基于卷积神经网络的故障电弧检测算法研究

【摘要】：可靠有效的故障电弧检测技术是防止电气火灾的关键,但在交流电气系统中,故障电弧的随机性、多样性和复杂性给故障电弧检测带来了巨大挑战,现有的故障电弧检测技术都存在着或多或少的缺点,对故障电弧检测技术的推广造成了巨大影响。本文在现有技术的基础上,进行了以下几方面的创新性研究:1.目前主流的故障电弧检测技术是人工提取电弧电流特征并通过模型进行分类,但人工提取的电流特征具有主观性和局限性,在一定程度上存在数据集之间可移植性差、泛化能力不佳等问题。针对这些问题,本文设计了一个直接以电流信号为输入的用于故障电弧检测的卷积神经网络模型,并采用空洞卷积等技术进行了一系列优化,通过在自建的实验数据集上与人工提取特征的方法进行比较,说明了卷积神经网络在故障电弧检测中的有效性和优越性。2.将注意力机制引入故障电弧检测技术。在卷积神经网络模型中加入卷积注意力模块,提出一种融合了通道注意力和空间注意力的卷积神经网络模型,并将该模型用于故障电弧检测。通过实验对比,证明了注意力机制有助于模型进行故障电弧检测。此外,还通过对模型学得的通道注意力和空间注意力进行可视化分析,说明了注意力机制在故障电弧检测中的可解释性。3.通过研究电弧电流特性与产生电弧的负载种类的相关性,提出了一种用于故障负载检测的多任务联合学习网络模型,该模型不仅能判断线路中是否发生故障电弧,还能识别产生故障电弧的具体负载种类,通过实验证明该模型在两个任务上的性能均高于单任务模型。此外,通过对负载种类重新划分和修改损失函数,提出了一种基于多任务学习的具有普遍适用性的故障电弧检测模型,该模型在本文研究中实现了最好的故障电弧检测性能,充分说明了故障负载识别任务的引入有助于提高模型的故障电弧检测性能。