一种电弧故障识别方法、装置及设备与流程

1.本技术涉及故障识别的技术领域，具体涉及一种电弧故障识别方法、装置及设备。


背景技术：

2.随着新能源技术的快速发展，光伏系统得到越来越广泛的应用。但由于太阳能光伏板的老化等原因，其内部易产生直流电弧故障从而引起火灾。因此，对直流电弧的检测很有必要。直流电弧的电特性包括电流和电压等，现有技术多是采集直流电弧电流数据进行处理和分析。
3.现有的电弧检测方法主要是利用电流、电压时域和频域特征进行分析判断，通常会涉及光伏现场的环境、温度、噪声等情况不同阈值参数的调试，对技术人员的经验依赖程度较高，稳定性和可移植性较差。现有技术中，通过人工特征提取，对数据规律进行总结并划定阈值，通过阈值区分电弧和非电弧信号。
4.然而，现有的电弧检测方法抗干扰性差，易误判，准确度低。


技术实现要素：

5.本技术提供了一种电弧故障识别方法、装置及设备，提高了电弧故障识别准确度，该技术方案如下。
6.一方面，提供了一种电弧故障识别方法，所述方法包括：
7.获取目标电流数据；
8.通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，获得第一特征向量；
9.通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量；
10.将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果；
11.所述电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；所述电弧样本数据集中包括样本电流数据以及所述样本电流数据上的电弧标注。
12.又一方面，提供了一种电弧故障识别方法，所述方法包括：
13.获取样本电流数据；所述样本电流数据上包含有电弧标注；
14.通过电弧检测模型中的第一分支，对所述样本电流数据进行处理，获得第一特征向量；
15.通过电弧检测模型中的第二分支，对所述样本电流数据进行信号分析，以通过所述样本电流数据中的各个频带能量生成第二特征向量；
16.将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得样本识别结果；
17.根据所述样本识别结果以及电弧标注，对所述电弧检测模型进行训练，得到训练
后的电弧检测模型；所述训练后的电弧检测模型用于对目标电流数据进行处理，以得到故障识别结果。
18.又一方面，提供了一种电弧故障识别装置，所述装置包括：
19.第一数据获取模块，用于获取目标电流数据；
20.第一模型处理模块，用于通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，获得第一特征向量；
21.第一信号分析模块，用于通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量；
22.第一故障识别模块，用于将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果；
23.所述电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；所述电弧样本数据集中包括样本电流数据以及所述样本电流数据上的电弧标注。
24.在一种可能的实现方式中，所述在通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，包括：
25.对所述目标电流数据的维度进行转换，以获取目标输入数据；
26.对所述目标输入数据进行特征提取，获得第一特征向量。
27.在一种可能的实现方式中，所述对所述目标电流数据的维度进行转换，以获取目标输入数据，包括：
28.对所述目标电流数据进行离差标准化处理，得到第一目标向量；
29.将所述第一目标向量转换到目标维度，得到目标输入数据。
30.在一种可能的实现方式中，所述第一分支中包括transformer模型；
31.所述对所述目标输入数据进行特征提取，获得第一特征向量，包括：
32.通过所述transformer模型对所述目标输入数据进行基于多头自注意力机制的特征提取，得到第一特征向量。
33.在一种可能的实现方式中，所述通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量，包括：
34.通过dbn小波基函数将所述目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；
35.将n+1个频带的能量信号值组合成向量，得到第二特征向量。
36.在一种可能的实现方式中，所述将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果，包括：
37.将所述第一特征向量与所述第二特征向量进行向量拼接，获得特征融合数据；
38.通过所述电弧检测模型的分类器对所述特征融合数据进行分类，获取故障识别结果。
39.又一方面，提供了一种电弧故障识别装置，所述装置包括：
40.第二数据获取模块，用于获取样本电流数据；所述样本电流数据上包含有电弧标注；
41.第二模型处理模块，用于通过电弧检测模型中的第一分支，对所述样本电流数据
进行处理，获得第一特征向量；
42.第二信号分析模块，用于通过电弧检测模型中的第二分支，对所述样本电流数据进行信号分析，以通过所述样本电流数据中的各个频带能量生成第二特征向量；
43.第二故障识别模块，用于将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得样本识别结果；
44.训练模块，用于根据所述样本识别结果以及电弧标注，对所述电弧检测模型进行训练，得到训练后的电弧检测模型；所述训练后的电弧检测模型用于对目标电流数据进行处理，以得到故障识别结果。
45.在一种可能的实现方式中，所述在通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，包括：
46.对所述目标电流数据的维度进行转换，以获取目标输入数据；
47.对所述目标输入数据进行特征提取，获得第一特征向量。
48.在一种可能的实现方式中，所述对所述目标电流数据的维度进行转换，以获取目标输入数据，包括：
49.对所述目标电流数据进行离差标准化处理，得到第一目标向量；
50.将所述第一目标向量转换到目标维度，得到目标输入数据。
51.在一种可能的实现方式中，所述第一分支中包括transformer模型；
52.所述对所述目标输入数据进行特征提取，获得第一特征向量，包括：
53.通过所述transformer模型对所述目标输入数据进行基于多头自注意力机制的特征提取，得到第一特征向量。
54.在一种可能的实现方式中，所述通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量，包括：
55.通过dbn小波基函数将所述目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；
56.将n+1个频带的能量信号值组合成向量，得到第二特征向量。
57.在一种可能的实现方式中，所述将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果，包括：
58.将所述第一特征向量与所述第二特征向量进行向量拼接，获得特征融合数据；
59.通过所述电弧检测模型的分类器对所述特征融合数据进行分类，获取故障识别结果。
60.再一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述的电弧故障识别方法。
61.又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的电弧故障识别方法。
62.再一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质中读取所述计算机指令，处理器执行所述计算机指令，使得
所述计算机设备执行上述电弧故障识别方法。
63.本技术提供的技术方案可以包括以下有益效果：
64.本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
附图说明
65.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
66.图1是根据一示例性实施例示出的一种电弧故障识别系统的结构示意图。
67.图2是根据一示例性实施例示出的一种电弧故障识别方法的流程图。
68.图3是根据一示例性实施例示出的一种电弧故障识别方法的流程图。
69.图4是根据一示例性实施例示出的一种电弧故障识别方法的流程图。
70.图5是根据一示例性实施例示出的一种电弧故障识别装置的结构方框图。
71.图6是根据一示例性实施例示出的一种电弧故障识别装置的结构方框图。
72.图7是根据一示例性实施例示出的计算机设备的结构框图。
具体实施方式
73.下面将结合附图对本技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
74.应理解，在本技术的实施例中提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，a指示b，可以表示a直接指示b，例如b可以通过a获取；也可以表示a间接指示b，例如a指示c，b可以通过c获取；还可以表示a和b之间具有关联关系。
75.在本技术实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
76.本技术实施例中，“预定义”可以通过在设备(例如，包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现，本技术对于其具体的实现方式不做限定。
77.图1是根据一示例性实施例示出的一种电弧故障识别系统的结构示意图。该电弧故障识别系统中包含服务器110以及终端设备120。其中，该终端设备120中可以包含数据处理设备以及数据存储模块。
78.可选的，该终端设备120通过传输网络(如无线通信网络)与服务器110实现通信连接，该终端设备120可以通过无线通信网络，将数据存储模块中存储的各个数据(如电流数据)上传至服务器110，以便服务器110对获取到的电流数据进行处理，例如通过上传的电流数据对应用于电弧故障识别等方面的卷积神经网络模型进行训练。
79.可选的，该终端设备120中还包括有指令输入组件，如鼠标、键盘、触控屏等组件(图1未示出)，该指令输入组件接收到用户输入的指定指令后，可以在终端设备上输入对应的数据。例如当终端设备上安装有电弧故障识别软件时，用户可以通过指令输入组件向终端设备输入对应的指令，以控制该电弧故障识别软件输出对应的电弧故障识别结果。
80.可选的，该终端设备可以将该电流数据上传至服务器110，以便服务器110对应用于电弧故障识别等方面的卷积神经网络模型进行训练。
81.可选的，该终端设备中还包含有数据处理设备，该数据处理设备可以在终端设备120打开电流数据时，通过服务器下发的卷积神经网络模型对电流数据进行电弧故障识别。
82.可选的，该服务器110可以获取到各个终端设备上传的电流数据，并通过人工等方式对电流数据进行标注，以通过上传的电流数据以及标注信息对卷积神经网络模型进行训练，当训练完成后可以将训练后的卷积神经网络模型传输至终端设备中，以便终端设备对电流数据进行电弧故障识别。
83.可选的，当该终端设备接收并打开电流数据后，终端设备可以将该电流数据上传至服务器110中，以便服务器110中训练好的卷积神经网络模型对电流数据进行电弧故障识别，得到识别结果并返回至终端设备，以实现电流数据的在线电弧故障识别。
84.可选的，上述服务器可以是由多个物理服务器构成的服务器集群或者是分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等技术运计算服务的云服务器。
85.可选的，该系统还可以包括管理设备，该管理设备用于对该系统进行管理(如管理各个模块与服务器之间的连接状态等)，该管理设备与服务器之间通过通信网络相连。可选的，该通信网络是有线网络或无线网络。
86.可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网，但也可以是其他任何网络，包括但不限于局域网、城域网、广域网、移动、有限或无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言、可扩展标记语言等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层、传输层安全、虚拟专用网络、网际协议安全等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
87.图2是根据一示例性实施例示出的一种电弧故障识别方法的流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的终端设备与服务器中的一者。如图2所示，该电弧故障识别方法可以包括如下步骤：
88.步骤201，获取目标电流数据。
89.电弧是指两极之间的空气隙由绝缘体变为介质，从而形成连续的放电现象，伴随有强烈的发热、发光等现象。当电路中的电气部件接触不良或者电路发生接地故障时可能会产生电弧，进而影响到电路的使用甚至导致火灾，因此需要对电弧故障进行识别。
90.在需要对电弧故障进行识别时，首先需要获取目标电流数据。
91.可选的，通过电流采集设备对目标电路的目标电流数据进行采集。例如，可以通过电流传感器对目标电流数据进行采集。
92.步骤202，通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量。
93.该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。
94.机器学习模型能够将输入数据映射到预测输出。机器学习模型通过学习训练数据来自适应地调整模型参数，以最小化预测输出与输入数据之间的误差。
95.该电弧检测模型包括第一分支和第二分支。该第一分支用于通过特征提取算法对目标电流数据进行特征提取，得到第一特征向量。
96.步骤203，通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量。
97.信号为时间的函数，因此信号的功率为瞬时功率，瞬时功率的积分即为能量。
98.该第二分支用于通过信号分析对目标电流数据的时域和频域信息进行提取，获得该目标电流数据各个频带的能量，并生成第二特征向量。
99.步骤204，将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果。
100.将通过特征提取算法对目标电流数据进行处理得到的第一特征向量和通过信号分析对目标电流数据进行处理得到的第二特征向量进行融合，再通过电弧检测模型中的分类器得到故障识别结果。
101.可选的，故障识别结果为电弧故障概率。
102.可选的，设置故障阈值，当电弧故障概率≥故障阈值时，判断电路存在电弧故障；当电弧故障概率＜故障阈值时，判断电路不存在电弧故障。
103.综上所述，本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
104.图3是根据一示例性实施例示出的一种电弧故障识别方法的流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的终端设备与服务器中的一者。如图3所示，该电弧故障识别方法可以包括如下步骤：
105.步骤301，获取样本电流数据。
106.该样本电流数据上包含有电弧标注。
107.电弧是指两极之间的空气隙由绝缘体变为介质，从而形成连续的放电现象，伴随有强烈的发热、发光等现象。当电路中的电气部件接触不良或者电路发生接地故障时可能会产生电弧，进而影响到电路的使用甚至导致火灾，因此需要对电弧故障进行识别。
108.可选的，通过电弧检测模型对电弧故障进行识别。该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型。机器学习模型能够将输入数据映射到预测输出。机器学习模型通过学习训练数据来自适应地调整模型参数，以最小化预测输出与输入数据之间的误差。
109.在对电弧检测模型对电弧故障进行识别前，需要通过样本电流数据训练该电弧检测模型。
110.该样本电流数据可以通过采集已确定发生电弧故障的电流并由专家标出电弧标注获取，也可以通过下载现有的包含电弧故障电流的电弧样本数据集获取。该样本电流数据还可以包含一些未发生电弧故障的电流。
111.步骤302，通过电弧检测模型中的第一分支，对该样本电流数据进行处理，获得第一特征向量。
112.该电弧检测模型包括第一分支和第二分支。该第一分支用于通过特征提取算法对样本电流数据进行特征提取，得到第一特征向量。
113.步骤303，通过电弧检测模型中的第二分支，对该样本电流数据进行信号分析，以通过该样本电流数据中的各个频带能量生成第二特征向量。
114.信号为时间的函数，因此信号的功率为瞬时功率，瞬时功率的积分即为能量。
115.该第二分支用于通过信号分析对样本电流数据的时域和频域信息进行提取，获得该样本电流数据各个频带的能量，并生成第二特征向量。
116.步骤304，将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得样本识别结果。
117.将通过特征提取算法对样本电流数据进行处理得到的第一特征向量和通过信号分析对样本电流数据进行处理得到的第二特征向量进行融合，再通过电弧检测模型中的分类器得到样本识别结果。
118.可选的，样本识别结果为电弧故障概率。
119.可选的，设置故障阈值，当电弧故障概率≥故障阈值时，判断该样本电流数据存在电弧故障；当电弧故障概率＜故障阈值时，判断样本电流数据不存在电弧故障。
120.步骤305，根据该样本识别结果以及电弧标注，对该电弧检测模型进行训练，得到训练后的电弧检测模型。
121.结合样本识别结果以及电弧标注，通过adam优化器更新和计算影响电弧检测模型训练的网络参数，使其逼近或达到最优值，从而得到目标损失函数，再通过目标损失函数对电弧检测模型进行更新，得到训练后的电弧检测模型。adam(adaptive moment estimation)即自适应矩估计，adam优化器使用简单且梯度下降速度快。
122.可选的，利用深度学习框架pytorch作为电弧检测模型，通过样本电流数据集对电弧检测模型进行训练。其中，样本电流数据集的训练集和测试集的划分比例为8:2，即目标
电流数据中的80％用来做训练，目标电流数据中的20％用来做测试。
123.综上所述，本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
124.图4是根据一示例性实施例示出的一种电弧故障识别方法的流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的终端设备与服务器中的一者。如图4所示，该电弧故障识别方法可以包括如下步骤：
125.步骤401，获取目标电流数据。
126.该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。
127.可选的，通过目标电流采集电路，采集目标电流数据m1，m2，
…
，mn。该目标电流采集电路可以通过具有电流采集功能的电路实现。
128.步骤402，通过电弧检测模型中的第一分支，对该目标电流数据的维度进行转换，以获取目标输入数据。
129.首先，对该目标电流数据进行离差标准化处理，得到第一目标向量。离差标准化即最小-最大规范化，是对原始数据的线性变换，将数值映射到[0，1]之间。
[0130]
将采集到的目标电流数据m1，m2，
…
，mn进行离差标准化处理，得到第一目标向量x1，x2，
…
，xn。
[0131]
可选的，通过如下公式(1)进行离差标准化处理：
[0132][0133]
其中，mi为目标电流数据的第i个元素，mj为目标电流数据的第j个元素，xi为第一目标向量第i个元素。
[0134]
进一步的，将该第一目标向量转换到目标维度，得到目标输入数据。
[0135]
可选的，将第一目标向量转换到第一目标维度。将m
×
a维的向量通过reshape转换为h
×w×
c维。例如，将1
×
2560reshape成16
×
160
×
1，h＝16，w＝160，c＝1。也就是说，将第一目标向量(1
×
n维，即m＝1，a＝n)转换到h
×w×
c维，h、w和c根据实际的n进行计算。reshape是将指定的矩阵变换成特定维数矩阵一种函数，且矩阵中元素个数不变，函数可以重新调整矩阵的行数、列数及维数。
[0136]
进一步的，将第一目标维度的第一目标向量转换到第二目标维度。将图片x∈rh×w×c变成一系列展平的二维patches(块)x
p
∈rs×
(
×
p
×
c)
。例如，将16
×
160
×
1的图片转变为10个16
×
16
×
1的图片，s＝10，p＝16，c＝1。其中，(h，w)是原始图片的分辨率，c是通道数，(p，
p)是每个patch的分辨率，s＝hw/p2是patch的数量。
[0137]
可选的，该电弧检测模型的第一分支中包括transformer模型。
[0138]
进一步的，将第二目标维度的第一目标向量通过线性映射转换到第三目标维度，得到目标输入数据。由于transformer模型的期望输入是大小为u
×
d的二维矩阵，其中，u是序列的长度。因此，需要将h
×w×
c的三维图片转换为u
×
d二维输入。此时，需要将向量线性映射到d维，即对每个向量都做一个线性变换(全连接层e)，输入的维度为p
×
p
×
c，输出的维度为d。
[0139]
可选的，在该电弧检测模型的全连接层中进行线性映射。全连接层(fully connected layer)一般位于整个卷积神经网络(本技术中为电弧检测模型)的最后，负责将卷积输出的二维特征图转化成一个一维的向量。
[0140]
可选的，添加可训练的位置变量，以在目标电流数据中加入位置信息。通过在目标电流数据中加入位置信息，可以提高电弧检测模型的计算效率。可选的，代码可以表示为：self.pos_embedding＝nn.parameter(torch.randn(1,num_patches+1,dim))。
[0141]
可选的，添加可学习的嵌入向量，以对线性映射后的目标电流数据进行分类。通过添加可学习的嵌入向量，可以降低线性映射后的目标电流数据的维数，减少电弧检测模型的计算量。
[0142]
例如，添加可训练的位置变量e
pos
，用来加入位置信息，完成序列化。可通过如下公式(2)进行线性映射：
[0143][0144][0145]
pos
∈r
(u+1)
×d[0146]
其中，是图像中的patch，e表示线性映射操作linear projection，
class
是可学习的嵌入向量，维度为d。
[0147]
步骤403，通过电弧检测模型中的第一分支，对该目标输入数据进行特征提取，获得第一特征向量。
[0148]
可选的，通过该transformer模型对该目标输入数据进行基于多头自注意力机制的特征提取，得到第一特征向量。
[0149]
在将目标电流数据转换到目标维度，获取到目标输入数据后，通过电弧检测模型第一分支中的transformer模型对目标输入数据进行归一化
→
多头注意力机制
→
归一化
→
多层感知器完成特征学习，得到第一特征向量。
[0150]
transformer模型的编码器由多头自注意力和多层感知器的交替层组成，在每个块之前的应用层进行归一化(ln)。多层感知器包含两层，具有gelu非线性，将学习到的特征嵌入到全连接层，等待后续的进一步分类。
[0151]
其中，多头自注意力机制可通过如下公式(3)实现：
[0152]z′
l
＝msa(ln(z
l-1
))+z
l-1
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0153]
其中，z
l-1
表示第l-1层目标输入数据，ln(z
l-1
)表示归一化之后的第l-1层目标输入数据，msa(multi-head self-attention)表示多头自注意力机制，z
′
l
表示第l-1层目标输入数据经过多头自注意力机制处理之后的数据结果。
[0154]
多层感知器可通过如下公式(4)实现：
[0155]zl
＝mlp(ln(z
′
l
))+z
′
l
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0156]
其中，ln(z
′
l
)表示z
′
l
归一化之后的数据结果，mlp(multilayer perceptron)表示多层感知器，z
l
表示经过多层感知器处理之后的数据结果，可作为下一层的目标输入数据。
[0157]
将学习到的特征嵌入到全连接层可通过如下公式(5)实现：
[0158][0159]
其中，表示经过多头注意力和多层感知器处理过的数据结果，表示对进行全连接层处理，y表示经全连接层处理后得到的第一特征向量。
[0160]
步骤404，通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量。
[0161]
可选的，通过dbn小波基函数将该目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；
[0162]
可选的，n＝5。在特征学习(即通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量)的同时，选取db4小波基函数，对目标电流数据进行5层小波分解，则目标电流数据b可表示为公式(6)：
[0163]
b＝a5+d5+d4+
…
+d1ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0164]
记各个子频带的能量信号值为gi，则有公式(7)：
[0165][0166]
其中，xk(k＝1，2，
…
，6)为各个频带能量的幅值。
[0167]
进一步的，将n+1个频带的能量信号值组合成向量，得到第二特征向量。
[0168]
例如，将所得各个频带的能量组合形成向量f，记为：
[0169]
f＝[g1,g2,
…
,g6]
[0170]
步骤405，将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果。
[0171]
可选的，将该第一特征向量与该第二特征向量进行向量拼接，获得特征融合数据；
[0172]
进一步的，通过该电弧检测模型的分类器对该特征融合数据进行分类，获取故障识别结果。
[0173]
例如，将向量f与transformer模型学习到的类进行一维向量拼接，再通过电弧检测模型的全连接层，由softmax分类器完成分类，得到故障识别结果。
[0174]
应说明的是，依据融合特征来区分电弧样本和正常样本，属于监督学习中的分类问题。在监督学习中，可以通过交叉熵来计算实际输出与期望输出的距离，交叉熵的值越小，表明识别结果越接近真实结果。
[0175]
可选的，为了将电弧检测模型部署到边缘端，节省硬件资源，利用pytorch的动态量化函数torch.quantization.quantize_dynamic对电弧检测模型进行动态量化，将量化之后的电弧检测模型部署到边缘端，以实现电弧故障检测。
[0176]
综上所述，本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电
流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
[0177]
图5是根据一示例性实施例示出的一种电弧故障识别装置的结构方框图。该电弧故障识别装置包括：
[0178]
第一数据获取模块501，用于获取目标电流数据；
[0179]
第一模型处理模块502，用于通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；
[0180]
第一信号分析模块503，用于通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；
[0181]
第一故障识别模块504，用于将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；
[0182]
该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。
[0183]
在一种可能的实现方式中，该在通过电弧检测模型中的第一分支，对该目标电流数据进行处理，包括：
[0184]
对该目标电流数据的维度进行转换，以获取目标输入数据；
[0185]
对该目标输入数据进行特征提取，获得第一特征向量。
[0186]
在一种可能的实现方式中，该对该目标电流数据的维度进行转换，以获取目标输入数据，包括：
[0187]
对该目标电流数据进行离差标准化处理，得到第一目标向量；
[0188]
将该第一目标向量转换到目标维度，得到目标输入数据。
[0189]
在一种可能的实现方式中，该第一分支中包括transformer模型；
[0190]
该对该目标输入数据进行特征提取，获得第一特征向量，包括：
[0191]
通过该transformer模型对该目标输入数据进行基于多头自注意力机制的特征提取，得到第一特征向量。
[0192]
在一种可能的实现方式中，该通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量，包括：
[0193]
通过dbn小波基函数将该目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；
[0194]
将n+1个频带的能量信号值组合成向量，得到第二特征向量。
[0195]
在一种可能的实现方式中，该将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果，包括：
[0196]
将该第一特征向量与该第二特征向量进行向量拼接，获得特征融合数据；
[0197]
通过该电弧检测模型的分类器对该特征融合数据进行分类，获取故障识别结果。
[0198]
综上所述，本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
[0199]
图6是根据一示例性实施例示出的一种电弧故障识别装置的结构方框图。该电弧故障识别装置包括：
[0200]
第二数据获取模块601，用于获取样本电流数据；该样本电流数据上包含有电弧标注；
[0201]
第二模型处理模块602，用于通过电弧检测模型中的第一分支，对该样本电流数据进行处理，获得第一特征向量；
[0202]
第二信号分析模块603，用于通过电弧检测模型中的第二分支，对该样本电流数据进行信号分析，以通过该样本电流数据中的各个频带能量生成第二特征向量；
[0203]
第二故障识别模块604，用于将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得样本识别结果；
[0204]
训练模块605，用于根据该样本识别结果以及电弧标注，对该电弧检测模型进行训练，得到训练后的电弧检测模型；该训练后的电弧检测模型用于对目标电流数据进行处理，以得到故障识别结果。
[0205]
在一种可能的实现方式中，该在通过电弧检测模型中的第一分支，对该目标电流数据进行处理，包括：
[0206]
对该目标电流数据的维度进行转换，以获取目标输入数据；
[0207]
对该目标输入数据进行特征提取，获得第一特征向量。
[0208]
在一种可能的实现方式中，该对该目标电流数据的维度进行转换，以获取目标输入数据，包括：
[0209]
对该目标电流数据进行离差标准化处理，得到第一目标向量；
[0210]
将该第一目标向量转换到目标维度，得到目标输入数据。
[0211]
在一种可能的实现方式中，该第一分支中包括transformer模型；
[0212]
该对该目标输入数据进行特征提取，获得第一特征向量，包括：
[0213]
通过该transformer模型对该目标输入数据进行基于多头自注意力机制的特征提取，得到第一特征向量。
[0214]
在一种可能的实现方式中，该通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量，包括：
[0215]
通过dbn小波基函数将该目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；
[0216]
将n+1个频带的能量信号值组合成向量，得到第二特征向量。
[0217]
在一种可能的实现方式中，该将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果，包括：
[0218]
将该第一特征向量与该第二特征向量进行向量拼接，获得特征融合数据；
[0219]
通过该电弧检测模型的分类器对该特征融合数据进行分类，获取故障识别结果。
[0220]
综上所述，本技术先获取目标电流数据；再通过电弧检测模型中的第一分支，对该目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对该目标电流数据进行信号分析，以通过该目标电流数据中的各个频带能量生成第二特征向量；将该第一特征向量与该第二特征向量融合后通过该电弧检测模型中的分类器进行处理，获得故障识别结果；该电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；该电弧样本数据集中包括样本电流数据以及该样本电流数据上的电弧标注。上述方案，利用电弧检测模型中的第一分支通过特征提取算法对目标电流数据进行特征提取，利用电弧检测模型中的第二分支对目标电流数据进行信号分析，再通过电弧检测模型中的分类器综合分析两个分支的处理结果，以获取故障识别结果，提高了电弧故障识别准确度。
[0221]
图7示出了本技术一示例性实施例示出的计算机设备700的结构框图。该计算机设备可以实现为本技术上述方案中的服务器。所述计算机设备700包括中央处理单元(central processing unit，cpu)701、包括随机存取存储器(random access memory，ram)702和只读存储器(read-only memory，rom)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述计算机设备700还包括用于存储操作系统709、应用程序710和其他程序模块711的大容量存储设备706。
[0222]
所述大容量存储设备706通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。所述大容量存储设备706及其相关联的计算机可读介质为计算机设备700提供非易失性存储。也就是说，所述大容量存储设备706可以包括诸如硬盘或者只读光盘(compact disc read-only memory，cd-rom)驱动器之类的计算机可读介质(未示出)。
[0223]
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、可擦除可编程只读寄存器(erasable programmable read only memory，eprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)闪存或其他固态存储其技术，cd-rom、数字多功能光盘(digital versatile disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备706可以统称为存储器。
[0224]
根据本公开的各种实施例，所述计算机设备700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备700可以通过连接在所述系统总线705上的网络接口单元707连接到网络708，或者说，也可以使用网络接口单元707来连接到其他类型的网络或远程计算机系统(未示出)。
[0225]
所述存储器还包括至少一条计算机程序，所述至少一条计算机程序存储于存储器中，中央处理单元701通过执行该至少一条计算机程序来实现上述各个实施例所示的方法
中的全部或部分步骤。
[0226]
在一示例性实施例中，还提供了一种计算机可读存储介质，用于存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现上述方法中的全部或部分步骤。例如，该计算机可读存储介质可以是只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、只读光盘(compact disc read-only memory，cd-rom)、磁带、软盘和光数据存储设备等。
[0227]
在一示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图2、图3或图4任一实施例所示方法的全部或部分步骤。
[0228]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0229]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。

技术特征：
1.一种电弧故障识别方法，其特征在于，所述方法包括：获取目标电流数据；通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量；将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果；所述电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；所述电弧样本数据集中包括样本电流数据以及所述样本电流数据上的电弧标注。2.根据权利要求1所述的方法，其特征在于，所述在通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，包括：对所述目标电流数据的维度进行转换，以获取目标输入数据；对所述目标输入数据进行特征提取，获得第一特征向量。3.根据权利要求2所述的方法，其特征在于，所述对所述目标电流数据的维度进行转换，以获取目标输入数据，包括：对所述目标电流数据进行离差标准化处理，得到第一目标向量；将所述第一目标向量转换到目标维度，得到目标输入数据。4.根据权利要求2所述的方法，其特征在于，所述第一分支中包括transformer模型；所述对所述目标输入数据进行特征提取，获得第一特征向量，包括：通过所述transformer模型对所述目标输入数据进行基于多头注意力机制的特征提取，得到第一特征向量。5.根据权利要求1至4任一所述的方法，其特征在于，所述通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量，包括：通过dbn小波基函数将所述目标电流数据进行小波分解，获取n+1个频带的能量信号值；n表示小波分解的层数，n为正整数；将n+1个频带的能量信号值组合成向量，得到第二特征向量。6.根据权利要求5所述的方法，其特征在于，所述将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果，包括：将所述第一特征向量与所述第二特征向量进行向量拼接，获得特征融合数据；通过所述电弧检测模型的分类器对所述特征融合数据进行分类，获取故障识别结果。7.一种电弧故障识别方法，其特征在于，所述方法包括：获取样本电流数据；所述样本电流数据上包含有电弧标注；通过电弧检测模型中的第一分支，对所述样本电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对所述样本电流数据进行信号分析，以通过所述样本电流数据中的各个频带能量生成第二特征向量；将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得样本识别结果；根据所述样本识别结果以及电弧标注，对所述电弧检测模型进行训练，得到训练后的
电弧检测模型；所述训练后的电弧检测模型用于对目标电流数据进行处理，以得到故障识别结果。8.一种电弧故障识别装置，其特征在于，所述装置包括：第一数据获取模块，用于获取目标电流数据；第一模型处理模块，用于通过电弧检测模型中的第一分支，对所述目标电流数据进行处理，获得第一特征向量；第一信号分析模块，用于通过电弧检测模型中的第二分支，对所述目标电流数据进行信号分析，以通过所述目标电流数据中的各个频带能量生成第二特征向量；第一故障识别模块，用于将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得故障识别结果；所述电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；所述电弧样本数据集中包括样本电流数据以及所述样本电流数据上的电弧标注。9.一种电弧故障识别装置，其特征在于，所述装置包括：第二数据获取模块，用于获取样本电流数据；所述样本电流数据上包含有电弧标注；第二模型处理模块，用于通过电弧检测模型中的第一分支，对所述样本电流数据进行处理，获得第一特征向量；第二信号分析模块，用于通过电弧检测模型中的第二分支，对所述样本电流数据进行信号分析，以通过所述样本电流数据中的各个频带能量生成第二特征向量；第二故障识别模块，用于将所述第一特征向量与所述第二特征向量融合后通过所述电弧检测模型中的分类器进行处理，获得样本识别结果；训练模块，用于根据所述样本识别结果以及电弧标注，对所述电弧检测模型进行训练，得到训练后的电弧检测模型；所述训练后的电弧检测模型用于对目标电流数据进行处理，以得到故障识别结果。10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至6任一所述的电弧故障识别方法。

技术总结
本申请是一种电弧故障识别方法、装置及设备，具体涉及故障识别技术领域。所述方法包括：获取目标电流数据；通过电弧检测模型中的第一分支，对目标电流数据进行处理，获得第一特征向量；通过电弧检测模型中的第二分支，对目标电流数据进行信号分析，以通过目标电流数据中的各个频带能量生成第二特征向量；将第一特征向量与第二特征向量融合后通过电弧检测模型中的分类器进行处理，获得故障识别结果；电弧检测模型为通过电弧样本数据集进行训练得到的机器学习模型；电弧样本数据集中包括样本电流数据以及样本电流数据上的电弧标注。基于上述方案，在实现电弧故障识别功能时准确度高。在实现电弧故障识别功能时准确度高。在实现电弧故障识别功能时准确度高。


技术研发人员：张亮亮 曾维波
受保护的技术使用者：固德威技术股份有限公司
技术研发日：2023.04.19
技术公布日：2023/7/21