[发明专利]一种电力异常故障数据分析装置及诊断方法

权利要求书

1.一种采用电力异常故障数据分析装置的异常故障数据诊断方法，其特征在于：所述电力异常故障数据分析装置包括信号采集单元、旋转电容滤波器电路、信号处理器、电源模块、通讯模块和上位机，信号采集单元包括第一级运算放大器、第二级反相比例运算放大器、第三级运算放大器、电阻、电容和二极管；旋转电容滤波器电路包括电阻、第四级运算放大器、第五级运算放大器、RC电路、第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关；电路连接是信号采集单元的输出端连接旋转电容滤波器电路的输入端；旋转电容滤波器电路的输出端连接信号处理器的输入端，信号处理器的输出端通过串行通讯连接上位机的输入端，电源模块连接信号处理器；其中信号采集单元由两个电阻组成的分压电路连接第一级运算放大器的同相输入端，第一级运算放大器的输出端通过电阻连接第二级反相比例运算放大器反相输入端，第二级反相比例运算放大器输出端通过电阻连接旋转电容滤波器电路的输入端，旋转电容滤波器电路的输出端连接第三级运算放大器的反相输入端，第三级运算放大器的输出端连接由电阻和电容组成的无源滤波器，无源滤波器的输出端连接二极管组成的限幅电路；

所述的电力异常故障数据分析装置的异常故障数据诊断方法，按如下步骤进行：

步骤一、采集数据，包括电压，利用相空间重构的方法，求出嵌入延迟τ和最佳嵌入维d，利用原始时间序列V重构相空间；

步骤二、局部对电压的时间序列利用神经网络建模，对采集数据进行建模，得到神经网络预测原始模型；

步骤三、采集数据x_i联合原始数据组成输入向量，作为当前神经网络的输入，通过建模，得到预测的下一步输出 

步骤四、采集数据x_i在内共k个向量x_i，x_i-1，…x_i-k+1实时训练BP网络，得到的权值用来实时更新下一步预测的BP网络的权值；

步骤五、x_i和其预测值 的预测误差值err作为故障判断的依据，如果err＞RT，则表示当前数据有异常，否则继续判断，其中RT为预先设定或者通过自动识别得到的阈值；

其中k表示需要确定在线训练的原始数据的个数，k＝0，...，N，N为自然数，该参数k如果太大，计算机将无法在规定的时间内完成网络参数的训练，如果太小则无法体现要训练数据的特点，导致预测出现较大误差甚至错误；另外需要确定的一个参数是阈值RT，RT为预先设定或者通过自动识别得到的阈值，该参数RT作为判断数据是否发生异常的触发器，要根据神经网络的预测误差err来决定；如果err较小则适当减小RT，如果err变大，则要相应增大RT，事实上，k、err和RT是有关系的，在线训练的数据个数k越大，那么预测的误差err越小，那么RT也就能够适当的减小，并且这样能够发现更小的故障； 

其中，步骤一中所述相空间重构的方法通过测量可得到采样信号的时间序列矩阵，采集数据{X_k}＝{X(kT)}，其中k＝0，...，N，T为采样周期，每个X(kT)为kT时刻实测的m维向量，针对X(kT)的第i个分量构造形式上的状态向量

其中τ＝[τ₁ τ₂，...，τ_m]^T是未知的延迟时间向量，τ_i是τ的第i个分量，i＝1，...，m；n＝[n₁ n₂，...，n_m]^T，n_i是n的第i个分量，是未知的嵌入维数，i＝1，...，m；为了确定τ_i和n_i值，从而确定τ和n，首先利用时间序列计算

和

其中k′＜k，k′＝0，1，...，E(·)是期望值， 是平均值， 是线性相关的函数， 是非线性相关的函数，设τ_iX， 分别是 和 达到第一个最小值的时间，则得到如下时间单元：

延迟时间常数τ_i选择为

其中Int[·]表示实数的整数部分，通过采用相关函数来计算吸引子的相关维数：

i＝1，...，m    (6)

其中v是一个常参数；θ为Heaviside函数，计算 可得到吸引子的估计维数 则第i个分量的嵌入维数为

步骤四中所述BP网络的训练过程：

1网络初始化，用一组随机数对网络赋初始权值，设置学习因子η、允许误差ε、网络结构，即网络层数L和每层节点数n₁，令样本模式计数器P＝1，训练次数计数器q＝1；

2为网络输入一组学习样本； 

3对每个学习样本p循环；

(1)逐层正向计算网络d个输入节点的输入X(t)和输出；

(2)计算第p个样本的输出的误差E_P和网络的总误差E，

式中：T_jdp和 分别为输出层第j个节点的期望输出和实际输出，E_P为输出的误差，E为网络的总误差；

(3)当E小于允许误差ε或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播；

(4)反向逐层计算网络各节点误差 即

对于输出层有：

对于隐含层有：

(5)修正网络连接权值：

式(9)、(10)、(11)中，z为学习次数，η为学习因子； 表示第l层第j个节点p次学习的输出值，l取0，1，2，3时分别代表输入层、第一、第二隐含层和输出层；

y_jdp表示网络期望输出值；

表示为第l+1层第s个节点与上一层第j个节点学习时的连接权重；

表示第l-1层第j个节点p次学习的输出值；

W_ij(z)表示第z次修正网络连接权值，W_ij(z+1)表示第z+1次修正网络连接权值；

所述诊断方法的诊断过程最终由信号处理器DSPIC30F6010A处理器的控制实现，按以下控制步骤执行： 

步骤一：开始；

步骤二：定义程序出口地址并初始化I/O设备、同时初始化看门狗、中断向量、装置时钟；

步骤四：设置异常响应，并设置中断响应地址和开中断；

步骤五：初始化存储系统，为采样数据分配内存；

步骤六：设置采样间隔及使能各采样通道；

步骤七：DSPIC30F6010A微处理器对常规数据进行信号采集和利用BP神经网络进行分析处理；

步骤八：对数据结果打包汇总，上传到上位机；

步骤九：结束；

其中步骤七中所述BP神经网络的分析过程包括以下步骤：

步骤一：网络初始化，用一组随机数对网络赋初始权值；

步骤二：为网络提供一组学习样本；

步骤三：逐层正向计算网络各节点的输入和输出；

步骤四：计算第p个样本的输出的误差E_P和网络的总误差E；

步骤五：修正网络连接权值；

所述的旋转电容滤波器电路中第四运算放大器与第五级运算放大器组成并联电路，在第四级运算放大器的反相输入端连接第二双刀双掷电子开关，第二双刀双掷电子开关通过RC电路连接第三双刀双掷电子开关；在第五级运算放大器的反相输入端连接第四双刀双掷电子开关，第四双刀双掷电子开关通过RC电路连接第五双刀双掷电子开关，旋转电容滤波器电路中第二双刀双掷电子开关、第三双刀双掷电子开关、第四双刀双掷电子开关和第五双刀双掷电子开关在电路运行时相继循环连接。