[发明专利]一种基于卷积神经网络的串联型电弧故障诊断及选线方法

说明书

本发明属于故障电弧诊断领域，尤其涉及基于卷积神经网络的串联型故障电弧诊断及选线方法，包括以下步骤：1）利用串联型故障电弧实验系统开展串联型故障电弧实验；2）获得不同支路、不同相发生电弧故障时的干路电流信号，将干路电流信号进行分类、分段、标准化处理后，直接将其作为诊断模型样本；3）对卷积神经网络模型进行架构，通过样本训练，建立基于卷积神经网络的串联型故障电弧诊断及选线模型；4）通过准确度和损失函数值、在线测试速度、优化后分类结果准确率对比，分析卷积神经网络模型的串联型电弧故障诊断及选线效果。与现有技术相比，在无需进行电弧故障特征分析的情况下，通过干路电流实现了对电弧故障的诊断及故障支路的选择。

技术领域

本发明属于故障电弧诊断领域，尤其涉及一种基于卷积神经网络的串联型电弧故障诊断及选线方法。

背景技术

配电线路或电气设备长期在恶劣环境中运行，将会导致接触点接触不良引发串联型电弧故障，串联型电弧故障具有隐蔽性、随机性、复杂性，一直缺少成熟的检测方法。工业配电系统中，多台电机负载并联情况较多。发生串联型故障电弧时，若能通过干路电流检测到发生故障电弧的支路，将节约故障电弧保护的投资，减少检修和维护的时间。

近年来，国内外学者针对串联型电弧故障诊断问题开展了大量的研究，主要分为以下几个方面：①依据串联型电弧故障的弧声、弧光、电磁辐射强度等物理特征构建特征向量，结合模式识别方法实现电弧故障诊断；②依据串联型电弧故障所在回路的电流、负载端电压的电信号特征构建特征向量，结合模式识别方法实现电弧故障诊断。方法①适用于密闭空间串联型电弧故障特征的诊断。方法②所选取特征的准确性、典型性、全面性将影响串联型电弧故障识别的准确度。

本发明首先开展工业系统串联型电弧故障实验，获得不同支路、不同相发生电弧故障时的干路电流信号，将干路电流信号进行分类、分段、标准化处理后，直接将其作为诊断模型样本；然后对卷积神经网络模型进行架构，通过样本训练，建立卷积神经网络串联型电弧故障诊断模型；通过差分处理对网络模型在线分类结果进行优化分析；通过准确度和损失函数值、在线测试速度、优化后分类结果验证模型串联型电弧故障诊断及选线效果。研究结果表明，卷积神经网络对工业系统串联型电弧故障诊断及故障选线效果，对研发电弧故障断路器具有一定的理论参考价值。

发明内容

针对上述存在的技术问题，本发明提供一种基于卷积神经网络的串联型电弧故障诊断及选线方法，基于串联型电弧故障实验系统，该系统包括：三相交流电源、断路器、电压互感器、电流互感器、电弧发生器、数据采集卡、实验负载。

所述三相交流电源、断路器、电弧发生器和实验负载依次相连；电流互感器一次线圈与主回路串联，电压互感器一次线圈并联在电弧发生器两端；电流互感器和电压互感器采集的信号经处理后由数据采集卡送至计算机；实验负载包括三相异步电动机M1及其变频器、三相异步电动机M2。

该方法包括以下步骤。

步骤1，利用串联型电弧故障实验系统进行串联型电弧故障实验，获取不同实验条件下的干路电弧故障电流，并对干路电流进行初步分析。

步骤2，根据工况条件，将干路电流分为10类，采用标准差方法对数据进行标准化处理，并将标准化处理后一周期的干路电流信号时间序列作为诊断模型样本，建立诊断样本库。

步骤3，对卷积神经网络（CNN）以及长短期记忆网络（LSTM）进行模型架构。

步骤4，对CNN、LSTM以及普通神经网络（ANN）模型进行200轮训练，用训练集数据与测试集进行测试。200轮训练后CNN以及LSTM训练集准确率接近96%，测试集准确率接近94%；CNN训练集损失值接近0.1，测试集损失值接近0.25，LSTM训练集损失值接近0.1，测试集损失值接近0.2。ANN测试准确率低于85%，收敛速度明显低于深度学习方法。

步骤5，将三种网络模型植入树莓派Zero，得到三个模型对测试样本进行多分类识别的在线测试时间。