CN116338402A - 电弧故障的检测方法和装置、存储介质及电子设备 - Google Patents
电弧故障的检测方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116338402A CN116338402A CN202310310229.4A CN202310310229A CN116338402A CN 116338402 A CN116338402 A CN 116338402A CN 202310310229 A CN202310310229 A CN 202310310229A CN 116338402 A CN116338402 A CN 116338402A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- arc
- current signal
- domain feature
- feature vector
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 117
- 238000012545 processing Methods 0.000 claims description 44
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- 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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请公开了一种电弧故障的检测方法和装置、存储介质及电子设备，其中，包括：获取第一电流信号的第一频域特征向量，其中，第一电流信号为离散信号，第一频域特征向量包括第一电流信号在频域上的N个频段的频域特征，第一电流信号包括在目标电路中采集到的电流信号；对第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，第一加权频域特征向量中的第d个加权频域特征是第一频域特征向量中的第d个频域特征与第d个权重的乘积；对第一频域特征加权向量进行去噪处理，得到第一电流信号的电弧特征；根据电弧特征确定目标电路是否出现电弧故障。采用上述技术方案，解决了相关技术中在电弧故障的检测过程中出现的准确率较低的问题。
Description
技术领域
本申请涉及电弧检测技术领域，具体而言，涉及一种电弧故障的检测方法和装置、存储介质及电子设备。
背景技术
电池储能作为大规模储能***的重要形式之一，具有调峰、填谷、调频、调相、事故备用等多种用途。与常规电源相比，大规模储能电站能够适应负荷的快速变化，对提高电力***安全稳定运行水平、电网供电质量和可靠性起到了重要作用，同时还可以优化电源结构，实现绿色环保，达到电力***的总体节能降耗，提高总体的经济效益。
直流电弧故障往往会发生在包含高压直流电源的电气***中，如不能及时检测并熄灭直流电弧，电弧会持续燃烧，甚至会波及到邻近电路，并可能对线路中的电源、控制***造成危害，更甚者在密闭空间内形成***。而传统的保护装置无法实现电弧的检测和保护。
相关技术中，对电弧故障进行检测的方案主要包括：(1)对电池的端电压和充放电电流基于时域分析，并根据提取的特征值进行电池拉弧检测；(2)通过采用快速傅立叶变换，得到每个时段的频谱数据，并计算相邻两个时段对应的两组频谱数据，判断相似度是否在阈值范围内，根据判断结果确定是否存在电弧故障。
然而，由于采集到的电流信号中包含大幅度的开关噪声和小幅值的环境噪声，上述两种方案中均未进行降噪处理，而是直接将电流数据的时域特征量作为检测依据，那么就容易受到开关频率噪声以及环境噪声的干扰，使得获取到的电弧特征准确性较低；同时由于在发生弱电弧故障时，直流电弧电流的时域波形相对稳定，直接利用电流信号的时域特征作为检测依据，无法识别到微弱电弧故障，已出现误检或漏检的情况，从而造成了电弧故障检测过程中出现的准确率较低的技术问题。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电弧故障的检测方法和装置、存储介质及电子设备，以至少解决在电弧故障的检测过程中出现的准确率较低的问题。
根据本申请实施例的一方面，提供了一种电弧故障的检测方法，包括：获取第一电流信号的第一频域特征向量，其中，第一电流信号为离散信号，第一频域特征向量包括第一电流信号在频域上的N个频段的频域特征，第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；对第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，第一加权频域特征向量中的第d个加权频域特征是第一频域特征向量中的第d个频域特征与第d个权重的乘积，第d个权重是与第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；对第一频域特征加权向量进行去噪处理，得到第一电流信号的电弧特征；根据电弧特征确定目标电路是否出现电弧故障。
可选地，上述获取第一电流信号的第一频域特征向量，包括：对第一电流信号进行傅里叶变换，得到N个频段的频域信号，其中，傅里叶变换用于将第一电流信号从时域信号转换为频域信号；确定N个频段的频域信号的电流频谱能量值，得到第一频域特征向量，其中，N个频段中的第h频段的频域信号的电流频谱能量值是对第h频段的频域信号在第h个频段中的各个离散信号进行积分运算得到的值。
可选地，上述对第一加权频域特征向量进行去噪处理，得到第一电流信号的电弧特征，包括：根据第一加权频域特征向量，构造第一Hankel矩阵；对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征。
可选地，上述对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征，包括：在第一Hankel矩阵为m×n阶矩阵的情况下，对第一Hankel矩阵进行奇异值分解，得到m×m阶的第一交流分量矩阵、m×n阶的第一噪声分量矩阵以及n×n阶的第一直流分量矩阵，第一噪声分量矩阵为对角矩阵，第一噪声分量矩阵的对角线上包括m个奇异值，其中，m≦n、且n为大于或等于2的正整数；根据m个奇异值，确定第一电流信号的电弧特征。
可选地，上述根据m个奇异值，确定第一电流信号的电弧特征，包括：获取第一时间段内的第一电流信号的第一频域特征向量以及第二时间段内的第二电流信号的第二频域特征向量，其中，第一时间段和第二时间段是分别按照预设时间间隔得到的时间区间；对第二频域特征向量进行加权处理，得到第二加权频域特征向量，其中，第二加权频域特征向量是由第二频域特征向量中的第s个特征值分别与第z频段对应的第z个权重的乘积得到的特征值序列，s、z为大于或等于1的正整数；根据第二加权频域特征向量，构造第二Hankel矩阵，并对第二Hankel矩阵进行奇异值分解，得到p×p阶的第二交流分量矩阵、p×q阶的第二噪声分量矩阵以及q×q阶的第二直流分量矩阵，其中，第二噪声分量矩阵为对角矩阵，对角矩阵的对角线上包括p个奇异值，p、q为大于或等于2的正整数；根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征。
可选地，上述根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征，包括：在m个奇异值中按照取值从大到小取前k个奇异值，得到第一奇异值集合，以及在p个奇异值中按照取值从大到小取前k个奇异值，得到第二奇异值集合；按照取值从大到小分别计算第一奇异值集合与第二奇异值集合中相同位置上的奇异值之间的比值，得到k个比值，其中，k为大于等于、且小于等于m的正整数；将第一电流信号的电弧特征确定为包括k个比值。
可选地，上述根据电弧特征确定目标电路是否出现电弧故障，包括：将电弧特征输入目标神经网络，得到目标神经网络通过以下公式确定的输出矩阵：
其中，u为电弧故障的种类数量，R为训练样本的数量，L为目标神经网络的隐含层的神经元的数量，βi为输出权重，g(x)为激活函数，wi为目标神经网络的第i个隐含层单元的输入权重，bi为目标神经网络的第i个隐层单元的偏置，wixj表示wi和xj的内积，xj是输入矩阵Xv×R的第j个值，v为输入特征变量的维数；根据输出矩阵确定目标检测结果，其中，目标检测结果用于表示目标电路出现电弧故障的概率，目标检测结果是与输出矩阵的最小化损失值相对应的值；根据目标检测结果确定目标电路是否出现电弧故障。
可选地，上述根据目标检测结果确定目标电路是否出现电弧故障，包括：在目标检测结果所表示的概率大于或等于第一预设阈值的情况下，确定目标电路出现电弧故障。
可选地，上述方法还包括：在目标检测结果所表示的概率大于或等于第一预设阈值、小于第二预设阈值的情况下，确定目标电路存在第一类型的电弧故障，其中，第一类型的电弧故障用于发送故障报警提示；和/或在目标检测结果所表示的概率大于或等于第二预设阈值的情况下，确定目标电路存在第二类型的电弧故障，其中，第二类型的电弧故障用于断开第一电流信号所在的直流回路。
根据本申请实施例的另一方面，提供了一种电弧故障的检测装置，包括：获取单元，用于获取第一电流信号的第一频域特征向量，其中，第一电流信号为离散信号，第一频域特征向量包括第一电流信号在频域上的N个频段的频域特征，第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；第一处理单元，用于对第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，第一加权频域特征向量中的第d个加权频域特征是第一频域特征向量中的第d个频域特征与第d个权重的乘积，第d个权重是与第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；第二处理单元，用于对第一频域特征加权向量进行去噪处理，得到第一电流信号的电弧特征；第三处理单元，用于根据电弧特征确定目标电路是否出现电弧故障。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述电弧故障的检测方法。
根据本申请实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过计算机程序执行上述电弧故障的检测方法。
通过本本申请提供的上述实施例，通过对第一电流信号的第一频域特征向量进行加权处理，加强了故障信号的特征信息；通过对第一加权频域特征向量进行去噪处理，得到去除环境噪声干扰后的电弧特征，提高了电弧特征的准确性，同时提高了利用电弧特征得到的电弧故障的检测结果的准确性，解决了相关技术中在电弧故障检测过程中出现的准确性较低的技术问题，实现了提高电弧故障检测的准确性的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示例性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的电弧故障的检测方法的结构示意图；
图2是根据本申请实施例的一种可选的电弧故障的检测方法的流程图；
图3是根据本申请实施例的一种可选的电弧故障的检测方法的整体流程图；
图4是根据本申请实施例的一种可选的电弧故障的检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决上述电弧故障检测结果的准确性较低的技术问题，本申请实施例中提供了一种电弧故障的检测方法，具体流程如图2所示，包括：
步骤S202，获取第一电流信号的第一频域特征向量，其中，第一电流信号为离散信号，第一频域特征向量包括第一电流信号在频域上的N个频段的频域特征，第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；
步骤S204，对第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，第一加权频域特征向量中的第d个加权频域特征是第一频域特征向量中的第d个频域特征与第d个权重的乘积，第d个权重是与第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；
步骤S206，对第一加权频域特征向量进行去噪处理，得到第一电流信号的电弧特征；
步骤S208，根据电弧特征确定目标电路是否出现电弧故障。
在对采集到的电流信号进行特征提取时，提取到的特征量包括但不限于时域特征量和频域特征量，其中，对于直流电流来说，当发生微弱故障电弧时，电流信号的波动较小，电弧电流的时域波形相对稳定，如果直接将时域特征量作为检测依据，容易出现误检或漏检的情况。
为了解决上述问题，本申请实施例中的电弧故障的检测方法中，通过获取采集到的第一电流信号在频域上的N个频段的频域特征，并进行加权处理，得到最终的电弧特征，然后利用电弧特征执行电弧故障的检测，得到准确率较高的检测结果。
其中，电弧故障的检测方法的整体示意图如图1所示，根据第一电路信号，分别计算第一频域特征向量、第一加权频域特征向量及电弧特征，根据电弧特征确定目标电路是否出现电弧故障。
具体地，对预设时间段内采集到的第一电流信号进行滤波、调理，得到如下述公式(1)所示的离散信号X：
X＝[x(1),x(2),……,x(Z)] (1)
其中，Z为数据长度。
根据上述离散信号，得到第一电流信号的第一频域特征向量，具体包括：
对第一电流信号进行傅里叶变换，得到N个频段的频域信号，其中，傅里叶变换用于将第一电流信号从时域信号转换为频域信号；
确定N个频段的频域信号的电流频谱能量值，得到第一频域特征向量，其中，N个频段中的第h频段的频域信号的电流频谱能量值是对第h频段的频域信号在第h个频段中的各个离散信号进行积分运算得到的值。
首先，对上述离散信号进行傅里叶变换(FFT)，得到不同频段下的电流信号，然后通过下述公式(2)，计算不同频率段的电流频谱能量值e:
通过上述公式(2)，对频段f1～f2内的部分电流信号(离散信号)进行积分运算，得到f1～f2频段内的电流频谱能量值。
容易理解的是，在对第一电流信号进行FFT变换之后，得到的离散信号的数量比较庞大，为了提高电弧特征的提取效率，通常会从每个频段中选择部分离散信号，并依据部分离散信号得到每个频段内的的电流信号特征，具体通过上述公式(2)来实现。
需要说明的是，上述公式(2)中的频段f1～f2仅为一种示例，并不对其进行限定，例如，一段时间内的电流信号还可以包括3个频段上的电流信号、4个频段上的电流信号等。
根据上述公式(2)计算得到的不同频段的电流频谱能量值，并利用下述公式(3)，得到第一频域特征向量：
E＝[e(1),e(2),……,e(N)] (3)
其中，e(1)表示处于预设频段内的电流信号的信号特征。
由于电弧电流高频分量主要几种在10k～200kHz的频域范围内，为了进一步加强故障信号的特征信息，通常对不同频段的特征信号进行加权处理，得到如下述公式(4)所示的第一加权频域特征向量：
E′＝σE＝[e′(1),e′(2),……,e′(N)] (4)
示例性地，不同频段的特征信号的加权值如下述公式(5)：
其中，假设e(1)是处于频段f1～f2内的电流信号的信号特征、且频段f1～f2是小于10kHz的频率，通过公式(5)可知，频段f1～f2对应的加权值为0.1，那么通过将e(1)与0.1的乘积确定e′(1)。
采用相同的方式，根据e(2)～e(N)所处频段，分别从公式(5)中确定各自对应的权重(加权值)，并计算各个频段的频域特征与权重的乘积，得到e′(2)～e′(N)，进一步得到公式(4)所示的第一加权频域特征向量。
对第一加权品与特征向量进行去噪处理，得到第一电流信号的电弧特征，并根据电弧特征确定目标电路是否出现电弧故障。
采用上述方式，通过对第一电流信号的第一频域特征向量进行加权处理，加强了故障信号的特征信息；通过对第一加权频域特征向量进行去噪处理，得到去除环境噪声干扰后的电弧特征，提高了电弧特征的准确性，同时提高了利用电弧特征得到的电弧故障的检测结果的准确性，解决了相关技术中在电弧故障检测过程中出现的准确性较低的技术问题，实现了提高电弧故障检测的准确性的技术效果。
作为一种可选的示例，上述对第一加权频域特征向量进行去噪处理，得到第一电流信号的电弧特征，包括：
根据第一加权频域特征向量，构造第一Hankel矩阵；
对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征。
根据上述公式(4)中的第一加权频域特征向量E′，构造第一Hankel矩阵，并对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征。
作为一种可选的实现方式，上述对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征，包括：
在第一Hankel矩阵为m×n阶矩阵的情况下，对第一Hankel矩阵进行奇异值分解，得到m×m阶的第一交流分量矩阵、m×n阶的第一噪声分量矩阵以及n×n阶的第一直流分量矩阵，第一噪声分量矩阵为对角矩阵，第一噪声分量矩阵的对角线上包括m个奇异值，其中，m≦n、且n为大于或等于2的正整数；
根据m个奇异值，确定第一电流信号的电弧特征。
假设根据上述公式(4)中的第一加权频域特征向量E′，构造的第一Hankel矩阵为如下述公式(6)所示的m×n阶矩阵：
其中，m≦n，N＝m+n-1。
由于Hankel矩阵H的维数过高，需要对其进行降维处理，具体是利用奇异值分解(Singular Value Decomposition，简称SVD)算法对上述矩阵H进行奇异值分解，将原始电流信号分解为占比不同的子信号的线性叠加，例如，将上述矩阵H分解为如下述公式(7)所示的第一交流分量矩阵U、第一噪声分量矩阵D以及第一直流分量矩阵V：
其中，U为m×m阶正交矩阵，V为n×n阶正交矩阵，D为m×n阶对角矩阵，其中，对角矩阵D的对角线上有非零值δ1,δ2,…δm，也称为非零奇异值，表示电流信号特征值的大小，且δ1≥δ2≥…≥δm＞0。
作为一种可选的示例，上述根据m个奇异值，确定第一电流信号的电弧特征，包括：
获取第一时间段内的第一电流信号的第一频域特征向量以及第二时间段内的第二电流信号的第二频域特征向量，其中，第一时间段和第二时间段是分别按照预设时间间隔得到的时间区间；
对第二频域特征向量进行加权处理，得到第二加权频域特征向量，其中，第二加权频域特征向量是由第二频域特征向量中的第s个特征值分别与第z频段对应的第z个权重的乘积得到的特征值序列，s、z为大于或等于1的正整数；
根据第二加权频域特征向量，构造第二Hankel矩阵，并对第二Hankel矩阵进行奇异值分解，得到p×p阶的第二交流分量矩阵、p×q阶的第二噪声分量矩阵以及q×q阶的第二直流分量矩阵，其中，第二噪声分量矩阵为对角矩阵，对角矩阵的对角线上包括p个奇异值，p、q为大于或等于2的正整数；
根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征。
结合上述实施例中的描述可知，上述第一电流信号是预设时间段内的电流信号，为了确定第一电流信号是否包含电弧特征信息，需要将上述奇异值序列δ1,δ2,…δm中的前k个较大的奇异值与相同时间段内正常信号的k个较大的奇异值相比。
例如，假设第一电流信号是在14:00-14:02(第一时间段)内采集到的电流信号，通过上述公式(7)得到第一电流信号的电流信号特征值，那么采集14:02-14:04(第二时间段)内的第二电流信号，并通过与上述公式(1)～(7)相同的处理方法，得到第二电流信号的电流信号特征值(δ′1,δ′2,…δ′p)。
根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征。
作为一种可选的实现方式，上述根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征，包括：
在m个奇异值中按照取值从大到小取前k个奇异值，得到第一奇异值集合，以及在p个奇异值中按照取值从大到小取前k个奇异值，得到第二奇异值集合；
按照取值从大到小分别计算第一奇异值集合与第二奇异值集合中相同位置上的奇异值之间的比值，得到k个比值，其中，k为大于等于、且小于等于m的正整数；
将第一电流信号的电弧特征确定为包括k个比值。
获取第一电流信号的电流信号特征值(δ1,δ2,…δm)中的前k个较大的奇异值、以及第二电流信号的电流信号特征值(δ′1,δ′2,…δ′p)中的前k个较大的奇异值，计算(δ1,δ2,…δm)中的前k个较大的奇异值中的第i个奇异值与(δ′1,δ′2,…δ′p)中的前k个较大的奇异值中的第i个奇异值之间的比值，得到如下述公式(8)所示的电弧特征：
其中，bi为奇异值分解得到的第i个较大的奇异值δi与相同时间段内正常信号的第i个较大的奇异值δi′的比值，其他较小的奇异值置0。对k个比值b1～bk重新进行排序，提取出电弧特征。
另外，电弧特征的取值越大表示第一电流信号与故障电流信号之间的差异越小。
需要说明的是，为了去除储能变流器的开关频率噪声干扰，将第一电流信号的前k个较大的奇异值与第二电流信号的前k个较大的奇异值取比值，另外，为了去除环境的噪声干扰，将除前k个较大的奇异值之外的其他奇异值置0，以准确地获取到电流信号中的微弱电弧特征信息，实现提高电弧故障检测的准确性的技术效果。
在经过上述各实施例中的方法，得到电弧特征之后，采用极限学习机(ExtremeLearning Maching，简称ELM)得到电弧故障的检测结果，其中，ELM是一种针对单隐含层前馈神经网络的神经网络的算法，是通过将输入数据映射到随机空间，然后最小二乘线性回归，得到电弧故障的检测结果。
作为一种可选的示例，上述根据电弧特征确定目标电路是否出现电弧故障，包括：
将电弧特征输入目标神经网络，得到目标神经网络通过以下公式确定的输出矩阵：
其中，u为电弧故障的种类数量，R为训练样本的数量，L为目标神经网络的隐含层的神经元的数量，βi为输出权重，g(x)为激活函数，wi为目标神经网络的第i个隐含层单元的输入权重，bi为目标神经网络的第i个隐层单元的偏置，wixj表示wi和xj的内积，xj是输入矩阵Xv×R的第j个值，v为输入特征变量的维数；
根据输出矩阵确定目标检测结果，其中，目标检测结果用于表示目标电路出现电弧故障的概率，目标检测结果是与输出矩阵的最小化损失值相对应的值；
根据目标检测结果确定目标电路是否出现电弧故障。
假设ELM输入层神经元个数等于输入特征变量维数p，隐含层由L个神经元组成，输出层神经元个数等于故障种类数u。假设共有R个训练样本，训练集输入矩阵和输出矩阵分别为XP×R，Yu×R，那么矩阵X与Y之间的输入输出关系为：
其中，βi为输出权重，g(x)为激活函数，wi为第i个隐层单元的输入权重，bi为第i个隐层单元的偏置，wixj表示wi和xj的内积，xj为输入矩阵中的第j个值，j＝1,2..R。
将训练样本的奇异值作为ELM神经网络模型的输入值，进行深度学习训练，确定ELM神经网络模型的输入权重、偏置值及最优输出权重；将测试样本的奇异值作为确定了输入权重、偏置值及最优输出权重的ELM神经网络模型的输入值，以输出的误差最小为目标进行学习训练，获得最小化损失值，即为电弧故障的检测结果。
根据上述检测结果确定目标电路是否出现电弧故障，具体地，包括：
在目标检测结果所表示的概率大于或等于第一预设阈值的情况下，确定目标电路出现电弧故障。
例如，假设第一预设阈值为0.5、目标检测结果为0.7的情况下，那么确定目标电路出现电弧故障。
在确定目标电路出现电弧故障的情况下，还可以进一步确定是什么类型的电弧故障，具体包括：
在目标检测结果所表示的概率大于或等于第一预设阈值、小于第二预设阈值的情况下，确定目标电路存在第一类型的电弧故障，其中，第一类型的电弧故障用于发送故障报警提示；和/或
在目标检测结果所表示的概率大于或等于第二预设阈值的情况下，确定目标电路存在第二类型的电弧故障，其中，第二类型的电弧故障用于断开第一电流信号所在的直流回路。
例如，假设第一预设阈值为0.5、第二预设阈值为0.8的情况下，如果目标检测结果为0.7，则确定目标电路中存在第一类型的电弧故障，例如，电弧故障；如果目标检测结果为0.9，则确定目标电路中存在第二类型的电弧故障，例如，强电弧故障。
针对上述两种类型的电弧故障，分别采用不同的保护机制，来保证目标电路的安全性，例如，当检测到1次弱电弧故障信号的情况下，仅发送故障报警提示；在检测到强电弧故障信号或连续3次弱电弧故障信号的情况下，立即降低充放电电流，并断开直流隔离开关。
通过上述方式，采用ELM对不同强度的电弧故障进行快速、准确地辨识并分类处理，不仅解决了直流故障电弧因随机性强、信号微弱二难以准确检测的问题，而且降低了电弧故障的误报率。
为了更加清晰地理解上述技术方案，下面结合如图3所示的整体流程图对其进一步进行描述，具体步骤如下：
S302，采集一段时间内母线电流并滤波；
例如，采集2分钟内的第一电流信号。
S304，对第一电流信号进行FFT分析，并计算电流频谱能量值；
通过上述公式(1)和(2)，对第一电流信号进行FFT分析，得到不同频段的离散信号，并计算电流频谱能量值e。
S306，对电流频谱能量值进行加权处理；
其中，根据计算得到的电流频谱能量值，以及上述公式(3)，得到第一频域特征向量；然后根据不同频段的电流加权系数(加权值)，对第一频域特征向量进行加权处理，得到第一加权频域特征向量，如上述公式(4)。
S308，对特征信号作SVD，得到奇异值谱；
根据第一加权频域特征向量，构造第一Hankel矩阵；利用SVD对第一Hankel矩阵进行奇异值分解，得到第一电流信号的m个奇异值。
S310，与相同时间段内正常信号的前k个较大奇异值相比，或置0去噪，重新排序提取电弧特征；
按照同样的方式，构造第二Hankel矩阵，并对第二Hankel矩阵进行奇异值分解，得到第二时间段内的第二电流信号的p个奇异值，取m个奇异值中前k个较大的奇异值、以及p个奇异值中前k个较大的奇异值；根据上述公式(8)计算得到电弧特征bi。
S312，根据上述电弧特征bi，并利用ELM计算目标检测结果；
将训练样本的奇异值作为ELM神经网络模型的输入值，进行深度学习训练，确定ELM神经网络模型的输入权重、偏置值及最优输出权重；将测试样本的奇异值作为确定了输入权重、偏置值及最优输出权重的ELM神经网络模型的输入值，以输出的误差最小为目标进行学习训练，获得最小化损失值，即为电弧故障的检测结果。
S314，根据电弧故障的检测结果，确定目标电路出现电弧故障的类型；
例如，假设第一预设阈值为0.5、目标检测结果为0.7的情况下，那么确定目标电路出现电弧故障。
在目标检测结果所表示的概率大于或等于第一预设阈值、小于第二预设阈值的情况下，确定目标电路存在第一类型的电弧故障，例如，弱电弧故障，并发送故障报警提示，如步骤S316。
在目标检测结果所表示的概率大于或等于第二预设阈值的情况下，确定目标电路存在第二类型的电弧故障，并强制断开电流通道，其中，第二类型的电弧故障用于断开第一电流信号所在的直流回路，具体如步骤S318-S320。
S316，发送故障报警提示；
S318，在目标检测结果所表示的概率大于或等于第二预设阈值的情况下，确定目标电路存在第二类型的电弧故障；
S320，强制断开电流通道；
S322，在目标检测结果所表示的概率小于第一预设阈值的情况下，确定目标电路没有出现电弧故障。
采用上述方式，通过对第一电流信号的第一频域特征向量进行加权处理，加强了故障信号的特征信息；通过对第一加权频域特征向量进行去噪处理，得到去除环境噪声干扰后的电弧特征，提高了电弧特征的准确性，同时提高了利用电弧特征得到的电弧故障的检测结果的准确性，解决了相关技术中在电弧故障检测过程中出现的准确性较低的技术问题，实现了提高电弧故障检测的准确性的技术效果。换句话说，基于加权FFT与改进型SVD进行降噪以提取更加准确的电弧特征，并采用ELM进一步对不同强度的电弧故障进行快速、准确地辨识，解决了相关技术中无法检测弱电弧故障、电弧故障检测的准确性较低的技术问题，提高了电弧故障检测的准确性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
根据本申请实施例的另一个方面，还提供了一种如图4所示的电弧故障的检测装置，该装置包括：
获取单元402，用于获取第一电流信号的第一频域特征向量，其中，第一电流信号为离散信号，第一频域特征向量包括第一电流信号在频域上的N个频段的频域特征，第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；
第一处理单元404，用于对第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，第一加权频域特征向量中的第d个加权频域特征是第一频域特征向量中的第d个频域特征与第d个权重的乘积，第d个权重是与第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；
第二处理单元406，用于对第一频域特征加权向量进行去噪处理，得到第一电流信号的电弧特征；
第三处理单元408，用于根据电弧特征确定目标电路是否出现电弧故障。
可选地，上述获取单元402，包括：
第一处理模块，用于对第一电流信号进行傅里叶变换，得到N个频段的频域信号，其中，傅里叶变换用于将第一电流信号从时域信号转换为频域信号；
第二处理模块，用于确定N个频段的频域信号的电流频谱能量值，得到第一频域特征向量，其中，N个频段中的第h频段的频域信号的电流频谱能量值是对第h频段的频域信号在第h个频段中的各个离散信号进行积分运算得到的值。
可选地，上述第一处理单元404，包括：
第三处理模块，用于根据第一频域特征加权向量，构造第一Hankel矩阵；
第四处理模块，用于对第一Hankel矩阵进行奇异值分解，得到第一电流信号的电弧特征。
可选地，上述第四处理模块，包括：
第一处理子模块，用于在第一Hankel矩阵为m×n阶矩阵的情况下，对第一Hankel矩阵进行奇异值分解，得到m×m阶的第一交流分量矩阵、m×n阶的第一噪声分量矩阵以及n×n阶的第一直流分量矩阵，第一噪声分量矩阵为对角矩阵，第一噪声分量矩阵的对角线上包括m个奇异值，其中，m≦n、且n为大于或等于2的正整数；
第二处理子模块，用于根据m个奇异值，确定第一电流信号的电弧特征。
可选地，上述第四处理模块，包括：
获取子模块，用于获取第一时间段内的第一电流信号的第一频域特征向量以及第二时间段内的第二电流信号的第二频域特征向量，其中，第一时间段和第二时间段是分别按照预设时间间隔得到的时间区间；
第三处理子模块，用于对第二频域特征向量进行加权处理，得到第二加权频域特征向量，其中，第二加权频域特征向量是由第二频域特征向量中的第s个特征值分别与第z频段对应的第z个权重的乘积得到的特征值序列，s、z为大于或等于1的正整数；
第四处理子模块，用于根据第二加权频域特征向量，构造第二Hankel矩阵，并对第二Hankel矩阵进行奇异值分解，得到p×p阶的第二交流分量矩阵、p×q阶的第二噪声分量矩阵以及q×q阶的第二直流分量矩阵，其中，第二噪声分量矩阵为对角矩阵，对角矩阵的对角线上包括p个奇异值，p、q为大于或等于2的正整数；
第五处理子模块，用于根据m个奇异值和p个奇异值，确定第一电流信号的电弧特征。
可选地，上述第四处理模块，包括：
第六处理子模块，用于在m个奇异值中按照取值从大到小取前k个奇异值，得到第一奇异值集合，以及在p个奇异值中按照取值从大到小取前k个奇异值，得到第二奇异值集合；
第七处理子模块，用于按照取值从大到小分别计算第一奇异值集合与第二奇异值集合中相同位置上的奇异值之间的比值，得到k个比值，其中，k为大于等于、且小于等于m的正整数；
第八处理子模块，用于将第一电流信号的电弧特征确定为包括k个比值。
可选地，上述第三处理单元408，包括：
第五处理模块，用于将电弧特征输入目标神经网络，得到目标神经网络通过以下公式确定的输出矩阵：
其中，u为电弧故障的种类数量，R为训练样本的数量，L为目标神经网络的隐含层的神经元的数量，βi为输出权重，g(x)为激活函数，wi为目标神经网络的第i个隐含层单元的输入权重，bi为目标神经网络的第i个隐层单元的偏置，wixj表示wi和xj的内积，xj是输入矩阵Xv×R的第j个值，v为输入特征变量的维数；
第六处理模块，用于根据输出矩阵确定目标检测结果，其中，目标检测结果用于表示目标电路出现电弧故障的概率，目标检测结果是与输出矩阵的最小化损失值相对应的值；
第七处理模块，用于根据目标检测结果确定目标电路是否出现电弧故障。
可选地，上述第七处理模块，包括：
第九处理子模块，用于在目标检测结果所表示的概率大于或等于第一预设阈值的情况下，确定目标电路出现电弧故障。
可选地，上述装置还包括：
第十处理子模块，用于在目标检测结果所表示的概率大于或等于第一预设阈值、小于第二预设阈值的情况下，确定目标电路存在第一类型的电弧故障，其中，第一类型的电弧故障用于发送故障报警提示；和/或
在目标检测结果所表示的概率大于或等于第二预设阈值的情况下，确定目标电路存在第二类型的电弧故障，其中，第二类型的电弧故障用于断开第一电流信号所在的直流回路。
通过将上述装置应用于对第一电流信号的第一频域特征向量进行加权处理，加强了故障信号的特征信息；通过对第一加权频域特征向量进行去噪处理，得到去除环境噪声干扰后的电弧特征，提高了电弧特征的准确性，同时提高了利用电弧特征得到的电弧故障的检测结果的准确性，解决了相关技术中在电弧故障检测过程中出现的准确性较低的技术问题，实现了提高电弧故障检测的准确性的技术效果。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (13)
1.一种电弧故障的检测方法，其特征在于，包括：
获取第一电流信号的第一频域特征向量，其中，所述第一电流信号为离散信号，所述第一频域特征向量包括所述第一电流信号在频域上的N个频段的频域特征，所述第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；
对所述第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，所述第一加权频域特征向量中的第d个加权频域特征是所述第一频域特征向量中的第d个频域特征与第d个权重的乘积，所述第d个权重是与所述第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；
对所述第一频域特征加权向量进行去噪处理，得到所述第一电流信号的电弧特征；
根据所述电弧特征确定所述目标电路是否出现电弧故障。
2.根据权利要求1所述的方法，其特征在于，所述获取第一电流信号的第一频域特征向量，包括：
对所述第一电流信号进行傅里叶变换，得到所述N个频段的频域信号，其中，所述傅里叶变换用于将所述第一电流信号从时域信号转换为频域信号；
确定所述N个频段的频域信号的电流频谱能量值，得到所述第一频域特征向量，其中，所述N个频段中的第h频段的频域信号的电流频谱能量值是对所述第h频段的频域信号在第h个频段中的各个离散信号进行积分运算得到的值。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一加权频域特征向量进行去噪处理，得到所述第一电流信号的电弧特征，包括：
根据所述第一加权频域特征向量，构造第一Hankel矩阵；
对所述第一Hankel矩阵进行奇异值分解，得到所述第一电流信号的电弧特征。
4.据权利要求3所述的方法，其特征在于，所述对所述第一Hankel矩阵进行奇异值分解，得到所述第一电流信号的电弧特征，包括：
在所述第一Hankel矩阵为m×n阶矩阵的情况下，对所述第一Hankel矩阵进行奇异值分解，得到m×m阶的第一交流分量矩阵、m×n阶的第一噪声分量矩阵以及n×n阶的第一直流分量矩阵，所述第一噪声分量矩阵为对角矩阵，所述第一噪声分量矩阵的对角线上包括m个奇异值，其中，m≦n、且n为大于或等于2的正整数；
根据所述m个奇异值，确定所述第一电流信号的电弧特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述m个奇异值，确定所述第一电流信号的电弧特征，包括：
获取第一时间段内的所述第一电流信号的所述第一频域特征向量以及第二时间段内的第二电流信号的第二频域特征向量，其中，所述第一时间段和所述第二时间段是分别按照预设时间间隔得到的时间区间；
对所述第二频域特征向量进行加权处理，得到第二加权频域特征向量，其中，所述第二加权频域特征向量是由所述第二频域特征向量中的第s个特征值分别与第z频段对应的第z个权重的乘积得到的特征值序列，s、z为大于或等于1的正整数；
根据所述第二加权频域特征向量，构造第二Hankel矩阵，并对所述第二Hankel矩阵进行奇异值分解，得到p×p阶的第二交流分量矩阵、p×q阶的第二噪声分量矩阵以及q×q阶的第二直流分量矩阵，其中，所述第二噪声分量矩阵为对角矩阵，所述对角矩阵的对角线上包括p个奇异值，p、q为大于或等于2的正整数；
根据所述m个奇异值和所述p个奇异值，确定所述第一电流信号的电弧特征。
6.根据权利要求5所述的方法，其特征在于，所述根据所述m个奇异值和所述p个奇异值，确定所述第一电流信号的电弧特征，包括：
在所述m个奇异值中按照取值从大到小取前k个奇异值，得到第一奇异值集合，以及在所述p个奇异值中按照取值从大到小取前k个奇异值，得到第二奇异值集合；
按照取值从大到小分别计算所述第一奇异值集合与所述第二奇异值集合中相同位置上的奇异值之间的比值，得到k个比值，其中，k为大于等于、且小于等于m的正整数；
将所述第一电流信号的电弧特征确定为包括所述k个比值。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述根据所述电弧特征确定所述目标电路是否出现电弧故障，包括：
将所述电弧特征输入目标神经网络，得到所述目标神经网络通过以下公式确定的输出矩阵：
其中，u为电弧故障的种类数量，R为训练样本的数量，L为所述目标神经网络的隐含层的神经元的数量，βi为输出权重，g(x)为激活函数，wi为所述目标神经网络的第i个隐含层单元的输入权重，bi为所述目标神经网络的第i个隐层单元的偏置，wixj表示wi和xj的内积，xj；
是输入矩阵Xv×R的第j个值，v为输入特征变量的维数；
根据所述输出矩阵确定目标检测结果，其中，所述目标检测结果用于表示所述目标电路出现电弧故障的概率，所述目标检测结果是与所述输出矩阵的最小化损失值相对应的值；
根据所述目标检测结果确定所述目标电路是否出现电弧故障。
8.根据权利要求7所述的方法，其特征在于，所述根据所述目标检测结果确定所述目标电路是否出现电弧故障，包括：
在所述目标检测结果所表示的概率大于或等于第一预设阈值的情况下，确定所述目标电路出现电弧故障。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
在所述目标检测结果所表示的概率大于或等于第一预设阈值、小于第二预设阈值的情况下，确定所述目标电路存在第一类型的电弧故障，其中，所述第一类型的电弧故障用于发送故障报警提示；和/或
在所述目标检测结果所表示的概率大于或等于所述第二预设阈值的情况下，确定所述目标电路存在第二类型的电弧故障，其中，所述第二类型的电弧故障用于断开所述第一电流信号所在的直流回路。
10.一种电弧故障的检测装置，其特征在于，包括：
获取单元，用于获取第一电流信号的第一频域特征向量，其中，所述第一电流信号为离散信号，所述第一频域特征向量包括所述第一电流信号在频域上的N个频段的频域特征，所述第一电流信号包括在目标电路中采集到的电流信号，N为大于或等于2的正整数；
第一处理单元，用于对所述第一频域特征向量进行加权处理，得到第一加权频域特征向量，其中，所述第一加权频域特征向量中的第d个加权频域特征是所述第一频域特征向量中的第d个频域特征与第d个权重的乘积，所述第d个权重是与所述第d个频域特征对应的频段对应，d为大于或等于1、且小于或等于N的正整数；
第二处理单元，用于对所述第一频域特征加权向量进行去噪处理，得到所述第一电流信号的电弧特征；
第三处理单元，用于根据所述电弧特征确定所述目标电路是否出现电弧故障。
11.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序可被终端设备或计算机运行时执行所述权利要求1至9任一项中所述的方法。
12.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至9任一项中所述方法的步骤。
13.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至9任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310229.4A CN116338402A (zh) | 2023-03-27 | 2023-03-27 | 电弧故障的检测方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310229.4A CN116338402A (zh) | 2023-03-27 | 2023-03-27 | 电弧故障的检测方法和装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116338402A true CN116338402A (zh) | 2023-06-27 |
Family
ID=86894457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310310229.4A Pending CN116338402A (zh) | 2023-03-27 | 2023-03-27 | 电弧故障的检测方法和装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116338402A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118209856A (zh) * | 2024-05-22 | 2024-06-18 | 国网天津市电力公司电力科学研究院 | 断路器电弧光状态检测方法及装置 |
-
2023
- 2023-03-27 CN CN202310310229.4A patent/CN116338402A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118209856A (zh) * | 2024-05-22 | 2024-06-18 | 国网天津市电力公司电力科学研究院 | 断路器电弧光状态检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Yılmaz et al. | A real-time UWT-based intelligent fault detection method for PV-based microgrids | |
| Dalai et al. | Rough-set-based feature selection and classification for power quality sensing device employing correlation techniques | |
| Roy et al. | PSD based high impedance fault detection and classification in distribution system | |
| CN112149510A (zh) | 一种非侵入式负荷检测方法 | |
| Manohar et al. | Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults | |
| Ezzat et al. | Microgrids islanding detection using Fourier transform and machine learning algorithm | |
| CN111007364B (zh) | 一种电缆早期自恢复故障的识别方法 | |
| Mishra et al. | A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition | |
| CN116338402A (zh) | 电弧故障的检测方法和装置、存储介质及电子设备 | |
| El Chamie et al. | Physics-based features for anomaly detection in power grids with micro-pmus | |
| Hubana | Artificial intelligence based station protection concept for medium voltage microgrids | |
| CN109635430B (zh) | 电网输电线路暂态信号监测方法和*** | |
| Ankar et al. | Wavelet-ANN based fault location scheme for bipolar CSC-based HVDC transmission system | |
| Niazazari et al. | Event cause analysis in distribution networks using synchro waveform measurements | |
| Dash et al. | Power quality monitoring using an integrated Fourier linear combiner and fuzzy expert system | |
| CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
| Aslan et al. | ANN based fault location for medium voltage distribution lines with remote-end source | |
| CN110542835B (zh) | 一种用于车辆电弧故障的检测方法、检测***及试验*** | |
| CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
| CN116031828A (zh) | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 | |
| Thomas et al. | Machine learning based detection and classification of power system events | |
| Andami et al. | Voltage notch detection using fuzzy expert system | |
| CN117313021B (zh) | 一种电力设备异常检测分析方法、***、终端及介质 | |
| Mumtaz et al. | Novel protection method for AC microgrids with multiple distributed generations using Unscented Kalman filter |
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 |