本發(fā)明涉及電力故障檢測，特別涉及一種故障電弧檢測模型訓練方法、故障電弧檢測方法及裝置。

背景技術：

1、隨著智能電網和物聯網技術的快速發(fā)展，電力系統(tǒng)對安全性、可靠性和實時性提出了更高的要求。智能電網旨在通過現代信息通信技術和物聯網（iot）技術的結合，提升電力系統(tǒng)的節(jié)能減排、兼容互動及安全性等性能，從而達到更高的電能質量和智能化水平。然而，電力物聯網目前尚處于發(fā)展初期，面臨諸多挑戰(zhàn)，尤其是在電力設備的故障監(jiān)測方面，缺乏統(tǒng)一的設備識別系統(tǒng)和全面的感知網絡。電氣設備的復雜工作環(huán)境使得傳統(tǒng)檢測方法難以應對復雜的電氣干擾，導致設備故障無法被實時準確地監(jiān)測到。

2、串聯故障電弧作為電氣火災的主要隱患，具有高度隨機性和非線性特征。傳統(tǒng)的故障電弧檢測技術主要基于電流和電壓的時頻特性，但在面對復雜負載和諧波干擾時，傳統(tǒng)方法往往表現出局限性。近年來，隨著深度學習技術的快速發(fā)展，基于神經網絡的檢測方法逐漸興起，尤其是卷積神經網絡（cnn）在處理時序數據時展現了卓越的性能。然而，傳統(tǒng)cnn模型的計算復雜度較高，參數量大，難以應用于嵌入式設備等資源受限的系統(tǒng)中。

3、因此，亟需一種故障電弧檢測模型訓練方法、故障電弧檢測方法及裝置來解決上述問題。

技術實現思路

1、本發(fā)明解決的技術問題在于，提供了一種故障電弧檢測模型訓練方法、故障電弧檢測方法及裝置，通過遺傳算法對故障電弧檢測模型的超參數進行優(yōu)化配置，使得模型能夠在低采樣率下保持高檢測精度，同時顯著降低故障電弧檢測模型的參數量和計算復雜度。

2、本發(fā)明解決其技術問題是采用以下的技術方案來實現的：

3、一種故障電弧檢測模型訓練方法，包括：獲取電壓數據集，所述電壓數據集包括訓練集、驗證集和測試集；通過遺傳算法獲取故障電弧檢測模型的最優(yōu)超參數組合，并基于所述最優(yōu)超參數組合構建所述故障電弧檢測模型；通過所述電壓數據集對所述故障電弧檢測模型進行訓練以對模型參數進行優(yōu)化，并評估所述故障電弧檢測模型的模型性能。

4、在本發(fā)明的較佳實施例中，上述獲取電壓數據集的步驟之前，包括：針對不同負載條件分別采用電流互感器獲取電流信號，并將所述電流信號轉換成電壓信號，并對所述電壓信號進行標準化處理。

5、在本發(fā)明的較佳實施例中，上述對所述電壓信號進行標準化處理的步驟之后，包括：根據預設報警性能指標將所述電壓信號以一個周期為一個數據樣本進行拆分，以構建所述電壓數據集。

6、在本發(fā)明的較佳實施例中，上述通過遺傳算法獲取故障電弧檢測模型的最優(yōu)超參數組合的步驟，包括：通過所述遺傳算法對所述故障電弧檢測模型的超參數組合進行迭代，所述超參數組合包括卷積層的數量、濾波器的數量、膨脹率、dropout率和學習率；獲取滿足迭代終止條件后，所述故障電弧檢測模型的最終超參數組合，并將所述最終超參數組合作為最優(yōu)超參數組合，所述迭代終止條件包括達到預設最大迭代次數和模型收斂。

7、在本發(fā)明的較佳實施例中，上述通過所述遺傳算法對所述故障電弧檢測模型的超參數組合進行迭代的步驟之后，還包括：采用余弦退火學習率調度函數，對所述超參數組合中的學習率進行動態(tài)調整，以促進所述故障電弧檢測完成模型收斂。

8、在本發(fā)明的較佳實施例中，上述故障電弧檢測模型包括：多層一維卷積層、池化層、dropout層和全連接層。

9、在本發(fā)明的較佳實施例中，上述通過所述電壓數據集對所述故障電弧檢測模型進行訓練優(yōu)化和評估，以確認所述故障電弧檢測模型的模型性能的步驟，包括：使用所述電壓數據集中的訓練集對所述故障電弧檢測模型進行訓練，并通過所述驗證集對所述故障電弧檢測模型的模型參數進行調整；通過所述測試集上對訓練完成的所述故障電弧檢測模型進行評估，以獲取所述故障電弧檢測模型的模型性能，所述模型性能包括準確率、精確率、召回率和f1分數。

10、在本發(fā)明的較佳實施例中，上述通過所述電壓數據集對所述故障電弧檢測模型進行訓練優(yōu)化和評估，以確認所述故障電弧檢測模型的模型性能的步驟之后，包括：將所述故障電弧檢測模型轉化成c數組格式.h文件，并部署到微控制器中，以對電路中的故障電弧進行實時檢測。

11、一種故障電弧檢測方法，包括：獲取待檢測電壓信號；將所述待檢測電壓信號輸入至故障電弧檢測模型進行檢測，以獲取故障電弧檢測結果；其中，所述故障電弧檢測模型是根據上述中任一項所述的方法訓練得到的。

12、一種故障電弧檢測裝置，所述故障電弧檢測裝置包括：存儲器、處理器，其中，所述存儲器上存儲有故障電弧檢測程序，所述故障電弧檢測程序被所述處理器執(zhí)行時用于實現如上述中所述的故障電弧檢測方法的步驟。

13、本發(fā)明采用上述技術方案達到的技術效果是：通過遺傳算法獲取故障電弧檢測模型的最優(yōu)超參數組合，并基于最優(yōu)超參數組合構建故障電弧檢測模型；再通過電壓數據集對故障電弧檢測模型的模型參數進行訓練優(yōu)化，并評估故障電弧檢測模型的模型性能。通過上述方式，使得訓練得到的故障電弧檢測模型能夠在低采樣率下提取復雜的電壓數據特征，顯著提高故障電弧的檢測精度，有效減少漏檢和誤檢的情況。

14、上述說明僅是本發(fā)明技術方案的概述，為了能夠更清楚了解本發(fā)明的技術手段，而可依照說明書的內容予以實施，并且為了讓本發(fā)明的上述和其他目的、特征和優(yōu)點能夠更明顯易懂，以下特舉較佳實施例，并配合附圖，詳細說明。

技術特征：

1.一種故障電弧檢測模型訓練方法，其特征在于，包括：

2.如權利要求1所述的故障電弧檢測模型訓練方法，其特征在于，獲取電壓數據集的步驟之前，包括：

3.如權利要求2所述的故障電弧檢測模型訓練方法，其特征在于，對所述電壓信號進行標準化處理的步驟之后，包括：

4.如權利要求1所述的故障電弧檢測模型訓練方法，其特征在于，通過遺傳算法獲取故障電弧檢測模型的最優(yōu)超參數組合的步驟，包括：

5.如權利要求1所述的故障電弧檢測模型訓練方法，其特征在于，通過所述遺傳算法對所述故障電弧檢測模型的超參數組合進行迭代的步驟之后，還包括：

6.如權利要求1或4所述的故障電弧檢測模型訓練方法，其特征在于，所述故障電弧檢測模型包括：多層一維卷積層、池化層、dropout層和全連接層。

7.如權利要求1所述的故障電弧檢測模型訓練方法，其特征在于，通過所述電壓數據集對所述故障電弧檢測模型進行訓練優(yōu)化和評估，以確認所述故障電弧檢測模型的模型性能的步驟，包括：

8.如權利要求1所述的故障電弧檢測模型訓練方法，其特征在于，通過所述電壓數據集對所述故障電弧檢測模型進行訓練優(yōu)化和評估，以確認所述故障電弧檢測模型的模型性能的步驟之后，包括：

9.一種故障電弧檢測方法，其特征在于，包括：

10.一種故障電弧檢測裝置，其特征在于，所述故障電弧檢測裝置包括：存儲器、處理器，其中，所述存儲器上存儲有故障電弧檢測程序，所述故障電弧檢測程序被所述處理器執(zhí)行時用于實現如權利要求9中所述的故障電弧檢測方法的步驟。

技術總結
本發(fā)明提供了一種故障電弧檢測模型訓練方法、故障電弧檢測方法及裝置，所述方法包括：獲取電壓數據集，所述電壓數據集包括訓練集、驗證集和測試集；通過遺傳算法獲取故障電弧檢測模型的最優(yōu)超參數組合，并基于所述最優(yōu)超參數組合構建所述故障電弧檢測模型；通過所述電壓數據集對所述故障電弧檢測模型的模型參數進行訓練優(yōu)化，并評估所述故障電弧檢測模型的模型性能。本發(fā)明能夠在低采樣率條件下，從電壓信號中提取出復雜特征，進行故障電弧識別，實現了故障電弧的高效檢測。

技術研發(fā)人員：李健,余鴻皓,薛振宇,李粲妤,黃圣力,朱云龍,董志成,程旭東
受保護的技術使用者：中國計量大學
技術研發(fā)日：
技術公布日：2025/1/6