技術(shù)特征：

1.基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測(cè)方法，其特征在于，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(cè)系統(tǒng)；然后利用分合閘線圈電流在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)得到的分合閘線圈電流數(shù)據(jù)，并將實(shí)時(shí)監(jiān)測(cè)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(lèi)型預(yù)測(cè)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(lèi)型預(yù)測(cè)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(lèi)型預(yù)測(cè)模型中，由故障類(lèi)型預(yù)測(cè)模型對(duì)輸入的分合閘線圈電流數(shù)據(jù)進(jìn)行處理，完成對(duì)高壓斷路器故障檢測(cè)。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測(cè)方法，其特征在于，所述步驟1中構(gòu)建出的分合閘線圈電流在線監(jiān)測(cè)系統(tǒng)，其結(jié)構(gòu)為，包括有單片機(jī)(1)，所述單片機(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；

所述電源模塊(2)分別與太陽(yáng)能發(fā)電模塊(7)、蓄電池(8)連接；

所述信息處理單元(3)的輸入端與磁平衡式霍爾電流傳感器(4)連接。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測(cè)方法，其特征在于，所述單片機(jī)(1)的型號(hào)為STM32F407。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測(cè)方法，其特征在于，在所述步驟2中，建立故障類(lèi)型預(yù)測(cè)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(guò)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(lái)對(duì)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(duì)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(duì)應(yīng)的濾波器，為第l層的神經(jīng)元i的第j個(gè)對(duì)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(guò)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(duì)應(yīng)的濾波器。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障檢測(cè)方法，其特征在于，在所述步驟2中，對(duì)故障類(lèi)型預(yù)測(cè)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(duì)于各個(gè)層的計(jì)算方法具體如下：

對(duì)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(duì)應(yīng)的濾波器，為第1層的神經(jīng)元i的第j個(gè)對(duì)應(yīng)的權(quán)值，B^l為第1層的唯一偏移；

對(duì)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(duì)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(duì)應(yīng)的濾波器，x_i為上一層的濾波器中的一個(gè)特征；

對(duì)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(duì)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(cè)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(duì)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(duì)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?gòu)暮髮酉蚯皩又饘右来斡?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(cè)輸出，M為濾波器大小，k為節(jié)點(diǎn)數(shù)。