本发明涉及电弧故障识别，更具体地说，它涉及基于人工智能可解释性方法的致火电弧故障实时检测方法。
背景技术：
1、低压交流串联故障电弧是目前导致电气火灾的重要原因之一，造成了严重的人员伤亡和财产损失，并且以目前国家消防救援局公布的数据来看，电气火灾不仅在众多火灾类型中占比最多，其造成特大火灾的概率以及造成的损失均是最大的；全世界多地区多国家都强制或者推荐安装电弧故障保护装置(arc fault detection device，afdd)，但现有装置检测精度不高，涵盖的负载种类也有限，无法杜绝故障电弧的危害，基于人工智能的方法是一种检测精度较高的解决方案，但ai模型是"黑盒"，一旦发生误判，无法从根本上找到模型出错的原因，模型的改进均是盲目的调参尝试，造成了人工智能方法在应用上的挑战，这是现有基于人工智能的致火故障电弧检测方法目前面临的最严重的问题之一。
2、此外，众所周知人工智能模型的体量一般都非常庞大，现有的模型轻量化基本上是通过损失模型精度换来的模型整体参量或者计算量的减小，没有理解模型的行为和需求，也没有深度融合故障电弧本身固有特征而做出针对性改进，并不是从根本上实现模型的轻量化，无法实现轻量化则会使得模型的分布式部署以及模型的实时性收到严重制约，这是现有基于人工智能的致火故障电弧检测方法目前面临的最严重的问题之二。
3、另外，交流配电网不同于光伏直流电网负载较为单一的情况，交流配电网负载功能多样，种类繁杂，工作原理和工作频率各异，其中不乏工作频段与故障电弧频段严重重合的负载，极大的增加了交流配电网故障电弧的检测难度；如图2所示，图2中是部分交流负载在正常工作时和发生电弧故障时的频谱图，包括了手持电钻、吸尘器、空气压缩机、调光灯、荧光灯、卤素灯、开关电源和阻性负载，可以看出频谱交叠现象严重，检测难度远大于光伏直流故障电弧；因此亟需深挖交流故障电弧深度特征，提出涵盖多种类负载的强泛化性交流故障电弧检测算法。
技术实现思路
1、本发明的目的在于提供基于人工智能可解释性方法的致火电弧故障实时检测方法，解决了现有致火故障电弧均不具备可解释性，模型的优化仅能盲目尝试，对错误样本的分析能力完全丧失的问题，通过追求在人工智能方法高精度的基础上，进一步提升精度；同时在不损失模型精度的基础上，实现模型的轻量化，甚至同时实现模型精度的提高。
2、本发明的上述技术目的是通过以下技术方案得以实现的：
3、第一方面，本技术提供了基于人工智能可解释性方法的致火电弧故障实时检测方法，包括以下具体步骤：
4、获取训练样本，并对训练样本进行短时傅里叶变换，得到与训练样本对应的数据集，数据集包括训练集、测试集和验证集；
5、将训练集输入至引入注意力机制的初始模型中进行处理，得到训练集中各个数据对应的注意力权重；
6、将训练集中注意力权重不小于预设值的各个数据确定为第一目标集，并建立第一目标集对应的频谱图；
7、将频谱图中有弧数据与无弧数据之间重合度超过预设条件的各个数据在第一目标集中剔除，得到第一目标集经过数据剔除后的第二目标集；
8、利用第二目标集对初始模型进行训练，直到达到预置的训练结束条件，将测试集和验证集分别输入至达到训练结束条件的初始模型中进行处理，直到达到预置的合格条件，将达到合格条件的初始模型确定为电弧检测模型；
9、获取实时电流数据，并将实时电流数据输入至电弧检测模型中进行处理，得到实时电流数据对应的是否产生电弧的检测结果。
10、本发明的有益效果是：本方案中，通过对故障电弧检测模型中引入注意力机制模块，分析输入数据对模型的影响，得到不同输入数据的权重，结合电弧故障频域领域内固有特征，分析模型输出对输入数据不同部分的依赖程度，获得模型输出行为的判断标准，提高模型的可解释能力，根据可解释性分析，得到错误样本判断出错的原因，即可最终实现根据错误原因有针对有目的(区别于现有模型的盲目性)的优化模型，故障电弧模型精度可靠提高，以致极致。
11、本方案中，通过输入数据不同部分的注意力权重，对输入数据进行划分，找出对模型检测效果起负面作用、或无作用的部分(大多是负载工作特性原因导致的正常工作频谱和故障电弧频谱高度重叠的部分)，从输入数据上直接节流，一方面输入数据的减少必定会带来计算量的减少，另一方面造成负面影响的输入数据被排除后，模型提取电弧特征的工作强度必然变小了，模型本身的深度和宽度就可以去冗；从两个方面实现了模型的轻量化，并且由于剔除了输入数据中的干扰，模型的精度进一步提升，随之带来的是，模型分布式部署能力的提高以及计算实时性的提升，同时模型由于可以对输入数据进行针对性优化，因此不同负载造成的负面影响可以被有效剔除，模型可兼容的负载类型增加，模型的泛化能力随之提高。
12、在上述技术方案的基础上，本发明还可以做如下改进。
13、进一步，上述短时傅里叶变换具体为：
14、将训练样本中的时序电流数据以预设单位时长进行分割，得到与时序电流数据对应并依次排列的多个时段数据；
15、对各个时段数据分别进行傅里叶变换，将经过傅里叶变换的各个时段数据确定为数据集。
16、采用上述进一步方案的有益效果是：短时傅里叶变换可以以20ms为长度分割时序电流数据，这样可以更明显的体现电流的细节变化，提高模型训练的精度。
17、进一步，上述训练结束条件或合格条件为初始模型的损失函数不小于预置设定值，损失函数具体为：
18、
19、式中，h(p,q)表示损失函数值，p(xi)表示第二目标集中第i个数据的真实分布，q(xi)表示第二目标集中第i个数据经过初始模型处理后输出数据的预测分布，n表示第二目标集中数据的总数量。
20、进一步，上述初始模块包括注意力机制模块、卷积层、池化层、全连接层和分类层，其中：
21、卷积层的层数为5层，池化层的层数为5层，全连接层的层数为3层。
22、进一步，上述方法还包括：
23、基于得到的第二目标集，将初始模型中的注意力机制模块、卷积层、池化层和全连接层剔除，得到初始模型对应的轻量化模型，轻量化模型包括输入层和分类层。
24、采用上述进一步方案的有益效果是：由于在得到的第二目标集在经过注意力权重和频谱图中重合度两次的数据筛选后，第二目标集中的各个数据对模型的训练贡献达到最佳，即通过两次的数据筛选，将对模型训练贡献小、没有贡献或降低模型训练精度的数据进行了剔除，这样则可以对模型进行轻量化，即将模型中用于深度学习的卷积层、池化层、全连接层进行剔除，这样实现了模型的轻量化，减轻了模型的训练难度，在实际运用过程中不仅精度高且计算速度更快；即在不损失模型精度的基础上，实现模型的轻量化，甚至同时实现模型精度的提高。
25、第二方面，本技术提供了基于人工智能可解释性方法的致火电弧故障实时检测系统，应用于第一方面中任一项的基于人工智能可解释性方法的致火电弧故障实时检测方法，包括：
26、第一模块，用于获取训练样本，并对训练样本进行短时傅里叶变换，得到与训练样本对应的数据集，数据集包括训练集、测试集和验证集；
27、第二模块，用于将训练集输入至引入注意力机制的初始模型中进行处理，得到训练集中各个数据对应的注意力权重；
28、第三模块，用于将训练集中注意力权重不小于预设值的各个数据确定为第一目标集，并建立第一目标集对应的频谱图；
29、第四模块，用于将频谱图中有弧数据与无弧数据之间重合度超过预设条件的各个数据在第一目标集中剔除，得到第一目标集经过数据剔除后的第二目标集；
30、第五模块，用于利用第二目标集对初始模型进行训练，直到达到预置的训练结束条件，将测试集和验证集分别输入至达到训练结束条件的初始模型中进行处理，直到达到预置的合格条件，将达到合格条件的初始模型确定为电弧检测模型；
31、第六模块，用于获取实时电流数据，并将实时电流数据输入至电弧检测模型中进行处理，得到实时电流数据对应的是否产生电弧的检测结果。
32、进一步，上述第一模块中，短时傅里叶变换具体为：
33、将训练样本中的时序电流数据以预设单位时长进行分割，得到与时序电流数据对应并依次排列的多个时段数据；
34、对各个时段数据分别进行傅里叶变换，将经过傅里叶变换的各个时段数据确定为数据集。
35、进一步，上述第五模块中，训练结束条件或合格条件为初始模型的损失函数不小于预置设定值，损失函数具体为：
36、
37、式中，h(p,q)表示损失函数值，p(xi)表示第二目标集中第i个数据的真实分布，q(xi)表示第二目标集中第i个数据经过初始模型处理后输出数据的预测分布，n表示第二目标集中数据的总数量。
38、第三方面，本技术提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法。
39、第四方面，本技术提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面中任一项的方法。
40、与现有技术相比，本发明至少具有以下的有益效果：
41、在本技术中，通过对故障电弧检测模型中引入注意力机制模块，分析输入数据对模型的影响，得到不同输入数据的权重，结合电弧故障频域领域内固有特征，分析模型输出对输入数据不同部分的依赖程度，获得模型输出行为的判断标准，提高模型的可解释能力，根据可解释性分析，得到错误样本判断出错的原因，即可最终实现根据错误原因有针对有目的(区别于现有模型的盲目性)的优化模型，故障电弧模型精度可靠提高，以致极致。
42、在本技术中，通过输入数据不同部分的注意力权重，对输入数据进行划分，找出对模型检测效果起负面作用、或无作用的部分(大多是负载工作特性原因导致的正常工作频谱和故障电弧频谱高度重叠的部分)，从输入数据上直接节流，一方面输入数据的减少必定会带来计算量的减少，另一方面造成负面影响的输入数据被排除后，模型提取电弧特征的工作强度必然变小了，模型本身的深度和宽度就可以去冗；从两个方面实现了模型的轻量化，并且由于剔除了输入数据中的干扰，模型的精度进一步提升，随之带来的是，模型分布式部署能力的提高以及计算实时性的提升，同时模型由于可以对输入数据进行针对性优化，因此不同负载造成的负面影响可以被有效剔除，模型可兼容的负载类型增加，模型的泛化能力随之提高。
43、在本技术中，短时傅里叶变换可以以20ms为长度分割时序电流数据，这样可以更明显的体现电流的细节变化，提高模型训练的精度；同时由于在得到的第二目标集在经过注意力权重和频谱图中重合度两次的数据筛选后，第二目标集中的各个数据对模型的训练贡献达到最佳，即通过两次的数据筛选，将对模型训练贡献小、没有贡献或降低模型训练精度的数据进行了剔除，这样则可以对模型进行轻量化，即将模型中用于深度学习的卷积层、池化层、全连接层进行剔除，这样实现了模型的轻量化，减轻了模型的训练难度，在实际运用过程中不仅精度高且计算速度更快；即在不损失模型精度的基础上，实现模型的轻量化，甚至同时实现模型精度的提高。
1.基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，所述短时傅里叶变换具体为：
3.根据权利要求1所述的基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，所述训练结束条件或所述合格条件为初始模型的损失函数不小于预置设定值，所述损失函数具体为：
4.根据权利要求1所述的基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，所述初始模块包括注意力机制模块、卷积层、池化层、全连接层和分类层，其中：
5.根据权利要求1所述的基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，所述方法还包括：
6.基于人工智能可解释性方法的致火电弧故障实时检测系统，应用于权利要求1-5中任一项的基于人工智能可解释性方法的致火电弧故障实时检测方法，其特征在于，包括：
7.根据权利要求6所述的基于人工智能可解释性方法的致火电弧故障实时检测系统，其特征在于，所述第一模块中，所述短时傅里叶变换具体为：
8.根据权利要求6所述的基于人工智能可解释性方法的致火电弧故障实时检测系统，其特征在于，所述第五模块中，所述训练结束条件或所述合格条件为初始模型的损失函数不小于预置设定值，所述损失函数具体为：
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1-4中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行权利要求1-4中任一项所述的方法。
