[发明专利]基于并行长短时记忆神经网络的识别开关柜故障的方法

摘要

本发明公开了一种基于并行长短时记忆神经网络的识别开关柜故障的方法，包括：(1)可听声信号与超声波信号采集和处理；(2)将可听声信号生成的训练数据集和超声波信号生成的训练数据集放入具有并行互馈结构的LSTM网络模型中训练，得到识别模型；(3)利用传感器采集可听声数据和超声波数据，对开关柜进行在线监听；(4)将实时采集的数据放入训练好的LSTM网络模型中识别并得出预测结果，判断开关柜故障。本发明可节约运算资源，提高识别能力，提高开关柜故障判断的准确程度，从而使配电网更加高效和智能。

主权项

1.一种基于并行长短时记忆神经网络的识别开关柜故障的方法，包括建立识别模型和在线监听，其特征在于，

所述建立识别模型包括以下步骤：

步骤1‑1，利用超声波传感器采集开关柜正常工作状态时的超声波信号、发生局部放电状态时的超声波信号、发生绝缘破坏状态时的超声波信号；

步骤1‑2，对超声波传感器输出的电压信号进行放大、A/D转换，并采样和分帧，对样本进行数据存储及类别标志，形成训练数据集1；

步骤1‑3，利用可听声传感器采集开关柜正常工作状态时的可听声信号、发生局部放电状态时的可听声信号、发生绝缘破坏状态时的可听声信号；

步骤1‑4，对可听声信号进行放大，采样、A/D转换，对样本进行数据存储及类别标志；

步骤1‑5，对可听声信号进行分帧和加窗，然后进行Zernike矩阵计算的Mel谱参数，并结合其他辅助特征组成特征集合，对特征集合及其方差进行统计函数计算，形成训练数据集2，所述辅助特征包括短时平均能量、短时平均幅度函数、短时平均过零率、短时自相关函数、MFCC梅尔倒谱相关参数、共振峰相关参数、线谱对LSP参数、基音频率，所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距；

步骤1‑6，搭建具有并行互馈结构的长短时记忆神经网络模型；

步骤1‑7，将所述步骤1‑2中得到的训练数据集1和所述步骤1‑5中得到的训练数据集2放入所述步骤1‑6的具有并行互馈结构的长短时记忆神经网络模型中训练，得出开关柜正常工作状态时、局部放电状态时、绝缘破坏故障状态时的三套训练参数，建立开关柜故障识别模型；

所述在线监听包括以下步骤：

步骤2‑1，使用可听声信号采集传感器和超声波传感器在线采集信号，对超声波传感器传出的电压信号进行信号放大、A/D转换、采样和分帧形成识别数据集1；对可听声信号进行放大、采样、A/D转换，按照所述步骤1‑5进行特征提取、统计函数计算，形成识别数据集2；

步骤2‑2，将识别数据集1和识别数据集2放入所述步骤1‑7训练好的具有并行互馈结构的长短时记忆神经网络模型中进行识别，以判断当前开关柜的状态。

2.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤1‑2中的采样频率为160KHz，采样时长为1s，帧长为30ms，每类状态采集样本数为600个；所述步骤1‑4中的采样频率为48KHz，采样时长为1s，每类状态采集样本数为600个。

3.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤1‑5中的帧长为30ms，窗函数使用汉明窗。

4.根据权利要求1所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤2‑1中对超声波传感器传出的电压信号进行采样的采样频率为160KHz，采样时长为1s；所述步骤2‑1中对可听声信号进行采样的采样频率为48KHz，采样时长为1s。

5.根据权利要求1～4中任一项所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤1‑5中进行Zernike矩阵计算的Mel谱参数为1‑10阶，所述进行Zernike矩阵计算的Mel谱参数的计算方法包括：

步骤1‑5‑1，首先对输入的可听声信号s进行加窗分帧处理，得到分帧后的数据S(i，h)，i表示帧数，h表示帧长，此处为30ms，窗函数使用汉明窗；

步骤1‑5‑2，对获得的每一帧数据进行短时傅立叶变换，得到S(i，k)；

步骤1‑5‑3，计算谱线能量，即对S(i，k)取模后在算其平方值，然后将所得谱线能量通过Mel滤波器，求取Mel谱能量，对数化后即可获得能量参数E(i，k)，k表示频域中的第k条谱线；

步骤1‑5‑4，对所获得的能量参数E(i，k)进行Zernike矩计算：

式中t_uv＝∑∑i^uk^vE(i,k)，u,v＝0,1,2…，θ为轴x与ρ矢量在逆时针方向的夹角；p，q为正交多项式的阶数，p是非负整数，p‑|q|是偶数，并且p≥|q|；

R_pq(ρ)为点(x，y)的径向多项式，形式：

V_pq(x，y)为Zernike正交多项式，形式：

V_pq(x,y)＝V_pq(ρ,θ)＝R_pq(ρ)e^jqθ

接着对获得的参数Z_pq(i，k)进行DCT变化去除相关性

m是指第m个Mel滤波器，所述Mel滤波器共有M个，n是DCT后的谱线；

最后将Z_pq(i，k)与Z_DCT(n)组合获得最终的进行Zernike矩阵计算的Mel谱参数特征，计算第一阶到第十阶的参数。

6.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤1‑1中超声波信号采集使用压电式超声波传感器。

7.根据权利要求5所述的基于并行长短时记忆神经网络的识别开关柜故障的方法，其特征在于：所述步骤1‑2的训练数据集1中，每个超声波样本30ms帧长的声音信号得到4800个数据，所述数据集1由160000×1×600个数据组成。

8