[0001] 本实用新型涉及电力监测技术领域，特别是涉及一种基于深度神经网络的电气火灾预警装置。

[0002] 电弧故障是引发电气火灾的主要原因，传统的电气保护装置，例如熔断器、断路器、剩余电流动作保护器等，只能检测出过载、短路和接地故障电流，无法检测出故障电弧。当线路过载或不良的电气连接导致绝缘层老化、破损时，都可能产生故障电弧。仅仅几个安培大小的电弧电流就可能产生2000～4000℃的局部高温。故障电弧的这种特性使得其危害异常严重，一方面，较小的故障电流使得电弧故障难以被准确检测出来，另一方面，故障电弧产生的高温可能导致用电设备被烧毁、引发火灾等，其后果不堪设想。

[0003] 不同负载及其电路连接方式使得电弧波形具有复杂性，电弧特征在不同的条件下(负载种类、电弧发生的位置等)呈现出较大的波动，仅通过对几个特征进行阈值判断这种简单的检测方式，难以准确检测出故障电弧。随着人工智能技术的快速发展，从机器学习的视角出发，通过采集到的数据样本训练一个分类器，然后用这个分类器对测试样本进行预测，将测试样本标记为正常状态或故障状态，可以提升电弧故障识别的准确率，实现对电气火灾的预警。实用新型内容

[0004] 本实用新型的目的为解决不同负载及其电路连接方式使得阈值设置困难、故障电弧识别准确率不高等问题，提供了一种简单易用、高可靠的基于深度神经网络的电气火灾预警装置，为了实现上述目的，本实用新型采用的技术方案如下：

[0005] 一种基于深度神经网络的电气火灾预警装置，包括信号调理单元、A/D采样单元、微处理器单元、远程通信单元、人机交互单元和电源管理单元；所述的信号调理单元的输入端输入电网电压信号，信号调理单元的输出端连接A/D采样单元的输入端；A/D采样单元输出采样数据到微处理器单元的输入端，微处理器单元对采样数据进行特征提取和特征选择后，输出给远程通信单元和人机交互单元；电源管理单元为供电单元，为信号调理单元、A/D采样单元、微处理器单元、远程通信单元、人机交互单元供电。

[0006] 进一步的，所述的信号调理单元包括电压回路和电流回路；所述的电压回路利用电压互感器将输入的电网电压信号调理后发送至A/D采样单元；所述的电流回路将前端输入的电流信号调理后发送至A/D采样单元。

[0007] 进一步的，所述的电压回路包括电阻R1、电阻R2、电阻R3、电阻R4、电压互感器T1、电容C1、电容C2、电容C3、二极管D1和二极管D2；电压互感器T1的一次侧的一端串联电阻R1，电压互感器T1的二次侧的一端串联电阻R3后作为电压回路的输出端的一端输出电压VN，电压互感器T1的二次侧的另一端串联电阻R4后作为电压回路的输出端的另一端输出电压VA；电容C1和电阻R2分别并联在电压互感器T1的二次侧的两端；电容C2连接在电压回路的输出端的一端和地之间；电容C3连接在电压回路的输出端的另一端和地之间；二极管D1的阳极和二极管D2的阴极连接电压回路的输出端的一端，二极管D1的阴极接入电压VCC；二极管D2的阳极接地。

[0008] 进一步的，所述的电流回路包括电阻R80、电阻R81、电阻R82、电阻R83、电容C81和电容C82；电阻R80的一端与电阻R82的一端连接并作为电流回路的输入正，电阻R81的一端与电阻R83的一端连接并作为电流回路的输入负；电阻R80的另一端连接电阻R81的另一端；电阻R82的另一端作为电流回路的输出端的一端，电阻R83的另一端作为电流回路的输出端的另一端；电容C80和电阻C81串联后连接在电流回路的输出端的两端之间。

[0009] 进一步的，所述的A/D采样单元包括过零检测及锁相环电路，所述的过零检测及锁相环电路包括电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电阻R10、电阻R11、电阻R2、电容C4、电容C5、电容C6、二极管D1、二极管D2、双电压比较芯片、压控振荡器和分频器；电阻R12的一端作为A/D采样单元的输入端；电阻R12的另一端连接电阻R5的一端、电容C4的一端和双电压比较芯片正输入端；电阻R5的另一端和电容C4的另一端接地；二极管D1的阳极和二极管D2的阴极接地，二极管D1的阴极和二极管D2的阳极连接双电压比较芯片正输入端；电阻R6连接在双电压比较芯片的负输入端和地之间；双电压比较芯片的输出端经过电阻R7后连接到压控振荡器的输入端；压控振荡器的输出端连接分频器的时钟输入端，经分频器分频后回馈到压控振荡器的鉴相器输入端，经压控振荡器处理后从输出端输出倍频信号。

[0010] 进一步的，所述的微处理器单元包括特征提取模块和特征选择模块；所述的特征提取模块用于提取A/D采样单元发送过来的采样数据中的特征值，所述的特征选择模块根据特征值，判断是电网的状态是电弧故障或正常运行。

[0011] 进一步的，所述的特征提取模块提取的特征值包括但不限于：零休时间、电流变化速率、电流平均值的绝对值、电流的周期性、各次谐波含有率、总谐波畸变率、子带能量比、频率质心。

[0012] 本实用新型的基于深度神经网络的电气火灾预警装置，通过已训练的深度神经网络模型，大大简化电弧故障识别阈值设置困难，解决了不同负载及其电路连接方式使得故障电弧识别准确率不高的问题。利用深度神经网络模型减少了电弧故障识别中的误判断，提高系统运行的安全性。同时装置集成电路更加小型化,成本更加低廉，而诊断故障的准确性实现集成模块化，能够安装到旧的配电箱、断路器等电气设备中，应用范围得到多元化。

[0020] 下面结合附图对本公开实施例进行详细描述。

[0021] 以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

[0022] 实施例一

[0023] 本实用新型的基于深度神经网络的电气火灾预警装置，包括信号调理单元、A/D采样单元、微处理器单元、远程通信单元、人机交互单元和电源管理单元。信号调理单元的输入端输入电网的电压信号，信号调理单元的输出端连接A/D采样单元的输入端；A/D采样单元输出采样数据到微处理器单元的输入端，微处理器单元对采样数据进行特征提取和特征选择后，输出给远程通信单元和人机交互单元。电源管理单元为供电单元，为信号调理单元、A/D采样单元、微处理器单元、远程通信单元、人机交互单元供电。

[0024] 信号调理单元包括电压回路和电流回路。电压回路如图2所示，包括电阻R1、电阻R2、电阻R3、电阻R4、电压互感器T1、电容C1、电容C2、电容C3、二极管D1和二极管D2。电压互感器T1的一次侧的一端串联电阻R1，电压互感器T1的二次侧的一端串联电阻R3后作为电压回路的输出端的一端输出电压VN，电压互感器T1的二次侧的另一端串联电阻R4后作为电压回路的输出端的另一端输出电压VA。电容C1和电阻R2并联在电压互感器T1的二次侧的两端。电容C2连接在电压回路的输出端的一端和地之间。电容C3连接在电压回路的输出端的另一端和地之间。二极管D1的阳极和二极管D2的阴极连接电压回路的输出端的一端，二极管D1的阴极接入电压VCC。二极管D2的阳极接地。

[0025] 电压回路为三相电压，电压互感器T1采用星格高精度微型电压互感器SPT‑2MA/2MA。通过串联R1将220V或380V一次电压变成低压，利用2mA：2mA的互感器SPT‑2MA/2MA调理至合适的电压信号，送至A/D采样单元。

[0026] 电流回路如图3所示，包括电阻R80、电阻R81、电阻R82、电阻R83、电容C81和电容C82。电阻R80的一端与电阻R82的一端连接并作为电流回路的输入正，电阻R81的一端与电阻R83的一端连接并作为电流回路的输入负。电阻R80的另一端连接电阻R81的另一端。电阻R82的另一端作为电流回路的输出端的一端，电阻R83的另一端作为电流回路的输出端的另一端。电容C80和电阻C81串联后连接在电流回路的输出端的两端之间。

[0027] 电流回路根据输入的电流信号包括相电流信号和零序电流信号，因此前端需要一个相电流互感器和零序电流互感器。

[0028] 对于相电流，相电流互感器采用了南京择明公司生产的ZMCT118F微型精密电流互感器，该电流互感器为PBT外壳，额定的输入电流为30A，电流变比为1000:1，线性度达到0.1％，相角差度≤10度，具有精度高、工作范围宽的优点。零序电流互感器则是委托互感器厂家定制，零序电流变比为50:1，适合用于低压小电流系统中。相电流互感器和零序电流互感器输出电流信号后，通过电阻取得小电压信号，再把此电压信号经过滤波，变为A/D采样单元的芯片可以直接采样用信号。电路中，由于电流互感器起到了隔离作用，降低了外部干扰对系统内部产生的影响。同时考虑到需要监测信号的突变和谐波成分，设计信号调理单元时尽量避免过多电容，以免产生不必要的滤波和相移。

[0029] A/D采样单元至少包括过零检测及锁相环电路，如图4所示。其中包括电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电阻R10、电阻R11、电阻R2、电容C4、电容C5、电容C6、二极管D1、二极管D2、双电压比较芯片、压控振荡器和分频器；电阻R12的一端作为A/D采样单元的输入端；电阻R12的另一端连接电阻R5的一端、电容C4的一端和双电压比较芯片正输入端；电阻R5的另一端和电容C4的另一端接地；二极管D1的阳极和二极管D2的阴极接地，二极管D1的阴极和二极管D2的阳极连接双电压比较芯片正输入端；电阻R6连接在双电压比较芯片的负输入端和地之间；双电压比较芯片的输出端经过电阻R7后连接到压控振荡器的输入端；压控振荡器的输出端连接分频器的时钟输入端，经分频器分频后回馈到压控振荡器的鉴相器输入端，经压控振荡器处理后从输出端输出倍频信号。

[0030] 微处理器单元自带A/D采样通道不够，考虑到电弧故障诊断的需要，本单元选用了ADI公司生产的八通道A/D采样芯片AD7997，该芯片的数据读写以及模式控制是通过I2C协议来进行通信，与微处理器单元进行数据交换。为实现三相四线制系统，三相电压、三相电流和零序电流的同步采样，设计过零检测及锁相环电路，以满足三相电压、电流的同步采样。过零检测电路采用双电压比较芯片LM393，锁相环电路采用芯片CD4046。

[0031] 微处理器单元包括特征提取模块和特征选择模块。特征提取模块用于提取A/D采样单元发送过来的采样数据中的特征值，特征选择模块根据特征值，判断是电网的状态是电弧故障或正常运行。

[0032] 微处理器单元采用STM32F767ZIT6U控制器，该控制器具有32位ARM Cortex‑M7+FPU+Chrom‑ART加速器，最大216MHzCPU主频，还具有USB、以太网、高级控制定时器等众多外设，通过扩展的STM32微控制器开发生态系统STM32CubeMX，增加了先进的人工智能AI功能，完全满足本装置的深度神经网络的计算要求。

[0033] 通过STM32CubeMX自带的X‑CUBE‑AI(Artificial intelligent)插件功能，可以给现有的STM32 M7高性能的处理器添加基于训练好的ANN的模型用于不同的数据分析处理。

[0034] 使用STM32Cube.AI简化了人工神经网络映射，提高整个装置的开发效率，主要表现为：1)可与流行的深度学习培训工具互操作，支持Caffe、Keras(带有TensorFlow后台)、Lasagne、ConvnetJS框架；2)兼容许多IDE和编译器，如Keil、IAR、System Workbench等等；3)传感器和RTOS无关；4)允许多个人工神经网络在单个STM32MCU上运行；5)完全支持超低功耗STM32MCU。

[0035] 利用深度学习的强大功能提高信号处理性能并提高STM32应用程序的生产率。创建人工神经网络并将其映射到STM32(通过CubeMx自动生成优化的代码)，而无需手动构建代码。

[0036] 由于电力系统中的正常电流信号与串联型故障电弧的电流特性十分相似,故障电弧的正确识别十分困难,找到能够准确识别串联故障电弧的方法很关键。该单元包括特征提取和特征选择。

[0037] 其中，特征提取，主要涉及8类特征：1)零休时间，电弧故障有熄灭和重燃的特性，每个周期都会出现一段电流瞬时值等于0的时间；2)电流变化速率，电弧故障发生时，电流瞬时值变化速翠通常会加快，将一个周期内的相邻采样数据作差，取其中的最大值和最小值；3)电流平均值的绝对值，发生电弧故障时，电流的正负半周波形不再对称，用电流平均值的绝对值可以反映电流正负半周波形不对称的程度；4)电流的周期性，对于激励是正弦波的电路，通常在电路稳定之后，电流波形呈现周期性变化，而发生电弧故障后，由于电弧的电磁反应过程，电流的周期性被破坏，将相邻周期的电流数据进行比较，以衡量电流周期性被破坏的程度。5)各次谐波含有率；6)总谐波畸变率；7)子带能量比，频域中各子带能量与总能量的比值；8)频率质心，反映了电流信号频率分布的中心。

[0038] 其中，特征选择主要采用Keras架构完成电弧故障的检测。在数据方面，参考GB/T 31143‑2014标准，进行了串联电弧故障试验、并联电弧故障试验、抑制性负载屏蔽试验、误脱扣试验，采集了各种负载在正常状态和故障状态下的电流数据，形成了电弧试验数据集。
该数据集基本涵盖GB/T31143‑2014标准规定的测试项目，以这个数据集为基础，借助性能强大的人工智能与深度学习训练平台，完成对试验电流5A的电阻、空压机、手枪电阻等多种负载的上述8类特征的数据进行统计、分析及训练。统计量包括特征的波动范围和平均值。
根据统计量，研究负载种类和线路状态对特征取值的影响。考虑到本微处理器单元的计算能力，从深度神经网络按不同层的位置划分，深度神经网络内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图5所示。第一层是输入层，神经网络的输入层神经元个数等于特征维数，为8类特征，最后一层是输出层，输出层包含1个神经元，为电弧故障和正常运行，而中间的层数都是隐藏层，隐层神经元个数参考经验公式确定。

[0039] 远程通信单元。远程通信单元实现RS485和物联通信功能。RS485功能用于与其他设备或系统组网，将电气火灾预警输出至远程系统。采用+3.3V低功耗半双工收发器SP3485EN，符合RS‑485串行协议，并用光耦芯片TLP785进行隔离；物联通信功能通过2G/3G/4G远程通信连接至远端后台，实现远端查看数据，采用骐俊股份公司的低功耗广域物联网技术无线通信ml5510模组，可实现2G GPRS/NB‑IOT/4G LET多种通信方式，满足基于深度神经网络的电气火灾预警装置物联网应用需求。

[0040] 人机交互单元。该单元包括键盘设计和显示设计。其中，键盘设计使用了4个按键，用于实现数值增加、数值减少、功能确定、方位取消。为能够直观的显示定位检测结果，系统中包含了320X240分辨率的LCD，方便显示各种参数以及当前的运行状态，该LCD工作电源为2.4～3.3V，背光可控且低电平有效，数据宽度为16位，复位操作采用低电平，尺寸为3.2英寸，使用ILI9320芯片进行驱动。

[0041] 电源管理单元。装置的供电来自于交流220V电压系统，通过一套开关电源电路转换成直流5V电压给信号调理单元、A/D采样单元、微处理单元、远程通信单元和人机交互单元供电。电源管理单元是管理整个装置的工作电源，需管理多种电压等级，包括直流1.8V、3.3V、5V及交流220VAC，外部提供交流220V电压及经开关电源模块变成5V供装置使用，5V变成3.3V采用LM1117‑3.3芯片，5V变成1.8V采用XC6206‑1.8V芯片，其中1.8V主要用于AD采样的参考电压，5V和3.3V主要用微处理单元和其它芯片的使用，此外装置内置有电池为微处理单元及远程通信单元供电，以保证装置掉电后仍可短时发送接收数据。

[0042] 本实用新型的基于深度神经网络的电气火灾预警装置的工作流程如下：

[0043] (1)装置的上电启动或开始。

[0044] (2)装置的微处理器单元STM32初始化。

[0045] (3)装置的A/D采样芯片AD7997等外设的初始化。

[0046] (4)开启中断，启动STM32定时器中断。

[0047] (5)STM32周期性采集电网信号是否完成。若完成周期性采样，进入下一步骤(6)；若未完成周期性采样，返回至步骤(4)等待。

[0048] (6)开展电弧故障特征参数计算。

[0049] (7)利用训练好的深度神经网络进行电弧故障特征选择

[0050] (8)判断电网是否存在电弧故障。若存在电弧故障，进入下一步骤(9)；若不存在电弧故障，返回至步骤(4)等待。

[0051] (9)通过远程通信将电气火灾预警输出至远程系统或驱动断路器脱落动作。

[0052] 在本实用新型中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本实用新型中的具体含义。

[0053] 以上仅为说明本实用新型的实施方式，并不用于限制本实用新型，对于本领域的技术人员来说，凡在本实用新型的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。