[发明专利]一种基于DS证据融合的断路器机械故障识别方法及装置

说明书

本发明公开了一种基于DS证据融合的断路器机械故障识别方法及装置，包括训练样本抽样、LSTM网络训练、多诊断结果的DS证据融合三部分。首先通过拉丁超立方抽样方式得到差异化的训练样本集，其次构建相同网络结构的LSTM算法并训练得到差异化子故障诊断器，最后采用DS证据理论融合各个LSTM诊断结果得到最终的断路器操作机械故障识别结果。本发明能够进一步提高基于LSTM算法的断路器操作机构故障诊断的准确度，合理、可靠地诊断断路器操作机构故障。

技术领域

本发明属于断路器机械故障识别技术领域，具体涉及一种基于DS证据融合的断路器机械故障识别方法，还涉及一种基于DS证据融合的断路器机械故障识别装置。

背景技术

高压断路器是电网重要的控制和保护设备，也是能够应对电力系统中最多种类任务和需求的开关装置，一旦发生故障，将会导致严重的电网运行事故。因此，如何及时准确地发现高压断路器的缺陷和故障，保障断路器的正常运行，成为电力系统的重大问题。

机械故障是高压断路器的主要故障类型，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，及时将老化的断路器退出运行有着至关重要的意义。

目前对断路器操作机构故障诊断的方法大多震动信号、线圈电流时间曲线等特征，利用神经网络、深度学习和向量机等技术对故障样本数据进行学习和辨识，从而判断断路器操作机构运行状态。一方面，针对任意单一故障识别算法来说，存在着泛化能力差、极度依赖训练样本特性，断路器故障诊断性能准确度较差，限制了相关诊断方法的进一步运用。另一方面，未考虑到相关诊断结果冲突，多组独立的分类算法识别结果无法较好的融合，进一步限制了机械故障识别精度的提升。

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DS证据融合的断路器机械故障识别方法及装置，采用深度学习长短期记忆网络LSTM对断路器机械故障特征数据进行识别和分类，并结合DS证据融合策略实现对断路器机械故障准确诊断，提高断路器运行状态识别的准确度，获得更高效、更准确的诊断结果。

为解决上述技术问题，本发明提供了一种基于DS证据融合的断路器机械故障识别方法，包括：

获取待诊断的断路器机械故障特征数据；

将故障特征数据同时输入到多个预先训练的LSTM子故障诊断器，得到每个子故障诊断器的诊断结果；其中所述多个LSTM子故障诊断器的训练过程为：

对每一类别故障抽取等量个数的样本作为一组训练样本数据集，共抽取K组训练样本数据集；

构建K个同质网络结构的LSTM子故障诊断器；

每一组训练样本集训练一个LSTM子故障诊断器，获得具有差异化分类性能的K个LSTM子故障诊断器；

基于各个子故障诊断器的诊断结果，结合DS证据融合策略，计算出各故障类别在DS证据融合策略下的概率值；

选取概率最大值对应的故障类别作为最终输出的故障诊断类别。

进一步的，所述断路器机械故障特征数据为分闸线圈电流曲线上提取的拐点发生时刻和电流值。

进一步的，所述LSTM子故障诊断器的个数为3。

进一步的，所述LSTM子故障诊断器为双向LSTM结构。

进一步的，所述故障类别包括正常状态、驱动电压减少、线圈阻抗增大、铁芯间隙增大、驱动电压增大的五个故障类别。

进一步的，所述一组训练样本数据集的样本数量为某一类具有最少样本数的样本量的80％。