一种串联电弧故障的检测方法和计算机可读存储介质与流程

本发明涉及电气系统，尤其涉及一种串联电弧故障的检测方法和计算机可读存储介质。

背景技术：

1、串联电弧放电故障是电气系统中常见且危险的故障类型之一，其发生时会产生高温和强光，容易引发火灾和设备损坏。

2、传统的串联电弧放电故障的检测方法主要依赖于人工经验和简单的信号处理技术，难以有效的提取电弧的电流特征信息，容易受到噪声干扰，从而导致电弧故障的检测精度不高。近年来，随着机器学习和深度学习技术的发展，基于数据驱动的故障检测方法逐渐受到关注。其中，卷积神经网络(convolutional neural networks，cnn)作为一种深度学习模型，具有强大的特征提取能力，已经在图像识别、语音识别等领域取得了显著的成果。

3、然而，单一通道的卷积神经网络在处理串联电弧放电故障检测问题时，仍然存在一定的局限性。首先，电弧放电故障的时序信号具有较强的非线性和非平稳性，单一通道的卷积神经网络难以充分捕捉其复杂特征。其次，传统的卷积神经网络结构在面对多尺度、多维度的特征时，可能会出现特征提取不充分的问题，影响故障检测的准确性。

技术实现思路

1、本发明提供了一种串联电弧故障的检测方法和计算机可读存储介质，以解决单一通道的卷积神经网络模型在处理串联电弧放电故障检测问题时检测的准确性较低的问题。

2、第一方面，本发明提供了一种串联电弧故障的检测方法，其中，该方法包括：

3、获取电气系统中的电流时序信号并进行预处理；

4、将电流时序信号转换成二维特征图像数据集；

5、利用麻雀搜索算法对支持向量机的参数进行优化，构建双通道的卷积神经网络与麻雀搜索算法-支持向量机的网络模型；

6、基于电流时序信号和二维特征图像数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练；

7、输入电流时序信号和二维特征图像数据集至卷积神经网络与麻雀搜索算法-支持向量机的网络模型，卷积神经网络与麻雀搜索算法-支持向量机的网络模型输出故障诊断结果。

8、可选的，获取电气系统中的电流时序信号并进行预处理，包括：

9、按照预设采样率采集电气系统中的电流时序信号，利用低通滤波器对电流时序信号进行滤波处理，并对滤波处理后的电流时序信号进行缩放处理。

10、可选的，将电流时序信号转换成二维特征图像数据集，包括：

11、将电流时序信号通过格拉姆角和场编码转换成二维特征图像数据集。

12、可选的，基于电流时序信号和二维特征图像数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练，包括：

13、将二维特征图像数据集和电流时序信号分别按照7:2:1的比例分为训练数据集、验证数据集和测试数据集，基于训练数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练。

14、可选的，基于训练数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练之后，还包括：

15、根据验证数据集和测试数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行验证和性能评估。

16、可选的，基于训练数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练，包括：

17、输入训练数据集至卷积神经网络与麻雀搜索算法-支持向量机的网络模型，并计算网络模型的第一预测输出；

18、根据第一预测输出和第一真实标签计算损失函数的值，通过损失函数的值衡量第一预测输出和第一真实标签的差异；

19、根据第一预测输出和第一真实标签的差异计算损失函数的梯度，并根据梯度更新网络模型的参数。

20、可选的，根据验证数据集和测试数据集对卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行验证和性能评估，包括：

21、输入验证数据集至卷积神经网络与麻雀搜索算法-支持向量机的网络模型，并计算网络模型的第二预测输出；

22、根据第二真实标签和第二预测输出计算损失函数的值以及性能指标；

23、根据损失函数的值和性能指标调整卷积神经网络与麻雀搜索算法-支持向量机的网络模型的超参数；并保存上述超参数为最优模型参数。

24、可选的，根据损失函数的值和性能指标调整卷积神经网络与麻雀搜索算法-支持向量机的网络模型的超参数；并保存上述超参数为最优模型参数之后，包括：

25、输入测试数据集至卷积神经网络与麻雀搜索算法-支持向量机的网络模型；并计算网络模型的第三预测输出；

26、根据第三真实标签和第三预测输出计算损失函数的值和性能指标；

27、根据损失函数的值和性能指标评估网络模型的泛化能力。

28、可选的，损失函数包括交叉熵损失函数或均方差损失函数。

29、第二方面，本发明提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行上述第一方面提供的串联电弧故障的检测方法。

30、本发明的技术方案，采用双通道的卷积神经网络，一维卷积神经网络处理原始的电流时序信号的特征，二维神经网络接收二维特征图像数据集并进行特征提取。两个通道提取到的电流特征在汇聚层融合，融合后的特征向量输入经过麻雀搜索算法优化的支持向量机分类器进行故障模式分类。本发明实施例的技术方案，综合利用不同信号表达形式的信息。并充分利用深度学习模型的图像识别能力，提高了故障诊断的准确性和鲁棒性。该技术方案适用于工业电气系统、家庭电气设备以及交通运输等多种场景，显著提升了电气系统的安全性和可靠性。

31、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种串联电弧故障的检测方法，其特征在于，包括：

2.根据权利要求1所述的串联电弧故障的检测方法，其特征在于，所述获取电气系统中的电流时序信号并进行预处理，包括：

3.根据权利要求1所述的串联电弧故障的检测方法，其特征在于，所述将所述电流时序信号转换成二维特征图像数据集，包括：

4.根据权利要求1所述的串联电弧故障的检测方法，其特征在于，所述基于所述电流时序信号和所述二维特征图像数据集对所述卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练，包括：

5.根据权利要求4所述的串联电弧故障的检测方法，其特征在于，所述基于所述训练数据集对所述卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练之后，还包括：

6.根据权利要求4所述的串联电弧故障的检测方法，其特征在于，所述基于所述训练数据集对所述卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行训练，包括：

7.根据权利要求5所述的串联电弧故障的检测方法，其特征在于，所述根据所述验证数据集和所述测试数据集对所述卷积神经网络与麻雀搜索算法-支持向量机的网络模型进行验证和性能评估，包括：

8.根据权利要求7所述的串联电弧故障的检测方法，其特征在于，所述根据所述损失函数的值和所述性能指标调整所述卷积神经网络与麻雀搜索算法-支持向量机的网络模型的超参数；并保存上述超参数为最优模型参数之后，包括：

9.根据权利要求6-8任一项所述的串联电弧故障的检测方法，其特征在于，所述损失函数包括交叉熵损失函数或均方差损失函数。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行权利要求1-9任一项所述的串联电弧故障的检测方法。

技术总结本发明公开了一种串联电弧故障的检测方法和计算机可读存储介质，其中，该方法包括：获取电气系统中的电流时序信号并进行预处理；将电流时序信号转换成二维特征图像数据集；利用麻雀搜索算法对支持向量机的参数进行优化，构建双通道的卷积神经网络与麻雀搜索算法‑支持向量机的网络模型；基于电流时序信号和二维特征图像数据集对卷积神经网络与麻雀搜索算法‑支持向量机的网络模型进行训练；输入电流时序信号和二维特征图像数据集至卷积神经网络与麻雀搜索算法‑支持向量机的网络模型，卷积神经网络与麻雀搜索算法‑支持向量机的网络模型输出故障诊断结果。本发明提高了电弧故障诊断的准确性和鲁棒性。技术研发人员：涂智豪,尹创荣,黄志强,邓国洪,陈达敬,麦耀光受保护的技术使用者：广东电网有限责任公司技术研发日：技术公布日：2024/11/14