CN111060815A - 基于GA-Bi-RNN的高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了基于GA‑Bi‑RNN的高压断路器故障诊断方法，具体为：S1、利用分合闸线圈电流在线监测***实时监测得到分合闸线圈电流数据，并将该数据分为训练集和测试集一同作为输入变量；S2、初始化权值，将训练集样本数据输入至Bi‑RNN中，采用GA作为误差反传优化更新每一代的特征信息参量，并将其作为输入，以均方误差作为适应度，以一定迭代次数为模型终止条件，选择预测特征量最优组合，完成模型训练；S3、将得到的测试集样本数据输入至训练好的故障诊断模型中，由故障诊断模型对输入的分合闸线圈电流数据进行处理，完成高压断路器故障诊断分类。本方法能更加准确有效地判断断路器的故障类型，进而有效率的完成检修。

Description

基于GA-Bi-RNN的高压断路器故障诊断方法

技术领域

本发明属于高压断路器故障在线监测技术领域，具体涉及一种基于GA-Bi-RNN的高压断路器故障诊断方法。

背景技术

高压断路器是电力***最主要的控制与保护装置，关系到输电、配电及用电的可靠性、安全性。高压断路器能在***故障与非故障情况下实现多种操作。断路器也是能关合、承载、开断运行回路正常电流，也能在规定时间内关合、承载及开断规定的过载电流。高压断路器一般都以电磁铁为操作的第一控制元件，在操动机构中大部分是直流电磁铁。当线圈中通过电流时，在磁铁内产生磁通，动铁芯受磁力影响，使断路器分闸或合闸。分合闸线圈电流可作为高压断路器机械故障诊断所用的丰富信息。

现有的高压断路器故障诊断的方法有很多，其中涉及各种人工智能算法，如：模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化，但其隶属函数和模糊规则的确定过程存在一定的人为因素；径向基神经网络为断路器的故障诊断问题提供了一种比较好的结构体系，但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点。

双向循环神经网络(Bi-RNN)是一种对数据序列建模的神经网络，其处理方式与前馈神经网络有着本质上的不同，双向循环神经网络只处理一个单一的输入单元和上一个时间点的隐藏层信息。这使得双向循环神经网络能够更加自由和动态的获取输入的信息，而不受到定长输入空间的限制，具有良好的容错能力、并行处理能力和自学习能力。但是由于其学习过程稍过单一，训练过程中可能会存在训练不完整的缺陷；因此，利用遗传算法(GA)来优化双向循环神经网络可以解决这一问题，并且使其权重更新直到设定误差范围之内，能在有效解决上述问题的同时，更加准确快速的对故障进行分类。

发明内容

本发明的目的是提供一种基于GA-Bi-RNN的高压断路器故障诊断方法，采用双向循环神经网络分析故障特征信号，结合遗传算法进行参数优化，在弥补人工神经网络诊断不足的同时，能更加准确有效地判断断路器的故障类型，进而有效率的完成检修。

本发明所采用的技术方案是，基于GA-Bi-RNN的高压断路器故障诊断方法，具体按照以下步骤实施：

步骤1、利用分合闸线圈电流在线监测***实时监测得到分合闸线圈电流数据，并将该数据分为训练集和测试集一同作为输入变量；

步骤2、初始化权值，将训练集样本数据输入至Bi-RNN中，采用GA作为误差反传优化更新每一代的特征信息参量，并将其作为输入，以均方误差作为适应度，以一定迭代次数为模型终止条件，选择预测特征量最优组合，完成模型训练；

步骤3、将经步骤1得到的测试集样本数据输入至经步骤2训练好的故障诊断模型中，由故障诊断模型对输入的分合闸线圈电流数据进行处理，完成高压断路器故障诊断分类。

本发明的特点还在于，

步骤1中，所述分合闸线圈电流在线监测***，包括过程层、间隔层和站控层；

过程层采集提取高压断路器分合闸线圈电流的特征信息参数，利用在线监测***对所采集的数据进行预处理并完成特征信息参量的分析计算；所述间隔层由变电站断路器IED和以太网组成，该间隔层是将经过过程层监测并处理的特征信息参量利用CAN总线和变电站断路器IED之间的通信传送至变电站断路器IED，再通过以太网采用IEC 61850系列标准协议将数据上传至站控层监控中心；所述站控层是对站内的设备进行远程监控，并且接收由间隔层传输的特征信息参量，结合人工智能神经网络对该断路器进行实时故障诊断。

步骤2具体按照以下方法实施：

步骤2.1、初始化权值，将所有权值初始化为一个随机数[0,1]；

步骤2.2、经步骤2.1后，从训练集中提取一个样例X，并将该样例X输入到双向循环神经网络中，并给出它的目标输出向量，并将其记作O；

输入层的输入与隐藏层的输出之间存在下列函数关系：

其中，

为t时刻正向输入隐含层的输入值，

为t时刻反向输入隐含层的输入值，I(t)为分合闸线圈电流的时间节点U以及随着t时刻变化的分合闸线圈电流，S(t)是一个h×1的向量，

表示t时刻正向隐含层的输出，

为t时刻反向隐含层的输出，

为一个有h个元素输入向量，用于表示t-1时刻正向输入隐含层的输出，h为隐藏层维数，

为t-1时刻反向输入隐含层的输出；

分别表示输入层I(t)、

U连接到正向输入隐含层的权重矩阵，

分别表示输入层I(t)、

U连接到反向输入隐含层的权重矩阵；W_forward为正向输入隐含层状态的变换权重矩阵，W_backward为反向输入隐含层状态的变换权重矩阵；

其中，f()为sigmoid函数：

隐含层的输出S(t)与输出层的输出O(t)之间存在下列函数关系：

O(t)＝g(YS(t)) (7)

其中，Y是隐含层连接到输出层的权重矩阵，g()为softmax函数:

其中，x为隐含层输入值，i为隐含层节点个数，随机生成权重矩阵

W_forward和W_backward；

步骤2.3、经步骤2.2后，从前层向后层依次计算，得到双向循环神经网络的输出值O(t)，其中对于隐含层某一时刻某一节点的激活函数netj(t)用公式表示：

其中，n表示输入层节点的个数，i(t)表示t时刻隐含层节点个数，V_ji表示该时刻该节点所在层连接后层的权重矩阵，θ_j表示一个偏置参数，更新隐含层节点激活函数的计算方式：

hj(t)＝f(netj(t)) (11)

其中，m表示的是隐含层节点的总个数，l_(t-1)表示t-1时刻隐含层节点，V_jl表示该时刻该节点所在层连接后层的权重矩阵；hj(t)表示上一次更新隐含层节点的激活函数；

输出层的激活函数netk(t)：

yk(t)＝g(netk(t)) (13)

其中，j(t)表示t时刻隐含层节点，θ_k表示一个偏置参数，W_kj表示该时刻该节点所在层连接后层的权重矩阵，yk(t)表示的是输出层节点的激活函数；

步骤2.4、经步骤2.3后，采用遗传算法作为误差反传优化，将优化后每一代更新的特征信息参量作为输入，以均方误差作为适应度，以一定的迭代次数为模型终止条件，选择预测特征量最优组合。

步骤2.4中，遗传误差反传的具体过程如下：

一个标准的遗传算法为SCA＝(C,E,P₀,M,Φ,δ,ψ,T)，其中，C是GA编码方法，E是GA的适应度函数，P₀是初始种群，M是种群大小，Φ是选择操作，δ是GA的交叉操作，ψ是GA的变异操作，T是GA的终止操作条件；以防进入局部最优；

(a)、编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

其中δ＝(1.0-0.0)/(210-1)＝0.00098；

(b)、遗传操作：

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

(c)、目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_Bi-RNN-GA为Bi-RNN模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

(d)、个体适应度

式中，C_max选为种群最大的个体适应度。

本发明的有益效果是：

(1)本发明方法从优化神经网络模型和优化特征参数选取两个角度对模型故障诊断能力进行提升，双向循环神经网络作为深度神经网络模型，可以从原始数据提取到更加抽象和更具有代表性的特征，能够更加自由和动态的获取输入的信息，而不受到定长输入空间的限制，具有良好的容错能力、并行处理能力和自学习能力；

(2)本发明方法利用遗传算法优化连接权值，使其权重更新直到设定误差范围内，具有较好的局部与全局搜索能力，可以有效提高高压断路器故障诊断的速度与准确率；

(3)本发明方法在双向循环网络训练过程中引入Dropout技术来防止过拟合，增强了模型的泛化能力。

附图说明

图1是本发明基于GA-Bi-RNN的高压断路器故障诊断方法中采用的分合闸线圈电流在线监测***的架构图；

图2是本发明基于GA-Bi-RNN的高压断路器故障诊断方法的流程图；

图3是本发明基于GA-Bi-RNN的高压断路器故障诊断方法的故障诊断模型；

图4是本发明方法中实施例1中涉及的分合闸线圈电流特性曲线。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供一种基于GA-Bi-RNN的高压断路器故障诊断方法，如图1-3所示，具体按照以下步骤实施：

步骤1、利用分合闸线圈电流在线监测***实时监测得到分合闸线圈电流数据，并将该数据分为训练集和测试集一同作为输入变量；

步骤1中，分合闸线圈电流在线监测***，如图1所示，包括过程层、间隔层和站控层；过程层采集提取高压断路器分合闸线圈电流的特征信息参数，利用在线监测***对所采集的数据进行预处理并完成特征信息参量的分析计算；间隔层由变电站断路器IED和以太网组成，该间隔层是将经过过程层监测并处理的特征信息参量利用CAN总线和变电站断路器IED之间的通信传送至变电站断路器IED，再通过以太网采用IEC 61850系列标准协议将数据上传至站控层监控中心；站控层是对站内的设备进行远程监控，并且接收由间隔层传输的特征信息参量，结合人工智能神经网络对该断路器进行实时故障诊断。

步骤2、初始化权值，将训练集样本数据输入至Bi-RNN中，采用GA作为误差反传优化更新每一代的特征信息参量，并将其作为输入，以均方误差作为适应度，以一定迭代次数为模型终止条件，选择预测特征量最优组合，完成模型训练；

步骤2具体按照以下方法实施：

步骤2.1、初始化权值，将所有权值初始化为一个随机数[0,1]；

步骤2.2、经步骤2.1后，从训练集(以实施例1为例将其中的五组数据作为训练集)中提取一个样例X，并将该样例X输入到双向循环神经网络中，并给出它的目标输出向量，并将其记作O；

输入层的输入与隐藏层的输出之间存在下列函数关系：

其中，

为t时刻正向输入隐含层的输入值，

为t时刻反向输入隐含层的输入值，I(t)为分合闸线圈电流的时间节点U以及随着t时刻变化的分合闸线圈电流，S(t)是一个h×1的向量，

表示t时刻正向隐含层的输出，

为t时刻反向隐含层的输出，

为一个有h个元素输入向量，用于表示t-1时刻正向输入隐含层的输出，h为隐藏层维数，

为t-1时刻反向输入隐含层的输出；

分别表示输入层I(t)、

U连接到正向输入隐含层的权重矩阵，

分别表示输入层I(t)、

U连接到反向输入隐含层的权重矩阵；W_forward为正向输入隐含层状态的变换权重矩阵，W_backward为反向输入隐含层状态的变换权重矩阵；

其中，f()为sigmoid函数：

隐含层的输出S(t)与输出层的输出O(t)之间存在下列函数关系：

O(t)＝g(YS(t)) (7)

其中，Y是隐含层连接到输出层的权重矩阵，g()为softmax函数:

其中，x为隐含层输入值，i为隐含层节点个数，随机生成权重矩阵

W_forward和W_backward；

步骤2.3、经步骤2.2后，从前层向后层依次计算，得到双向循环神经网络的输出值O(t)，其中对于隐含层某一时刻某一节点的激活函数netj(t)用公式表示：

其中，n表示输入层节点的个数，i(t)表示t时刻隐含层节点个数，V_ji表示该时刻该节点所在层连接后层的权重矩阵，θ_j表示一个偏置参数，更新隐含层节点激活函数的计算方式：

hj(t)＝f(netj(t)) (11)

其中，m表示的是隐含层节点的总个数，l_(t-1)表示t-1时刻隐含层节点，V_jl表示该时刻该节点所在层连接后层的权重矩阵；hj(t)表示上一次更新隐含层节点的激活函数。

输出层的激活函数netk(t)：

yk(t)＝g(netk(t)) (13)

其中，j(t)表示t时刻隐含层节点，θ_k表示一个偏置参数，W_kj表示该时刻该节点所在层连接后层的权重矩阵，yk(t)表示的是输出层节点的激活函数(可以与隐含层节点的h是同一个激活函数)。

步骤2.4、经步骤2.3后，采用遗传算法作为误差反传优化，将优化后每一代更新的特征信息参量作为输入，以均方误差作为适应度，以一定的迭代次数为模型终止条件，选择预测特征量最优组合。

步骤2.4中，遗传误差反传的具体过程如下：

一个标准的遗传算法为SCA＝(C,E,P₀,M,Φ,δ,ψ,T)，其中，C是GA编码方法，E是GA的适应度函数，P₀是初始种群，M是种群大小，Φ是选择操作，δ是GA的交叉操作，ψ是GA的变异操作，T是GA的终止操作条件；以防进入局部最优；

(a)、编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

其中δ＝(1.0-0.0)/(210-1)＝0.00098；

(b)、遗传操作：

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

(c)、目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_Bi-RNN-GA为Bi-RNN模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

(d)、个体适应度

式中，C_max选为种群最大的个体适应度。

步骤3、将经步骤1得到的测试集样本数据输入至经步骤2训练好的故障诊断模型中，由故障诊断模型对输入的分合闸线圈电流数据进行处理，完成高压断路器故障诊断分类。

实施例

以t₀为命令时间的零点提取故障特征参数I₁，I₂，I₃，t₁，t₂，t₃，t₄，t₅对断路器进行状态监测，获取十组故障样本数据，这十组故障样本数据包括机构正常(A)、操作电压过低(B)、合闸铁心开始阶段由卡涩(C)、操作机构有卡涩(D)及合闸铁心空行程太大(E)，数据采集状况具体如表1所示；

表1故障样本数据

分合闸线圈电流的特性曲线如图4所示，可知：

(1)阶段Ⅰ，t＝t₀～t₁；线圈在t₀时刻开始通电，到t₁时刻铁心开始运动；t₀为断路器分、合闸命令下达时刻，是断路器分、合动作计时起点；t₁为线圈中电流、磁通上升到足以驱动铁心运动，即铁心开始运动的时刻；这一阶段的特点是电流呈指数上升，铁心静止；这一阶段的时间与控制电源电压及线圈电阻有关。

(2)阶段Ⅱ，t＝t₁～t₂；在这一阶段，铁心开始运动，电流下降；t₂为控制电流的谷点，代表铁心已经触动操作机械的负载而显著减速或停止运动。

(3)阶段Ⅲ，t＝t₂～t₃；这一阶段铁心停止运动，电流又呈指数上升。

(4)阶段Ⅳ，t＝t₃～t₄；这一阶段是阶段Ⅲ的延续，电流达到近似的稳态。

(5)阶段Ⅴ，t＝t₄～t₅；电流开断阶段，此阶段辅助开关分断，在辅助开关触头间产生电弧并被拉长，电弧电压快速升高，迫使电流迅速减小，直到熄灭。

分析图4电流波形可知，t₀～t₁时间电流可以反映线圈的状态(如：电阻是否正常)。t₁～t₂时间电流的变化表征铁心运动结构有无卡涩，脱扣、释能机械负载变动的情况；t₂一般是动触头开始运动时刻，从t₂以后是机构通过传动***带动动触头分、合闸的过程，即动触头运动的过程；t₄为断路器的辅助触点切断的时刻；t₀～t₄时间电流的变化可以反映机械操动机构传动***的工作情况。

故障类型的输出采用进制数来表示，具体如表2所示：

表2故障类型输出设定

本发明提供的一种基于GA-Bi-RNN的高压断路器故障诊断方法，采用双向循环神经网络分析故障特征信号，结合遗传算法进行参数优化，在弥补人工神经网络诊断不足的同时，能更加准确迅速的判断断路器故障类型。

Claims (5)

1.基于GA-Bi-RNN的高压断路器故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、利用分合闸线圈电流在线监测***实时监测得到分合闸线圈电流数据，并将该数据分为训练集和测试集一同作为输入变量；

步骤2、初始化权值，将训练集样本数据输入至Bi-RNN中，采用GA作为误差反传优化更新每一代的特征信息参量，并将其作为输入，以均方误差作为适应度，以一定迭代次数为模型终止条件，选择预测特征量最优组合，完成模型训练；

步骤3、将经步骤1得到的测试集样本数据输入至经步骤2训练好的故障诊断模型中，由故障诊断模型对输入的分合闸线圈电流数据进行处理，完成高压断路器故障诊断分类。

2.根据权利要求1所述的基于GA-Bi-RNN的高压断路器故障诊断方法，其特征在于，步骤1中，所述分合闸线圈电流在线监测***，包括过程层、间隔层和站控层。

3.根据权利要求2所述的基于GA-Bi-RNN的高压断路器故障诊断方法，其特征在于，所述过程层采集提取高压断路器分合闸线圈电流的特征信息参数，利用在线监测***对所采集的数据进行预处理并完成特征信息参量的分析计算；所述间隔层由变电站断路器IED和以太网组成，该间隔层是将经过过程层监测并处理的特征信息参量利用CAN总线和变电站断路器IED之间的通信传送至变电站断路器IED，再通过以太网采用IEC 61850系列标准协议将数据上传至站控层监控中心；所述站控层是对站内的设备进行远程监控，并且接收由间隔层传输的特征信息参量，结合人工智能神经网络对该断路器进行实时故障诊断。

4.根据权利要求1所述的基于GA-Bi-RNN的高压断路器故障诊断方法，其特征在于，步骤2具体按照以下方法实施：

步骤2.1、初始化权值，将所有权值初始化为一个随机数[0,1]；

步骤2.2、经步骤2.1后，从训练集中提取一个样例X，并将该样例X输入到双向循环神经网络中，并给出它的目标输出向量，并将其记作O；

输入层的输入与隐藏层的输出之间存在下列函数关系：

其中，

为t时刻正向输入隐含层的输入值，

为t时刻反向输入隐含层的输入值，I(t)为分合闸线圈电流的时间节点U以及随着t时刻变化的分合闸线圈电流，S(t)是一个h×1的向量，

表示t时刻正向隐含层的输出，

为t时刻反向隐含层的输出，

为一个有h个元素输入向量，用于表示t-1时刻正向输入隐含层的输出，h为隐藏层维数，

为t-1时刻反向输入隐含层的输出；

分别表示输入层I(t)、

U连接到正向输入隐含层的权重矩阵，

分别表示输入层I(t)、

U连接到反向输入隐含层的权重矩阵；W_forward为正向输入隐含层状态的变换权重矩阵，W_backward为反向输入隐含层状态的变换权重矩阵；

其中，f()为sigmoid函数：

隐含层的输出S(t)与输出层的输出O(t)之间存在下列函数关系：

O(t)＝g(YS(t)) (7)

其中，Y是隐含层连接到输出层的权重矩阵，g()为softmax函数:

其中，x为隐含层输入值，i为隐含层节点个数，随机生成权重矩阵

W_forward和W_backward；

步骤2.3、经步骤2.2后，从前层向后层依次计算，得到双向循环神经网络的输出值O(t)，其中对于隐含层某一时刻某一节点的激活函数netj(t)用公式表示：

其中，n表示输入层节点的个数，i(t)表示t时刻隐含层节点个数，V_ji表示该时刻该节点所在层连接后层的权重矩阵，θ_j表示一个偏置参数，更新隐含层节点激活函数的计算方式：

hj(t)＝f(netj(t)) (11)

其中，m表示的是隐含层节点的总个数，l_(t-1)表示t-1时刻隐含层节点，V_jl表示该时刻该节点所在层连接后层的权重矩阵；hj(t)表示上一次更新隐含层节点的激活函数；

输出层的激活函数netk(t)：

yk(t)＝g(netk(t)) (13)

其中，j(t)表示t时刻隐含层节点，θ_k表示一个偏置参数，W_kj表示该时刻该节点所在层连接后层的权重矩阵，yk(t)表示的是输出层节点的激活函数；

步骤2.4、经步骤2.3后，采用遗传算法作为误差反传优化，将优化后每一代更新的特征信息参量作为输入，以均方误差作为适应度，以一定的迭代次数为模型终止条件，选择预测特征量最优组合。

5.根据权利要求4所述的基于GA-Bi-RNN的高压断路器故障诊断方法，其特征在于，步骤2.4中，遗传误差反传的具体过程如下：

一个标准的遗传算法为SCA＝(C,E,P₀,M,Φ,δ,ψ,T)，其中，C是GA编码方法，E是GA的适应度函数，P₀是初始种群，M是种群大小，Φ是选择操作，δ是GA的交叉操作，ψ是GA的变异操作，T是GA的终止操作条件；以防进入局部最优；

(a)、编码：

根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

其中δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

(b)、遗传操作：

为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

式中，f_max为最大个体适应度，f_avg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

(c)、目标函数

利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即

式中，Y_Bi-RNN-GA为Bi-RNN模型的输出值，Y_data为训练样本的期望输出，N为样本个数；

(d)、个体适应度

式中，C_max选为种群最大的个体适应度。

Images