[发明专利]一种基于相空间重构的半监督深度学习电弧电压异常检测方法

说明书

本发明公开了一种基于相空间重构的半监督深度学习电弧电压异常检测方法，包括如下步骤：步骤(1)、构建电压电弧混沌时间序列数据集；步骤(2)、对电弧电压混沌时间序列进行相空间重构并用C‑C法估计相空间重构参数；步骤(3)、基于非异常数据的LSTM模型得出预测点；步骤(4)、构建端到端的异常评分网络；步骤(5)、基于欧式距离构建深度异常检测模型；步骤(6)、训练模型并对模型进行优化，多次对模型进行更新迭代后得到深度异常检测器。本发明对电弧故障的高隐蔽性、不确定性以及不稳定性，使用半监督学习来对模型进行学习，在减少数据采集困难的同时还能够提升模型的性能。

技术领域

本发明涉及电气故障诊断方法技术领域，具体涉及一种基于相空间重构的半监督深度学习电弧电压异常检测方法。

背景技术

为了在低压供配电系统中，导体因外绝缘体老化、电接触不良或断裂等原因可能会发生电弧故障。电弧故障是电路的非正常放电现象，如果电弧持续时间较长，极有可能引发电气火灾，存在着极大的安全隐患。在很多情况中，线路中电弧故障的发生并没有伴随着过大的电流，其电流很可能小于线路的额定电流，但是现有的熔断器、断路器等保护装置只能对过流、短路等情况进行检测和保护，对于电弧故障未必能起到很好的保护效果。电弧故障具有的高隐蔽性并且带有较强的破坏性，对电气系统的稳定运行产生重大的威胁。

在低压配电系统中，电弧故障类型主要可分为串联电弧、并联电弧和接地电弧，针对电弧故障诊断主要分为电弧数学模型诊断故障电弧、依据电弧发生时所产生的弧光、电磁波等物理现象检测故障电弧和基于线路电流和电压信号的时频特征诊断电弧故障。因电弧信号的不确定性、不稳定性且信号中含有较多的高频信息，基于电弧故障发生时的物理信号来诊断电弧故障具有较大的局限性，不能准确的诊断电弧故障。

国内外学者基于各类电弧模型对电弧的混沌特征做了深度研究，证明了电弧电流存在混沌特性。混沌是指在确定性系统中出现的一种无规则的、类似随机的现象，是非线性动力学系统所特有的一种运动形式。非线性系统的混沌预测主要有两种方法：基于非线性数学模型的动力学方法和基于实际观测的相空间重构法。因此，在本发明中，针对上述电弧故障具有的高隐蔽性、不确定性以及不稳定性，考虑使用相空间重构法将电弧电压信号放入高维空间,提出半监督深度学习电弧电压异常检测方法。

发明内容

本发明为了解决上述问题，提供了一种基于相空间重构的半监督深度学习电弧电压异常检测方法，该方法针对电弧故障的高隐蔽性、不确定性以及不稳定性，使用半监督学习来对模型进行学习，在减少数据采集困难的同时还能够提升模型的性能。

本发明采用如下技术方案：

一种基于相空间重构的半监督深度学习电弧电压异常检测方法，包括如下步骤：

步骤(1)、构建电压电弧混沌时间序列数据集；

步骤(2)、对电弧电压混沌时间序列进行相空间重构并用C-C法估计相空间重构参数；

步骤(3)、基于非异常数据的LSTM模型得出预测点；

步骤(4)、构建端到端的异常评分网络；

步骤(5)、基于欧式距离构建深度异常检测模型；

步骤(6)、训练模型并对模型进行优化，多次对模型进行更新迭代后得到深度异常检测器。

作为本发明的一种优选技术方案，所述步骤(1)中构建电压电弧混沌时间序列数据集的方法如下：

1、依据UL1699、GB14287.4标准搭建实际用电线路模拟平台，用示波器和电流传感器分别对电压、电流进行实时检测和采样，将模拟平台启动之后的电弧电压时间序列数据作为数据集T_non-anomaly；