CN117250490A - 一种基于lstm的剩余电流动作断路器寿命预测方法 - Google Patents

一种基于lstm的剩余电流动作断路器寿命预测方法 Download PDF

Info

Publication number
CN117250490A
CN117250490A CN202311213185.XA CN202311213185A CN117250490A CN 117250490 A CN117250490 A CN 117250490A CN 202311213185 A CN202311213185 A CN 202311213185A CN 117250490 A CN117250490 A CN 117250490A
Authority
CN
China
Prior art keywords
neural network
lstm
circuit breaker
residual current
operated circuit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311213185.XA
Other languages
English (en)
Inventor
刘帼巾
王乐康
杨雨泽
刘达明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202311213185.XA priority Critical patent/CN117250490A/zh
Publication of CN117250490A publication Critical patent/CN117250490A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电子元器件寿命预测技术领域，提供一种基于LSTM的剩余电流动作断路器寿命预测方法。该方法包括：搭建加速试验平台，对剩余电流动作断路器进行加速退化试验，获得退化数据，将退化数据划分为训练集和测试集；以训练集为输入向量，基于LSTM搭建第一神经网络，其中训练集为剩余动作电流退化轨迹；定义第一神经网络的神经网络参数，通过概率代理模型拟合目标函数并通过采样函数寻优神经网络参数的参数点；根据优化后的神经网络参数对第一神经网络进行训练获得第二神经网络；将测试集输入至第二神经网络，获得剩余电流动作断路器的寿命预测结果。本发明提高了预测精度及处理时间序列数据精度，并且稳定性较强。

Description

一种基于LSTM的剩余电流动作断路器寿命预测方法
技术领域
本发明涉及电子元器件寿命预测技术领域，尤其涉及一种基于LSTM的剩余电流动作断路器寿命预测方法。
背景技术
剩余电流动作断路器是电力***中保护用电人员人身安全，预防漏电事故的关键电器。所以对剩余电流动作断路器提出了高可靠性的要求。随着时间的推移，由于其内部电子器件的老化，剩余电流动作断路器的性能会逐渐退化，最终无法正常工作，给用电者带来了巨大的安全隐患。因此，对剩余电流动作断路器进行寿命预测，对保障电力***的可靠运行具有重要意义。
对于剩余电流动作断路器来说，基于失效物理的寿命预测方法需要分别研究产品内部元器件的退化机理，抽象出产品退化的数学表达式，实现起来较为复杂，且建模精度难以得到保障；而退化轨迹建模的寿命预测方法需要通过拟合得出退化轨迹的数学表达式，从可操作性来说，一般采用线性拟合外推得到伪失效寿命数据，但是实际产品的退化过程具有一定的随机性，且不同产品退化轨迹不同，只采用线性拟合的方法具有较强的局限性，普适性较差。同时，实际产品的退化轨迹并非严格遵守线性规律，采用轨迹拟合的方法具有较大的误差。
发明内容
本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种基于LSTM的剩余电流动作断路器寿命预测方法。
本发明提供一种基于LSTM的剩余电流动作断路器寿命预测方法，包括：
S1：搭建加速试验平台，对剩余电流动作断路器进行加速退化试验，获得退化数据，将所述退化数据划分为训练集和测试集；
S2：以所述训练集为输入向量，基于LSTM搭建第一神经网络，其中所述训练集为所述退化数据中的剩余动作电流退化轨迹；
S3：定义所述第一神经网络的神经网络参数，通过概率代理模型拟合目标函数并通过采样函数寻优所述神经网络参数的参数点，以优化所述神经网络参数；
S4：根据优化后的神经网络参数对所述第一神经网络进行训练，获得第二神经网络；
S5：将所述测试集输入至所述第二神经网络，获得剩余电流动作断路器的寿命预测结果。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S1中所述加速试验平台通过调温调湿箱提供加速应力。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S2还包括：
通过MAX-MIN方法对所述输入向量进行归一化处理。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S4中所述第一神经网络训练过程包括正向计算模型输出、误差项反向传播和根据误差项计算梯度。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S3中所述概率代理模型通过高斯过程完成拟合目标函数，所述概率代理模型的高斯分布的表达式为：
其中，为通过增加高斯分布维数获得的目标函数，/>为高斯过程，/>为目标函数期望，/>为协方差函数。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S3中所述采样函数的表达式为：
其中，为采样函数，/>为采样函数期望，/>为采样函数寻优过程中的当前最优值，/>为标准差，/>为期望提升度，/>标准正态分布的分布函数，/>为标准正态分布的概率密度函数。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S4中优化后的神经网络参数对应的函数的后验分布表达式为：
其中，为优化后的神经网络参数对应的函数的后验分布，/>为优化后的神经网络参数对应的函数的似然分布，/>为优化后的神经网络参数对应的函数的先验分布，/>为优化后的神经网络参数对应的函数的边际似然分布。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S2中搭建的第一神经网络以均方根误差为训练效果评价指标，所述均方根误差的表达式为：
其中，为均方根误差，/>为训练数据个数，/>为索引值，/>为输出真实值，/>为输出预测值。
根据本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，步骤S3中所述第一神经网络的神经网络参数包括学习率、LSTM层数及LSTM神经元个数。
本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，对LSTM神经网络的超参数进行了寻优，解决了模型超参数选择问题，有效提高了模型预测精度，同时本发明在处理时间序列数据时具有较高的精度，在短训练集的长期预测中有不错的表现，稳定性较强，而对于剩余动作电流数据序列具有较强的时序性，本发明能够引入历史数据信息，在时间序列预测中具有较高的预测精度和较强的稳定性，能够较好应用于剩余动作电流数据的预测中。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于LSTM的剩余电流动作断路器寿命预测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
下面结合图1描述本发明实施例。
本发明提供一种基于LSTM的剩余电流动作断路器寿命预测方法，包括：
S1：搭建加速试验平台，对剩余电流动作断路器进行加速退化试验，获得退化数据，将所述退化数据划分为训练集和测试集；
其中，步骤S1中所述加速试验平台通过调温调湿箱提供加速应力。
进一步的，获取剩余动作电流退化数据的具体方式是首先使用调温调湿箱提供加速试验所需的加速应力，使用剩余电流动作特性测量仪测量试验样品的剩余动作电流值。
S2：以所述训练集为输入向量，基于LSTM搭建第一神经网络，其中所述训练集为所述退化数据中的剩余动作电流退化轨迹；
其中，步骤S2还包括：
通过MAX-MIN方法对所述输入向量进行归一化处理。
其中，步骤S2中搭建的第一神经网络以均方根误差为训练效果评价指标，所述均方根误差的表达式为：
其中，为均方根误差，/>为训练数据个数，/>为索引值，/>为输出真实值，/>为输出预测值。
进一步的，LSTM神经网络，也就是第一神经网络的建模过程包括：定义LSTM神经网络结构；给定输入数据；将输入数据序列划分为训练集和测试集；定义LSTM神经网络参数；选择模型训练效果评价指标。
进一步的，基于LSTM构建的第一神经网络通过引入“门”结构，可以增加或者去除记忆单元中的信息数据；门结构包含一个sigmoid激活函数，这个函数的值域为（0，1），通过该函数可以控制通过“门”的信息数据量的多少，当函数为0时，不允许任何数据信息通过，当函数值为1时，信息数据可以完全通过，门结构包含三种门，有遗忘门、输入门和输出门。
计算当前时刻状态时，LSTM神经网络的遗忘门控制上一时刻的单元状态的引入量；输入门决定了该时刻输入的引入量；输出门控制该时刻的输出有多少可以作为LSTM神经网络的输出值；LSTM神经网络每个完整的部分称作一个记忆单元，每个记忆单元有三个输入数据：上一时刻输出值、当前时刻的输入和上一时刻神经元细胞状态，有两个输出数据：当前时刻的神经元细胞状态和输出值。
S3：定义所述第一神经网络的神经网络参数，通过概率代理模型拟合目标函数并通过采样函数寻优所述神经网络参数的参数点，以优化所述神经网络参数；
其中，步骤S3中所述概率代理模型通过高斯过程完成拟合目标函数，所述概率代理模型的高斯分布的表达式为：
其中，为通过增加高斯分布维数获得的目标函数，/>为高斯过程，/>为目标函数期望，/>为协方差函数。
进一步的，采用概率代理模型来拟合目标函数。随着寻优过程中获取的信息不断增加，代理模型的先验分布不断被修正，使得代理模型不断逼近目标函数。这就要求代理模型能够在目标函数中任意建立分布，通常选择高斯过程来完成这一任务，通过增加高斯分布的维数，可以逼近任意的目标函数。
其中，步骤S3中所述采样函数的表达式为：
其中，为采样函数，/>为采样函数期望，/>为采样函数寻优过程中的当前最优值，/>为标准差，/>为期望提升度，/>标准正态分布的分布函数，/>为标准正态分布的概率密度函数。
进一步的，利用采样函数不断寻找可能最优的函数点。采样函数基于已知的历史信息来搜寻下一个可能最优的函数点，这个过程称为“探索”，当采样函数找到了局部的最优解，就会在这个位置不断取值，这个过程称为“利用”，通过平衡“利用”和“探索”两个过程，可以通过迭代获得函数最优解。
采样函数能够体现出寻优过程的下一函数点相比于当前函数点在期望方面的提升程度，从而选择提升最大的点作为下一函数点。
其中，步骤S3中所述第一神经网络的神经网络参数包括学习率、LSTM层数及LSTM神经元个数。
S4：根据优化后的神经网络参数对所述第一神经网络进行训练，获得第二神经网络；
其中，步骤S4中所述第一神经网络训练过程包括正向计算模型输出、误差项反向传播和根据误差项计算梯度。
进一步的，正向传播计算主要包括遗忘门、输入门、输出门、记忆单元和最终输出的计算。
遗忘门输出的计算公式如下：
其中，为遗忘门输出，/>为激活函数，/>为遗忘门权值，/>为上一时刻记忆单元隐含层状态，/>为当前时刻输入，/>为遗忘门阈值。
输入门输出的计算公式如下：
其中，为输入门输出，/>为输入门权值，/>为输入门阈值。
记忆单元状态的计算公式如下：
其中，为/>时刻记忆状态单元，/>表示向记忆单元添加新信息，/>为/>时刻状态量的权值，/>为/>时刻状态量的阈值。
输出门输出的计算公式如下：
其中，为输出门输出，/>为输出门权值，/>为输出门阈值。
最终输出值计算公式如下：
记忆单元状态量经过正切函数处理后，和输出门输出相乘，得出最终的输出值。
误差反向传播包含两个方面：沿时间和沿层反向传播，定义误差项为损失函数对输出值的偏导数，计算式如下：
其中，为误差项，/>为损失函数，/>为偏导数运算。
激活误差项的反向传播，以遗忘门为例，计算该时刻加权输入和误差项，其他门计算过程相似，计算式如下：
其中，为遗忘门对应的加权输入。
然后，首先将时刻的误差项沿时间反向传播，得出/>时刻的误差项，然后将误差项沿层反向传播，假设从/>层传播到/>层，误差沿时间和沿层反向传播时，每传播一次，就要乘以相应的误差项。
需要计算的权值和阈值的梯度一共有12个，为输入门、遗忘门、输出门和记忆单元状态对应的权值和阈值，它们的最终梯度等于各个时刻的梯度之和，进而可以实现各时刻各门权值阈值的更新。
其中，步骤S4中优化后的神经网络参数对应的函数的后验分布表达式为：
其中，为优化后的神经网络参数对应的函数的后验分布，/>为优化后的神经网络参数对应的函数的似然分布，/>为优化后的神经网络参数对应的函数的先验分布，/>为优化后的神经网络参数对应的函数的边际似然分布。
S5：将所述测试集输入至所述第二神经网络，获得剩余电流动作断路器的寿命预测结果。
在一些实施例中，制定剩余电流动作断路器的加速试验方案，搭建加速试验平台，对剩余电流动作断路器进行加速退化试验，获取剩余动作电流退化数据。
首先制定剩余电流动作断路器的加速试验方案，试验类型为恒定应力加速退化试验，加速应力为温度，选取剩余动作电流作为性能退化特征量，设定四个应力水平分别为55℃、65℃、77℃、90℃，其中55℃和65℃试验周期为200天，77℃和90℃试验周期为试验至样品失效，每个周期为24小时，试验样品为每个应力水平下4个。
搭建加速试验平台，加速试验平台主要由剩余电流动作特性测量仪、调温调湿箱、剩余电流动作断路器试品和上位机构成。其中剩余电流动作特性测量仪用来测量试验样品的剩余动作电流值，调温调湿箱提供加速试验所需的加速应力，上位机记录以及分析数据。
对剩余电流动作断路器进行加速退化试验，获取剩余动作电流退化数据，本发明的加速试验主要包括试验样品选择、初始剩余动作电流测试、加速退化循环、剩余动作电流测试和试验终止判定五个过程。
按照试验流程完成四组剩余电流动作断路器加速试验，对试验退化数据进行绘图分析，可以得到试品在不同温度应力水平下的剩余动作电流的退化轨迹。
其次采用LSTM神经网络进行退化轨迹建模，建模基本步骤如下。
定义LSTM神经网络结构：构建的LSTM神经网络预测模型由输入层、LSTM层、Dropout层、全连接层和输出层组成。输入层接收输入数据，将数据进行归一化处理，去除量纲并减少神经网络的计算时间，将输入层设置为1层；LSTM层对输入层传递的数据进行学习训练，据研究，单层神经网络可以处理各种回归问题，因此将LSTM层定义为1层，隐含单元个数设置为128；Dropout层能够以一定概率将输入数据置零，该操作能够有效减少网络过拟合，将Dropout层概率权值设置为0.5；全连接层可以将传递的信息数据进行汇总，并采用权值、阈值对信息进行处理，将该层权值设置为1；输出层将传递的数据处理后进行输出，将输出层设置为1。
给定输入数据：输入向量为加速试验获得的剩余动作电流退化轨迹，采用MAX-MIN法对上述输入向量进行归一化处理，同样采用滑动窗口预测，将前8个数据作为模型输入，第9个数据作为模型输出，每9个数据作为一个训练样本。
将输入数据序列划分为训练集和测试集：其中训练集用来训练LSTM神经网络预测模型，测试集用来验证模型预测的效果，当训练样本的输出对应训练集的最后一个数据时，模型训练完成，LSTM神经网络建立的预测模型为：
定义LSTM神经网络参数：模型梯度函数优化方法采用自适应矩估计法，该方法对于模型参数的估计值较为稳定，设置迭代步长为1；模型最大迭代次数为250次；模型学习率是函数寻优时，梯度所乘的步长大小，可以控制模型的训练速度，该值过小会使得模型训练收敛过慢，过大可能会造成模型在最优值附近震荡，无法获得最优值，因此采用分段学习率，在前125次参数迭代时学习率设置为0.005，在后125次迭代中将学习率乘以系数0.2，降为0.001。
选择模型训练效果评价指标：模型训练结果评价指标选择均方根误差（Root meansquare error，RMSE）。
在预测时，每个数据序列设置两个分组，两分组采用不同的训练、预测集划分方式，用来测试模型的预测效果。分组1的训练集和测试集分别占总数据的80%和20%左右；分组2的训练集和测试集各占总数的50%左右。
再次，采用概率代理模型来拟合目标函数和利用采样函数不断寻找可能最优的函数点。
基于上述描述的原理，对LSTM神经网络超参数进行优化，采用迭代寻优的方式，最大迭代次数选择40次，待寻优参数为LSTM层数、LSTM层神经元个数和学习率；LSTM层数寻优范围为[1,2]之间的整数，LSTM层神经元寻优范围为[30,200]之间的整数，学习率寻优范围为[0.001,0.5]。
从实验结果可以看出，随着迭代次数的增加，采样函数不断取得误差更小的目标值，代理函数估计值逐渐向最优目标值靠拢，经过40次迭代后，A1试品分组2由贝叶斯优化得出的模型参数为：LSTM层数为1层、LSTM层神经元个数为175、初始学习率为0.0363，对其他各组数据分别进行贝叶斯参数优化，将最优超参数赋予LSTM神经网络模型，进行数据预测，可以得到两组样品剩余动作电流序列测试集预测结果及预测结果的绝对误差。
对LSTM神经网络测试集的预测结果进行误差分析，计算LSTM神经网络模型预测值与实测值间的平均绝对误差MAE、均方误差MSE、平均绝对百分比误差MAPE和最大绝对百分比误差APE_MAX，如表1所示。
表1 各组LSTM神经网络预测误差
由表1中可以看出，A1与B1试品数据序列长度相同，对于训练测试集的划分方式也相同，而A1样品数据序列的预测精度相对较高。分析其原因，B1样品剩余动作电流数据序列的测试集在最后几个周期有一个较大的趋势变化，增大了LSTM模型预测的难度，由此可见，数据序列退化趋势特征不同会影响模型的预测结果。
当训练集占总数据长度的80%、测试集占20%时，APE_MAX分别为0.27%和0.35%。当训练集、测试集分别占总数据长度的50%时，APE_MAX分别为0.50%和1.09%，由此可知，当训练集数据较为充足时，LSTM神经网络能够取得较高的预测精度；在训练集较少时，预测误差仅增大为原来的2-3倍，其预测精度较为稳定。
剩余电流动作断路器在实际情况中并不是在试验的加速应力下运行，因此需要对常应力下剩余电流动作断路器寿命预测，通过Arrhenius加速方程外推出常应力下剩余电流动作断路器的使用寿命，需要获得4组加速应力下剩余电流动作断路器的失效寿命。通过上述分析，贝叶斯优化LSTM模型在剩余动作电流退化数据的轨迹预测方面，具有较高的精度和较强的稳定性，因此采用该模型对55、65℃下剩余电流动作断路器样品的伪失效寿命进行预测。
将55、65℃下200个周期的退化数据作为训练集，训练完毕后进行预测，获取55、65℃下剩余电流动作断路器样品的伪失效寿命。采用滑动窗口预测，将每次的预测值填充进滑动窗口，直至剩余电流动作断路器剩余动作电流达到15mA及以下。记录试验品的伪失效寿命预测值，55、65℃温度应力下各样品的伪失效寿命如表2所示。
表2各试验样品伪失效寿命
取各组伪失效寿命的平均值作为该温度应力下样品的失效寿命，对70、85℃下加速试验取得的剩余电流动作断路器失效寿命进行同样的操作，计算结果如下表3所示。
表3 四组试验应力下试品失效寿命
计算出各高温应力下产品的失效寿命后，需要建立温度应力和产品寿命之间的关系，将剩余电流动作断路器高温试验下的失效寿命外推至常温下的使用寿命，采用Arrhenius模型建立此关系，得出产品的寿命特征量的对数和温度的倒数呈线性关系。
根据寿命与试验温度之间的函数关系，将表3中失效寿命代入Arrhenius模型建立的关系中，采用最小二乘法对二者的线性关系进行拟合，通过拟合得到寿命回归曲线斜率为5485.7，截距为-10.58。
其中，线性拟合的相关系数为0.9594，残差平方和RSS的值为0.01939，相关系数接近于1，残差平方和接近于0，说明温度和使用寿命之间拟合程度较好，线性回归效果显著，将常温25℃换算成开氏温度进行计算，可以外推求出常温下剩余电流动作断路器的使用寿命约为2479天。
通过本发明提供的采用神经网络的寿命预测方法得出了剩余电流动作断路器的使用寿命预测值，根据现有研究，当剩余电流动作断路器工作至该时间时，并不会立即损坏，而是处于误动作故障隐藏状态，只有当供电线路中漏电流超过当前剩余动作电流值时，剩余电流动作断路器才会误动作跳闸，但此时产品的可靠性已大大降低，发生异常动作的概率较大，应当对产品的动作特性进行检测，发现异常及时更换，提高配电***的安全性。
本发明提供的一种基于LSTM的剩余电流动作断路器寿命预测方法，对LSTM神经网络的超参数进行了寻优，解决了模型超参数选择问题，有效提高了模型预测精度，同时本发明在处理时间序列数据时具有较高的精度，在短训练集的长期预测中有不错的表现，稳定性较强，而对于剩余动作电流数据序列具有较强的时序性，本发明能够引入历史数据信息，在时间序列预测中具有较高的预测精度和较强的稳定性，能够较好应用于剩余动作电流数据的预测中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，包括：
S1：搭建加速试验平台，对剩余电流动作断路器进行加速退化试验，获得退化数据，将所述退化数据划分为训练集和测试集；
S2：以所述训练集为输入向量，基于LSTM搭建第一神经网络，其中所述训练集为所述退化数据中的剩余动作电流退化轨迹；
S3：定义所述第一神经网络的神经网络参数，通过概率代理模型拟合目标函数并通过采样函数寻优所述神经网络参数的参数点，以优化所述神经网络参数；
S4：根据优化后的神经网络参数对所述第一神经网络进行训练，获得第二神经网络；
S5：将所述测试集输入至所述第二神经网络，获得剩余电流动作断路器的寿命预测结果。
2.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S1中所述加速试验平台通过调温调湿箱提供加速应力。
3.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S2还包括：
通过MAX-MIN方法对所述输入向量进行归一化处理。
4.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S4中所述第一神经网络训练过程包括正向计算模型输出、误差项反向传播和根据误差项计算梯度。
5.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S3中所述概率代理模型通过高斯过程完成拟合目标函数，所述概率代理模型的高斯分布的表达式为：
其中，为通过增加高斯分布维数获得的目标函数，/>为高斯过程，/>为目标函数期望，/>为协方差函数。
6.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S3中所述采样函数的表达式为：
其中，为采样函数，/>为采样函数期望，/>为采样函数寻优过程中的当前最优值，/>为标准差，/>为期望提升度，/>标准正态分布的分布函数，/>为标准正态分布的概率密度函数。
7.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S4中优化后的神经网络参数对应的函数的后验分布表达式为：
其中，为优化后的神经网络参数对应的函数的后验分布，/>为优化后的神经网络参数对应的函数的似然分布，/>为优化后的神经网络参数对应的函数的先验分布，/>为优化后的神经网络参数对应的函数的边际似然分布。
8.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S2中搭建的第一神经网络以均方根误差为训练效果评价指标，所述均方根误差的表达式为：
其中，为均方根误差，/>为训练数据个数，/>为索引值，/>为输出真实值，/>为输出预测值。
9.根据权利要求1所述的一种基于LSTM的剩余电流动作断路器寿命预测方法，其特征在于，步骤S3中所述第一神经网络的神经网络参数包括学习率、LSTM层数及LSTM神经元个数。
CN202311213185.XA 2023-09-20 2023-09-20 一种基于lstm的剩余电流动作断路器寿命预测方法 Pending CN117250490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311213185.XA CN117250490A (zh) 2023-09-20 2023-09-20 一种基于lstm的剩余电流动作断路器寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311213185.XA CN117250490A (zh) 2023-09-20 2023-09-20 一种基于lstm的剩余电流动作断路器寿命预测方法

Publications (1)

Publication Number Publication Date
CN117250490A true CN117250490A (zh) 2023-12-19

Family

ID=89125868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311213185.XA Pending CN117250490A (zh) 2023-09-20 2023-09-20 一种基于lstm的剩余电流动作断路器寿命预测方法

Country Status (1)

Country Link
CN (1) CN117250490A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877028A (zh) * 2024-03-13 2024-04-12 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877028A (zh) * 2024-03-13 2024-04-12 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***
CN117877028B (zh) * 2024-03-13 2024-05-14 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***

Similar Documents

Publication Publication Date Title
Wang et al. Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries
Lin et al. State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network
CN109061504A (zh) 同类型不同锂离子电池剩余使用寿命预测方法和***
CN112036084A (zh) 一种相似产品寿命迁移筛选方法和***
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN111965476B (zh) 一种基于图卷积神经网络的低电压诊断方法
Takyi-Aninakwa et al. An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries
Ouyang et al. A novel state of charge estimation method for lithium-ion batteries based on bias compensation
Li et al. Data-driven state-of-health estimation for lithium-ion battery based on aging features
CN117250490A (zh) 一种基于lstm的剩余电流动作断路器寿命预测方法
CN113761751A (zh) 基于温度加速因子的锂离子电池剩余寿命预测方法及***
CN113917334A (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN112629841A (zh) 一种继电器寿命预测的方法
Li et al. A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
Ardeshiri et al. Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction
CN117445735B (zh) 云边协同的充电预警方法、设备及介质
Zhu et al. A noise‐immune model identification method for lithium‐ion battery using two‐swarm cooperative particle swarm optimization algorithm based on adaptive dynamic sliding window
Huang et al. Co-estimation of maximum available capacity and state-of-charge for lithium-ion batteries in multi-operating mode with temperature and degradation state adaptivity
CN117825970A (zh) 电池退化分析方法、装置、设备及存储介质
Zheng et al. Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process
Guo et al. Health prognostics of lithium-ion batteries based on universal voltage range features mining and adaptive multi-Gaussian process regression with Harris Hawks optimization algorithm
Lv et al. Analysis of strategies to maximize the cycle life of lithium-ion batteries based on aging trajectory prediction
Tian et al. Long-short term memory neural network based life prediction of lithium-ion battery considering internal parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination