电气故障识别系统及方法与流程

本发明涉及电气故障检测与边缘智能保护，特别涉及一种电气故障识别系统及方法。

背景技术：

1、电气设备中经常出现电流故障，包括电弧、漏电等多种故障类型，但现有技术缺乏统一框架（不同故障需要不同的故障识别设备），例如传统type ac漏电保护器（iec 61008）仅能检测交流漏电，无法覆盖直流漏电。

2、另外，仅依靠传统的保护设备检测电流实现报警，已不再能适应新型电气网络的故障识别需求，原因如下：基于电流变化率阈值的电弧检测方案误报率高且不区分负载，且一维卷积神经网络波形分类方法依靠纯数据驱动，缺乏物理因果支撑，黑箱可解释性差（无物理约束、仅输出标签）；多传感器融合方案真实故障样本稀缺（数据驱动模型训练困难）；现有ai漏电方案大多基于云端推理，过度依赖云端，断网即失效。

技术实现思路

1、本发明的目的在于提供一种电气故障识别系统及方法，以解决现有的电气故障检测设备无法满足复杂物理世界的智能电气网络的问题。

2、为解决上述技术问题，本发明提供一种电气故障识别系统，包括：

3、物理信息对比学习编码器模块，被配置为基于物理信息引导的对比学习，对多模态输入信号进行瞬时故障特征提取以及暂态特征增强，输出低维故障特征向量；

4、安全约束强化学习决策模块，被配置为接收所述低维故障特征向量，基于安全约束⻢尔可夫决策过程进行自适应决策与动作优化，生成初步动作建议；以及

5、超低延迟边缘推理与硬件加速模块，被配置为集成编码器模块和决策模块的轻量化版本，对所述初步动作建议进行控制屏障函数安全校验后输出最终控制指令，以从信号采集到控制指令生成进行全流程边缘本地流水线处理。

6、可选的，在所述的电气故障识别系统中，

7、所述物理信息对比学习编码器模块包括物理信息故障生成模块和tcn-transformer对比学习编码器模块，其中：

8、所述物理信息故障生成模块被配置为按照cassie-mayr交流电弧方程、光伏直流电弧及mppt扰动方程、直流漏电等效电路方程生成本地样本，所述本地样本包括高速采样电流波形数据、高速采样电压波形数据和直流漏电流传感器数据；

9、所述tcn-transformer对比学习编码器模块被配置为进行本地物理模型生成数据与物理一致性约束损失对比学习的框架训练，以将高速采样电流波形数据和高速采样电压波形数据转换为低维特征向量；

10、所述安全约束强化学习决策模块包括策略网络和控制屏障函数安全校验模块，其中：

11、所述策略网络，连接所述tcn-transformer对比学习编码器模块，以接收所述低维特征向量及系统状态，所述策略网络根据低维特征向量及系统状态进行本地安全约束马尔可夫决策过程训练，以输出初步动作建议；

12、所述控制屏障函数安全校验模块基于控制屏障函数对所述初步动作建议进行形式化安全校验，输出最终控制指令；

13、所述超低延迟边缘推理与硬件加速模块包括边缘低功耗流水线模块和本地微调模块，所述边缘低功耗流水线模块集成所述tcn-transformer对比学习编码器模块和所述安全约束强化学习决策模块的轻量化版本，对高速采样电流波形数据和高速采样电压波形数据的信号采集到高速采样电流波形数据和高速采样电压波形数据的控制指令生成进行全程流水线处理，并设有初级特征触发电路以降低平均功耗；

14、所述超低延迟边缘推理与硬件加速模块在边缘设备本地运行。

15、可选的，在所述的电气故障识别系统中，所述物理信息对比学习编码器模块本地生成三类物理样本，包括交流电弧样本xac、直流电弧样本xdc、以及直流漏电样本xb；

16、将真实样本和物理样本构成正负样本对；

17、训练tcn-transformer对比学习编码器得到低维特征向量z；将低维特征向量z和系统状态s输入策略网络θ；

18、通过控制屏障函数安全校验公式筛选并输出；所有步骤均在边缘设备本地执行；

19、设输入多模态片段为：

20、

21、窗口w为1秒 ，采样频率或。

22、可选的，在所述的电气故障识别系统中，交流电弧样本由cassie-mayr混合微分方程生成，并通过弧长l、分离速度、负载阻抗zl、介质参数χ和随机扰动ζ形成样本族；

23、大电流/高功率区cassie 方程

24、

25、小电流/低功率区mayr 方程

26、

27、混合切换条件：

28、当时使用cassie方程；当时使用mayr方程

29、弧压方程：

30、

31、弧长更新离散化

32、

33、介质参数修正

34、

35、因此

36、

37、

38、

39、

40、

41、直流电弧样本由、生成，并显式加入以区分mppt扰动和真实直流电弧；

42、光伏 i-v 特性（单二极管模型）

43、

44、直流电弧电压跌落

45、

46、mppt 扰动模型：

47、

48、串联电弧判据：

49、且电流饱和

50、并联电弧判据：

51、且

52、

53、

54、直流漏电样本由和温升方程生成；

55、

56、

57、

58、。

59、可选的，在所述的电气故障识别系统中，本地数据增强与噪声叠加包括：

60、

61、

62、

63、

64、对比学习损失为

65、infonce对比损失：

66、其中，τ为温度系数

67、物理距离约束损失：

68、

69、正样本距离上限：

70、

71、其中使用物理参数距离约束正样本在嵌入空间中的距离，物理信息对比学习公式包括：

72、

73、

74、

75、

76、

77、

78、

79、

80、其中正样本满足同一物理故障类型、相近物理参数和相近安全后果的样本；负样本包括正常mppt扰动、启动涌流、led开关电源噪声和/或非故障负载切换。

81、可选的，在所述的电气故障识别系统中，所述安全约束强化学习决策模块的动作空间包括不动作、直流漏电跳闸、交流电弧跳闸、直流电弧跳闸和预警，奖励函数包含正确动作奖励、误跳闸惩罚、拒动惩罚和延时惩罚，并满足的安全约束；

82、故障动作决策建模为安全约束马尔可夫决策过程，所述安全约束强化学习公式包括：

83、

84、优化目标：

85、安全约束：年误跳闸率s.t.

86、直流漏电检测时延

87、交流电弧检测时延

88、

89、直流电弧检测时延

90、

91、拉格朗日对偶形式

92、

93、安全约束：

94、

95、：不动作，跳闸，：交流电弧跳闸，：直流电弧跳闸，：预警}

96、

97、

98、

99、误跳闸},

100、

101、

102、。

103、可选的，在所述的电气故障识别系统中，控制屏障函数安全校验模块定义hb、和ht，并按照筛选安全动作集合；

104、当策略网络输出与硬安全约束矛盾时，安全屏障覆盖策略输出；控制屏障函数安全校验规则包括：

105、定义漏电流安全屏障

106、温度安全屏障 ,涌流保护窗口

107、安全动作集合筛选规则：

108、若即，且持续超过 5ms，则强制执行总跳闸，不经 ai 决策；

109、若即恰好等于 30ma，且持续超过5ms，则触发预警并启动确认计时，禁止不动作；

110、若即，则漏电流屏障不激活，允许策略网络正常输出,含不动作；

111、若即，则强制执行总跳闸；

112、若即，处于充电启动涌流期，则禁止跳闸类动作（,,），仅允许或；

113、若安全动作集合，则执行保守回退动作总跳闸；

114、

115、

116、若为空，则取保守跳闸或预警动作。

117、可选的，在所述的电气故障识别系统中，边缘低功耗流水线满足，平均功耗，模型大小小于500kb；低延迟边缘流水线公式包括：

118、

119、

120、

121、

122、

123、

124、

125、三级触发为：l1硬件比较器常开，检测di/dt 、ileak和dt/dt；l2编码器按需唤醒，确认故障征兆；l3策略网络和cbf仅在异常时激活并输出gpio跳闸。

126、可选的，在所述的电气故障识别系统中，本地微调模块依据更新编码器和策略网络，并在局域网内执行加密参数同步；本地微调和局域网同步公式包括：

127、

128、

129、

130、

131、

132、本发明还提供一种电气故障识别方法，包括：

133、基于物理信息引导的对比学习，对多模态输入信号进行瞬时故障特征提取以及暂态特征增强，输出低维故障特征向量；

134、根据所述低维故障特征向量，基于安全约束⻢尔可夫决策过程进行自适应决策与动作优化，生成初步动作建议；以及

135、集成编码器模块和决策模块的轻量化版本，对所述初步动作建议进行控制屏障函数安全校验后输出最终控制指令，以从信号采集到控制指令生成进行全流程边缘本地流水线处理。

136、在本发明提供的电气故障识别系统及方法中，通过物理信息对比学习编码器模块对比学习瞬时故障特征提取以及暂态特征增强获取低维故障特征向量，安全约束强化学习决策模块根据所述低维故障特征向量基于安全约束强化学习模型进行自适应决策与动作优化，超低延迟边缘推理与硬件加速模块基于自适应决策和控制指令进行超低延迟边缘推理与硬件加速，深度融合了物理信息对比学习（physics-informed contrastivelearning）、安全约束强化学习（safety-constrained reinforcement learning）、多模态信号融合（电流、电压、漏电、温度、弧光）以及实时边缘智能，旨在解决瞬时故障信号微弱、非平稳、强噪声干扰环境、云端不能断网、直流漏电不兼容等疑难条件下的准确检测与安全决策难题，响应时间低于100毫秒。

137、具体的，瞬时提取特征以及瞬间增强特征获取安全约束强化学习模型可以解决瞬时故障信号微弱、非平稳、强噪声干扰环境的问题；超低延迟边缘推理与硬件加速解决现有方案过度依赖云端、断网即失效的问题；tcn-transformer对比学习编码器模块进行本地物理模型生成数据与物理一致性约束损失对比学习框架训练，以将高速采样电流波形数据和高速采样电压波形数据转换为低维特征向量解决了直流漏电不兼容的问题；超低延迟边缘推理与硬件加速解决现有方案过度依赖云端、断网即失效的问题。

138、本发明的发明人通过研究发现，直流漏电检测面临的核心挑战在于直流漏电在常规交流漏电保护器（rcd）中无法被检测。直流漏电持续加热绝缘层，容易引发热失控。iec61851-1模式4直流充电标准要求30毫秒内切断，且需要从数百安培级别的主电流中提取3到30毫安的漏电流。

139、交流电弧故障检测的难点在于电弧电流持续时间短（半周到几周），与变频器、led开关电源等正常负载的特征高度相似。ul 1699标准要求afci在检测到串联电弧后于2.5个半周内动作（60hz下约21毫秒），而误报率较高。

140、直流电弧故障检测的特殊性在于直流电弧没有零交点，一旦起燃便会持续燃烧，且其特征与mppt工作电流波动相似。ul1741和iec63027标准要求2秒内切断。

141、现有技术中已经存在一维卷积神经网络电弧检测、随机森林直流电弧识别、数学形态学频段能量识别、多模态协同诊断、⻉叶斯定位等方案，但并没有完全解决复杂物理世界的智能电气网络故障瞬时识别问题。本发明不以笼统的“使用ai识别故障”为创新点，而以边缘本地可计算的物理生成模型、物理一致性对比学习、cmdp安全约束策略优化和控制屏障函数为核心区别，完全在边缘设备本地运行，不依赖云端服务，无边缘-云协同机制，所有模型推理、训练、决策、保护动作均在mcu、dsp或边缘npu上完成，通过融合电气故障瞬时识别、边缘智能保护、物理信息机器学习、对比学习和安全强化学习等技术，实现了一种面向直流漏电故障、交流电弧故障和直流电弧故障的多模态瞬时故障高灵敏、高可靠、快速识别的系统及方法。