CN114841222B - 构建高压断路器故障检测模型的方法、检测方法及配电系统 - Google Patents

构建高压断路器故障检测模型的方法、检测方法及配电系统 Download PDF

Info

Publication number
CN114841222B
CN114841222B CN202210776492.8A CN202210776492A CN114841222B CN 114841222 B CN114841222 B CN 114841222B CN 202210776492 A CN202210776492 A CN 202210776492A CN 114841222 B CN114841222 B CN 114841222B
Authority
CN
China
Prior art keywords
circuit breaker
voltage circuit
layer
signal
network
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.)
Active
Application number
CN202210776492.8A
Other languages
English (en)
Other versions
CN114841222A (zh
Inventor
邓顺雄
殷铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG HUIYING ELECTRIC POWER ENGINEERING CO LTD
Original Assignee
GUANGDONG HUIYING ELECTRIC POWER ENGINEERING CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGDONG HUIYING ELECTRIC POWER ENGINEERING CO LTD filed Critical GUANGDONG HUIYING ELECTRIC POWER ENGINEERING CO LTD
Priority to CN202210776492.8A priority Critical patent/CN114841222B/zh
Publication of CN114841222A publication Critical patent/CN114841222A/zh
Application granted granted Critical
Publication of CN114841222B publication Critical patent/CN114841222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开一种构建高压断路器故障检测模型的方法、检测方法及配电系统，涉及供电技术领域；构建高压断路器故障检测模型的方法包括三个依次连接的部分，分别为：用于特征提取的并行的第一至第三特征提取网络、用于将第一至第三特征提取网络提取的特征向量进行融合的融合网络以及用于根据融合结果输出输出高压断路器故障信号的输出网络。其中，第一至第三特征提取网络包括：卷积核数量依次递减的第一卷积层、第二卷积层以及第三卷积层，本发明在提高了高压断路器故障检测模型的检测性能的同时，降低计算量，避免模型过拟合。

Description

构建高压断路器故障检测模型的方法、检测方法及配电系统
技术领域
本发明涉及供电技术领域，特别涉及一种构建高压断路器故障检测模型的方法、检测方法及配电系统。
背景技术
高压断路器，也称高压开关，主要用于电网或者独立配电系统的控制和保护，随着技术的发展，越来越多的研究人员着手研究高压断路器故障的自动检测。
但是，目前高压断路器故障的自动检测均是从单一特征参数，例如高压断路器运行过程中产生的声音信号，进行特征提取和分析，以检测高压断路器是否故障。但是，在高压断路器的实际运行过程中，故障特征复杂多样，不同的故障特征会表现在不同的特征参数上。因此，从单一特征参数进行检测，会对部分高压断路器故障漏检。
发明内容
本发明的主要目的是提供一种构建高压断路器故障检测模型的方法，旨在提高高压断路器故障检测的准确性。
为实现上述目的，本发明提出一种构建高压断路器故障检测模型的方法，所述检测模型包括：
第一特征提取网络，输入端接入线圈电流信号，所述第一特征提取网络用于获取所述线圈电流信号的特征，并输出对应的线圈电流特征向量；
第二特征提取网络，输入端接入振动信号，所述第二特征提取网络用于获取所述振动信号的特征，并输出对应的振动特征向量；
第三特征提取网络，输入端接入声音信号，所述第三特征提取网络用于获取所述声音信号的特征，并输出对应的声音特征向量；
融合网络，三个输入端分别与所述第一特征提取网络的输出端、所述第二特征提取网络的输出端以及所述第三特征提取网络的输出端连接，所述融合网络用于将所述线圈电流特征向量、所述振动特征向量以及所述声音特征向量进行融合，以形成实时运行特征；
输出网络，输入端与所述融合网络的输出端连接，所述输出网络用于在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号；
其中，所述第一特征提取网络、第二特征提取网络以及第三特征提取网络均包括：依次连接的第一卷积层、第二卷积层以及第三卷积层；所述第一卷积层的输入端用于接入所述线圈电流信号、所述振动信号或者所述声音信号中的一者，所述第一卷积层、所述第二卷积层以及所述第三卷积层用于获取所述线圈电流信号、所述振动信号或者所述声音信号的抽象特征，并输出对应的特征向量；
所述第一卷积层、所述第二卷积层以及所述第三卷积层的卷积核数量依次递减。
在一实施例中，所述第一卷积层、第二卷积层以及第三卷积层均为二维卷积层。
在一实施例中，所述第一卷积层的输出端和所述第二卷积层的输出端还连接至所述第三卷积层的输出端。
在一实施例中，所述第一卷积层、所述第二卷积层以及所述第三卷积层的卷积核数量依次为24、16以及8。
在一实施例中，所述第一特征提取网络、第二特征提取网络以及第三特征提取网络均包括：
LSTM网络，所述LSTM网络的输入端与所述第三卷积层的输出端连接，所述LSTM网络用于为所述特征向量附加时间特征；其中，
所述LSTM网络包括依次连接的第一LSTM层、第二LSTM层以及第三LSTM层。
在一实施例中，所述输出网络包括：依次连接的第一全连接层、随机丢弃层、第二全连接层以及输出层；
其中，所述第一全连接层、所述第二全连接层用于将高维度的所述实时运行特征映射成低维度的所述实时运行特征；所述随机丢弃层用于以预设比例随机屏蔽所述第二全连接层的神经元；所述输出层用于在低维度的所述实时运行特征与所述故障运行特征匹配时，输出高压断路器故障信号。
在一实施例中，所述随机丢弃层的预设比例为40%。
本发明还提出一种高压断路器故障检测方法，所述方法包括以下步骤：
S100、获取并训练上述的高压断路器故障检测模型；
S200、获取高压断路器的线圈电流信号、振动信号以及声音信号；
S300、将所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型，所述高压断路器故障检测模型在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号。
在一实施例中，在所述步骤S200之后和步骤S300之前，还包括以下步骤：将所述线圈电流信号、振动信号以及声音信号进行二维图像化处理；
所述步骤S300包括：
将二维图像化处理后的所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型。
本发明还提出一种配电系统，所述配电系统包括高压断路器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的高压断路器检测程序，所述高压断路器检测程序被所述处理器执行时实现上述的高压断路器故障检测方法的步骤。
本发明通过设置鉴于同一高压断路器的不同故障，或者不同高压断路器的同一故障，其故障特征的体现不同，可能体现于线圈电流信号的异常上，也可以体现于振动信号或者声音信号的异常上。因此，通过高压断路器故障检测模型，也即三输入神经网络，分别提取线圈电流信号、振动信号以及声音信号的特征，再进行故障识别，如此一来，无论故障特征现于线圈电流信号、振动信号或者声音信号的中一者的异常上，都会被深度学习神经网络识别，极大程度的提高了高压断路器的故障识别准确度和泛化能力。进一步地，为了解决三输入神经网络带来的参数量爆炸的问题，本实施例将设置第一至第三特征提取网络的第一卷积层、所述第二卷积层以及所述第三卷积层的卷积核数量依次递减，以缓解过拟合问题。如此一来，在提高高压断路器的故障识别准确度和泛化能力的同时，保证模型不会过拟合。
附图说明
图1为本发明高压断路器故障检测模型一实施例的结构示意图；
图2为本发明高压断路器故障检测方法一实施例的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种构建高压断路器故障检测模型的方法。
需要说明的是，在高压断路器故障时，由于故障产生的原因、故障发生的环境以及高压断路器自身的型号和结构特点不同，能凸显故障特征的信号类型也是不同的，仅采用单个信号源，例如声音信号、振动信号或者线圈电流信号中的一者对高压断路器，会导致检测模型无法识别出不同类型的故障，同时研究也表明，多模态数据通常包含互补的故障信息，而且，工程师在实际识别故障的高压断路器的过程中，是综合了多个特征之间的关系，而非根据某一孤立的特征去判断。换言之，基于单一网络高压断路器故障检测模型可能会漏检部分类型的故障。
此外，传统卷积神经网络，例如LeNet-5或者VGG等网络，为了在更深层次的网络中，提取更抽象的特征，会设计为随着神经网络层数的加深，网络的参数量成倍增加，当传统卷积神经网络应用于集成神经网络时（例如本申请的“三输入神经网络”），很容易导致网络过拟合。
针对上述问题，参照图1，在一实施例中，所述检测模型（也即本文所描述的三输入神经网络）包括：
第一特征提取网络11，输入端接入线圈电流信号，所述第一特征提取网络11用于获取所述线圈电流信号的特征，并输出对应的线圈电流特征向量；
第二特征提取网络12，输入端接入振动信号，所述第二特征提取网络12用于获取所述振动信号的特征，并输出对应的振动特征向量；
第三特征提取网络13，输入端接入声音信号，所述第三特征提取网络13用于获取所述声音信号的特征，并输出对应的声音特征向量；
融合网络20，三个输入端分别与所述第一特征提取网络11的输出端、所述第二特征提取网络12的输出端以及所述第三特征提取网络13的输出端连接，所述融合网络20用于将所述线圈电流特征向量、所述振动特征向量以及所述声音特征向量进行融合，以形成实时运行特征；
输出网络30，输入端与所述融合网络20的输出端连接，所述输出网络30用于在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号；
其中，所述第一特征提取网络11、第二特征提取网络12以及第三特征提取网络13均包括：依次连接的第一卷积层111、第二卷积层112以及第三卷积层113；所述第一卷积层111的输入端用于接入所述线圈电流信号、所述振动信号或者所述声音信号中的一者，所述第一卷积层111、所述第二卷积层112以及所述第三卷积层113用于获取所述线圈电流信号、所述振动信号或者所述声音信号的抽象特征，并输出对应的特征向量。所述线圈电流信号、振动信号以及声音信号指的是高压断路器同一时刻的线圈电流信号、振动信号以及声音信号，实际应用中，可以通过霍尔传感器、振动传感器以及声音传感器分别进行采集。
所述第一卷积层111、所述第二卷积层112以及所述第三卷积层113的卷积核数量依次递减。
本实施例中，模型可以存储于高压断路器的控制器中。具体而言，可以在服务器将模型训练完成后，移植至控制器；控制器通过相应的传感器采集线圈电流信号、振动信号以及声音信号，将其进行相应的预处理操作后送入三输入神经网络，实现高压断路器故障检测。
鉴于同一高压断路器的不同故障，或者不同高压断路器的同一故障，其故障特征的体现不同，可能体现于线圈电流信号的异常上，也可能体现于振动信号或者声音信号的异常上。因此本实施例的高压断路器故障检测模型至少具有三路并行的特征提取网络，分别提取线圈电流信号、振动信号以及声音信号的特征，再进行故障识别，从而无论故障特征现于线圈电流信号、振动信号或者声音信号的中一者的异常上，都会被深度学习神经网络识别，极大程度的提高了高压断路器的故障识别准确度。进一步地，第一至第三特征提取网络11~13的结构可以完全一样，以共享彼此之间的网络参数，以减少计算参数。
需要解释的是，低层卷积层，也即第一卷积层111包含大数量的卷积核，提取大量的微观结构，这些微观结构可以在高层卷积层，也即第三卷积层113进行组合，形成更高层次的特征。
再进一步地，为了缩减三输入神经网络带来的参数量急剧增加的问题，本实施例的“三输入神经网络”的第一特征提取网络11、第二特征提取网络12以及第三特征提取网络13均包括：依次连接的第一卷积层111、第二卷积层112以及第三卷积层113；所述第一卷积层111、所述第二卷积层112以及所述第三卷积层113的卷积核数量依次递减。如此设计，随着三输入神经网络的深入，卷积层的卷积核数量逐渐减少，也即进而卷积层的输出特征数量逐渐减少。从而在网络的运行过程中，网络可以对特征进行筛选，从而减少特征数量，并保留有用特征，以在融合网络20进行融合时，特征数量减少，避免冗余特征，极大的缓解了三输入神经网络的结构设计所带来的特征数量过多，导致计算量大幅增加的问题。参照图1，进一步地，所述第一卷积层111、所述第二卷积层112以及所述第三卷积层113的卷积核数量依次为24、16以及8。经过实际测试表明，三层卷积层的卷积核数量依次为24、16以及8，可以综合准确度和计算量之间的关系，以获得满足要求的准确度的提前下，减少计算量。
再进一步地，在第三卷积层113的输出端，还连接有一个池化层114，减少特征量，进一步缓解三路并行的特征提取网络带来的特征数量过多，导致计算量大幅增加的问题。具体而言，融合网络20可以采用concat函数，对特征向量进行直接拼接，例如(1，1)和(2，2)，拼接后为(1，1，2，2)，concat函数保留了特征向量的通道，方便高压断路器故障检测模型训练时的反向传播。在其他实施例中，也可以采用对应位相加的方法，例如(1，1)和(2，2)，处理后为(3，3)。
输出网络30可以为深度神经网络(DNN)，具体层数和结构，根据实际需求进行设置。该网络根据融合特征输出判断结果。
本发明通过设置鉴于同一高压断路器的不同故障，或者不同高压断路器的同一故障，其故障特征的体现不同，可能体现于线圈电流信号的异常上，也可以体现于振动信号或者声音信号的异常上。因此，通过高压断路器故障检测模型，也即三输入神经网络，分别提取线圈电流信号、振动信号以及声音信号的特征，再进行故障识别，如此一来，无论故障特征现于线圈电流信号、振动信号或者声音信号的中一者的异常上，都会被深度学习神经网络识别，极大程度的提高了高压断路器的故障识别准确度和泛化能力。进一步地，为了解决三输入神经网络带来的参数量爆炸的问题，本实施例将设置第一至第三特征提取网络13的第一卷积层111、所述第二卷积层112以及所述第三卷积层113的卷积核数量依次递减，以缓解过拟合问题。如此一来，在提高高压断路器的故障识别准确度和泛化能力的同时，保证模型不会过拟合。
参照图1，在一实施例中，所述第一卷积层111、第二卷积层112以及第三卷积层113均为二维卷积层。
需要说明的是，对于神经网络而言，图像化可以突出特征信息，使得线圈电流信号、振动信号以及声音信号中的故障信息更加凸显。因此本实施例将所述第一卷积层111、第二卷积层112以及第三卷积层113均为二维卷积层，然后在进一步地，在对线圈电流信号、振动信号以及声音信号，进行相应的预处理操作的过程中，对各信号进行图像化，例如使用短时傅里叶变换、小波变换、格拉姆角场变换等进行图像化，具体地，本实施例选用格拉姆角场变换，格拉姆角场变换的对角线纹理可以保留原始序列的信息，且整体图像纹理可以保存不同数据点之间的相关性，实际测试表明，格拉姆角场变换对线圈电流信号、振动信号以及声音信号等时序信号，具有非常好的特征表征效果。
参照图1，进一步地，所述第一卷积层111的输出端和所述第二卷积层112的输出端还连接至所述第三卷积层113的输出端。
本实施例中，由于第一至第三卷积层113依次连接，因此第一至第三卷积层111~113的网络层数越来越深，所输出的特征越来越抽象，也即三个卷积层输出的特征尺度不同，具体而言，深层网络的感受野比较大，信息表征能力强，但是特征的分辨率低，几何信息的表征能力弱（空间几何特征细节缺乏）；低层网络的感受野比较小，几何细节信息表征能力强，虽然分辨率高，但是信息表征能力弱。
本实施例将所述第一卷积层111的输出端和所述第二卷积层112的输出端连接至所述第三卷积层113的输出端，也即，将三个卷积层111~113的输出特征进行拼接后再输出，获取了多尺度特征，丰富了特征提取网络输出的特征的信息，可以有效提高故障识别精度。
参照图1，进一步地，所述第一特征提取网络11、第二特征提取网络12以及第三特征提取网络13均包括：LSTM(长短时记忆神经)网络，所述LSTM网络的输入端与所述第三卷积层113的输出端连接，所述LSTM网络用于为所述特征向量附加时间特征。其中，LSTM网络中的LSTM层的层数，以及每一LSTM层的神经元数量根据实际需求进行设置和调整即可，此处不做限定。
需要说明的是，LSTM网络是一种改进之后的循环神经网络，可以在获取输入信号的时间特征的同时，解决循环神经网络无法处理长距离的依赖的问题。而线圈电流信号、振动信号和声音信号作为时序信号，具有大量时间信息。本实施例中，卷积层通过卷积操作，可以减小线圈电流信号、所述振动信号以及所述声音信号的频率变化，而LSTM网络的设置，可以获取卷积层不同时刻输出的特征之间的时间关系，也即获取时间信息，附加时间特征。
综上所述，本实施例卷积层和LSTM网络的串联的特殊结构，使得输出的特征向量包含频率特征以及LSTM网络获取的卷积层不同时刻输出的特征之间的时间关系；也即同时获取线圈电流信号、所述振动信号以及所述声音信号的频率特征和时间特征，解决了单一的卷积层遗漏时间特征，导致分类准确度不高的问题。
参照图1，进一步地，所述LSTM网络包括依次连接的第一LSTM层115、第二LSTM层116以及第三LSTM层117。实际测试表示，在高压断路器故障识别的问题上，三层LSTM层，已经能得到较好的准确率。再增加LSTM层的数量，会带来计算量的增加。本实施例的三层LSTM,层可以很好的权衡计算量和准确度的关系，在获得足够高的准确率的同时减小计算量。
参照图1，在一实施例中，所述输出网络30包括依次连接的第一全连接层31、随机丢弃层32、第二全连接层33以及输出层34；
本实施例中，所述第一全连接层31、所述第二全连接层33用于将高维度的所述实时运行特征映射成低维度的所述实时运行特征，也即产生更易分类的特征。以便输出层34进行分类。
随机丢弃层32也称为Dropout层，其用于以预设比例随机屏蔽所述第二全连接层33的神经元，以提高高压断路器故障检测模型的泛化性能；其中，所述随机丢弃层32的预设比例为不做限定，具体根据训练过程中，测试集示出的准确度和损失率进行调整，本实施例可设置为40%。
所述输出层34用于在低维度的所述实时运行特征与所述故障运行特征匹配时，也即判断高压断路器故障时，输出高压断路器故障信号，在所述实时运行特征与所述故障运行特征不匹配时，也即判断高压断路器为非故障时，输出高压断路器非故障信号。具体而言，输出层34可以采用神经元数量为2的softmax函数，softmax函数可以将输入值压缩为与其神经元数量一致的概率值，当神经元数量为2时，2个概率值分别表示故障概率和非故障概率，最后将两者进行比较，在故障概率大于非故障概率时，确认所述实时运行特征与所述故障运行特征匹配，输出高压断路器故障信号，在故障概率小于非故障概率时，确认所述实时运行特征与所述故障运行特征不匹配，输出高压断路器非故障信号。
本发明还提出一种高压断路器故障检测方法。
参照图1至2，图1为高压断路器故障检测模型一实施例的结构示意图；图2为本发明高压断路器故障检测方法一实施例的流程图；在发明的一个实施例中，该高压断路器故障检测方法包括以下步骤：
S100、搭建并训练如上所述的高压断路器故障检测模型；
欲训练检测模型，首先需要获取的高压断路器运行过程中的线圈电流信号、振动信号以及声音信号的数据集。数据集既可以使用研究机构公开的数据集，也可以通过霍尔传感器、振动传感器以及声音传感器采集，正常的断路器运行过程中的线圈电流信号、振动信号以及声音信号，以及故障的断路器运行过程中的线圈电流信号、振动信号以及声音信号并存储，也即自行采集数据集。然后，对数据集进行标签标记处理(故障则标记为1，正常则标记为0)，并按照预设比例，例如7：2：1，分成训练集、测试集和验证集。最后，利用训练集和测试集对该神经网络进行训练，在利用训练过程中，测试集示出的准确率、损失率，及时调整高压断路器故障检测模型的超参数，并利用验证集验证训练好的高压断路器故障检测模型。
在步骤S100中，高压断路器故障检测模型可以是在计算机中将神经网络训练好后，压缩并存放入FPGA中，由FPGA运行神经网络，以缩减高压断路器故障检测的成本和对应设备的体积。也可以是服务器训练好并存储高压断路器故障检测模型，然后高压断路器端采集的线圈电流信号、振动信号以及声音信号并通过通信装置传输至服务器，由服务器运行高压断路器故障检测模型进行故障检测，并将检测结果传回断路器端，从而只需为断路器端设置通信装置，即可实现故障检测，升级成本低。
S200、获取高压断路器的线圈电流信号、振动信号以及声音信号；
此步骤可以通过霍尔传感器、振动传感器以及声音传感器实时采集，并进行滤波去噪的预处理操作。其中，线圈电流信号、振动信号以及声音信号指的是高压断路器的同一时刻的线圈电流信号、振动信号以及声音信号。
S300、将所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型，所述高压断路器故障检测模型在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号。
本实施例中的高压断路器故障检测模型至少具有三路并行的特征提取网络，并行可以避免特征提取过程中的相互干扰。实际应用中高压断路器故障检测模型至少有两种实现方案：
方案一、三路并行的特征提取网络分别提取线圈电流信号、振动信号以及声音信号的特征，且每一路特征提取网络均可以包括神经元数量为2的softmax层，softmax函数可以将输入值压缩为与其神经元数量一致的概率值，当神经元数量为2时，2个概率值分别表示故障概率和非故障概率，最后将三个特征提取网络输出网络的故障概率和非故障概率加权累加，在故障概率大于非故障概率时，输出高压断路器故障信号，在故障概率小于非故障概率时，输出高压断路器非故障信号。具体地，本实施例鉴于线圈电流的特征比较明显，因此，线圈电流信号、振动信号和声音信号的加权值为0.4、0.3和0.4。
在其他实施例中，也可以直接全三个特征提取网络输出的故障概率中的中间值作为输出结果，避免因为某一特征提取网络输出的概率偏差过大影响最终结果；
在其他实施例中，还可以为每个网络设置判决器，使得三个网络直接输出判断结果，最后再采用投票器进行投票，以票数多者作为最终的判断结果，如此一来，由于三路特征提取网络独立决策，并输出故障概率和非故障概率，避免因为某一特征提取网络输出的概率偏差过大影响最终结果。
方案二、三路并行的特征提取网络先分别提取线圈电流信号、振动信号以及声音信号的特征，然后在中间层将特征进行融合，根据融合特征判断结果。
本发明鉴于同一高压断路器的不同故障，或者不同高压断路器的同一故障，其故障特征的体现不同，可能体现于线圈电流信号的异常上，也可能体现于振动信号或者声音信号的异常上。因此，本发明提出一种高压断路器故障检测模型，分别提取线圈电流信号、振动信号以及声音信号的特征，再进行故障识别，如此一来，无论故障特征现于线圈电流信号、振动信号或者声音信号的中一者的异常上，都会被深度学习神经网络识别，极大程度的提高了高压断路器的故障识别准确度。
进一步地，在所述步骤S200之后和步骤S300之前，还包括以下步骤：
将所述线圈电流信号、振动信号以及声音信号进行二维图像化处理；
所述步骤S300具体为：
将二维图像化处理后的所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型。
具体原理、效果和实现方案参照高压断路器故障检测模型的描述，此处不再赘述。
本发明还提出一种配电系统，所述配电系统包括高压断路器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的高压断路器检测程序，所述高压断路器检测程序被所述处理器执行时实现上述的高压断路器故障检测方法的步骤。该高压断路器故障检测方法的具体结构参照上述实施例，由于本配电系统采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (7)

1.一种构建高压断路器故障检测模型的方法，其特征在于，所述检测模型包括：
第一特征提取网络，输入端接入线圈电流信号，所述第一特征提取网络用于获取所述线圈电流信号的特征，并输出对应的线圈电流特征向量；
第二特征提取网络，输入端接入振动信号，所述第二特征提取网络用于获取所述振动信号的特征，并输出对应的振动特征向量；
第三特征提取网络，输入端接入声音信号，所述第三特征提取网络用于获取所述声音信号的特征，并输出对应的声音特征向量；
融合网络，三个输入端分别与所述第一特征提取网络的输出端、所述第二特征提取网络的输出端以及所述第三特征提取网络的输出端连接，所述融合网络用于将所述线圈电流特征向量、所述振动特征向量以及所述声音特征向量进行融合，以形成实时运行特征；
输出网络，输入端与所述融合网络的输出端连接，所述输出网络用于在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号；
其中，所述第一特征提取网络、第二特征提取网络以及第三特征提取网络均包括：依次连接的第一卷积层、第二卷积层以及第三卷积层；所述第一卷积层的输入端用于接入所述线圈电流信号、所述振动信号或者所述声音信号中的一者，所述第一卷积层、所述第二卷积层以及所述第三卷积层用于获取所述线圈电流信号、所述振动信号或者所述声音信号的抽象特征，并输出对应的特征向量；
所述第一卷积层、所述第二卷积层以及所述第三卷积层的卷积核数量依次递减，所述第一卷积层、所述第二卷积层以及所述第三卷积层所输出的特征数量逐渐减少；所述第一卷积层的输出端和所述第二卷积层的输出端还连接至所述第三卷积层的输出端，以将所述第一卷积层、所述第二卷积层以及所述第三卷积层所输出的特征进行拼接后再输出特征向量；所述第一卷积层、所述第二卷积层以及所述第三卷积层的卷积核数量依次为24、16以及8；所述第一特征提取网络、第二特征提取网络以及第三特征提取网络均包括：LSTM网络，所述LSTM网络的输入端与所述第三卷积层的输出端连接，所述LSTM网络用于获取所述第一卷积层、所述第二卷积层以及所述第三卷积层不同时刻输出的特征之间的时间关系，以为所述特征向量附加时间特征；其中，所述LSTM网络包括依次连接的第一LSTM层、第二LSTM层以及第三LSTM层。
2.如权利要求1所述的构建高压断路器故障检测模型的方法，其特征在于，所述第一卷积层、第二卷积层以及第三卷积层均为二维卷积层。
3.如权利要求1所述的构建高压断路器故障检测模型的方法，其特征在于，所述输出网络包括：依次连接的第一全连接层、随机丢弃层、第二全连接层以及输出层；
其中，所述第一全连接层、所述第二全连接层用于将高维度的所述实时运行特征映射成低维度的所述实时运行特征；所述随机丢弃层用于以预设比例随机屏蔽所述第二全连接层的神经元；所述输出层用于在低维度的所述实时运行特征与所述故障运行特征匹配时，输出高压断路器故障信号。
4.如权利要求3所述的构建高压断路器故障检测模型的方法，其特征在于，所述随机丢弃层的预设比例为40%。
5.一种高压断路器故障检测方法，其特征在于，所述方法包括以下步骤：
S100、获取并训练如权利要求1至4任意一项所述的高压断路器故障检测模型；
S200、获取高压断路器的线圈电流信号、振动信号以及声音信号；
S300、将所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型，所述高压断路器故障检测模型在所述实时运行特征与故障运行特征匹配时，输出高压断路器故障信号。
6.如权利要求5所述的高压断路器故障检测方法，其特征在于，在所述步骤S200之后和步骤S300之前，还包括以下步骤：
将所述线圈电流信号、振动信号以及声音信号进行二维图像化处理；
所述步骤S300包括：
将二维图像化处理后的所述线圈电流信号、振动信号以及声音信号分别输入至所述高压断路器故障检测模型。
7.一种配电系统，其特征在于，所述配电系统包括高压断路器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的高压断路器检测程序，所述高压断路器检测程序被所述处理器执行时实现如权利要求5或6所述的高压断路器故障检测方法的步骤。
CN202210776492.8A 2022-07-04 2022-07-04 构建高压断路器故障检测模型的方法、检测方法及配电系统 Active CN114841222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776492.8A CN114841222B (zh) 2022-07-04 2022-07-04 构建高压断路器故障检测模型的方法、检测方法及配电系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776492.8A CN114841222B (zh) 2022-07-04 2022-07-04 构建高压断路器故障检测模型的方法、检测方法及配电系统

Publications (2)

Publication Number Publication Date
CN114841222A CN114841222A (zh) 2022-08-02
CN114841222B true CN114841222B (zh) 2022-10-28

Family

ID=82573389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776492.8A Active CN114841222B (zh) 2022-07-04 2022-07-04 构建高压断路器故障检测模型的方法、检测方法及配电系统

Country Status (1)

Country Link
CN (1) CN114841222B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554798A (zh) * 2023-11-14 2024-02-13 中国南方电网有限责任公司超高压输电公司广州局 高压断路器异常监测模型训练方法、装置和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111370027A (zh) * 2020-03-02 2020-07-03 乐鑫信息科技（上海）股份有限公司 一种离线嵌入式异常声音检测系统和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190139214A1 (en) * 2017-06-12 2019-05-09 Sightline Innovation Inc. Interferometric domain neural network system for optical coherence tomography
CN110398348B (zh) * 2019-06-18 2021-02-09 清华大学 存储器、高压断路器机械故障诊断方法和装置
CN110926782B (zh) * 2019-12-06 2022-03-29 国网河南省电力公司三门峡供电公司 断路器故障类型判断方法、装置、电子设备及存储介质
CN113052062A (zh) * 2021-03-23 2021-06-29 杭州电子科技大学上虞科学与工程研究院有限公司 基于一维卷积神经网络的轴承故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111370027A (zh) * 2020-03-02 2020-07-03 乐鑫信息科技（上海）股份有限公司 一种离线嵌入式异常声音检测系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault diagnosis method for rolling bearing based on short-time fourier transform and convolution neural network;Li Heng et al;《Journal of Vibration and Shock》;20181231;第39卷(第19期);124-131 *
基于一维卷积神经网络的低压万能式断路器附件故障诊断;孙曙光等;《电工技术学报》;20200625(第12期);68-79 *

Also Published As

Publication number Publication date
CN114841222A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN112215157B (zh) 一种基于多模型融合的人脸特征降维提取方法
CN114841222B (zh) 构建高压断路器故障检测模型的方法、检测方法及配电系统
CN114118251A (zh) 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN113655348A (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN108846411A (zh) 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN116401532B (zh) 一种电力系统受扰后频率失稳识别方法及系统
CN113608140A (zh) 一种电池故障诊断方法及系统
CN113203914A (zh) 基于dae-cnn的地下电缆早期故障检测和识别方法
CN117591813B (zh) 基于多维特征的复杂装备故障诊断方法及系统
CN111737061A (zh) 基于边缘计算和5g通信的数据处理方法及中心云服务器
CN116259161B (zh) 一种电力故障预警系统
CN117452155A (zh) 电缆放电位置的定位方法、装置、存储介质及电子设备
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN117973511A (zh) 一种融合知识图谱和神经网络的电梯故障诊断方法
CN113408564A (zh) 图处理方法、网络训练方法、装置、设备以及存储介质
CN115880472A (zh) 一种电力红外图像数据智能诊断分析系统
CN115828156A (zh) 一种基于电网元数据监测的偷漏电识别方法及系统
Dopierała Fault detection method for energy measurement systems equipped with a Rogowski coil using the coil's response to a unit voltage jump and a fully convolutional neural network
CN114397521A (zh) 一种针对电子设备的故障诊断方法及系统
CN114662251A (zh) 一种基于深度神经网络的配电网故障定位方法
CN117973870B (zh) 消防场景的风险评估模型的训练系统及方法
Li et al. Research on Load State Identification Method Based on CNN-Transformer

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
GR01 Patent grant
GR01 Patent grant