[发明专利]基于混杂神经网络的直流主设备故障诊断方法

摘要

本发明公开了一种基于混杂神经网络的直流主设备故障诊断方法，其包括以下步骤步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带点实验数据，在线监测数据，各种巡检数据组成的历史数据；步骤2、应用神经网络对所述关联数据进行信息融合；步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式或/和形态展现，所述原始状态为源数据所体现的历史状态。本发明提高故障设备的检修效率和电网运行的可靠性。

主权项

一种基于混杂神经网络的直流主设备故障诊断方法，其特征在于，其包括以下步骤：步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带电实验数据、在线监测数据、各种巡检数据组成的历史数据；步骤2、应用神经网络对所述关联数据进行信息融合；步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式展现，所述原始状态为源数据所体现的历史状态；其中步骤3包括：步骤31、初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络，所述训练目标数据为实时数据；步骤32、将训练好的稳定的Hopfield网络的初始权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值矩阵进行优化，获取优化权值矩阵；步骤33、将优化权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据，其中，所述故障样本数据为源数据；步骤34、BP网络对经过预处理的故障样本数据进行训练，最终获得一网络结构，保存该网络结构；步骤35、将实时数据输入所述网络结构中，得出预测状态。