CN111079647A - 一种断路器缺陷识别方法 - Google Patents
一种断路器缺陷识别方法 Download PDFInfo
- Publication number
- CN111079647A CN111079647A CN201911297701.5A CN201911297701A CN111079647A CN 111079647 A CN111079647 A CN 111079647A CN 201911297701 A CN201911297701 A CN 201911297701A CN 111079647 A CN111079647 A CN 111079647A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- characteristic
- data
- defect identification
- identification method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本申请公开了一种断路器缺陷识别方法,包括采集断路器分合闸线圈电流数据,将采集的断路器分合闸线圈电流数据分为训练集和测试集;预处理步骤1采集的分合闸线圈电流数据;提取预处理后数据的波形特征;基于提取的波形特征,识别断路器缺陷。本申请利用CNN中的卷积层与池化层实现断路器缺陷特征自提取,基于RF算法实现网络训练过程,解决了传统人工提取特征过度依赖专家经验,及传统阈值法受谐波影响较大因此准确率波动大的问题;采用的随机森林预测算法,其训练过程中,克服了传统方法中在监测到未知波形时无法正确辨识的问题,因此不仅能够识别多种已知缺陷,还可隔离未知缺陷,同时识别准确率高。
Description
技术领域
本发明属于断路器缺陷识别技术领域,涉及一种断路器缺陷识别技术,尤其涉及一种基于卷积神经网络(Convolutional Neural Networks,CNN)与随机森林(RandomForest,RF)预测算法的断路器缺陷识别方法。
背景技术
断路器以其庞大的数量、广泛的运用范围,及其在电力系统中通断负荷、切除故障的控制与保护功能,成为了电网中不可或缺的重要组成部分。因此,研究断路器机械状态特征提取技术、机械缺陷诊断方法,对于规避断路器各类事故的发生意义重大。
传统的机械故障(缺陷)诊断技术包括基于解析模型的方法、时域频域分析方法、多元统计方法和基于知识的方法等。在监测故障的主要信号的选择上,主要有振动信号、分合闸线圈电流、触头位移或主轴转角和电力设备图像等。其中,分合闸线圈电流作为涵盖断路器在操作过程关键特征的重要标志信号,不仅监测方便,并且相较其他几种信号,其包含的断路器操作机构信息较为全面。通过该信号可识别的故障类型较为广泛,如:操作机构中控制回路故障、铁芯卡涩、线圈老化等;同时该信号对操作机构的缺陷变化趋势也较为敏感。所以采用分合闸线圈电流作为本发明中的电气监测量。
随着科技的进步,国内外学者提出了多种断路器故障诊断研究方法,如传统的特征提取方法和阈值法。但断路器类型繁多,传统的特征提取方法多是针对于特定型号的断路器,诊断方法不具有普适性,无法满足各类型断路器的状态监测。同时,近年来操作机构作为断路器中机械故障率最高的部件,是状态监测的重点对象,而状态监测的目的,不仅是对机械缺陷与故障的精确判断,更应该重视对缺陷状态变化的趋势与程度的反应与识别,因此针对断路器操作机构缺陷的诊断方法长期以来都是亟待优化的重要课题。传统的阈值法在实际应用中,由于依赖于采样的精度、谐波与噪声强度以及滤波算法的准确度,抗干扰性不高,不利于在线应用。
发明内容
为解决现有技术中的不足,本申请提供一种断路器缺陷识别方法,与传统算法相比,采用本发明方法抗干扰能力强,准确率高,适用于现场作业。
为了实现上述目标,本申请采用如下技术方案:
一种断路器缺陷识别方法,包括以下步骤:
步骤1:采集断路器分合闸线圈电流数据,将采集的断路器分合闸线圈电流数据分为训练集和测试集;
步骤2:预处理步骤1采集的分合闸线圈电流数据;
步骤3:提取预处理后数据的波形特征;
步骤4:基于步骤3提取的波形特征,识别断路器缺陷。
本发明进一步包括以下优选方案:
优选地,所述方法还包括步骤5:测试集校核断路器缺陷识别准确率。
优选地,步骤2所述预处理步骤1采集的分合闸线圈电流数据,包括:
步骤201:对所有分合闸线圈电流数据进行二次采样,统一数据维度并归一化;
步骤202:对归一化的数据进行特征波形粗提取,并对提取出的信号进行滤波和消噪。
优选地,步骤201中,设数据维度分别为N1*1,N2*1,N3*1……,其中N1最小,则以数据量最小的N1为基准,将所有分合闸线圈电流数据进行二次采样。
优选地,步骤202中,利用传统阈值法对归一化的数据进行特征波形粗提取。
优选地,步骤3所述提取预处理后数据的波形特征,包括:
步骤301:根据实际需求确定CNN模型中每个环节的数据维度,构建CNN模型整体框架;
步骤302:基于构建的CNN模型与自动编码器基础结构,建立卷积编码器,对分合闸线圈电流波形进行特征提取。
优选地,步骤302具体为:构造卷积层,以卷积核对输入样本进行卷积运算提取特征,采用激活函数输出特征映射:
设卷积核K是一个n*n(n≥1且n∈N+)维矩阵,在训练过程中随着迭代次数不断更新;
若已知输入样本I为a×b维矩阵和卷积核,则特征矩阵T的维度可表示为:
其中,l表示卷积核在样本上的滑动步长;
若假定l=1,则特征元素可计算为:
其中,F(i,j)为特征映射的第i行、第j列的元素值;
设激活函数sigmod函数为σ(x),其表达式为:
采用平均池化算子对上一个卷积层输出特征进行缩放映射,则
其中,w(u,v)表示池化层输入矩阵中的第u行第v列数值;p(a,b)表示池化层输出矩阵中的第a行、第b列数值;r表示参与池化区域的边界值。
优选地,步骤4所述基于步骤3提取的波形特征,识别断路器缺陷,包括:
步骤401:基于训练集及其波形特征,构建并训练随机森林分类器;
步骤402:调参,直到校验精度达标,校验精度达标时,作为缺陷诊断依据。
优选地,步骤401中,设训练集为T,特征参数F=[F1,F2,F3,…Fk];
首先计算T的信息熵及其经特征Ti(1≤i≤k)作用后的信息增益Gi(1≤i≤k),选出最大的信息增益Gi对应的特征Ti作为根节点Tmax;
经过Tmax作用以后,训练集X分为X1,X2;
然后,对X1,X2分别计算其信息熵及经过特征Ti(i≠max)作用以后的增益G1i,G2i(i≠max),选出最大的信息增益G1i、G2i对应的特征Ti,Tj(i,j≠max)作为子节点T1max,T2max;
重复上述步骤,直到所有节点成为叶子节点。
优选地,所述信息熵计算公式为:
其中,数据种类数为c,Pi为第i类样本在样本X中的比例;
所述信息增益计算公式为:
G(X,t)=H(X)-Ht(X) (7)
其中,Ht(X)为在某项特征的作用下,样本X被分为多个子样本Xj(j=1,2,…,n)时,样本X的信息熵,Ht(X)的计算公式为:
本申请所达到的有益效果:
1.本申请利用CNN中的卷积层与池化层实现断路器缺陷特征自提取,基于RF算法实现网络训练过程,解决了传统人工提取特征过度依赖专家经验,及传统阈值法受谐波影响较大因此准确率波动大的问题;
2.本申请采用的随机森林预测算法,其训练过程中,克服了传统方法中在监测到未知波形时无法正确辨识的问题,因此不仅能够识别多种已知缺陷,还可隔离未知缺陷,同时识别准确率高。
附图说明
图1是本申请一种断路器缺陷识别方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种断路器缺陷识别方法,包括以下步骤:
步骤1:采集断路器分合闸线圈电流数据,将采集的断路器分合闸线圈电流数据分为训练集和测试集;
步骤2:预处理步骤1采集的分合闸线圈电流数据,包括:
步骤201:对所有分合闸线圈电流数据进行二次采样,统一数据维度并归一化;
实施例中,设数据维度分别为N1*1,N2*1,N3*1……,其中N1最小,则以数据量最小的N1为基准,将所有分合闸线圈电流数据进行二次采样。
步骤202:对归一化的数据进行特征波形粗提取,并对提取出的信号进行滤波和消噪。
实施例中,利用传统阈值法对归一化的数据进行特征波形粗提取。
步骤3:提取预处理后数据的波形特征,即基于自动编码器将CNN模型嵌入其中的编码器,构造出一个卷积编码器对分合闸线圈电流波形进行特征提取,包括:
步骤301:根据实际需求确定CNN模型中每个环节的数据维度,构建CNN模型整体框架;
步骤302:基于构建的CNN模型与自动编码器基础结构,建立卷积编码器,对分合闸线圈电流波形进行特征提取,具体为:构造卷积层,以卷积核对输入样本进行卷积运算提取特征,采用激活函数输出特征映射:
设卷积核K是一个n*n(n≥1且n∈N+)维矩阵,在训练过程中随着迭代次数不断更新,此过程可类比普通神经网络的权值更新过程;
若已知输入样本I为a×b维矩阵和卷积核,则特征矩阵T的维度可表示为:
其中,l表示卷积核在样本上的滑动步长;
若假定l=1,则特征元素可计算为:
其中,F(i,j)为特征映射的第i行、第j列的元素值;
设激活函数sigmod函数为σ(x),其表达式为:
采用平均池化算子对上一个卷积层输出特征进行缩放映射,则
其中,w(u,v)表示池化层输入矩阵中的第u行第v列数值;p(a,b)表示池化层输出矩阵中的第a行、第b列数值;r表示参与池化区域的边界值。
步骤4:基于步骤3提取的波形特征,识别断路器缺陷,包括:
步骤401:基于训练集及其波形特征,构建并训练随机森林分类器,具体为:
将得到的训练集特征数据送入RF算法中,RF算法的基本构成单元是决策树,多棵决策树投票共同进行决策,从而使分类的准确率有很大提高。决策树构建步骤如下:
设训练集为T,特征参数F=[F1,F2,F3,…Fk];
首先计算T的信息熵及其经特征Ti(1≤i≤k)作用后的信息增益G i(1≤i≤k),选出最大的信息增益Gi对应的特征Ti作为根节点Tmax;
经过Tmax作用以后,训练集X分为X1,X2;
然后,对X1,X2分别计算其信息熵及经过特征Ti(i≠max)作用以后的增益G1i,G2i(i≠max),选出最大的信息增益G1i、G2i对应的特征Ti,Tj(i,j≠max)作为子节点T1max,T2max;
重复上述步骤,直到所有节点成为叶子节点(对应的集合只有某一类数据)。
步骤402:调参,直到校验精度达标,校验精度达标时,作为缺陷诊断依据。
RF算法的核心在于构造分类器过程的两次随机过程:
首先,从总的训练集中有放回的随机抽取60%左右的样本,为每棵决策树生成不同的训练集;
其次,决策树节点进行分裂时,随机的选择特征子集计算最佳分割方式。
所述信息熵计算公式为:
其中,数据种类数为c,Pi为第i类样本在样本X中的比例;
所述信息增益越大,分类效果越好,计算公式为:
G(X,t)=H(X)-Ht(X) (7)
其中,Ht(X)为在某项特征的作用下,样本X被分为多个子样本Xj(j=1,2,…,n)时,样本X的信息熵,Ht(X)的计算公式为:
实施例中,所述方法还包括步骤5:测试集校核断路器缺陷识别准确率。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种断路器缺陷识别方法,其特征在于:
所述方法包括以下步骤:
步骤1:采集断路器分合闸线圈电流数据,将采集的断路器分合闸线圈电流数据分为训练集和测试集;
步骤2:预处理步骤1采集的分合闸线圈电流数据;
步骤3:提取预处理后数据的波形特征;
步骤4:基于步骤3提取的波形特征,识别断路器缺陷。
2.根据权利要求1所述的一种断路器缺陷识别方法,其特征在于:
所述方法还包括步骤5:测试集校核断路器缺陷识别准确率。
3.根据权利要求1或2所述的一种断路器缺陷识别方法,其特征在于:
步骤2所述预处理步骤1采集的分合闸线圈电流数据,包括:
步骤201:对所有分合闸线圈电流数据进行二次采样,统一数据维度并归一化;
步骤202:对归一化的数据进行特征波形粗提取,并对提取出的信号进行滤波和消噪。
4.根据权利要求3所述的一种断路器缺陷识别方法,其特征在于:
步骤201中,设数据维度分别为N1*1,N2*1,N3*1……,其中N1最小,则以数据量最小的N1为基准,将所有分合闸线圈电流数据进行二次采样。
5.根据权利要求3所述的一种断路器缺陷识别方法,其特征在于:
步骤202中,利用传统阈值法对归一化的数据进行特征波形粗提取。
6.根据权利要求1或2所述的一种断路器缺陷识别方法,其特征在于:
步骤3所述提取预处理后数据的波形特征,包括:
步骤301:根据实际需求确定CNN模型中每个环节的数据维度,构建CNN模型整体框架;
步骤302:基于构建的CNN模型与自动编码器基础结构,建立卷积编码器,对分合闸线圈电流波形进行特征提取。
7.根据权利要求6所述的一种断路器缺陷识别方法,其特征在于:
步骤302具体为:构造卷积层,以卷积核对输入样本进行卷积运算提取特征,采用激活函数输出特征映射:
设卷积核K是一个n*n(n≥1且n∈N+)维矩阵,在训练过程中随着迭代次数不断更新;
若已知输入样本I为a×b维矩阵和卷积核,则特征矩阵T的维度可表示为:
其中,1表示卷积核在样本上的滑动步长;
若假定1=1,则特征元素可计算为:
其中,F(i,j)为特征映射的第i行、第j列的元素值;
设激活函数sigmod函数为σ(x),其表达式为:
采用平均池化算子对上一个卷积层输出特征进行缩放映射,则
其中,w(u,v)表示池化层输入矩阵中的第u行第v列数值;p(a,b)表示池化层输出矩阵中的第a行、第b列数值;r表示参与池化区域的边界值。
8.根据权利要求1或2所述的一种断路器缺陷识别方法,其特征在于:
步骤4所述基于步骤3提取的波形特征,识别断路器缺陷,包括:
步骤401:基于训练集及其波形特征,构建并训练随机森林分类器;
步骤402:调参,直到校验精度达标,校验精度达标时,作为缺陷诊断依据。
9.根据权利要求8所述的一种断路器缺陷识别方法,其特征在于:
步骤401中,设训练集为T,特征参数F=[F1,F2,F3,…Fk];
首先计算T的信息熵及其经特征Ti(1≤i≤k)作用后的信息增益Gi(1≤i≤k),选出最大的信息增益Gi对应的特征Ti作为根节点Tmax;
经过Tmax作用以后,训练集X分为X1,X2;
然后,对X1,X2分别计算其信息熵及经过特征Ti(i≠max)作用以后的增益G1i,G2i(i≠max),选出最大的信息增益G1i、G2i对应的特征Ti,Tj(i,j≠max)作为子节点T1max,T2max;
重复上述步骤,直到所有节点成为叶子节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297701.5A CN111079647A (zh) | 2019-12-17 | 2019-12-17 | 一种断路器缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297701.5A CN111079647A (zh) | 2019-12-17 | 2019-12-17 | 一种断路器缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079647A true CN111079647A (zh) | 2020-04-28 |
Family
ID=70314859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911297701.5A Pending CN111079647A (zh) | 2019-12-17 | 2019-12-17 | 一种断路器缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079647A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及系统 |
CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
CN109002762A (zh) * | 2018-06-14 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 一种分合闸线圈故障电流波形识别方法和系统 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
-
2019
- 2019-12-17 CN CN201911297701.5A patent/CN111079647A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
CN109002762A (zh) * | 2018-06-14 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 一种分合闸线圈故障电流波形识别方法和系统 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
DANQI LI等: "Self-Supervised Voltage Sag Source Identification Method Based on CNN" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及系统 |
CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
CN116756548B (zh) * | 2023-08-22 | 2023-10-24 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN110398348B (zh) | 存储器、高压断路器机械故障诊断方法和装置 | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN112014047B (zh) | 一种有载分接开关机械故障诊断方法 | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN109031103B (zh) | 一种交流接触器性能退化与状态评估方法 | |
CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN112420055A (zh) | 基于声纹特征的变电站状态识别方法及装置 | |
CN111796180A (zh) | 一种高压开关机械故障的自动识别方法及装置 | |
CN113219328B (zh) | 一种基于信息融合的断路器操作机构故障智能诊断方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN113252323A (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及系统 | |
CN112686182A (zh) | 局部放电模式识别方法及终端设备 | |
CN113705637B (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |