电气故障检测和分类
检测和分类电力系统中的电气异常。
在电气系统领域，迅速识别和解决故障对于确保人身与财产安全、防止设备损坏和维持设备不间断运行有着至关重要的意义。 无论是配电网络还是复杂的工业系统，对电气故障进行精准检测和分类都是确保相关基础设施平稳运行的重要一环。
人工智能（AI）等新技术正在改变我们维护电力系统的方式，使我们能够主动、准确地识别潜在故障，从而最大限度地减少中断造成的影响。
人工智能（AI）等新技术正在改变我们维护电力系统的方式，使我们能够主动、准确地识别潜在故障，从而最大限度地减少中断造成的影响。
方法
此用例的数据来源为 Kaggle上的 “电气故障检测和分类”数据集。
我们的目标是先检测电力系统中的异常，然后按照6种潜在的异常类别对检测到的异常进行分类。
参考电力系统由四台具有三个相位（A、B和C）的发电机组成，而相关数据则由涵盖三相中每个相位的线路电压和电流的12,000个数据点组成。
之后我们使用 NanoEdge AI Studio根据这些输入信息创建了一个N类分类模型，用于检测和分类电气异常。
我们的目标是先检测电力系统中的异常，然后按照6种潜在的异常类别对检测到的异常进行分类。
参考电力系统由四台具有三个相位（A、B和C）的发电机组成，而相关数据则由涵盖三相中每个相位的线路电压和电流的12,000个数据点组成。
之后我们使用 NanoEdge AI Studio根据这些输入信息创建了一个N类分类模型，用于检测和分类电气异常。
传感器
电流传感器和电压传感器。
数据
异常检测的2个类别：
N分类的 6个类别：
信号长度6（多传感器）
数据传输速率1000 赫兹
- 常规
- 异常
N分类的 6个类别：
- 无故障
- 单线对地 (LG) 故障（相A与地之间）
- 线对线 (LL) 故障（相A与相B之间）
- 双线对地 (LLG) 故障（相A、相B与地之间）
- 三相短路 (LLL) 故障（全部三个相位之间）
- 三相接地 (LLLG) 故障（三相对称故障）
信号长度6（多传感器）
数据传输速率1000 赫兹
结果
异常检测：
98.90% 的准确率，0.6 千字节内存，7.1 千字节闪存
故障分类：
准确率 98.51%，0.1 KB RAM，214.9 KB 闪存
98.90% 的准确率，0.6 千字节内存，7.1 千字节闪存
故障分类：
准确率 98.51%，0.1 KB RAM，214.9 KB 闪存
资源 ![NanoEdge AI Studio]()
![NanoEdge AI Studio]()
![任何STM32 MCU]()
![任何STM32 MCU]()
模型创建工具 NanoEdge AI Studio
一款免费的AutoML软件，用于向嵌入式项目添加AI，并逐步引导用户轻松找到符合其需求的最佳AI模型。
兼容 任何STM32 MCU
STM32系列32位微控制器基于Arm Cortex®-M处理器，旨在为MCU用户提供新的开发自由度。它包括一系列产品，集高性能、实时功能、数字信号处理、低功耗/低电压操作、连接性等特性于一身，同时还保持了集成度高和易于开发的特点。