CN104238546A - 基于混杂神经网络的直流主设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于混杂神经网络的直流主设备故障诊断方法，其包括以下步骤：步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带点实验数据，在线监测数据，各种巡检数据组成的历史数据；步骤2、应用神经网络对所述关联数据进行信息融合；步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式或/和形态展现，所述原始状态为源数据所体现的历史状态。本发明提高故障设备的检修效率和电网运行的可靠性。

Description

基于混杂神经网络的直流主设备故障诊断方法

技术领域

本发明涉及电力系统故障诊断技术领域，尤其涉及一种基于混杂神经网络的直流主设备故障诊断方法。

背景技术

随着电网规模的扩大，电力系统的建设和发展，电力设备数量不断增加，各种新型设备的投入运行，直流主设备的可靠性已成为电力系统安全运行的保证，因此，对直流主设备的故障诊断技术研究显得尤为重要。

目前，直流系统的状态检测、故障诊断技术则多是直接简单的借用了一些现有交流设备的技术手段，然而直流设备与交流设备的故障发展机理和规律存在着较大的差异，二者之间的一致性较差，特别是诊断标准更是无法简单的借用，因此在这些方面直流设备状态检测、故障诊断等问题十分突出。

另外，直流设备是综合了机械、电气、化学、热力学等多学科技术的一个封闭整体，造成其故障的原因错综复杂，故障诊断需要多方面的知识和专家经验，然而反映设备故障的信息来源不同、模式不同、时间不同、表示方法不同，都会对直流设备故障诊断系统的性能、准确率带来很大的影响，因此，提高直流设备故障诊断的准确率，提高电网运行的可靠性成为亟待解决的问题。

人工神经网络具有很强的非线性映射能力，能够根据状态信号较好的反映设备的实际工作状态。因此，采用基于混杂神经网络的直流主设备故障诊断方法，能够很好的预测设备的状态，方便工作人员进一步处理，是保证保障电网安全经济运行、提高电网运行的可靠性的必然选择。

发明内容

本发明的目的在于提出基于混杂神经网络的直流主设备故障诊断方法，可以提高诊断故障设备的准确率，提高电网运行的可靠性。

一种基于混杂神经网络的直流主设备故障诊断方法，其包括以下步骤：

步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带点实验数据，在线监测数据，各种巡检数据组成的历史数据；

步骤2、应用神经网络对所述关联数据进行信息融合；

步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；

步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式或/和形态展现，所述原始状态为源数据所体现的历史状态；

其中步骤3包括：

步骤31、初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络，所述训练目标数据为实时数据；

步骤32、将训练好的稳定的Hopfield网络的初始权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值矩阵进行优化，获取优化权值矩阵；

步骤33、将优化权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据，其中，所述故障样本数据为源数据；

步骤34、BP网络对经过预处理的故障样本数据进行训练，最终获得一网络结构，保存该网络结构；

步骤35、将实时数据输入所述网络结构中，得出预测状态。

所述获取进行设备故障诊断所需的关联数据的方法是：

获取历史数据和新采集的实时数据，并对二者进行预处理；所述预处理包括对以下问题的一种或多种进行处理：

不同源数据的重复冗余问题、同源数据中存在的重复性数据冗余问题、不同源数据的冲突问题、不同源数据的错漏问题、不同源数据的含有的数据异常问题进行处理，所述数据异常问题包括尖刺、飞点或突变的一种或多种。

所述步骤2进行信息融合的方法是：根据源数据的特点选择合适的神经网络模型建立神经网络，然后根据已有的多源信息和系统融合知识采用相应的学习方法，对所建立的神经网络进行离线学习确定连接权重与结构，最后把得到的神经网络用于关联数据的融合中。

对于复杂问题时，采用层次神经网络，将所述神经网络定义为总网，所述总网分为多层子网，子网之间以串并联的形式相联，总网和子网学习分批实施。

所述子网之间采用相同或不同类型的神经网络。

所述步骤32中用粒子群优化算法对初始权值矩阵进行优化的方法是：

以粒子群中的粒子的位置表示Hopfield网络的权值矩阵，每个粒子的维数表示Hopfield神经网络起连接作用的权的数量，选取合适的适应度函数，将获得的适应度值作为判断粒子是否具有更好性能的依据，每个粒子在权值空间内移动并搜索适应度值更小的位置，同时改变粒子的速度，更新粒子的位置，获得更新后的网络权值矩阵。

所述适应度函数fit(x)选取方法为：

fit(x)＝f(WU)-U

其中f(WU)为激励函数，W为网络权值矩阵，U表示网络的稳定状态。

改变粒子的速度和更新粒子的位置的方程为：

$v_{\mathrm{id}}^{k+1}=v_{\mathrm{id}}^k+c_1\×{\mathrm{rand}}_1^k\×({\mathrm{pt}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2\×{\mathrm{rand}}_2^k\×({\mathrm{pt}}_d^k-x_{\mathrm{id}}^k)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^k$

其中，是粒子i在第k次迭代中第d维的速度，c₁,c₂是加速系数，rand₁、rand₂是0～1之间的随机数，pt是粒子i在第d维的个体极值点的位置，d和k均为正整数。

所述步骤4中，将预测状态与原始状态对应起来以不同的颜色展现：

当理论设备处于正常状态时，以绿色颜色展示；当理论设备处于故障萌发点时，这时需要注意设备运行情况，以黄色颜色展示；当理论设备处于潜在故障点时，这时设备可能出现异常情况，以橙色颜色展示；当理论设备处于功能故障点时，这时设备可能出现严重情况，以红色颜色展示；所述理论设备为预测状态下直流主设备的理论状态。

所述步骤4中，将预测状态与原始状态根据直流主设备处于不同的健康状态对应起来以发出不同的警报提示音展现：

当理论设备处于正常运行接近故障萌发点时，发出第一报警提示；当理论设备处于故障萌发点接近潜在故障点时，发出第二报警提示；当理论设备处于潜在故障点接近功能故障点时，发出第三报警提示；当理论设备处于功能故障点后，发出紧急提示；所述理论设备为预测状态下直流主设备的理论状态。

与现有技术相比，本发明的有益效果在于：本发明利用各种历史数据及对数据预处理后，应用神经网络进行信息融合，结合粒子群优化算法计算的优越性、Hopfield网络的全局优化能力及BP网络的局部优化能力，设计混杂神经网络，提高了提高网络的故障诊断精度；然后将预测的状态以不同的形式、形态展现，发出不同的报警提示或颜色提醒或即时消息提醒，工作人员可以根据不同的报警提示，选择检修的优先等级，从而可以提高故障设备的检修效率，提高电网运行的可靠性。

附图说明

图1为本发明基于混杂神经网络的直流主设备故障诊断方法的一个实施流程图；

图2为混杂神经网络的算法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例

本发明提出混杂神经网络的直流主设备故障检测方法，其实施流程可参考图1所示，包括步骤：

S1、获取进行直流主设备故障诊断所需的数据并对数据预处理；

其中，直流主设备故障诊断所需的数据，包括各种历史数据及数据对应的状态分类及最新数据。

S2、应用神经网络进行信息融合；

根据源数据的特点选择合适的神经网络模型，然后根据已有的多源信息和系统融合知识采用一定的学习方法，对所建立的神经网络进行离线学习确定连接权重与结构，最后把得到的网络用于数据融合中。

S3、故障诊断方法实现；

将结合粒子群优化算法计算的优越性、Hopfield网络的全局优化能力及BP(Back Propagation)网络的局部优化能力，设计混杂神经网络，提高网络的故障诊断精度，其中神经网络权重优化算法流程见附图2。

以粒子群中的粒子的位置表示Hopfield神经网络的权值矩阵，每个粒子的维数表示Hopfield神经网络起连接作用的权的数量。选取合适的适应度函数，将获得的适应度值作为判断粒子是否具有更好性能的依据。

将Hopfield神经网络预先训练的权值矩阵作为粒子群算法中的目前全局最优粒子，运行粒子群优化算法，则每个粒子在权值空间内移动并搜索适应度值更小的位置，同时改变粒子的速度，更新粒子的位置，获得更新后的网络权值矩阵。

适应度函数fit(x)选取方法为：

fit(x)＝f(WU)-U

其中f(WU)为激励函数，W为网络权值矩阵，U表示网络的稳定状态。

粒子更新自己的速度和位置的更新方程为：

$v_{\mathrm{id}}^{k+1}=v_{\mathrm{id}}^k+c_1\×{\mathrm{rand}}_1^k\×({\mathrm{pt}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2\×{\mathrm{rand}}_2^k\×({\mathrm{pt}}_d^k-x_{\mathrm{id}}^k)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^k$

其中，是粒子i在第k次迭代中第d维的速度c₁,c₂是加速系数，rand₁，rand₂是0～1之间的随机数,pt是粒子i在第d维的个体极值点的位置。

S4、将预测的状态与原有的状态对应起来以不同的形式、形态展现

在其中一个实施方式中，步骤S1可采用但不限于以下步骤：

对历史数据及新采集的数据预处理。包括处理对不同源数据的重复冗余问题、对同源数据中存在的大量重复性数据冗余问题、对不同源数据的冲突问题、对不同源数据的错漏问题、对不同源数据的含有大量的尖刺、飞点、突变等数据异常问题的预处理。

在其中一个实施方式中，步骤S2可采用但不限于以下步骤：

对同一层次上的信息进行融合，从而获得更高层次的融合信息，在汇入相应的信息融合层次。在面对复杂问题时，采用层次神经网络，用几个子网络分解一个大问题，将大网络分为多层子网，子网之间以串并联的形式相联，总网和子网学习分批实施。几个子网也可以是不同类型的网络。

在其中一个实施方式中，步骤S3可采用但不限于以下步骤：

初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络；

将训练好的初始Hopfield网络权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值进行优化；

将优化的权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据；

BP网络对经过预处理的故障样本数据进行训练，最终获得一个较优的网络结构，保存网络结构；

将经过预处理的实时数据输入保存好的网络结构中，得出诊断结果。

在其中一个实施方式中，步骤S4可以采用但不限于以下步骤：

将预测的状态与原有的状态对应起来以不同的颜色展现；

当理论设备处于正常状态时，以绿色颜色展示；当理论设备处于故障萌发点时，这时需要注意设备运行情况，以黄色颜色展示；当理论设备处于潜在故障点时，这时设备可能出现异常情况，以橙色颜色展示；当理论设备处于功能故障点时，这时设备可能出现严重情况，以红色颜色展示。

在步骤S4中，也可以根据设备处于不同的健康状态发出不同的警报提示音；当理论设备处于正常运行接近故障萌发点时，发出第一报警提示；当理论设备处于故障萌发点接近潜在故障点时，发出第二报警提示；当理论设备处于潜在故障点接近功能故障点时，发出第三报警提示，当理论设备处于功能故障点后，发出紧急提示。

在步骤S4中，也可以根据设备处于不同的健康状态发出不同的警报提示音和颜色的组合，或即时消息提醒。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于混杂神经网络的直流主设备故障诊断方法，其特征在于，其包括以下步骤：

步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带点实验数据，在线监测数据，各种巡检数据组成的历史数据；

步骤2、应用神经网络对所述关联数据进行信息融合；

步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；

步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式或/和形态展现，所述原始状态为源数据所体现的历史状态；

其中步骤3包括：

步骤31、初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络，所述训练目标数据为实时数据；

步骤32、将训练好的稳定的Hopfield网络的初始权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值矩阵进行优化，获取优化权值矩阵；

步骤33、将优化权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据，其中，所述故障样本数据为源数据；

步骤34、BP网络对经过预处理的故障样本数据进行训练，最终获得一网络结构，保存该网络结构；

步骤35、将实时数据输入所述网络结构中，得出预测状态。

2.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述获取进行设备故障诊断所需的关联数据的方法是：

获取历史数据和新采集的实时数据，并对二者进行预处理；所述预处理包括对以下问题的一种或多种进行处理：

不同源数据的重复冗余问题、同源数据中存在的重复性数据冗余问题、不同源数据的冲突问题、不同源数据的错漏问题、不同源数据的含有的数据异常问题进行处理，所述数据异常问题包括尖刺、飞点或突变的一种或多种。

3.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤2进行信息融合的方法是：根据源数据的特点选择合适的神经网络模型建立神经网络，然后根据已有的多源信息和系统融合知识采用相应的学习方法，对所建立的神经网络进行离线学习确定连接权重与结构，最后把得到的神经网络用于关联数据的融合中。

4.根据权利要求3所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，对于复杂问题时，采用层次神经网络，将所述神经网络定义为总网，所述总网分为多层子网，子网之间以串并联的形式相联，总网和子网学习分批实施。

5.根据权利要求4所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述子网之间采用相同或不同类型的神经网络。

6.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤32中用粒子群优化算法对初始权值矩阵进行优化的方法是：

以粒子群中的粒子的位置表示Hopfield网络的权值矩阵，每个粒子的维数表示Hopfield神经网络起连接作用的权的数量，选取合适的适应度函数，将获得的适应度值作为判断粒子是否具有更好性能的依据，每个粒子在权值空间内移动并搜索适应度值更小的位置，同时改变粒子的速度，更新粒子的位置，获得更新后的网络权值矩阵。

7.根据权利要求6所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述适应度函数fit(x)选取方法为：

fit(x)＝f(WU)-U

其中f(WU)为激励函数，W为网络权值矩阵，U表示网络的稳定状态。

8.根据权利要求7所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，改变粒子的速度和更新粒子的位置的方程为：

$v_{\mathrm{id}}^{k+1}=v_{\mathrm{id}}^k+c_1\×{\mathrm{rand}}_1^k\×({\mathrm{pt}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2\×{\mathrm{rand}}_2^k\×({\mathrm{pt}}_d^k-x_{\mathrm{id}}^k)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^k$

其中，是粒子i在第k次迭代中第d维的速度，c₁,c₂是加速系数，rand₁、rand₂是0～1之间的随机数，pt是粒子i在第d维的个体极值点的位置，d和k均为正整数。

9.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤4中，将预测状态与原始状态对应起来以不同的颜色展现：

当理论设备处于正常状态时，以绿色颜色展示；当理论设备处于故障萌发点时，这时需要注意设备运行情况，以黄色颜色展示；当理论设备处于潜在故障点时，这时设备可能出现异常情况，以橙色颜色展示；当理论设备处于功能故障点时，这时设备可能出现严重情况，以红色颜色展示；所述理论设备为预测状态下直流主设备的理论状态。

10.根据权利要求1或9所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤4中，将预测状态与原始状态根据直流主设备处于不同的健康状态对应起来以发出不同的警报提示音展现：

当理论设备处于正常运行接近故障萌发点时，发出第一报警提示；当理论设备处于故障萌发点接近潜在故障点时，发出第二报警提示；当理论设备处于潜在故障点接近功能故障点时，发出第三报警提示；当理论设备处于功能故障点后，发出紧急提示。