【技术实现步骤摘要】
本专利技术涉及电气火灾故障检测，尤其涉及一种低压电弧故障识别方法、装置、设备及存储介质。
技术介绍
1、随着电气技术的发展，工业电气设备和家用电器剧增，电气故障造成的火灾事故也越来越频繁。电弧故障是由于接触不良、连接松动、绝缘老化、断裂等引起，故障电弧的线路中电流可能很小，但温度高，并使故障迅速扩大，直至点燃附近的可燃物而引发火灾，因此预防由电弧故障引发的火灾尤为重要。
2、目前一般采用机器学习的方法识别低压电弧故障，通过提取电流波形时频域的特征（时域特征如电流均值、平肩部，频域特征如谐波因数）作为识别模型的输入。然而随着工业用电设备与家用电器的种类增加，故障电弧的探测识别受到电气设备负荷特性的干扰影响越来越严重。对于不同种类的负载，如开关类、电阻类、电容电感类等，其负荷电流波形差异较大，无论是串联电弧或并联电弧，负荷电流混杂故障电弧后，导致故障电弧与负荷电流难以区分。在故障电弧检测常用的1~100khz频段中，逆变器、整流器以及 dc/dc 转换器一类的电力电子设备产生的高频噪声干扰电弧产生的高频分量，这些噪声干扰与电弧产生的高频分量相互交叠，极易影响检测装置对电弧故障的识别准确性，导致电弧故障误判率显著上升，引发电弧故障断路器动作切断电路，影响人民群众正常的生产生活。
技术实现思路
1、本专利技术提供一种低压电弧故障识别方法、装置、设备及存储介质，以解决由于高频噪声干扰导致电弧故障识别不准确的问题。
2、本专利技术通过下述技术方案实现：
3、
4、采集电路运行时的电流数据，对所述电流数据进行预处理，得到电流的低频特征和高频特征；
5、通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
6、通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
7、通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连接层和输出层得到所述电路是否发生低压电弧故障的识别结果。
8、本专利技术的低压电弧故障识别方法，将电弧高频特征和低频特征同时纳入识别算法网络的输入向量，利用双通道神经网络不同通道对特征抽象与映射能力，独立地对电弧高频特征和低频特征进行学习，减少冗余信息的干扰，抽象出高、低频特征中蕴含的波形稳定性、周期性等特点，将两个通道的输出特征进行拼接，经全连接层传播后实现低频特征和高频特征在高维空间的深度融合，提取出低频信号的高层次特征与高频特征之间的联系，从而抑制其他类型的高频干扰噪声，实现对故障电弧的有效辨识。
9、在一种实施方式中，所述双通道神经网络模型包括卷积神经网络和bp神经网络；
10、所述通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征，包括：通过所述卷积神经网络的多个卷积层和池化层对所述低频特征进行特征提取，得到低频抽象特征；
11、所述通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征，包括：通过所述bp神经网络的多个隐含层对所述高频特征进行特征提取，得到高频抽象特征。
12、在一种实施方式中，采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征，包括：以半周波为采样时间，全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；
13、基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征；基于当前时刻的半周波高频电流数据和前n个半周波高频电流数据得到电流的高频特征。
14、在一种实施方式中，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
15、将当前时刻的半周波低频电流数据分别与前n个半周波低频数据作差，得到n-1个差值数据，将n-1个差值数据和当前时刻的半波周低频电流数据组合为电流的低频特征。
16、在一种实施方式中，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
17、对半周波的低频电流数据进行标准化处理，再进行离散小波包变换，得到每个半周波的小波包系数矩阵，基于当前时刻的半周波小波包系数矩阵和前n个半周波小波包系数矩阵得到电流的低频特征。
18、在一种实施方式中，所述方法还包括：采用代价敏感函数对所述双通道神经网络模型的识别结果进行优化，得到最终的预测结果；
19、所述代价敏感函数为：；
20、其中， o i为模型通过softmax层后计算得到的各类别对应概率， o * i为优化后的识别结果，cost为代价敏感矩阵，cost[ i, c]代表将 i类判断为 c类所需花费的代价，为减小误判代价，令cost[0,0] = cost[1,1]= 0，cost[1,0]=1；
21、则最终的预测结果为：其中，函数表示使（）中的元素取最大值，为代价敏感函数取最大值时对应的类别。
22、在一种实施方式中，通过双通道神经网络模型的第一通道对所述低频特征进行特征提取之前，所述方法还包括；
23、训练所述双通道神经网络模型，包括以下训练步骤：
24、s1，获取样本数据：采集不同类型负载电路在正常运行条件下和故障条件下的电流样本数据，根据数据来源对所述电流样本数据标注有弧或无弧标签；
25、s2，数据预处理：对电流样本数据进行预处理，得到电流的低频样本特征和高频样本特征；
26、s3，设置模型参数：设置双通道神经网络模型的激活函数、损失函数、优化器、学习率、权重衰减参数、批次大小和超参数；
27、s4，训练双通道神经网络模型：将所述低频样本特征输入双通道神经网络模型的第一通道，将所述高频样本特征输入双通道神经网络模型的第二通道，基于s3中的模型参数对所述双通道神经网络模型进行迭代训练。
28、本专利技术的第二方面，提供一种低压电弧故障识别装置，所述装置包括：
29、数据采集单元，用于采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征；
30、故障识别单元，用于通过双通道神经网络模型的第一通道对所述低频特征进行特征提取，得到低频抽象特征；
31、还用于通过所述双通道神经网络模型的第二通道对所述高频特征进行特征提取，得到高频抽象特征；
32、还用于通过所述双通道神经网络模型的特征拼接层将所述低频抽象特征和所述高频抽象特征进行拼接，再经过全连本文档来自技高网...
【技术保护点】
1.一种低压电弧故障识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的低压电弧故障识别方法，其特征在于，所述双通道神经网络模型包括卷积神经网络和BP神经网络；
3.根据权利要求1所述的低压电弧故障识别方法，其特征在于，采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征，包括：以半周波为采样时间，全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；
4.根据权利要求3所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
5.根据权利要求3所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
6.根据权利要求1所述的低压电弧故障识别方法，其特征在于，所述方法还包括：采用代价敏感函数对所述双通道神经网络模型的识别结果进行优化，得到最终的预测结果；
7.根据权利要求1所述的低压电弧故障识别方法，其特征在于，通过双通道神经网络模型的第一通
8.一种低压电弧故障识别装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的低压电弧故障识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的低压电弧故障识别方法。
...【技术特征摘要】
1.一种低压电弧故障识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的低压电弧故障识别方法，其特征在于，所述双通道神经网络模型包括卷积神经网络和bp神经网络；
3.根据权利要求1所述的低压电弧故障识别方法，其特征在于，采集电路运行数据，对所述运行数据进行预处理，得到电流的低频特征和高频特征，包括：以半周波为采样时间，全周波为采样间隔实时采集电路的低频电流数据和高频电流数据；
4.根据权利要求3所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
5.根据权利要求3所述的低压电弧故障识别方法，其特征在于，基于当前时刻的半周波低频电流数据和前n个半周波低频电流数据得到电流的低频特征，包括：
...
【专利技术属性】
技术研发人员：宁鑫，张华，熊嘉宇，吴驰，李巍巍，竺红卫，雷潇，
申请(专利权)人：国网四川省电力公司电力科学研究院，
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。