CN108562835A - 一种基于bp神经网络的故障电弧检测方法 - Google Patents
一种基于bp神经网络的故障电弧检测方法 Download PDFInfo
- Publication number
- CN108562835A CN108562835A CN201810227332.1A CN201810227332A CN108562835A CN 108562835 A CN108562835 A CN 108562835A CN 201810227332 A CN201810227332 A CN 201810227332A CN 108562835 A CN108562835 A CN 108562835A
- Authority
- CN
- China
- Prior art keywords
- current
- neural network
- fault
- detection method
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于BP神经网络的故障电弧检测方法,包括如下步骤:一、样本特征提取:提取电流平肩时间、电流跳变值比例、1s内电流大幅跳变的次数、1s内电流平均值的标准差这四个主要特征;二、神经网络训练;三、在线判断步骤:判断是否属于故障电弧。本发明的基于BP神经网络的故障电弧检测方法,充分利用了大样本,避免了人工选取阈值的方式。
Description
技术领域
本发明属于电路故障判断领域,具体是一种基于BP神经网络的故障电弧检测方法。
背景技术
目前主流的故障判断方法通常是人工选取电流波形的特征,再通过人工选取固定的阈值判断是否属于故障电弧。故障电弧可以进行各种场景、各种负载类型下的模拟,比较容易生成一个较大的样本库。但是,通过人工分析选取阈值的方法,很难充分利用上大样本。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提供了一种基于BP神经网络的故障电弧检测方法,包括如下步骤:
一、样本特征提取:提取电流平肩时间、电流跳变值比例、1s内电流大幅跳变的次数、1s内电流平均值的标准差这四个主要特征;
二、神经网络训练;
三、在线判断步骤:判断是否属于故障电弧。
进一步,将一个工频周期内的电流跳变的时间记为tpulse,计算从tpulse后的极值点,极值点时间记为textreme,则电流平肩时间即为:
tflat=textreme-tpulse。
进一步,Δipulse记为电流跳变值,一个工频周期内的采样点数为P,工频周期内的平均电流差:则电流跳变比例计算如下:
进一步,1s内电流大幅跳变的次数记为Npulse_num。
进一步,设每个周期内的电流平均值为记为N个周期内的平均值(N=50),则1s内电流平均值的标准差标准差值为:
进一步,步骤二具体为:
(1)定义网路结构
a.输入层:4个节点;
b.2个隐含层:分别为5个节点、3个节点;
c.Softmax层:SoftMax函数
d.输出层:2个节点;
e.传递函数:sigmoid
f.学习率0.8;
(2)训练数样本采集
T={(x1,y1),(x2,y2),...,(xm,ym)},
其中n=4
BP神经网络的输入是上述4个主要特征的四维特性向量x,输出是y;
(3)训练并模型调优得出BP神经网络的输出模型。
进一步,步骤三具体为:
(1)对一段电流波形进行故障电弧判断,它的特征信息向量记为x;
(2)将特征信息向量x输入到模型中进行预测得到softmax层输出的概率[p1 p2]T;
(3)如果p1>p2,则判断结果为故障电弧;如果p1<=p2则判断结果为非故障电弧。
本发明的基于BP神经网络的故障电弧检测方法,充分利用了大样本,避免了人工选取阈值的方式。
附图说明
图1是本发明的实施流程图。
具体实施方式
下面对本发明作进一步说明。
如图1所示,本发明的基于BP神经网络的故障电弧检测方法,包括如下步骤:
1.样本特征提取
提取如下A、B、C、D等4个主要特征:
电流平肩时间(特征A):由于实际中大部分场景会有其他负载,无法直接测出电流平肩时间。本发明将一个工频周期(20ms)内的电流跳变的时间记为tpulse,再计算从tpulse后的极值点,极值点时间记为textreme。则电流平肩时间即为:
tflat=textreme-tpulse
电流跳变值比例(特征B):Δipulse记为电流跳变值,一个工频周期内的采样点数为P,、工频周期内的平均电流差:则跳变比例计算如下,
1s内电流大幅跳变的次数(特征C):由于开关电源等电器正常使用的过程中每个周期都会发生电流跳变的情况。而通常故障电弧的一个特点是持续时间短,断断续续,因此电流跳变次数作为一个特征:Npulse_num;
1s内电流平均值的标准差(特征D):设每个周期内的电流平均值为 记为N个周期内的平均值(N=50),则标准差值为:
2.神经网络训练
(4)定义网路结构
g.输入层:4个节点;
h.2个隐含层:分别为5个节点、3个节点;
i.Softmax层:SoftMax函数
j.输出层:2个节点;
k.传递函数:sigmoid
l.学习率0.8。
(5)训练数样本采集
T={(x1,y1),(x2,y2),...,(xm,ym)},
其中n=4
BP神经网络的输入是上述4个主要特征的四维特性向量x,输出是y;
(6)训练并模型调优得出BP神经网络的输出模型。
3.在线判断步骤
(4)假设需要对一段电流波形进行故障电弧判断,它的特征信息向量记为x;
(5)将特征信息向量x输入到模型中进行预测得到softmax层输出的概率[p1 p2]T;
(6)如果p1>p2,则判断结果为故障电弧;如果p1<=p2则判断结果为非故障电弧。
Claims (7)
1.一种基于BP神经网络的故障电弧检测方法,包括如下步骤:
一、样本特征提取:提取电流平肩时间、电流跳变值比例、1s内电流大幅跳变的次数、1s内电流平均值的标准差这四个主要特征;
二、神经网络训练;
三、在线判断步骤:判断是否属于故障电弧。
2.如权利要求1所述的基于BP神经网络的故障电弧检测方法,其特征在于:
将一个工频周期内的电流跳变的时间记为tpulse,计算从tpulse后的极值点,极值点时间记为textreme,则电流平肩时间即为:
tflat=textreme-tpulse。
3.如权利要求1所述的基于BP神经网络的故障电弧检测方法,其特征在于:
Δipulse记为电流跳变值,一个工频周期内的采样点数为P,工频周期内的平均电流差:则电流跳变比例计算如下:
4.如权利要求1所述的基于BP神经网络的故障电弧检测方法,其特征在于:1s内电流大幅跳变的次数记为Npulse_num。
5.如权利要求1所述的基于BP神经网络的故障电弧检测方法,其特征在于:设每个周期内的电流平均值为 记为N个周期内的平均值(N=50),则1s内电流平均值的标准差标准差值为:
6.如权利要求1所述的基于BP神经网络的故障电弧检测方法,其特征在于:
步骤二具体为:
(1)定义网路结构
a.输入层:4个节点;
b.2个隐含层:分别为5个节点、3个节点;
c.Softmax层:SoftMax函数
d.输出层:2个节点;
e.传递函数:sigmoid
f.学习率0.8;
(2)训练数样本采集
T={(x1,y1),(x2,y2),...,(xm,ym)},
其中xi∈!n,n=4
BP神经网络的输入是上述4个主要特征的四维特性向量x,输出是y;
(3)训练并模型调优得出BP神经网络的输出模型。
7.如权利要求6所述的基于BP神经网络的故障电弧检测方法,其特征在于:
步骤三具体为:
(1)对一段电流波形进行故障电弧判断,它的特征信息向量记为x;
(2)将特征信息向量x输入到模型中进行预测得到softmax层输出的概率[p1 p2]T;
(3)如果p1>p2,则判断结果为故障电弧;如果p1<=p2则判断结果为非故障电弧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810227332.1A CN108562835A (zh) | 2018-03-19 | 2018-03-19 | 一种基于bp神经网络的故障电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810227332.1A CN108562835A (zh) | 2018-03-19 | 2018-03-19 | 一种基于bp神经网络的故障电弧检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108562835A true CN108562835A (zh) | 2018-09-21 |
Family
ID=63531771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810227332.1A Pending CN108562835A (zh) | 2018-03-19 | 2018-03-19 | 一种基于bp神经网络的故障电弧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562835A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615070A (zh) * | 2018-12-06 | 2019-04-12 | 浙江巨磁智能技术有限公司 | 电力人工智能芯片及电力故障识别方法 |
CN109738771A (zh) * | 2019-03-12 | 2019-05-10 | 长春工程学院 | 基于深度学***台及其试验方法 |
CN110058133A (zh) * | 2019-04-15 | 2019-07-26 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110244198A (zh) * | 2019-05-09 | 2019-09-17 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07181219A (ja) * | 1993-12-24 | 1995-07-21 | Tokyo Electric Power Co Inc:The | 部分放電検出法及びその装置 |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN104635133A (zh) * | 2015-03-14 | 2015-05-20 | 北京芯同汇科技有限公司 | 一种新型故障电弧检测方法及装置 |
CN104678265A (zh) * | 2015-01-30 | 2015-06-03 | 广东雅达电子股份有限公司 | 一种串联故障电弧检测装置及检测方法 |
CN105425118A (zh) * | 2015-10-29 | 2016-03-23 | 山东建筑大学 | 一种多信息融合故障电弧检测方法及装置 |
CN107340459A (zh) * | 2016-11-24 | 2017-11-10 | 安徽江淮汽车集团股份有限公司 | 一种直流故障电弧检测方法及*** |
-
2018
- 2018-03-19 CN CN201810227332.1A patent/CN108562835A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07181219A (ja) * | 1993-12-24 | 1995-07-21 | Tokyo Electric Power Co Inc:The | 部分放電検出法及びその装置 |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN104678265A (zh) * | 2015-01-30 | 2015-06-03 | 广东雅达电子股份有限公司 | 一种串联故障电弧检测装置及检测方法 |
CN104635133A (zh) * | 2015-03-14 | 2015-05-20 | 北京芯同汇科技有限公司 | 一种新型故障电弧检测方法及装置 |
CN105425118A (zh) * | 2015-10-29 | 2016-03-23 | 山东建筑大学 | 一种多信息融合故障电弧检测方法及装置 |
CN107340459A (zh) * | 2016-11-24 | 2017-11-10 | 安徽江淮汽车集团股份有限公司 | 一种直流故障电弧检测方法及*** |
Non-Patent Citations (1)
Title |
---|
刘鹏等: "基于神经网络的故障电弧检测装置的研究", 《低压电器》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615070A (zh) * | 2018-12-06 | 2019-04-12 | 浙江巨磁智能技术有限公司 | 电力人工智能芯片及电力故障识别方法 |
CN109738771A (zh) * | 2019-03-12 | 2019-05-10 | 长春工程学院 | 基于深度学***台及其试验方法 |
CN109738771B (zh) * | 2019-03-12 | 2023-10-13 | 长春工程学院 | 基于深度学***台及其试验方法 |
CN110058133A (zh) * | 2019-04-15 | 2019-07-26 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN110058133B (zh) * | 2019-04-15 | 2021-03-02 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110244198A (zh) * | 2019-05-09 | 2019-09-17 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN110244198B (zh) * | 2019-05-09 | 2022-03-01 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562835A (zh) | 一种基于bp神经网络的故障电弧检测方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和*** | |
CN110991818B (zh) | 一种融合事件检测和神经网络的负荷识别方法 | |
CN107093895B (zh) | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 | |
CN111144638B (zh) | 一种基于大数据的配电网运行态势预测方法 | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
CN103440497B (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN114414942A (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** | |
CN105426908A (zh) | 一种基于卷积神经网络的变电站属性分类方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN109586301B (zh) | 基于同步相量量测等值的智能配电网就地电压控制方法 | |
CN109494726A (zh) | 基于dlrnn神经网络的电力***稳定性在线评估方法 | |
Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
CN106529816B (zh) | 电力线信道的调整方法和*** | |
CN110389268A (zh) | 一种电力***的在线监测*** | |
CN110378476A (zh) | 脉冲卷积神经网络的最大池化层的近似实现方法、***及介质 | |
CN108537414A (zh) | 一种基于lda算法的故障电弧检测方法 | |
CN110009620A (zh) | 基于迁移学习算法进行电网防震锤智能识别的方法及*** | |
CN115377999A (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |
|
RJ01 | Rejection of invention patent application after publication |