[发明专利]基于卷积神经网络算法的高压断路器故障检测方法

摘要

本发明公开的基于卷积神经网络算法的高压断路器故障检测方法：磁平衡式霍尔电流传感器分别与断路器分合闸线圈、数据处理系统连接构建出分合闸线圈电流在线监测系统，用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据；用基于卷积神经网络的深度学习算法构建故障类型预测模型，将部分分合闸线圈电流数据输入到构建故障类型预测模型中进行训练；将部分分合闸线圈电流数据输入到训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。本发明的高压断路器故障检测方法采用卷积神经网络分析故障特征信号，在弥补人工神经网络检测的不足的同时，能更准确判断断路器的故障类型。

主权项

1.基于卷积神经网络算法的高压断路器故障检测方法，其特征在于，具体按照以下步骤实施：步骤1、先将磁平衡式霍尔电流传感器(4)分别与断路器分合闸线圈(10)、数据处理系统连接，构建出分合闸线圈电流在线监测系统；然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；步骤2、利用基于卷积神经网络的深度学习算法构建故障类型预测模型，将经步骤1得到的一部分分合闸线圈电流数据输入到构建故障类型预测模型中进行训练：对故障类型预测模型进行训练，具体按照以下步骤实施：步骤A、初始化权值，即将所有权值初始化为一个较小的随机数，具体是将所有权值初始化为一个随机数[0，1]；步骤B、经步骤A后，从训练集中提取一个样例X，并将该样例X输入到卷积神经网络中，并给出它的目标输出向量，并将其记作D；步骤C、经步骤B后，从前层向后层依次计算，得到卷积神经网络的输出值Y，对于各个层的计算方法具体如下：对于卷积层，采用如下算法进行计算：在式1中：x_i为上一层的滤波器中的一个特征，M_j为神经元j对应的滤波器，为第1层的神经元i的第j个对应的权值，B^l为可训练偏置；对于卷积层的输出值，最终要添加sigmoid函数进行非线性变换；对于抽样层，具体采用如下算法进行计算：在式2中：β为第1层的可训练参数，Bl为可训练偏置，Mj为神经元j对应的滤波器，xi为上一层的滤波器中的一个特征；对于全链接层，直接采用多层人工神经网络的方法进行计算，具体算法如下：在式3中，Bl为可训练偏置，xi为上一层的滤波器中的一个特征,wji为第l层的结点j到第l+1层的节点i的权值，f(x)为sigmoid函数；步骤D、待步骤C完成后，从后层向前层依次计算各层的误差项，具体按照以下步骤实施：步骤a、计算输出层的误差，具体按照以下方法实施：设定输出层共有M个结点，则对输出层的结点k的误差项为：δk＝(dk‑yk)yk(1‑yk)   (4)；在式4中：dk为结点k的目标输出，yk为结点k的预测输出；步骤b、经步骤a后，计算中间全链接层的误差，具体方法如下：设定当前层为第1层，共有L个结点，第1+1层共M个节点；则对于第1层的节点j的误差项具体如下：在式5中：hj为结点j的输出，wjk为第l层的结点j到第l+1层的节点k的权值，M为滤波器大小，δk为节点j的误差项；步骤c、经步骤b后，对卷积层的误差项进行计算，具体算法与步骤b中涉及的算法相同，具体如下：在式5中：hj为结点j的输出，wjk为第l层的结点j到第l+1层的节点k的权值，M为滤波器大小，δk为节点j的误差项；步骤d、待步骤a～步骤c后，再从后层向前层逐层依次计算出各权值的调整量，即第n轮迭代的节点j的第k个所输入的权向量的改变量，涉及的具体算法如下：在式6中，N为输入变量个数，n为迭代层数，δk为节点j的误差项，hj为结点j的输出；阈值改变量ΔBk(n)具体按照以下算法经计算获得：在式7中：a为迭代层数，N为输入变量个数，n为迭代层数，δk为节点j的误差项；步骤e、经步骤d后，调整各权值，以获得更新后的权值wjk(n+1)，具体按照以下算法实施：wjk(n+1)＝wjk(n)+Δwjk(n)   (8)；在式8中：wjk(n)为第n层的结点j到第l+1层的节点k的权值，Δwjk(n)为第n轮迭代的节点所输入的权向量的改变量；更新后的阈值Bk(n+1)具体按照以下算法经计算获得：Bk(n+1)＝Bk(n)+ΔBk(n)   (9)；在式9中：Bk(n+1)为更新后的阈值，ΔBk(n)为阈值的改变量；步骤f，重复步骤b～步骤e，直到误差函数小于设定的阈值；其中，误差函数E具体表示为如下形式：在式10中，dk为dk为结点k的目标输出，yk为yk为结点k的预测输出，M为滤波器大小，k为节点数；步骤3、将经步骤1得到的一部分分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。