【技术实现步骤摘要】
基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法
[0001]本专利技术属于电气故障检测
，涉及通过相似性度量与迁移学习，挖掘发生于直流系统运行过程之中不同工况(指不同应用场景、源荷类型下的工作设备)下故障电弧电气特征的共性与差异，从而利用能够适应工况变化的工况运行状态(分为正常、故障电弧和类弧)识别算法实现多变直流故障电弧(即复杂多变工况下直流故障电弧)的实时精准检测。
技术介绍
[0002]传统故障电弧检测方法通常要求机器学习具有大量的训练分布，并且训练和测试数据需服从独立同分布，然而现实中电气设备的工作环境恶劣且工况复杂多变，不同工况下的数据存在分布差异，对于故障数据稀缺或者标签数据匮乏的一些工况，例如光伏直流发电系统、远距离高压直流送电、电动汽车充电桩等工况，基于机器学习的传统故障电弧检测方法将难以适用。随着5G基站、数据中心等的扩容扩建，应用场景及源荷类型的多变性使直流故障电弧特征更加复杂和多样化，若故障电弧检测方法无法自适应的对多变直流故障电弧进行判定，则直流故障电弧检测装置会出现拒动，而一旦故障电...
【技术保护点】
【技术特征摘要】
1.一种基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法，其特征在于：该故障电弧自适应检测方法包括以下步骤：1)对采集的系统输出电流进行时频变换处理，然后提取特征；2)将步骤1提取的特征输入基于深度学习的状态辨识模型，从而通过对直流故障电弧与类弧的判别确定系统工况运行状态；对当前工况通过机器学习评估特征相似性度量值和模型输出概率分布间联合分布模式，从而将步骤1提取的特征判别为不可辨识工况类型数据或可辨识工况类型数据，并选取不可辨识工况类型数据对基于深度学习的状态辨识模型通过迁移学习进行更新，其中特征相似性度量值为步骤1提取的特征与基于深度学习的状态辨识模型中的训练特征之间相似性度量的距离值。2.根据权利要求1所述一种基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法，其特征在于：所述步骤1具体包括以下步骤：1.1)对直流系统的输出电流按采样频率fs进行逐点采样，得到一个分析时段的电流信号x
q
，该分析时段的采样点数为q；所述q为8000～12000，fs为200kHz～1MHz；1.2)将采集到的电流信号x
q
进行时频变换后选取反映故障电弧信息的频段，按照当前分析时段内该频段上故障电弧信息点多对一的映射形式构建特征；所述故障电弧信息点为与电流信号x
q
长度一致的重构小波包系数；该小波包系数是通过将采用Rbio3.1母小波对电流信号x
q
进行小波包分解所得时频矩阵中31250Hz至62500Hz频段上的小波包系数进行重构而得到。3.根据权利要求1所述一种基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法，其特征在于：所述状态辨识模型采用一维卷积神经网络，使输入的特征依次通过两个卷积层、批量归一化层、池化层以及全连接层，并输出辨识结果，从而对直流系统的电弧发生情况按分析时段进行逐一判断；所述一维卷积神经网络的初始训练参数包括：循环次数为15～30，batchsize为75～125，学习率为0.0005～0.0015，第一个动量的衰减因子beta1为0.7～1.0，无穷大范数的衰减因子beta2为0.8～1.0。4.根据权利要求1所述一种基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法，其特征在于：所述多时段故障电弧判断的参数包括：分析时段总数为8～15，判定为故障电弧所需生弧状态辨识次数的占比为≥80％。5.根据权利要求1所述一种基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法，其特征在于：所述模型输出概率分布通过概率分布判断获得，概率分布判断具体包括以下步骤：从辨识结果为系统处于生弧状态的分析时段开始，判断从该分析时段开始的连续m个分析时段中辨识结果为系统处于生弧状态的分析时段的数量占比，若该数量占比满足概率分布要求，则记该数量占比为概率P并输出概率P作为从所述分析时段开始连续N个分析时段内的模型输出概率分布结果，若该数量占比不满足概率分布要求，则依次判断N个分析时段内余下的各连续m个分析时段中辨识结果为系统处于生弧状态的分析时段的数量占比，若其中某连续m个分析时段满足概率分布要求，则记该连续m个分析时段的对应数量占比为概率P并输出概率P作为N个分析时段内的模型输出概率分布结果，若直至N个分析时段中最后连续m个分析时段中辨识结果为系统处于生弧状态的分析时段的数量占比仍不满足概率分布要求，则对N个分析时段所含所有连续m个分析时段的对应数量占比取均值，记该均值为概率P并输出概率P作为N个...
【专利技术属性】
技术研发人员：陈思磊，王源丰，孟羽，沈力，高佳宇，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。