CN109270442B - 基于dbn-ga神经网络的高压断路器故障检测方法 - Google Patents

Abstract

本发明公开的基于DBN‑GA神经网络的高压断路器故障检测方法，具体按照如下过程：将在线监测系统监测的电流数据，作为输入变量；然后，利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将一部分电流数据样本提取到构建该模型并进行训练；经过对受限玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；最后将所有的数据输入到训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。本发明公开的方法在弥补人工神经网络检测的不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。

Description

基于DBN-GA神经网络的高压断路器故障检测方法

技术领域

本发明属于高压断路器检测方法技术领域，涉及一种基于DBN-GA神经网络的高压断路器故障检测方法。

背景技术

高压断路器是电力系统最主要的控制与保护装置，关系到输电、配电及用电的可靠性、安全性。高压断路器能在系统故障与非故障情况下实现多种操作。断路器也是能关合、承载、开断运行回路正常电流，也能在规定时间内关合、承载及开断规定的过载电流。高压断路器一般都以电磁铁为操作的第一控制元件，在操动机构中大部分是直流电磁铁。当线圈中通过电流时，在磁铁内产生磁通，动铁芯受磁力影响，使断路器分闸或合闸。合分闸线圈中的电流可作为高压断路器机械故障诊断所用的丰富信息。

现有的高压断路器故障检测的方法有很多，其中涉及各种人工智能算法，如：模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化，但其隶属函数和模糊规则的确定过程存在一定的人为因素；径向基神经网络为断路器的故障诊断问题提供了一种比较好的结构体系，但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点。

深度信念神经网络(DBN)是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。不仅可以识别特征、分类数据，还可以用它来生成数据，但是由于其学习过程太过单一，训练过程中可能会存在训练不完整的缺陷；因此，利用遗传算法(GA)来优化深度信念神经网络可以解决这一问题，并且使其权重更新直到所设定误差范围之内，提高诊断的准确率，该方法很好的应用在断路器故障诊断方面。

发明内容

本发明的目的是提供一种基于DBN-GA神经网络的高压断路器故障检测方法，采用深度信念网络分析故障特征信号，结合遗传算法进行优化，在弥补人工神经网络检测不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。

本发明所采用的技术方案是，基于DBN-GA神经网络的高压断路器故障检测方法，具体按照如下步骤进行：

步骤1.首先，连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；

步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本输入至该模型并进行训练；经过对限制玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；

步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。

本发明的其他特点还在于，

步骤1中采用的分合闸线圈电流在线监测系统结构包括主控装置的单片机，单片机分别连接电源模块、信息处理单元、4G通信模块、Zigbee通信模块和数据存储单元；电源模块分别连接太阳能发电模块和蓄电池，电源模块和太阳能发电模块为整个分合闸线圈电流在线监测系统提供电能，蓄电池用来存储多余的电量；信号处理单元的输入端与磁平衡式霍尔电流传感器连接，磁平衡式霍尔电流传感器的输入端连接断路器分合闸线圈，用以相互配合获取电流数据，并将获取的数据发送给信号处理单元进行处理，信号处理单元将数据信息保存于数据存储单元内。

步骤2的具体操作过程如下：

步骤2.1首先充分训练第一个RBM：

从训练集中提取一组数据X，将X附给显层V⁽⁰⁾，并且计算它使隐层神经元被开启的概率：

式中，V⁽⁰⁾是显元，W_j是权重，

是隐元；

从公式1中抽取一个隐层的样本：

h⁽⁰⁾～P(h⁽⁰⁾|V⁽⁰⁾) (2)

式中h⁽⁰⁾是隐元，V⁽⁰⁾是显元，P是公式1所得概率；

用h⁽⁰⁾重构显层

式中，

是显元，

是权重，h⁽⁰⁾是隐元；

同样，从公式3中再次抽取显层的样本：

V⁽¹⁾～P(V⁽¹⁾|h⁽⁰⁾) (4)

式中，V⁽¹⁾是显元，h⁽⁰⁾是隐元；

用重构之后的显元计算隐元被开启的概率：

式中，V⁽¹⁾是显元，W_j是权重，

是隐元；

步骤2.2更新权重：

W←W+λ(P(h⁽⁰⁾＝1|V⁽⁰⁾)V^(0)T-P(h⁽¹⁾＝1|V⁽¹⁾)V^(1)T (6)

步骤2.3固定第一个RBM的权重和误差，然后使用其隐性神经元的状态，作为第二个RBM的输入向量，按照步骤2.1和2.2继续训练，充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方，重复以上步骤2.1至2.3任意多次，RBM输出；

步骤2.4判断RBM输出的误差是否低于高压断路器故障诊断模型所设定的误差值，如果低于设定的误差值，则输出深度信念神经网络模型；如果大于或等于设定的误差值，则进行步骤2.5，然后返回依次执行上述步骤2.1至2.4；

步骤2.5对遗传算法误差进行反传。

步骤2.1至2.3中如果训练集中的数据有标签，那么在顶层RBM训练时，这个RBM的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练：

a)假设顶层RBM的显层有500个显性神经元，训练数据的分类一共分成了10类；

b)那么顶层RBM的显层有510个显性神经元，对每一训练数据，相应的标签神经元被打开设为1，而其他的则被关闭设为0。

步骤2.5中的对遗传算法误差进行反传的具体过程如下：

a.编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

0000000000＝0→0.0

0000000001＝1→0.0+δ

0000000002＝2→0.0+2δ

0000000003＝3→0.0+3δ

1111111111＝2¹⁰-1→1.0 (7)

其中δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

b.遗传操作

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

c.目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_FNN-GA为FNN-GA模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

d.个体适应度

式中，C_max选为种群最大的个体适应度。

本发明的有益效果是，基于DBN-GA神经网络的高压断路器故障检测方法，采用深度信念网络分析故障特征信号，结合遗传算法进行优化，在弥补人工神经网络检测不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。与现有的方法相比：本发明的基于遗传算法优化深度信念神经网络的高压断路器故障检测方法，训练时间会显著的减少，因为只需要单个步骤就可以接近最大似然学习。增加进网络的每一层都会改进训练数据的对数概率，可以越来越接近更加准确表达和分类；再利用遗传算法优化连接权值，将误差最小化。因此，将其应用在高压断路器故障诊断上，能更加准确的判断故障类型和进行状态维修。

附图说明

图1是本发明的基于DBN-GA神经网络的高压断路器故障检测方法中采用的分合闸线圈电流在线监测系统的结构示意图；

图2是本发明的基于DBN-GA神经网络的高压断路器故障检测方法的流程图；

图3是本发明的基于DBN-GA神经网络的高压断路器故障检测方法中涉及的深度信念网络结构图；

图4是实施例中涉及的合/分闸线圈电流的特性曲线。

图中，1.单片机，2.电源模块，3.信息处理单元，4.磁平衡式霍尔电流传感器，5.4G通信模块，6.Zibbee通信模块，7.太阳能发电模块，8.蓄电池，9.数据存储单元，10.断路器分合闸线圈。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于DBN-GA神经网络的高压断路器故障检测方法，采用的分合闸线圈电流在线监测系统结构，如图1所示，包括主控装置的单片机1，单片机的型号为STM32F407，单片机1分别连接电源模块2、信息处理单元3、4G通信模块5、Zigbee通信模块6和数据存储单元9；电源模块2分别连接太阳能发电模块7和蓄电池8，电源模块2和太阳能发电模块7为整个分合闸线圈电流在线监测系统提供电能，蓄电池8用来存储多余的电量；信号处理单元3的输入端与磁平衡式霍尔电流传感器4连接，磁平衡式霍尔电流传感器4的输入端连接断路器分合闸线圈10，用以相互配合获取电流数据，并将获取的数据发送给信号处理单元3进行处理，信号处理单元3将数据信息保存于数据存储单元9内；

本发明的基于DBN-GA神经网络的高压断路器故障检测方法，具体的按照如下步骤进行，如图2所示，

步骤1.首先，按照上述结构连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；

步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本输入至该模型并进行训练；经过对限制玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；

RBM是DBN的组成元件。每一个RBM都可以单独用作聚类器。RBM只有两层神经元，一层叫做显层(visible layer)，由显元(visible units)组成，用于输入训练数据。另一层叫做隐层(Hidden layer)，相应地，由隐元(hidden units)组成，用作特征检测器(featuredetectors)。

步骤2的具体操作过程如下：

步骤2.1首先充分训练第一个RBM：

从训练集中提取一组数据X，将X附给显层V⁽⁰⁾，并且计算它使隐层神经元被开启的概率：

式中，V⁽⁰⁾是显元，W_j是权重，

是隐元；

从公式1中抽取一个隐层的样本：

h⁽⁰⁾～P(h⁽⁰⁾|V⁽⁰⁾) (2)

式中h⁽⁰⁾是隐元，V⁽⁰⁾是显元，P是公式1所得概率；

用h⁽⁰⁾重构显层

式中，

是显元，

是权重，h⁽⁰⁾是隐元；

同样，从公式3中再次抽取显层的样本：

V⁽¹⁾～P(V⁽¹⁾|h⁽⁰⁾) (4)

式中，V⁽¹⁾是显元，h⁽⁰⁾是隐元；

用重构之后的显元计算隐元被开启的概率：

式中，V⁽¹⁾是显元，W_j是权重，

是隐元；

步骤2.2更新权重：

W←W+λ(P(h⁽⁰⁾＝1|V⁽⁰⁾)V^(0)T-P(h⁽¹⁾＝1|V⁽¹⁾)V^(1)T (6)

步骤2.3深度信念网络的结构图如图3所示，固定第一个RBM的权重和误差，然后使用其隐性神经元的状态，作为第二个RBM的输入向量，按照步骤2.1和2.2继续训练，充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方，重复以上步骤2.1至2.3任意多次，RBM输出；

步骤2.4判断RBM输出的误差是否低于高压断路器故障诊断模型所设定的误差值，如果低于设定的误差值，则输出深度信念神经网络模型；如果大于等于设定的误差值，则进行步骤2.5，然后返回依次执行上述步骤2.1至2.4；

步骤2.5对遗传算法误差反传的具体过程如下：

a.编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

0000000000＝0→0.0

0000000001＝1→0.0+δ

0000000002＝2→0.0+2δ

0000000003＝3→0.0+3δ

1111111111＝2¹⁰-1→1.0 (7)

其中δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

b.遗传操作

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

c.目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_FNN-GA为FNN-GA模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

d.个体适应度

式中，C_max选为种群最大的个体适应度。

步骤2.1至2.3中如果训练集中的数据有标签，那么在顶层RBM训练时，这个RBM的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练：

a)假设顶层RBM的显层有500个显性神经元，训练数据的分类一共分成了10类；

b)那么顶层RBM的显层有510个显性神经元，对每一训练数据，相应的标签神经元被打开设为1，而其他的则被关闭设为0。

步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。

本发明的基于DBN-GA神经网络的高压断路器故障检测方法具有以下优势：

(1)通过磁平衡式霍尔电流传感器准确感知合分闸线圈中的电流波形，并通过STM32F407、电源模块、信息处理单元、4G通信模块、Zigbee通信模块、数据存储单元等实现电流的A/D转化、信号处理和数据通信等功能。

(2)首先确定输入/输出设计，通过对10组数据作为卷积神经网络的输入向量，其次确定深度信念网络的组成部分受限玻尔兹曼机(RBM)，构造深度信念网络故障类型预测模型。

(3)本发明基于DBN-GA神经网络的高压断路器故障检测方法，用故障预测模型分析故障类型，将实时监测到的分合闸线圈电流数据输入到模型中即可得到故障类型。

实施例如下：

以t0为命令时间的零点提取故障特征参数I1，I2，I3，t1，t2，t3，t4，t5对断路器进行状态监测，获取十组故障样本数据，这十组故障样本数据包括机构正常(A)、操作电压过低(B)、合闸铁心开始阶段由卡涩(C)、操作机构有卡涩(D)及合闸铁心空行程太大(E)，数据采集状况具体如表1所示；

表1故障样本数据

合/分闸线圈电流的特性曲线如图4所示，可知：

(1)阶段Ⅰ，t＝t0～t1；线圈在t0时刻开始通电，到t1时刻铁心开始运动；t0为断路器分、合闸命令下达时刻，是断路器分、合动作计时起点；T1为线圈中电流、磁通上升到足以驱动铁心运动，即铁心开始运动的时刻；这一阶段的特点是电流呈指数上升，铁心静止；这一阶段的时间与控制电源电压及线圈电阻有关。

(2)阶段Ⅱ，t＝t1～t2；在这一阶段，铁心开始运动，电流下降；t2为控制电流的谷点，代表铁心已经触动操作机械的负载而显著减速或停止运动。

(3)阶段Ⅲ，t＝t2～t3；这一阶段铁心停止运动，电流又呈指数上升。

(4)阶段Ⅳ，t＝t3～t4；这一阶段是阶段Ⅲ的延续，电流达到近似的稳态。

(5)阶段Ⅴ，t＝t4～t5；电流开断阶段，此阶段辅助开关分断，在辅助开关触头间产生电弧并被拉长，电弧电压快速升高，迫使电流迅速减小，直到熄灭。

分析电流波形可知，t0～t1时间电流可以反映线圈的状态(如：电阻是否正常)。t＝t1～t2时间电流的变化表征铁心运动结构有无卡涩，脱扣、释能机械负载变动的情况；t2一般是动触头开始运动时刻，从t2以后是机构通过传动系统带动动触头分、合闸的过程，即动触头运动的过程；t4为断路器的辅助触点切断的时刻；t0～t4时间电流的变化可以反映机械操动机构传动系统的工作情况。

故障类型的输出采用进制数来表示，具体如表2所示：

表2故障类型输出表示

本发明的基于DBN-GA神经网络的高压断路器故障检测方法的正确率为96.6％。

本发明基于遗传算法优化深度信念(DBN-GA)神经网络的高压断路器故障检测方法，采用深度信念网络分析故障特征信号，结合遗传算法优化，利用遗传算法误差反传思想对其进行连接权值设定至最小误差范围内。随后将部分分合闸线圈电流数据输入到训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测，在弥补人工神经网络检测的不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。

Claims (4)

1.基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，具体按照如下步骤进行：

步骤1.首先，连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；

步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本输入至该模型并进行训练；经过对限制玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；步骤2的具体操作过程如下：

步骤2.1首先充分训练第一个RBM：

从训练集中提取一组数据X，将X附给显层V⁽⁰⁾，并且计算它使隐层神经元被开启的概率：

式中，V⁽⁰⁾是显元，W_j是权重，

是隐元；

从公式1中抽取一个隐层的样本：

h⁽⁰⁾～P(h⁽⁰⁾|V⁽⁰⁾) (2)

式中h⁽⁰⁾是隐元，V⁽⁰⁾是显元，P是公式1所得概率；

用h⁽⁰⁾重构显层

式中，V_i ⁽¹⁾是显元，

是权重，h⁽⁰⁾是隐元；

同样，从公式3中再次抽取显层的样本：

V⁽¹⁾～P(V⁽¹⁾|h⁽⁰⁾) (4)

式中，V⁽¹⁾是显元，h⁽⁰⁾是隐元；

用重构之后的显元计算隐元被开启的概率：

式中，V⁽¹⁾是显元，W_j是权重，

是隐元；

步骤2.2更新权重：

W←W+λ(P(h⁽⁰⁾＝1|V⁽⁰⁾)V^(0)T-P(h⁽¹⁾＝1|V⁽¹⁾)V^(1)T (6)

步骤2.3固定第一个RBM的权重和误差，然后使用其隐性神经元的状态，作为第二个RBM的输入向量，按照步骤2.1和2.2继续训练，充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方，重复以上步骤2.1至2.3任意多次，RBM输出；

步骤2.4判断RBM输出的误差是否低于高压断路器故障诊断模型所设定的误差值，如果低于设定的误差值，则输出深度信念神经网络模型；如果大于或等于设定的误差值，则进行步骤2.5，然后返回执行上述步骤2.1至2.4；

步骤2.5对遗传算法误差进行反传；

步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。

2.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，所述步骤1中采用的分合闸线圈电流在线监测系统结构包括主控装置的单片机(1)，所述单片机(1)分别连接电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通信模块(6)和数据存储单元(9)；所述电源模块(2)分别连接太阳能发电模块(7)和蓄电池(8)，所述电源模块(2)和所述太阳能发电模块(7)为整个分合闸线圈电流在线监测系统提供电能，所述蓄电池(8)用来存储多余的电量；所述信息处理单元(3)的输入端与磁平衡式霍尔电流传感器(4)连接，所述磁平衡式霍尔电流传感器(4)的输入端连接断路器分合闸线圈(10)，用以相互配合获取电流数据，并将获取的数据发送给所述信息处理单元(3)进行处理，所述信息处理单元(3)将数据信息保存于所述数据存储单元(9)内。

3.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，所述步骤2.1至2.3中如果训练集中的数据有标签，那么在顶层RBM训练时，这个RBM的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练：

a)假设顶层RBM的显层有500个显性神经元，训练数据的分类一共分成了10类；

b)那么顶层RBM的显层有510个显性神经元，对每一训练数据，相应的标签神经元被打开设为1，而其他的则被关闭设为0。

4.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，所述步骤2.5中对遗传算法误差进行反传的具体过程如下：

a.编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

0000000000＝0→0.0

0000000001＝1→0.0+δ

0000000002＝3→0.0+2δ

0000000003＝3→0.0+3δ

1111111111＝2¹⁰-1→1.0 (7)

其中δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

b.遗传操作

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

c.目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_FNN-GA为FNN-GA模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

d.个体适应度

式中，C_max选为种群最大的个体适应度。

Images