1.本技术涉及电弧检测技术领域，尤其涉及一种分步式故障电弧检测方法及装置、电子设备、存储介质。
背景技术：2.电气火灾所导致的火灾事故一般都较为严重，减少电气火灾的发生是一个刻不容缓的难题。线路原因可以从形成原因上大致分为以下两个大类：
3.(1)异常电流导致的电气火灾。如电路短路，电路过载，在短时间内，线路上的电流激增，导致产生大量热量，融化绝缘层，引燃周围易燃品，导致火灾。
4.(2)故障电弧导致的电气火灾。故障电弧本质是异常电压导致的电气击穿，从而产生大量热量，导致火灾。如电线之间的接触不良，电线绝缘层的磨损等等原因都有可能导致电气火灾。
5.第一种情况下，针对电流的激增的检测相对容易，各种各样的熔断式断路器和空气开关被研发出来以防止人员伤亡和火灾发生。但针对故障电弧导致的电气火灾，因其多样性、随机性和复杂性，很难被检测。
6.负载的类型决定了支路中电流的波形，不同负载的正常电流波形和故障电弧电流波形差异巨大，部分负载的故障电弧电流波形的平肩部特征十分明显，部分负载的故障电弧的波形主要以高频脉冲为主。
7.故障电弧检测算法虽然种类繁多，但都有一定缺陷。针对故障电弧产生时的物理现象进行检测的方法虽然具有极高的准确性和实时性，但受故障电弧发生位置的限制大；针对故障电弧发生时的电压或电流波形，在时域下提取信号特征的检测方法虽然实现简单，但只能反应信号波形的一部分特征，准确率低；通过短时傅里叶变换，小波变换等时频域方法将电流信号转换至频域，在频域中检测故障电弧产生的高频噪声的检测方法的准确率与阈值信号的设置相关性大；而直接对故障电弧电流波形进行神经网络训练的检测方法对经过充分训练的负载检测具有极高的准确率，但对于未经过训练的负载，检测的准确率难以保证，其次，神经网络检测法中误报情况较为严重。
技术实现要素：8.本技术实施例的目的是提供一种分步式故障电弧检测方法及装置、电子设备、存储介质，以解决相关技术中存在的故障电弧检测准确率低，计算过程复杂的技术问题。
9.根据本技术实施例的第一方面，提供一种分步式故障电弧检测方法，其特征在于，包括：
10.获取待检测的电流信号；
11.从所述电流信号中提取时域特征参数；
12.根据所述时域特征参数判断其前后连续周期之间的变化值；
13.如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；
14.如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；
15.通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；
16.根据所述精确检测结果，统计单位时间内故障周期出现的数量；
17.将所述数量和国标要求进行比较，判断是否发生故障电弧。
18.进一步地，所述电流信号为串联在负载线路内的交流电流信号，按照国内标准，应该是50hz，220v的交流电。
19.进一步地，所述时域特征参数选自峰峰值、整流平均值、有效值和方差的一种或多种。
20.进一步地，训练好的故障电弧检测卷积神经网络的构建方法如下：
21.获取有电弧的电流信号数据集和无电弧的电流信号数据集；
22.通过所述有电弧的电流信号数据集和无电弧的电流信号数据集对卷积神经网络进行训练，得到训练好的故障电弧检测卷积神经网络。
23.进一步地，所述故障电弧检测卷积神经网络包括：
24.第一卷积层，用于对输入电流信号进行卷积计算，提取输入电流信号特征；
25.第一最大值池化层，用于对第一卷积层计算结果进行最大值池化，提取第一卷积层信号特征；
26.第二卷积层，用于对第一最大值池化层结果进行卷积计算，提取第一最大值池化层结果的特征；
27.第二最大值池化层，用于对第二卷积层计算结果进行最大值池化，提取第二卷积层信号特征；
28.第三卷积层，用于对第二最大值池化层结果进行卷积计算，提取第二最大值池化层结果的特征；
29.第三最大值池化层，用于对第三卷积层计算结果进行最大值池化，提取第三卷积层信号特征；
30.平铺层，用于将第三最大值池化层的计算结果组合排序；
31.全连接层，用于将平铺层结果进一步计算，输出对应标签的计算结果作为第一检测结果。
32.进一步地，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果，包括：
33.以db4小波为母小波对输入故障电弧电流信号进行离散小波变换；
34.统计离散小波变换结果的最大值max；
35.对离散小波变换结果进行自适应阈值计算；
36.将离散小波变换检测结果的最大值和计算的自适应阈值相比较得到第二检测结果，如果离散小波变换检测结果的最大值大于自适应阈值，则第二检测结果判断为发生故障电弧；如果离散小波变换检测结果的最大值小于自适应阈值，则第二检测结果判断为未发生故障电弧。
37.进一步地，通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果，包括：
38.通过softmax函数对故障电弧卷积神经网络检测的第一检测结果计算，得到卷积神经网络检测结果的第一权重值；
39.通过自适应阈值对离散小波变换检测的第二检测结果计算，与得到离散小波变换检测结果的第二权重值；
40.分别将第一检测结果和第一权重值与第二检测结果和第二权重值相结合，经过权重仲裁，得出故障电弧的精确检测结果。
41.根据本发明实施例提供的第二方面，提供一种分步式故障电弧检测装置，包括：
42.获取模块，用于获取待检测的电流信号；
43.提取模块，用于从所述电流信号中提取时域特征参数；
44.判断模块，用于根据所述时域特征参数判断其前后连续周期之间的变化值；
45.第一判断子模块，用于如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；
46.第二判断子模块，用于如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；
47.计算模块，用于通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；
48.统计模块，用于根据所述精确检测结果，统计单位时间内故障周期出现的数量；
49.比较判断模块，用于将所述数量和国标要求进行比较，判断是否发生故障电弧。
50.根据本发明实施例提供的第三方面，提供一种电子设备，包括：
51.一个或多个处理器；
52.存储器，用于存储一个或多个程序；
53.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
54.根据本发明实施例提供的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如第一方面所述方法的步骤。
55.本技术的实施例提供的技术方案可以包括以下有益效果：
56.由以上技术方案可知，本技术采用了卷积神经网络检测和自适应阈值离散小波变换检测相结合的技术手段，克服了卷积神经网络检测中误报情况，进而达到了进一步提高准确率的技术效果。采用预检测和精确检测分步式结构，所以克服了故障电弧检测算法的精简化和准确率难以并存的技术问题，进而达到了简化故障电弧检测的计算过程同时又保证高准确率的技术效果。
57.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
58.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
59.图1是根据一示例性实施例示出的一种分步式故障电弧检测方法的流程图。
60.图2是根据一示例性实施例示出的不同负载的正常及故障电弧电流波形图。
61.图3是根据一示例性实施例示出的母小波db4波形图。
62.图4是根据一示例性实施例示出的一种分步式故障电弧检测装置的结构示意图。
具体实施方式
63.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
64.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
65.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在......时”或“当......时”或“响应于确定”。
66.图1是根据一示例性实施例示出的一种分步式故障电弧检测方法的流程图，如图1所示，该方法应用于终端中，可以包括以下步骤：
67.步骤s11，获取待检测的电流信号；
68.步骤s12，从所述电流信号中提取时域特征参数；
69.步骤s13，根据所述时域特征参数判断其前后连续周期之间的变化值；
70.步骤s14，如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；
71.步骤s15，如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；
72.步骤s16，通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；
73.步骤s17，根据所述精确检测结果，统计单位时间内故障周期出现的数量；
74.步骤s18，将所述数量和国标要求进行比较，判断是否发生故障电弧。
75.由以上技术方案可知，本技术采用了卷积神经网络检测和自适应阈值离散小波变换检测相结合的技术手段，克服了卷积神经网络检测中误报情况，进而达到了进一步提高准确率的技术效果。采用预检测和精确检测分步式结构，所以克服了故障电弧检测算法的
精简化和准确率难以并存的技术问题，进而达到了简化故障电弧检测的计算过程同时又保证高准确率的技术效果。本发明实施例提供的实时分步式故障电弧检测方法适用于家庭中各种不同类型负载的串联故障电弧实时检测。
76.在步骤s11的具体实施中，获取待检测的电流信号；
77.本发明的分步式故障电弧检测方法在进行故障电弧检测时，首先执行第一步骤，获取待检测的电流信号。获取电流信号时，可通过外部电路获取任何负载电路中的电流信号作为检测电流信号。进一步地，采样的adc满足采样率为 1m/s，并且精度足够高，高采样率和高精度可以使获取的待检测电流信号所包含的信号特征更多更明显。
78.在步骤s12的具体实施中，从所述电流信号中提取时域特征参数；
79.在adc采样到电流信号之后，将电流信号截取一个周期长度，进行检测。获取到检测电流信号之后，首先对电流信号进行预检测。预检测即为对电流信号进行时域特征参数提取。如图2所示，负载正常工作时，交流电流信号呈现完整的周期性，所述时域特征参数选自峰峰值、整流平均值、有效值和方差的一种或多种，但当故障电弧产生时，由于故障电弧存在平肩部和高频噪声脉冲，这4个参数会发生剧烈变化。凭借相邻周期之间的时域特征参数是否差异过大，可以初步判断电流信号是否发生变化，如果电流信号未发生变化，则表明必定没有故障电弧产生，如果电流信号发生变化，则需要进行进一步精确检测。在故障电弧检测中，电流信号的绝大比例都是正常情况，只有部分信号是故障电弧信号，采用对电流信号的变化敏感的时域特征参数作为预检测方式，将疑似故障电弧电流信号和正常电流信号区分，可以简化检测方法的计算过程。
80.在步骤s13的具体实施中，根据所述时域特征参数判断其前后连续周期之间的变化值；和在步骤s14的具体实施中，如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；
81.预检测检测时域特征参数之一的是电流信号的峰峰值。以电扇电流信号为例，不发生故障电弧正常工作时，电扇电流信号的峰峰值约为-0.2a-0.2a左右，且具有完整周期性，但当发生故障电弧时，电扇电流信号的峰峰值激增到了
ꢀ‑
4a-4a左右，可见，用峰峰值预检测故障电弧可行。
82.预检测检测时域特征参数之一的是电流信号的平均值。以电热台电流信号为例，不发生故障电弧正常工作时，电热台电流信号的峰呈现较为完整的正弦波形状，且具有完整周期性，平均值不变，但当发生故障电弧时，电热台电流信号的会有一段时间电流接近0值，称为平肩部阶段，导致其平均值下降，可见，用平均值预检测故障电弧可行。
83.预检测检测时域特征参数之一的是电流信号的均方根值。以电热台电流信号为例，不发生故障电弧正常工作时，电热台电流信号的峰呈现较为完整的正弦波形状，且具有完整周期性，均方根值不变，但当发生故障电弧时，电热台电流信号的会有一段时间电流接近0值，称为平肩部阶段，导致其均方根值下降，可见，用均方根值预检测故障电弧可行。
84.预检测检测时域特征参数之一的是电流信号的方差。以电热台电流信号为例，不发生故障电弧正常工作时，电热台电流信号的峰呈现较为完整的正弦波形状，且具有完整周期性，方差值不变，但当发生故障电弧时，电热台电流信号的会有一段时间电流接近0值，称为平肩部阶段，导致其方差值下降，可见，用方差值预检测故障电弧可行。
85.如果预检测的结果得到的峰峰值，平均值，均方根，方差等基本保持不变，误差范
围在30％以内，则认为前后两个周期的特征值没有发生非正常变化，不需要对电流波形进行进一步的精确检测，对该周期电流波形的检测结果，和上一周期电流波形的检测结果保持不变。如果上一周期是正常结果，则认为这一周期的检测结果也为正常；如果上一周期的检测结果为有电弧，则认为这一周期的检测结果也为有电弧；但第二种情况发生概率非常小，因为电弧产生时，其物理特征导致即使相邻两个电弧，电流波形也会发生一定数值上的差异，前后周期检测结果，大概率也为异常。
86.如果预检测的结果得到的峰峰值，平均值，均方根，方差等剧烈变化，误差范围大于30％以内，则认为前后两个周期的特征值发生非正常变化，但导致非正常变化的原因不得而知，有可能是电弧导致，也有可能是其他正常情况，比如电器切换工作模式，或者负载上新增了新的电器等等，需要对电流波形进行进一步的精确检测，并以精确检测的结果，作为该电流信号的故障电弧检测结果。
87.在步骤s15的具体实施中，如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；
88.进入精确检测，会同时进行卷积神经网络检测和自适应阈值离散小波变换检测。
89.按照国标的要求，故障电弧的计数都是以半正弦波周期为单位，在我国民用交流电的频率为50hz，而前置adc的采样频率为1m的前提下，本文神经网络的输入数据集为以10000个点为单位的半正弦波周期数据。把采集到的数据进行裁剪和标签，最后共得如下表1所示结果。
90.本实施例中，训练好的故障电弧检测卷积神经网络的构建方法如下：
91.(1)获取有电弧的电流信号数据集和无电弧的电流信号数据集；
92.(2)通过所述有电弧的电流信号数据集和无电弧的电流信号数据集对卷积神经网络进行训练，得到训练好的故障电弧检测卷积神经网络。
93.表1 卷积神经网络数据集
94.[0095][0096]
总共11921条数据，随机打乱后，取约80％分为数据集(9621条)，取约 20％分为测试集(2300条)。
[0097]
在分步式故障电弧检测方法中，故障电弧电流数据为1x10000的矩阵。在lenet模型和vgg-16模型的基础上，修改并设计了如下表2的模型。
[0098]
本实施例中，所述故障电弧检测卷积神经网络包括：
[0099]
第一卷积层，用于对输入电流信号进行卷积计算，提取输入电流信号特征；
[0100]
第一最大值池化层，用于对第一卷积层计算结果进行最大值池化，提取第一卷积层信号特征；
[0101]
第二卷积层，用于对第一最大值池化层结果进行卷积计算，提取第一最大值池化层结果的特征；
[0102]
第二最大值池化层，用于对第二卷积层计算结果进行最大值池化，提取第二卷积层信号特征；
[0103]
第三卷积层，用于对第二最大值池化层结果进行卷积计算，提取第二最大值池化层结果的特征；
[0104]
第三最大值池化层，用于对第三卷积层计算结果进行最大值池化，提取第三卷积层信号特征；
[0105]
平铺层，用于将第三最大值池化层的计算结果组合排序；
[0106]
全连接层，用于将平铺层结果进一步计算，输出对应标签的计算结果作为第一检测结果。
[0107]
表2 卷积神经网络模型
[0108]
[0109][0110]
该模型具有以下几个特点：1.该模型包含3层用relu函数激活的卷积层，卷积层采用的卷积核大小是1x5，步长为1，并且采用自动补零的padding方式 (padding mode＝same)，以保证输出层模型和输入层模型结构相同。2.第2层卷积从一通道转换成四通道输出，第3层卷积又从四通道输出转换为八通道输出。前文提到，卷积是提取局部特征的过程，更多的通道，就可以提取跟多的局部特征，但同时也为了减小模型体积，减少参数数量，不能无限制的增加模型深度和通道数，本模型的通道数量和模型深度，是经过多次测试后，在准确率和模型体积中折中的最好结构。3.和lenet一样，在每层卷积层之后，都紧跟了最大值池化层，在本模型中，由于采样率远大于信号特征的变化率，所以采用的池化步长都较大，这也可以进一步减少卷积神经网络模型的大小和参数数量。4.第8层是全连接层，采用激活函数是softmax，该层的作用就是根据前面平铺层的结果，对应到每一种输出结果，在本模型中，一共有9种输出结果，对应9个通道，经过全连接层之后，每个通道都会有一个结果表明输入和该结果的接近程度，数据值越大表明越接近。对于卷积神经网络模型的训练在 tensorflow平台上进行。在tensorflow平台上，按照表2搭建卷积神经网络模型。在训练时，使用的优化器是“adam”，以准确率作为评估标准进行训练。单批次的大小是50组数据，总共训练1000次，并将训练结果保存。训练结果表明其验证集准确率可以达到99.17％。
[0111]
在精确检测步骤中，将待检测的电流信号输入上面方法训练完的故障电弧检测卷积神经网络中，通过卷积神经网络计算结果，得到第一检测结果。
[0112]
本实施例中，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果，包括：
[0113]
(1)以db4小波为母小波对输入故障电弧电流信号进行离散小波变换；
[0114]
(2)统计离散小波变换结果的最大值max；
[0115]
(3)对离散小波变换结果进行自适应阈值计算；
[0116]
(4)将离散小波变换检测结果的最大值和计算的自适应阈值相比较得到第二检测结果，如果离散小波变换检测结果的最大值大于自适应阈值，则第二检测结果判断为发生故障电弧；如果离散小波变换检测结果的最大值小于自适应阈值，则第二检测结果判断为
未发生故障电弧。
[0117]
在离散小波变换检测法中，十分重要的步骤之一是母小波选择。对于小波变换而言，不同的母小波针对同一信号的检测会产生完全不同的结果。母小波通常具有正交性、紧支撑性、对称性和消失矩等特性。在选择母小波应充分考虑母小波的性质。然而，具有相同性质的母小波往往存在不止一个。为了解决这一问题，在选择母小波时考虑了信号与母小波之间的相似性。按照信号与母小波的相似性原则，如下图3所示db4母小波波形，故障电弧发生时，负载的电流波形除了有高频脉冲外，还时常伴有平肩部的特征，而平肩部的形状，就与db4母小波的形状相似，故选择了db4作为母小波。
[0118]
在故障电弧检测中，离散小波变换的阈值设置也是决定离散小波变换检测方法的关键之一。分析固定阈值离散小波变换检测结果，发现在固定阈值离散小波变换的故障电弧检测方法中，为了避免误报，会把小波变换的检测阈值设置相对较高，导致许多发生故障电弧不剧烈的情况下，离散小波变换结果达不到阈值，所以漏报。本文中提出了一种小波变换中自适应阈值算法。首先根据离散小波变换检测结果幅值确定一个基础阈值max/2，再根据信号的离散程度调整阈值，离散程度越低说明信号规律性越好，越不易发生故障电弧，阈值应越大；离散程度越高说明信号规律性越差，越容易发生故障电弧，阈值应越小。所以阈值与平均值偏差呈反比。最后结果如下公式表示。其中，max表示离散小波变换检测结果最大值，abs_dev表示离散程度，abs_avg表示平均值。k表示自定义参数，这里设置为5，xi表示输入值。
[0119][0120][0121][0122]
将离散小波变换检测结果的最大值和计算的自适应阈值相比较得到第二检测结果，如果离散小波变换检测结果最大值大于自适应阈值，则第二检测结果判断为发生故障电弧；如果离散小波变换检测结果最大值小于自适应阈值，则第二检测结果判断为未发生故障电弧。
[0123]
在步骤s16的具体实施中，通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；
[0124]
自适应阈值离散小波变换检测法对于以高频脉冲为主的故障电弧检测效果较好，而卷积神经网络检测法则在检测平肩部方面有着更好的表现，为了综合考虑卷积神经网络和自适应阈值离散小波变换的检测结果，提出了一种用检测的故障电弧发生概率来表示该算法的权重值，结合权重值和检测结果进行综合故障电弧判断的仲裁办法。
[0125]
本示例中，步骤s16可以包括：
[0126]
(1)通过softmax函数对故障电弧卷积神经网络检测的第一检测结果计算，得到卷积神经网络检测结果的第一权重值；
[0127]
(2)通过自适应阈值对离散小波变换检测的第二检测结果计算，与得到离散小波变换检测结果的第二权重值；
[0128]
(3)分别将第一检测结果和第一权重值与第二检测结果和第二权重值相结合，经过权重仲裁，得出故障电弧的精确检测结果。
[0129]
发生的故障电弧越剧烈，电流信号包含的高频分量越多，离散小波变换结果的离散程度就越大，自适应阈值计算公式中的调节部分效果越小，阈值越接近max/2；不发生故障电弧或者发生的故障电弧不剧烈时，电流信号包含的高频分量少，离散小波变换结果的离散程度就低，自适应阈值计算公式中的调节部分效果好，阈值就会上移。因此，将离散小波变换结果中最大值的一半与阈值之间的比值表示第一权重值，故障电弧剧烈时，第一权重值w
dwt
越接近1，而不发生故障电弧或者发生的故障电弧不剧烈时，第一权重值w
dwt
就会下降。表达式如下公式所示，其中，max为检测结果中最大值。
[0130][0131]
在多分类卷积神经网络算法中，通常采用softmax函数处理计算结果， softmax可以将多个神经元的输出，映射到(0，1)区间内，表示每种分类的概率。 softmax函数分为两步，第一步使用指数函数，将神经网络结果映射到[0，+∞)区间内，第二步将所有结果归一化，将转化后的结果除以所有转化后结果之和，即可计算每种输出的概率，作为第二权重值。
[0132]
权重仲裁算法最后的结果是，将离散小波变换检测结果第一权重值和卷积神经网络检测结果第二权重值相加。如果结果大于1，则认为权重仲裁算法判断结果为发生故障电弧。采用权重仲裁算法决定最终结果，更高的概率拥有更高的权重，可以有效的避免误报情况。
[0133]
经过精确检测权重仲裁，得出了该周期电流信号是否发生故障电弧的精确判断。就又可以回到第一步骤，检测下一个周期的故障电流信号。
[0134]
在步骤s17的具体实施中，根据所述精确检测结果，统计单位时间内故障周期出现的数量；
[0135]
对电流信号的检测结果进行统计，如果1s内检测到发生故障电弧数量大于 14个则认为发生故障电弧，否则则认为不发生。
[0136]
在步骤s18，将所述数量和国标要求进行比较，判断是否发生故障电弧。
[0137]
本发明实例中，用于采样的adc采样率是1m/s，而国内电网频率为50hz，即1s内能采集到的电流波形为100个半正弦波周期，按照国标要求，若1s内检测到发生故障电弧数量大于14个则认为发生故障电弧，即如果每100个半正弦波周期中检测到超过14个半正弦波周期为发生故障电弧，则认为负载发生故障电弧。
[0138]
本发明实施例提出的分步式故障电弧检测法，相比于其他神经网络实现的故障电弧检测方法，因为采用了卷积神经网络检测和自适应阈值离散小波变换检测相结合的技术手段，所以克服了卷积神经网络检测中误报情况，进而达到了进一步提高准确率的技术效果。因为采用预检测和精确检测分步式结构，所以克服了故障电弧检测算法的精简化和准确率难以并存的技术问题，进而达到了简化故障电弧检测的计算过程同时又保证高准确率的技术效果。
[0139]
与前述的分步式故障电弧检测方法的实施例相对应，本技术还提供了分步式故障电弧检测装置的实施例。
[0140]
图4是根据一示例性实施例示出的一种分步式故障电弧检测装置框图。参照图4，该装置包括获取模块11、提取模块12、判断模块13、第一判断子模块 14、第二判断子模块15、计算模块16、统计模块17、比较判断模块18。
[0141]
获取模块11，用于获取待检测的电流信号；
[0142]
提取模块12，用于从所述电流信号中提取时域特征参数；
[0143]
判断模块13，用于根据所述时域特征参数判断其前后连续周期之间的变化值；
[0144]
第一判断子模块14，用于如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；
[0145]
第二判断子模块15，用于如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；
[0146]
计算模块16，用于通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；
[0147]
统计模块17，用于根据所述精确检测结果，统计单位时间内故障周期出现的数量；
[0148]
比较判断模块18，用于将所述数量和国标要求进行比较，判断是否发生故障电弧。
[0149]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0150]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0151]
相应的，本技术还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的分步式故障电弧检测方法。
[0152]
相应的，本技术还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的分步式故障电弧检测方法。
[0153]
本领域技术人员在考虑说明书及实践这里公开的内容后，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权利要求指出。
[0154]
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：1.一种分步式故障电弧检测方法，其特征在于，包括：获取待检测的电流信号；从所述电流信号中提取时域特征参数；根据所述时域特征参数判断其前后连续周期之间的变化值；如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；根据所述精确检测结果，统计单位时间内故障周期出现的数量；将所述数量和国标要求进行比较，判断是否发生故障电弧。2.根据权利要求1所述的方法，其特征在于，所述电流信号为串联在负载线路内的交流电流信号，按照国内标准，应该是50hz，220v的交流电。3.根据权利要求1所述的分步式故障电弧检测方法，其特征在于，所述时域特征参数选自峰峰值、整流平均值、有效值和方差的一种或多种。4.根据权利要求1所述的方法，其特征在于，训练好的故障电弧检测卷积神经网络的构建方法如下：获取有电弧的电流信号数据集和无电弧的电流信号数据集；通过所述有电弧的电流信号数据集和无电弧的电流信号数据集对卷积神经网络进行训练，得到训练好的故障电弧检测卷积神经网络。5.根据权利要求1所述的方法，其特征在于，所述故障电弧检测卷积神经网络包括：第一卷积层，用于对输入电流信号进行卷积计算，提取输入电流信号特征；第一最大值池化层，用于对第一卷积层计算结果进行最大值池化，提取第一卷积层信号特征；第二卷积层，用于对第一最大值池化层结果进行卷积计算，提取第一最大值池化层结果的特征；第二最大值池化层，用于对第二卷积层计算结果进行最大值池化，提取第二卷积层信号特征；第三卷积层，用于对第二最大值池化层结果进行卷积计算，提取第二最大值池化层结果的特征；第三最大值池化层，用于对第三卷积层计算结果进行最大值池化，提取第三卷积层信号特征；平铺层，用于将第三最大值池化层的计算结果组合排序；全连接层，用于将平铺层结果进一步计算，输出对应标签的计算结果作为第一检测结果。6.根据权利要求1所述的方法，其特征在于，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果，包括：以db4小波为母小波对输入故障电弧电流信号进行离散小波变换；
统计离散小波变换结果的最大值max；对离散小波变换结果进行自适应阈值计算；将离散小波变换检测结果的最大值和计算的自适应阈值相比较得到第二检测结果，如果离散小波变换检测结果的最大值大于自适应阈值，则第二检测结果判断为发生故障电弧；如果离散小波变换检测结果的最大值小于自适应阈值，则第二检测结果判断为未发生故障电弧。7.根据权利要求1所述的方法，其特征在于，通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果，包括：通过softmax函数对故障电弧卷积神经网络检测的第一检测结果计算，得到卷积神经网络检测结果的第一权重值；通过自适应阈值对离散小波变换检测的第二检测结果计算，与得到离散小波变换检测结果的第二权重值；分别将第一检测结果和第一权重值与第二检测结果和第二权重值相结合，经过权重仲裁，得出故障电弧的精确检测结果。8.一种分步式故障电弧检测装置，其特征在于，包括：获取模块，用于获取待检测的电流信号；提取模块，用于从所述电流信号中提取时域特征参数；判断模块，用于根据所述时域特征参数判断其前后连续周期之间的变化值；第一判断子模块，用于如果所述变化值小于设定阈值，则认为当前周期检测结果和前周期相同；第二判断子模块，用于如果所述变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对所述电流信号进行检测得到第一检测结果，通过离散小波变换对所述电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；计算模块，用于通过softmax函数对所述第一检测结果进行计算得到第一权重，通过自适应阈值对所述第二检测结果进行计算得到第二权重，通过权重仲裁，得到精确检测结果；统计模块，用于根据所述精确检测结果，统计单位时间内故障周期出现的数量；比较判断模块，用于将所述数量和国标要求进行比较，判断是否发生故障电弧。9.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
技术总结本发明涉及电弧检测技术领域，公开了一种分步式故障电弧检测方法及装置、电子设备、存储介质，包括：从电流信号中提取时域特征参数；根据时域特征参数判断其前后连续周期之间的变化值；如果变化值小于设定阈值，则认为当前周期检测结果和前周期相同；如果变化值大于设定阈值，则通过训练好的故障电弧检测卷积神经网络对电流信号进行检测得到第一检测结果，通过离散小波变换对电流信号进行检测并将检测结果与自适应阈值进行比较得到第二检测结果；对第一检测结果进行计算得到第一权重，通过自适应阈值对第二检测结果进行计算得到第二权重，再通过权重仲裁、统计和比较，判断是否发生故障电弧。具有故障电弧检测准确率高，计算过程简单的特点。程简单的特点。程简单的特点。
技术研发人员：张培勇 陈森超
受保护的技术使用者：浙江大学
技术研发日：2022.04.11
技术公布日：2022/7/5
