池化、随机池化和平均池化；为(i, j)处的感受野；为在感受野(m, n)处对应的输入；
以二维卷积神经网络的全连接层进一步提取池化层的特征以输出模型结果，并利用归一化指数函数完成数据的多分类任务；
基于二维卷积神经网络的架构，引入了残差网络模块，并通过快捷连接跳过卷积块来避免梯度消失现象；
通过恒等映射使二维卷积神经网络的输入X短路连接到有参层的输出Y，有参层得到相应的残差映射。
7.根据权利要求6所述的串联故障电弧检测方法，其特征在于，所述将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型，包括：
将伪彩色图输入残差网络模型，通过残差网络模型对伪彩色图的红、绿、蓝三原色通道输出的RGB值进行深度学习训练，生成串联故障电弧识别模型。
8.一种串联故障电弧检测系统，其特征在于，包括：
编码器优化模块，配置用于对自编码器进行迭代训练，并在训练过程中通过在自编码器的原始输入中加入噪声的方式，生成去噪自编码器；
残差网络模型构建模块，配置用于基于二维卷积神经网络，通过引入残差网络模块构建残差网络模型；
样本获取模块，配置用于利用滑动窗口对实验所得的电弧实验数据进行预处理，并获取样本数据；
特征提取模块，配置用于利用去躁自编码器对样本数据进行处理，获取相应的特征灰度图像；
数据处理模块，配置用于将特征灰度图像进行伪彩色处理，生成对应的伪彩色图；
模型训练模块，配置用于将伪彩色图输入残差网络模型进行深度训练，生成串联故障电弧识别模型；
实时识别模块，配置用于实时获取电气设备的电弧数据，并输入到串联故障电弧识别模型中，生成串联故障电弧检测结果。
9.一种串联故障电弧检测装置，其特征在于，包括：
存储器，用于存储串联故障电弧检测程序；
处理器，用于执行所述串联故障电弧检测程序时实现如权利要求1至7任一项权利要求所述的串联故障电弧检测方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有串联故障电弧检测程序，所述串联故障电弧检测程序被处理器执行时实现如权利要求1至7任一项权利要求所述的串联故障电弧检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410797335.4A CN118395104A (zh) | 2024-06-20 | 2024-06-20 | 一种串联故障电弧检测方法、系统、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410797335.4A CN118395104A (zh) | 2024-06-20 | 2024-06-20 | 一种串联故障电弧检测方法、系统、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118395104A true CN118395104A (zh) | 2024-07-26 |
Family
ID=91985306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410797335.4A Pending CN118395104A (zh) | 2024-06-20 | 2024-06-20 | 一种串联故障电弧检测方法、系统、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118395104A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507251A (zh) * | 2017-07-19 | 2017-12-22 | 清华大学 | 一种双极化sar图像的伪彩色合成方法和装置 |
| CN113203914A (zh) * | 2021-04-08 | 2021-08-03 | 华南理工大学 | 基于dae-cnn的地下电缆早期故障检测和识别方法 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN114139577A (zh) * | 2021-11-15 | 2022-03-04 | 国网天津市电力公司 | 基于一维卷积自编码网络的故障电弧识别方法及装置 |
| CN114820540A (zh) * | 2022-05-07 | 2022-07-29 | 网易（杭州）网络有限公司 | 图像异常检测方法及装置、存储介质、电子设备 |
| CN115516295A (zh) * | 2020-05-22 | 2022-12-23 | 科磊股份有限公司 | 使用深度学习方法的缺陷尺寸测量 |
| CN116295847A (zh) * | 2023-02-10 | 2023-06-23 | 江苏同展供用电工程有限公司 | 电力设备故障诊断系统及诊断方法 |
| CN116821840A (zh) * | 2023-05-15 | 2023-09-29 | 安徽大学 | 一种基于特征级融合多模态的滚动轴承故障检测方法 |
| CN116975533A (zh) * | 2023-08-01 | 2023-10-31 | 郑州轻工业大学 | 基于se注意力的多级残差卷积自编码的机械信号降噪方法 |
| CN117326420A (zh) * | 2023-10-07 | 2024-01-02 | 埃克塞尔智能科技有限公司 | 一种基于图像识别的联动电梯故障识别、诊断方法 |
-
2024
- 2024-06-20 CN CN202410797335.4A patent/CN118395104A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507251A (zh) * | 2017-07-19 | 2017-12-22 | 清华大学 | 一种双极化sar图像的伪彩色合成方法和装置 |
| CN115516295A (zh) * | 2020-05-22 | 2022-12-23 | 科磊股份有限公司 | 使用深度学习方法的缺陷尺寸测量 |
| CN113203914A (zh) * | 2021-04-08 | 2021-08-03 | 华南理工大学 | 基于dae-cnn的地下电缆早期故障检测和识别方法 |
| CN114139577A (zh) * | 2021-11-15 | 2022-03-04 | 国网天津市电力公司 | 基于一维卷积自编码网络的故障电弧识别方法及装置 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN114820540A (zh) * | 2022-05-07 | 2022-07-29 | 网易（杭州）网络有限公司 | 图像异常检测方法及装置、存储介质、电子设备 |
| CN116295847A (zh) * | 2023-02-10 | 2023-06-23 | 江苏同展供用电工程有限公司 | 电力设备故障诊断系统及诊断方法 |
| CN116821840A (zh) * | 2023-05-15 | 2023-09-29 | 安徽大学 | 一种基于特征级融合多模态的滚动轴承故障检测方法 |
| CN116975533A (zh) * | 2023-08-01 | 2023-10-31 | 郑州轻工业大学 | 基于se注意力的多级残差卷积自编码的机械信号降噪方法 |
| CN117326420A (zh) * | 2023-10-07 | 2024-01-02 | 埃克塞尔智能科技有限公司 | 一种基于图像识别的联动电梯故障识别、诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| （美）查鲁·C.阿加沃尔著；石川，杨成译: "《 神经网络与深度学习》", 31 August 2021, 北京：机械工业出版社, pages: 224 - 227 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949278B (zh) | 基于对抗自编码网络的高光谱异常检测方法 | |
| CN111523601B (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
| CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
| CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
| CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
| CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
| CN112666426A (zh) | 基于多光谱三合一图像的设备故障检测方法及系统 | |
| Pei et al. | UV‐flashover evaluation of porcelain insulators based on deep learning | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及系统 | |
| Li et al. | Ferromagnetic resonance over-voltage identification method based on Gram angle field | |
| Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
| CN112949424B (zh) | 一种神经形态视觉采样方法及装置 | |
| CN114241310A (zh) | 基于改进yolo模型的堤防管涌险情智能识别方法 | |
| CN113947643A (zh) | Rgb图像重建为高光谱图像的方法、装置、设备及存储介质 | |
| CN118395104A (zh) | 一种串联故障电弧检测方法、系统、装置及可读存储介质 | |
| CN114077819B (zh) | 故障电弧检测模型构建方法、装置、设备及存储介质 | |
| CN114998708B (zh) | 一种基于图谱信号的茶叶种类识别方法和装置 | |
| CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 | |
| CN115565082A (zh) | 一种卫星遥感图像云噪声去除方法、系统和装置 | |
| Long et al. | Recognition of Internal Overvoltage in Distribution Network Based on 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 |