设备电弧故障检测方法、装置、设备及存储介质与流程

本发明涉及电路保护领域，具体涉及一种基于时间序列预测模型的设备电弧故障检测方法、装置、设备及存储介质。

背景技术：

1、在现如今的配用电系统运行过程中，电弧故障不能被普通的熔断器、断路器等过流保护装置所识别，发生危险事故，现有的电弧故障检测方法为小波系数方差、差分功率处理结构，或综合利用线电压、电源电压等信息的串联直流电弧故障检测方法，但大多是利用电流或电压的表层特征，比如电流和电压的最大幅值、电流和电压的频率、平均电流和电压等，并不断地增加实验样本并持续进行特征筛选。现有方法对数据之间的关联性分析存在缺失，导致故障检测的准确性不高。因此，需要一种提高检测准确率的电弧故障检测方案。

技术实现思路

1、本发明的主要目的在于解决现有的电弧故障检测方案存在的处理数据量大、准确率低的技术问题。

2、本发明第一方面提供了一种基于时间序列预测模型的设备电弧故障检测方法，所述设备电弧故障检测方法包括：获取特定时间段内的设备电气数据，并对所述设备电气数据进行预处理，得到数据点序列；基于预设时间序列预测模型，对所述数据点序列中的各数据点进行特征提取，得到所述数据点序列的特征量序列；利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。

3、可选的，在本发明第一方面的第一种实现方式中，所述获取特定时间段内的设备电气数据，并对所述设备电气数据进行预处理，得到数据点序列，包括：基于采集设备从待检测电路中获取的特定时间段内的设备电气数据，并将所述设备电气数据按照时间标记进行排列；对各设备电气数据进行绝对偏差计算，得到离群点，并将所述离群点从各所述数据点中剔除，得到数据点序列。

4、可选的，在本发明第一方面的第二种实现方式中，所述对各设备电气数据进行绝对偏差计算，得到离群点，包括：基于各所述设备电气数据的数值大小进行排序，得到所述设备电气数据的中位数，并将各所述设备电气数据与所述中位数进行差值计算，得到各所述设备电气数据到中位数的绝对偏差；将各所述绝对偏差与预设安全偏差进行比较，判断所述绝对差值是否大于预设安全偏差；若大于，则将所述绝对偏差对应的设备电气数据确定为离群点。

5、可选的，在本发明第一方面的第三种实现方式中，所述基于预设时间序列预测模型，对所述数据点序列中的各数据点进行特征提取，得到所述数据点序列的特征量序列，包括：基于指数平滑算法对所述数据点序列进行运算，得到所述数据点序列的一次平滑值；基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值；将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型，得到所述数据点序列的特征量序列。

6、可选的，在本发明第一方面的第四种实现方式中，所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型，得到所述数据点序列的特征量序列，包括：基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值，并将所述参数变量值作为二次指数平滑模型的输入，输出当前时间段的预测值，得到所述数据点序列的特征量序列。

7、可选的，在本发明第一方面的第五种实现方式中，在所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型，得到所述数据点序列的特征量序列之后，还包括：基于预设单位从对应的预设数值区间内依次获取算法参数，并将所述算法参数依次组合，其中，所述算法参数包括平滑系数、平滑算法初始值和预测超前期数；基于组合后的算法参数，生成对应的特征量波形曲线，并通过优化算法确定所述特征量波形曲线对应的最优算法参数；将所述最优算法参数作为预设时间序列预测模型的目标算法参数。

8、可选的，在本发明第一方面的第六种实现方式中，所述利用预设深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测，包括：获取当前电路中采集的正常状态下的设备电气数据，并计算正常状态下的平均值；

9、将所述特征量数据序列的绝对值与所述绝对值相比，得到所述特征量序列的提升比，并判断所述提升比是否超过预设安全区间；若未超过，则将所述特征量序列输入至预设深度学习模型，得到模型输出结果；若所述输出结果为故障，则确认设备电弧故障。

10、可选的，在本发明第一方面的第七种实现方式中，所述在所述将所述特征量序列输入至预设深度学习模型，得到模型输出结果之前，还包括：获取在至少两种电极材料中的特征量序列的提升比，并判断所述提升比是否超过预设安全区间，得到判断结果；将所述判断结果与实际电路故障结果进行比较，训练深度学习检测模型，得到预设深度学习模型。

11、本发明第二方面提供了一种基于时间序列预测模型的设备电弧故障检测装置，所述设备电弧故障检测装置包括：

12、预处理模块，用于获取特定时间段内的设备电气数据，并对所述设备电气数据进行预处理，得到数据点序列；

13、预测模块，用于基于预设时间序列预测模型，对所述数据点序列中的各数据点进行特征提取，得到所述数据点序列的特征量序列；

14、确定模块，用于利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。

15、可选地，在本发明第二方面的第一种实现方式中，所述预处理模块包括：

16、排列单元，用于基于采集设备从待检测电路中获取的特定时间段内的设备电气数据，并将所述设备电气数据按照时间标记进行排列；

17、剔除单元，用于对各设备电气数据进行绝对偏差计算，得到离群点，并将所述离群点从各所述数据点中剔除，得到数据点序列。

18、可选地，在本发明第二方面的第二种实现方式中，所述剔除单元具体用于：基于各所述设备电气数据的数值大小进行排序，得到所述设备电气数据的中位数，并将各所述设备电气数据与所述中位数进行差值计算，得到各所述设备电气数据到中位数的绝对偏差；将各所述绝对偏差与预设安全偏差进行比较，判断所述绝对差值是否大于预设安全偏差；若大于，则将所述绝对偏差对应的设备电气数据确定为离群点。

19、可选地，在本发明第二方面的第三种实现方式中，所述预测模块包括：

20、第一运算单元，用于基于指数平滑算法对所述数据点序列进行运算，得到所述数据点序列的一次平滑值；

21、第二运算单元，用于基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值；

22、输入单元，用于将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型，得到所述数据点序列的特征量序列。

23、可选地，在本发明第二方面的第四种实现方式中，所述输入单元具体用于：基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值，并将所述参数变量值作为二次指数平滑模型的输入，输出当前时间段的预测值，得到所述数据点序列的特征量序列。

24、可选地，在本发明第二方面的第五种实现方式中，所述输入单元还用于：基于预设单位从对应的预设数值区间内依次获取算法参数，并将所述算法参数依次组合，其中，所述算法参数包括平滑系数、平滑算法初始值和预测超前期数；基于组合后的算法参数，生成对应的特征量波形曲线，并通过优化算法确定所述特征量波形曲线对应的最优算法参数；将所述最优算法参数作为预设时间序列预测模型的目标算法参数。

25、可选地，在本发明第二方面的第七种实现方式中，所述确定模块包括：

26、获取单元，用于获取当前电路中采集的正常状态下的设备电气数据，并计算正常状态下的平均值；

27、比较单元，用于将所述特征量数据序列的绝对值与所述绝对值相比，得到所述特征量序列的提升比，并判断所述提升比是否超过预设安全区间；

28、结果判断单元，用于若未超过，则将所述特征量序列输入至预设深度学习模型，得到模型输出结果；若所述输出结果为故障，则确认设备电弧故障。

29、

30、可选地，在本发明第二方面的第八种实现方式中，所述结果判断单元具体用于：获取在至少两种电极材料中的特征量序列的提升比，并判断所述提升比是否超过预设安全区间，得到判断结果；将所述判断结果与实际电路故障结果进行比较，训练深度学习检测模型，得到预设深度学习模型。

31、本发明的第三方面提供了一种基于时间序列预测模型的设备电弧故障检测设备，所述设备电弧故障检测设备包括存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述设备电弧故障检测设备执行如上所述的设备电弧故障检测方法的各个步骤。

32、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现如上所述设备电弧故障检测方法的各个步骤。

33、本发明提供的技术方案中，通过获取特定时间段内的设备电气数据，并进行预处理得到数据点序列，基于预设时间序列预测模型，对数据点序列中的各数据点进行特征提取，得到特征量序列，利用预设的深度学习模型对特征量序列进行电弧故障预测，并计算预测结果的准确率，基于特征量序列的提升比和准确率实现设备的电弧故障检测。本方案通过使用二次指数平滑算法进行特征提取，实现权数由近到远按指数规律递减，并在数据模式发生变化时，自动识别数据模式的变化而加以调整，有效减小了预测偏差，提高了设备电弧故障检测的准确率，降低了设备电弧故障检测成本。