[发明专利]基于混杂神经网络的直流主设备故障诊断方法

说明书

技术领域

本发明涉及电力系统故障诊断技术领域，尤其涉及一种基于混杂神经网络的直流主设备故障诊断方法。

背景技术

随着电网规模的扩大，电力系统的建设和发展，电力设备数量不断增加，各种新型设备的投入运行，直流主设备的可靠性已成为电力系统安全运行的保证，因此，对直流主设备的故障诊断技术研究显得尤为重要。

目前，直流系统的状态检测、故障诊断技术则多是直接简单的借用了一些现有交流设备的技术手段，然而直流设备与交流设备的故障发展机理和规律存在着较大的差异，二者之间的一致性较差，特别是诊断标准更是无法简单的借用，因此在这些方面直流设备状态检测、故障诊断等问题十分突出。

另外，直流设备是综合了机械、电气、化学、热力学等多学科技术的一个封闭整体，造成其故障的原因错综复杂，故障诊断需要多方面的知识和专家经验，然而反映设备故障的信息来源不同、模式不同、时间不同、表示方法不同，都会对直流设备故障诊断系统的性能、准确率带来很大的影响，因此，提高直流设备故障诊断的准确率，提高电网运行的可靠性成为亟待解决的问题。

人工神经网络具有很强的非线性映射能力，能够根据状态信号较好的反映设备的实际工作状态。因此，采用基于混杂神经网络的直流主设备故障诊断方法，能够很好的预测设备的状态，方便工作人员进一步处理，是保证保障电网安全经济运行、提高电网运行的可靠性的必然选择。

发明内容

本发明的目的在于提出基于混杂神经网络的直流主设备故障诊断方法，可以提高诊断故障设备的准确率，提高电网运行的可靠性。

一种基于混杂神经网络的直流主设备故障诊断方法，其包括以下步骤：

步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带电实验数据，在线监测数据，各种巡检数据组成的历史数据；

步骤2、应用神经网络对所述关联数据进行信息融合；

步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；

步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式展现，所述原始状态为源数据所体现的历史状态；

其中步骤3包括：

步骤31、初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络，所述训练目标数据为实时数据；

步骤32、将训练好的稳定的Hopfield网络的初始权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值矩阵进行优化，获取优化权值矩阵；

步骤33、将优化权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据，其中，所述故障样本数据为源数据；

步骤34、BP网络对经过预处理的故障样本数据进行训练，最终获得一网络结构，保存该网络结构；

步骤35、将实时数据输入所述网络结构中，得出预测状态。

所述获取进行设备故障诊断所需的关联数据的方法是：

获取历史数据和新采集的实时数据，并对二者进行预处理；所述预处理包括对以下问题的一种或多种进行处理：

不同源数据的重复冗余问题、相同源数据中存在的重复性数据冗余问题、不同源数据的冲突问题、不同源数据的错漏问题、不同源数据含有的数据异常问题，所述数据异常问题包括尖刺、飞点或突变的一种或多种。

所述步骤2进行信息融合的方法是：根据源数据的特点选择合适的神经网络模型建立神经网络，然后根据已有的多源信息和系统融合知识采用相应的学习方法，对所建立的神经网络进行离线学习确定连接权重与结构，最后把得到的神经网络用于关联数据的融合中。

对于复杂问题时，采用层次神经网络，将所述神经网络定义为总网，所述总网分为多层子网，子网之间以串并联的形式相联，总网和子网学习分批实施。

所述子网之间采用相同或不同类型的神经网络。

所述步骤32中用粒子群优化算法对初始权值矩阵进行优化的方法是：

以粒子群中的粒子的位置表示Hopfield网络的权值矩阵，每个粒子的维数表示Hopfield神经网络起连接作用的权的数量，选取合适的适应度函数，将获得的适应度值作为判断粒子是否具有更好性能的依据，每个粒子在权值空间内移动并搜索适应度值更小的位置，同时改变粒子的速度，更新粒子的位置，获得更新后的网络权值矩阵。