CN101533058A - 一种电力异常故障数据分析装置及诊断方法 - Google Patents

Abstract

本发明涉及一种电力异常故障数据分析装置及诊断方法，属于设备故障检测领域，分析装置包括信号采集单元、旋转电容滤波器电路、信号处理器、电源模块、通讯模块和上位机。采用该装置对异常故障数据诊断方法为：1.利用相空间重构的方法，求出嵌入延迟τ和最佳嵌入维d；2.对采集数据进行建模，得到神经网络预测原始模型；3.预测的下一步输出x_i+1 ^－；4.更新下一步预测的BP网络的权值；5.判断误差。本发明地优点为把BP神经网络和相空间重构的方法进行了巧妙的结合，适合多种采集信号类型、处理速度准确快速、适用于各种复杂储运工况，能够有效地对信号故障特别是细微的故障数据进行分析处理。旋转滤波电容器可以对噪音有很强的抑制能力。

Description

一种电力异常故障数据分析装置及诊断方法

技术领域：

本发明属于设备故障检测领域，特别涉及一种电力异常故障数据分析装置及诊断方法。

背景技术：

目前对于电压异常故障数据进行分析的装置，如果信号频带和噪声频带重叠时，则利用简单的滤波技术是不可能解决问题的，对噪声抑制能力差，异常信号可以检测出来，但是两边的脉冲波过高，对于检测异常信号有影响，目前异常故障诊断方法有模糊逻辑方法、小波方法、模式识别方法等，这些方法主要利用统计学方法对数据进行分析，这些方法假设对象的动态特性是随机的，导致诊断精确度不够理想，对于较小的信号故障无能为力，另外，小波故障诊断方法存在着误报率过高的问题，严重的限制了小波故障诊断方法在实践领域中的应用，模糊逻辑方法不具备自学习能力，存在模糊诊断知识获取困难的瓶颈，尤其是故障与征兆的模糊关系较难确定，容易产生漏报和误诊，并且模糊规则、隶属函数和决策算法的最优化选择比较困难，而模式识别法它存在故障特征向量和判别函数难以表达和确定，对新颖故障的诊断无能为力，对故障界限不明确的故障模式诊断效果较差等不足。

发明内容：

针对现有技术中存在的问题，本发明提供一种电力异常故障数据分析装置及诊断方法，通过神经网络对设备故障的计算与分析，以达到对电压的异常故障数据进行检测的目的。

本发明的技术方案是这样实现的：本发明包括分析装置与诊断方法，其中分析装置包括信号采集单元、旋转电容滤波器电路、信号处理器、电源模块、通讯模块和上位机，信号采集单元包括第一级运算放大器、第二级反相比例运算放大器、第三级运算放大器、电阻、电容和二极管；旋转电容滤波器电路包括电阻、第四级运算放大器、第五级运算放大器、RC电路、第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关；电路联接是信号采集单元中联接第二级反相比例运算放大器输出端的电阻联接旋转电容滤波器电路的输入端；旋转电容滤波器电路的输出端联接信号处理器的输入端，信号处理器的输出端通过串行通讯联接上位机的输入端；电源模块联接信号处理器；其中信号采集单元由两个电阻组成的分压电路联接第一级运算放大器的同相输入端，第一级运算放大器的输出端通过电阻联接第二级反相比例运算放大器反相输入端，第二级反相比例运算放大器输出端通过电阻联接旋转电容滤波器电路的输入端，旋转电容滤波器电路的输出端联接第三级运算放大器的反相输入端，第三级运算放大器的输出端联接由电阻和电容组成的无源滤波器，无源滤波器的输出端联接二极管组成的限幅电路。

其中，所述的旋转电容滤波器电路包括电阻、第四级运算放大器、第五级运算放大器、RC电路、第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关，第四级运算放大器与第五级运算放大器组成并联电路，在第四级运算放大器的反相输入端联接第二双刀双掷电子开关，第二双刀双掷电子开关通过RC电路联接第三双刀双掷电子开关；在第五级运算放大器的反相输入端联接第四双刀双掷电子开关，第四双刀双掷电子开关通过RC电路联接第五双刀双掷电子开关，旋转电容滤波器电路中第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关在电路运行时相继循环联接。

所述的电力异常故障数据分析装置的异常故障数据诊断方法，按如下步骤进行：

步骤一、采集数据，包括电压，利用相空间重构的方法，求出嵌入延迟τ和最佳嵌入维d，利用原始时间序列V重构相空间：

X_t＝(x_t，x_t+τ，x_t+2τ，...，x_t+(d-1)τ)           (1)

其中t＝1，2，...M_d，M_d＝N-(d-1)τ，N是原始数据的个数，这个M_d个d维矢量在d维相空间描述出的轨迹将把混沌吸引子完全展开，在拓扑等价的情况下恢复原来系统的动力学行为；

步骤二、局部对电压时间序列利用神经网络建模，采用BP网络作为训练模型网络，利用重构相空间后的数据训练BP网络，对采集数据进行建模，其中，d为神经网络的输入节点个数，X(t)作为神经网络的输入，得到神经网络预测原始模型；

步骤三、采集数据X_i联合原始数据组成输入向量，作为当前神经网络的输入，通过建模，得到预测的下一步输出；

步骤四、采集数据X_i在内共k个向量x_i，x_i-1，…x_i-k+1实时训练BP网络，得到的权值用来实时更新下一步预测的BP网络的权值，k表示采集数据X_i向量个数，k＝0，...，N，N为自然数；

步骤五、x_i和其预测值

的预测误差值err作为故障判断的依据，如果err>RT，则表示当前数据有异常，否则继续判断，其中RT为预先设定或者通过自动识别得到的阈值。

其中，第1、2步利用原始数据离线完成，为了保证诊断的实时性3、4、5步应同时进行。

该方法除了神经网络的参数需要确定以外，还需要确定参数k，k表示需要确定在线训练的原始数据的个数，k＝0，...，N，N为自然数，改参数k如果太大，计算机将无法在规定的时间内完成网络参数的训练，如果太小则无法体现要训练数据的特点，导致预测出现较大误差甚至错误；另外需要确定的一个参数是阈值RT，RT为预先设定或者通过自动识别得到的阈值，该参数作为判断数据是否发生异常的触发器，要根据神经网络的预测误差err来决定。如果err较小则可以适当减小RT，如果err变大，则要相应增大RT，事实上，k、err和RT是有关系的，一般来说，在线训练的数据个数k越大，那么预测的误差err越小，那么RT也就可以适当的减小，并且这样可以发现更小的故障。

其中相空间重构法通过测量可得到采样信号的时间序列矩阵，采集数据{X_k}＝{X(kT)}，其中k＝0，...，N，T为采样周期，每个X(kT)为kT时刻实测的m维向量(包括压力、流量、输差等)。然后针对X(kT)的第i个分量构造形式上的状态向量 $X_k^i\left(\mathrm{kT}\right)={[X_i\left(\mathrm{kT}\right),X_i(\mathrm{kT}-{\mathrm{\τ}}_i),...,X_i(\mathrm{kT}-(n_i-1){\mathrm{\τ}}_i)]}^T,$ i＝1，...，m；其中τ＝[τ₁ τ₂，...，τ_m]^T是未知的延迟时间向量，τ_i是τ的第i个分量(i＝1，...，m)；n＝[n₁ n₂，...，n_m]^T，n_i是n的第i个分量，是未知的嵌入维数(i＝1，...，m)。为了确定τ_i和n_i值，从而确定τ和n，发明首先利用时间序列计算

${\mathrm{\ψ}}_{\mathrm{XX}}^i(k\′)=E\left\{{[X_k^i-\stackrel{\‾}{\left\{X_k^i\right\}}]}^T[X_{k-k\′}^i-\stackrel{\‾}{\left\{X_{k-k\′}^i\right\}}]\right\}---\left(2\right)$

和

${\mathrm{\ψ}}_{X^2{X}^2}^i(k\′)=E\left\{{[{\left(X_k^i\right)}^2-\stackrel{\‾}{\left\{{\left(X_k^i\right)}^2\right\}}]}^T[{\left(X_{k-k\′}^i\right)}^2-\stackrel{\‾}{\left\{{\left(X_{k-k\′}^i\right)}^2\right\}}]\right\}---\left(3\right)$

其中k′<k，k′＝0，1，...，E(·)是期望值，{·}是平均值，

是线性相关的函数，

是非线性相关的函数。设

分别是

和达到第一个最小值的时间，则可得到如下时间单元：

${\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i=\min \{{\mathrm{\&tau;}}_{\mathrm{iX}},{\mathrm{\&tau;}}_{{\mathrm{iX}}^2}\}---\left(4\right)$

这样延迟时间常数τ_i可以选择为

Int[τ_i/5]≤τ_i≤Int[τ_i/2]+1                   (5)

其中Int[·]表示实数的整数部分。然后通过采用相关函数来计算吸引子的相关维数：

$C_i\left(l\right)=\frac{1}{N(N-1)}\underset{k,j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&theta;}(l-\left|\right|X_k^i-X_j^i\left|\right|),i=1,...,m---\left(6\right)$

其中l是一个常参数。θ为Heaviside函数。计算 ${\tilde{n}}_i=\underset{l\&RightArrow;0}{\lim }\log C_i\left(l\right)/\log l$ 可得到吸引子的估计维数，则该系统的第i个分量的嵌入维数为 $n_i\&GreaterEqual;2{\tilde{n}}_i+1.$

BP神经网络的训练过程：

1 网络初始化，用一组随机数对网络赋初始权值，设置学习步长η、允许误差ε、网络结构(即网络层数L和每层节点数n₁)，令样本模式计数器P＝1训练次数计数器q＝1；

2 为网络输入一组学习样本；

3 对每个学习样本p循环

(1)逐层正向计算网络d个输入节点的输入X(t)和输出；

(2)计算第p个样本的输出的误差E_P和网络的总误差E，

$E_p=\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(T_{\mathrm{jdp}}-\widehat{T_{\mathrm{jp}}})}^2---\left(7\right)$

$E=\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}{E}_P---\left(8\right)$

式中：T_jdp和分别为输出层第j个节点的期望输出和实际输出，E_P为输出的误差和E为网络的总误差；

(3)当E小于允许误差ε或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播。

(4)反向逐层计算网络各节点误差

如果f₁取为S型函数，即

则对于输出层有：

${\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}=o_{\mathrm{jp}}^{\left(l\right)}(1-o_{\mathrm{jp}}^{\left(l\right)})(y_{\mathrm{jdp}}-o_{\mathrm{jp}}^{\left(l\right)})---\left(9\right)$

对于隐含层有：

${\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}=o_{\mathrm{jp}}^{\left(l\right)}(1-o_{\mathrm{jp}}^{\left(l\right)})\mathrm{\&Sigma;}{\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}{w}_{\mathrm{kj}}^{(l+1)}---\left(10\right)$

(5)修正网络联接权值：

$W_{\mathrm{ij}}(k+1)=W_{\mathrm{ij}}\left(k\right)+{\mathrm{\&eta;\&delta;}}_{\mathrm{jp}}^{\left(l\right)}{o}_{\mathrm{jp}}^{l-1}---\left(11\right)$

式中，k为学习次数，η为学习因子。η取值越大，每次权值的改变越剧烈，这可能导致学习过程振荡，因此，为了使学习因子的取值足够大，又不至产生振荡，通常在权值修正公式中加入一个附加动量法。

本发明优点：把BP神经网络和相空间重构的方法进行了巧妙的结合，这样结合能恢复原来系统的动态特性，更能准确的描述动态模型，建立对象的动态特性，从而准确的求出嵌入延迟τ和最佳嵌入d，同时适合多种采集信号类型、处理速度准确快速、适用于各种复杂储运工况，能够有效地对信号故障特别是细微的故障数据进行分析处理。旋转滤波电容器可以对噪音有很强的抑制能力。

附图说明：

图1为本发明装置结构框图；

图2为本发明电原理图；

图3为本发明电源模块电原理图；

图4为本发明旋转电容滤波器脉冲信号方波图；

图5为本发明诊断方法流程图；

图6为本发明时间序列分析模块结构图；

图7为本发明相空间重构法流程图；

图8为本发明在线故障诊断方法结构图；

图9为本发明BP神经网络序列分析流程图；

图10为未使用本发明旋转电容滤波器电路的采样信号波形图；

图11为使用本发明旋转电容滤波器电路的采样信号波形图；

图12为诊断之前的原始数据图；

图13为诊断之后检测异常故障数据图。

图中：1信号采集单元，2旋转电容滤波器电路，3信号处理器，4上位机，5电源模块。

具体实施方式：

本发明利用安装在电力设备上的电压传感器联接信号采集单元，信号处理器为DSPIC30F6010A。

该装置(如图1，2所示)，包括信号采集单元、旋转电容滤波器电路、信号处理器、电源模块、通讯模块和上位机，信号采集单元进行信号采集，信号采集单元包括第一级运算放大器(AMP1A)、第二级反相比例运算放大器(AMP1B)、第三级运算放大器(AMP1D)、电阻、电容和二极管；旋转电容滤波器电路包括电阻、第四级运算放大器(AMP1C)、第五级运算放大器(AMP2C)、RC电路、第二双刀双掷电子开关(S2)、第三双刀双掷电子开关(S3)、第四双刀双掷电子开关(S4)和第五双刀双掷电子开关(S5)；信号采集单元中联接第二级反相比例运算放大器(AMP1B)输出端的电阻(RA9)联接旋转电容滤波器电路；旋转电容滤波器电路从噪声中检测已知频率的正弦信号和方波信号，旋转电容滤波器通过电子开关周期性的转换方向，电流源给RC电路充电；旋转电容滤波器电路的输出信号经过信号采集单元处理成信号处理器可以接受的0—3.3V电压以后将信号传递至信号处理器，信号处理单元通过分析提取的变化信号，针对这个变化信号对BP神经网络模型的影响来确定是否发生信号异常，当实时模型和历史模型之间的模型差符合性能指标时，不作处理，当模型差大于性能指标时，即判断有异常信号存在；信号处理器DSPIC30F6010A接口SCI_OUT、SCI_IN通过串行通讯端子SCI_OUT、SCI_IN联接上位机，如图3所示；电源模块联接信号处理器，进行供电，(如图3所示)；其中信号采集单元(如图2所示)，由两个电阻(RA1)和(RA2)组成的分压电路联接第一级运算放大器(AMP1A)的同相输入端，第一级运算放大器(AMP1A)的输出端通过电阻(RA3)联接第二级反相比例运算放大器(AMP1B)反相输入端，第二级反相比例运算放大器(AMP1B)输出端通过电阻(RA9)联接旋转电容滤波器电路的输入端，旋转电容滤波器电路的输出端联接第三级运算放大器(AMP1D)的反相输入，第三级运算放大器(AMP1D)的输出端联接由电阻(RA12)和电容(CA4)组成的无源滤波器，无源滤波器的输出端联接二极管(D1)和(D2)组成的限幅电路。

所述的旋转电容滤波器电路(如图2所示)，包括电阻、第四级运算放大器(AMP1C)、第五级运算放大器(AMP2C)、RC电路、第二双刀双掷电子开关(S2)、第三双刀双掷电子开关(S3)、第四双刀双掷电子开关(S4)和第五双刀双掷电子开关(S5)，第四级运算放大器(AMP1C)与第五级运算放大器(AMP2C)组成并联电路，在第四级运算放大器(AMP1C)的反相输入端联接第二双刀双掷电子开关(S2)，第二双刀双掷电子开关(S2)通过由电阻(RA11)和电容(CA2)组成的RC电路联接第三双刀双掷电子开关(S3)；在第五级运算放大器(AMP2C)的反相输入端联接第四双刀双掷电子开关(S4)，第四双刀双掷电子开关(S4)通过由电阻(RA23)和电容(CA3)组成的RC电路联接第五双刀双掷电子开关(S5)。

旋转电容滤波器，为一种开关电容滤波器，它具有抑制噪声能力，对异常信号检测有着很强的辅助作用，(如图10所示)，在没有设计旋转电容滤波器以前，异常信号可以检测出来，但是两边的脉冲波过高，对于检测异常信号有影响，但是，(如图11所示)，设计了旋转滤波器滤波以后，两边的脉冲波平坦了，可以更好的对异常信号进行检测，S2、S3、S4、S5是由脉冲信号控制的双刀双掷电子开关，控制脉冲信号p(t)是频率为f的方波，如图4所，当p(t)为高电平时，电子开关接到S2、S4，当p(t)为低电平时，电子开关接到S3、S5，这样电流源就通过电子开关周期性的转换方向，给RC充电，这相当于电容C在两个半圆形极板中以开关频率旋转。

电路工作过程为：(如图2所示)，设备输出检测的电压信号VCVA经由电阻(RA1)和(RA2)构成的分压电路分压后，送到第一级运算放大器(AMP1A)，经过一个电阻(RA3)，进入第二级反相比例运算放大器(AMP1B)，再经过一个电阻(RA9)，进入到我们搭建的旋转电容滤波器，电压流经电阻(RA9)，进入第四级运算放大器(AMP1C)与第五级运算放大器(AMP2C)并联电路，分压后电压通过第二双刀双掷电子开关(S2)和第四双刀双掷电子开关(S4)，经过电阻(RA11)和电容(CA2)并联电路和经过电阻(RA23)和电容(CA3)并联电路，再经过第三双刀双掷电子开关(S3)和第五双刀双掷电子开关(S5)，输出电压，再进入第三极运算放大器(AMP1D)，最后电阻(RA12)和电容(CA4)组成无源滤波器，在调理通道的输出端接两个二极管(D1)和(D2)构成限幅电路，使信号处理器DSPIC30F6010A能正常工作。

所述的电力异常故障数据分析装置的异常故障数据诊断方法，按如下步骤进行：(如图8所示)，

步骤一、令K＝10，采集10个电压值，分别为X₁＝3.5、X₂＝4.6、X₃＝2.6、X₄＝3.4、X₅＝4.0、X₆＝4.1、X₇＝3.6、X₈＝4.3、X₉＝4.4、X₁₀＝3.8利用相空间重构的方法，求出嵌入延迟τ＝4和最佳嵌入维d＝3，利用原始时间序列V重构相空间：

X_t＝(x_t，x_t+τ，x_t+2τ，...，x_t+(d-1)τ)              (1)

其中t＝1，2，...M_d，M_d＝N-(d-1)τ，N是原始数据的个数，这个M_d个d维矢量在d维相空间描述出的轨迹将把混沌吸引子完全展开，在拓扑等价的情况下恢复原来系统的动力学行为。

步骤二、局部对电压的时间序列利用神经网络建模，(如图6所示)，这里我们采用BP网络作为训练模型网络，利用重构相空间后的数据训练BP网络，对采集数据进行建模，其中，d为神经网络的输入节点个数，X(t)作为神经网络的输入，得到神经网络预测原始模型；

步骤三、采集数据X_i联合原始数据组成输入向量，作为当前神经网络的输入，通过建模、得到预测的下一步输出

；

步骤四、数据X_i在内共k个向量x_i，x_i-1，…x_i-k+1实时训练BP网络，得到的权值用来实时更新下一步预测的BP网络的权值；

步骤五、x_i和其预测值

的预测误差值err作为故障判断的依据，设置阈值RT＝30如果err>RT，则表示当前数据有异常，否则继续判断。

其中，第1、2步利用原始数据离线完成，为了保证诊断的实时性3、4、5步应同时进行。

该方法除了神经网络的参数需要确定以外，还需要确定参数k，k表示需要确定在线训练的原始数据的个数，k＝0，...，N，N为自然数，改参数k如果太大，计算机将无法在规定的时间内完成网络参数的训练，如果太小则无法体现要训练数据的特点，导致预测出现较大误差甚至错误；另外需要确定的一个参数是阈值RT，RT为预先设定或者通过自动识别得到的阈值，该参数作为判断数据是否发生异常的触发器，要根据神经网络的预测误差err来决定，如果err较小则可以适当减小RT，如果err变大，则要相应增大RT，事实上，k、err和RT是有关系的，一般来说，在线训练的数据个数k越大，那么预测的误差err越小，那么RT也就可以适当的减小，并且这样可以发现更小的故障。

其中相空间重构法通过测量可得到采样信号的时间序列矩阵，采集数据{X_k}＝{X(kT)}，如图7所示，其中k＝0，...，N，T为采样周期，每个X(kT)为kT时刻实测的m维向量(包括压力、流量、输差等)。然后针对X(kT)的第i个分量构造形式上的状态向量 $X_k^i\left(\mathrm{kT}\right)={[X_i\left(\mathrm{kT}\right),X_i(\mathrm{kT}-{\mathrm{\&tau;}}_i),...,X_i(\mathrm{kT}-(n_i-1){\mathrm{\&tau;}}_i)]}^T$ ，i＝1，...，m；其中τ＝[τ₁ τ₂，...，τ_m]^T是未知的延迟时间向量，τ_i是τ的第i个分量(i＝1，...，m)；n＝[n₁ n₂，...，n_m]^T，n_i是n的第i个分量，是未知的嵌入维数(i＝1，...，m)。为了确定τ_i和n_i值，从而确定τ和n，发明首先利用时间序列计算

${\mathrm{\&psi;}}_{\mathrm{XX}}^i(k\&prime;)=E\left\{{[X_k^i-\stackrel{\&OverBar;}{\left\{X_k^i\right\}}]}^T[X_{k-k\&prime;}^i-\stackrel{\&OverBar;}{\left\{X_{k-k\&prime;}^i\right\}}]\right\}---\left(2\right)$

和

${\mathrm{\&psi;}}_{X^2{X}^2}^i(k\&prime;)=E\left\{{[{\left(X_k^i\right)}^2-\stackrel{\&OverBar;}{\left\{{\left(X_k^i\right)}^2\right\}}]}^T[{\left(X_{k-k\&prime;}^i\right)}^2-\stackrel{\&OverBar;}{\left\{{\left(X_{k-k\&prime;}^i\right)}^2\right\}}]\right\}---\left(3\right)$

其中k′<k，k′＝0，1，...，E(·)是期望值，{·}是平均值，

是线性相关的函数，是非线性相关的函数。设

分别是

和

达到第一个最小值的时间，则可得到如下时间单元：

${\stackrel{\&OverBar;}{\mathrm{\&tau;}}}_i=\min \{{\mathrm{\&tau;}}_{\mathrm{iX}},{\mathrm{\&tau;}}_{{\mathrm{iX}}^2}\}---\left(4\right)$

这样延迟时间常数τ_i可以选择为

Int[τ_i/5]≤τ_i≤Int[τ_i/2]+1                   (5)

其中Int[·]表示实数的整数部分。然后通过采用相关函数来计算吸引子的相关维数：

$C_i\left(l\right)=\frac{1}{N(N-1)}\underset{k,j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&theta;}(l-\left|\right|X_k^i-X_j^i\left|\right|),i=1,...,m---\left(6\right)$

其中l是一个常参数。θ为Heaviside函数。计算 ${\tilde{n}}_i=\underset{l\&RightArrow;0}{\lim }\log C_i\left(l\right)/\log l$ 可得到吸引子的估计维数，则该系统的第i个分量的嵌入维数为 $n_i\&GreaterEqual;2{\tilde{n}}_i+1.$

BP神经网络的训练过程：

1 网络初始化，用一组随机数对网络赋初始权值，设置学习步长η、允许误差ε、网络结构(即网络层数L和每层节点数n₁)，令样本模式计数器P＝1训练次数计数器q＝1；

2 为网络输入一组学习样本；

3 对每个学习样本p循环

(1)逐层正向计算网络d个输入节点的输入X(t)和输出；

(2)计算第p个样本的输出的误差E_P和网络的总误差E，

$E_p=\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(T_{\mathrm{jdp}}-\widehat{T_{\mathrm{jp}}})}^2---\left(7\right)$

$E=\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}{E}_P---\left(8\right)$

式中：T_jdp和

分别为输出层第j个节点的期望输出和实际输出，E_P为输出的误差和E为网络的总误差；

(3)当E小于允许误差ε或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播。

(4)反向逐层计算网络各节点误差

如果f₁取为S型函数，即

则对于输出层有：

${\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}=o_{\mathrm{jp}}^{\left(l\right)}(1-o_{\mathrm{jp}}^{\left(l\right)})(y_{\mathrm{jdp}}-o_{\mathrm{jp}}^{\left(l\right)})---\left(9\right)$

对于隐含层有：

${\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}=o_{\mathrm{jp}}^{\left(l\right)}(1-o_{\mathrm{jp}}^{\left(l\right)})\mathrm{\&Sigma;}{\mathrm{\&delta;}}_{\mathrm{jp}}^{\left(l\right)}{w}_{\mathrm{kj}}^{(l+1)}---\left(10\right)$

(5)修正网络连接权值：

$W_{\mathrm{ij}}(k+1)=W_{\mathrm{ij}}\left(k\right)+{\mathrm{\&eta;\&delta;}}_{\mathrm{jp}}^{\left(l\right)}{o}_{\mathrm{jp}}^{l-1}---\left(11\right)$

式中，k为学习次数，η为学习因子。η取值越大，每次权值的改变越剧烈，这可能导致学习过程振荡，因此，为了使学习因子的取值足够大，又不至产生振荡，通常在权值修正公式中加入一个附加动量法。

其诊断过程最终由DSPIC30F6010A处理器的控制实现，按以下控制步骤执行，(如图5所示)：

步骤一：开始；

步骤二：定义程序出口地址并初始化I/O设备、同时初始化看门狗、中断向量、装置时钟；

步骤四：设置异常响应，并设置中断响应地址和开中断；

步骤五：初始化存储系统，为采样数据分配内存；

步骤六：设置采样间隔及使能各采样通道；

步骤七：DSPIC30F6010A微处理器对常规数据进行信号采集和利用BP神经网络进行分析处理；

步骤八：对数据结果打包汇总，上传到上位机；

步骤九：结束。

BP神经网络分析过程包括以下步骤，(如图9所示)：

步骤一：网络初始化，用一组随机数对网络赋初始权值；

步骤二：为网络提供一组学习样本；

步骤三：逐层正向计算网络各节点的输入和输出；

步骤四：计算第p个样本的输出的误差E_P和网络的总误差E；

步骤五：修正网络连接权值；

我们从现场采集1200个电压数据，嵌入维是3维，嵌入延迟为4，BP神经网络的参数选取中，BP神经网络采用三层结构，输入节点3个，隐含层节点28个，一个输出节点。设置RT＝30，(如图12，13所示)，图15纵坐标表示电压值，图16纵坐标表示预测误差，从图12和13可以看出，在第1000个点处，预测误差40>30，在此处检测到异常信号。

Claims (3)

1、一种电力异常故障数据分析装置，其特征在于：该装置包括信号采集单元、旋转电容滤波器电路、信号处理器、电源模块、通讯模块和上位机，信号采集单元包括第一级运算放大器、第二级反相比例运算放大器、第三级运算放大器、电阻、电容和二极管；旋转电容滤波器电路包括电阻、第四级运算放大器、第五级运算放大器、RC电路、第二双刀双掷电了开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关；电路连接是信号采集单元中连接第二级反相比例运算放大器输出端的电阻连接旋转电容滤波器电路的输入端；旋转电容滤波器电路的输出端连接信号处理器的输入端，信号处理器的输出端通过串行通讯连接上位机的输入端，电源模块连接信号处理器；其中信号采集单元由两个电阻组成的分压电路连接第一级运算放大器的同相输入端，第一级运算放大器的输出端通过电阻连接第二级反相比例运算放大器反相输入端，第二级反相比例运算放大器输出端通过电阻连接旋转电容滤波器电路的输入端，旋转电容滤波器电路的输出端连接第三级运算放大器的反相输入端，第三级运算放大器的输出端连接由电阻和电容组成的无源滤波器，无源滤波器的输出端连接二极管组成的限幅电路。

2、根据权利要求1所述的电力异常故障数据分析装置，其特征在于所述的旋转电容滤波器电路包括电阻、第四级运算放大器、第五级运算放大器、RC电路、第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关；第四级运算放大器与第五级运算放大器组成并联电路，在第四级运算放大器的反相输入端连接第二双刀双掷电子开关，第二双刀双掷电子开关通过RC电路连接第三双刀双掷电子开关；在第五级运算放大器的反相输入端连接第四双刀双掷电子开关，第四双刀双掷电子开关通过RC电路连接第五双刀双掷电子开关，旋转电容滤波器电路中第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关在电路运行时相机循环连接。

3、采用权利要求1所述的电力异常故障数据分析装置的异常故障数据诊断方法，其特征在于按如下步骤进行：

步骤一、采集数据，包括电压，利用相空间重构的方法，求出嵌入延迟τ和最佳嵌入维d，利用原始时间序列V重构相空间；

步骤二、局部对电压的时间序列利用神经网络建模，对采集数据进行建模，得到神经网络预测原始模型；

步骤三、采集数据X_i联合原始数据组成输入向量，作为当前神经网络的输入，通过建模，得到预测的下一步输出

步骤四、采集数据X_i在内共k个向量x_i，x_i-1，…x_i-k+1实时训练BP网络，得到的权值用来实时

更新下一步预测的BP网络的权值；

步骤五、x_i和其预测值x_i的预测误差值err作为故障判断的依据，如果err>RT，则表示当前数据有异常，否则继续判断，其中RT为预先设定或者通过自动识别得到的阈值。

Images