[发明专利]一种配电柜故障识别方法

说明书

本发明公开了一种配电柜故障识别方法，该方法采用人工智能算法，也就是给予极限学习机的人工神经网络对配电箱超声波信号进行分析，以此对配电柜故障识别进行识别。本方法提出的识别模型在检测和识别各种类型的配电柜故障方面具有较高的准确性。此外，用于配电柜故障识别的模型能够在训练和验证过程之后提供准确的配电柜故障识别。本发明所提供的配电柜故障识别方法具有较强的可扩展性，可在其他配电柜条件下进行测试和复制，大大提高了本发明的使用范围，避免了人工经验判断带来的数据分析不准确的问题。

技术领域

本发明涉及电气设备故障识别领域，尤其是一种基于极限学习机超声分析技术的配电柜故障识别方法。

背景技术

许多配电柜故障是由设备逐渐退化引起的，如绝缘体、开关和连接器。在初步阶段这些故障会产生超声波检测系统可检测到的频率范围(20千赫(kHz)至100千赫)内的噪声。因此，可以适当地使用超声波检查系统，以确保足够早地检测到电气故障，从而防止灾难性或意外的故障。超声波检测允许检查人员立即听到通常无法看到的生成信号。某些配电柜故障所产生的后果是维护人员可能会注意到现象，例如碳沉积物和绝缘板的浅棕色变色。而未被发现的配电柜故障通常会导致绝缘体进一步劣化，并导致跟踪，最终导致严重的后果。

目前，传统基于配电柜状态的超声维护诊断测试一般要求测试人员人工解释测试结果。不同的测试人员可能会对检测到的超声给出不同的意见或解释。由于依赖于测试人员的经验，这会导致错误的状态识别。

发明内容

为了解决上述技术问题，本发明提供了一种配电柜故障识别方法，其特殊之处在于，包含以下步骤：

(1)在待测配电柜上安装超声波传感器；

(2)使配电柜在正常状态下运行，使用超声波传感器采集超声波波形信号；

(3)将采集到的超声波波形信号转换成人工神经网络可读的矩阵，得到超声波信号矩阵；

(4)将超声波信号矩阵进行归一化处理，得到超声波信号的特征矩阵；

(5)使配电柜在不同故障状态下运行，使用超声波传感器采集超声波信号，并按步骤(3)～步骤(4)所述方法构建超声波信号的特征矩阵；

(6)利用步骤(3)～步骤(5)所述方法构建超声波信号的特征矩阵为元素，建立配电柜运行状态数据库；

(7)以配电柜运行状态数据库中超声波信号的特征矩阵作为输入值，以超声波信号所对应的运行状态为输出值，进行人工神经网络的训练，并得到训练好的配电柜故障识别人工神经网络

(8)利用训练好的配电柜故障识别人工神经网络进行配电柜故障识别，在待测配电柜上安装超声波传感器，并使用超声波传感器采集待测配电柜的超声波信号，并按步骤(3)～步骤(4)所述方法构建超声波信号的特征矩阵，并将其作为输入值输入训练好的配电柜故障识别人工神经网络，得到的输出值所对应的配电柜运行状态就是当前配电柜的运行状态。

进一步地，所述步骤(2)中超声波波形信号的文件格式为音频层-3格式、动态图像专家组格式或波形音频格式中的一种。

进一步地，所述步骤(3)中将采集到的超声波波形信号转换成人工神经网络可读的矩阵的方法为利用MATLAB软件中的wavread函数对超声波波形信号进行处理得到人工神经网络可读的矩阵。

进一步地，所述步骤(7)中人工神经网络包括输入层、隐含层和输出层，所述输入层用于接收超声波信号的特征矩阵，所述输出层用于输出超声波信号所对应的运行状态，所述隐含层的激活函数为高斯sigmoid激活函数或径向基函数，所述隐藏层中神经元的数量为10000，所述隐含层输出权重矩阵为W,计算W后计算人工神经网络的准确率R，

R＝N_C/N