一种基于卷积神经网络的开关柜过热故障预测和诊断方法及装置制造方法及图纸

本发明专利技术的基于卷积神经网络的开关柜过热故障预测和诊断方法及装置，建立开关柜仿真模型、生成过热故障数据库、利用卷积神经网络算法对开关柜的温度进行实时的识别分析，预测和诊断开关柜故障，提高了开关柜故障的诊断效率和准确性，保证了开关柜运行的可靠性，提高了电力系统的安全性。电力系统的安全性。电力系统的安全性。

【技术实现步骤摘要】
一种基于卷积神经网络的开关柜过热故障预测和诊断方法及装置


[0001]本专利技术涉及开关柜


技术介绍

[0002]开关柜作为电力系统的重要组成部分之一，具有通断、控制或保护等作用，其运行的可靠性至关重要。开关柜发热问题，导致故障频发，给电网产生不利影响，甚至造成严重的事故。
[0003]现有的开关柜技术，不能有效的对开关柜的故障进行诊断和预测分析。伴随着科技的发展，基于开关柜温度变化与故障的物理规律，利用人工智能技术进行开关柜故障的预测和诊断，成为一个新的研究方向。人工智能技术的应用，提高了开关柜故障的诊断效率和准确性，提前发现问题，保证开关柜运行的可靠性，提高电力系统的安全性。

技术实现思路

[0004]为了更精准有效的对开关柜过热故障进行诊断和预测分析，本专利技术提出了一种基于卷积神经网络的开关柜过热故障预测和诊断方法。
[0005]本专利技术为实现上述目的所采用的技术方案是：一种基于卷积神经网络的开关柜过热故障预测和诊断方法，包括以下步骤：
[0006]步骤1，根据开关柜各部件的尺寸，建立与实际开关柜等比例的实体三维模型，将开关柜的实体三维模型建立开关柜电
‑
磁
‑
流体耦合仿真模型；
[0007]步骤2，对仿真模型进行处理；
[0008]步骤3，利用红外成像系统采集和分析开关柜各类故障的实验数据；
[0009]步骤4，依据实验数据，对仿真模型进行设计和矫正，利用校正后的仿真模型，对开关柜不同故障类型进行仿真，得到不同故障类型下开关柜温度的变化特点和规律，温度分布特征图像，生成开关柜过热故障数据库；
[0010]步骤5，按照过负荷、内部元件接触不良、故障电弧等不同故障类型进行分类，每个故障类型的数据中，部分训练集，部分作为测试集；
[0011]步骤6，建立卷积神经网络模型；
[0012]步骤7，训练卷积神经网络；
[0013]步骤8，利用红外热成像系统实时采集开关柜的温度，形成温度分布图，利用卷积神经网络模型进行故障预测和诊断。
[0014]所述步骤2中，根据剖分尺寸对模型求解效果和计算量的影响大小，对模型进行剖分处理；利用微小热源模拟开关柜发热故障，仿真开关柜过负荷、内部元件接触不良、故障电弧等不同类型故障，得到各种故障下开关柜的温度分布特征。
[0015]所述步骤3中，红外成像系统测量范围：0
‑
300℃，响应速度：≤10s，红外图像：≥320x240，温度分辨率：0.1℃，图片输出格式：JPEG；基于辐射定律，利用高精度热红外成像
仪进行数据采集，获得开关柜的温度分布状况。
[0016]所述步骤4中，依据实验数据，对仿真模型的等效热源比例、扩散系数、边界导热系数进行设计和矫正，利用校正后的仿真模型，对开关柜的过负荷、内部元件接触不良、故障电弧等不同故障类型进行仿真。
[0017]所述步骤5中，数据增强采用Multi
‑
Scale方法，将原始图像先进行缩放然后再随机裁剪成224x224的图片，预处理后的温度分布特征图像，按照过负荷、内部元件接触不良、故障电弧等不同故障类型进行分类，每个故障类型的数据中，80％作为训练集，20％作为测试集。
[0018]所述步骤6中，建立卷积神经网络模型，依次包括输入层、卷积层1,2、池化层1、卷积层3,4、池化层2、dropout层1、卷积层5,6,7、池化层3、全连接层1、dropout层2、全连接层2、dropout层3、全连接层3、soft
‑
max，使用Softmax函数进行分类，故障类型分别为：(1)过负荷预警，(2)过负荷故障，(3)内部元件接触不良预警，(4)内部元件接触不良故障，(5)故障电弧预警，(6)故障电弧故障。
[0019]所述步骤7中，包括以下步骤：
[0020]7.1初始化神经网络模型，指定过滤器和参数/权重；
[0021]7.2将训练集中的图像作为输入进行训练，得到每个故障类型的输出概率；
[0022]7.3计算输出层的总误差，
[0023]总误差＝∑1/2(目标概率
–
输出概率)2；
[0024]7.4当误差不符合设计目标时，进行优化，直到符合要求为止，使用误差反向传播算法和梯度下降法来求解和更新卷积神经网络模型的权值，更新所有过滤器值/权重和参数值，多次迭代，减少输出误差；
[0025]7.5重复2
‑
4步骤，完成神经网络模型的训练。
[0026]所述步骤8中，把温度分布图分解为R(红)G(绿)B(蓝)三个通道，每个值介于0
‑
255之间，以开关柜正常负荷正常运行状态下的温度分布图为基准，对实时温度分布图进行去均值预处理。
[0027]还包括步骤9，当发现开关柜有故障风险时报警，当发现开关柜故障时，报警并保护动作。
[0028]一种基于卷积神经网络的开关柜过热故障预测和诊断装置，包括存储器和处理器，存储器用于存储计算机程序，所述计算机程序用于被处理器加载时执行上述方法。
[0029]一种基于卷积神经网络的开关柜过热故障预测和诊断方法的计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序适用于被处理器加载时执行上述方法。
[0030]本专利技术的基于卷积神经网络的开关柜过热故障预测和诊断方法及装置，建立开关柜仿真模型、生成过热故障数据库、利用卷积神经网络算法对开关柜的温度进行实时的识别分析，预测和诊断开关柜故障，提高了开关柜故障的诊断效率和准确性，保证了开关柜运行的可靠性，提高了电力系统的安全性。
附图说明
[0031]图1是本专利技术基于卷积神经网络的开关柜过热故障预测和诊断方法流程图。
具体实施方式
[0032]本专利技术的基于卷积神经网络的开关柜过热故障预测和诊断方法如图1所示，包括以下步骤：
[0033]步骤1，建立开关柜仿真模型，在SolidWorks软件中，根据开关柜各部件的尺寸，建立与实际开关柜等比例的实体三维模型，在ANSYS Workbench18.0中选择Geometry
‑
Fluid Flow(Fluent)，将开关柜的实体三维模型导入到Fluent之中，建立开关柜电
‑
磁
‑
流体耦合仿真模型。依据开关柜各部分材料特性，对模型材料进行相应设置。
[0034]步骤2，根据剖分尺寸对模型求解效果和计算量的影响大小，对模型进行剖分处理。(模型剖分单元设置太小，会导致计算量剧增，占用大量资源且运行时间很长。模型剖分单元设置太大，局部可能存在未剖分情况，导致结果不准确，甚至报错，无法运行。)利用微小热源模拟开关柜发热故障，仿真开关柜过负荷、内部元件接触不良、故障电弧等不同类型故障，得到各种故障下开关柜的温度分布特征。
[0035]步骤3，利用红外成像系统采集和分析开关柜各类故障的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的开关柜过热故障预测和诊断方法，其特征在于：包括以下步骤：步骤1，根据开关柜各部件的尺寸，建立与实际开关柜等比例的实体三维模型，将开关柜的实体三维模型建立开关柜电
‑
磁
‑
流体耦合仿真模型；步骤2，对仿真模型进行处理；步骤3，利用红外成像系统采集和分析开关柜各类故障的实验数据；步骤4，依据实验数据，对仿真模型进行设计和矫正，利用校正后的仿真模型，对开关柜不同故障类型进行仿真，得到不同故障类型下开关柜温度的变化特点和规律，温度分布特征图像，生成开关柜过热故障数据库；步骤5，按照过负荷、内部元件接触不良、故障电弧等不同故障类型进行分类，每个故障类型的数据中，部分训练集，部分作为测试集；步骤6，建立卷积神经网络模型；步骤7，训练卷积神经网络；步骤8，利用红外热成像系统实时采集开关柜的温度，形成温度分布图，利用卷积神经网络模型进行故障预测和诊断。2.根据权利要求1所述的一种基于卷积神经网络的开关柜过热故障预测和诊断方法，其特征在于：所述步骤2中，根据剖分尺寸对模型求解效果和计算量的影响大小，对模型进行剖分处理；利用微小热源模拟开关柜发热故障，仿真开关柜过负荷、内部元件接触不良、故障电弧等不同类型故障，得到各种故障下开关柜的温度分布特征。3.根据权利要求1所述的一种基于卷积神经网络的开关柜过热故障预测和诊断方法，其特征在于：所述步骤3中，红外成像系统测量范围：0
‑
300℃，响应速度：≤10s，红外图像：≥320x240，温度分辨率：0.1℃，图片输出格式：JPEG；基于辐射定律，利用高精度热红外成像仪进行数据采集，获得开关柜的温度分布状况。4.根据权利要求1所述的一种基于卷积神经网络的开关柜过热故障预测和诊断方法，其特征在于：所述步骤4中，依据实验数据，对仿真模型的等效热源比例、扩散系数、边界导热系数进行设计和矫正，利用校正后的仿真模型，对开关柜的过负荷、内部元件接触不良、故障电弧等不同故障类型进行仿真。5.根据权利要求1所述的一种基于卷积神经网络的开关柜过热故障预测和诊断方法，其特征在于：所述步骤5中，数据增强采用Multi
‑
Scale方法，将原始图像先进行缩放然后再随机裁剪成224x224的图片，预处理后的温度分布特征图像，按照过负荷、内部元件接触不良、故障电弧等不同故障类型进行分类，每个故障类型的数据中，80％作...

【专利技术属性】
技术研发人员：陈志恒，李楠，戴鹏，魏敬东，马骉，戴鑫，张铁芳，苑婷，李晓博，张磊，陈毕波，杨宏池，崔鹏，苏彪，甘旭，史深予，许傲然，谷彩连，
申请(专利权)人：沈阳工程学院国家电网有限公司，
类型：发明
国别省市：