[发明专利]电力人工智能芯片及电力故障识别方法

权利要求书

1.一种电力人工智能芯片，其特征在于，包括数据接口和NPU神经网络处理器，还包括ARM架构或者RSIC-V指令集架构中的有且仅有一种架构，其中：

所述ARM架构或者RSIC-V指令集架构用于提供芯片的运行环境；

所述数据接口用于接收电力高频信号图谱并将该信号图谱传送给所述NPU神经网络处理器；

所述NPU神经网络处理器内设有神经网络模型，所述神经网络模型经大量电力故障信号图谱的训练后用于实时识别电力高频信号图谱的特征信息并经所述数据接口输出识别后的电力故障信息。

2.根据权利要求1所述的电力人工智能芯片，其特征在于，所述电力高频信号图谱为经外部设备采集预处理后的电力高频信息。

3.根据权利要求1所述的电力人工智能芯片，其特征在于，所述神经网络模型采用Bp神经网络，所述Bp神经网络包括输入层、输出层以及隐含层。

4.根据权利要求1所述的电力人工智能芯片，其特征在于，所述电力故障信息包括电力故障的名称、类别、发生时刻以及相对发生的时标。

5.根据权利要求1所述的电力人工智能芯片用于电力故障识别的方法，其特征在于，包括以下步骤：

步骤S1：训练NPU神经网络处理器中用于电力故障识别的神经网络模型；

步骤S2：数据接口接收电力高频信号图谱并传输给训练后的神经网络模型；

步骤S3：训练后的神经网络模型对电力高频信号图谱进行预处理；

步骤S4：训练后的神经网络模型对预处理后的电力高频信号图谱进行特征参数提取；

步骤S5：训练后的神经网络对特征参数进行匹配识别并输出电力故障信息。

6.根据权利要求5所述的电力人工智能芯片用于电力故障识别的方法，其特征在于，所述步骤S1进一步包括：

步骤S1.1：选择神经网络模型的为Bp神经网络，所述Bp神经网络包括输入层、输出层以及隐含层；

步骤S1.2：确定Bp神经网络的传递函数；

步骤S1.3：投入样本输入并计算实际输出与理想输出的误差；

步骤S1.4：按误差的梯度下降方法调整权矩阵；

步骤S1.5：计算全局误差，如果全局误差达不到精度要求则继续执行步骤S1.3和步骤S1.4直至全局误差达到设定标准。

7.根据权利要求6所述的电力人工智能芯片用于电力故障识别的方法，其特征在于，所述步骤S1.2中选用的Bp神经网络的传递函数为Sigmoid函数。

8.根据权利要求6所述的电力人工智能芯片用于电力故障识别的方法，其特征在于，步骤S1.3中可依据客户需求重新投入样本输入或加入新的样本输入进行电力故障识别范围的更改或扩充。

9.根据权利要求1所述的电力人工智能芯片用于电弧故障识别的方法，其特征在于，包括以下步骤：

步骤T1：训练NPU神经网络处理器中的神经网络模型用于识别电弧故障；

步骤T2：训练后的神经网络模型对获取的电弧信号图谱进行预处理；

步骤T3：训练后的神经网络模型对预处理后的电弧信号图谱进行特征参数提取；

步骤T4：训练后的神经网络模型对特征参数进行匹配识别并输出电弧故障信息，其中电弧故障信息包括电弧的好坏、发生时刻。

10.根据权利要求9所述的电力人工智能芯片用于电弧故障识别的方法，其特征在于，所述步骤T1进一步包括：

步骤T1.1：选择神经网络模型为Bp神经网络，所述Bp神经网络包括输入层、输出层以及隐含层；

步骤T1.2：确定Bp神经网络的传递函数为Sigmoid函数；

步骤T1.3：投入关于电弧故障样本的输入并计算实际输出与理想输出的误差；

步骤T1.4：按误差的梯度下降方法调整权矩阵；

步骤T1.5：计算全局误差，如果全局误差达不到精度要求则继续执行步骤T1.3和步骤T1.4直至全局误差达到设定标准。