【技术实现步骤摘要】
基于DBN-GA神经网络的高压断路器故障检测方法
本专利技术属于高压断路器检测方法
，涉及一种基于DBN-GA神经网络的高压断路器故障检测方法。
技术介绍
高压断路器是电力系统最主要的控制与保护装置，关系到输电、配电及用电的可靠性、安全性。高压断路器能在系统故障与非故障情况下实现多种操作。断路器也是能关合、承载、开断运行回路正常电流，也能在规定时间内关合、承载及开断规定的过载电流。高压断路器一般都以电磁铁为操作的第一控制元件，在操动机构中大部分是直流电磁铁。当线圈中通过电流时，在磁铁内产生磁通，动铁芯受磁力影响，使断路器分闸或合闸。合分闸线圈中的电流可作为高压断路器机械故障诊断所用的丰富信息。现有的高压断路器故障检测的方法有很多，其中涉及各种人工智能算法，如：模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化，但其隶属函数和模糊规则的确定过程存在一定的人为因素；径向基神经网络为断路器的故障诊断问题提供了一种比较好的结构体系，但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点。深度信念神经网络(DBN)是一种生成模型，通过训...
【技术保护点】
1.基于DBN‑GA神经网络的高压断路器故障检测方法，其特征在于，具体按照如下步骤进行：步骤1.首先，连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本提取到构建该模型并进行训练；经过对受限玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测...
【技术特征摘要】
1.基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，具体按照如下步骤进行：步骤1.首先，连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本提取到构建该模型并进行训练；经过对受限玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。2.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，所述步骤1中采用的分合闸线圈电流在线监测系统结构包括主控装置的单片机(1)，所述单片机(1)分别连接电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通信模块(6)和数据存储单元(9)连接；所述电源模块(2)分别连接太阳能发电模块(7)和蓄电池(8)，所述电源模块(2)和所述太阳能发电模块(7)为整个分合闸线圈电流在线监测系统提供电能，所述蓄电池(8)用来存储多余的电量；所述信号处理单元(3)的输入端与磁平衡式霍尔电流传感器(4)连接，所述磁平衡式霍尔电流传感器(4)的输出端连接断路器分合闸线圈(10)，用以相互配合获取电流数据，并将获取的数据发送给所述信号处理单元(3)进行处理，所述信号处理单元(3)将数据信息保存于所述数据存储单元(9)内。3.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，所述步骤2的具体操作过程如下：步骤2.1首先充分训练第一个RBM：从训练集中提取一组数据X，将X附给显层V(0)，并且计算它使隐层神经元被开启的概率：式中，V(0)是显元，Wj是权重，是隐元；从公式1中抽取一个隐层的样本：h(0)～P(h(0)|V(0))(2)式中h(0)是隐元，V(0)是显元，P是公式1所得概率；用h(0)重构显层式中，Vi(1)是显元，是权重，h(0)是隐元；同样，从公式3中再次抽取显层的样本：V(1)～P(V(1)|h(0))(4)式中，V(1)是显元，h(0)是隐元；用重构之后的显元计算隐元被开...
【专利技术属性】
技术研发人员：黄新波，胡潇文，朱永灿，王钧立，蒋卫涛，许艳辉，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。