一种剩余电流类型的分类方法、系统、设备及介质与流程

本发明涉及低压电网用电领域，具体涉及一种剩余电流类型的分类方法、系统、设备及介质。

背景技术：

1、在电力系统中，低压电网扮演着连接用户和配电网之间的桥梁角色，直接关系到家庭、企业等终端用户的电能供应。然而，低压电网在运行过程中常常受到各种因素的影响，如设备故障、非法用电、接地故障等，这些因素可能导致电网中出现不同类型的剩余电流。因此，对低压电网中的剩余电流进行准确分类显得尤为重要。

2、首先，剩余电流是指在电网中通过各种装置(如电器设备、线路等)产生的不平衡电流。这些不平衡电流可能是由于设备故障、接地问题、非线性负载等引起的，而不同类型的剩余电流反映了电网中存在的不同问题。通过对这些剩余电流进行分类，可以更好地理解电网的运行状态，及时识别潜在故障点，提高电网的安全性和可靠性。其次，传统的电网监测系统通常难以准确识别和区分不同类型的剩余电流，因而无法有效地指导运维人员进行针对性的维护和修复。为了提高电网运行的智能化水平，亟需一种剩余电流类型的分类方法、系统、设备及介质。

技术实现思路

1、本发明的目的在于提供一种剩余电流类型的分类方法、系统、设备及介质，以解决在低压电网中如何准确分类不同类型的交流剩余电流的问题。

2、为实现上述目的，采用如下技术方案。

3、一种剩余电流类型的分类方法，包括以下步骤：

4、采集低压电网在不同负载条件下的剩余电流信号，得到原始电流数据集；

5、基于得到的原始电流数据集，提取反映信号特性的关键特征参数，所述关键特征参数包括信号的峰-峰值、平均值、整流平均值、方差和标准差，形成特征向量；

6、利用得到的特征向量，训练神经网络模型，得到训练好的神经网络模型；

7、利用训练好的神经网络模型，对新的剩余电流信号的特征向量进行分类，得到分类结果。

8、可选的，所述采集低压电网在不同负载条件下的剩余电流信号，得到原始电流数据集的步骤中，具体包括，通过使用电流互感器和示波器分别实时采集阻性负载、感性负载和容性负载条件下的剩余电流信号，得到原始电流数据集；

9、可选的，所述采集低压电网在不同负载条件下的剩余电流信号，得到原始电流数据集的步骤之后，还包括，对得到的原始电流数据集进行预处理，包括滤波去除噪声和基线校正，消除数据中的噪声和异常值；

10、可选的，所述利用得到的特征向量，训练神经网络模型，得到训练好的神经网络模型的步骤，具体包括，利用得到的特征向量，训练神经网络模型，通过输入层接收特征向量，并通过隐含层进行非线性变换和特征学习，输出层将学习到的特征映射到具体的剩余电流类型上，完成模型的训练，得到训练好的神经网络模型。

11、可选的，所述神经网络模型为bp神经网络模型。

12、可选的，所述利用得到的特征向量，训练神经网络模型，通过输入层接收特征向量，并通过隐含层进行非线性变换和特征学习，输出层将学习到的特征映射到具体的剩余电流类型上，完成模型的训练，得到训练好的神经网络模型的步骤，具体包括：

13、s1、初始化神经网络模型的参数，包括输入层、隐含层和输出层的权重和偏置；

14、s2、接收特征向量，将特征向量输入至神经网络模型的输入层，得到输入层的输出信号；

15、s3、在隐含层进行线性变换，利用隐含层的权重和偏置参数对输入层的输出信号进行变换；

16、s4、对步骤s3的线性变换结果应用非线性激活函数，执行非线性变换，进行特征学习，得到激活输出；

17、s5、将得到激活输出传递至输出层，进行进一步的线性变换，生成原始分类决策信号；

18、s6、在输出层应用分类激活函数，将原始分类决策信号映射为表示各类别概率的预测概率信号；

19、s7、计算预测概率信号与剩余电流实际类型之间的分类误差；

20、s8、根据计算得到的分类误差，通过反向传播算法调整神经网络模型的权重和偏置参数，最小化分类误差；

21、s9、迭代执行步骤s2至步骤s8，直至神经网络模型的分类误差降至预设的范围内，完成神经网络模型的训练，得到训练好的神经网络模型。

22、可选的，步骤s9进一步包括：

23、使用验证集对训练好的神经网络模型进行性能评估，得到评估结果；

24、根据验证集上的性能评估结果，调整训练好的神经网络模型。

25、一种剩余电流类型的分类系统，包括：

26、数据采集模块，用于采集低压电网在不同负载条件下的剩余电流信号，得到原始电流数据集；

27、特征提取模块，基于得到的原始电流数据集，提取反映信号特性的关键特征参数，所述关键特征参数包括信号的峰-峰值、平均值、整流平均值、方差和标准差，形成特征向量；

28、模型训练模块，利用得到的特征向量，训练神经网络模型，得到训练好的神经网络模型；

29、分类模块，用于利用训练好的神经网络模型，对新的剩余电流信号的特征向量进行分类，得到分类结果。

30、一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的一种剩余电流类型的分类方法。

31、一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的一种剩余电流类型的分类方法。

32、与现有技术相比，本发明具有以下有益效果：

33、1、本发明通过自动化地采集低压电网在不同负载条件下的剩余电流信号，并提取关键特征参数，实现了对不同类型交流剩余电流的准确分类，提高了电网运行的安全性和可靠性。

34、2、本发明通过使用电流互感器和示波器实时采集不同负载条件下的剩余电流信号，本方法确保了数据采集的准确性和实时性，为后续的特征提取和模型训练提供了高质量的原始数据集。

35、3、本发明预处理步骤中滤波去除噪声和基线校正，有效消除了数据中的噪声和异常值，提高了特征提取的准确性，为训练神经网络模型提供了更加准确和可靠的特征向量。

36、4、本发明本方法通过训练神经网络模型，利用隐含层进行非线性变换和特征学习，以及输出层将学习到的特征映射到具体的剩余电流类型上，实现了对剩余电流类型的高效分类。

37、5、本发明采用bp神经网络模型作为分类工具，本方法能够自动调整网络权重，通过反向传播算法最小化分类误差，提高了分类的准确性和模型的泛化能力。

38、6、本发明提供了一种系统的训练流程，确保了神经网络模型能够从特征向量中学习并做出准确的分类决策，增强了模型的训练效果和分类性能。

39、7、本发明通过使用验证集对模型进行性能评估，并根据评估结果调整模型，本方法进一步提高了模型的准确性和可靠性，确保了模型在实际应用中的有效性。

40、8、本发明本分类系统将数据采集、特征提取、模型训练和分类集成在一个系统中，提供了一个一体化的解决方案，方便实用，提高了电网剩余电流分类的效率和准确性。

41、9、本发明通过电子设备实现本分类方法，利用处理器执行存储器中的计算机程序，本方法可以高效地在现代电子设备上运行，便于推广和应用。

42、10、本发明计算机可读存储介质存储了实现本分类方法的指令，使得本方法可以方便地被各种计算机系统采用和执行，提高了方法的普及性和灵活性。