故障电弧检测模型构建方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了故障电弧检测模型构建方法、装置、设备及存储介质，该方法包括：获取目标回路中待检测电流；对所述待检测电流进行两层小波提取，获得小波变换后的数据；对所述小波变换后的数据进行编码，获得用于故障电弧检测的特征标识；通过神经网络对所述特征标识进行训练，并根据训练样本的数据类型对模型的参数进行优化，获得故障电弧检测模型。本发明专利技术采用一种基于颜色编码的特征提取和深度学习的故障诊断方式，有效解决故障电弧由于燃弧程度不同、电流畸变程度不同导致的错检和漏检问题。电流畸变程度不同导致的错检和漏检问题。电流畸变程度不同导致的错检和漏检问题。

【技术实现步骤摘要】
故障电弧检测模型构建方法、装置、设备及存储介质


[0001]本专利技术属于故障电弧识别
，尤其涉及故障电弧检测模型构建方法、装置、设备及存储介质。

技术介绍

[0002]目前串联故障电弧的检测方法主要有以下三种：一是基于弧光、热、电磁辐射的故障检测，此方法在实际应用中会受到电弧发生位置的不确定及用电负载类型多样化的限制，适用范围有一定的局限性；第二种是基于电弧数学模型，该方法因模型不完善，参数类型较多一直停留在模型仿真阶段；第三种是基于电弧的电流电压波形。
[0003]常用的方法是基于故障电弧电流特征的检测方法，通过特征提取提取故障电弧的时频域特征进行故障电弧检测。
[0004]目前基于电流电压的故障电弧检测存在的主要问题包含故障特征提取的有效性，由于燃弧的随机性，传统的时频域特征的识别率不高，出现误检、漏检的问题，难以广泛应用；其次是人工智能检测方法存在计算量大的问题，使得检测算法的可实现性较低。

技术实现思路

[0005]本专利技术的目的在于，为克服现有技术缺陷，提供了故障电弧检测模型构建方法、装置、设备及存储介质,采用一种基于颜色编码的特征提取和深度学习的故障诊断方式，有效解决故障电弧由于燃弧程度不同、电流畸变程度不同导致的错检和漏检问题。
[0006]本专利技术目的通过下述技术方案来实现：
[0007]一种故障电弧检测模型构建方法，所述方法包括：
[0008]获取目标回路中待检测电流；
[0009]对所述待检测电流进行两层小波提取，获得小波变换后的数据；
[0010]对所述小波变换后的数据进行编码，获得用于故障电弧检测的特征标识；
[0011]通过神经网络对所述特征标识进行训练，并根据训练样本的数据类型对模型的参数进行优化，获得故障电弧检测模型。
[0012]进一步的，所述对所述待检测电流进行两层小波提取具体包括：
[0013]对所述待检测电流进行2层小波分解，小波分解方法为
[0014][0015][0016]其中，c
j
‑
1,k
表示小波分解空间V
j
‑1的第k个尺度系数，d
j
‑
1,k
表示小波分解空间W
j
‑1的第k个小波系数，h
n
为定义的低通滤波器，g
n
为定义的高通滤波器，Z为整数；
[0017]通过小波分解得到一组包含所述待检测电流从低频到高频的不同频带信息的一
维向量。
[0018]进一步的，所述对所述小波变换后的数据进行矩阵编码具体包括：
[0019]将小波变换后的数据进行归一化和极坐标变换，通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
[0020][0021]其中，x
i
是经过归一化后的用电负荷时间序列；t
i
为采样时间戳；N为降采样参数；X为包含n个实值的电能数据时间序列，X＝{x1,x2,...,x
n
}；φ为极坐标系中与极轴的夹角，r为极坐标中的半径；
[0022]对经过极坐标转换后的数据采用格拉姆矩阵，将数据转换为二维向量，格拉姆矩阵为
[0023][0024]其中，φ
i
为时间序列中对应的实值x
i
转换到极坐标系中与极轴的夹角，G为格拉姆编码矩阵，X'为X的转置矩阵，I为与X同维度的单位矩阵。
[0025]进一步的，所述神经网络包括AlexNet网络，所述AlexNet网络包括ReLU激活函数。
[0026]进一步的，所述AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
[0027]进一步的，所述AlexNet网络的池化层选用平均值池化，选用N/2尺寸大小的过滤器进行采样。
[0028]进一步的，所述AlexNet网络在完成参数优化后，将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。
[0029]另一方面，本专利技术还提供了一种故障电弧检测模型构建装置，所述装置包括：
[0030]电流获取模块，用于获取目标回路中待检测电流；
[0031]小波变换模块，用于对所述待检测电流进行两层小波提取，获得小波变换后的数据；
[0032]数据编码模块，用于对所述小波变换后的数据进行编码，获得用于故障电弧检测的特征标识；
[0033]模型建立模块，用于通过神经网络对所述特征标识进行训练，并根据训练样本的数据类型对模型的参数进行优化，获得故障电弧检测模型。
[0034]可选地，所述小波变换模块对所述待检测电流进行两层小波提取具体包括：
[0035]对所述待检测电流进行2层小波分解，小波分解方法为
[0036][0037][0038]其中，c
j
‑
1,k
表示小波分解空间V
j
‑1的第k个尺度系数，d
j
‑
1,k
表示小波分解空间W
j
‑1的第k个小波系数，h
n
为定义的低通滤波器，g
n
为定义的高通滤波器，Z为整数；
[0039]通过小波分解得到一组包含所述待检测电流从低频到高频的不同频带信息的一维向量。
[0040]可选地，所述数据编码模块对所述小波变换后的数据进行矩阵编码具体包括：
[0041]将小波变换后的数据进行归一化和极坐标变换，通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为
[0042][0043]其中，x
i
是经过归一化后的用电负荷时间序列；t
i
为采样时间戳；N为降采样参数；X为包含n个实值的电能数据时间序列，X＝{x1,x2,...,x
n
}；φ为极坐标系中与极轴的夹角，r为极坐标中的半径；
[0044]对经过极坐标转换后的数据采用格拉姆矩阵，将数据转换为二维向量，格拉姆矩阵为
[0045][0046]其中，φ
i
为时间序列中对应的实值x
i
转换到极坐标系中与极轴的夹角，G为格拉姆编码矩阵，X'为X的转置矩阵，I为与X同维度的单位矩阵。
[0047]可选地，所述模型建立模块采用的神经网络包括AlexNet网络，所述AlexNet网络包括ReLU激活函数。
[0048]可选地，所述模型建立模块采用的AlexNet网络的卷积层包含连接局部响应归一化和Dropout操作。
[0049]可选地，所述模型建立模块采用的AlexNet网络的池化层选用平均值池化，选用N/
2尺寸大小的过滤器进行采样。
[0050]可选地，模型建立模块在所述AlexNet网络在完成参数优化后，将格拉姆矩阵编码后的数据通过10折交叉验证划分为训练集和测试集进行网络性能测试与调优。...

【技术保护点】

【技术特征摘要】
1.一种故障电弧检测模型构建方法，其特征在于，所述方法包括：获取目标回路中待检测电流；对所述待检测电流进行两层小波提取，获得小波变换后的数据；对所述小波变换后的数据进行编码，获得用于故障电弧检测的特征标识；通过神经网络对所述特征标识进行训练，并根据训练样本的数据类型对模型的参数进行优化，获得故障电弧检测模型。2.如权利要求1所述的故障电弧检测模型构建方法，其特征在于，所述对所述待检测电流进行两层小波提取具体包括：对所述待检测电流进行2层小波分解，小波分解方法为波分解，小波分解方法为其中，c
j
‑
1,k
表示小波分解空间V
j
‑1的第k个尺度系数，d
j
‑
1,k
表示小波分解空间W
j
‑1的第k个小波系数，h
n
为定义的低通滤波器，g
n
为定义的高通滤波器，Z为整数；通过小波分解得到一组包含所述待检测电流从低频到高频的不同频带信息的一维向量。3.如权利要求2所述的故障电弧检测模型构建方法，其特征在于，所述对所述小波变换后的数据进行矩阵编码具体包括：将小波变换后的数据进行归一化和极坐标变换，通过格拉姆矩阵将数据转换为二维向量,极坐标转换方法为方法为其中，x
i
是经过归一化后的用电负荷时间序列；t
i
为采样时间戳；N为降采样参数；X为包含n个实值的电能数据时间序列，X＝{x1,x2,...,x
n
}；φ为极坐标系中与极轴的夹角，r为极坐标中的半径；对经过极坐标转换后的数据采用格拉姆矩阵，将数据转换为二维向量，格拉姆矩阵为
其中...

【专利技术属性】
技术研发人员：李松浓，晏尧，王毅，徐鑫，吕小红，彭文鑫，向菲，雷娟，梁花，宫林，
申请(专利权)人：重庆邮电大学国家电网有限公司，
类型：发明
国别省市：