[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

说明书

本发明提供了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，包括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；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；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；上述方法可实时掌握开关柜的健康状态，促进电力产业的健康发展。

技术领域

本发明涉及电力设备检测技术领域，尤其涉及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。

背景技术

开关柜就是常见的输配电设备，在输配电过程中起着控制或保护的作用。开关柜内部包含了隔离开关、断路器和相关的保护装置，当电力系统出现故障时可以通过其隔离开关断开相互连接的设备，一方面保护了连接的电力设备同时也保护了电力操作人员的安全。由此可见开关柜在电力系统中起着非常重要的作用。

开关柜设备对于配电网的稳定运行至关重要，对开关柜设备故障进行提前预测，可更好地对设备状态及配电系统运行进行安全风险评估，提前制定合理的状态检修策略。

为此，本发明提出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。

发明内容

有鉴于此，本发明的目的在于提出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。

为解决上述问题，本发明采用如下技术方案：

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。

进一步的，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。

进一步的，采用的自相关协方差计算如下：

进一步的，S2具体包括以下步骤：