基于神经网络的断路器故障诊断方法技术

本发明专利技术涉及电力系统中断路器的故障诊断方法，具体为一种基于深度神经网络和BP神经网络相结合的故障诊断方法。断路器在不同状态下其振动信号不同，首先通过采用小波包—能量熵技术来提取真空断路器在不同状态下的振动信号特征量，然后利用深度神经网络处理这些特征向量，对断路器故障状态与正常状态进行一次分类，最后通过BP神经网络对故障状态进行具体分类。与直接利用BP神经网络的方法来诊断断路器故障相比，本发明专利技术在准确率与速度性方面均有显著的提升。

Fault diagnosis method of circuit breaker based on Neural Network

【技术实现步骤摘要】
基于神经网络的断路器故障诊断方法
本专利技术涉及电力系统中断路器的故障诊断方法，具体为一种基于深度神经网络和BP神经网络相结合的故障诊断方法。
技术介绍
真空断路器作为电力系统的开关以及保护设备，大量用于配电系统中，具有体积小、噪声低、可靠性高等优点。在电力系统发生局部故障时，一旦由于断路器故障而导致故障不能及时切除等问题，将极有可能造成地区大面积停电。因此真空断路器能够可靠的动作，对电力系统的安全、稳定运行尤为重要。据资料显示，因断路器控制回路和操动机构等方面的问题而引起的机械故障，占全部故障的70%～80%。目前国内外相继展开了针对断路器的故障诊断研究工作，在智能算法的运用方面，尤其是神经网络越来越多被引用到断路器的故障诊断中。例如深度神经网络（DNN）、BP神经网络、径向基函数网络(RBF)、自组织映射网络(SOM)等。而DNN每次输入都要对所有权值进行修正，全局用它可能无法满足实时性要求；BP神经网络用于全局可能影响收敛速度，以及易限于局部极小值；RBF不能完全地识别出故障类型；SOM采用无监督学习规则，缺乏分类信息。
技术实现思路
本专利技术针对上述问题进行进一步的研究，提出了一种基于神经网络的断路器故障诊断方法。本专利技术利用深度神经网络与BP神经网络相结合的方法对断路器的各类状态进行诊断，与单独的使用BP神经网络相比，本专利技术在准确率与速度性方面均有显著的提升。本专利技术通过以下技术方案实现，本专利技术包括以下步骤：步骤1：利用加速度传感器采集断路器在合闸的操作过程中产生的加速度波形信号；步骤2：采用小波包—能量熵技术来提取真空断路器在不同状态的振动信号特征量；步骤3：利用深度神经网络对故障状态和正常状态进行一次分类；步骤4：采用BP神经网络对故障状态进行具体分类。进一步地，步骤1中，所述的加速度传感器采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个100~150点可以移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动数据序列，截取有效信号的长度为4096点，此段信号大概包含了合闸启动后100ms左右的信号内容。进一步地，步骤2所述的小波包—能量熵技术是选用db4小波对采集到的振动信号进行4层分解，再用信息熵对分解后的数据序列进行量化表达；其具体过程包括如下步骤：2-1）通过积分的方式计算各个频带的能量，计算公式如下；，其中（L为分解层数），i=1，2，...，N；2-2）经过归一化处理后，计算能量熵；归一化处理公式为；计算能量熵的公式为；2-3）将得到一组含有16个能量熵的向量T，即。进一步地，步骤3中，所述的深度神经网络的搭建过程包括如下步骤：3-1）定义网络结构；3-2）初始化模型参数；3-3）循环计算：前向传播/计算当前损失/反向传播/权值更新。进一步地，步骤4中，所述的BP神经网络是只采用了1个隐含层，隐含层的神经元节点数定为25个，输入层含有16个节点，输出层含有5个节点，调用带动量的梯度下降算法进行学习。进行检测时，只需输入某一情况下的特征向量，利用已学习过的BP神经网络进行运算，输出一个5元的向量，与目标向量进行比对，从而判断断路器的状态。所述带动量的梯度下降算法的具体实现过程包括如下步骤：4-1）输入N个学习样本；4-2）构建BP神经网络结构；4-3）设置误差限定值，最大迭代数，学习率以及冲量系数，最开始的迭代次数t=1，训练数据序列k=1；4-4）取第k个学习样本；4-5）由进行信号正向传播计算；4-6）输入的信号通过权值矩阵处理向前传递，算出BP网络输出层各节点的误差：；4-7）如果对N个训练数据的任一数据序列k值使得或者，那么训练结束；如果不满足要求，则将误差按网络进行反向传播，对权值矩阵做修改；4-8）误差反向传播计算；4-9）令，，跳转到步骤4-4）。本专利技术与现有技术相比，其显著优点为：在对断路器各类故障状态进行诊断时，本专利技术在正确性与算法的速动性方面均有显著的提升。附图说明图1为本专利技术所研究的真空断路器结构简化模型图。图2为本断路器诊断装置的诊断流程图。图3为振动信号提取流程图。图4为db4小波4层分解后的示意图。图5为深度神经网络一次分类后得到的误差曲线图。图6为只对故障状态进行分类的BP神经网络学习情况。图7为采用本专利技术诊断后得到的混淆矩阵图。图8为只采用BP神经网络诊断时，BP网络的学习情况。图9为只采用BP神经网络诊断得到的混淆矩阵图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，本专利技术的应用范围不限于下述的实施例。本专利技术以图1所示的真空断路器结构简化模型为例来进行说明，对断路器的五种常见的故障状态具体分析：合闸无法保持、分闸弹簧断裂、软连接松动、绝缘拉杆松动、单相触头磨损。如图2所示，本实施例操作步骤如下：步骤1，先使用加速度传感器提取断路器振动信号，流程图如图3所示。经查阅相关文献，本专利技术最终选择IEPE加速度传感器的CA-YD-181定制型，灵敏度为1mv/g，频响范围为5~10kHz，测量范围为5000g。在实验时把加速度传感器安装在断路器的操作箱顶部中央，并采用CM3502恒流源模块提供4mA的电流，给IEPE供电。后面接DSP控制的AD芯片，本专利技术选择的DSP开发板为研旭TMS320F28335。其自带AD芯片只能接0-3V的电压信号，而IEPE传感器电压信号输出范围在±5V，因此需要接外部AD芯片，此处选择AD7606，其能承受±10V，±5V电压信号的输入。步骤2，利用Matlab小波工具箱选用db4小波对提取到的振动信号进行4层分解，分解后得到的示意图如图4所示，然后利用能量熵获取特征向量。通过积分的方式计算得到各个频带的能量，其中（L为分解层数），i=1，2，...，N；经过归一化处理后，然后计算能量熵：；最后将得到一组含有16个能量熵的向量T，即。下面对提取的断路器6种状态下的振动信号各随机选一个，进行小波包拆分并计算能量熵，相应的特征向量如表1，利用熵值的差异与断路器的状态来建立联系，从而进行断路器的故障诊断。表1不同状态下的特征向量表步骤3，利用深度神经网络对断路器正常状态和故障状态进行一次分类。本实施例选取断路器各种状态下的180组特征相量，其中120组用于训练，其余60组用于测试。各状态对应的目标向量为一个二元向量，元素取值0或1，对应关系如表2：表2断路器的状态与目标向量对应关系经过训练与测试以后，得到的误差曲线图如图5所示。<本文档来自技高网...

【技术保护点】
1.一种基于神经网络的断路器故障诊断方法，其特征在于，包含以下步骤：/n步骤1，利用加速度传感器采集断路器在合闸操作过程中产生的加速度波形信号；/n步骤2，采用小波包—能量熵技术来提取真空断路器在不同状态的振动信号特征量；/n步骤3，利用深度神经网络对故障状态和正常状态进行一次分类；/n步骤4，采用BP神经网络对故障状态进行具体分类。/n

【技术特征摘要】
1.一种基于神经网络的断路器故障诊断方法，其特征在于，包含以下步骤：
步骤1，利用加速度传感器采集断路器在合闸操作过程中产生的加速度波形信号；
步骤2，采用小波包—能量熵技术来提取真空断路器在不同状态的振动信号特征量；
步骤3，利用深度神经网络对故障状态和正常状态进行一次分类；
步骤4，采用BP神经网络对故障状态进行具体分类。


2.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤1中，所述加速度传感器的采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个100~150点可移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动信号数据序列，截取有效信号的长度为4096点，此段信号大概包含了合闸启动后100ms左右的内容。


3.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤2所述的小波包—能量熵技术是选用db4小波对采集到的振动信号进行4层分解，再用信息熵对分解后的数据序列进行量化表达；
步骤2的具体过程包括如下步骤：
2-1）通过积分的方式计算各个频带的能量，计算公式如下；

，其中（L为分解层数），i=1，2，...，N；
2-2）经过归一化处理后，计算能量熵；
归一化处理公式为；
计算能量熵的公式为；
2-3）将得到一组含有16个能量熵的向量T，即

。

<...

【专利技术属性】
技术研发人员：周福举，庞吉年，薛风华，
申请(专利权)人：国网江苏省电力有限公司宿迁供电分公司，国网江苏省电力有限公司，国家电网有限公司，
类型：发明
国别省市：江苏;32