CN111678679A - 一种基于pca-bpnn的断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于PCA‑BPNN的断路器故障诊断方法，通过监测系统平台收集断路器故障下的振动信号；然后利用小波包和能量熵来提取特征值；通过主成分分析方法进一步降低了数据集的维数和噪声，形成一个简洁的高质量数据集作为BNPP分类器的输入；搭建反馈神经网络（BPNN）模型，利用神经网络模型的非线性拟合能力，实现断路器故障的高精度诊断。本发明提供的一种基于PCA‑BPNN的断路器故障诊断方法，可显著加快断路器故障诊断效率，进一步提高诊断效果，具有较强的实际应用价值，可用于电网系统海量数据的实际部署。

Description

一种基于PCA-BPNN的断路器故障诊断方法

技术领域

本发明涉及一种基于PCA-BPNN的断路器故障诊断方法，属于断路器故障诊断技术领域。

背景技术

目前，电网的安全可靠性是一个国家经济发展的基础。断路器作为电力系统中最重要，最复杂的电气设备之一，在电力系统的安全运行中起着重要的作用。当发生故障或事故时，可能会引起电网事故，甚至扩大事故范围，造成严重的经济损失。由断路器引起的事故占电力设备故障的比例更高。此外，据统计，操作机构的机械故障占所有断路器故障的80％以上。因此，研究断路器的机械故障诊断方法，及时发现断路器的工作状态，对于提高电源的可靠性具有十分重要的意义。

机器学习的发展给电网设备的故障诊断提供了新的解决方案，实验证明机器学习方法可以产生比基于经验规则的传统方法更好的性能。例如，基于优化支持向量机(SVM)的分类器比基于小数据集的专家系统具有更高的准确性。但是，由于SVM通常有效地应用于较小的数据集且容易陷入局部最优，因此需要更有效但更复杂的算法来处理故障诊断问题。同时，考虑到可能包含其他噪声的较大数据集，如果有预处理程序，将有进一步的改进。

发明内容

目的：为了克服现有技术中存在的由于SVM通常有效地应用于较小的数据集且容易陷入局部最优和包含其他噪声的较大数据集的不足，本发明提供一种基于PCA-BPNN的断路器故障诊断方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于PCA-BPNN的断路器故障诊断方法，包括如下步骤：

通过各类典型机械故障状态，以及各类典型机械故障状态对应的数据集F_q×m，来训练BP神经网络，得到权重值w，偏移值b；

利用训练好的BP神经网络实现对断路器故障类型的诊断。

作为优选方案，所述数据集F_q×m计算过程如下：

将各类典型机械故障状态下分别对应的m条振动信号计算频带信号的特征熵H_(d,l)，得到频带信号特征熵组成n×m维的矩阵X_n×m，其中，n为每条振动信号分解后频带信号的特征熵的个数，即2^d，d表示将振动信号分解到的层数，m为振动信号个数，即样本个数；

将矩阵X_n×m的元素按行进行零均值化，即将每个元素减去每行元素的均值，得到矩阵X'_n×m；

计算X'_n×m的协方差矩阵S，公式如下：

其中，S_ij,i,j＝1,2,...,n表示特征熵X'_i与X'_j的相关系数，X'_i，X'_j分别为m个样本的第i个特征熵和第j个特征熵，数据维度为1×m；

通过特征值分解矩阵求出协方差矩阵S的特征值λ_i，i＝1,2,...,n和对应的特征向量u_i，i＝1,2,...,n，数据维度为1×n；

根据特征值λ_i和信息贡献率计算公式，求出满足信息贡献率p条件下的最小q值；

将特征值λ_i从大到小排列，选取前q个特征值对应的特征向量，将矩阵X'_n×m投影到选取的特征向量上，得到数据集F_q×m。

作为优选方案，所述S_ij由如下公式计算得到：

式中：X'_(i,k)为第i行k列的数据，

为X'_n×m中第i行的平均值，X'_(j,k)为第j行k列的数值，

为X'_n×m中第j行平均值，m为数据样本个数。

作为优选方案，所述特征值分解矩阵计算公式如下所示：

S＝U∑U^-1

其中，U是矩阵S的特征向量u_i，i＝1,2,...,n组成的数据维度为1×n矩阵，∑则是一个对角阵，对角线上的元素就是特征值λ_i，i＝1,2,...,n。

作为优选方案，所述信息贡献率的计算公式为:

其中：n为特征值的个数，λ_i表示第i个特征值，q为满足信息贡献率的最小特征值数量。

作为优选方案，所述频带信号的特征熵H_(d,l)计算步骤如下：

利用振动信号监测系统平台对断路器执行过程中各类典型机械故障状态下产生的振动信号分别进行收集。

对各类典型机械故障状态下产生的振动信号u(t)分别通过递推式进行d层分解，各类振动信号u(t)分解后分别得到2^d个频带信号S(d,l)，l＝0～2^d-1，将2^d个频带信号S(d,l)进行小波包重构操作，得到重构的频带信号能量值S_F(d,l)，并对频带信号能量值S_F(d,l)进行归一化操作，得到归一化后的频带信号能量值ε_(d,l)；

基于信息熵理论，根据归一化后的频带信号能量值ε_(d,l)计算频带信号的特征熵H作为训练数据集X，其中,第d层第l个频带信号的特征熵H_(d,l)。

作为优选方案，所述小波包重构公式和归一化公式如下所示：

其中，S_F(d,l)为重构的频带信号能量值，ε_(d,l)为归一化后的频带信号能量值，d表示将振动信号分解到第d层，l代表第d层的第l个频带信号。

作为优选方案，所述特征熵H_(d,l)计算公式如下所示：

H_(d,l)＝-ε_(d,l)lgε_(d,l),l＝0～2^d-1。

作为优选方案，BP神经网络模型包括：输入层、隐藏层和输出层；输入层单元个数设置为数据集F_q×m中数据特征维度值q，隐藏层单元个数设置为15个，将输出层的单元个数设定为典型机械故障状态的工况种类，并将输出层设置为softmax层，输出各种类结果的概率，并采用交叉熵代价函数作为BPNN模型的损失函数；最后输出概率最高的类别为该神经网络模型的诊断结果。

作为优选方案，神经网络模型进行训练之前，需要初始化偏差b和权值w，单个神经元的计算公式如下：

y＝F(w₁×x₁+w₂×x₂+…+w_n×x_n+b)

其中，w表示权重值，b表示偏移值，x表示模型输入数据，y表示模型输出，F()表示激活函数；

通过随机梯度下降法调整下降方向，从输出层到中间层，最后到输入层，调整连接权重，在训练过程中，对神经网络模型的权重值和偏差值进行迭代调整，选取使得神经网络模型损失函数最小化的权值和偏差。

有益效果：本发明提供的一种基于PCA-BPNN的断路器故障诊断方法，通过监测系统平台收集断路器故障下的振动信号；然后利用小波包和能量熵来提取特征值；通过主成分分析方法进一步降低了数据集的维数和噪声，形成一个简洁的高质量数据集作为BNPP分类器的输入；搭建反馈神经网络(BPNN)模型，利用神经网络模型的非线性拟合能力，实现断路器故障的高精度诊断。本发明可显著加快断路器故障诊断效率，进一步提高诊断效果，具有较强的实际应用价值，可用于电网系统海量数据的实际部署。

附图说明

图1是本发明的工作流程图；

图2是BPNN模型的结构图；

图3是BPNN模型的神经元单元结构图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

一种基于PCA-BPNN的断路器故障诊断方法，其包括以下步骤：

步骤1：首先提取断路器执行过程中各类典型机械故障状态(操作电压过低、铁心运行有卡涩、操作机构有卡涩、断路器结构老化)下产生的振动信号，然后利用小波包分解算法和信息熵理论从振动信号中提取出频带信号的特征熵；

所述步骤1具体步骤为：

步骤1.1：利用振动信号监测系统平台对断路器执行过程中各类典型机械故障状态下产生的振动信号分别进行收集。

步骤1.2：对各类典型机械故障状态下产生的振动信号u(t)分别通过递推式进行d层分解，各类振动信号u(t)分解后分别得到2^d个频带信号S(d,l)，l＝0～2^d-1，将2^d个频带信号S(d,l)进行小波包重构操作，得到重构的频带信号能量值S_F(d,l)，并对频带信号能量值S_F(d,l)进行归一化操作，得到归一化后的频带信号能量值ε_(d,l)。

所述小波包重构公式和归一化公式如下所示：

其中，S_F(d,l)为重构的频带信号能量值，ε_(d,l)为归一化后的频带信号能量值，d表示将振动信号分解到第d层，l代表第d层的第l个频带信号。

步骤1.3：基于信息熵理论，根据归一化后的频带信号能量值ε_(d,l)计算频带信号的特征熵H作为训练数据集X，其中,第d层第l个频带信号的特征熵H_(d,l)表示为：

H_(d,l)＝-ε_(d,l)lgε_(d,l),l＝0～2^d-1

步骤2：使用主成分分析法(PCA)对频带信号的特征熵H_(d,l)进行降维操作,得到新的数据集F_q×m；

所述步骤2具体步骤为：

步骤2.1：将各类典型机械故障状态下分别对应的m条振动信号计算频带信号的特征熵H_(d,l)，得到频带信号特征熵组成n×m维的矩阵X_n×m，其中，n为每条振动信号分解后频带信号的特征熵的个数，即2^d，m为振动信号个数，即样本个数；

步骤2.2：将矩阵X_n×m的元素按行进行零均值化，即将每个元素减去每行元素的均值，得到矩阵X'_n×m；

步骤2.3：计算X'_n×m的协方差矩阵S，公式如下：

其中，S_ij,i,j＝1,2,...,n表示特征熵X'_i与X'_j的相关系数，X'_i，X'_j分别为m个样本的第i个特征熵和第j个特征熵，数据维度为1×m，S_ij由如下公式计算得到：

式中：X′_(i,k)为第i行k列的数据，

为X'_n×m中第i行的平均值，X'_(j,k)为第j行k列的数值，

为X'_n×m中第j行平均值，m为数据样本个数。

步骤2.4：通过特征值分解矩阵求出协方差矩阵S的特征值λ_i，i＝1,2,...,n和对应的特征向量u_i，i＝1,2,...,n，数据维度为1×n；

所述特征值分解矩阵计算公式如下所示：

S＝U∑U^-1

其中，U是矩阵S的特征向量u_i，i＝1,2,...,n组成的数据维度为1×n矩阵，∑则是一个对角阵，对角线上的元素就是特征值λ_i，i＝1,2,...,n。

步骤2.5：根据特征值λ_i和信息贡献率计算公式，求出满足信息贡献率p条件下的最小q值。

一般情况下，保留大于90％的信息量，即p>90％,信息贡献率的计算公式为:

其中：n为特征值的个数，λ_i表示第i个特征值，q为满足信息贡献率的最小特征值数量。

步骤2.6：将特征值λ_i从大到小排列，选取前q个特征值对应的特征向量，将矩阵X'_n×m投影到选取的特征向量上，得到新的数据集F_q×m。

将矩阵X'_n×m的n维数据特征降维至新的数据集F_q×m的q维数据特征。新的数据集F_q×m的计算公式为：

其中X'_i,i＝1,2,…,n表示m个样本的第i个特征，u_i表示特征值λ_i对应的特征向量，选取的是前q个大的特征值λ_i对应的特征向量。

步骤3：通过各类典型机械故障状态，以及各类典型机械故障状态对应的数据集F_q×m，来训练BP神经网络(BPNN)，得到权重值w，偏移值b，并利用训练好的BP神经网络实现对断路器故障类型的分类。

所述步骤3包括以下具体步骤：

步骤3.1：搭建BPNN神经网络模型，BPNN神经网络模型包括：输入层、隐藏层和输出层。输入层单元个数设置为数据集F_q×_m中数据特征维度值q，隐藏层单元个数设置为15个，将输出层的单元个数设定为典型机械故障状态的工况种类，如4类，并将输出层设置为softmax层，输出各种类结果的概率，如[0.1,0.2,0.5,0.2],各概率之和一定为1，并采用交叉熵代价函数作为BPNN模型的损失函数。最后输出概率最高的类别为该神经网络模型的诊断结果。

所述损失函数公式如下：

式中，y_i表示神经网络模型各类输出概率，如[0.1,0.2,0.5,0.2]，r_i表示各类真实概率，如[0,0,1,0]，N为工况种类，如4类。

步骤3.2：在对神经网络模型进行训练之前，需要初始化偏差b和权值w，单个神经元的计算公式如下：

y＝F(w₁×x₁+w₂×x₂+…+w_n×x_n+b)

其中，w表示权重值，b表示偏移值，x表示模型输入数据，y表示模型输出，F()表示激活函数。使用零附近的随机数来初始化网络中的权重值和偏差值。

步骤3.3：为了减少实际输出与预期输出之间的误差，通过随机梯度下降法调整下降方向，从输出层到中间层，最后到输入层，调整连接权重，在训练过程中，对神经网络模型的权重值和偏差值进行迭代调整，选取使得神经网络模型损失函数最小化的权值和偏差。

步骤3.4：利用训练好的神经网络模型实现对断路器的振动信号进行诊断。

图1是本发明的工作流程图。首先通过监测系统平台收集断路器故障下的震动信号；然后利用小波包和能量熵来提取特征值；采用主成分分析方法(Principal ComponentAnalysis，PCA)来对数据集进行降维和降噪，并尽可能保留信息量。最后，搭建反馈神经网络(BPNN)模型，将预处理好的数据输入到搭建好的BPNN模型中进行训练，不断调整训练参数，利用神经网络模型的非线性拟合能力，实现断路器故障的高精度诊断。

图2是BPNN模型的结构图。本发明中搭建的BPNN模型为3层的神经网络：输入层、隐藏层和输出层。输入层单元个数设置为步骤2中得到的训练数据集的维数，隐藏层单元个数设置为15，，将输出层的单元个数设定为模型判定的断路器故障种类4，并将输出层设置为softmax层，输出各种类结果的概率，如[0.1,0.2,0.5,0.2],各概率之和一定为1，并采用交叉熵代价函数作为BPNN模型的损失函数。

图3是BPNN的神经元单元结构图。单个神经元的计算公式：

y＝F(w₁×x₁+w₂×x₂+…+w_n×x_n+b)

其中w表示权值，b表示偏移值，x表示模型输入数据，y表示模型输出，F()表示激活函数。本模型中选取Sigmoid函数作为激活函数。使用零附近的随机数来初始化网络中的权值和偏差。为了减少实际输出与预期输出之间的误差，通过根据梯度调整下降方向，从输出层到中间层，最后到输入层，调整连接权重，在训练过程中，对网络的权值和偏差进行迭代调整，使得模型损失函数最小化。激活函数使得神经网络具备非线性拟合能力。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：包括如下步骤：

通过各类典型机械故障状态，以及各类典型机械故障状态对应的数据集F_q×m，来训练BP神经网络，得到权重值w，偏移值b；

利用训练好的BP神经网络实现对断路器故障类型的诊断。

2.根据权利要求1所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述数据集F_q×m计算过程如下：

将各类典型机械故障状态下分别对应的m条振动信号计算频带信号的特征熵H_(d,l)，得到频带信号特征熵组成n×m维的矩阵X_n×m，其中，n为每条振动信号分解后频带信号的特征熵的个数，即2^d，d表示将振动信号分解到的层数，m为振动信号个数，即样本个数；

将矩阵X_n×m的元素按行进行零均值化，即将每个元素减去每行元素的均值，得到矩阵X'_n×m；

计算X'_n×m的协方差矩阵S，公式如下：

其中，S_ij,i,j＝1,2,...,n表示特征熵X'_i与X'_j的相关系数，X'_i，X'_j分别为m个样本的第i个特征熵和第j个特征熵，数据维度为1×m；

通过特征值分解矩阵求出协方差矩阵S的特征值λ_i，i＝1,2,...,n和对应的特征向量u_i，i＝1,2,...,n，数据维度为1×n；

根据特征值λ_i和信息贡献率计算公式，求出满足信息贡献率p条件下的最小q值；

将特征值λ_i从大到小排列，选取前q个特征值对应的特征向量，将矩阵X'_n×m投影到选取的特征向量上，得到数据集F_q×m。

3.根据权利要求2所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述S_ij由如下公式计算得到：

式中：X'_(i,k)为第i行k列的数据，

为X'_n×m中第i行的平均值，X'_(j,k)为第j行k列的数值，

为X'_n×m中第j行平均值，m为数据样本个数。

4.根据权利要求2所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述特征值分解矩阵计算公式如下所示：

S＝U∑U^-1

其中，U是矩阵S的特征向量u_i，i＝1,2,...,n组成的数据维度为1×n矩阵，∑则是一个对角阵，对角线上的元素就是特征值λ_i，i＝1,2,...,n。

5.根据权利要求2所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述信息贡献率的计算公式为:

其中：n为特征值的个数，λ_i表示第i个特征值，q为满足信息贡献率的最小特征值数量。

6.根据权利要求2所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述频带信号的特征熵H_(d,l)计算步骤如下：

利用振动信号监测系统平台对断路器执行过程中各类典型机械故障状态下产生的振动信号分别进行收集。

对各类典型机械故障状态下产生的振动信号u(t)分别通过递推式进行d层分解，各类振动信号u(t)分解后分别得到2^d个频带信号S(d,l)，l＝0～2^d-1，将2^d个频带信号S(d,l)进行小波包重构操作，得到重构的频带信号能量值S_F(d,l)，并对频带信号能量值S_F(d,l)进行归一化操作，得到归一化后的频带信号能量值ε_(d,l)；

基于信息熵理论，根据归一化后的频带信号能量值ε_(d,l)计算频带信号的特征熵H作为训练数据集X，其中,第d层第l个频带信号的特征熵H_(d,l)。

7.根据权利要求6所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述小波包重构公式和归一化公式如下所示：

S_F(d,l)＝∫|S(d,l)|²dt,l＝0～2^d-1

其中，S_F(d,l)为重构的频带信号能量值，ε_(d,l)为归一化后的频带信号能量值，d表示将振动信号分解到第d层，l代表第d层的第l个频带信号。

8.根据权利要求6所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：所述特征熵H_(d,l)计算公式如下所示：

H_(d,l)＝-ε_(d,l)lgε_(d,l),l＝0～2^d-1。

9.根据权利要求2所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：BP神经网络模型包括：输入层、隐藏层和输出层；输入层单元个数设置为数据集F_q×m中数据特征维度值q，隐藏层单元个数设置为15个，将输出层的单元个数设定为典型机械故障状态的工况种类，并将输出层设置为softmax层，输出各种类结果的概率，并采用交叉熵代价函数作为BPNN模型的损失函数；最后输出概率最高的类别为该神经网络模型的诊断结果。

10.根据权利要求9所述的一种基于PCA-BPNN的断路器故障诊断方法，其特征在于：神经网络模型进行训练之前，需要初始化偏差b和权值w，单个神经元的计算公式如下：

y＝F(w₁×x₁+w₂×x₂+…+w_n×x_n+b)

其中，w表示权重值，b表示偏移值，x表示模型输入数据，y表示模型输出，F()表示激活函数；

通过随机梯度下降法调整下降方向，从输出层到中间层，最后到输入层，调整连接权重，在训练过程中，对神经网络模型的权重值和偏差值进行迭代调整，选取使得神经网络模型损失函数最小化的权值和偏差。

Images