[发明专利]声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法

说明书

本发明公开了一种声振信号构造卷积神经网络(CNN)特征矩阵的断路器储能过程状态辨识方法，该方法包括以下内容：首先提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性，然后采用Lyapunov指数‑小波模极大值(L‑小波)检测振动信号起始点，对数据进行重叠式数据扩容后，利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练，利用支持向量机(SVM)代替Soft‑Max分类器来对CNN结构进行优化，使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感，作为一种新的断路器储能过程状态识别方法，大大提高了状态辨识的准确率和泛化性。

技术领域

本发明涉及电气设备故障诊断技术领域，具体的，涉及一种通过联合声音振动信号构造卷积神经网络(CNN)所需特征矩阵，进而辨识断路器储能过程状态的方法。

背景技术

断路器作为电力系统中重要的控制和保护装置，能否可靠动作直接影响到电力系统的安全稳定，因此断路器运行可靠性对电网的保护与控制至关重要。

目前断路器故障诊断的研究多集中于分合闸过程：利用控制线圈电流、绝缘拉杆位移、振动信号辨识机械故障方面。研究重点偏重于断路器操作过程设备本身发生的问题，而对于储能过程故障问题的研究不够深入，缺乏定量的判别依据，如何发现储能过程发生的故障和其发展变化规律值得深入研究。

已有的断路器故障诊断方法主要以振动信号为主，但在实际应用中振幅较大时会存在饱和现象，容易产生由电荷累计效应引起的高频冲击失效。声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号受安装方式的影响小。而且声音信号与振动信号属于同源信号，都由断路器的部件振动产生，可以利用两者的同源互补特性，发挥各自优势实现带电监测。但是传统的声振信号联合方法未考虑二者的差异性，机械的将声振信号进行联合，虽然引入了卷积神经网络等深度学习算法，但由于特征信息缺失以及CNN通用结构针对性较差，导致诊断的准确率不够高、泛化性较差。如何发明一种可以端到端自主学习，分类准确，泛化性优良的诊断方法具有重要研究价值。

发明内容

本发明的目的是提供一种提高断路器储能过程状态辨识准确率和泛化性的方法，提取声振信号特征，依靠CNN强大的自学习能力进行特征提取和故障诊断，其中的重点是断路器声振联合特征矩阵的构造和CNN模型的优化。

为实现上述目的，本发明采用了如下技术方案：

声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法，首先提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性，然后采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点，对数据进行重叠式数据扩容后，利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练，利用支持向量机(SVM)代替Soft-Max分类器来对CNN结构进行优化，使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感，作为一种新的断路器储能过程状态辨识方法，大大提高了故障辨识的准确率和泛化性。

(1)考虑声振信号的异步性，采用峭度确定发生越变的时间段，进而采用Minkowski公式计算包络相似性，找出相似性最高的时刻再调整时间差最后实现声振时标对位。

(2)实际运行过程中，采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点。(由于步骤(1)对声振进行了时标对位，故也相当于检测声信号起始点)

(3)采用有重叠的样本数据扩容提供CNN所需大量数据，增加特征矩阵的维度。

(4)采用皮尔逊积矩相关系数计算声振信号样本的相关系数，归一化后作为矩阵元素构造声振联合特征矩阵。

(5)针对断路器储能特点用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。