[发明专利]基于并行长短时记忆神经网络的识别开关柜故障的方法

说明书

本发明公开了一种基于并行长短时记忆神经网络的识别开关柜故障的方法，包括：(1)可听声信号与超声波信号采集和处理；(2)将可听声信号生成的训练数据集和超声波信号生成的训练数据集放入具有并行互馈结构的LSTM网络模型中训练，得到识别模型；(3)利用传感器采集可听声数据和超声波数据，对开关柜进行在线监听；(4)将实时采集的数据放入训练好的LSTM网络模型中识别并得出预测结果，判断开关柜故障。本发明可节约运算资源，提高识别能力，提高开关柜故障判断的准确程度，从而使配电网更加高效和智能。

技术领域

本发明涉及声音信号诊断设备故障技术领域，具体涉及一种基于并行长短时记忆神经网络的识别开关柜故障的方法。

背景技术

电力设备的运行与维护，一直以来是电力系统中重点关注和研究的问题，高压开关柜作为输配电过程中的主要设备之一，其安全运行，保证了电力系统运行的安全性和可靠性。受电压波动、设备老化、绝缘性气体泄露等原因的影响，开关柜设备会发生局部放电而导致绝缘破坏致使故障发生，该过程中除了电压、电流、温度、闪络等现象外，还伴有放电声现象，包括可听声信号和超声波信号。对开关柜的绝缘状况进行在线监测，可预警设备的运行状态，防止电力事故的发生，该过程通过使用先进的传感和测量技术、先进的控制方法及先进的决策支持系统技术，使得设备运行安全、可靠、经济、高效，满足电网智能化的要求。

目前开关柜局部放电检测常使用超声波检测技术和暂态对地电压TEV检测技术，但放电信号通过绝缘介质衰减严重，单一的超声波传感器难以捕捉、灵敏度差，对采集到的信号提取的特征参数有限，判别方法简单低效，而TEV检测技术对室内开关柜的局部放电检测有较好的效果，在背景干扰较大时，判断绝缘状态则存在较大难度。机器学习的快速发展为智能控制领域注入新的活力，其中深度学习的感知能力和决策能力尤为突出，通过构建复杂的网络模型分析处理从多种信号中提取的大量特征参数，为声音信号诊断设备故障提供更为准确、可靠的方法。

发明内容

本发明的目的是克服现有的开关柜故障检测所存在的问题，发明了基于并行长短时记忆神经网络的可听声及超声波信号识别开关柜故障的方法，该方法通过采集可听声信号和超声波信号、获取大量的特征参数，利用深度学习领域的长短时记忆(LSTM)神经网络训练和识别特征数据集，从而判断开关柜的工作状态，解决了现阶段声音诊断开关柜故障时信号获取单一、识别模型低效、诊断结果不理想的问题。

为了达到上述目的，本发明所采用的技术方案是：

一种基于并行长短时记忆神经网络的识别开关柜故障的方法，包括建立识别模型和在线监听，

所述建立识别模型包括以下步骤：

步骤1-1，利用超声波传感器采集开关柜正常工作状态时的超声波信号、发生局部放电状态时的超声波信号、发生绝缘破坏状态时的超声波信号；

步骤1-2，对超声波传感器输出的电压信号进行放大、A/D转换，并采样和分帧，对样本进行数据存储及类别标志，形成训练数据集1；

步骤1-3，利用可听声传感器采集开关柜正常工作状态时的可听声信号、发生局部放电状态时的可听声信号、发生绝缘破坏状态时的可听声信号；

步骤1-4，对可听声信号进行放大，采样、A/D转换，对样本进行数据存储及类别标志；

步骤1-5，对可听声信号进行分帧和加窗，然后进行Zernike矩阵计算的Mel谱(ZMSF) 参数，并结合其他辅助特征组成特征集合，对特征集合及其方差进行统计函数计算，形成训练数据集2，所述辅助特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、MFCC梅尔倒谱相关参数、共振峰相关参数、线谱对LSP参数、基音频率，所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距；