CN106291339A - 一种基于人工神经网络的断路器故障诊断专家系统 - Google Patents
一种基于人工神经网络的断路器故障诊断专家系统 Download PDFInfo
- Publication number
- CN106291339A CN106291339A CN201510259459.8A CN201510259459A CN106291339A CN 106291339 A CN106291339 A CN 106291339A CN 201510259459 A CN201510259459 A CN 201510259459A CN 106291339 A CN106291339 A CN 106291339A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- neural network
- data
- failure diagnostic
- circuit breaker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种基于人工神经网络的断路器故障诊断专家系统,包括:知识数据库,用于保存已知的知识和数据;知识获取模块,用于获取已知的知识和数据并存入知识数据库中;BP神经网络故障诊断模块,用于根据采集的断路器数据和知识数据库进行故障诊断;诊断原理保存模块,用于保存故障诊断过程和原理数据,响应输入的调用指令,调用并显示保存的故障诊断过程和原理数据;辅助模块,用于显示故障诊断结果和知识数据库的变化记录。与现有技术相比,本发明具有实时、诊断精度高等优点。
Description
技术领域
本发明涉及断路器故障诊断技术领域,尤其是涉及一种基于人工神经网络的断路器故障诊断专家系统。
背景技术
断路器是电力系统中的关键元件,用于开断故障情况下的短路电流并隔离故障回路。尤其是高压断路器数量多,检修量大,费用高。有关资料表明,变电站维护费用的一半以上是用在高压断路器上,而其中60%又是用于断路器的小修和例行检修上。而且断路器的大修完全解体,既浪费时间,费用也很高。同时解体和重新装配会引起很多新的缺陷,在目前相对保守的计划检修中,检修缺乏一定的针对性。因而对断路器的重要参数进行连续的在线监测,通过专家系统快速地分析各种重要参数的变化趋势,不仅可以提供设备现在的运行状态,而且还能判断是否存在故障的先兆,从而延长设备的维修保养周期,提高设备的利用率,减少维修保养的费用,提高电力系统运行的安全可靠性及自动化程度。
目前对于许多故障诊断专家系统都是通过规则的匹配实现故障诊断推理的。但是该故障诊断系统的成功率主要取决于是否具有足够有用的专家信息,也就是说其诊断推理往往会因为知识获取的瓶颈问题而得不出理想的结果。而且如何自动获取知识—即实现机器自学功能—也是构造专家系统的难点。但是人工神经网络作为人工智能领域最活跃的一个分支,具有推测、自学习、联想、容错、记忆等诸多特点,可以为故障诊断专家系统解决其无法逾越的瓶颈问题。
BP神经网络推导过程严谨,能实现从输入到输出的任意非线性映射。它的主要思想是:首先要建立标准训练样本,将计算输入样本从输入层经由隐层最后到输出层,分别逐层计算出各单元的输出值,接着将输出的值与标准样本作比较,计算输出误差,然后再将输出误差从后向前逐层进行传播最终得到输出层误差,再利用该误差去修正前一层的权值。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时、诊断精度高的基于人工神经网络的断路器故障诊断专家系统。
本发明的目的可以通过以下技术方案来实现:
一种基于人工神经网络的断路器故障诊断专家系统,包括:
知识数据库,用于保存已知的知识和数据;
知识获取模块,用于获取已知的知识和数据并存入知识数据库中;
BP神经网络故障诊断模块,用于根据采集的断路器数据和知识数据库进行故障诊断;
诊断原理保存模块,用于保存故障诊断过程和原理数据,响应输入的调用指令,调用并显示保存的故障诊断过程和原理数据;
辅助模块,用于显示故障诊断结果和知识数据库的变化记录。
所述知识获取模块中,获取已知的知识和数据的方式包括神经网络学习方式和机器学习方式。
所述BP神经网络故障诊断模块进行故障诊断前,对采集的断路器数据进行信号分析及特征量提取。
所述BP神经网络故障诊断模块进行故障诊断具体步骤为:
1)获取断路器的特征量;
2)将提取出的特征向量分成两组,一组作为学习样本,进行BP神经网络训练,记录故障特征;另一组则作为诊断样本,输入BP神经网络进行故障诊断和预测,得出诊断结果。
所述BP神经网络训练的过程具体为:
a)设置BP神经网络的权值;
b)将学习样本输入BP神经网络中,判断输出结果与期望值的误差是否满足设定需求,若是,则执行步骤c),若否,则修改权值后返回步骤b);
c)判断知识数据库是否与该学习结果相同的数据,若是,则无操作,若否,则将学习结果存入知识数据库中。
所述BP神经网络由输入节点层、隐节点层、输出节点层和层间节点的连接组成。
与现有技术相比,本发明具有以下有益效果:
(1)具有统一的内部知识表示形式,任何知识规则都可以通过对范例的学习存储于同一个神经网络的各联结权重中,便于知识库的组织与管理,通用性强;知识容量大,可以把大量的知识规则存储于一个相对小得多的神经网络中。
(2)便于实现知识的自动获取,能够自适应环境的变化。
(3)推理过程为并行的数值计算过程,推理速度快。
(4)具有联想、记忆、类比等形象思维能力,克服了传统专家系统中存在的“知识窄台阶”问题,可以工作于所学习过的知识以外的范围。
(5)实现了知识表示、存储和推理三者融为一体,即都由一个神经网络来实现。
(6)本申请采用的BP神经网络推导过程严谨,能实现从输入到输出的任意非线性映射,可以很好的解决一般专家系统受知识限制而无法逾越的知识瓶颈问题。
附图说明
图1为本发明的结构示意图;
图2为本发明BP神经网络故障诊断流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于人工神经网络的断路器故障诊断专家系统,包括知识数据库1、知识获取模块2、BP神经网络故障诊断模块3、诊断原理保存模块4和辅助模块5,其中:
知识数据库1用于保存已知的知识和数据,为推断过程提供判断依据。已知的知识和数据一方面需要基础原理和理论,另一方面需要基于直接和间接经验积累的专门知识,还需要实际运行或者模型仿真中的数据提炼之后作为标准对比数据。
知识获取模块2用于获取已知的知识和数据并存入知识数据库1中,为修改知识库中的原有知识和扩充知识提供了必要手段。知识获取模块中,获取已知的知识和数据的方式包括神经网络学习方式和机器学习方式。神经网络学习是借助各种学习算法,完成输入样本数据在网络结构中的训练,通过自动调节网络各层神经元的连接权值和网络拓扑结构,最终实现满足期望目标的数据的输出,可以说是一种自主学习过程。机器学习是把人类专家不断积累的新经验新知识通过人工输入的方式,储存进知识库中,不断完善知识库。
BP神经网络故障诊断模块3用于根据采集的断路器数据和知识数据库进行故障诊断。当工况正常时给出发展趋势预判,当工况异常时,给出故障类型、严重程度、故障部位、发展趋势以及应对策略。
BP神经网络故障诊断系统就是借助BP神经网络强大的非线性逼近能力来识别各种故障类型,因为对于断路器来讲,发生不同故障,甚至相同故障时,其所表现出来的性状也会不同,从而对应的特征参数也将发生变化,所以故障原因与特征参数之间存在着某种函数关系,一般来说,这种关系是非线性的。
本实施例中,BP神经网络由输入节点层、隐节点层、输出节点层和层间节点的连接组成。输入节点层的各节点分别表示输入数据的一项,其节点数等于输入数据的维数;输出节点层则对应于输出数据,其节点数与期望输出数据的维数相等;隐节点层是中间过渡节点层,参与输入到输出的变换,可以不止一层,相当于增加了映射的次数;层间节点通过作用强度连接。进行BP神经网络设计时,需要设置好输入节点层、隐节点层、输出节点层和层间节点的连接强度等参数,还要设置好初始权值和学习步长。因为BP网络系统为非线性结构,若初始权值设置过大,会使输入在加权后落入传递函数的饱和区致使调解过程停顿,一般情况下,在训练BP网络时可取定网络初始值在[0,1]之间的随机数值。而网络训练中权值的变化量都取决于学习步长,学习步长过大时可能导致系统振荡,小的学习步长可能导致训练时间过长、收敛过慢。所以一般趋向于在[0.01,0.8]之间选取学习率确保系统稳定性。
如图2所示,BP神经网络故障诊断模块进行故障诊断具体步骤为:
1)对采集的断路器数据进行信号分析及特征量提取;
2)将提取出的特征向量分成两组,一组作为学习样本,进行BP神经网络训练,记录故障特征;另一组则作为诊断样本,输入BP神经网络进行故障诊断和预测,得出诊断结果。BP神经网络训练的过程具体为:
a)设置BP神经网络的权值;
b)将学习样本输入BP神经网络中,判断输出结果与期望值的误差是否满足设定需求,若是,则执行步骤c),若否,则修改权值后返回步骤b);
c)判断知识数据库是否与该学习结果相同的数据,若是,则无操作,若否,则将学习结果存入知识数据库中,以备下次故障时直接调用。
诊断原理保存模块4用于保存故障诊断过程和原理数据,响应输入的调用指令,调用并显示保存的故障诊断过程和原理数据;
辅助模块5用于显示故障诊断结果和知识数据库的变化记录,包括图像呈现、数据显示、模块调整或修改、系统扩充等。
Claims (6)
1.一种基于人工神经网络的断路器故障诊断专家系统,其特征在于,包括:
知识数据库,用于保存已知的知识和数据;
知识获取模块,用于获取已知的知识和数据并存入知识数据库中;
BP神经网络故障诊断模块,用于根据采集的断路器数据和知识数据库进行故障诊断;
诊断原理保存模块,用于保存故障诊断过程和原理数据,响应输入的调用指令,调用并显示保存的故障诊断过程和原理数据;
辅助模块,用于显示故障诊断结果和知识数据库的变化记录。
2.根据权利要求1所述的基于人工神经网络的断路器故障诊断专家系统,其特征在于,所述知识获取模块中,获取已知的知识和数据的方式包括神经网络学习方式和机器学习方式。
3.根据权利要求1所述的基于人工神经网络的断路器故障诊断专家系统,其特征在于,所述BP神经网络故障诊断模块进行故障诊断前,对采集的断路器数据进行信号分析及特征量提取。
4.根据权利要求1所述的基于人工神经网络的断路器故障诊断专家系统,其特征在于,所述BP神经网络故障诊断模块进行故障诊断具体步骤为:
1)获取断路器的特征量;
2)将提取出的特征向量分成两组,一组作为学习样本,进行BP神经网络训练,记录故障特征;另一组则作为诊断样本,输入BP神经网络进行故障诊断和预测,得出诊断结果。
5.根据权利要求4所述的基于人工神经网络的断路器故障诊断专家系统,其特征在于,所述BP神经网络训练的过程具体为:
a)设置BP神经网络的权值;
b)将学习样本输入BP神经网络中,判断输出结果与期望值的误差是否满足设定需求,若是,则执行步骤c),若否,则修改权值后返回步骤b);
c)判断知识数据库是否与该学习结果相同的数据,若是,则无操作,若否,则将学习结果存入知识数据库中。
6.根据权利要求1或4或5所述的基于人工神经网络的断路器故障诊断专家系统,其特征在于,所述BP神经网络由输入节点层、隐节点层、输出节点层和层间节点的连接组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259459.8A CN106291339A (zh) | 2015-05-20 | 2015-05-20 | 一种基于人工神经网络的断路器故障诊断专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259459.8A CN106291339A (zh) | 2015-05-20 | 2015-05-20 | 一种基于人工神经网络的断路器故障诊断专家系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106291339A true CN106291339A (zh) | 2017-01-04 |
Family
ID=57633423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510259459.8A Pending CN106291339A (zh) | 2015-05-20 | 2015-05-20 | 一种基于人工神经网络的断路器故障诊断专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106291339A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN109108445A (zh) * | 2018-11-05 | 2019-01-01 | 南京菲斯特焊接科技有限公司 | 一种悬挂式电阻电焊机焊接过程参数监测仪及监测方法 |
CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
CN110174610A (zh) * | 2019-05-17 | 2019-08-27 | 温州大学 | 一种基于卷积神经网络来获取交流接触器电寿命的方法 |
CN110190588A (zh) * | 2019-06-03 | 2019-08-30 | 浙江零壹智能电器研究院有限公司 | 断路器智能监控与保护模块 |
CN110597650A (zh) * | 2019-09-09 | 2019-12-20 | 无锡江南计算技术研究所 | 一种计算机系统中基于自学习的并行故障定位方法及系统 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2699751A1 (fr) * | 1992-12-21 | 1994-06-24 | Alsthom Gec | Système d'aide à l'exploitation de disjoncteurs d'un réseau de transport d'énergie électrique. |
CN202424581U (zh) * | 2011-12-30 | 2012-09-05 | 南京理工大学常熟研究院有限公司 | 一种基于高速海量数据存储技术的光伏电站监控系统 |
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN104360263A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于分合闸线圈电流的断路器操作机构故障诊断专家系统 |
CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
CN104398234A (zh) * | 2014-12-19 | 2015-03-11 | 厦门大学 | 一种基于专家系统的眼表综合分析仪 |
-
2015
- 2015-05-20 CN CN201510259459.8A patent/CN106291339A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2699751A1 (fr) * | 1992-12-21 | 1994-06-24 | Alsthom Gec | Système d'aide à l'exploitation de disjoncteurs d'un réseau de transport d'énergie électrique. |
CN202424581U (zh) * | 2011-12-30 | 2012-09-05 | 南京理工大学常熟研究院有限公司 | 一种基于高速海量数据存储技术的光伏电站监控系统 |
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN104360263A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于分合闸线圈电流的断路器操作机构故障诊断专家系统 |
CN104360262A (zh) * | 2014-10-29 | 2015-02-18 | 国家电网公司 | 基于特征点的断路器操作机构分合闸线圈电流比对方法 |
CN104398234A (zh) * | 2014-12-19 | 2015-03-11 | 厦门大学 | 一种基于专家系统的眼表综合分析仪 |
Non-Patent Citations (3)
Title |
---|
QI BEN-SHENG: "Research on Fault Diagnosis of High-voltage Circuit Breaker Based on the Improved BP neural network", 《IEEE》 * |
康继昌 等: "《现代并行计算机原理》", 30 June 1997 * |
米爱中 等: "《人工智能及其应用》", 31 December 2014 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN106961249B (zh) * | 2017-03-17 | 2019-02-19 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
CN110118928B (zh) * | 2018-02-05 | 2020-07-10 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
CN109108445A (zh) * | 2018-11-05 | 2019-01-01 | 南京菲斯特焊接科技有限公司 | 一种悬挂式电阻电焊机焊接过程参数监测仪及监测方法 |
CN110174610A (zh) * | 2019-05-17 | 2019-08-27 | 温州大学 | 一种基于卷积神经网络来获取交流接触器电寿命的方法 |
CN110190588A (zh) * | 2019-06-03 | 2019-08-30 | 浙江零壹智能电器研究院有限公司 | 断路器智能监控与保护模块 |
CN110597650A (zh) * | 2019-09-09 | 2019-12-20 | 无锡江南计算技术研究所 | 一种计算机系统中基于自学习的并行故障定位方法及系统 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106291339A (zh) | 一种基于人工神经网络的断路器故障诊断专家系统 | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
CN107704392A (zh) | 一种测试用例的处理方法及服务器 | |
Sobajic et al. | An artificial intelligence system for power system contingency screening | |
CN103439629B (zh) | 基于数据网格的配电网故障诊断系统 | |
CN108923531B (zh) | 一种基于大数据的电网调度告警监视系统 | |
CN104331543A (zh) | 一种船舶电力推进系统故障诊断专家系统和建立方法 | |
CN107272646A (zh) | 基于专家系统的压力机故障诊断系统 | |
CN104578153A (zh) | 一种电网拓扑结构识别方法 | |
CN106372330A (zh) | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN106707153A (zh) | 一种基于foa‑rbf的高压断路器故障诊断方法 | |
CN106771848A (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN107491876A (zh) | 一种智能变电站保护系统的风险评估方法 | |
CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断系统 | |
CN107247827A (zh) | 基于机器学习的虚端子模型建模及自动连线方法 | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
Niu et al. | The study of fault diagnosis the high-voltage circuit breaker based on neural network and expert system | |
CN104601384A (zh) | 一种智能变电站通信系统可靠性灵敏度分析方法及系统 | |
CN110021933B (zh) | 考虑组件故障的电力信息系统控制功能可靠性评估方法 | |
CN114156885B (zh) | 配电管理方法、处理端、配电箱及计算机可读存储介质 | |
Navarro et al. | Artificial neural networks for power systems diagnosis | |
Xiong et al. | Implementing fuzzy reasoning spiking neural P system for fault diagnosis of power systems | |
Haiwen et al. | Fuzzy Petri nets reasoning for application of electric control system fault diagnosis | |
CN113419496A (zh) | 一种基于大数据统计的防水材料生产智能管理管控方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |