一种基于深度信念网络的高压断路器故障诊断方法技术

本发明专利技术公开了一种基于深度信念网络的高压断路器故障诊断方法，具体步骤为，步骤1：选取实验所需的数据样本，将统一标准化后的样本数据按照特定比例分为测试样本和训练样本。步骤2：搭建并初始化DBN深度信念网络故障诊断模型。步骤3：将预训练集中的大量无标签样本或去标签样本从模型底部输入，采用逐层无监督贪婪学习对模型中RBM进行预训练；步骤4：采用遗传算法对整个模型进行微调，步骤5，将训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。本发明专利技术的一种基于深度信念网络的高压断路器故障诊断方法，能够对大数据量样本进行训练，来实现高压断路器故障诊断功能。

【技术实现步骤摘要】
一种基于深度信念网络的高压断路器故障诊断方法
本专利技术属于高压断路器故障诊断方法
，具体提出一种基于深度信念网络的高压断路器故障诊断方法。
技术介绍
高压断路器在配电网系统中起着控制及保护的双重作用，故对高压断路器进行故障诊断意义重大。当前已经提出多种诊断方法，但仍存在一些问题和一定的局限性，如专家系统需要丰富的专家经验知识，而这时比较难以获取；神经网络易陷入局部最优；SVM是二分类算法，其多分类算法，如一对一SVM存在分类重叠和不可分类的情况；而ELM虽然训练速度比较快，但是所训练模型诊断的稳定性却要差一些。此外，现有智能故障诊断方法大都对无标签样本的利用率较低，并且学习能力具有局限性，可扩展性比较差。而深度学习作为第三代神经网络，具有较强地从大量无标签样本中提取特征的能力；同时由于其多层的复杂结构及逐层训练的稳定性，能够对大数据量样本进行训练，顺应了大数据时代的潮流，具有广阔的应用前景。鉴于此，本专利技术提出一种基于深度信念网络(deepbeliefnetwork，DBN)的高压断路器故障诊断算法，首先通过3层RBM(restrictedBoltzmannmachine，本文档来自技高网...

【技术保护点】
1.一种基于深度信念网络的高压断路器故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1，选取实验所需的数据样本，将标准化处理后的样本数据按照特定比例分为测试样本和训练样本；步骤2，构建高压断路器DBN深度信念网络故障诊断模型，步骤3，采用逐层无监督贪婪学习算法(CD算法)对模型中RBM进行预训练，步骤4，采用遗传算法对整个模型进行微调，即模型参数寻优，步骤5，将步骤4训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。

【技术特征摘要】
1.一种基于深度信念网络的高压断路器故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1，选取实验所需的数据样本，将标准化处理后的样本数据按照特定比例分为测试样本和训练样本；步骤2，构建高压断路器DBN深度信念网络故障诊断模型，步骤3，采用逐层无监督贪婪学习算法(CD算法)对模型中RBM进行预训练，步骤4，采用遗传算法对整个模型进行微调，即模型参数寻优，步骤5，将步骤4训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。2.根据权利要求1所述的一种基于深度信念网络的高压断路器故障诊断方法，其特征在于，所述的步骤1具体为，步骤1.1，本发明将大部分SF6断路器都会监测到的I1,I2,I3,t1,t2,t3,t4,t5，与SF6的压力、密度、微水含量、分解产物含量，通常为SO2、H2S含量作为深度信念网络模型的输入，步骤1.2，对步骤1.1中采集到的数据进行归一化处理，步骤1.3，将标准化后的样本数据按照特定比例分为预训练集、调优集以及测试集；其中，预训练集为大量无标签样本构成，调优集和测试集为少量带有类标签的样本构成。3.根据权利要求1所述的一种基于深度信念网络的高压断路器故障诊断方法，其特征在于，所述的步骤2具体的步骤为：步骤2.1，构建第一层RBM受限玻尔兹曼机单元，步骤2.2，将第一层RBM1受限玻尔兹曼机单元的隐蔽层h1作为第二层RBM2受限玻尔兹曼机单元的可见层v2，构建第二层RBM2，步骤2.3，以相同的方式在第二层的基础上搭建第三层RBM3受限玻尔兹曼机单元，自此三层RBM网络模型构建完成，步骤2.4，构建DBN网络模型的分类层，本发明在RBM3顶部再添加一个三层BP神经网络模型，用于输出分类结果，将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端，步骤2.5，构造基于深度信念网络的高压断路器故障诊断模型，输出层由5个结点单元组成，每个单元代表一种故障类别，数据输入层为v1，由此输入采集到的SF6高压断路器样本数据，其模型输入为20维，即m＝20。4.根据权利要求3所述的一种基于深度信念网络的高压断路器故障诊断方法，其特征在于，所述的步骤2.1具体为，RBM网络分为两层：即隐含层h和可见层v，隐含层由n个隐含的随机变量构成：h(h1，h2，h3，hj，…，hn)；可见层由m个随机变量构成v＝(v1，v2，v3，vi，…，vm)用于表示观测的数据，可见层即是数据输入层，RBM可视为基于能量的模型，其能量函数定义为其中vi为可见单元的输入值；hj为隐单元的输出值，取值为1时表示该单元处于激活态，为0时表示处于未激活态；wij表示可见单元vi与隐单元hj之间的连接权重，ai表示可见单元vi的偏置，bj表示隐单元hj的偏置，n是隐含层节点数量，m为可见层节点数量，ai,bj,wij均为实数，θ＝(a,b,w)构成RBM的模型参数，(v,h)的联合概率分布Pθ(v,h)可以表示为：Zθ为归一化常数，又叫做配分函数，对于一层RBM所包含的m个可见单元和n个隐单元，给定隐单元与可见单元的条件概率为：相反...

【专利技术属性】
技术研发人员：黄新波，王宁，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61