[发明专利]基于DBN-GA神经网络的高压断路器故障检测方法

说明书

本发明公开的基于DBN‑GA神经网络的高压断路器故障检测方法，具体按照如下过程：将在线监测系统监测的电流数据，作为输入变量；然后，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，将一部分电流数据样本提取到构建该模型并进行训练；经过对受限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；最后将所有的数据输入到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。本发明公开的方法在弥补人工神经网络检测的不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。

技术领域

本发明属于高压断路器检测方法技术领域，涉及一种基于DBN-GA神经网络的高压断路器故障检测方法。

背景技术

高压断路器是电力系统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。高压断路器能在系统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。合分闸线圈中的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检测的方法有很多，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。

深度信念神经网络(DBN)是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。不仅可以识别特征、分类数据，还可以用它来生成数据，但是由于其学习过程太过单一，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)来优化深度信念神经网络可以解决这一问题，并且使其权重更新直到所设定误差范围之内，提高诊断的准确率，该方法很好的应用在断路器故障诊断方面。

发明内容

本发明的目的是提供一种基于DBN-GA神经网络的高压断路器故障检测方法，采用深度信念网络分析故障特征信号，结合遗传算法进行优化，在弥补人工神经网络检测不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。

本发明所采用的技术方案是，基于DBN-GA神经网络的高压断路器故障检测方法，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。

本发明的其他特点还在于，