[发明专利]一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法

权利要求书

1.一种基于小波神经网络的电能质量监测和电器故障分析系统的分析方法，其特征在于，包括主控系统、智能断路器，

所述智能断路器包括第一中央处理器及与所述第一中央处理器连接的第一电源模块、开关、第一总线模块、电压电流传感器，所述第一电源模块连接所述开关；

所述电压电流传感器用于获取电网中的电流信号，所述第一中央处理器用于向所述第一总线模块发出指令，命令所述第一总线模块将获取的电流信号发送至所述主控系统；所述第一总线模块用于将获取的电流信号发送至所述主控系统，所述第一电源模块用于实现所述智能断路器的供电；

所述主控系统包括第二中央处理器及与所述第二中央处理器连接的第二电源模块、供电模块、第二总线模块，所述第二电源模块连接所述供电模块，所述第二中央处理器用于通过训练好的小波神经网络计算获得电流信号的谐波信息；所述第二电源模块用于实现所述主控系统的供电；所述供电模块用于向所述第二电源模块供电；所述第二总线模块用于接收所述智能断路器发送的电流信号至所述第二中央处理器，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值；包括步骤如下：

(1)所述智能断路器通过所述电压电流传感器获取电网中的电流信号，并将电流信号实时通过所述第二总线模块发送至所述主控系统；

(2)所述主控系统通过所述第二总线模块接收步骤(1)发送过来的电流信号，通过训练好的小波神经网络计算获得电流信号的谐波信息，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值；

(3)电能质量监测：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电能质量模型中的任一模型进行逐一比对，计算谐波信息与电能质量模型中任一模型的相似度，当相似度超过75％时，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型，当某谐波信息与电能质量模型中多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定问题类型；

当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知问题类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电能质量合格；

(4)电器故障分析：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电器故障模型中的任一模型进行逐一比对，计算谐波信息与该模型的相似度，当相似度超过75％时，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型；当某谐波信息与多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定故障类型；

当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知故障类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电器正常；

(5)所述主控系统将步骤(3)及步骤(4)得到的判定结果传递至远端服务器，由服务器存储，用户实时查看信息；

步骤(2)中所述小波神经网络构建步骤如下：

a、选取Morlet小波函数

Morlet小波函数ψ₀(t)如式(Ⅰ)所示：

式(Ⅰ)中，t为时间，ω0是无量纲频率；

b、信号分解

智能断路器获取的电流信号分解为一系列不同尺度和不同时移的小波基函数的线性组合,其中每一项的系数称为小波系数,小波系数的求取公式如式(Ⅱ)所述：

式(Ⅱ)中，a是尺度因子，τ是时间位移，WT_f(a,τ)指代小波系数，ω是无量纲频率，Ψ^*(aω)是对以尺度a对频率ω进行Morlet小波变换后的信号取共轭复数，F(ω)是信号的傅里叶变换；

c、构建小波神经网络

所述小波神经网络包括输入层、隐藏层、输出层；

所述输入层包括n个神经元，接收训练数据集，训练数据集是指(x、y、z、w),x＝{x(1)，x(2)，…x(i)…，x(n)}，y＝{y(1)，y(2)，…y(i)…，y(n)}，z＝{z(1)，z(2)，…z(i)…，z(n)}，w＝{w(1)，w(2)，…w(i)…，w(n)}，x(i)表示第i个采样点对应的时刻，y(i)表示第i个采样点对应的时移，z(i)表示第i个采样点对应的尺度因子，w(i)表示第i个采样点对应的电流幅值，n是指采样点的总数；

所述隐藏层神经元由Morlet小波函数构建激活函数，隐藏层包括n+1个神经元，所述激活函数ψ(i)如式(Ⅲ)所述：

所述输出层包括n个神经元，输出值为表示第i个采样点由所述小波神经网络计算所得的电流幅值；

d、更新权重

采用交叉熵损失函数计算所述小波神经网络的反向传播误差，将此误差值传回所述小波神经网络内部，据此修正并更新所述小波神经网络层间的权重，所述小波神经网络通过不断学习更新权重，获取更精确的输出结果，得到训练好的小波神经网络。