[发明专利]一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法

权利要求书

1.一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法，其特征在于，包括如下步骤：

S1：对来自开关柜局部放电检测数据进行图谱分析，得到图谱的特征数据存储在二维的矩阵，形成M×N的特征输入，接着采用自相关协方差方法去除原始数据的噪声并减少输入数据的维度；

S2：建立具有三层映射关系的自组织小脑神经网络模型；

S3：利用李雅普诺夫函数设计该模型的优化学习率，使得模型系统稳定；

S4：将训练数据作为模型输入，对模糊大脑神经网络模型进行训练，直至模型收敛；

S5：对当前开关柜局部放电检测数据执行步骤S1操作，将获得的数据作为特征输入，将其输入模型对开关柜设备故障进行预测。

2.根据权利要求1所述的一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法，其特征在于，S1具体包括如下步骤：

S1.1：对来开关柜局部放电检测数据进行图谱分析，得到频率与电压关系数据；

S1.2：图谱的数据存储在M×N的二维的矩阵，矩阵中横坐标是M维，矩阵中纵坐标是N维，矩阵存储的数值代表放电的幅值大小；

S1.3：定义x属于[1,M]，y属于[1,N]，Δm和Δn分别是协方差变换后的二维矩阵维度，f(x,y)代表二维矩阵横坐标x纵坐标y的矩阵元素数值，是表示f(x,y)的均值；使用自相关协方差将尺寸为M×N的图谱中的二维像素(x,y)和(x+Δm,y+Δn)之间进行运算得到：

其中，γ是归一化的自相关系数，A(0,0)表示A(Δm,Δn)在Δm＝0和Δn＝0的值。

3.根据权利要求2所述的一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法，其特征在于，采用的自相关协方差计算如下：

4.根据权利要求2所述的一种基于自组织的模糊小脑模型神经网络学习的开关柜设备故障预测方法，其特征在于，S2具体包括以下步骤：

S2.1：提出一种模糊小脑神经网络模型，首先根据步骤S1，M×N的图谱数据通过自相关协方差计算得到Δm×Δn的特性信息数据，将Δm×Δn重组为X＝[x₁ x₂…x_n]^T,其中，n＝Δm×Δn；

S2.2：模糊小脑神经网络由输入层、辅助记忆层、接收域层、权值记忆层和输出层组成；

在输入层中：将维度为n的输入数据表示为X＝[x₁ x₂…x_n]^T,

在辅助记忆层，选择高斯函数作为激活函数表示如下：

式中，上标c和p分别代表当前时刻和上一个时刻的数据，u为输入层的层数,m_ik是第i个输入第k个接收域的输入权重值，符号exp代表e的指数运算，ε_ik是输入数据经过权重调理后的值，是激活函数的值；

建立模糊规则运算如下：

式中，θ_ik是给定的模糊隶属度的函数；

在接收域层，第k个接收域的计算公式如下：

其中，表示对第i个输入第k个接收域的激活函数的输出，b_k表示n个激活函数的累乘；

在记忆层中，将接收域及输出层之间的权重值储存于权重值记忆层中并表示为：

其中，w表示接收域及输出层之间的权重值，表示欧式空间的维度是u；

在输出层中，模糊小脑神经网络模型的输出表示为：

其中∈_k是接收域的输出，y₀是模型的输出，y₀＝1代表开关柜设备正常，而y₀＝0代表开关柜设备故障；

S2.3：制定接收域层的自组织增层规则，定义如下参数∪_ik：

其中，式中||·||₂表示2范数。继续定义如下参数：(公式12和公式13)

针对k＝1,2,…,p使目标函数∪_ik取最小值时的变量值k，再把这个变量值k赋值于表达式如下：

针对i＝1,2,…,n使目标函数取最大值时的变量i，表达式如下：

其中，K_g是设定的增层阈值；

S2.4：制定接收域层的自组织减层规则，定义如下参数Z_k：

其中，式中v_k＝w_k·b_k；

针对k＝1,2,…,p使目标函数Z_k取最小值时的变量值k，再把这个变量值k赋值于表达式如下：

其中，K_c是设定的减层阈值。