CN112748330A - 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 - Google Patents
基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112748330A CN112748330A CN202011544920.1A CN202011544920A CN112748330A CN 112748330 A CN112748330 A CN 112748330A CN 202011544920 A CN202011544920 A CN 202011544920A CN 112748330 A CN112748330 A CN 112748330A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- sample
- neural network
- fault
- voltage circuit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 230000007246 mechanism Effects 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 62
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，包括：获取待诊断的高压断路器分闸线圈电流曲线；从分闸线圈电流曲线上提取分闸线圈电流特征参数；基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；将多个分类结果进行集成，得到最终的故障诊断结果。本发明通过构建多个差异化单体神经网络，并对其进行集成，利用投票机制对单体神经网络识别结果集成，从而提高状态识别准确率和可靠性。
Description
技术领域
本发明属于故障诊断技术领域，具体涉及一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，还涉及一种基于分布式集成神经网络的高压断路器操作机构故障诊断装置。
背景技术
35kV及以上断路器(高压断路器)作为电力系统配电网中最重要、最广泛的电力设备之一，既起着带电切合正常负荷电流的控制作用，也起着在规定的时间内承载开断和关合异常电流的保护作用，断路器失效将会导致严重的电网运行事故。根据相关统计，在断路器的主要故障中机械原因占60％以上，且机械故障中绝大多数是操动机构的问题，因此对断路器运行状态尤其是机械状态进行监测和评估十分重要，通过合理评估断路器的运行状态，准确预测断路器使用寿命，及时将老化的断路器退出运行有着至关重要的意义。
断路器运行过程中由于操作机构状态异常等各种问题导致动铁心运动不到位，进而导致断路器拒分或者拒合故障，这些机构故障信息会反映在分、合闸线圈电流曲线的一些特性中，通过分析分、合闸线圈的电流特性，能够反映断路器操作机构潜在的故障，为合理地评估断路器的操作机构状态提供了一种新的思路。
目前对断路器操作机构故障诊断的方法大多基于分、合闸线圈电流曲线和机械行程曲线特征，基于非线性逼近和拟合原理找出在故障条件下特征点的变化规律，利用模糊推理、神经网络，向量机等技术对大量的故障数据进行学习和分类，从而评估断路器操作机构运行状态。然而，实际工作的开展中，会遇到诸如各运行状态特征数据量不平衡、数据体量大、分类精度差、分类效率低等问题，导致运行状态的误报和漏报，限制了相关诊断方法的进一步运用。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置，解决断路器故障诊断特征数据类别不平衡，提高断路器运行状态识别的准确度和效率。
为解决上述技术问题，本发明提供了一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，包括：
获取待诊断的高压断路器分闸线圈电流曲线；
从分闸线圈电流曲线上提取分闸线圈电流特征参数；
基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；
将多个分类结果进行集成，得到最终的故障诊断结果；
其中，所述多个分布式集成神经网络子分类器的训练过程为：
采集不同高压断路器操作机构故障下的多个分闸线圈电流曲线；
从每个分闸线圈电流曲线上提取分闸线圈电流特征参数；
若不同故障类别的分闸线圈时间-电流特征参数样本个数存在不平衡，则对不平衡样本进行平衡处理，从而形成高压断路器故障特征训练数据集；
将平衡处理后的断路器操作机构故障特征训练数据集随机抽样形成多个差异化训练样本块；
利用多个差异化训练样本块分别训练各个分布式集成神经网络子分类器。
进一步的，还包括：对获取到的分闸线圈电流曲线，利用小波包分析技术进行除噪。
进一步的，所述分闸线圈电流特征为拐点发生时刻和电流值。
进一步的，所述分布式集成神经网络子分类器数量为奇数。
进一步的，高压断路器操作机构故障包括正常、模拟线圈电压减少15％、模拟增加线圈阻抗20％、模拟增加铁芯间隙20％、模拟线圈电压增加20％和触发器略微卡滞六种故障。
进一步的，对不平衡样本进行平衡处理包括：
确定小规模样本数据扩大的数量；
确定小规模样本中任意样本需要合成的新的样本数；
对小规模样本进行SMOTE合成。
进一步的，所述确定小规模样本数据扩大的数量，包括：
令Pk是小规模样本数据量占最大样本数据量的占比，αk表示某一类故障下样本数量的扩大倍数；
当Pk∈(0，0.1]，αk＝10；表示某一类故障样本占比小于等于0.1，则将此类故障样本总量需要变为原来的10倍；
当Pk∈(0.1，0.2]，αk＝6；
当Pk∈(0.2，0.3]，αk＝3；
当Pk∈(0.3，0.4]，αk＝2；
当Pk∈(0.4，0.5]，αk＝1；表示某一类故障样本总量需要变为原来的1倍，也就是不扩大；
k是需要平衡处理的样本故障类别，k＝[1,6]，代表六类故障中的任意一类。SSk是小规模样本数据量，LS是最大样本数据量；
则最终类别k中合成的总样本数量NSk表示成NSk＝αk×SSk。
进一步的，确定小规模样本中任意样本需要合成的新的样本数，包括：
第k类小规模样本中任意样本Di与其所在样本中心的欧式距离为EDi，则样本Di在小规模样本中距离权重计算公式为：
对于Di需要合成新的样本数量NDi的计算公式为：NDi＝Wi×NSk，NSk为类别k中合成的总样本数量。
进一步的，对小规模样本进行SMOTE合成，包括：
对于第k类任意样本Di，在第k类内选取距离Di最近的N个样本XNDi，XNDi＝{X1，X2，…，XN}，Di生成新样本Gij的公式为：Gij＝Di+ζ(Xj-Di)，其中，ζ∈(0，1)为随机数值，Xj是XNDi中任一样本向量。
进一步的，多个分布式集成神经网络子分类器的训练过程并行处理。
进一步的，将多个分类结果进行集成，包括：
采用投票机制将多个分类结果进行集成。
相应的，本发明还提供了一种基于分布式集成神经网络的高压断路器操作机构故障诊断装置，包括：
数据获取模块，用于获取待诊断的高压断路器分闸线圈电流曲线；
特征提取模块，用于从分闸线圈电流曲线上提取分闸线圈电流特征参数；
分类计算模块，用于基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；
其中，所述多个分布式集成神经网络子分类器的训练过程为：
采集不同高压断路器操作机构故障下的多个分闸线圈电流曲线；
从每个分闸线圈电流曲线上提取分闸线圈电流特征参数；
若不同故障类别的分闸线圈时间-电流特征参数样本个数存在不平衡，则对不平衡样本进行平衡处理，从而形成高压断路器故障特征训练数据集；
将平衡处理后的断路器操作机构故障特征训练数据集随机抽样形成多个差异化训练样本块；
利用多个差异化训练样本块分别训练各个分布式集成神经网络子分类器；
诊断结果计算模块，用于将多个分类结果进行集成，得到最终的故障诊断结果。
与现有技术相比，本发明所达到的有益效果是：
第一、本发明方法简化特征数据集，采用分闸线圈电流曲线提取训练数据集，能够降低训练数据复杂度，提高诊断方法的执行效率。
第二、本发明方法采用分闸线圈电流特性曲线的九项全特征参数进行状态识别，充分保留原始电流特性的隐藏信息，有利于故障诊断方法的高维推理。
第三、本发明方法采用了一种SMOTE合成少数类过采样方法以减小特征样本数据类别不平衡对故障诊断结果的影响。
第四、本发明通过构建多个差异化单体神经网络，并对其进行集成，利用投票机制对单体神经网络识别结果集成，从而提高状态识别准确率和可靠性。
第五、本发明方法将集成的反向传播神经网络部署在分布式数据平台，进行并行计算，以提高集成神经网络的计算算力并显著降低时长，提高效率。
附图说明
图1是本发明方法的流程图；
图2是断路器分闸线圈电流曲线特征分布示意图；
图3是本发明中单体反向传播神经网结构示意图；
图4是本发明中构建差异化基分类器流程的示意图；
图5是本发明中的集成神经网络分类器投票流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。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发明的保护范围。
本发明公开了一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法。通过模拟断路器操作机构故障，提取各种断路器操作机构故障条件下分闸线圈电流曲线；利用小波包分析技术对分闸线圈电流曲线数据降噪滤波，从每一条分闸线圈电流曲线上得到九维特征参数，将该九维特征参数作为该类断路器操作机构故障的一个特征样本；采用SMOTE合成少数类过采样方法保证不同断路器操作机构故障的特征样本总数相同，以解决特征样本数据不平衡；采用随机抽样的方式提取差异化的子训练样本集，并训练差异化BPNN子分类器；在分布式计算平台Spark上在构造多个反向传播神经网络BPNN并进行集成，利用多数投票策略对输入的断路器分闸线圈特征数据生成最终诊断结果。本发明能够处理特征数据类别不平衡，提高断路器操作机构故障诊断的准确度和效率，合理、可靠地诊断断路器操作机构故障。
实施例1
本发明的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，参见图1所示，包括以下过程：
步骤1、采集不同高压断路器操作机构故障下的分闸线圈电流曲线，用于构建该类故障下的特征样本。
当电网发生运行故障时，断路器需要可靠、快速地执行分闸操作，由于分闸操作往往是带负荷运行，断路器的分闸可靠性相对合闸来说尤为重要。传统方法在断路器操作结构故障训练数据提取方面同时提取分、合闸线圈电流曲线特征，数据量大、且存在极大的冗余。断路器操作机构分、合闸动作特征相反，其分、合闸线圈电流特征相似，因此，本发明简化特征数据集，采用分闸线圈电流曲线提取训练数据集。
模拟高压断路器操作机构常见故障，利用电流采集装置(如普源RP1002C电流探头和普源DS2202E示波器)获取高压断路器分闸线圈的分闸动作电流曲线。本发明实施例中，模拟断路器操作机构六种常见故障，分别为正常、模拟线圈电压减少15％、模拟增加线圈阻抗20％、模拟增加铁芯间隙20％、模拟线圈电压增加20％、触发器略微卡滞。
步骤2、根据分闸线圈电流曲线的拐点发生时刻和电流值，从每个分闸线圈电流曲线上提取9维分闸线圈电流特征参数。
对获取到的分闸线圈电流曲线，利用小波包分析技术进行除噪，例如采用db5母小波基滤波除噪。以滤除在获取分闸线圈电流曲线过程中产生的毛刺和干扰数据，从而保证提取9维分闸线圈时间-电流特征参数的准确性。
传统方法通过对特征量实施相关性和关联度处理，对电流曲线特征进行了一定程度的降维处理和优化，但这些降维方法会损失原始电流特性的隐藏信息，不利于状态识别方法的高维推理。因此，本发明方法采用分闸线圈电流特性曲线的九项时间-电流特征参数进行状态识别。
根据分闸线圈电流曲线的拐点发生时刻和电流值，采用人工标定的方式在分闸线圈电流曲线上提取9维分闸线圈电流特征参数，如附图2所示，包括五项时间参数(t1,t2,t3,t4,t5)和四项电流数值参数(I1,I2,I3,I4)。
步骤3、若不同故障类别的分闸线圈时间-电流特征参数样本个数存在不平衡，则对不平衡样本进行平衡处理，从而形成高压断路器故障特征训练数据集；
训练数据集的平衡性用于衡量不同类别中训练数据的数目差异，训练数据集越平衡，表明各类别训练数据数目比例越平均。训练数据集的样本比例会影响反向传播神经网络的迭代权重，最终的输出更倾向于训练样本的比例较高的类别，当使用部分数据作为训练样本时，诊断结果可能存在不均衡，导致网络训练过程中潜在学习不足，分类性能差。本发明方法采用了SMOTE过采样技术对断路器操作机构各种故障状态下的分闸线圈电流特征数据集进行平衡处理。
本发明实施例中，将小规模样本数据量占最大样本数据量的占比小于0.5，即不足最大样本数量一一半，定义为不平衡。
具体包括以下过程：
3.1、确定小规模样本数据扩大的数量。
令Pk是小规模样本数据量占最大样本数据量的占比，αk表示某一类故障下样本数量的扩大倍数。
当Pk∈(0，0.1]，αk＝10；表示某一类故障样本占比小于等于0.1，则将此类故障样本总量需要变为原来的10倍；
当Pk∈(0.1，0.2]，αk＝6；
当Pk∈(0.2，0.3]，αk＝3；
当Pk∈(0.3，0.4]，αk＝2；
当Pk∈(0.4，0.5]，αk＝1。表示某一类故障样本总量需要变为原来的1倍，也就是不扩大。
k是需要平衡处理的样本故障类别，k＝[1,6]，代表六类故障中的任意一类。SSk是小规模样本数据量，LS是最大样本数据量。
则最终类别k中合成的总样本数量NSk表示成NSk＝αk×SSk。
3.2、确定第k类小规模样本中任意样本Di需要合成的新的样本数NDi。
第k类小规模样本中任意样本Di与其所在样本中心(同一类别所有特征样本各个维度特征值的均值)的欧式距离为EDi，则样本Di在小规模样本中距离权重计算公式为：
对于Di需要合成新的样本数量NDi的计算公式为：NDi＝Wi×NSk。
3.3、对第k类小规模样本进行SMOTE合成。
对于第k类任意样本Di，在第k类内选取距离Di最近的N个样本XNDi，XNDi＝{X1，X2，…，XN}，Di生成新样本Gij的公式为：Gij＝Di+ζ(Xj-Di)，其中，ζ∈(0，1)为随机数值，Xj是XNDi中任一样本向量。
步骤4、构建单体反向传播神经网络BPNN作为分类器
反向传播神经网络BPNN由一个输入层、一个隐藏层和一个输出层构成，如附图3所示。在反向传播神经网络训练时，输入层为X＝(x1,x2,…,xm)T，xm为断路器分闸线圈时间-电流特征值，该特征值包含9个特征量，为九维数据(t1,t2,t3,t4,t5,I1,I2,I3,I4)，m为输入数据的样本数；输出层O对应六个断路器故障类别(o1,…,o6)，期望输出为D；构建隐含层包含9个神经单元数Y＝(y1,y2,y3,…,y9)。采用log-sigmoid函数f(x)＝1/(1+e-x)作为网络传递激活函数。
对于输入任意一断路器分闸线圈电流特征值参数向量x，经过正向传播的隐含层，输出向量y和输出层o表示为：
和
输出层与期望输出之间的误差表示为
其中，wij是输入层到隐含层的权值，xi表示样本中第i维特征，bij是输入层到隐含层的门限值，wjk是隐含层到输入层的权值，bjk是隐含层到输入层的门限值，i＝1,2,…,9；j＝1,2,…,15；k＝1,2,…,6。
反向传播过程从输出层开始计算隐藏层各神经元的输出误差，采用最速下降法以更新权值和门限值，调整过程如下：
其中，α∈(0，1)为学习速率。这里的w指代任一个权值。
最小误差计算方法为：min(E)＝min(E[(D-O)T(D-O)])通过迭代使误差E不断减小直至满足小于设定条件。优选，设定α为0.2。设定误差限值为0.01。
步骤5、将平衡处理后的断路器操作机构故障特征训练数据集随机抽样形成多个差异化训练样本块；在分布式大数据处理平台部署多个BPNN子分类器，样本块的数量与BPNN子分类器数量相同，利用多个差异化训练样本块训练各个单体反向传播神经网络BPNN，以获得具有差异化分类性能的BPNN子分类器；
单体神经网络训练不足或者过训练会导致泛化能力不足和过拟合的问题，影响故障诊断的准确性。本发明方法通过构建多个差异化单体反向传播神经网络BPNN，并对其进行集成，利用投票机制对单体神经网络识别结果集成，从而提高故障诊断准确性和可靠性。
5.1、构建差异化训练样本块：
通过随机抽样的方法在平衡处理过后的训练样本集中抽取等量的训练样本构成差异化块Banki＝{Xs1,Xs2,…,Xsk}，i＝1,2,3；k＝1,2,…,6。Xsk＝(x1,x2,…,xn)T，表示各个类别训练样本的集合，n表示各个类别中训练样本数据条数，经过平衡处理后，每个训练样本块中的不同类别训练样本数据条数保持一致。
5.2、Spark分布式部署：
为进一步提高断路器状态识别方法的效率，本发明方法将集成的反向传播神经网络部署在分布式数据平台Spark，进行并行计算，以提高集成神经网络的计算算力并显著降低时长，提高效率。
Spark的操作分为Map和Reduce环节，Map环节的主要工作为：将已经分配的训练数据样本块Banki写入到HDFS中，在Spark分布式平台上部署一个Master主节点和三个Node工作节点，Spark分别启动三个Node Mapper，各个Mapper分别同时读取训练数据，初始化反向传播神经网络并进行训练，直至正向和反向传播的误差满足要求，如图4所示。Spark的Reduce环节主要工作为反向神经网络的集成。
优选，在Linux发行版Ubuntu 16.04.2LTS上运行Spark。Spark版本为1.6.2。
步骤6、获取待诊断的高压断路器分闸线圈电流曲线，进行步骤2处理后，然后将分闸线圈电流特征数据送至每一个BPNN子分类器，利用投票机制将多个分类结果进行集成，得到最终的操作机构故障诊断结果。
理论上现场一个样本可诊断出结果，但为有效减少现场采集数据误差或偶然性，也可以采用多组数据综合比对，提高准确率。
在分布式大数据处理平台部署的多个BPNN子分类器为奇数个，1,3,5，…；采用多数投票机制将三个Node Mapper中训练的反向传播神经网络输出结果进行集成，得票最多的诊断结果确定为最终的断路器操作机构故障诊断结果，如图5所示。计算方法：
M为反向传播神经网络器数(此处为3)，N为评估状态类别个数(此处为6)，即m＝1，2，3，n＝1，2，…，6，Rmn为某一反向传播神经网络m对给定断路器分闸电流线圈特征数据评估为第n类的结果，Rmn∈{0，1}，当该神经网络m将该特征数据分类为第n类时Rij＝1，否则Rij＝0。
本发明首先利用小波包分析技术对分闸线圈电流曲线数据进行db5去噪，提取电流曲线的9维时间-电流特征参数，小波包分析能够为信号提供一种更加精细的分析方法。为了处理不均衡的特征类别数据，采用SMOTE合成少数类过采样方法保证训练样本数据总量相同。采用随机抽样的方式提取差异化的子训练样本集，反向传播神经网络学习差异化的子训练样本集以获得差异化的分类性能。最后通过在分布式计算平台Spark上在构造多个反向传播神经网络，利用多数投票策略生成最终故障诊断结果。
实施例2
相应的，本发明还提供了一种基于分布式集成神经网络的高压断路器操作机构故障诊断装置，包括：
数据获取模块，用于获取待诊断的高压断路器分闸线圈电流曲线；
特征提取模块，用于从分闸线圈电流曲线上提取分闸线圈电流特征参数；
分类计算模块，用于基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；
诊断结果计算模块，用于将多个分类结果进行集成，得到最终的故障诊断结果。
本发明装置中各模块的具体实现过程参见实施例1中描述的处理过程。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，包括：
获取待诊断的高压断路器分闸线圈电流曲线；
从分闸线圈电流曲线上提取分闸线圈电流特征参数；
基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；
将多个分类结果进行集成，得到最终的故障诊断结果；
其中，所述多个分布式集成神经网络子分类器的训练过程为：
采集不同高压断路器操作机构故障下的多个分闸线圈电流曲线；
从每个分闸线圈电流曲线上提取分闸线圈电流特征参数；
若不同故障类别的分闸线圈时间-电流特征参数样本个数存在不平衡，则对不平衡样本进行平衡处理，从而形成高压断路器故障特征训练数据集；
将平衡处理后的断路器操作机构故障特征训练数据集随机抽样形成多个差异化训练样本块；
利用多个差异化训练样本块分别训练各个分布式集成神经网络子分类器。
2.根据权利要求1所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，还包括：对获取到的分闸线圈电流曲线，利用小波包分析技术进行除噪。
3.根据权利要求1所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，所述分闸线圈电流特征为拐点发生时刻和电流值。
4.根据权利要求1所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，高压断路器操作机构故障包括正常、模拟线圈电压减少15％、模拟增加线圈阻抗20％、模拟增加铁芯间隙20％、模拟线圈电压增加20％和触发器略微卡滞六种故障。
5.根据权利要求1所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，所述对不平衡样本进行平衡处理包括：
确定小规模样本数据扩大的数量；
确定小规模样本中任意样本需要合成的新的样本数；
对小规模样本进行SMOTE合成。
6.根据权利要求5所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，所述确定小规模样本数据扩大的数量，包括：
当Pk∈(0，0.1]，αk＝10；
当Pk∈(0.1，0.2]，αk＝6；
当Pk∈(0.2，0.3]，αk＝3；
当Pk∈(0.3，0.4]，αk＝2；
当Pk∈(0.4，0.5]，αk＝1；
其中，Pk是小规模样本数据量占最大样本数据量的占比，αk表示某一类故障下样本数量的扩大倍数；
k是需要平衡处理的样本故障类别，SSk是小规模样本数据量，LS是最大样本数据量；则最终类别k中合成的总样本数量NSk表示成NSk＝αk×SSk。
7.根据权利要求5所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，确定小规模样本中任意样本需要合成的新的样本数，包括：
第k类小规模样本中任意样本Di与其所在样本中心的欧式距离为EDi，则样本Di在小规模样本中距离权重计算公式为：
对于Di需要合成新的样本数量NDi的计算公式为：NDi＝Wi×NSk，NSk为类别k中合成的总样本数量。
8.根据权利要求5所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，对小规模样本进行SMOTE合成，包括：
对于第k类任意样本Di，在第k类内选取距离Di最近的N个样本XNDi，XNDi＝{X1，X2，…，XN}，Di生成新样本Gij的公式为：Gij＝Di+ζ(Xj-Di)，其中，ζ∈(0，1)为随机数值，Xj是XNDi中任一样本向量。
9.根据权利要求1所述的一种基于分布式集成神经网络的高压断路器操作机构故障诊断方法，其特征是，所述多个分布式集成神经网络子分类器的训练过程并行处理。
10.一种基于分布式集成神经网络的高压断路器操作机构故障诊断装置，其特征是，包括：
数据获取模块，用于获取待诊断的高压断路器分闸线圈电流曲线；
特征提取模块，用于从分闸线圈电流曲线上提取分闸线圈电流特征参数；
分类计算模块，用于基于分闸线圈电流特征参数，采用预先训练的多个分布式集成神经网络子分类器进行故障分类，获得多个分类结果；
其中，所述多个分布式集成神经网络子分类器的训练过程为：
采集不同高压断路器操作机构故障下的多个分闸线圈电流曲线；
从每个分闸线圈电流曲线上提取分闸线圈电流特征参数；
若不同故障类别的分闸线圈时间-电流特征参数样本个数存在不平衡，则对不平衡样本进行平衡处理，从而形成高压断路器故障特征训练数据集；
将平衡处理后的断路器操作机构故障特征训练数据集随机抽样形成多个差异化训练样本块；
利用多个差异化训练样本块分别训练各个分布式集成神经网络子分类器；
诊断结果计算模块，用于将多个分类结果进行集成，得到最终的故障诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011544920.1A CN112748330A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011544920.1A CN112748330A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112748330A true CN112748330A (zh) | 2021-05-04 |
Family
ID=75647411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011544920.1A Pending CN112748330A (zh) | 2020-12-24 | 2020-12-24 | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112748330A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291093A (zh) * | 2022-05-27 | 2022-11-04 | 国网江苏省电力有限公司南通供电分公司 | 一种基于电压监视的断路器工作状态检测方法及系统 |
| CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108696379A (zh) * | 2017-04-07 | 2018-10-23 | 南京航空航天大学 | 基于集成学习和smote的蜂窝网络故障诊断系统 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
-
2020
- 2020-12-24 CN CN202011544920.1A patent/CN112748330A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108696379A (zh) * | 2017-04-07 | 2018-10-23 | 南京航空航天大学 | 基于集成学习和smote的蜂窝网络故障诊断系统 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| ZHAO KE 等: "A distributed ensemble bpnn used for status assessment of circuit breakers based on coil current characteristics", 《2019 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291093A (zh) * | 2022-05-27 | 2022-11-04 | 国网江苏省电力有限公司南通供电分公司 | 一种基于电压监视的断路器工作状态检测方法及系统 |
| CN115291093B (zh) * | 2022-05-27 | 2023-12-22 | 国网江苏省电力有限公司南通供电分公司 | 一种基于电压监视的断路器工作状态检测方法及系统 |
| CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
| CN110929763B (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
| Zhu et al. | A deep learning approach for traffic incident detection in urban networks | |
| CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
| 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 | |
| CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| CN102520341A (zh) | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 | |
| CN110829417A (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN112748330A (zh) | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN108020781A (zh) | 一种断路器故障诊断方法 | |
| Sun et al. | A novel life prediction method for railway safety relays using degradation parameters | |
| 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 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| Zhang et al. | Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment | |
| Kabore et al. | Review of anomaly detection systems in industrial control systems using deep feature learning approach | |
| CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
| CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
| Marzi | Real-time fault detection and isolation in industrial machines using learning vector quantization | |
| Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection | |
| CN109782156B (zh) | 基于人工免疫诊断网络的模拟电路故障诊断方法 | |
| CN112990257A (zh) | 基于主成分分析与支持向量机的往复压缩机故障诊断方法 | |
| Choong et al. | Power quality disturbance detection using artificial intelligence: A hardware approach | |
| Kesici et al. | Cost sensitive class-weighting approach for transient instability prediction using convolutional neural networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |
|
| RJ01 | Rejection of invention patent application after publication |