CN112348159A - 一种故障电弧神经网络优化训练方法 - Google Patents
一种故障电弧神经网络优化训练方法 Download PDFInfo
- Publication number
- CN112348159A CN112348159A CN201910723509.1A CN201910723509A CN112348159A CN 112348159 A CN112348159 A CN 112348159A CN 201910723509 A CN201910723509 A CN 201910723509A CN 112348159 A CN112348159 A CN 112348159A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- neural network
- arc
- iteration
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种故障电弧神经网络优化训练方法,通过提取电弧故障和正常电路电流信号时频域的多个特征量,采用多种神经网络优化训练策略进行训练,然后寻找出测试集表现最好的模型,最终的训练模型在故障电弧识别上具有更高的识别准确率。首先用1GHz的AD对线路中的电流信号进行采集,每个半波都会提取多个时频域特征值,然后将提取的各特征向量进行归一化,拼接成特征矩阵,由卷积神经网络进行处理,在神经网络训练方式中,采取7种不同的训练手段,以寻求泛化能力最好的模型,最终根据神经网络的输出结果判别是否为电弧。
Description
技术领域
本发明属于故障电弧检测领域,主要涉及故障电弧特征值进行神经网络训练的策略,保证模型具有良好的泛化能力。
背景技术
电气火灾在当今社会中的火灾事故中占有很高的比例,而电弧故障是导致电气火灾的重要原因之一。故障电弧通常是由于线路、设备绝缘老化和破损,或不良的电气连接造成的,电弧的发生会释放高温,极其容易引发火灾。发生的电弧依据其故障类型可以分为串联故障电弧和并联故障电弧,由于并联故障电弧发生时的电流比较大,现有的过流保护装置和短路保护装置可以起到部分保护作用。而串联电弧发生时,电流虽然有异常,但是电流值低于普通断路器的保护阈值,导致现有的过流保护不能有效检测故障电弧以保护电路。
发生故障电弧时,线路中的电流信号会发生较为明显的畸变,而电压信号和正常电压信号比较接近,因此本发明中采用对电流信号进行采样,并对电流信号进行时域分析并提取各种电弧信号的特征。
传统的电弧检测方法主要是针对提取的特征值设定阈值进行判别,由于实际用电环境中的负载情况多种多样,设定阈值的方式对于不同负载而言具有不同的阈值,所以很难适应不同的负载环境,性能仍有很大的提升空间。同时,传统的电弧检测方法关注的信号频率大多集中在数MHz之内,低采样率采集的信号会出现电弧信号与一些常用家用电器的信号区分不开,导致误判别的发生。
本发明提出的方案立足于高采样率的高频成分分析,通过提取时域和频域多通道的特征值,并将提取的各特征向量组合成特征矩阵。在提供给卷积神经网络之前进行特征向量的归一化,采用卷积神经网络对归一化后特征向量矩阵进行二分类处理,根据神经网络的输出值判定是否发生了电弧。
而且针对打弧实验数据中存在不打弧的情况,提出了7种训练策略,所有策略均是为了提高模型泛化能力,最终根据测试集以及单片机表现好坏来选择最好的模型。
发明内容
本发明的目的在于提供七种针对故障电弧检测的神经网络训练方法,主要通过对电流信号中的高频成分分析,提取时频特征值,将不同时刻的特征值组成特征向量,将不同类的特征向量组成特征矩阵,然后利用卷积神经网络处理特征矩阵,进行二分类判决,实现高可靠性的电弧检测和判决。
为达到上述目的,本发明中将不同类别的特征向量构成特征矩阵,通过卷积神经网络对特征矩阵进行处理。在处理之前首先对特征矩阵中的每一个特征向量进行归一化操作,消除量纲影响,并且通过提供标注为故障电弧和正常的数据集利用神经网络进行训练,使用训练好的模型对新的特征矩阵进行处理,判别是否发生了电弧。
所述检测方法中,对电流信号采用了超高采样速率1GHz,远高于现有的技术中的采样速率,用以提取并关注电流信号中的高频成分,和现有方案相比可以观测到频率更高的成分,相比于低频成分而言,具有更可靠稳定的特征。
所述检测方法中,对采样后的高频信号分别通过两个具有不同通频带的带通滤波器,通频带分别为500KHz~50MHz、50MHz~100MHz与100MHz~200MHz,区分不同频带主要是针对时域特征的提取,对滤波后的三路信号分别进行时频分析。
所述检测方法中,在用神经网络进行处理前,需要对提取的特征向量进行归一化操作,用来消除不同特征值的量纲影响。对每一个特征向量分别进行归一化,归一化的方法如下:
其中x[n]表示特征向量中的第n个元素,x[n]表示归一化后的元素,X表示特征向量,max(X)表示特征向量X中的最大值元素,min(X)表示特征向量X中的最小值元素。
所述检测方法中,根据现实的实验数据采集情况来看,每次采集的正常数据可以确保都是不打弧数据,而每次采集的电弧数据,由于神经网络判别单位是一个半波,所以每次采集的数据肯定有没有打弧的数据,这些数据称之为误标数据,理想情况下,将所有误标数据重新标记为正常,然后放到正常数据集中,然后进行训练。但现实情况中,有些数据半波特征值介于打弧和未打弧之间,分不清这些数据是电弧还是正常抑或是某种干扰数据,所以本发明为了提高神经网络模型的泛化能力,减少误标数据对神经网络训练的影响,针对神经网络的训练方式提出了7种训练策略。
其中,神经网络训练方法1的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则剔除漏判的数据,重新生成新的数据集,重复步骤2及后续操作。
神经网络训练方法2的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则将漏判的数据标记为正常,重新生成新的数据集,重复步骤2及后续操作。
神经网络训练方法3的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,上次标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
神经网络训练方法4的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,将第一次数据集标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
神经网络训练方法5的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取。
步骤2:肉眼对比同一负载的电弧和正常特征值数据,剔除没有打弧的数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
神经网络训练方法6的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取。
步骤2:细分负载的正常和电弧变异系数区别进行自动剔除没有打弧的特征值数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
其中,步骤2说的变异系数剔除手段详细说明如下:
针对采集的实验数据,将电弧和通过细分不同负载的正常和电弧数据,针对性的查看相同负载、线路连接下的某一通道特征值的变异系数,通过正常和电弧的变异系数设定合理阈值,以消除误标记数据。
神经网络训练方法7的基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取。
步骤2:细分负载的正常和电弧欧式距离区别进行自动剔除没有打弧的特征值数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
其中,步骤2说的欧式距离剔除手段详细说明如下:
针对采集的实验数据,将电弧和通过细分不同负载的正常和电弧数据,统计不同负载正常不同特征值半波的平均值作为正常数据库,对电弧半波特征值与对应负载的正常数据库做欧式距离计算,并将多种特征值的欧式距离加和,然后从小到大排序,根据肉眼查看分辨的手段来定出该负载电弧和正常的欧式距离阈值,作为以后剔除的手段。并根据后续神经网络测试剔除的数据进行阈值方面的修改与完善,形成一个闭环的剔除工作。
以上技术方案与现有的技术对比,本发明中采用10ms半波信号提取多通道特征值的策略,然后进行多种时频域特征分析的方式,将一个半波内不同时段的特征值提取为特征向量。将多种特征向量组成特征矩阵,采用卷积神经网络进行处理,相比于传统的设定阈值的方法以及单一时域或者频域的电弧检测方法,具有更高的准确率和可靠性,针对不同负载情况可以针对性的训练具有自适应性。
相比对信号的处理主要集中在数MHz的信号频率的传统方案,本发明对信号处理的频率范围主要集中在数MHz到数百MHz之间,观测的频率成分更高,验证结果表明采用数MHz到数百MHz的频率成分进行电弧检测和判断具有更高的准确率和可靠性。
附图说明
图1是本发明中使用的卷积神经网络拓扑图。
图2是本发明中7种训练优化策略的优选流程图。
图3是本发明中提出的神经网络训练方法1~4的流程图。
图4是本发明中提出的神经网络训练方法5~7的流程图。
图5是本发明中提出的神经网络训练方法6的变异系数剔除策略的某负载电弧和正常半波变异系数对比图,波动较大的为电弧变异系数,波动小的为正常变异系数,中间横粗线为剔除阈值线。
图6是本发明中提出的神经网络训练方法7的欧式距离剔除策略的某负载电弧和正常半波变异系数对比图,通过查看欧式距离突变处的特征值数据,进而定出一个合理的剔除阈值,中间横粗线为剔除阈值线,剔除低于此阈值的数据。
图7为本发明中神经网络模型测试集的分负载判别情况。
图8为本发明中的测试集图。
具体实施方式
下面结合图1至图8对本发明所提供的故障电弧检测方法进行说明。
本发明的图1所示为卷积神经网络的模型结构,由卷积层、池化层以及全连接层构成。
在该实施例中,卷积层中使用三个3*3的卷积核对特征矩阵进行卷积运算,由于采用了3个卷积核,经过池化层对卷积结果降维,变成一维向量提供给全连接层。
在该实施例中,卷积层中的激活函数采用了ReLU函数,输出层采用了 Sigmoid函数,ReLU函数和Sigmoid函数实现的运算可以分别表示如下:
ReLU(x)=max(0,x)
在该实施例中,包括输出层共有四层全连接层,每一层的神经元数目分别是 64、32、64、1。
本发明的图2所示为7种训练优化策略的优选流程图,通过不同训练策略训练出的模型,并针对同一测试集进行性能测试,以选出最好的模型和训练优化策略作为后续的主要训练手段。
本发明中提供神经网络训练方法1的流程图如图3中的训练策略1分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则剔除漏判的数据,重新生成新的数据集,重复步骤2及后续操作。
本发明中提供神经网络训练方法2的流程图如图3中的训练策略2分图,所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则将漏判的数据标记为正常,重新生成新的数据集,重复步骤2及后续操作。
本发明中提供神经网络训练方法3的流程图如图3中的训练策略3分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,上次标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
本发明中提供神经网络训练方法4的流程图如图3中的训练策略4分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,将第一次数据集标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
本发明中提供神经网络训练方法5的流程图如图4中的训练策略5分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取。
步骤2:肉眼查看电弧特征值数据,剔除没有打弧的数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
本发明中提供神经网络训练方法6的流程图如图4中的训练策略6分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取。
步骤2:细分负载的正常和电弧变异系数区别进行自动剔除没有打弧的特征值数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
本发明中提供神经网络训练方法7的流程图如图4中的训练策略7分图所示,基本流程步骤描述如下:
步骤1:将采集的数据进行多通道特征值提取。
步骤2:细分负载的正常和电弧欧式距离区别进行自动剔除没有打弧的特征值数据,生成数据集。
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
本发明中图5为神经网络训练方法6中变异系数剔除法,考虑到采集数据数量巨大,百万级别数据,有些数据必然存在没有打电弧却误标记为电弧的现象,单纯用肉眼观看消除误标记的手段耗时耗力,所以本发明采用了一种细分负载、电流、线路连接的特征值变异系数阈值来进行自动剔除。如图5所示荧光灯干扰负载在相同工作条件下的50个半波电弧和正常数据的某频域特征值的变异系数,波动较大的实线为电弧特征值的变异系数,波动小的虚线则为荧光灯正常工作特征值的变异系数,阈值定位正常工作变异系数最大值的1.2倍(此数据是根据统计众多数据得到的一个合理的值),阈值线为粗横线,低于此阈值的点用圆圈标记,这些标记的数据即误标记数据,并将这些数据剔除。
本发明中图6为神经网络训练方法7中的欧式距离剔除法,同样考虑肉眼查看大量数据的困难性,所以也采用了一种细分负载、电流、线路连接的特征值欧式距离阈值来进行自动剔除,通过电弧数据与正常的标准库进行欧式距离计算,然后定出合理的剔除阈值,进行自动剔除。图6所示电钻干扰负载的600 个半波电弧数据与电钻正常数据库的欧式距离,阈值线为粗横线,自动剔除低于此阈值半波数据。
本发明中图7为某个训练模型在某个测试集下各负载判别情况。
本发明中图8展示的是一个涵盖所有负载情况的测试集,测试集分为三部分,一部分为正常数据,一部分为经过肉眼查看非常确认为电弧的数据,第三部分为不确认是否打弧的数据,测试集用以检测7种训练方法所得模型的好坏。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种故障电弧神经网络优化训练方法,其特征在于:
对提取的多负载多维特征值进行神经网络训练,最终训练出泛化能力好的模型,用以预测识别电弧。
3.根据权利要求1所述的神经网络训练方法,其特征在于:
所用网络为卷积神经网络,卷积神经网络一般用于图片识别,本发明提取特征值也是二维,利用卷积神经网络能够更好的提取各通道间的相关性。
4.根据权利要求1所述的神经网络训练方法,其特征在于:
根据GB/T 31143-2014的要求,采集了诸多负载及不同线路、线圈下的电弧和正常数据,包括3A~32A的阻性负载实验、七种干扰负载(空压机、电钻、吸尘器、卤素灯、开关电源、荧光灯、调光器)的误脱扣和不同线路连接的屏蔽实验、EMI实验、30m线长实验,采集时长大多数为1s,由于电弧线路过多,相比正常数据采集要多,所以为了保证数据集样本的均衡性,正常数据采集时长需要长一些,以保证最终采集的正常和电弧半波数目基本持平。
5.根据权利要求1所述的神经网络训练方法,其特征在于:
在权利要求5的采集数据规范外,再采集七种干扰负载以及更多家用电器(本发明还采集了电冰箱、空调、洗衣机、微波炉、电吹风、电脑、电动车充电器)的数据,并不局限于单负载,混合负载也要进行采集。
6.根据权利要求1所述的神经网络训练方法,其特征在于:
对数据集进行程序转换为适合神经网络训练的格式,训练数据半波10ms作为判别单元,又对应一个标记行向量,标记行向量第一列为二分类标记,电弧为1,正常为0,第二列为数据名字标记,第三列为半波标记,因为每一组数据采集上百个半波,第四列为负载类型标记,诸如GB/T 31143-2014规范内的标记阻性负载为1,EMI为2,30m线长为3,调光器为4,电钻为5,开关电源为6,卤素灯为7,吸尘器为8,荧光灯为9,空压机为10,在神经网络的训练程序中,每次训练完成都会显示各负载的判别情况以及输出判别错误的半波数据,以更好的调整模型。
7.根据权利要求1所述的神经网络训练方法,其特征在于:
由于每天都会采集数十万个半波的实验数据,所以训练时采取分批读取数据到内存或增量训练的办法,一次性读取方式会出现内存崩溃的情况。
8.根据权利要求1所述的神经网络训练方法,其特征在于:
这是一个卷积神经网络有监督的二分类方法,最终数据判定结果为电弧或正常,卷积神经网络有卷积层、池化层、以及多层全连接层组成,通过迭代速度、正确率、产品软硬件计算需求的考虑,选择了3*3卷积核,16个卷积核,全局最大池化,在二分类的常用损失函数、优化器、激活函数中,选择了Binary Crossentropy、Adam和ReLU(中间层)、Sigmoid(最后一层)。
9.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法1,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则剔除漏判的数据,重新生成新的数据集,重复步骤2及后续操作。
10.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法2,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之,则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,则将漏判的数据标记为正常,重新生成新的数据集,重复步骤2及后续操作。
11.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法3,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,上次标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
12.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法4,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取,将其作为数据集;
步骤2:将数据集随机划分80%作为训练集,20%作为验证集;
步骤3:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
步骤4:步骤3训练完成后,对训练集和验证集进行预测,如果漏判的数据数目小于N,结束操作;反之,将本次漏判数据标为正常,将第一次数据集标注为正常的电弧数据本次却误判的标注为电弧,重新生成新的数据集,重复步骤2及后续操作。
13.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法5,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取;
步骤2:肉眼对比同一负载的电弧和正常特征值数据,剔除没有打弧的数据,生成数据集;
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段。
14.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法6,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取;
步骤2:细分负载的正常和电弧变异系数区别进行自动剔除没有打弧的特征值数据,生成数据集;
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
其中,步骤2说的变异系数剔除手段详细说明如下:
针对采集的实验数据,将电弧和通过细分不同负载的正常和电弧数据,针对性的查看相同负载、线路连接下的某一通道特征值的变异系数,通过正常和电弧的变异系数设定合理阈值,以消除误标记数据。
15.根据权利要求1所述的神经网络训练方法,其特征在于:
提出了针对电弧数据的神经网络训练方法7,基本流程步骤描述如下,
步骤1:将采集的数据进行多通道特征值提取;
步骤2:细分负载的正常和电弧欧式距离区别进行自动剔除没有打弧的特征值数据,生成数据集;
步骤3:将数据集随机划分80%作为训练集,20%作为验证集;
步骤4:神经网络训练,检测每次迭代的验证集正确率,如果正确率迭代间的提升幅度小于A,则停止迭代,并保存训练得到的模型;反之则继续迭代训练,这也是防止过拟合的一种手段;
其中,步骤2说的欧式距离剔除手段详细说明如下:
针对采集的实验数据,将电弧和通过细分不同负载的正常和电弧数据,统计不同负载正常不同特征值半波的平均值作为正常数据库,对电弧半波特征值与对应负载的正常数据库做欧式距离计算,并将多种特征值的欧式距离加和,然后从小到大排序,根据肉眼查看分辨的手段来定出该负载电弧和正常的欧式距离阈值,作为以后剔除的手段,并根据后续神经网络测试剔除的数据进行阈值方面的修改与完善,形成一个闭环的剔除工作。
16.根据权利要求1所述的神经网络训练方法,其特征在于:
通过大量的数据采集,准备一个涵盖所有负载情况的测试集,测试集分为三部分,一部分为正常数据,一部分为经过肉眼查看非常确认为电弧的数据,第三部分为不确认是否打弧的数据,测试集用以检测7种训练方法所得模型的好坏,最终根据统计测试集的性能,选出最好的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723509.1A CN112348159A (zh) | 2019-08-07 | 2019-08-07 | 一种故障电弧神经网络优化训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723509.1A CN112348159A (zh) | 2019-08-07 | 2019-08-07 | 一种故障电弧神经网络优化训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348159A true CN112348159A (zh) | 2021-02-09 |
Family
ID=74366358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910723509.1A Withdrawn CN112348159A (zh) | 2019-08-07 | 2019-08-07 | 一种故障电弧神经网络优化训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408226A (zh) * | 2021-05-10 | 2021-09-17 | 浙江大学 | 一种基于深度学习的芯片供电网络凸快电流估算方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
CN107219447A (zh) * | 2017-06-19 | 2017-09-29 | 安徽江淮汽车集团股份有限公司 | 一种基于阻抗特征的直流电弧检测方法及*** |
CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用*** |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108288055A (zh) * | 2018-03-14 | 2018-07-17 | 台州智必安科技有限责任公司 | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 |
CN108535589A (zh) * | 2018-05-21 | 2018-09-14 | 彭浩明 | 一种故障电弧检测方法及装置 |
CN108646149A (zh) * | 2018-04-28 | 2018-10-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于电流特征提取的故障电弧识别方法 |
-
2019
- 2019-08-07 CN CN201910723509.1A patent/CN112348159A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291351A (zh) * | 2016-09-20 | 2017-01-04 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
CN107219447A (zh) * | 2017-06-19 | 2017-09-29 | 安徽江淮汽车集团股份有限公司 | 一种基于阻抗特征的直流电弧检测方法及*** |
CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用*** |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108288055A (zh) * | 2018-03-14 | 2018-07-17 | 台州智必安科技有限责任公司 | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 |
CN108646149A (zh) * | 2018-04-28 | 2018-10-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于电流特征提取的故障电弧识别方法 |
CN108535589A (zh) * | 2018-05-21 | 2018-09-14 | 彭浩明 | 一种故障电弧检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408226A (zh) * | 2021-05-10 | 2021-09-17 | 浙江大学 | 一种基于深度学习的芯片供电网络凸快电流估算方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113049922B (zh) | 一种采用卷积神经网络的故障电弧信号检测方法 | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
CN108009730B (zh) | 一种光伏电站***健康状态分析方法 | |
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 | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN116075733A (zh) | 用于对电池模块进行分类的电池管理*** | |
Eskandari et al. | Optimization of SVM classifier using grid search method for line-line fault detection of photovoltaic systems | |
CN112348159A (zh) | 一种故障电弧神经网络优化训练方法 | |
CN113406502B (zh) | 基于机器学习的缺陷电池筛选方法、设备及介质 | |
CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
Paul et al. | Series AC arc fault detection using decision tree-based machine learning algorithm and raw current | |
CN113298124B (zh) | 一种基于参数匹配的多层次直流故障电弧检测方法 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及*** | |
CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
JP5568175B2 (ja) | 力軌跡(signature)を使用して品質合格基準を決定するための方法 | |
CN110988597A (zh) | 一种基于神经网络的谐振类别检测方法 | |
CN118169526A (zh) | 一种交流***多支路故障电弧检测方法及*** | |
CN116338348A (zh) | 基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法 | |
CN107153141A (zh) | 基于虚拟窗口的智能电气设备异常检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210209 |
|
WW01 | Invention patent application withdrawn after publication |