电路状态检测方法、装置、设备、存储介质和程序产品

1.本技术涉及电路检测技术领域，特别是涉及一种电路状态检测方法、装置、设备、存储介质和程序产品。


背景技术：

2.光伏发电系统中包含大量的光伏组件，在长期运行中，光伏组件可能会发生老化、线路老化以及线路连接松弛等问题，这些问题会导致光伏组件阵列发生串联型或者并联型电弧故障。电弧故障可能引起火灾等事故，严重影响光伏发电系统的安全可靠运行。
3.传统技术中，通过采集电流的时域特征及频域特征，并将时域特征与频域特征与预设阈值进行比较，判断采集的电流为正常电流还是电弧电流。
4.然而，目前的电弧故障检测方式依赖于检测阈值的设置，检测结果不够准确。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种检测结果准确的的电路状态检测方法、装置、设备、存储介质和程序产品。
6.第一方面，本技术提供了一种电路状态检测方法。所述方法包括：
7.获取光伏发电系统的直流回路中的电流数据以及直流回路中可能出现的各种电路状态对应的状态数据；将电流数据输入至目标检测模型的编码器中，得到编码器输出的编码数据，目标检测模型包括编码器、解码器和分类器；将编码器输出的编码数据和状态数据输入至解码器中，得到解码器输出的解码数据；将解码器输出的解码数据输入至分类器中，得到分类器输出的分类信息，分类信息用于指示直流回路所处的电路状态。
8.在其中一个实施例中，将电流数据输入至目标检测模型的编码器中，得到编码器输出的编码数据，包括：
9.将电流数据输入至编码器中，通过编码器迭代执行n次编码过程，并将最后一次编码过程得到的编码数据作为编码器的输出。
10.在其中一个实施例中，n次编码过程中的第i次编码过程包括：
11.获取第i次编码过程对应的编码输入数据，在i＝1时，编码输入数据为电流数据，在i＞1时，编码输入数据为第i-1次编码过程得到的编码数据；将编码输入数据输入至编码器中，得到编码器输出的编码数据。
12.在其中一个实施例中，编码器包括级联的第一多头注意力机制层、第一残差与标准化层、第一前馈神经网络层以及第二残差与标准化层。
13.在其中一个实施例中，多头注意力机制层中的参数头的计算方式采用了加权融合操作。
14.在其中一个实施例中，将编码器输出的编码数据和状态数据输入至解码器中，得到解码器输出的解码数据，包括：
15.将编码器输出的编码数据和状态数据输入至解码器中，通过解码器迭代执行m次
解码过程，并将最后一次解码过程得到的解码数据作为解码器的输出。
16.在其中一个实施例中，m次解码过程中的第j次解码过程包括：
17.获取第j次解码过程对应的解码输入数据，在j＝1时，解码输入数据为编码器输出的编码数据和状态数据，在j＞1时，解码输入数据为第j-1次解码过程得到的解码数据和编码器输出的编码数据；将解码输入数据输入至解码器中，得到解码器输出的解码数据。
18.在其中一个实施例中，解码器包括级联的掩码多头注意力机制层、第三残差与标准化层、第二多头注意力机制、第四残差与标准化层、第二前馈神经网络层以及第五残差与标准化层。
19.在其中一个实施例中，目标检测模型的训练过程包括：
20.获取样本数据，样本数据包括样本电流数据和样本电流数据对应的真实电路状态的样本状态数据；将样本数据输入至初始检测模型中进行训练，以得到目标检测模型。
21.第二方面，本技术还提供了一种电路状态检测装置。装置包括：
22.获取模块，用于获取直流回路中的电流数据以及直流回路中可能出现的各种电路状态对应的状态数据；
23.编码模块，用于将电流数据输入至目标检测模型的编码器中，得到编码器输出的编码数据，目标检测模型包括编码器、解码器和分类器；
24.解码模块，用于将编码数据和状态数据输入至解码器中，得到解码器输出的解码数据；
25.分类模块，用于将解码数据输入至分类器中，得到分类器输出的分类信息，分类信息用于指示直流回路所处的电路状态。
26.在其中一个实施例中，该编码模块，具体用于将电流数据输入至编码器中，通过编码器迭代执行n次编码过程，并将最后一次编码过程得到的编码数据作为编码器的输出。
27.在其中一个实施例中，该编码模块，具体用于获取第i次编码过程对应的编码输入数据，在i＝1时，编码输入数据为电流数据，在i＞1时，编码输入数据为第i-1次编码过程得到的编码数据；将编码输入数据输入至编码器中，得到编码器输出的编码数据。
28.在其中一个实施例中，编码器包括级联的第一多头注意力机制层、第一残差与标准化层、第一前馈神经网络层以及第二残差与标准化层。
29.在其中一个实施例中，多头注意力机制层中的参数头的计算方式采用了加权融合操作。
30.在其中一个实施例中，该解码模块，具体用于将编码器输出的编码数据和状态数据输入至解码器中，通过解码器迭代执行m次解码过程，并将最后一次解码过程得到的解码数据作为解码器的输出。
31.在其中一个实施例中，该解码模块，具体用于获取第j次解码过程对应的解码输入数据，在j＝1时，解码输入数据为编码器输出的编码数据和状态数据，在j＞1时，解码输入数据为第j-1次解码过程得到的解码数据和编码器输出的编码数据；将解码输入数据输入至解码器中，得到解码器输出的解码数据。
32.在其中一个实施例中，解码器包括级联的掩码多头注意力机制层、第三残差与标准化层、第二多头注意力机制、第四残差与标准化层、第二前馈神经网络层以及第五残差与标准化层。
33.在其中一个实施例中，该装置还包括训练模块，该训练模块用于获取样本数据，样本数据包括样本电流数据和样本电流数据对应的真实电路状态的样本状态数据；将样本数据输入至初始检测模型中进行训练，以得到目标检测模型。
34.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一所述的电路状态检测方法。
35.第四方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一所述的电路状态检测方法。
36.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述第一方面任一所述的电路状态检测方法。
37.上述电路状态检测方法、装置、计算机设备、存储介质和计算机程序产品，首先，获取直流回路中的电流数据和可能出现的各种电路状态对应的状态数据；然后，将获取到的电流数据输入至目标检测模型的编码器中，得到所述编码器输出的编码数据，接着将编码数据和状态数据输入至目标检测模型的解码器中，得到解码器输出的解码数据；最后，将解码数据输入至目标检测模型的分类器中，得到分类器输出的分类信息，根据分类信息可以得到直流回路所处的电路状态。通过这种方式，将直流回路中的电流数据和各种电路状态对应的状态数据输入目标检测模型中，目标检测模型可以输出输入的电流数据对应的电路状态，通过该电路状态可以得到该直流回路是否发生了电弧故障，对电弧故障的检测结果更加准确。
附图说明
38.图1为一个实施例中电路状态检测方法的流程示意图；
39.图2为另一个实施例中编码器处理步骤的流程示意图；
40.图3为另一个实施例中解码器处理步骤的流程示意图；
41.图4为另一个实施例中目标检测模型训练的流程示意图；
42.图5为另一个实施例中训练次数与结果的示意图；
43.图6为另一个实施例中电路状态检测方法的流程示意图；
44.图7为另一个实施例中电路状态检测方法的流程图；
45.图8为另一个实施例中电路稳定运行的电流数据图；
46.图9为另一个实施例中电路中有电弧故障的电流数据图；
47.图10为另一个实施例中电路中有开关动作的电流数据图；
48.图11为另一个实施例中电路中有负载变化的电流数据图；
49.图12为另一个实施例中电路状态检测装置的结构框图；
50.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
52.光伏发电系统中包含大量的光伏组件，在长期运行中，光伏组件可能会发生老化、线路老化以及线路连接松弛等问题，这些问题会导致光伏组件阵列发生串联型或者并联型电弧故障。电弧故障可能引起火灾等事故，严重影响光伏发电系统的安全可靠运行。
53.有鉴于此，本技术通过获取光伏发电系统的直流回路中的电流数据，通过搭建检测模型对直流回路的电路状态进行检测，通过电路状态可确定电路中是否发生电弧故障，检测结果更准确。
54.在一个实施例中，如图1所示，提供了一种电路状态检测方法，以该方法应用于终端为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。该方法包括以下步骤：
55.步骤101，终端获取光伏发电系统的直流回路中的电流数据以及直流回路中可能出现的各种电路状态对应的状态数据。
56.其中，直流回路中可能出现的电路状态对应的状态数据包括电路稳定运行、电路发生电弧故障、电路中有开关动作以及电路中负载突变四种电路状态。获取的直流回路中的电流数据可以为一段时间内如10ms内的电流值。
57.步骤102，终端将电流数据输入至目标检测模型的编码器中，得到编码器输出的编码数据。
58.其中，目标检测模型包括编码器、解码器和分类器，目标检测模型基于transformer模型搭建。终端将获取到的直流回路中的10ms的电流数据输入目标检测模型的编码器中进行处理，然后输出编码数据，编码数据可以是编码器对输入电流数据进行处理后得到的矩阵。
59.步骤103，终端将编码器输出的编码数据和状态数据输入至解码器中，得到解码器输出的解码数据。
60.将编码器输出的对输入电流数据进行处理后得到的编码数据以及直流回路中可能出现的各种电路状态对应的状态数据输入解码器中进行处理，处理完成后输出解码数据，解码数据可以是和编码数据维度相同的矩阵。
61.步骤104，终端将解码器输出的解码数据输入至分类器中，得到分类器输出的分类信息。
62.其中，分类信息用于指示直流回路所处的电路状态。分类器可以采用softmax激活函数，softmax激活函数常用于分类网络，将解码器输出的解码数据输入至softmax激活函数中，softmax激活函数可以根据给定的电路状态对应的状态数据，输出输入电流数据被划分到各个状态数据类别的概率分布。根据该概率分布可以得到分类信息，即得到输入电流数据所对应的电路状态。
63.上述电路状态检测方法，首先，获取直流回路中的电流数据和可能出现的各种电路状态对应的状态数据；然后将获取到的电流数据输入至目标检测模型的编码器中，得到所述编码器输出的编码数据，接着将编码数据和状态数据输入至目标检测模型的解码器中，得到解码器输出的解码数据；最后，将解码数据输入至目标检测模型的分类器中，得到分类器输出的分类信息，根据分类信息可以得到直流回路所处的电路状态。通过这种方式，
将直流回路中的电流数据和各种电路状态对应的状态数据输入目标检测模型中，目标检测模型可以输出输入的电流数据对应的电路状态，通过该电路状态可以得到该直流回路是否发生了电弧故障，对电弧故障的检测结果更加准确。
64.在本技术的一个实施例中，目标检测模型的编码器需要循环执行，来对输入电流数据进行处理，具体步骤包括：将电流数据输入至编码器中，通过编码器迭代执行n次编码过程，并将最后一次编码过程得到的编码数据作为编码器的输出。
65.可选的，本技术经过多次对目标检测模型的优化选取参数n＝6，即编码器需要循环执行6次，当执行完最后一次时输出的编码数据也即是编码器的输出，然后将此编码器的输出输入解码器中继续进行处理。
66.其中，编码器的n次编码过程中，如图2所示，每一次的编码过程步骤包括：
67.步骤201，终端获取第i次编码过程对应的编码输入数据。
68.其中，编码输入数据的确定有两种方式，当i＝1时，也即编码器进行第一次循环，编码输入数据为目标检测模型输入的电流数据，在i＞1时，编码输入数据为第i-1次编码过程得到的编码数据，即当编码器不为第一次迭代时，编码输入数据为上一次编码过程输出的编码数据。例如当i＝3时，编码输入数据为第二次编码过程输出的编码数据。
69.步骤202，终端将编码输入数据输入至编码器中，得到编码器输出的编码数据。
70.获取到编码输入数据后将编码输入数据输入至编码器中，编码器对编码输入数据经过处理得到编码数据。
71.可选的，编码器包括级联的第一多头注意力机制层、第一残差与标准化层、第一前馈神经网络层以及第二残差与标准化层。
72.其中，第一多头注意力机制层对输入电流数据从多个维度提取特征信息，由于第一多头注意力机制层在处理过程中读取数据的方式是并行的，所以需要对输入的电流数据进行位置编码，这样第一多头注意力机制层在处理过程中能够分清数据的时间顺序。第一残差与标准化层将位置编码完成的电流数据与第一多头注意力机制层处理输出的数据相加形成残差，然后将残差进行归一化处理后输出至第一前馈神经网络层中。第一前馈神经网络层采用的前馈神经网络是人工神经网络的一种，将第一残差与标准化层输出的数据进行处理后输出至第二残差与标准化层进行处理。第二残差与标准化层的功能与第一残差与标准化层相同，均为计算残差以及对数据进行归一化处理。第二残差与标准化层处理完成后，一次编码器的迭代过程完成，当迭代次数i小于6时，继续进行下一次编码过程的处理。
73.在本技术的一个实施例中，多头注意力机制层中的参数头的计算方式采用了加权融合操作。
74.多头注意力也即是有多个head(头)，在初始的transformer模型中，多头注意力机制层中的各个head计算出的结构直接进行串接然后进入全连接层，本技术对head做了进一步改进，对head进行加权差。head的加权融合需要修改初始transformer模型中的多头注意力机制层与fnn(feed forward networks，前馈神经网络)。具体计算方式如下述公式所示。
75.headi＝attention(qw
iq
,kw
ik
,vw
iv
)
76.stdheadi＝std(headi)
77.[0078][0079]
其中，ki，αi分别为进入全连接层前后各个head的权重；q，k，v是由输入的数据经过线性变换得到，矩阵w经过学习得到，m为多头注意力中head的个数。o表示使用关系，是权重和v相乘得到结果，stdheadi为headi的标准差。ffn：(feed forward networks，前馈神经网络)。
[0080]
上述实施例中，通过对多头注意力机制层中的参数头的计算方式采用加权融合的算法，经过实际验证，提高了目标检测模型的准确性。
[0081]
在一个实施例中，目标检测模型的解码器同样需要循环执行，对输入的编码数据和状态数据进行处理，具体步骤包括：将编码器输出的编码数据和状态数据输入至解码器中，通过解码器迭代执行m次解码过程，并将最后一次解码过程得到的解码数据作为解码器的输出。
[0082]
可选的，本技术经过多次对目标检测模型的优化选取参数m＝6，即解码器需要循环执行6次，当执行完最后一次时输出的解码数据也即是解码器的输出，然后将此解码器的输出输入分类器中继续进行处理。
[0083]
其中，解码器的m次编码过程中，如图3所示，每一次的解码过程步骤包括：
[0084]
步骤301，终端获取第j次解码过程对应的解码输入数据。
[0085]
在j＝1时，解码输入数据为编码器输出的编码数据和状态数据，在j＞1时，解码输入数据为第j-1次解码过程得到的解码数据和编码器输出的编码数据。
[0086]
其中，解码输入数据的确定有两种方式，当j＝1时，也即解码器进行第一次循环，解码输入数据为编码器输出的编码数据和输入的状态数据，在j＞1时，解码输入数据为第j-1次解码过程得到的解码数据和编码器输出的编码数据，即当解码器不为第一次迭代时，解码输入数据为上一次解码过程输出的解码数据和编码器输出的编码数据。例如当j＝3时，解码输入数据为第二次解码过程输出的解码数据和编码器输出的编码数据。
[0087]
步骤302，终端将解码输入数据输入至解码器中，得到解码器输出的解码数据。
[0088]
获取到解码输入数据后将解码输入数据输入至解码器中，解码器对解码输入数据经过处理得到解码数据。
[0089]
在一个实施例中，解码器包括级联的掩码多头注意力机制层、第三残差与标准化层、第二多头注意力机制层、第四残差与标准化层、第二前馈神经网络层以及第五残差与标准化层。
[0090]
解码器与上述编码器相比，增加了掩码多头注意力机制层以及对应的第三残差与标准化层。解码输入数据输入解码器中，先经过掩码多头注意力机制层以及第三残差与标准化层进行处理，然后输出至第二多头注意力机制层中，其他层的处理方式与编码器的处理方式相同。
[0091]
在本技术的一个实施例中，在搭建好初始检测模型后，需要使用样本数据对模型进行训练，从而得到目标检测模型，如图4所示，训练过程包括：
[0092]
步骤401，终端获取样本数据。
[0093]
其中，样本数据包括样本电流数据和样本电流数据对应的真实电路状态的样本状态数据。样本电流数据为直流回路中采集到的不同电路状态对应的电流数据，例如采集电
路稳定运行时的电流数据，发生电弧故障时的电流数据，回路中有开关动作的电流数据以及回路中负载突变的电流数据，每种类型采集10ms的电流数据作为样本电流数据以及该样本电流数据对应的真实电路状态的样本状态数据为一组样本数据，为保证模型检测的准确性，需要采集不同电路状态的的多组样本数据来对模型进行训练。
[0094]
步骤402，终端将样本数据输入至初始检测模型中进行训练，以得到目标检测模型。
[0095]
将样本数据输入搭建好的初始检测模型中进行训练，例如本技术选取了6570组10ms的电流数据以及对应的电路状态作为样本数据对模型进行训练。如图5所示，经过对6570组数据进行30次训练后，初始检测模型根据输入的电流数据输出的电路状态与电流数据对应的真实电路状态的检测成功率达到99.57％，如图5中实线所示。根据不同的训练次数得到的目标检测模型，使用690组测试数据进行验证，模型预测的成功率达到97.21％，如图5中虚线所示。由上述可得经过30次训练后，模型检测的准确率高，此时得到目标检测模型。
[0096]
在本技术的实施例中，请参考图6，其示出了本技术实施例提供的一种电路状态检测方法的流程图，该电路状态检测方法包括以下步骤：
[0097]
步骤601，终端获取光伏发电系统的直流回路中的电流数据以及直流回路中可能出现的各种电路状态对应的状态数据。
[0098]
步骤602，终端获取第i次编码过程对应的编码输入数据。
[0099]
步骤603，终端将编码输入数据输入至编码器中，得到编码器输出的编码数据。
[0100]
步骤604，终端获取第j次解码过程对应的解码输入数据。
[0101]
步骤605，终端将解码输入数据输入至解码器中，得到解码器输出的解码数据。
[0102]
步骤606，终端将解码器输出的解码数据输入至分类器中，得到分类器输出的分类信息。
[0103]
为了方便读者理解本技术实施例提供的技术方案，对本技术的目标检测算法进行举例说明，请参考图，图7为电路状态检测方法的流程图，具体步骤如下：
[0104]
(1)获取直流回路中的电流数据和可能的电路状态的状态数据。
[0105]
选取10ms稳定运行时的电流数据如图8所示，10ms发生电弧故障时的电流数据如图9所示，10ms回路中有开关动作的电流数据如图10所示，以及10ms回路中负载突变的电流数据如图11所示。
[0106]
(2)对输入的电流数据进行位置编码。
[0107]
(3)将输入的电流数据输入编码器中进行迭代处理。
[0108]
(4)编码器迭代执行6次后完成，输出编码数据，然后输入解码器中进行迭代处理。
[0109]
nx为编码器的循环次数，编码器循环次数未达到6次时，依次进行第一多头注意力机制层、第一残差和标准化层、第一前馈神经网络层以及第二残差和标准化层处理，循环次数nx为6时，输出编码数据至解码器中。
[0110]
(5)解码器迭代执行6次后完成，输出解码数据至softmax激活函数处理。
[0111]
ny为解码器的循环次数，解码器循环次数未达到6次时，依次进行掩码多头注意力层、第三残差和标准化层、第二多头注意力机制层、第四残差和标准化层、第二前馈神经网络层以及第五残差和标准化层处理，循环次数ny为6时，输出解码数据至softmax激活函数
中。
[0112]
(6)输出电流数据对应的电路状态的分类结果。
[0113]
softmax激活函数可以根据给定的电路状态对应的状态数据，输出输入电流数据被划分到各个状态数据类别的概率分布。根据该概率分布可以得到分类信息，即得到输入电流数据所对应的电路状态。
[0114]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0115]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电路状态检测方法的电路状态检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电路状态检测装置实施例中的具体限定可以参见上文中对于电路状态检测方法的限定，在此不再赘述。
[0116]
在一个实施例中，如图12所示，提供了一种电路状态检测装置1200，包括：获取模块1201、编码模块1202、解码模块1203和分类模块1204，其中：
[0117]
该获取模块1201，用于获取直流回路中的电流数据以及直流回路中可能出现的各种电路状态对应的状态数据；
[0118]
该编码模块1202，用于将电流数据输入至目标检测模型的编码器中，得到编码器输出的编码数据，目标检测模型包括编码器、解码器和分类器；
[0119]
该解码模块1203，用于将编码数据和状态数据输入至解码器中，得到解码器输出的解码数据；
[0120]
该分类模块1204，用于将解码数据输入至分类器中，得到分类器输出的分类信息，分类信息用于指示直流回路所处的电路状态。
[0121]
在其中一个实施例中，该编码模块1202，具体用于将电流数据输入至编码器中，通过编码器迭代执行n次编码过程，并将最后一次编码过程得到的编码数据作为编码器的输出。
[0122]
在其中一个实施例中，该编码模块1202，具体用于获取第i次编码过程对应的编码输入数据，在i＝1时，编码输入数据为电流数据，在i＞1时，编码输入数据为第i-1次编码过程得到的编码数据；将编码输入数据输入至编码器中，得到编码器输出的编码数据。
[0123]
在其中一个实施例中，编码器包括级联的第一多头注意力机制层、第一残差与标准化层、第一前馈神经网络层以及第二残差与标准化层。
[0124]
在其中一个实施例中，多头注意力机制层中的参数头的计算方式采用了加权融合操作。
[0125]
在其中一个实施例中，该解码模块1203，具体用于将编码器输出的编码数据和状态数据输入至解码器中，通过解码器迭代执行m次解码过程，并将最后一次解码过程得到的解码数据作为解码器的输出。
[0126]
在其中一个实施例中，该解码模块1203，具体用于获取第j次解码过程对应的解码输入数据，在j＝1时，解码输入数据为编码器输出的编码数据和状态数据，在j＞1时，解码输入数据为第j-1次解码过程得到的解码数据和编码器输出的编码数据；将解码输入数据输入至解码器中，得到解码器输出的解码数据。
[0127]
在其中一个实施例中，解码器包括级联的掩码多头注意力机制层、第三残差与标准化层、第二多头注意力机制、第四残差与标准化层、第二前馈神经网络层以及第五残差与标准化层。
[0128]
在其中一个实施例中，该装置还包括训练模块，该训练模块用于获取样本数据，样本数据包括样本电流数据和样本电流数据对应的真实电路状态的样本状态数据；将样本数据输入至初始检测模型中进行训练，以得到目标检测模型。
[0129]
上述电路状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0130]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电路状态检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0131]
本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0132]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中所提供的电路状态检测方法。
[0133]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中所提供的电路状态检测方法。
[0134]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中所提供的电路状态检测方法。
[0135]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0137]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0138]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。