[发明专利]基于神经网络的断路器故障诊断方法

说明书

本发明涉及电力系统中断路器的故障诊断方法，具体为一种基于深度神经网络和BP神经网络相结合的故障诊断方法。断路器在不同状态下其振动信号不同，首先通过采用小波包—能量熵技术来提取真空断路器在不同状态下的振动信号特征量，然后利用深度神经网络处理这些特征向量，对断路器故障状态与正常状态进行一次分类，最后通过BP神经网络对故障状态进行具体分类。与直接利用BP神经网络的方法来诊断断路器故障相比，本发明在准确率与速度性方面均有显著的提升。

技术领域

本发明涉及电力系统中断路器的故障诊断方法，具体为一种基于深度神经网络和BP神经网络相结合的故障诊断方法。

背景技术

真空断路器作为电力系统的开关以及保护设备，大量用于配电系统中，具有体积小、噪声低、可靠性高等优点。在电力系统发生局部故障时，一旦由于断路器故障而导致故障不能及时切除等问题，将极有可能造成地区大面积停电。因此真空断路器能够可靠的动作，对电力系统的安全、稳定运行尤为重要。据资料显示，因断路器控制回路和操动机构等方面的问题而引起的机械故障，占全部故障的70%～80%。

目前国内外相继展开了针对断路器的故障诊断研究工作，在智能算法的运用方面，尤其是神经网络越来越多被引用到断路器的故障诊断中。例如深度神经网络（DNN）、BP神经网络、径向基函数网络(RBF)、自组织映射网络(SOM)等。而DNN每次输入都要对所有权值进行修正，全局用它可能无法满足实时性要求；BP神经网络用于全局可能影响收敛速度，以及易限于局部极小值；RBF不能完全地识别出故障类型；SOM采用无监督学习规则，缺乏分类信息。

发明内容

本发明针对上述问题进行进一步的研究，提出了一种基于神经网络的断路器故障诊断方法。本发明利用深度神经网络与BP神经网络相结合的方法对断路器的各类状态进行诊断，与单独的使用BP神经网络相比，本发明在准确率与速度性方面均有显著的提升。

本发明通过以下技术方案实现，本发明包括以下步骤：

步骤1：利用加速度传感器采集断路器在合闸的操作过程中产生的加速度波形信号；

步骤2：采用小波包—能量熵技术来提取真空断路器在不同状态的振动信号特征量；

步骤3：利用深度神经网络对故障状态和正常状态进行一次分类；

步骤4：采用BP神经网络对故障状态进行具体分类。

进一步地，步骤1中，所述的加速度传感器采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个100~150点可以移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动数据序列，截取有效信号的长度为4096点，此段信号大概包含了合闸启动后100ms左右的信号内容。

进一步地，步骤2所述的小波包—能量熵技术是选用db4小波对采集到的振动信号进行4层分解，再用信息熵对分解后的数据序列进行量化表达；其具体过程包括如下步骤：

2-1）通过积分的方式计算各个频带的能量，计算公式如下；

，其中（L为分解层数），i=1，2，...，N；

2-2）经过归一化处理后，计算能量熵；

归一化处理公式为；

计算能量熵的公式为；

2-3）将得到一组含有16个能量熵的向量T，即

。

进一步地，步骤3中，所述的深度神经网络的搭建过程包括如下步骤：