本发明专利技术公开一种电力系统电弧检测辨识方法及电子设备，步骤包括：获取电力系统运行过程中产生的故障模拟检测信号；将故障模拟信号转换为数字信号后进行预处理；对预处理后的故障模拟检测信号进行瞬时信号特征提取；从预处理后的故障模拟检测信号中提取出具有动态复杂性特征的信号片段，输入至预先训练好的深度学习模型中进行内部结构和动态特征提取；将提取出的瞬时信号特征、内部结构和动态特征基于动态模态分解方法进行异常检测，实现电弧的检测。本发明专利技术具有实现方法简单、成本低、检测精度高以及安全可靠等优点。
【技术实现步骤摘要】
本专利技术涉及电力系统，尤其涉及一种电力系统电弧检测辨识方法及电子设备。
技术介绍
1、在电力系统中，电弧是一种常见的电气故障现象，它会引起设备的严重损坏，甚至触发火灾等安全事故。因此，准确而迅速地检测电弧以识别出相关的安全隐患是至关重要的。传统的电弧检测方法通常是依赖于人工观察的方式或者使用简单的传感器/探测器，例如专利申请cn106226719a公开一种安全云网络的故障电弧检测系统，其即是通过设置电弧探测器对电弧进行探测。上述人工观察或者简单设置传感器/探测器的方式会存在误报率高、漏检率高、反应慢以及无法进行实时监测和分析等缺陷。
2、电力系统中产生的电弧通常是较为微弱的信号且具有动态复杂性，传统人工观察或者简单设置传感器/探测器的方式难以直接准确辨识。有从业者提出采用深度学习方法对故障信号的特征进行学习以提高电弧检测的精度，但是现有技术中通常是提取瞬时信号特征进行训练、学习，而瞬时信号特征无法反应信号的内部结构和动态特征，无法全面、准确的表征信号的特性导致电弧辨识精度仍然不高，进而使得对异常信号的响应延迟，致使无法及时发现和处理安全隐患，影响电力系统的稳定运行。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、成本低、检测精度高以及安全可靠的电力系统电弧检测辨识方法及电子设备。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种电力系统电弧检测辨识方法，步骤包括：</p>4、获取电力系统运行过程中产生的故障模拟检测信号；
5、将所述故障模拟信号转换为数字信号后进行预处理；
6、对预处理后的故障模拟检测信号进行瞬时信号特征提取；
7、从预处理后的故障模拟检测信号中提取出具有动态复杂性特征的信号片段，输入至预先训练好的深度学习模型中进行内部结构和动态特征提取；
8、将提取出的瞬时信号特征、内部结构和动态特征基于动态模态分解方法进行分解，将分解前的原始信号特征和分解后得到的信号特征进行比较得到异常信号值，实现电弧的检测。
9、进一步的，使用罗氏线圈获取电力系统运行过程中产生的故障模拟信号。
10、进一步的，所述将所述故障模拟信号转换为数字信号后进行预处理中，包括采用时空相对性处理方法将信号在时间和空间上的分布映射到一个新的时空坐标系中，映射的表达式为：
11、
12、
13、其中，t′(t)和s′(t)分别是信号在新的时空坐标系中的时间和空间映射值，t表示时间变量，t(u)和s(u)分别是信号在时间和空间上的分布，u∈[0，t]，α和β是映射系数。
14、进一步的，所述将所述故障模拟信号转换为数字信号后进行预处理中，还包括对信号进行对数放大和/或在新的时空坐标系中按照下式对信号进行滤波：
15、
16、θ(t)＝θ(t-1)+p(t-1)x(t)[λ+t′(t)p(t-1)]-1[s′(t)-γθ(t-1)]
17、其中，y(t)表示经过时刻滤波后的信号，f(t′(t)，s′(t))是信号在新的时空坐标系中的分布，是一个高斯核，以用于在新的时空坐标系中对信号进行滤波，σ是高斯核的标准差以用于控制滤波的范围，θ是时空参数估计，p(t)是参数的协方差矩阵，λ、γ是时空调节因子。
18、进一步的，所述从预处理后的故障模拟检测信号中提取出具有动态复杂性特征的信号片段的步骤包括：
19、将当前故障模拟检测信号信号从时间域映射到相空间：
20、
21、其中，x(t，τ)表示在相空间中的重构信号，τ是嵌入延迟，n是嵌入维度，i∈[0，n-1]，e-μi是一个指数衰减因子；
22、在相空间中对重构信号中各信号片段按照下式进行吸引子分析，得到各信号片段在相空间中的吸引子维度：
23、
24、其中，d(t)表示信号在相空间中的吸引子维度，ci(r)是在相空间中距离小于r的数据点的数量，r是一个正数以用于表示相空间中的一个邻域的半径，是对当前信号片段中所有数据点的数量进行累加，n表示当前信号片段中数据点总数；
25、选取当前故障模拟检测信号中所述吸引子维度大于预设阈值的信号片段，得到所述具有动态复杂性特征的信号片段。
26、进一步的，所述深度学习模型中设置有稀疏性约束以形成稀疏自编码器，所述稀疏自编码器包括输入层、隐藏层以及输出层，所述输入层输入具有动态复杂特征的信号片段，依次经所述隐藏层以及输出层后输出提取出的内部结构和动态特征，训练所述稀疏自编码器时使用重构误差以及稀疏性误差计算总的损失函数，所述重构误差通过计算输出层的输出和原始输入之间的误差得到，所述稀疏性误差用于确保稀疏自编码器的隐藏层神经元保持稀疏激活。
27、进一步的，所述稀疏性误差使用kl散度计算，计算表达式为：
28、
29、
30、其中，esparse是稀疏性误差，ρ是期望的稀疏性参数，表示第j个隐藏层神经元的平均激活值，hi是第j个隐藏层神经元的激活函数；
31、所述总的损失函数为：
32、etotal＝erecon+λesparse
33、其中，etotal是总的损失函数，λ是一个正则化参数以用于控制稀疏性约束的重要程度，erecon是重构误差。
34、进一步的，将提取出的瞬时信号特征、内部结构和动态特征基于动态模态分解方法进行异常检测前还包括为各信号特征分配自适应权重，所述自适应权重按下式计算得到：
35、
36、其中，wi是第i个特征的权重，var(oi)是特征oi的方差，mean(oi)是特征oi的均值，α、β是权重调整系数，n是特征的数量，i，j∈[1，n]。
37、进一步的，将分解前的原始信号特征和分解后得到的信号特征按照下式计算得到异常信号值：
38、
39、其中，e(t)表示t时刻的异常值，o1表示第1个信号特征，表示第1个分解得到的信号特征，ω是用于调整协方差项的权重，cov(o(t))是信号特征的协方差；
40、还包括根据提取得到的各特征计算多尺度信息熵，得到信号的风险评估结果值以实现风险评估，所述风险评估值按下式计算得到：
41、
42、其中，r(t)是风险评估结果，β、γ、δ、θ分别是调节系数，pi是在t时刻第i个特征的概率分布，stddev是标准差衡量第i个特征在t时刻的变异程度
43、一种电子设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
44、与现有技术相比，本专利技术的优点在于：本专利技术通过对故障模拟检测信号进行瞬时信号特征提取，同时提取出具有动态复杂性特征的信号片段，结合深度学习模型进行内部结构和动态本文档来自技高网
...
【技术保护点】
1.一种电力系统电弧检测辨识方法，其特征在于，步骤包括：
2.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，使用罗氏线圈获取电力系统运行过程中产生的故障模拟信号。
3.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，所述将所述故障模拟信号转换为数字信号后进行预处理中，包括采用时空相对性处理方法将信号在时间和空间上的分布映射到一个新的时空坐标系中，映射的表达式为：
4.根据权利要求3所述的电力系统电弧检测辨识方法，其特征在于，所述将所述故障模拟信号转换为数字信号后进行预处理中，还包括对信号进行对数放大和/或在新的时空坐标系中按照下式对信号进行滤波：
5.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，所述从预处理后的故障模拟检测信号中提取出具有动态复杂性特征的信号片段的步骤包括：
6.根据权利要求1～5中任意一项所述的电力系统电弧检测辨识方法，其特征在于，所述深度学习模型中设置有稀疏性约束以形成稀疏自编码器，所述稀疏自编码器包括输入层、隐藏层以及输出层，所述输入层输入具有动态复杂特征的信号片段，依次经所述隐藏层以及输出层后输出提取出的内部结构和动态特征，训练所述稀疏自编码器时使用重构误差以及稀疏性误差计算总的损失函数，所述重构误差通过计算输出层的输出和原始输入之间的误差得到，所述稀疏性误差用于确保稀疏自编码器的隐藏层神经元保持稀疏激活。
7.根据权利要求6所述的电力系统电弧检测辨识方法，其特征在于，所述稀疏性误差使用KL散度计算，计算表达式为：
8.根据权利要求1～5中任意一项所述的电力系统电弧检测辨识方法，其特征在于，将提取出的瞬时信号特征、内部结构和动态特征基于动态模态分解方法进行异常检测前还包括为各信号特征分配自适应权重，所述自适应权重按下式计算得到：
9.根据权利要求1～5中任意一项所述的电力系统电弧检测辨识方法，其特征在于，将分解前的原始信号特征和分解后得到的信号特征按照下式计算得到异常信号值：
10.一种电子设备，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～9中任意一项所述方法。
...
【技术特征摘要】
1.一种电力系统电弧检测辨识方法，其特征在于，步骤包括：
2.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，使用罗氏线圈获取电力系统运行过程中产生的故障模拟信号。
3.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，所述将所述故障模拟信号转换为数字信号后进行预处理中，包括采用时空相对性处理方法将信号在时间和空间上的分布映射到一个新的时空坐标系中，映射的表达式为：
4.根据权利要求3所述的电力系统电弧检测辨识方法，其特征在于，所述将所述故障模拟信号转换为数字信号后进行预处理中，还包括对信号进行对数放大和/或在新的时空坐标系中按照下式对信号进行滤波：
5.根据权利要求1所述的电力系统电弧检测辨识方法，其特征在于，所述从预处理后的故障模拟检测信号中提取出具有动态复杂性特征的信号片段的步骤包括：
6.根据权利要求1～5中任意一项所述的电力系统电弧检测辨识方法，其特征在于，所述深度学习模型中设置有稀疏性约束以形成稀疏自编码器，所述稀疏自编码器包括输入层、隐藏层以及输出层，所述输入层...
【专利技术属性】
技术研发人员：马叶钦，肖宇，刘治国，曾伟杰，刘谋海，樊芮，郭光，申丽曼，陈浩，
申请(专利权)人：国网湖南省电力有限公司，
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。