基于一维空洞卷积神经网络的故障电弧检测方法技术

本发明专利技术公开了基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：S1.故障电弧实验与电流波形分析；S2.模型构建；S3.基于1D

【技术实现步骤摘要】
基于一维空洞卷积神经网络的故障电弧检测方法


[0001]本专利技术属于电路保护
，具体是基于一维空洞卷积神经网络的故障电弧检测方法。

技术介绍

[0002]电气设备在使用过程中，由于线路松动、绝缘材料破损等导致接触不良，进而产生故障电弧，当线路发生故障电弧时，可瞬间产生1400~1600℃局部高温，极易引燃线路周围可燃物进而引发火灾。不同负载电流在不同工作状态下具有不同特征而导致多样性；负载发生故障电弧时，故障电弧电流与正常工作电流相似；当某条支路发生故障电弧时，故障特征容易被干路电流淹没而造成隐蔽性。串联故障电弧常因这样的多样性、相似性、隐蔽性而难以检测。因此，检测线路故障电弧以防止潜在损失具有重要意义。
[0003]目前，故障电弧检测方法主要基于电弧物理特性和电弧电流特性。其中，物理特性主要有辐射、弧光和弧声等，但是受测量传感器安装位置限制，常用于开关柜、配电柜等特定设备故障电弧检测。因电弧电流与电弧发生位置无关，测量干路电流检测故障电弧是目前热点研究方向。利用傅里叶变换、小波变换等工具提取电弧电流时域、频域、时频域特征，通过设定经验阈值或分类算法检测故障电弧。
[0004]目前，端到端故障电弧检测模型只能处理较低采样率获取的电流短序列信号。采样率越高，对电流信号波形还原度越精确，获取的特征信息越丰富，但单位时间内采样点数据越多，输入检测模型序列越长。循环神经网络(RecurrentNeural Network,RNN)因梯度爆炸或梯度消失等问题很难训练长序列数据，并且RNN每个时间步推理必须等待其所有前导完成，这使RNN难以并行化。传统卷积神经网络(ConvolutionalNeural Network,CNN)处理长序列数据时需要多层卷积而导致模型过大，或叠加池化层减小模型大小，但添加池化层可能会丢失故障电弧重要特征信息。
[0005]因此，有必要提供基于一维空洞卷积神经网络的故障电弧检测方法，以解决上述
技术介绍
中提出的问题。

技术实现思路

[0006]为实现上述目的，本专利技术提供如下技术方案：基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：S1.故障电弧实验与电流波形分析；S2.模型构建；S3.基于1D
‑
DCNN检测故障电弧。
[0007]进一步，作为优选，所述S1中，其包括以下步骤：S1
‑
1.搭建点接触式串联故障电弧实验平台，用以模拟实际电气线路故障电弧；所述实验平台主要有交流电源、点接触电弧发生装置、负载、开关、电流采集探头和示波器组成；
S1
‑
2.实验方案与数据采集，其中，实验方案设置12种工况，每种工况的负载A和负载B分别放置相应编号的实验负载，并在相应故障位置放置电弧发生器；实验数据采集装置置于干路，由示波器与电流探头组成；S1
‑
3.数据预处理与波形分析；对电流序列进行[
‑
1,1]归一化，通过Matlab归一化函数mapminmax对电流序列进行归一化处理，其中mapminmax归一化函数如下：将和代入mapminmax归一化函数得[
‑
1,1]归一化函数，如下所示：式中，代表归一化后的电流值，代表原始电流值，y代表归一化函数。
[0008]进一步，作为优选，所述S2中，其包括以下步骤：S2
‑
1.引用空洞卷积理论，第l层t位置的一维空洞卷积输出计算公式：式中k代表卷积核大小，代表卷积核参数，代表扩张率，代表一维空洞卷积；S2
‑
2.模型构建，检测模型结构包含输入层、1D
‑
DCNN模块、集成学习分类层、输出层，采用循环填充方法缓解边界效应，卷积层将输入信号始端与信号末端一起卷积，同时采用扩展型指数线性单元激活函数(SeLU)，即：式中，、为激活函数参数、为以x为自变量的扩展型指数线性单元激活函数、为数学常数e的x次幂，由Klambauer计算出、，使用随网络深度增加而指数增大的扩张率，即第层扩张率为，模型通过层空洞卷积实现最后一个卷积层输出的每个点都能获取长度为n的序列完整信息，最后结合简单的平均集成学习和Softmax做分类决策。
[0009]进一步，作为优选，所述S3中，利用Pytorch1.6.0框架配置1D
‑
DCNN故障电弧检测模型，其包括以下步骤：S3
‑
1.故障电弧数据构建，将每种工况电流序列以半个周期为一样本拆分，每样本包含5000电流采样点，构建故障电弧数据库，将拆分后的每种工况数据集按照随机采样原则分为训练集、验证集、测试集，并将其按9:1:1比例划分；S3
‑
2.模型训练，1D
‑
DCNN故障电弧检测模型采用交叉熵损失函数，Adam优化器进行训练，Adam参数设置为学习率lr=0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，训练轮数Epoch=100，每训练一次Epoch用验证集验证模型准确率，保存验证集准确率最高的模型参数，之后用测试集评价其性能；
S3
‑
3.模型性能评价，通过测试集的样本评价验证集准确率最高的模型性能；S3
‑
4.模型性能比较，在同样的数据集、同样的训练条件下，使用同等数量级参数的不同模型进行测试，选取负载分类准确率、负载状态识别准确率、总体准确率作为衡量指标，验证所提模型检测故障电弧性能。
[0010]与现有技术相比，本专利技术的有益效果是：本专利技术提出基于一维空洞卷积神经网络(One
‑
Dimensional DilatedConvolutional Neural Network,1D
‑
DCNN)端到端故障电弧检测方法，空洞卷积能够解决在卷积和池化过程中带来的特征精度和特征信息损失的问题，并能够并行化计算易于训练；首先搭建串联故障电弧实验平台，包含单负载和双支路负载实验工况，以500khz采样干线不同工况条件下正常和故障电流数据，半个工频周期为样本建立故障电弧数据库，包含训练集、验证集和测试集。通过一维空洞卷积模块提取故障电弧特征信息，结合简单的平均集成学习和Softmax做检测分类决策，最终实现故障电弧检测与负载识别。
附图说明
[0011]图1为本专利技术的实验电路示意图；图2为本专利技术12组实验中电路有无串联电弧电流波形示意图；图3为本专利技术中一维空洞卷积示意图；图4为本专利技术中模型架构示意图；图5为本专利技术中训练结果示意图；图6为本专利技术中测试集混淆矩阵示意图。
具体实施方式
[0012]本专利技术实施例中，基于一维空洞卷积神经网络的故障电弧检测方法，其包括以下步骤：S1.故障电弧实验与电流波形分析；S2.模型构建；S3.基于1D
‑
DCNN检测故障电弧。
[0013]本实施例中，所述S1中，其包括以下步骤：S1
‑
1.搭建点接触式串联故障电弧实验平台（根据推荐性国家标准《电弧故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于一维空洞卷积神经网络的故障电弧检测方法，其特征在于，其包括以下步骤：S1.故障电弧实验与电流波形分析；S2.模型构建；S3.基于1D
‑
DCNN检测故障电弧。2.根据权利要求1所述的基于一维空洞卷积神经网络的故障电弧检测方法，其特征在于，所述S1中，其包括以下步骤：S1
‑
1.搭建点接触式串联故障电弧实验平台，用以模拟实际电气线路故障电弧；所述实验平台主要有交流电源、点接触电弧发生装置、负载、开关、电流采集探头和示波器组成；S1
‑
2.实验方案与数据采集，其中，实验方案设置12种工况，每种工况的负载A和负载B分别放置相应编号的实验负载，并在相应故障位置放置电弧发生器；实验数据采集装置置于干路，由示波器与电流探头组成；S1
‑
3.数据预处理与波形分析；对电流序列进行[
‑
1,1]归一化，通过Matlab归一化函数mapminmax对电流序列进行归一化处理，其中mapminmax归一化函数如下：将和代入mapminmax归一化函数得[
‑
1,1]归一化函数，如下所示：式中，代表归一化后的电流值，代表原始电流值，y代表代表归一化函数。3.根据权利要求1所述的基于一维空洞卷积神经网络的故障电弧检测方法，其特征在于，所述S2中，其包括以下步骤：S2
‑
1.引用空洞卷积理论，第l层t位置的一维空洞卷积输出计算公式：式中k代表卷积核大小，代表卷积核参数，代表扩张率，代表一维空洞卷积；S2
‑
2.模型构建，检测模型结构包含输入层、1D
‑
DCNN模块、集成学习分类层、输出层，采用循环填充方法缓解边界效应，卷积层将输入信...

【专利技术属性】
技术研发人员：蒋慧灵，白嘎力，王安虎，邓青，张越，周亮，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：