一种基于误差逆传播算法的断路器故障诊断方法

摘要

本发明涉及一种基于误差逆传播算法的断路器故障诊断方法，其包括以下步骤：提取故障诊断特征参量；建立并训练基于误差逆传播算法的神经网络故障诊断模型；利用训练好的诊断模型对待诊断断路器进行故障识别。本发明具有较高的计算精度与相对智能化的识别算法，能够为断路器故障诊断提供有效帮助。

权利要求

1.一种基于误差逆传播算法的断路器故障诊断方法，其特征在于，该方法包括以下步骤：步骤1：提取故障诊断特征参量；

步骤2：建立并训练基于误差逆传播算法的神经网络故障诊断模型；其具体包括：步骤2-1：根据步骤1中提取的多个诊断特征参量，建立特征向量；

步骤2-2：建立基于误差逆传播算法的神经网络故障诊断模型，建立一种拥有d个输入神经元、l个输出神经元、q个隐层神经元的神经网络故障诊断模型；其具体包括：步骤2-2-1：根据步骤2-1中提取的特征向量建立训练集；

步骤2-2-2：对上述步骤所建立训练集进行归一化处理；

步骤2-2-3：随机定义学习率；

步骤2-2-4：在(0，1)范围内随机初始化神经网络中所有连接权和阈值；

步骤2-3：使用误差逆传播算法训练上述建立的神经网络故障诊断模型；其具体包括：步骤2-3-1：计算神经网络输出：

其中， 为神经网络输出层第j个实际输出，βj为第j个输出神经元的输入：其中，bh为隐层第h个神经元的输出，αh为隐层第h个神经元的输入；

步骤2-3-2：计算输出层神经元的梯度项gj：步骤2-3-3：计算隐层神经元的梯度项eh：步骤2-3-4：根据上述所计算的梯度项更新连接权与阈值：ω′hj＝ωhj+Δωhj＝ωhj+ηgjbhθ′j＝θj+Δθj＝θj-ηgj

γ′h＝γh+Δγh＝γh-ηeh

步骤2-3-5：比较神经网络故障诊断模型实际输出与期望输出，如满足精度要求，则停止训练并进入步骤3，如未满足精度要求，则重复步骤2-3-1至步骤2-3-5；

步骤3：利用训练好的诊断模型对实际断路器进行故障识别。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，针对正常工作情况与不同故障情况下的断路器，采集多种情况下的断路器线圈分合闸电流信号，作为样本，并结合各类实际故障，提取每个样本下电流信号波形中多个时间特征量与电流特征量作为诊断特征参量。

3.根据权利要求1所述的方法，其特征在于，在步骤2-2中，所述神经网络故障诊断模型的建立过程具体包括如下步骤：步骤2-2-1中所建立训练集如下：

其中，Xk作为输入特征向量，Xk∈Rd，即输入特征向量由d个属性描述，d由特征向量中特征参量数目决定；Yk作为输出向量，Yk∈Rl，即输出l维实值向量，l由断路器故障类型数目决定；m由样本数决定；

步骤2-2-2中的归一化方法如下：

其中， 为归一化后特征参量， 为待归一化的特征参量， 为样本空间中第i特征参量最小值， 为样本空间中第i特征参量最大值；

其中， 为归一化后输出参量， 为待归一化的输出参量；

得到归一化后训练集：

步骤2-2-3中，学习率η＝(0，1)；

步骤2-2-4中，输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示，输入层第i个神经元与隐层第h个神经元之间连接权为vih，隐层第h个神经元与输出层第j个神经元之间的连接权为ωhj。

4.根据权利要求2所述的方法，其特征在于，所述步骤3中，重新采集待诊断断路器的线圈分合闸电流信号，并提取特征参量，将其输入训练完成的断路器故障诊断模型中，进行故障识别与分类。

说明书

一种基于误差逆传播算法的断路器故障诊断方法

技术领域

[0001] 本发明属于电力设备技术领域，特别涉及一种基于误差逆传播算法的断路器故障诊断方法。技术背景

[0002] 断路器主要用于配电系统中，是电力生产、输送、传输中广泛应用的重要设备，其作用主要为关合、承载和开断正常回路电流，在规定时间内承载和开断异常回路电流，切断故障电路保障运行安全。断路器的可靠关合、运行与分断关乎整个配电系统的正常运行，因此，断路器工作的稳定性与可靠性至关重要。

[0003] 在实际工作中，由于断路器在电力系统中的长期使用，随着其分合闸次数增多以及室外高温、高湿环境与生物影响，断路器电寿命与机械寿命将逐渐下降，操作故障将逐渐增多，不断影响电力系统稳定性以及现场操作运维人员人身安全。

[0004] 目前对于断路器故障诊断方法虽然较多，但大多数都过于单一，仅依靠提取断路器分闸线圈电流信号中时间、电流等特征量作为特征参数进行比较评估。这种方法主要依靠的特征参数需要通过大量重复性实验得出，尤其当断路器型号较多时，工作量往往过于巨大且计算结果误差较高。

[0005] 因此，开发一种计算精度高，算法更具智能化的断路器故障诊断方法对于提高断路器利用率与电力系统稳定性具有十分重要的意义。

发明内容

[0006] 鉴于此，为了克服传统故障诊断方法计算准确率低、计算工作量大的缺点，本发明使用先进的机器学习思想，提取故障诊断特征参量(例如，断路器分合闸线圈电流信号特征参数，其可用于故障诊断)，并结合误差逆传播算法，提出了一种计算精度高，更具智能化的断路器故障诊断方法。

[0007] 为实现上述发明目的，本发明采取以下技术方案：

[0008] 一种基于误差逆传播算法的断路器故障诊断方法，该方法包括以下步骤：

[0009] 步骤1：提取故障诊断特征参量；

[0010] 步骤2：建立并训练基于误差逆传播算法的神经网络故障诊断模型；

[0011] 步骤3：利用训练好的诊断模型对实际断路器进行故障识别。

[0012] 较佳的，所述步骤1中，针对正常工作情况与不同故障情况下的断路器，采集多种情况下的断路器线圈分合闸电流信号，作为样本，并结合各类实际故障，提取每个样本下电流信号波形中多个时间特征量与电流特征量作为诊断特征参量。

[0013] 较佳的，在所述步骤2中，结合断路器多种故障类型，建立基于误差逆传播算法的断路器故障诊断模型；其中，该步骤2具体包含如下步骤：

[0014] 步骤2-1：根据步骤1中提取的多个诊断特征参量，建立特征向量；

[0015] 步骤2-2：建立基于误差逆传播算法的神经网络故障诊断模型，建立一种拥有d个输入神经元、l个输出神经元、q个隐层神经元的神经网络故障诊断模型；

[0016] 步骤2-3：使用误差逆传播算法训练上述建立的神经网络故障诊断模型。

[0017] 较佳的，在步骤2-2中，所述神经网络故障诊断模型的建立过程具体包括如下步骤：

[0018] 步骤2-2-1：根据步骤2-1中提取的特征向量建立训练集，所建立训练集如下：

[0019]

[0020] 其中，Xk作为输入特征向量，Xk∈Rd，即输入特征向量由d个属性描述，d由特征向量中特征参量数目决定；Yk作为输出向量，Yk∈Rl，即输出l维实值向量，l由断路器故障类型数目决定；m由样本数决定；

[0021] 步骤2-2-2：对上述步骤所建立训练集进行归一化处理，归一化方法如下：

[0022]

[0023] 其中， 为归一化后特征参量， 为待归一化的特征参量， 为样本空间中第i特征参量最小值， 为样本空间中第i特征参量最大值；

[0024]

[0025] 其中， 为归一化后输出参量， 为待归一化的输出参量；

[0026] 得到归一化后训练集：

[0027]

[0028] 步骤2-2-3：随机定义学习率η＝(0，1)；

[0029] 步骤2-2-4：在(0，1)范围内随机初始化神经网络中所有连接权和阈值，其中输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示，输入层第i个神经元与隐层第h个神经元之间连接权为vih，隐层第h个神经元与输出层第j个神经元之间的连接权为ωhj，。

[0030] 较佳的，在步骤2-3中，所述神经网络故障诊断模型的训练过程包括如下步骤：

[0031] 步骤2-3-1：计算神经网络输出：

[0032]

[0033] 其中， 为神经网络输出层第j个实际输出，βj为第j个输出神经元的输入：

[0034]

[0035]

[0036]

[0037] 其中，bh为隐层第h个神经元的输出，αh为隐层第h个神经元的输入；

[0038] 步骤2-3-2：计算输出层神经元的梯度项g，：

[0039]

[0040] 步骤2-3-3：计算隐层神经元的梯度项eh：

[0041]

[0042] 步骤2-3-4：根据上述所计算的梯度项更新连接权与阈值：

[0043] ω′hj＝ωhj+Δωhj＝ωhj+ηgjbh

[0044]

[0045] θ′j＝θj+Δθj＝θj-ηgj

[0046] γ′h＝γh+Δγh＝γh-ηeh

[0047] 步骤2-3-5：比较神经网络模型实际输出与期望输出，如满足精度要求，则停止训练并进入步骤3，如未满足精度要求，则重复步骤2-3-1至步骤2-3-5。

[0048] 较佳的，所述步骤3中，重新采集待诊断断路器的线圈分合闸电流信号，并提取特征参量，将其输入训练完成的断路器故障诊断模型中，进行故障识别与分类。

[0049] 可见，本发明提出了一种基于误差逆传播算法的断路器故障诊断方法，具有较高的计算精度与相对智能化的识别算法，能够在较高精度下识别断路器实际故障，为断路器故障诊断提供有效帮助。。

附图说明

[0050] 图1为本发明具体实施例中一种基于误差逆传播算法的断路器故障诊断方法的算法流程图；

[0051] 图2为正常情况下断路器线圈分合闸电流信号波形图；

[0052] 图3为本发明具体实施例中基于误差逆传播算法的神经网络故障诊断模型；

[0053] 图4为本发明中实际建立的断路器故障诊断模型图。

具体实施方式

[0054] 下面结合具体的实施例对本公开进行具体的说明；

[0055] 本发明提供一种基于误差逆传播算法的断路器故障诊断方法，本方法主要包含以下步骤：

[0056] 步骤1：提取故障诊断特征参量；

[0057] 步骤2：建立并训练基于误差逆传播算法的神经网络故障诊断模型；

[0058] 步骤3：利用训练好的诊断模型对实际断路器进行故障识别。

[0059] 在一个具体实施例中，所述步骤1，为了选取适合的故障诊断特征参量，将针对正常工作情况与不同故障情况下的断路器，采集多种情况下的断路器线圈分合闸电流信号作为样本，并结合各类实际故障，提取每个样本下电流信号波形中多个时间特征量与电流特征量作为诊断特征参量。

[0060] 在更具体的实施例中，上述特征量的提取，需要结合正常情况下断路器的工作状态和参数变化进行确定。

[0061] 图2为正常情况下断路器线圈分合闸电流信号波形图，其他样本电流信号与之类似，处理方法相同，此处不再赘述。通过分析断路器铁芯运动过程，图2所示分合闸线圈电流可分为四个阶段：

[0062] 第一阶段，t0～t1时间段，此阶段内t0时刻线圈开始通电，线圈电流快速上升，此阶段内铁芯保持静止，在t1时刻铁芯开始运动；第二阶段，t1～t2时间段，此阶段内铁芯在电磁吸力的作用下开始运动，线圈阻抗逐渐增大，线圈电流逐渐降低，直至t2时刻铁芯停止运动；第三阶段，t2～t3时间段，铁芯停止运动，线圈电流快速上升，断路器触头在在传动系统作用下开始进行分合闸操作；第三阶段，t3～t4时间段，t3时刻辅助触点切断，线圈电流逐渐下降至零。

[0063] 基于上述分合闸线圈四个工作阶段与线圈电流信号，本实施例从中提取四个时间特征量T1、T2、T3、T4，分别描述各阶段时间特性，其中 从中提取电流信号波峰波谷值I1.I2、，3，作为三个电流特征量。T1、T2、T3、T1、I1.I2、I3作为各样本诊断用特征参量。

[0064] 执行完所述步骤1后，在所述步骤2中，结合断路器多种故障类型，建立基于误差逆传播算法的断路器故障诊断模型。

[0065] 在一个具体实施例中，该步骤2具体包含如下步骤：

[0066] 步骤2-1：根据步骤1中提取的多个诊断特征参量，建立特征向量；

[0067] 步骤2-2：建立基于误差逆传播算法的神经网络故障诊断模型，建立一种拥有d个输入神经元、l个输出神经元、q个隐层神经元的神经网络模型；其中输入神经元个数d由样本特征参量确定，输出神经元个数l由样本类型数确定，隐层神经元个数q须小于m-1(m为训练样本数)；

[0068] 步骤2-3：使用误差逆传播算法训练上述建立的神经网络故障诊断模型。

[0069] 进一步的，在更具体的实施例中，对于上述步骤2-2中神经网络故障诊断模型的建立和步骤2-3中神经网络故障诊断模型的训练，进行了高智能化的算法设计，附图1为该实施例中所述诊断方法的算法流程图，其对模型的建立和训练进行了具体的算法描述。

[0070] 具体的，在步骤2-2中，所述的神经网络故障诊断模型建立过程如下：

[0071] 步骤2-2-1：根据步骤2-1中提取的特征向量建立训练集，所建立训练集如下：

[0072]

[0073] 其中，Xk作为输入特征向量，Xk∈Rd，即输入特征向量由d个属性描述，d由特征向量中特征参量数目决定；Yk作为输出向量，Yk∈Rl，即输出l维实值向量，l由断路器故障类型数目决定；m由样本数决定；

[0074] 输入特征向量为：

[0075]

[0076] 结合步骤1中提取的特征参量，具化输入特征向量：

[0077]

[0078] 其中， 作为第k个样本第i个时间参量，作为第k个样本第i个电流参量；

[0079] 输出特征向量建立时，将根据样本类型(正常情况与多个故障类型)进行建立：

[0080]

[0081] 其中 表示正常情况， 表示第j-1类故障，置1为是，置0为非，通过输出特征向量对各样本类型进行区分；

[0082] 步骤2-2-2：对上述步骤所建立训练集进行归一化处理，归一化方法如下：

[0083]

[0084] 其中， 为归一化后特征参量， 为待归一化的特征参量， 为样本空间中第i特征参量最小值， 为样本空间中第i特征参量最大值；

[0085]

[0086] 其中， 为归一化后输出参量， 为待归一化的输出参量；

[0087] 得到归一化后训练集：

[0088]

[0089] 步骤2-2-3：随机定义学习率η＝(0，1)；

[0090] 步骤2-2-4：图3为具体实施例中所建立的神经网络故障诊断模型，在(0，1)范围内随机初始化神经网络中所有连接权和阈值，其中输出层第j个神经元的阈值用θj表示，隐层第h个神经元的阈值用γh表示，输入层第i个神经元与隐层第h个神经元之间连接权为vih，隐层第h个神经元与输出层第j个神经元之间的连接权为ωhj。

[0091] 进一步的，在步骤2-3中，所述的神经网络模型建立过程如下：

[0092] 步骤2-3-1：计算神经网络输出：

[0093]

[0094] 其中， 为神经网络输出层第j个实际输出，βj为第j个输出神经元的输入：

[0095]

[0096]

[0097]

[0098] 其中，bh为隐层第h个神经元的输出，αh为隐层第h个神经元的输入；

[0099] 步骤2-3-2：计算输出层神经元的梯度项gj：

[0100]

[0101] 步骤2-3-3：计算隐层神经元的梯度项eh：

[0102]

[0103] 步骤2-3-4：根据上述所计算的梯度项更新连接权与阈值：

[0104] ω′hj＝ωhj+Δωhj＝ωhj+ηgjbh

[0105]

[0106] θ′j＝θj+Δθj＝θj-ηgj

[0107] γ′h＝γh+Δγh＝γh-ηeh

[0108] 步骤2-3-5：根据修正后的神经网络故障诊断模型，计算实际输出并比较神经网络故障诊断模型的实际输出与期望输出，如满足精度要求，则停止训练并进入步骤3，如未满足精度要求，则重复步骤2-3-1至步骤2-3-5。

[0109] 通过上述步骤2的执行，获得了高精度的故障诊断模型。

[0110] 在所述步骤3中，为了利用上述故障诊断模型对待诊断的断路器进行诊断工作，重新采集待诊断的断路器的线圈分合闸电流信号，并提取特征参量，将其输入训练完成的断路器故障诊断模型中，进行故障识别与分类。

[0111] 为了验证本发明公开的该诊断方法的可行性，发明人进行了实际应用，利用上述断路器故障诊断方法，模拟“操作电压过高”、“操作电压过低”、“铁芯卡滞”、“盐雾腐蚀”四类故障情况，连同正常工作情况每类各取20组数据作为训练样本。

[0112] 获得训练样本后，建立了故障诊断网络模型如图4，其中输入层神经元7个，隐层神经元3个，输出层神经元5个。根据上述100个样本，提取诊断参量，具化特征向量，并归一化处理形成训练集。

[0113] 获得归一化后训练集后，将归一化后训练集输入上述建立的故障诊断网络模型，利用误差逆传播算法结合图1所示算法流程进行训练，当精度达95％以上时停止训练。

[0114] 最终，通过实际采集断路器分合闸线圈电流信号进行诊断分析，以验证诊断模型准确度，其验证结果如表1所示。

[0115] 表1故障识别结果

[0116]

[0117] 可见，本发明所述断路器故障诊断方法具有高效，高精度优点，能够在较高精度下识别断路器实际故障。

[0118] 以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照上述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对上述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替代；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术所述的精神范围。