本發(fā)明屬于高壓斷路器檢測方法技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法。

背景技術(shù)：

高壓斷路器是電力系統(tǒng)最主要的控制與保護(hù)裝置，關(guān)系到輸電、配電及用電的可靠性、安全性。高壓斷路器能在系統(tǒng)故障與非故障情況下實(shí)現(xiàn)多種操作。斷路器也是能關(guān)合、承載、開斷運(yùn)行回路正常電流，也能在規(guī)定時(shí)間內(nèi)關(guān)合、承載及開斷規(guī)定的過載電流。

高壓斷路器一般都以電磁鐵為操作的第一控制元件，在操動(dòng)機(jī)構(gòu)中大部分是直流電磁鐵。當(dāng)線圈中通過電流時(shí)，在磁鐵內(nèi)產(chǎn)生磁通，動(dòng)鐵芯受磁力影響，使斷路器分閘或合閘。合分閘線圈中的電流可作為高壓斷路器機(jī)械故障診斷所用的豐富信息。

現(xiàn)有的高壓斷路器故障檢修的方法有很多，其中涉及各種人工智能算法，如：模糊控制能用精確的數(shù)學(xué)工具將模糊的概念或自然語言清晰化，但其隸屬函數(shù)和模糊規(guī)則的確定過程存在一定的人為因素；徑向基神經(jīng)網(wǎng)絡(luò)為斷路器的故障診斷問題提供了一種比較好的結(jié)構(gòu)體系，但存在著無法解釋自己的推理過程和推理依據(jù)以及數(shù)據(jù)不充分時(shí)神經(jīng)網(wǎng)絡(luò)無法正常工作的缺點(diǎn)。

神經(jīng)網(wǎng)絡(luò)算法具有良好的容錯(cuò)能力、并行處理能力和自學(xué)習(xí)能力，可處理環(huán)境信息復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確情況下的問題，而且運(yùn)行速度快、自適應(yīng)性能好、具有較高的分辨率，尤其是權(quán)值共享網(wǎng)絡(luò)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。采用神經(jīng)網(wǎng)絡(luò)算法，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，采用卷積神經(jīng)網(wǎng)絡(luò)分析故障特征信號(hào)，在彌補(bǔ)人工神經(jīng)網(wǎng)絡(luò)檢測的不足的同時(shí)，能更加準(zhǔn)確有效地判斷斷路器的故障類型，進(jìn)而能夠有效率的檢修。

本發(fā)明所采用的技術(shù)方案是，基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，具體按照以下步驟實(shí)施：

步驟1、先將磁平衡式霍爾電流傳感器分別與斷路器分合閘線圈、數(shù)據(jù)處理系統(tǒng)連接，構(gòu)建出分合閘線圈電流在線監(jiān)測系統(tǒng)；然后利用分合閘線圈電流在線監(jiān)測系統(tǒng)實(shí)時(shí)監(jiān)測得到的分合閘線圈電流數(shù)據(jù)，并將實(shí)時(shí)監(jiān)測得到的分合閘線圈電流數(shù)據(jù)作為輸入變量；

步驟2、利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法構(gòu)建故障類型預(yù)測模型，將經(jīng)步驟1得到的一部分分合閘線圈電流數(shù)據(jù)輸入到構(gòu)建故障類型預(yù)測模型中進(jìn)行訓(xùn)練；

步驟3、將經(jīng)步驟1得到的一部分分合閘線圈電流數(shù)據(jù)輸入到經(jīng)步驟2訓(xùn)練好的故障類型預(yù)測模型中，由故障類型預(yù)測模型對輸入的分合閘線圈電流數(shù)據(jù)進(jìn)行處理，完成對高壓斷路器故障檢測。

本發(fā)明的特點(diǎn)還在于：

步驟1中構(gòu)建出的分合閘線圈電流在線監(jiān)測系統(tǒng)，其結(jié)構(gòu)為，包括有單片機(jī)，單片機(jī)分別與電源模塊、信息處理單元、4G通信模塊、Zigbee通信模塊、數(shù)據(jù)存儲(chǔ)單元連接；電源模塊分別與太陽能發(fā)電模塊、蓄電池連接；信息處理單元的輸入端與磁平衡式霍爾電流傳感器連接。

單片機(jī)的型號(hào)為STM32F407。

在步驟2中，建立故障類型預(yù)測模型具體按照以下方法實(shí)施：

建立卷積神經(jīng)網(wǎng)絡(luò)，首先要確定卷積過程，具體按照以下方法實(shí)施：

首先確定濾波器的大小，采用卷積核Kernel_ij來對上一層濾波器的一個(gè)特征進(jìn)行加權(quán)得到x_i*Kernel_ij；之后對x_i*Kernel_ij進(jìn)行求和后加偏移，具體按照以下算法實(shí)施：

$x_j^l=f(\underset{i=M_j}{\Σ}{x}_i^{l-1}*{\mathrm{Kernel}}_{ij}^l+B^l)---\left(1\right);$

在式(1)中：x_i為上一層的濾波器中的一個(gè)特征，M_j為神經(jīng)元j對應(yīng)的濾波器，為第l層的神經(jīng)元i的第j個(gè)對應(yīng)的權(quán)值，B^l為第1層的唯一偏移；

抽樣層采用下采樣的方法確定，具體方法如下：

采用mean-pooling，首先將濾波器中的所有值求均值；然后將采樣出的信息乘以可訓(xùn)練參數(shù)，再加上可訓(xùn)練偏置，將得到的結(jié)果通過激活函數(shù)計(jì)算，即能得到神經(jīng)元的輸出；其中，激活函數(shù)采用sigmoid函數(shù)；

第一層的輸出算法具體如下：

$x_j^l=f({\mathrm{\β}}^l\underset{i=M_j}{\Σ}{x}_i^{l-1}+B^l)---\left(2\right);$

在式(2)中：β為第1層的可訓(xùn)練參數(shù)，B^l為可訓(xùn)練偏置，M_j為神經(jīng)元j對應(yīng)的濾波器。

在步驟2中，對故障類型預(yù)測模型進(jìn)行訓(xùn)練，具體按照以下步驟實(shí)施：

步驟A、初始化權(quán)值，即將所有權(quán)值初始化為一個(gè)較小的隨機(jī)數(shù)，具體是將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)[0，1]；

步驟B、經(jīng)步驟A后，從訓(xùn)練集(以實(shí)施例1為例將其中的五組數(shù)據(jù)作為訓(xùn)練集)中提取一個(gè)樣例X，并將該樣例X輸入到卷積神經(jīng)網(wǎng)絡(luò)中，并給出它的目標(biāo)輸出向量，并將其記作D；

步驟C、經(jīng)步驟B后，從前層向后層依次計(jì)算，得到卷積神經(jīng)網(wǎng)絡(luò)的輸出值Y，對于各個(gè)層的計(jì)算方法具體如下：

對于卷積層，采用如下算法進(jìn)行計(jì)算：

$x_j^l=f(\underset{i=M_j}{\Σ}{x}_i^{l-1}*{\mathrm{Kernel}}_{ij}^l+B^l)---\left(1\right);$

在式(1)中：x_i為上一層的濾波器中的一個(gè)特征，M_j為神經(jīng)元j對應(yīng)的濾波器，為第1層的神經(jīng)元i的第j個(gè)對應(yīng)的權(quán)值，B^l為第1層的唯一偏移；

對于卷積層的輸出值，最終要添加sigmoid函數(shù)進(jìn)行非線性變換；

對于抽樣層，具體采用如下算法進(jìn)行計(jì)算：

$x_j^l=f({\mathrm{\β}}^l\underset{i=M_j}{\Σ}{x}_i^{l-1}+B^l)---\left(2\right);$

在式(2)中：β為第1層的可訓(xùn)練參數(shù)，B^l為可訓(xùn)練偏置，M_j為神經(jīng)元j對應(yīng)的濾波器，x_i為上一層的濾波器中的一個(gè)特征；

對于全鏈接層，直接采用多層人工神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行計(jì)算，具體算法如下：

在式(3)中，B^l為可訓(xùn)練偏置，x_i為上一層的濾波器中的一個(gè)特征,w_ji為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)i的權(quán)值，f(x)為sigmoid函數(shù)；

步驟D、待步驟C完成后，反向(即從后層向前層)依次計(jì)算各層的誤差項(xiàng)，具體按照以下步驟實(shí)施：

步驟a、計(jì)算輸出層的誤差，具體按照以下方法實(shí)施：

設(shè)定輸出層共有M個(gè)結(jié)點(diǎn)，則對輸出層的結(jié)點(diǎn)k的誤差項(xiàng)為：

δ_k＝(d_k-y_k)y_k(1-y_k) (4)；

在式(4)中：d_k為結(jié)點(diǎn)k的目標(biāo)輸出，y_k為結(jié)點(diǎn)k的預(yù)測輸出；

步驟b、經(jīng)步驟a后，計(jì)算中間全鏈接層的誤差，具體方法如下：

設(shè)定當(dāng)前層為第1層，共有L個(gè)結(jié)點(diǎn)，第1+1層共M個(gè)節(jié)點(diǎn)；

則對于第1層的節(jié)點(diǎn)j的誤差項(xiàng)具體如下：

${\mathrm{\δ}}_j=h_j(1-h_j)\underset{k=1}{\overset{M}{\Σ}}{\mathrm{\δ}}_k{W}_{jk}---\left(5\right);$

在式(5)中：h_j為結(jié)點(diǎn)j的輸出，w_jk為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，M為濾波器大小，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟c、經(jīng)步驟b后，對卷積層的誤差項(xiàng)進(jìn)行計(jì)算，具體算法與步驟b中涉及的算法相同，具體如下：

${\mathrm{\δ}}_j=h_j(1-h_j)\underset{k=1}{\overset{M}{\Σ}}{\mathrm{\δ}}_k{W}_{jk}---\left(5\right);$

在式(5)中：h_j為結(jié)點(diǎn)j的輸出，w_jk為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，M為濾波器大小，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟d、待步驟a～步驟c后，再從后層向前層逐層依次計(jì)算出各權(quán)值的調(diào)整量，即第n輪迭代的節(jié)點(diǎn)j的第k個(gè)所輸入的權(quán)向量的改變量，涉及的具體算法如下：

${\mathrm{\Δw}}_{jk}\left(n\right)=\frac{n}{1+N}\left({\mathrm{\Δw}}_{jk}\right(n-1)+1){\mathrm{\δ}}_k{h}_j---\left(6\right);$

在式(6)中，N為輸入變量個(gè)數(shù)，n為迭代層數(shù)，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)，h_j為結(jié)點(diǎn)j的輸出；

閥值改變量ΔB_k(n)具體按照以下算法經(jīng)計(jì)算獲得：

${\mathrm{\ΔB}}_k\left(n\right)=\frac{a}{1+N}\left({\mathrm{\ΔB}}_k\right(n-1)+1){\mathrm{\δ}}_k---\left(7\right);$

在式(7)中：a為迭代層數(shù)，N為輸入變量個(gè)數(shù)，n為迭代層數(shù)，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟e、經(jīng)步驟d后，調(diào)整各權(quán)值，以獲得更新后的權(quán)值w_jk(n+1)，具體按照以下算法實(shí)施：

w_jk(n+1)＝w_jk(n)+Δw_jk(n) (8)；

在式(8)中：w_jk(n)為第n層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，Δw_jk(n)為第n輪迭代的節(jié)點(diǎn)所輸入的權(quán)向量的改變量；

更新后的閥值B_k(n+1)具體按照以下算法經(jīng)計(jì)算獲得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (9)；

在式(9)中：B_k(n+1)為更新后的閥值，ΔB_k(n)為閥值的改變量；

步驟f，重復(fù)步驟b～步驟e，直到誤差函數(shù)小于設(shè)定的閥值；

其中，誤差函數(shù)E具體表示為如下形式：

$E=\frac{1}{2}\underset{k=1}{\overset{M}{\Σ}}{(d_k-y_k)}^2---\left(10\right);$

在式(10)中，d_k為d_k為結(jié)點(diǎn)k的目標(biāo)輸出，y_k為y_k為結(jié)點(diǎn)k的預(yù)測輸出，M為濾波器大小，k為節(jié)點(diǎn)數(shù)。

本發(fā)明的有益效果在于：

(1)本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，通過磁平衡式霍爾電流傳感器準(zhǔn)確感知合分閘線圈中的電流波形，并通過STM32F407、電源模塊、信息處理單元、4G通信模塊、Zigbee通信模塊、數(shù)據(jù)存儲(chǔ)單元等實(shí)現(xiàn)電流的A/D轉(zhuǎn)化、信號(hào)處理和數(shù)據(jù)通信等功能。

(2)本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，首先確定輸入/輸出設(shè)計(jì)，通過對10組數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入向量，進(jìn)行歸一化處理將故障類型進(jìn)行量化編碼；其次構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)故障類型預(yù)測模型。

(3)本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，用故障預(yù)測模型分析故障類型，將實(shí)時(shí)監(jiān)測到的分合閘線圈電流數(shù)據(jù)輸入到模型中即可得到故障類型。

綜上所述，與現(xiàn)有的方法相比：本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，在數(shù)據(jù)表示方式上能夠消除輸入數(shù)據(jù)中與學(xué)習(xí)任務(wù)無關(guān)因素的改變對學(xué)習(xí)性能的影響，同時(shí)保留學(xué)習(xí)任務(wù)中有用的信息；將其應(yīng)用在高壓斷路器故障診斷上，能更加準(zhǔn)確的判斷故障類型和進(jìn)行狀態(tài)維修。

附圖說明

圖1是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法中采用的分合閘線圈電流在線監(jiān)測系統(tǒng)的結(jié)構(gòu)示意圖；

圖2是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法中涉及的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；

圖3是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法的流程圖；

圖4是實(shí)施例1中涉及的合/分閘線圈電流的特性曲線。

圖中，1.單片機(jī)，2.電源模塊，3.信息處理單元，4.磁平衡式霍爾電流傳感器，5.4G通信模塊，6.Zibbee通信模塊，7.太陽能發(fā)電模塊，8.蓄電池，9.數(shù)據(jù)存儲(chǔ)單元，10.斷路器分合閘線圈。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，如圖3所示，具體按照以下步驟實(shí)施：

步驟1、先將磁平衡式霍爾電流傳感器4分別與斷路器分合閘線圈10、數(shù)據(jù)處理系統(tǒng)連接，構(gòu)建出分合閘線圈電流在線監(jiān)測系統(tǒng)；然后利用分合閘線圈電流在線監(jiān)測系統(tǒng)實(shí)時(shí)監(jiān)測得到的分合閘線圈電流數(shù)據(jù)，并將實(shí)時(shí)監(jiān)測得到的分合閘線圈電流數(shù)據(jù)作為輸入變量；

其中，構(gòu)建出的分合閘線圈電流在線監(jiān)測系統(tǒng)，其結(jié)構(gòu)如圖1所示，包括有單片機(jī)1，且單片機(jī)1的型號(hào)為STM32F407，單片機(jī)1分別與電源模塊2、信息處理單元3、4G通信模塊5、Zigbee通信模塊6、數(shù)據(jù)存儲(chǔ)單元9連接，電源模塊2分別與太陽能發(fā)電模塊7、蓄電池8連接，信息處理單元3的輸入端與磁平衡式霍爾電流傳感器4連接，磁平衡式霍爾電流傳感器4與斷路器分合閘線圈10連接；

通過電源模塊2和太陽能發(fā)電模塊7為整個(gè)分合閘線圈電流在線監(jiān)測系統(tǒng)提供電能，蓄電池8用來存儲(chǔ)多余的電量，以備不時(shí)之需，單片機(jī)1通過4G通信模塊5、Zigbee通信模塊6對外進(jìn)行通信，單片機(jī)1與信息處理單元3連接，信息處理單元3與磁平衡式霍爾電流傳感器4連接，磁平衡式霍爾電流傳感器4與斷路器分合閘線圈10連接，相互配合能夠?qū)Λ@取的電流數(shù)據(jù)，并對獲取的數(shù)據(jù)進(jìn)行處理，并將數(shù)據(jù)信息保存于數(shù)據(jù)存儲(chǔ)單元9內(nèi)。

步驟2、利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法構(gòu)建故障類型預(yù)測模型，將經(jīng)步驟1得到的一部分分合閘線圈電流數(shù)據(jù)輸入到構(gòu)建故障類型預(yù)測模型中進(jìn)行訓(xùn)練；

建立故障類型預(yù)測模型，具體按照以下方法實(shí)施：

建立卷積神經(jīng)網(wǎng)絡(luò)，首先要確定卷積過程，如圖2所示，具體按照以下方法實(shí)施：

卷積層(即C層)和抽樣層(即S層)；

首先確定濾波器的大小，采用卷積核Kernel_ij來對上一層濾波器的一個(gè)特征進(jìn)行加權(quán)得到x_i*Kernel_ij；之后對x_i*Kernel_ij進(jìn)行求和后加偏移，具體按照以下算法實(shí)施：

$x_j^l=f(\underset{i=M_j}{\Σ}{x}_i^{l-1}*{\mathrm{Kernel}}_{ij}^l+B^l)---\left(1\right);$

在式(1)中：x_i為上一層的濾波器中的一個(gè)特征，M_j為神經(jīng)元j對應(yīng)的濾波器，為第l層的神經(jīng)元i的第j個(gè)對應(yīng)的權(quán)值，B^l為第1層的唯一偏移；

抽樣層采用下采樣的方法確定，具體方法如下：

采用mean-pooling(均值池化)，首先將濾波器中的所有值求均值；然后將采樣出的信息乘以可訓(xùn)練參數(shù)，再加上可訓(xùn)練偏置，將得到的結(jié)果通過激活函數(shù)計(jì)算，即能得到神經(jīng)元的輸出；其中，激活函數(shù)采用sigmoid函數(shù)；

第一層的輸出算法具體如下：

$x_j^l=f({\mathrm{\β}}^l\underset{i=M_j}{\Σ}{x}_i^{l-1}+B^l)---\left(2\right);$

在式(2)中：β為第1層的可訓(xùn)練參數(shù)，B^l為可訓(xùn)練偏置，M_j為神經(jīng)元j對應(yīng)的濾波器；

對故障類型預(yù)測模型進(jìn)行訓(xùn)練，具體按照以下步驟實(shí)施：

步驟A、初始化權(quán)值，即將所有權(quán)值初始化為一個(gè)較小的隨機(jī)數(shù)，具體是將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)[0，1]；

步驟B、經(jīng)步驟A后，從訓(xùn)練集(以實(shí)施例1為例將其中的五組數(shù)據(jù)作為訓(xùn)練集)中提取一個(gè)樣例X，并將該樣例X輸入到卷積神經(jīng)網(wǎng)絡(luò)中，并給出它的目標(biāo)輸出向量，并將其記作D；

步驟C、經(jīng)步驟B后，從前層向后層依次計(jì)算，得到卷積神經(jīng)網(wǎng)絡(luò)的輸出值Y，對于各個(gè)層的計(jì)算方法具體如下：

對于卷積層，采用如下算法進(jìn)行計(jì)算：

$x_j^l=f(\underset{i=M_j}{\Σ}{x}_i^{l-1}*{\mathrm{Kernel}}_{ij}^l+B^l)---\left(1\right);$

在式(1)中：x_i為上一層的濾波器中的一個(gè)特征，M_j為神經(jīng)元j對應(yīng)的濾波器，為第1層的神經(jīng)元i的第j個(gè)對應(yīng)的權(quán)值，B^l為第1層的唯一偏移；

對于卷積層的輸出值，最終要添加sigmoid函數(shù)進(jìn)行非線性變換；

對于抽樣層，具體采用如下算法進(jìn)行計(jì)算：

$x_j^l=f({\mathrm{\β}}^l\underset{i=M_j}{\Σ}{x}_i^{l-1}+B^l)---\left(2\right);$

在式(2)中：β為第1層的可訓(xùn)練參數(shù)，B^l為可訓(xùn)練偏置，M_j為神經(jīng)元j對應(yīng)的濾波器，x_i為上一層的濾波器中的一個(gè)特征；

對于全鏈接層，直接采用多層人工神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行計(jì)算，具體算法如下：

在式(3)中，B^l為可訓(xùn)練偏置，x_i為上一層的濾波器中的一個(gè)特征,w_ji為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)i的權(quán)值，f(x)為sigmoid函數(shù)；

步驟D、待步驟C完成后，反向(即從后層向前層)依次計(jì)算各層的誤差項(xiàng)，具體按照以下步驟實(shí)施：

步驟a、計(jì)算輸出層的誤差，具體按照以下方法實(shí)施：

設(shè)定輸出層共有M個(gè)結(jié)點(diǎn)，則對輸出層的結(jié)點(diǎn)k的誤差項(xiàng)為：

δ_k＝(d_k-y_k)y_k(1-y_k) (4)；

在式(4)中：d_k為結(jié)點(diǎn)k的目標(biāo)輸出，y_k為結(jié)點(diǎn)k的預(yù)測輸出；

步驟b、經(jīng)步驟a后，計(jì)算中間全鏈接層的誤差，具體方法如下：

設(shè)定當(dāng)前層為第1層，共有L個(gè)結(jié)點(diǎn)，第1+1層共M個(gè)節(jié)點(diǎn)；

則對于第1層的節(jié)點(diǎn)j的誤差項(xiàng)具體如下：

${\mathrm{\δ}}_j=h_j(1-h_j)\underset{k=1}{\overset{M}{\Σ}}{\mathrm{\δ}}_k{W}_{jk}---\left(5\right);$

在式(5)中：h_j為結(jié)點(diǎn)j的輸出，w_jk為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，M為濾波器大小，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟c、經(jīng)步驟b后，對卷積層的誤差項(xiàng)進(jìn)行計(jì)算，具體算法與步驟b中涉及的算法相同，具體如下：

${\mathrm{\δ}}_j=h_j(1-h_j)\underset{k=1}{\overset{M}{\Σ}}{\mathrm{\δ}}_k{W}_{jk}---\left(5\right);$

在式(5)中：h_j為結(jié)點(diǎn)j的輸出，w_jk為第l層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，M為濾波器大小，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟d、待步驟a～步驟c后，再從后層向前層逐層依次計(jì)算出各權(quán)值的調(diào)整量，即第n輪迭代的節(jié)點(diǎn)j的第k個(gè)所輸入的權(quán)向量的改變量，涉及的具體算法如下：

${\mathrm{\Δw}}_{jk}\left(n\right)=\frac{n}{1+N}\left({\mathrm{\Δw}}_{jk}\right(n-1)+1){\mathrm{\δ}}_k{h}_j---\left(6\right);$

在式(6)中，N為輸入變量個(gè)數(shù)，n為迭代層數(shù)，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)，h_j為結(jié)點(diǎn)j的輸出；

閥值改變量ΔB_k(n)具體按照以下算法經(jīng)計(jì)算獲得：

${\mathrm{\ΔB}}_k\left(n\right)=\frac{a}{1+N}\left({\mathrm{\ΔB}}_k\right(n-1)+1){\mathrm{\δ}}_k---\left(7\right);$

在式(7)中：a為迭代層數(shù)，N為輸入變量個(gè)數(shù)，n為迭代層數(shù)，δ_k為節(jié)點(diǎn)j的誤差項(xiàng)；

步驟e、經(jīng)步驟d后，調(diào)整各權(quán)值，以獲得更新后的權(quán)值w_jk(n+1)，具體按照以下算法實(shí)施：

w_jk(n+1)＝w_jk(n)+Δw_jk(n) (8)；

在式(8)中：w_jk(n)為第n層的結(jié)點(diǎn)j到第l+1層的節(jié)點(diǎn)k的權(quán)值，Δw_jk(n)為第n輪迭代的節(jié)點(diǎn)所輸入的權(quán)向量的改變量；

更新后的閥值B_k(n+1)具體按照以下算法經(jīng)計(jì)算獲得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (9)；

在式(9)中：B_k(n+1)為更新后的閥值，ΔB_k(n)為閥值的改變量；

步驟f，重復(fù)步驟b～步驟e，直到誤差函數(shù)小于設(shè)定的閥值；

其中，誤差函數(shù)E具體表示為如下形式：

$E=\frac{1}{2}\underset{k=1}{\overset{M}{\Σ}}{(d_k-y_k)}^2---\left(10\right);$

在式(10)中，d_k為d_k為結(jié)點(diǎn)k的目標(biāo)輸出，y_k為y_k為結(jié)點(diǎn)k的預(yù)測輸出，M為濾波器大小，k為節(jié)點(diǎn)數(shù)。

步驟3、將經(jīng)步驟1得到的一部分分合閘線圈電流數(shù)據(jù)輸入到經(jīng)步驟2訓(xùn)練好的故障類型預(yù)測模型中，由故障類型預(yù)測模型對輸入的分合閘線圈電流數(shù)據(jù)進(jìn)行處理，完成對高壓斷路器故障檢測。

實(shí)施例

以t0為命令時(shí)間的零點(diǎn)提取故障特征參數(shù)I1，I2，I3，t1，t2，t3，t4，t5對斷路器進(jìn)行狀態(tài)監(jiān)測，獲取十組故障樣本數(shù)據(jù)，這十組故障樣本數(shù)據(jù)包括機(jī)構(gòu)正常(A)、操作電壓過低(B)、合閘鐵心開始階段由卡澀(C)、操作機(jī)構(gòu)有卡澀(D)及合閘鐵心空行程太大(E)，數(shù)據(jù)采集狀況具體如表1所示；

表1故障樣本數(shù)據(jù)

合/分閘線圈電流的特性曲線如圖4所示，可知：

(1)階段Ⅰ，t＝t0～t1；線圈在t0時(shí)刻開始通電，到t1時(shí)刻鐵心開始運(yùn)動(dòng)；t0為斷路器分、合閘命令下達(dá)時(shí)刻，是斷路器分、合動(dòng)作計(jì)時(shí)起點(diǎn)；T1為線圈中電流、磁通上升到足以驅(qū)動(dòng)鐵心運(yùn)動(dòng)，即鐵心開始運(yùn)動(dòng)的時(shí)刻；這一階段的特點(diǎn)是電流呈指數(shù)上升，鐵心靜止；這一階段的時(shí)間與控制電源電壓及線圈電阻有關(guān)。

(2)階段Ⅱ，t＝t1～t2；在這一階段，鐵心開始運(yùn)動(dòng)，電流下降；t2為控制電流的谷點(diǎn)，代表鐵心已經(jīng)觸動(dòng)操作機(jī)械的負(fù)載而顯著減速或停止運(yùn)動(dòng)。

(3)階段Ⅲ，t＝t2～t3；這一階段鐵心停止運(yùn)動(dòng)，電流又呈指數(shù)上升。

(4)階段Ⅳ，t＝t3～t4；這一階段是階段Ⅲ的延續(xù)，電流達(dá)到近似的穩(wěn)態(tài)。

(5)階段Ⅴ，t＝t4～t5；電流開斷階段，此階段輔助開關(guān)分?jǐn)?，在輔助開關(guān)觸頭間產(chǎn)生電弧并被拉長，電弧電壓快速升高，迫使電流迅速減小，直到熄滅。

分析電流波形可知，t0～t1時(shí)間電流可以反映線圈的狀態(tài)(如：電阻是否正常)。t＝t1～t2時(shí)間電流的變化表征鐵心運(yùn)動(dòng)結(jié)構(gòu)有無卡澀，脫扣、釋能機(jī)械負(fù)載變動(dòng)的情況；t2一般是動(dòng)觸頭開始運(yùn)動(dòng)時(shí)刻，從t2以后是機(jī)構(gòu)通過傳動(dòng)系統(tǒng)帶動(dòng)動(dòng)觸頭分、合閘的過程，即動(dòng)觸頭運(yùn)動(dòng)的過程；t4為斷路器的輔助觸點(diǎn)切斷的時(shí)刻；t0～t4時(shí)間電流的變化可以反映機(jī)械操動(dòng)機(jī)構(gòu)傳動(dòng)系統(tǒng)的工作情況。

故障類型的輸出采用進(jìn)制數(shù)來表示，具體如表2所示：

表2故障類型輸出表示

本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法正確率為96.6％。

本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測方法，采用卷積神經(jīng)網(wǎng)絡(luò)分析故障特征信號(hào)，在彌補(bǔ)人工神經(jīng)網(wǎng)絡(luò)檢測的不足的同時(shí)，能更加準(zhǔn)確有效地判斷斷路器的故障類型，進(jìn)而能夠有效率的檢修。