CN116432112A - 基于小波包变换、残差卷积神经网络的电弧故障检测方法 - Google Patents
基于小波包变换、残差卷积神经网络的电弧故障检测方法 Download PDFInfo
- Publication number
- CN116432112A CN116432112A CN202310442577.7A CN202310442577A CN116432112A CN 116432112 A CN116432112 A CN 116432112A CN 202310442577 A CN202310442577 A CN 202310442577A CN 116432112 A CN116432112 A CN 116432112A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolution neural
- dimensional
- residual
- wavelet packet
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000009466 transformation Effects 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012706 support-vector machine Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000004927 fusion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009774 resonance method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于小波包变换、残差卷积神经网络的电弧故障检测方法,包括:1)采集线路中的电流信号;2)利用小波包变换将电流信号进行两层分解;3)利用权重截断式矩阵构造法将每个一维小波包分量转化为二维矩阵;4)利用残差卷积神经网络将二维矩阵进行逐层非线性变换,得到高维抽象特征;5)将高维特征输入至支持向量机实现特征融合,并得到检测结果。本发明利用小波包变换对不同频带成分的故障信息解耦。权重截断式矩阵使后续特征提取过程聚焦关键故障信息,削弱冗余信息的干扰。利用残差卷积神经网络实现特征的自适应提取,降低网络训练过程的过拟合程度。最后利用支持向量机替代softmax分类器,更有效地融合高维特征并有利于提升最终检测准确度。
Description
技术领域
本发明涉及一种基于小波包变换、残差卷积神经网络的电弧故障检测方法,属于电弧故障检测领域。
技术背景
民用低压配电***的长期运行会导致电弧故障,电弧故障产生的高温极易引发火灾,从而导致严重的人员伤亡和财产损失。并联电弧故障能够在线路中产生过电流,可通过常规断路器进行保护。串联电弧故障相当于线路中阻抗的引入,会导致电流的轻微降低。串联电弧故障具有很强的随机性和隐蔽性,传统断路器很难实现对串联电弧故障的保护。因此,准确、快速地检测串联电弧故障对维护民用低压配电***的安全稳定运行具有重要意义。
通过分析电磁辐射信号、声音信号和光信号的检测方法要求检测器靠近故障位置。基于电流信号的检测方法不受检测器位置的限制,并且易于实现,是当今研究的重点。一些学者通过设置从电弧电流信号中提取的特征的固定阈值来实现电弧故障检测。然而,基于阈值的串联电弧故障检测方法很容易受到工作条件的影响,而且在实际应用中很难设置合适的阈值。
如今,越来越多的学者应用机器学习方法来融合多种类型的特征,以适应不同的工作条件。Joshua等人基于离散傅里叶变换、梅尔频率倒谱系数和离散小波变换从电流信号中提取不同类型的特征,将这些特征输入神经网络以实现串联电弧故障检测。有研究者使用随机森林分析特征的重要性,并将具有高重要性值的特征输入神经网络分类器。有研究者基于随机共振方法实现特征增强,并分别提取了7.8-15.6kHz和39.1-46.9kHz的功率振幅和值,以构建特征向量,并采用支持向量机作为分类器。有研究者从分数傅里叶变换获得的时频谱中提取奇异值,作为支持向量机分类器的输入。
然而,上述基于机器学习的方法有两个缺点:1)手工提取的特征依赖于专业背景经验,且难以全面包含故障信息;2)分类器的结构较浅,无法准确表示特征与故障类型之间的复杂非线性关系。
当前,具有更深网络结构的深度学习方法被用于直接处理电弧电流,以自动学习潜在的抽象故障特征,由此可以保证高检测精度和优异的泛化能力。卷积神经网络是最具代表性的深度学习框架,其中卷积核模拟仿生视觉机制,可以学习输入空间中的各种局部信息。同时,加权共享机制有利于降低卷积神经网络的复杂性卷积神经网络被用于直接处理电弧电流,避免了以上手工提取特征方法的主观性,利用该方法可以有效地提取深层抽象故障特征,并保证在线串联电弧故障检测的快速性,但传统卷积神经网络的训练过程易存在过拟合问题。有研究者将残差学习引入到卷积神经网络中,以削弱训练过程中的过度拟合现象,并提高检测精度。还有研究者将电弧电流的时域序列和频谱能量序列同时用作残差卷积神经网络的两个单独通道的输入。但仅仅将原始将电流时域信号或频域信号作为残差卷积神经网络的输入,分布于不同频带中的故障信息会相互干扰,从而对检测性能带来负面影响。
深度学习方法显示出强大的特征提取能力,可以高精度地检测串联电弧故障。然而,目前用于串联电弧故障检测的深度学习方法存在三个缺陷:1)仅将原始电流信号或频谱能量序列作为深度学习模型的输入,包含于不同频带中的故障信息的重叠增加了深度学习模型特征提取的难度;2)上述深度学习模型在训练过程中存在泛化能力不足和过度拟合现象;3)以上基于卷积神经网络的检测结果是基于softmax分类器获得的,但softmax分类器的分类能力有限。
发明内容
为解决上述问题,本发明提供了一种基于小波包变换、残差卷积神经网络的电弧故障检测方法,能够实现电弧故障特征的自适应提取,并提升电弧故障检测的准确度,避免正常线路的虚警。
为实现上述发明目的,本发明具体采用如下技术方案:
步骤1):在正常情况下和电弧故障情况下采集电路中的电流信号数据;
步骤2):将电流信号数据分割为样本数据,然后将样本数据标准化,并对每个样本标注相应的标签;
步骤3):将采集到的样本数据划分为训练集与测试集;
步骤4):基于小波包变换将训练集与测试集中每个样本数据进行分解,得到多个一维小波包分量,然后将一维小波包分量转换为二维矩阵;
步骤5):将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入,对残差卷积神经网络进行训练;
步骤6):训练集样本数据对应的二维矩阵输入至残差卷积神经网络后,可得到高维故障特征,利用训练集样本数据对应的高维故障特征训练支持向量机;
步骤7):残差卷积神经网络和支持向量机训练完毕后,将测试集样本数据对应的二维矩阵输入至残差卷积神经网络后,得到高维故障特征,再将该高维故障特征输入到支持向量机,得到检测结果即测试集样本数据检测标签;
步骤8):通过对比测试集样本数据的检测标签与实际标签,可对检测结果进行评估。
作为优选,步骤1)中,基于100kHz的采样频率,每次采集2025个连续的数据点。
作为优选,步骤2)中,将每个样本数据按照公式(1)进行标准化:
其中,xi为样本数据中第i个数据点,x′i为归一化后的数据点。min(xi)为样本数据中最小值,max(xi)为样本数据中最大值。
作为优选,步骤4)中,利用小波包变换对电流信号进行N层分解(N根据实际应用需求可调整),得到2N个1维小波包分量,能够将包含于不同频带的故障成分解耦。
作为优选,利用权重截断式矩阵构造法将1维小波包分量转换为2维矩阵,权重截断式矩阵构造法相比于Hankel矩阵构造法具有更高的计算效率,权重断式矩阵构造法相比于传统截断式构造法能够使构造出的矩阵聚焦于关键故障信息,降低冗余信息对检测结果的干扰。权重截断式矩阵构造法如公式(2)所示:
为求取权重系数,首先需计算矩阵行M第j个行向量Mj=[u(j-1)m+1,u(j-1)m+2,…,ujm]与归一化电流信号对应时间片段信号Nj={x′(j-1)m+1,x′(j-1)m+2,…,x′jm}之间的归一化皮尔森相关系数,Mj与Nj的归一化皮尔森相关系数Pearson(j)的计算方法如公式(3)所示
然后对Mj对应的Pearson(j)按公式(4)进行归一化处理可得到λj
作为优选,将步骤4)得到的二维矩阵通过不同的通道直接输入至残差卷积神经网络,以获取深层次抽象故障特征,避免了手动提取特征的主观性。残差卷积神经网络的结构包含三个卷积模块以及一个全连接层,每个卷积模块包括卷积层、批标准化层、池化层以及ReLU激活层;第一个卷积层和第二个卷积层的输出分别通过池化层,连接至第三个卷积层的输出,基于两个残差学习结构可同时从不同空间尺度下挖掘电弧故障特征,如公式(5)所示。
作为优选,残差卷积神经网络的结构包含三个卷积模块以及一个全连接层,每个卷积模块由卷积层、批标准化层、池化层以及ReLU激活层,第一个卷积模块对应卷积核的大小为(6×6),第二个卷积模块和第三个卷积模块对应卷积核的大小为(3×3)。全连接层的输入层和输出层神经元个数分别为2800和200。本发明采用两个残差连接的结构,即第一个卷积层和第二个卷积层的输出分别通过池化层,连接至第三个卷积层的输出,以挖掘不同卷积尺度下的特征。
作为优选,基于所述残差卷积神经网络的两个残差学习结构可同时从不同空间尺度下挖掘电弧故障特征,如公式(5)所示:
NNin=outconv3+pool(outconv2)+pool(outconv1) (5)
式中,NNin为全连接层的输入,outconv3为第三个卷积层的输出,outconv2为第二个卷积层的输出,outconv1为第一个卷积层的输出,pool(·)为池化算子。
作为优选,步骤5)残差卷积神经网络的训练过程中采用softmax分类器作为分类器,具体训练步骤为:将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入,残差卷积神经网络将输出的故障特征输入softmax分类器进行多分类;直至反向传播过程达到最大迭代次数时,停止训练;训练完成后的残差卷积神经网络执行参数冻结操作,将训练后的残差卷积神经网络参与至支持向量机的训练过程。
作为优选,步骤5)中,利用softmax分类器配合残差卷积神经网络执行训练过程。残差卷积神经网络训练完成后,softmax分类器不参与后续步骤。后续步骤利用支持向量机替代softmax分类器,以获得更准确的诊断结果。
作为优选,支持向量机的核函数采用高斯核函数形式,如公式(6)所示
式中,δ2为核函数参数.ec,c∈{1,2,…,C}和e*分别是训练集和测试集对应的特征,C为训练集样本个数。
本发明有益效果在于:
1、本发明利用小波包变换将原始电流分解为不同频段对应的多个小波分量,对不同频段的故障信息进行解耦,从而减弱不同分量故障信息之间的相互干扰。然后利用权重截断式矩阵构造法将这些小波包分量快速转换成二维矩阵,通过不同的通道输入残差卷积神经网络。相比于传统电弧故障检测方法,本发明的方法可以使残差卷积神经网络更容易学习到隐藏在时频域动态特性中的多层次关键故障信息,且避免了手动提取特征的主观性。
2、本发明提出的权重截断式矩阵构造法不仅能实现快速的矩阵变换,同时通过对矩阵中每行向量设置相应的权重值,能够使后续的残差卷积神经网络聚焦于重要性强的故障信息,有利于降低残差卷积神经网络的训练难度并提升检测准确度。
3、在卷积神经网络中引入两个残差结构单元,将不同卷积块的输出链接到全连通层,有利于不同空间尺度下丰富的故障信息的学习。此外,该机制可以降低训练过程中过拟合的风险,提高串联电弧故障检测的准确性。
4、本发明采用支持向量机代替残差卷积神经网络的softmax分类器,与softmax分类器相比,支持向量机具有更强的稳定性和泛化能力。残差卷积神经网络与支持向量机的结合可以进一步提高电弧故障检测性能。
附图说明
图1是本发明一个实施例的方法流程示意图;
图2是本发明一个实施例的交流供电***框图;
图3是本发明一个实施例的残差卷积神经网络的结构示意图;
图4是本发明一个实施例的对残差卷积神经网络以及支持向量机进行训练、测试的示意图;
图5是本发明一个实施例的离线诊断结果混淆矩阵;
图6-7是本发明一个实施例的在线诊断结果波形图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明利用小波包变换,将原始电流信号进行三层分解与重构后,得到8个小波包分量序列。基于截断式矩阵构造法,然后将一维的小波包分量序列构造为二维矩阵。最后将8个二维矩阵直接输入至残差卷积神经网络中,利用残差卷积神经网络的深层故障特征提取能力,获取抽象故障特征,并将故障特征输入至支持向量机以得到诊断结果。
实施例1
本实施例提供一种基于小波包变换、残差卷积神经网络的电弧故障检测方法,适用于住宅供电***,如图1所示,包括如下步骤:
步骤1):首先搭建图2所示的交流供电***,此***包含1条主回路,主回路包括交流电源、负载和电流传感器,将电弧发生器接入主回路可模拟串联电弧故障。利用电流传感器采集主回路的电流信号,信号通过数据采集板卡传输至微处理器。采样频率为100kHz,每个样本包含2025个数据点。本实施例中***采用7种类型的负载,分别为电磁炉、电阻箱、吹风机、电烤箱、吸尘器、电机以及AC-DC,表1给出了每种负载不同状态对应的标签。每种负载类型情况下采集2000组样本数据,其中1000组样本数据对应正常状态,另外1000组数据对应电弧状态。因此,7种负载共采集14000组样本数据。对每个样本标注相应的标签,如下表1所示:
表1不同负载情况下的标签分配情况
步骤2):随机选取14000组样本数据中的60%作为训练数据集,剩余40%样本数据作为测试集。将每个样本数据按照公式(1)进行标准化:
步骤3):利用小波包变换对训练集和测试集中的样本数据进行2层分解,得到4个1维小波包分量,并利用权重截断式矩阵构造法将1维小波包分量转换为2维矩阵,因此,每个样本数据可得到4个二维矩阵。权重截断式矩阵构造法如公式(2)所示。
式中,un×m表示小波分量中第m×n个数据点,n=INT(Len/m),INT(·)为向下取整运算,Len为一维小波分量的长度。由于每个小波分量与原始样本数据具有相同的数据点个数,因此Len=2025,m=n=45。{λ1,λ2,…,λn}为矩阵中不同矩阵行向量的权重系数,因此每个矩阵包含n=45个权重系数。
为求取权重系数,首先需计算矩阵行M第j个行向量Mj=[u(j-1)×45+1,u(j-1)×45+2,…,uj×45]与归一化电流信号对应时间片段信号Nj={x(′j-1)m+1,x(′j-1)m+2,…,xj′m}之间的归一化皮尔森相关系数,Mj与Nj的归一化皮尔森相关系数Pearson(j)的计算方法如公式(3)所示
然后对Mj对应的Pearson(j)按公式(4)进行归一化处理可得到λj
步骤4):确定残差卷积神经网络的结构以及支持向量机的核函数类型。
本发明采用的残差卷积神经网络可进行自适应特征提取,避免了手动特征提取的主观性。
残差卷积神经网络的结构如图3以及表2所示,残差卷积神经网络包含三个卷积模块以及一个全连接层,每个卷积模块由卷积层、批标准化层、池化层以及ReLU激活层,第一个卷积模块对应卷积核的大小为(6×6),第二个卷积模块和第三个卷积模块对应卷积核的大小为(3×3)。第一个卷积层Conv1的输入输出大小分别为4和16,第二个卷积层Conv2的输入输出大小分别为16和32,第三个卷积层Conv3的输入输出大小分别为32和64。三个卷积层的卷积核滑动步长都为1。全连接层的输入层和输出层神经元个数分别为2800和200。池化层1和池化层2的大小分别为2×2和4×4,池化层1和池化层2的卷积核滑动步长分别为2和4。
本发明采用两个残差连接的结构,即将第一个卷积层Conv1和第二个卷积层Conv2的输出分别经过池化层1和池化层2的处理后,连接至第三个卷积层Conv3的输出,以挖掘不同卷积尺度下的特征。基于两个残差学习结构可同时从不同空间尺度下挖掘电弧故障特征,如公式(5)所示。
NNin=outconv3+pool(outconv2)+pool(outconv1) (5)
式中,NNin为全连接层的输入,outconv3为第三个卷积层的输出,outconv2为第二个卷积层的输出,outconv1为第一个卷积层的输出。pool(·)为池化算子。
表2残差卷积神经网络的详细参数
支持向量机的核函数采用高斯核函数形式,如公式(6)所示
式中,δ2为核函数参数.ec,c∈{1,2,…,C}和e*分别是训练集和测试集对应的特征,C为训练集样本个数,C=8400。
步骤5):图4给出了对残差卷积神经网络以及支持向量机进行训练、测试的具体过程。残差卷积神经网络以及支持向量机的训练过程如图将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入,对残差卷积神经网络进行训练。在残差卷积神经网络训练过程中采用softmax分类器作为分类器,当反向传播过程达到最大迭代次数时,停止训练。训练完成后的残差卷积神经网络执行参数冻结操作,随后训练后的残差卷积神经网络参与至支持向量机的训练过程。
训练集样本数据对应的二维矩阵输入至训练后的残差卷积神经网络,可得到高维故障特征,利用训练集样本数据对应的高维故障特征训练支持向量机。支持向量机训练完成后同样执行参数冻结操作。将测试集样本数据对应的二维矩阵输入至训练后的残差卷积神经网络,可得到高维故障特征,将测试集样本数据对应的高维故障特征输入到训练后的支持向量机,可得到检测结果(即测试集样本数据对应的标签)。
本实施例将小波包变换与残差卷积神经网络进行结合,利用小波包变换将电流信号分解为更精细的结构,可将包含于不同频带的故障成分解耦,避免了不同频段故障信息之间的相互作用,解决了不同频带的故障信息相互干扰的问题。同时,本发明提出权重截断式矩阵构造法,能够快速将一维小波包分量转换为二维矩阵,有利于保证电弧故障检测的快速性,同时通过在矩阵中不同行向量设置权重系数,使后续的特征提取过程能够聚焦于关键故障信息,降低冗余信息对检测结果的干扰。残差卷积神经网络和支持向量机的结合更容易从数据中挖掘不同类别之间的细节差异。本实施例基于残差学习的思想,利用两个残差模块单元实现跳跃连接,降低了训练过程中过拟合的风险,使网络能够同时从不同的空间尺度挖掘故障信息,更有效地从当前信号中提取抽象故障特征,有利于提高检测性能,提升了故障信息的多样性。本实施例采用支持向量机替代原残差卷积神经网络中的softmax分类器,更准确地拟合故障特征与故障类型之间的复杂非线性关系,进一步增强了所提方法的泛化能力。
图5给出了本发明所提方法的离线诊断结果的混淆矩阵,总体检测精度为99.92%(4996/5000),正常操作下的检测精度为100%(2504/2504)。结果表明,该方法能根据电流信号准确识别负载类型,有效避免误判。在电弧故障条件下,检测精度达到99.83%(2492/2496)。在线性负载(电阻箱和电烤箱)下的检测准确率为100%,无误判。非线性负载(电磁炉、电吹风、吸尘器、电动机、AC-DC)下的检测精度分别为100%、100%、99.72%、99.41%和99.71%。表明本发明能够准确区分不同负载情况下的电弧故障。
当本发明不采用小波包变换时,总体检测准确度为96.36%。实验结果表明,通过小波包变换分离包含于不同频带内的故障信息,能够避免包含于不同频带内的故障信息在特征提取过程中相互干扰,可有效提升故障检测准确度。
当本发明不采用传统的截断式矩阵构造法,总体检测准确度为99.32%。实验结果表明,权重截断式矩阵构造法通过聚焦关键故障信息,能够有效提升检测准确度,同时不会增加在线检测的计算量。
本发明通过将算法嵌入至图2所示的微处理器中,实现了在线电弧故障检测。图6和图7为在线检测结果。在正常运行情况下,该方法可以避免误判。该方法能以0.051s和0.63s的速度检测到电弧故障。本文在每种负载类型下进行了20次在线实验。在线检测准确率为100%(140/140),最大检测时间为0.076s。结果表明,该方法能够准确检测出SAF,检测速度满足1699标准的要求。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,包括以下步骤:
步骤1):在正常情况下和电弧故障情况下分别采集电路中的电流信号样本数据;
步骤2):将样本数据标准化,并对每个样本标注相应的标签;
步骤3):将采集到的样本数据划分为训练集与测试集;
步骤4):基于小波包变换将训练集与测试集中每个样本数据进行分解,得到若干个一维小波分量,然后将一维小波分量转换为二维矩阵;
步骤5):将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入,对残差卷积神经网络进行训练;
步骤6):残差卷积神经网络输出高维故障特征,利用训练集样本数据对应的高维故障特征训练支持向量机;
步骤7):将测试集样本数据对应的二维矩阵输入至训练完成的残差卷积神经网络后,得到高维故障特征,再将该高维故障特征输入到训练完成的支持向量机,得到检测结果即测试集样本数据检测标签。
3.如权利要求1所述的基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,步骤4)中,利用小波包变换对电流信号进行N层分解,得到2N个1维小波包分量,能够将包含于不同频带的故障成分解耦。
6.如权利要求1至5任意一项所述的基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,将步骤4)得到的二维矩阵通过不同的通道直接输入至残差卷积神经网络,以获取深层次抽象故障特征;残差卷积神经网络包含三个卷积模块以及一个全连接层,每个卷积模块包括卷积层、批标准化层、池化层以及ReLU激活层;第一个卷积层和第二个卷积层的输出分别通过池化层,连接至第三个卷积层的输出。
7.如权利要求6所述的基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,基于所述残差卷积神经网络的两个残差学习结构能够同时从不同空间尺度下挖掘电弧故障特征,如公式(5)所示:
NNin=outconv3+pool(outconv2)+pool(outconv1) (5)
式中,NNin为全连接层的输入,outconv3为第三个卷积层的输出,outconv2为第二个卷积层的输出,outconv1为第一个卷积层的输出,pool(·)为池化算子。
8.如权利要求1所述的基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,步骤5)残差卷积神经网络的训练过程中采用softmax分类器作为分类器,具体训练步骤为:将训练集样本数据对应的二维矩阵作为残差卷积神经网络的输入,残差卷积神经网络将输出的故障特征输入softmax分类器进行多分类;直至反向传播过程达到最大迭代次数时,停止训练;训练完成后的残差卷积神经网络执行参数冻结操作,将训练后的残差卷积神经网络参与至支持向量机的训练过程。
9.如权利要求8所述的基于小波包变换、残差卷积神经网络的电弧故障检测方法,其特征在于,步骤5)中,利用softmax分类器配合残差卷积神经网络执行训练过程,残差卷积神经网络训练完成后,softmax分类器不参与后续步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442577.7A CN116432112A (zh) | 2023-04-23 | 2023-04-23 | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442577.7A CN116432112A (zh) | 2023-04-23 | 2023-04-23 | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432112A true CN116432112A (zh) | 2023-07-14 |
Family
ID=87085214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442577.7A Pending CN116432112A (zh) | 2023-04-23 | 2023-04-23 | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432112A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990648A (zh) * | 2023-09-26 | 2023-11-03 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
CN117574136A (zh) * | 2024-01-16 | 2024-02-20 | 浙江大学海南研究院 | 一种基于多元高斯函数空间变换的卷积神经网络计算方法 |
-
2023
- 2023-04-23 CN CN202310442577.7A patent/CN116432112A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990648A (zh) * | 2023-09-26 | 2023-11-03 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
CN116990648B (zh) * | 2023-09-26 | 2023-12-19 | 北京科技大学 | 基于一维空洞卷积神经网络的故障电弧检测方法 |
CN117574136A (zh) * | 2024-01-16 | 2024-02-20 | 浙江大学海南研究院 | 一种基于多元高斯函数空间变换的卷积神经网络计算方法 |
CN117574136B (zh) * | 2024-01-16 | 2024-05-10 | 浙江大学海南研究院 | 一种基于多元高斯函数空间变换的卷积神经网络计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
Sarlak et al. | High impedance fault detection using combination of multi-layer perceptron neural networks based on multi-resolution morphological gradient features of current waveform | |
Aydin et al. | An approach for automated fault diagnosis based on a fuzzy decision tree and boundary analysis of a reconstructed phase space | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、***和介质 | |
CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
Nagpal et al. | Artificial neural network approaches for fault classification: comparison and performance | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及*** | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Cortes-Robles et al. | Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
CN113376474A (zh) | 一种基于广义s变换的神经网络故障电弧识别***及方法 | |
Ahmad et al. | Long short term memory based deep learning method for fault power line detection in a MV overhead lines with covered conductors | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子***故障诊断方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN110378229A (zh) | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
Gao et al. | A two-level classification diagnosis method for AC arc faults based on data random fusion and MC-MGCNN network | |
CN114358160A (zh) | 一种电力***中的数据异常检测方法 | |
Pothisarn et al. | Discrete wavelet transform and back-propagation neural networks algorithm for fault classification on transmission line | |
Bhowmik et al. | A novel wavelet assisted neural network for transmission line fault analysis |
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 |