[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

说明书

本发明公开了一种基于卷积神经网络的识别高压开关柜热故障状态的方法，高压开关柜安全运行技术领域，通过连续采集高压开关柜柜体温度原始数据等，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，多种原始数据经过时间分段处理形成特征参数数据集作为卷积神经网络输入层，卷积神经网络经过反向传播优化和样本数据集训练，形成作为分类器来识别高压开关柜热故障状态，实现对开关柜故障状态和正常状态的识别。从而解决了现有通过非接触测温法对高压开关柜柜体进行红外测温不能够直接指示出柜内发热部件和发热类型等热故障状态的缺点，实现以高压开关柜柜体温度识别热故障状态。

技术领域

本发明涉及高压开关柜安全运行技术领域，尤其涉及一种基于卷积神经网络的通过高压开关柜柜体温度识别高压开关柜热故障状态的人工智能方法。

背景技术

高压开关柜是由断路器、负荷开关、接触器、熔断器和各类开关、各类互感器，以及控制、测量、保护、调节装置等组合而成的成套配电装置。主要功能是根据供电要求合理准确地分配电能。

高压开关柜为金属封闭式结构，一旦内部部件出现过热问题，极易引发连锁反应，使柜内热量快速聚集引发火灾事故。高压开关柜小型化趋势明显，且用电设备负荷不断增加，也引得高压开关柜发热问题激增。因柜内温度过高且没有及时发现、处理过热故障，而引发的绝缘失效事故也频繁发生，对用电单位产生不良影响，对国民经济造成损失。

对高压开关柜柜体进行红外测温的非接触测温法，相较于向柜内布置大量探头和测量线的接触式测温法，安全性较高，方便快捷，但不能够直接指示出柜内发热部件和发热类型等热故障状态。需在开关柜热故障状态与柜体温度变化之间建立一套映射关系，以柜体温度推断出开关柜热故障状态，才有利于运行维护人员及时发现和处理柜内发热故障。而高压开关柜发热的环境影响因素十分复杂，且柜内热量传导过程不明确，高压开关柜内部件发热与柜体温度之间尚没有准确的广泛适用的函数变换关系。人工智能神经网络具有非线性大规模自适应能力、良好的非线性映射能力、自学习适应能力，对上述高压开关柜发热故障识别问题具有特别的优势。

因此，本发明基于卷积神经网络，设计出一套的用于建立高压开关柜热故障状态与柜体温度关系的人工智能方法，对高压开关柜发热故障的判别和检修工作具有重要意义。

发明内容

本发明的目的在于提供一种基于卷积神经网络的识别高压开关柜热故障状态的方法，从而克服了现有通过非接触测温法对高压开关柜柜体进行红外测温不能够直接指示出柜内发热部件和发热类型等热故障状态的缺点。

为实现上述目的，本发明提供了一种基于卷积神经网络的识别高压开关柜热故障状态的方法，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、将每一类所述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；

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。

进一步的，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：