CN111079647A - 一种断路器缺陷识别方法 - Google Patents

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

一种断路器缺陷识别方法

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,…F_k]；

首先计算T的信息熵及其经特征T_i(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G_i对应的特征T_i作为根节点T_max；

经过T_max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T_i(i≠max)作用以后的增益G_1i,G_2i(i≠max),选出最大的信息增益G_1i、G_2i对应的特征T_i,T_j(i,j≠max)作为子节点T_1max,T_2max；

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，P_i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)-H_t(X) (7)

其中，H_t(X)为在某项特征的作用下，样本X被分为多个子样本X_j(j＝1,2，…，n)时，样本X的信息熵，H_t(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,…F_k]；

首先计算T的信息熵及其经特征T_i(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G_i对应的特征T_i作为根节点T_max；

经过T_max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T_i(i≠max)作用以后的增益G_1i,G_2i(i≠max),选出最大的信息增益G_1i、G_2i对应的特征T_i,T_j(i,j≠max)作为子节点T_1max,T_2max；

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，P_i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)-H_t(X) (7)

其中，H_t(X)为在某项特征的作用下，样本X被分为多个子样本X_j(j＝1,2，…，n)时，样本X的信息熵，H_t(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,…F_k]；

首先计算T的信息熵及其经特征T_i(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G_i对应的特征T_i作为根节点T_max；

经过T_max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T_i(i≠max)作用以后的增益G_1i,G_2i(i≠max),选出最大的信息增益G_1i、G_2i对应的特征T_i,T_j(i,j≠max)作为子节点T_1max,T_2max；

重复上述步骤,直到所有节点成为叶子节点。

10.根据权利要求9所述的一种断路器缺陷识别方法，其特征在于：

所述信息熵计算公式为：

其中，数据种类数为c，P_i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)-H_t(X) (7)

其中，H_t(X)为在某项特征的作用下，样本X被分为多个子样本X_j(j＝1,2，…，n)时，样本X的信息熵，H_t(X)的计算公式为：

Images