CN109270384B - 一种用于识别用电设备电弧的方法和*** - Google Patents

一种用于识别用电设备电弧的方法和*** Download PDF

Info

Publication number
CN109270384B
CN109270384B CN201811342742.7A CN201811342742A CN109270384B CN 109270384 B CN109270384 B CN 109270384B CN 201811342742 A CN201811342742 A CN 201811342742A CN 109270384 B CN109270384 B CN 109270384B
Authority
CN
China
Prior art keywords
electrical equipment
data
arc
voltage
layer
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.)
Active
Application number
CN201811342742.7A
Other languages
English (en)
Other versions
CN109270384A (zh
Inventor
江小平
廖邓彬
江书怡
李成华
杨乐
杨斌
向清华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201811342742.7A priority Critical patent/CN109270384B/zh
Publication of CN109270384A publication Critical patent/CN109270384A/zh
Application granted granted Critical
Publication of CN109270384B publication Critical patent/CN109270384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于识别用电设备使用线路电弧的方法，包括：实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据，根据处理后的用电设备的电压数据和电流数据获得用电设备的电压‑电流轨迹曲线，对该电压‑电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像并进行备份，确定是否可以在电弧数据库中找到与得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧。本发明能够解决现有电弧检测方法中存在的电弧识别准确率不高、计算过程繁杂、判断时间长的技术问题。

Description

一种用于识别用电设备电弧的方法和***
技术领域
本发明属于消防火灾安全和模式识别技术领域，具体来说，涉及一种用于识别用电设备电弧的方法和***。
背景技术
在科学技术的发展和人民生活水平日益提高的环境下，电能作为重要的能源被广泛应用。在电能被广泛应用到人民生活方方面面的同时，也带来了很大的安全隐患，许多用电的不安全因素导致了电气火灾的不断发生。公安部消防局的统计显示，从2011年至2016年，我国共发生电气火灾52.4万起，造成了3261人死亡，两千余人受伤，直接经济损失达92亿元。
据统计，约有40％的电气火灾是由用电设备故障产生电弧引起的，因此，电弧检测技术目前已经被广泛采用。目前国内常用的电弧检测方法有：(1)分析故障电弧产生时的电弧电流波形幅值、过零点、或者波形等特征，通过两两或者多个组合的时域方法实现对电弧的识别；(2)利用小波分析将采集到的数据进行多层分解，将分解后的特征量和正常情况下分解后的特征量进行对比，从而判断出是否有电弧产生。
然而，上述电弧检测方法均存在一些不可忽略的技术问题：第一、在时域上进行电弧电流的判断过程中，由于串联电弧的产生，电路整体的电流会下降，但不同用电设备在产生电弧后，电路电流下降的幅值并不一致，故需要对应设置不同的阈值，这导致该方法普适性并不强，此外，有些用电设备在使用时期产生电弧电流的波形相对类似，因此造成时域检测的方法识别率不高；第二、电流数据在进行小波分析时，计算量过大，判断时间相对较长，因此，会对电弧检测的实时性造成影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种用于识别用电设备电弧的方法和***，其目的在于，解决现有电弧检测方法中存在的电弧识别准确率不高、计算过程繁杂、判断时间长的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种用于识别用电设备使用线路电弧的方法，包括以下步骤：
(1)实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
(2)根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线，对该电压-电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像并进行备份；
(3)确定是否可以在电弧数据库中找到与步骤(2)所得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧，此时向用电设备用户发送报警信息，并切断用电设备的电路，然后过程结束，否则进入步骤(4)；
(4)将用电设备的二值图像输入到训练好的电弧判别模型中，以得到电弧识别结果。
优选地，步骤(1)中滤波过程使用的是中位值平均滤波法，即连续采样N个电流和N个电压的数据，分别去掉一个最大值和最小值，然后计算N-2个数据的算术平均值，其中N值优选为4至15之间。
优选地，电弧数据库是在初始化阶段建立，该电弧数据库中共有n个数据表每张数据表反映了使用电弧发生器测量得到的、不同用电设备在不同工作状态下电流、电压、以及对应的二值图像三者之间的映射关系，其中n表示所述方法所能适用的用电设备的类别总数。
优选地，所述电弧判别模型是通过以下过程生成的：
(a)每次从电弧数据库中获取多个二值图像，利用卷积神经网络对这多幅二值图像进行训练，并重复本过程，直到电弧数据库中所有二值图像都被训练完毕为止，从而得到训练好的卷积神经网络，并设置计数器i＝1；
(b)利用步骤(a)得到的训练好的卷积神经网络对电弧数据库中第i个数据表中所有k个二值图像中的每一个二值图像aij进行处理，以获得该二值图像对应的特征向量矩阵，其中设置j∈(1,k)；
(c)根据图像对应的特征向量矩阵计算电弧数据库中第i个数据表中每一个二值图像aij和其他所有二值图像之间的欧式距离的平均值dij，从中取出平均值的最大值dimax，并利用PCA方法对第i个数据表中所有k个二值图像对应的k个1*n大小的特征向量矩阵进行降维处理，以得到1*s的特征值矩阵，其中s为3到5之间的整数；
(d)设置i＝i+1，并判断i是否等于n，如果是则进入步骤(e)，否则返回步骤(b)；
(e)对得到的k个最大值dimax按照从小到大的顺序排列成最大值数组，将该数组中两两相邻的元素进行相减，得到新的数组[Diff1，Diff2，…，Diffk-1]，从新的数组中选出绝对值最大的元素，并获取该元素在最大值数组中对应的两个元素中的较小值dist；
(f)利用基于密度的聚类算法对步骤(c)得到的特征值矩阵进行聚类，以得到n种用电设备对应的聚类结果。
优选地，卷积神经网络为8层结构，其中第一层是输入层，输入的图像为p*p*1的图像，第二层是卷积层，其接收来自输入层的p*p*1的图像，其中卷积核为3*3*6，该层使用全0填充，步长为1，该层输出矩阵大小为p*p*6，第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(p/2)*(p/2)*6，第四层是卷积层，卷积核尺寸为5*5*16，步长为1，本层不使用全0填充，输出的矩阵为(p/2-4)*(p/2-4)*16，第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(p/4-2)*(p/4-2)*16；第六层为全连接层，其输出节点个数为120；第七层为全连接层，输出节点个数为64个，第八层为输出层，输出节点个数为10个。
优选地，卷积神经网络所使用的损失函数为交叉熵损失函数。
优选地，步骤(f)具体为，首先将得到的特征值矩阵映射到n维空间中，然后设置密度值minpts为3到5之间的整数，聚类核心点最大半径等于上述步骤(e)得到的较小值dist。
优选地，步骤(4)具体为，首先将用电设备的二值图像输入电弧判别模型，以得到对应的特征值矩阵，然后计算特征值矩阵在电弧判别模型的n维空间中的对应点到n种用电设备聚类核心点的距离l，最后比较距离l和dist，如果l小于dist，则表示该用电设备产生了电弧，否则表示用电设备未产生电弧。
按照本发明的另一方面，提供了一种用于识别用电设备使用线路电弧的***，包括：
第一模块，用于实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
第二模块，用于根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线，对该电压-电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像并进行备份；
第三模块，用于确定是否可以在电弧数据库中找到与第二模块所得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧，此时向用电设备用户发送报警信息，并切断用电设备的电路，然后过程结束，否则进入第四模块；
第四模块，用于将用电设备的二值图像输入到训练好的电弧判别模型中，以得到电弧识别结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明能够解决现有电弧检测方法中存在的识别准确率低下的技术问题：由于采用了步骤(2)和步骤(3)，收集到大量的电弧特征数据建立电弧数据库，并在后续检测过程中采集用电设备在稳态情况下一段时间内的电压数据和电流数据，因此，能够很好地区分诸如白炽灯、日光灯等在开关短时过程中产生的类似于电弧电流的特征曲线，并且通过学习大量的训练数据有效地提高了识别准确率；
2、本发明能够解决现有电弧检测方法中存在的计算复杂度高、计算时间长的技术问题：由于采用了步骤(4)到步骤(5)，先训练卷积神经网络模型，随后利用对特征向量进行聚类而建立的特征空间进行电弧识别，因此，在检测时仅仅需要将采集到的数据进行中值滤波和图像二进制化处理，就能利用建立好的电弧判别模型进行准确电弧识别，大大的降低了计算复杂度，并减少了计算的时间；
3、本发明相较于传统的检测，通过绘制电弧的电压电流轨迹的二值图像，构造了关于电弧特性的二维平面，因此，比一维信号保留了更多电弧的信息和特征；
4、本发明利用了基于深度学习技术(即卷积神经网络)和机器学习的聚类算法(OPTICS)所生成的电弧判别模型，对电弧的电压电流轨迹的二值图像进行分析，符合人工智能的发展趋势。
附图说明
图1是本发明用于识别用电设备使用线路电弧的方法的流程图。
图2是本发明方法中根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线的示意图。
图3是本发明方法的步骤(2)中得到的用电设备的二值图像的示意图。
图4是本发明方法中使用的卷积神经网络的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明用于识别用电设备使用线路电弧的方法包括以下步骤：
(1)实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
具体而言，本步骤中每次采集的时间长度是2秒，采样频率是25到35KHz，优选是30KHz。
本步骤中滤波过程使用的是采用了中位值平均滤波法(又称防脉冲干扰平均滤波法)，相当于连续的采样N个电流和N个电压的数据，分别去掉一个最大值和最小值，然后计算N-2个数据的算术平均值。N值一般选择4～15。该滤波方法能有效的克服交流电偶然性的脉冲干扰。并消除可能由于脉冲干扰所引起的采样值偏差。
本步骤中采样过程中的时间间隔为1秒，目的是减缓服务器的计算压力，并且防止可能存在噪声干扰影响数据异常的状况。
(2)根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线(如图2所示)，对该电压-电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像(如图3所示)并进行备份；
具体而言，本步骤中图像二进制化处理后的二值图像尺寸为p*p，深度为1，其中p为10到50之间的整数；
(3)确定是否可以在电弧数据库中找到与步骤(2)所得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧，此时向用电设备用户发送报警信息，并切断用电设备的电路，然后过程结束，否则进入步骤(4)；
在本步骤中，电弧数据库是在初始化阶段建立，该电弧数据库中共有n个数据表(其中n为本发明所能适用的用电设备的类别总数，在本实施方式中，n＝12)，每张数据表反映了使用电弧发生器测量得到的、不同用电设备在不同工作状态下电流、电压、以及对应的二值图像三者之间的映射关系。
本发明中使用的12个数据表包括：空调数据表，日光灯数据表，风扇数据表，电冰箱数据表，电吹风数据表，热得快数据表，台灯数据表，笔记本电脑数据表，微波炉数据表，吸尘器数据表、电磁炉数据表以及洗衣机数据表，应该理解的是，本发明绝不局限于上述用电设备，任何用电设备都被纳入本发明的保护范围。
例如，空调数据表中存储的工作状态有净化空气、制冷、制热、抽湿、睡眠、吹风状态等。
(4)将用电设备的二值图像输入到训练好的电弧判别模型中，以得到电弧识别结果，并将识别结果发送给用户。
具体而言，最终的电弧识别结果包括该用电设备产生了电弧，还是未产生电弧。
本发明中的电弧判别模型是通过以下过程生成的：
(a)每次从电弧数据库中获取多个二值图像(其中读取的二值图像数量是2m，m为1到7之间的整数)，利用卷积神经网络对这多幅二值图像进行训练，并重复本过程，直到电弧数据库中所有二值图像都被训练完毕为止，从而得到训练好的卷积神经网络，并设置计数器i＝1；
具体而言，输出为1*n的一维数组；
如图4所示，本发明的卷积神经网络包括输入层、输出层、两个卷积层、两个池化层、以及两个全连接层。
第一层是输入层，输入的图像为p*p*1的图像。
第二层是卷积层，其接收来自输入层的p*p*1的图像，其中卷积核为3*3*6，该层使用全0填充，步长为1，该层输出矩阵大小为p*p*6；
第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(p/2)*(p/2)*6；
第四层是卷积层，卷积核尺寸为5*5*16，步长为1，本层不使用全0填充，输出的矩阵为(p/2-4)*(p/2-4)*16；
第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(p/4-2)*(p/4-2)*16；
第六层为全连接层，其输出节点个数为120；
第七层为全连接层，输出节点个数为64个；
第八层为输出层，输出节点个数为10个。
其中，卷积神经网络利用的损失函数为交叉熵损失函数。
(b)利用步骤(a)得到的训练好的卷积神经网络对电弧数据库中第i个数据表中所有k个二值图像中的每一个二值图像aij进行处理，以获得该二值图像对应的特征向量矩阵，其中j∈(1,k)；
具体而言，每个二值图像对应的特征向量为1*n的矩阵；
(c)根据图像对应的特征向量矩阵计算电弧数据库中第i个数据表中每一个二值图像aij和其他所有二值图像之间的欧式距离的平均值dij，并从中取出平均值的最大值dimax，利用主成分分析法(Primary Component Analysis，简称PCA)对第i个数据表中所有k个二值图像对应的k个1*n大小的特征向量矩阵进行降维处理，以得到1*s的特征值矩阵(其中s为3到5之间的整数)；
本步骤采用的具体公式为:
(d)设置i＝i+1，并判断i是否等于n，如果是则进入步骤(e)，否则返回步骤(b)；
(e)对得到的k个最大值dimax按照从小到大的顺序排列成最大值数组，将该数组中两两相邻的元素进行相减，得到新的数组[Diff1，Diff2，…，Diffk-1]，从新的数组中选出绝对值最大的元素，并获取该元素在最大值数组中对应的两个元素中的较小值dist；
(f)利用基于密度的聚类算法(在本步骤中使用的是Ordering Points ToIdentify the Clustering Structure，简称OPTICS算法)对步骤(c)得到的特征值矩阵进行聚类，以得到n种用电设备对应的聚类结果；
具体而言，首先将得到的特征值矩阵映射到n维空间中，然后设置密度值minpts为3到5之间的整数，聚类核心点最大半径等于上述步骤(e)得到的较小值dist。
本发明的工作原理是：首先将用电设备的二值图像输入电弧判别模型，以得到对应的特征值矩阵，然后计算特征值矩阵在电弧判别模型的n维空间中的对应点到n种用电设备聚类核心点的距离l，最后比较距离l和dist，如果l小于dist，则表示该用电设备产生了电弧。否则表示用点设备未产生电弧。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于识别用电设备使用线路电弧的方法，其特征在于，包括以下步骤：
(1)实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
(2)根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线，对该电压-电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像并进行备份；
(3)确定检测是否可以在电弧数据库中找到与步骤(2)所得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧，此时向用电设备用户发送报警信息，并切断用电设备的电路，然后过程结束，否则进入步骤(4)，其中电弧数据库是在初始化阶段建立，该电弧数据库中共有n个数据表每张数据表反映了使用电弧发生器测量得到的、不同用电设备在不同工作状态下电流、电压、以及对应的二值图像三者之间的映射关系，其中n表示所述方法所能适用的用电设备的类别总数；
(4)将用电设备的二值图像输入到训练好的电弧判别模型中，以得到电弧识别结果，其中所述电弧判别模型是通过以下过程生成的：
(a)每次从电弧数据库中获取多个二值图像，利用卷积神经网络对这多幅二值图像进行训练，并重复本过程，直到电弧数据库中所有二值图像都被训练完毕为止，从而得到训练好的卷积神经网络，并设置计数器i＝1；
(b)利用步骤(a)得到的训练好的卷积神经网络对电弧数据库中第i个数据表中所有k个二值图像中的每一个二值图像aij进行处理，以获得该二值图像对应的特征向量矩阵，其中j∈(1,k)；
(c)根据图像对应的特征向量矩阵计算电弧数据库中第i个数据表中每一个二值图像aij和其他所有二值图像之间的欧式距离的平均值dij，并从中取出平均值的最大值dimax，利用PCA方法对第i个数据表中所有k个二值图像对应的k个1*n大小的特征向量矩阵进行降维处理，以得到1*s的特征值矩阵，其中s为3到5之间的整数；
(d)设置i＝i+1，并判断i是否等于n，如果是则进入步骤(e)，否则返回步骤(b)；
(e)对得到的k个最大值dimax按照从小到大的顺序排列成最大值数组，将该数组中两两相邻的元素进行相减，得到新的数组[Diff1，Diff2，…，Diffk-1]，从新的数组中选出绝对值最大的元素，并获取该元素在最大值数组中对应的两个元素中的较小值dist；
(f)利用基于密度的聚类算法对步骤(c)得到的特征值矩阵进行聚类，以得到n种用电设备对应的聚类结果。
2.根据权利要求1所述的方法，其特征在于，步骤(1)中滤波过程使用的是中位值平均滤波法，即连续采样N个电流和N个电压的数据，分别去掉一个最大值和最小值，然后计算N-2个数据的算术平均值，其中N值优选为4至15之间。
3.根据权利要求1所述的方法，其特征在于，
卷积神经网络为8层结构，其中：
第一层是输入层，输入的图像为p*p*1的图像；
第二层是卷积层，其接收来自输入层的p*p*1的图像，其中卷积核为3*3*6，该层使用全0填充，步长为1，该层输出矩阵大小为p*p*6；
第三层是池化层，卷积核尺寸为2*2，长和宽的步长均为2，该层输出矩阵为(p/2)*(p/2)*6；
第四层是卷积层，卷积核尺寸为5*5*16，步长为1，本层不使用全0填充，输出的矩阵为(p/2-4)*(p/2-4)*16；
第五层为池化层，卷积核尺寸为2*2，步长为2，输出的矩阵大小为(p/4-2)*(p/4-2)*16；
第六层为全连接层，其输出节点个数为120；
第七层为全连接层，输出节点个数为64个；
第八层为输出层，输出节点个数为10个。
4.根据权利要求3所述的方法，其特征在于，卷积神经网络所使用的损失函数为交叉熵损失函数。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，步骤(f)具体为，首先将得到的特征值矩阵映射到n维空间中，然后设置密度值minpts为3到5之间的整数，聚类核心点最大半径等于上述步骤(e)得到的较小值dist。
6.根据权利要求1至4中任意一项所述的方法，其特征在于，步骤(4)具体为，首先将用电设备的二值图像输入电弧判别模型，以得到对应的特征值矩阵，然后计算特征值矩阵在电弧判别模型的n维空间中的对应点到n种用电设备聚类核心点的距离l，最后比较距离l和dist，如果l小于dist，则表示该用电设备产生了电弧，否则表示用电设备未产生电弧。
7.一种用于识别用电设备使用线路电弧的***，其特征在于，包括：
第一模块，用于实时采集用电设备在稳态情况下的电压数据和电流数据，并对该电压和电流数据进行滤波和采样处理，以分别得到处理后的用电设备的电压数据和电流数据；
第二模块，用于根据处理后的用电设备的电压数据和电流数据获得用电设备的电压-电流轨迹曲线，对该电压-电流轨迹曲线进行归一化和图像二进制化处理，以得到用电设备的二值图像并进行备份；
第三模块，用于确定是否可以在电弧数据库中找到与第二模块所得到的用电设备的二值图像相似度达到80％以上的二值图像，如果是则表明用电设备在使用过程中的线路产生了电弧，此时向用电设备用户发送报警信息，并切断用电设备的电路，然后过程结束，否则进入第四模块，其中电弧数据库是在初始化阶段建立，该电弧数据库中共有n个数据表每张数据表反映了使用电弧发生器测量得到的、不同用电设备在不同工作状态下电流、电压、以及对应的二值图像三者之间的映射关系，其中n表示所述方法所能适用的用电设备的类别总数；
第四模块，用于将用电设备的二值图像输入到训练好的电弧判别模型中，以得到电弧识别结果，其中所述电弧判别模型是通过以下过程生成的：
(a)每次从电弧数据库中获取多个二值图像，利用卷积神经网络对这多幅二值图像进行训练，并重复本过程，直到电弧数据库中所有二值图像都被训练完毕为止，从而得到训练好的卷积神经网络，并设置计数器i＝1；
(b)利用步骤(a)得到的训练好的卷积神经网络对电弧数据库中第i个数据表中所有k个二值图像中的每一个二值图像aij进行处理，以获得该二值图像对应的特征向量矩阵，其中j∈(1,k)；
(c)根据图像对应的特征向量矩阵计算电弧数据库中第i个数据表中每一个二值图像aij和其他所有二值图像之间的欧式距离的平均值dij，并从中取出平均值的最大值dimax，利用PCA方法对第i个数据表中所有k个二值图像对应的k个1*n大小的特征向量矩阵进行降维处理，以得到1*s的特征值矩阵，其中s为3到5之间的整数；
(d)设置i＝i+1，并判断i是否等于n，如果是则进入步骤(e)，否则返回步骤(b)；
(e)对得到的k个最大值dimax按照从小到大的顺序排列成最大值数组，将该数组中两两相邻的元素进行相减，得到新的数组[Diff1，Diff2，…，Diffk-1]，从新的数组中选出绝对值最大的元素，并获取该元素在最大值数组中对应的两个元素中的较小值dist；
(f)利用基于密度的聚类算法对步骤(c)得到的特征值矩阵进行聚类，以得到n种用电设备对应的聚类结果。
CN201811342742.7A 2018-11-13 2018-11-13 一种用于识别用电设备电弧的方法和*** Active CN109270384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811342742.7A CN109270384B (zh) 2018-11-13 2018-11-13 一种用于识别用电设备电弧的方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811342742.7A CN109270384B (zh) 2018-11-13 2018-11-13 一种用于识别用电设备电弧的方法和***

Publications (2)

Publication Number Publication Date
CN109270384A CN109270384A (zh) 2019-01-25
CN109270384B true CN109270384B (zh) 2019-06-11

Family

ID=65193183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811342742.7A Active CN109270384B (zh) 2018-11-13 2018-11-13 一种用于识别用电设备电弧的方法和***

Country Status (1)

Country Link
CN (1) CN109270384B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084158B (zh) * 2019-04-15 2021-01-29 杭州拓深科技有限公司 一种基于智能算法的用电设备识别方法
CN112711963A (zh) * 2019-10-24 2021-04-27 富泰华工业（深圳）有限公司 用户终端故障检测方法、装置、计算机装置及存储介质
CN111103477B (zh) * 2019-10-31 2020-08-25 武汉旗云高科信息技术有限公司 一种基于3d卷积神经网络的电气负载监测方法和***
CN110954784A (zh) * 2019-12-20 2020-04-03 吉林省士而德科技有限公司 智能用电安全探测器
CN111834999A (zh) * 2020-05-26 2020-10-27 浙江华云信息科技有限公司 基于电压电流正交曲线的用电感知方法
CN113376473A (zh) * 2021-04-26 2021-09-10 国网天津市电力公司城南供电分公司 一种基于支持向量机和图像识别的故障电弧检测方法
CN113627289B (zh) * 2021-07-27 2023-06-16 广西电网有限责任公司 一种基于深度学习的电力设备识别方法及其装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100935406B1 (ko) * 2007-06-08 2010-01-06 주식회사 플라즈마트 플라즈마 이상 감지 장치와 플라즈마 이상 감지 방법
AT511790A3 (de) * 2011-07-26 2020-06-15 Eaton Gmbh Verfahren zur adaption eines lichtbogensensors
CN104979797B (zh) * 2014-04-02 2018-03-02 海尔集团公司 一种具有电弧检测功能的漏电保护装置及用电设备
CN104569684B (zh) * 2015-01-14 2017-08-25 上海和伍复合材料有限公司 一种基于电弧光谱信号的故障电弧检测方法
CN105974223B (zh) * 2016-04-27 2018-12-07 深圳职业技术学院 一种用于在线检测用电设备工作状态的方法及***
CN106199131B (zh) * 2016-06-22 2019-08-20 华为技术有限公司 一种直流电流中电弧的检测电路及微处理器
CN106326886B (zh) * 2016-11-07 2019-05-10 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法

Also Published As

Publication number Publication date
CN109270384A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109270384B (zh) 一种用于识别用电设备电弧的方法和***
Frizzi et al. Convolutional neural network for smoke and fire semantic segmentation
CN110443302B (zh) 基于特征融合与深度学习的负荷辨识方法及其应用
Huang et al. Fire detection in video surveillances using convolutional neural networks and wavelet transform
Sahoo et al. Trends in partial discharge pattern classification: a survey
WO2022067562A1 (zh) 一种故障电弧的诊断方法、装置和计算机可读存储介质
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
CN110286279A (zh) 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法
Xiao et al. Maximal overlap discrete wavelet transform and deep learning for robust denoising and detection of power quality disturbance
KR101433472B1 (ko) 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN103310200B (zh) 人脸识别方法
CN103323749A (zh) 多分类器信息融合的局部放电诊断方法
CN111860692B (zh) 一种基于K-mediod的物联网环境下的异常数据检测方法
CN105701470A (zh) 一种基于最优小波包分解的模拟电路故障特征提取方法
Zhang et al. Assembler: Efficient discovery of spatial co-evolving patterns in massive geo-sensory data
CN109886242A (zh) 一种行人重识别的方法及***
Fahim et al. An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation
Lu et al. Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion.
Liao et al. Recognizing noise-influenced power quality events with integrated feature extraction and neuro-fuzzy network
Rodrigues et al. Deep learning for power quality event detection and classification based on measured grid data
Li et al. DC arc fault risk degree evaluation based on back propagation neural network
CN116318925A (zh) 一种多cnn融合入侵检测方法、***、介质、设备及终端
CN116244600A (zh) 一种gis间歇性放电模式识别模型的构建方法、***及设备
CN116500386A (zh) 一种风电场集电线路电缆局放信号采集处理方法

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
GR01 Patent grant
GR01 Patent grant