一种高精度串联故障电弧检测方法

本发明涉及故障电弧检测，具体涉及高精度串联故障电弧检测技术。

背景技术：

1、在现有电气原因引起的火灾中，大致分为以下两种情况：一种是由电流因素诱发的电气火灾；电流在线路上短时间内产生大量热量，从而损坏绝缘层诱发火灾；此类情况下，通常电流的幅值变化较为明显，现有的电路保护装置能够较好的对其进行监测和防护。另一种是由故障电弧诱发的电气火灾；故障电弧具有很高的温度，可以将线路周围的绝缘层或者可燃物点燃诱发火灾；由于故障电弧具有随机性、隐蔽性、复杂性等特点，尤其是发生串联故障电弧时，电流的幅值较小，现有的常规电路保护装置难以对其起到监测和保护的作用。因此，提高对于串联故障电弧的检测方法是很有必要的。

2、近年来，提出了一些基于故障电弧发生时伴生的声、光、热等物理特征的检测方法。这些方法通常依赖于固定位置的传感器，但故障电弧发生的位置不定，具有随机性，有效的物理特征信息较难全面的收集，所以此类方法在具体实施时具有一定的难度。另外通过提取的电弧电压或电流信号，然后采用阈值判断的方法进行检测。但是人为设定的阈值欠缺一定的合理性，而且有些参数很难区分出明显的阈值界限，故此类方法的实施也有较多困难。

3、通过电弧电压或电流信号的时频域分析，利用模型进行分类。这类方法首先提取电压或电流的时频域特征生成特征向量，以此作为数据驱动模型的输入源从而进行故障电弧的检测。申请公开号为cn116484261a的专利文献公开了一种基于卷积神经网络的故障电弧检测方法，基于卷积神经网络并引入残差连接和卷积注意力模块对故障电弧只进行了二分类识别，没有对负载类型进行识别。申请公开号为cn116526970a的专利文献公布了一种基于时频图的直流故障电弧检测方法，基于卷积神经网络利用自适应形态学滤波与s变换结合的时频图对直流故障电弧进行检测。该方法虽然将电流时序信号转化为了时频图，但是单一类型的时频图无法较为全面的反映电流信号的自身特征，并且其使用卷积神经网络均是一些较早时期的经典网络。

技术实现思路

1、本发明的目的是为了解决现有电弧检测技术在对故障电弧进行识别时，无法对负载类型分类、而且对电流信号自身特征反映不全面，这样容易导致故障电弧检测精度不高的技术问题，而提供的一种高精度串联故障电弧检测技术。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种高精度串联故障电弧检测方法，包括以下步骤：

4、步骤s1：进行串联故障电弧的实验，采集正常工况和发生串联故障电弧时的电流数据并建立数据库；

5、步骤s2：将采集的电流时序信号分别转化为小波wt时频图、马尔可夫转移场mtf特征图、格拉姆角和场gasf特征图和格拉姆角差场gadf特征图；

6、步骤s3：将小波wt时频图、马尔可夫转移场mtf特征图、格拉姆角和场gasf特征图和格拉姆角差场gadf特征图进行拼接，得到特征图f；

7、步骤s4：构建通过高效通道注意力改进的网络模型repvgg；

8、步骤s5：对步骤s4构建的通过高效通道注意力改进的网络模型repvgg进行训练，并对模型进行结构重参数化；

9、步骤s6：将测试样本输入到训练好的通过高效通道注意力改进的网络模型repvgg进行测试，完成故障电弧的识别检测。

10、在步骤s1中，在进行故障电弧实验并采集电流数据时，采用以下步骤：

11、s1-1)搭建串联故障电弧实验平台；

12、s1-2)获取实验方案；

13、s1-3)对采集的实验数据进行单个样本的划分。

14、在步骤s2中，在将采集的电流时序信号分别转化为小波wt时频图、马尔可夫转移场mtf特征图、格拉姆角和场gasf特征图和格拉姆角差场gadf特征图时，具体如下：

15、1)小波变换的公式为：

16、

17、式中，wt(α，τ)为小波变换系数，α为尺度参数，τ为平移参数，t表示时间，x(t)表示原始信号，表示小波函数的缩放和平移，表示积分计算。

18、设fs为采样频率，fc为小波中心频率，则实际频率为：

19、fa＝fc×fs/α；

20、首先，获取尺度序列，尺度序列形式为：

21、c/totalscale，c/(c/totalscale-1)，...，c/2，c；

22、式中，totalscale是对信号进行小波变换时所用尺度序列的长度，c为常数，c/totalscale尺度对应的实际频率为fs/2，则：

23、c＝2×fc×totalscale；

24、然后，根据确定的小波函数和尺度序列求出小波变换系数wt(α，τ)；

25、其次，获取实际频率序列f，序列f由实际频率fa构成；

26、最后，结合时间序列t绘制小波wt时频图。

27、2)将采集的电流时间序列d＝(d1，d2，...，di，...，dn)，其中di(i＝1，2，...，n)为电流信号的幅值，根据幅值大小将时间序列d离散成q个分位数单位，利用分位数qj(j∈[1，q])量化时间轴，并将每个di映射到对应的qi中；构造q×q的马尔可夫转移矩阵w，该矩阵通过沿时间轴以一阶马尔可夫链的方式计算分位数之间的转移来构建的，其可以表示为：

28、

29、

30、其中，wij为分位数qi转移为分位数qj的概率，i、j分别指的是分位位置i和分位位置j，p{·}指的是求概率操作；

31、通过考虑时间和位置，将矩阵w扩展为包含在幅度轴上的转移概率的m矩阵，该矩阵拥有每个分位数与时间步长之间的时间相关性，克服了马尔可夫转移矩阵缺少位置与时间步长间的依赖关系；马尔可夫转移场mtf可以表示为：

32、

33、其中，mij为分位数qi转移为分位数qj的概率，由此将电流时间序列转化为马尔可夫转移场mtf特征图。

34、3)将采集到的电流时间序列进行归一化操作：

35、

36、其中，bi为标准化后的电流信号，di为直接采集到的电流信号，dmax为电流的最大值，dmin为电流的最小值；

37、将归一化后的时间序列值映射到极坐标下，映射公式为：

38、

39、其中，为bi在极坐标下的角度，ri为半径，ti为时间节点，n为总时长；

40、通过不同时刻点的角度和的关系反映不同时刻之间的相关性，基于余弦函数定义了gasf矩阵mgasf：

41、

42、由此将电流时间序列转化为格拉姆角和场gasf特征图。

43、4)将采集到的电流时间序列进行归一化操作：

44、

45、其中，bi为标准化后的电流信号，di为直接采集到的电流信号，dmax为电流的最大值，dmin为电流的最小值。

46、将归一化后的时间序列值映射到极坐标下，映射公式为：

47、

48、其中，为bi在极坐标下的角度，ri为半径，ti为时间节点，n为总时长；

49、通过不同时刻点的角度和的关系反映不同时刻之间的相关性，基于正弦函数定义了gadf矩阵mgadf：

50、

51、由此将电流时间序列转化为gadf特征图。

52、在步骤s4中，构建通过高效通道注意力改进的repvgg网络时，包括：

53、1)构建基础的repvgg网络模型；具体来说，repvgg的多分支结构包括一个1×1卷积分支、一个3×3卷积分支和一个恒等映射分支；给定输入特征图x，3×3卷积分支输出为a，1×1卷积分支输出为b，恒定映射分支输出为c，则基本构建块的输出可表示为：

54、y＝a+b+c＝bn(w3×3*x)+bn(w1×1*x)+bn(x)

55、其中，w3×3和w1×1分别表示卷积3×3和卷积1×1的权重矩阵；*表示乘积操作；bn(w3×3*x)、bn(w1×1*x)、bn(x)均是表示归一化操作，bn层的主要作用是对卷积层的输出进行归一化；具体来说，bn层计算卷积层输出的均值和方差，并对输出进行归一化；设期望均值为μ，方差为σ2，bn层可以表示为：

56、

57、其中，δ是用于控制输出特征的缩放学习参数；β是用于控制输出特征的平移学习参数；是卷积层运算的输出值；ε是一个避免出现除0的稳定数值，通常设置为e-5；

58、2)构建eca注意机制；具体来说，给定单个输入图像x[c，h，w]，其中c表示通道数，h和w分别表示特征图的高度和宽度，eca注意机制先进行gap来捕获每个通道的全局上下文信息。gap可以表示为：

59、

60、其中，xcij表示输入特征映射x中通道c的第i，j个元素，gap操作得到的结果是一个c维的向量，反映了每个通道的平均响应；

61、eca注意机制将gap操作后的输出进行一维卷积，提取通道间的局部依赖关系；该卷积的卷积核尺寸大小可以根据输入的数据进行自动选择，卷积核大小的确定过程可以表示为：

62、

63、其中，c为通道数，b为经验参数，γ表示控制局部依赖关系的超参数；表示取与当前数值最接近的奇数值；

64、对经过一维卷积之后的结果进行非线性激活变换，再与原始输入特征xcij相乘得到最终的eca注意机制结果。

65、在步骤s4中，构建通过高效通道注意力改进的repvgg网络模型为：

66、送入数据到输入层→头部head层→eca层→第一c类分支→第一d类分支→第二c类分支→第二d类分支→第三d类分支→第四d类分支→第三c类分支→第五d类分支→第六d类分支→第七d类分支→第八d类分支→第九d类分支→第四c类分支→池化层pool→全连接层fc→输出检测分类结果；

67、其中，各个c类分支结构相同，其结构下：

68、数据送入到c类分支结构时，同时输入由1×1的卷积和3×3的卷积构成的两条并行支路，然后将两条并行支路的结果进行相加并传递给后面的relu激活层，relu激活层的处理结果接着传递给eca模块进行特征提取。

69、数据→1×1的卷积支路；

70、数据→3×3的卷积支路；

71、将1×1的卷积支路和3×3的卷积支路输出结果相加→relu激活层→第一eca模块。

72、其中，各个d类分支结构相同，其结构如下：

73、数据送入到d类分支结构时，同时输入由恒等映射、1×1的卷积和3×3的卷积构成的三条并行支路，然后将三条并行支路的结果进行相加并传递给后面的relu激活层，relu激活层的处理结果接着传递给eca模块进行特征提取。

74、数据→恒等映射支路；

75、数据→1×1的卷积支路；

76、数据→3×3的卷积支路；

77、将恒等映射支路、1×1的卷积支路和3×3的卷积支路输出结果相加→relu激活层→eca模块。

78、在步骤s5中，对步骤s4构建的通过高效通道注意力改进的repvgg网络模型进行训练，并对模型进行结构重参数化，采用以下步骤：

79、s5-1)将步骤s3中拼接得到特征图f用于训练步骤s4构建的通过高效通道注意力改进的repvgg网络模型；

80、s5-2)在完成模型训练之后，通过使用结构重参数化策略将原有的多分支结构转化为简化的连续卷积运算，转化后的bn层可以表示为：

81、

82、其中，w是表示卷积的权重矩阵；x是表示输入的特征图；转化后的卷积权重矩阵w‘和偏置β‘分别为：

83、

84、

85、对于3×3卷积层，可以通过直接代入上式得到新的3×3权重矩阵w′3×3和偏置β′3×3。但是1×1的卷积层需要在1×1的卷积核周围填充零来将其转换为3×3的卷积层，以创建一个3×3的卷积核，再代入上式得到新的权重矩阵w′1×1和偏置β′1×1。对于恒等映射分支，建立一个3×3的卷积核，每个位置的权值均设为1，完成恒等映射，从而得到新的权重矩阵w′0和偏置β′0。再将3个分支都转化为3×3卷积层后，每个分支的权重和偏置分别叠加，从而得到一个新的融合卷积操作。

86、在步骤s6中，其包括以下步骤：

87、s6-1)对电流进行实时采样，然后传递给训练完成并进行结构重参数化后的网络模型；

88、s6-2)训练完成并进行结构重参数化后的网络模型对接收的数据进行检测识别，输出故障类型编号，实现对串联故障电弧的检测。

89、一种用于串联故障电弧检测的模型，所述模型具体为：

90、输入层→头部head层→eca层→第一c类分支→第一d类分支→第二c类分支→第二d类分支→第三d类分支→第四d类分支→第三c类分支→第五d类分支→第六d类分支→第七d类分支→第八d类分支→第九d类分支→第四c类分支→池化层pool→全连接层fc→输出检测分类结果。

91、各个c类分支的结构为：

92、数据→1×1的卷积支路；

93、数据→3×3的卷积支路；

94、将1×1的卷积支路和3×3的卷积支路输出结果相加→relu激活层→第一eca模块。

95、各个d类分支结构为：

96、数据→恒等映射支路；

97、数据→1×1的卷积支路；

98、数据→3×3的卷积支路；

99、将恒等映射支路、1×1的卷积支路和3×3的卷积支路输出结果相加→relu激活层→eca模块。

100、采用该模型进行串联故障电弧的检测时，包括以下步骤：

101、1)将采集的电流数据样本送入到输入层再传递给头部head层，头部head层输出的结果作为eca层的输入，eca层对输入进行特征的提取；

102、2)eca层提取的特征顺序送入到section1中的第一c类分支、第一d类分支，第一d类分支提取的特征输出进一步顺序传递给section2中的第二c类分支、第二d类分支、第三d类分支、第四d类分支，第四d类分支提取的特征输出进一步顺序传递给section3中的第三c类分支、第五d类分支、第六d类分支、第七d类分支、第八d类分支、第九d类分支，第九d类分支提取的特征输出进一步传递给section4中的第四c类分支；

103、3)第四c类分支提取的特征输出进一步传递给池化层pool，池化层pool利用平均池化来降低特征的维度，将池化后的结果传递给全连接层fc，全连接层fc将池化的结果进行连接，经过分类激活输出检测分类结果。

104、与现有技术相比，本发明具有如下技术效果：

105、1)本发明将采集到的电流时序信号转化为wt时频图、mtf特征图、gasf特征图、gadf特征图，从多个角度去获取电流信号中的有效特征信息；

106、2)高效通道注意力机制eca通过捕获通道间依赖关系来增强卷积神经网络的特征表示，激发卷积神经网络的潜在性能，提高模型的分类精度；

107、3)由于eca模块的轻量化和高效设计，利用eca改进后的repvgg模型能够在不大幅增加模型复杂性的情况下提高性能。

108、4)完成改进repvgg模型的训练后，采用结构重参数化策略将原有的多分支结构转化为简化的连续卷积运算，提高了推理时的计算效率，本发明中模型对串联故障电弧的平均识别准确率达到了99.86％。