[发明专利]基于卷积神经网络的识别高压开关柜热故障状态的方法

权利要求书

1.基于卷积神经网络的识别高压开关柜热故障状态的方法，其特征在于：以卷积神经网络为核心学习算法，形成由柜体表面温度数据、开关柜运行数据和环境数据到热故障类型分类的映射，来识别高压开关柜热故障状态；包括以下步骤：

步骤1、连续采集高压开关柜柜体温度原始数据和高压开关柜运行电流原始数据及高压开关柜所处的环境温度、湿度数据；

步骤2、将每一类原始连续数据按时间间隔进行分段处理，计算得到若干个间接数据作为提取的特征参数构成特征向量数据集；根据所述原始连续数据的来源和用途的差异，将所述特征向量数据集分为训练模式数据集和识别模式数据集；

训练模式数据集来源于训练样本原始数据，选取的是热故障状态发生时固定时间段数据，而识别模式数据集则能够获取的是实时原始数据，当时间分割间隔dt=10s和分段数i=60固定时，为保证特征参数数据集不会无限扩大，需要用最新的600s至610s分段数据特征向量更新该数据集，即删除原0s至10s的分段数据特征参数向量，即删除特征参数数据集的第一列，而将最新的600s至610s分段数据特征向量补充到特征参数数据集的最后一列，特征参数数据集的数据长度仍保持为1×60×6；

步骤3、建立一个基于卷积神经网络的输入输出分类结构，所述基于卷积神经网络的输入输出分类结构能够进行前向和反向传播；所述基于卷积神经网络的输入输出分类结构采用所述训练模式数据集进行网络训练，对所述识别模式数据集进行高压开关柜热故障状态分类，将高压开关柜热故障状态分类结果作为基于卷积神经网络的输入输出分类结构的输出结果；

步骤4、将新采集的高压开关柜柜体温度原始数据和高压开关柜运行电流原始数据及高压开关柜所处的环境温度、湿度数据通过所述卷积神经网络输入输出分类结构输出得到高压开关柜热故障类别。

2.根据权利要求1所述的基于卷积神经网络的识别高压开关柜热故障状态的方法，其特征在于：所述步骤2中，所述的提取特征参数构成特征向量数据集方法包括以下步骤：

将每一类所述原始连续数据按分割时间间隔dt进行分割，得到分段原始数据，所述分段原始数据为时间分段数据，每个所述分段原始数据的开始时刻和结束时刻的数值均保留；

根据每个所述分段原始数据计算得到的时间间接数据作为特征向量，

若所述原始数据的分段数为i，则得到的特征参数向量数据集IN为1×i×6数组。

3.根据权利要求1所述的基于卷积神经网络的识别高压开关柜热故障状态的方法，其特征在于：所述步骤2中，所述识别模式数据集为：所述识别模式数据集根据实时原始数据不断更新，且不会无限扩大；当分割时间间隔dt和原始数据的分段数i固定时，一旦产生新数据，则将最新分段的特征参数向量补充到所述识别模式数据集的最后一列，并删除所述识别模式数据集的第一列，使所述识别模式数据集得到更新且数据长度不变。

4.根据权利要求1所述的基于卷积神经网络的识别高压开关柜热故障状态的方法，其特征在于：所述步骤3中，所述基于卷积神经网络的输入输出分类结构包括：前向传播过程网络中的多层卷积层、池化层和全连接层的网络结构，反向传播过程中能够进行损失函数评估和网络参数优化。

5.根据权利要求1所述的基于卷积神经网络的识别高压开关柜热故障状态的方法，其特征在于：所述步骤3中，所述基于卷积神经网络的输入输出分类结构采用所述训练模式数据集进行网络训练包括以下步骤：

步骤31、初始化训练网络，用小随机数初始化所述卷积神经网络中的训练参数，设置结果输出向量；

步骤32、将所述训练模式数据集输入到初始化后的卷积神经网络中，进行前向传播，输出网络分类结果；计算网络分类结果向量和样本真实情况结果向量的损失函数值；

步骤33、采用梯度下降算法，计算卷积神经网络中各层损失函数梯度值，用梯度值与原参数相乘来更新网络参数进行反向传播；

步骤34、多次重复步骤33和步骤34，对网络参数进行调优，使损失函数值最小；

步骤35、将多个所述训练模式数据集作为输入数据，重复所述步骤31至步骤34，当热故障状态识别准确率保持稳定且较高时，确定网络参数，完成网络训练。