[发明专利]基于DBN-GA神经网络的高压断路器故障检测方法

权利要求书

1.基于DBN-GA神经网络的高压断路器故障检测方法，其特征在于，具体按照如下步骤进行：

步骤1.首先，连接好分合闸线圈电流在线监测系统，然后利用分合闸线圈电流在线监测系统实时监测得到的分合闸线圈电流数据，并将实时监测得到的分合闸线圈电流数据作为输入变量；

步骤2.利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将经步骤1得到的一部分分合闸线圈电流数据样本输入至该模型并进行训练；经过对限制玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；步骤2的具体操作过程如下：

步骤2.1首先充分训练第一个RBM：

从训练集中提取一组数据X，将X附给显层V⁽⁰⁾，并且计算它使隐层神经元被开启的概率：

式中，V⁽⁰⁾是显元，W_j是权重，是隐元；

从公式1中抽取一个隐层的样本：

h⁽⁰⁾～P(h⁽⁰⁾|V⁽⁰⁾) (2)

式中h⁽⁰⁾是隐元，V⁽⁰⁾是显元，P是公式1所得概率；

用h⁽⁰⁾重构显层

式中，V_i⁽¹⁾是显元，是权重，h⁽⁰⁾是隐元；

同样，从公式3中再次抽取显层的样本：

V⁽¹⁾～P(V⁽¹⁾|h⁽⁰⁾) (4)

式中，V⁽¹⁾是显元，h⁽⁰⁾是隐元；

用重构之后的显元计算隐元被开启的概率：

式中，V⁽¹⁾是显元，W_j是权重，是隐元；

步骤2.2更新权重：

W←W+λ(P(h⁽⁰⁾＝1|V⁽⁰⁾)V^(0)T-P(h⁽¹⁾＝1|V⁽¹⁾)V^(1)T (6)

步骤2.3固定第一个RBM的权重和误差，然后使用其隐性神经元的状态，作为第二个RBM的输入向量，按照步骤2.1和2.2继续训练，充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方，重复以上步骤2.1至2.3任意多次，RBM输出；

步骤2.4判断RBM输出的误差是否低于高压断路器故障诊断模型所设定的误差值，如果低于设定的误差值，则输出深度信念神经网络模型；如果大于或等于设定的误差值，则进行步骤2.5，然后返回执行上述步骤2.1至2.4；

步骤2.5对遗传算法误差进行反传；

步骤3.将经步骤1得到的所有分合闸线圈电流数据输入到经步骤2训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。

2.如权利要求1所述的基于DBN-GA神经网络的高压断路器故障检测方法，所述步骤1中采用的分合闸线圈电流在线监测系统结构包括主控装置的单片机(1)，所述单片机(1)分别连接电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通信模块(6)和数据存储单元(9)；所述电源模块(2)分别连接太阳能发电模块(7)和蓄电池(8)，所述电源模块(2)和所述太阳能发电模块(7)为整个分合闸线圈电流在线监测系统提供电能，所述蓄电池(8)用来存储多余的电量；所述信息处理单元(3)的输入端与磁平衡式霍尔电流传感器(4)连接，所述磁平衡式霍尔电流传感器(4)的输入端连接断路器分合闸线圈(10)，用以相互配合获取电流数据，并将获取的数据发送给所述信息处理单元(3)进行处理，所述信息处理单元(3)将数据信息保存于所述数据存储单元(9)内。