一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法
【專利摘要】本發(fā)明公開了一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，包括：獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)；對(duì)高壓斷路器的振動(dòng)信號(hào)進(jìn)行采樣，選擇其時(shí)間節(jié)點(diǎn)t；將高壓斷路器故障分類并進(jìn)行編號(hào)，作為故障模型辨識(shí)系統(tǒng)的輸出，將線圈電流、振動(dòng)信號(hào)和時(shí)間節(jié)點(diǎn)為故障模型辨識(shí)系統(tǒng)的輸入；將降噪自解碼算法作為典型的非監(jiān)督學(xué)習(xí)模型，對(duì)模型進(jìn)行訓(xùn)練，采用SVM結(jié)構(gòu)，由降噪自編碼算法得到的損失函數(shù)，得到斷路器故障的回歸表達(dá)式；根據(jù)斷路器故障的回歸表達(dá)式，得到發(fā)生故障時(shí)的線圈電流數(shù)據(jù)與故障類型的對(duì)應(yīng)關(guān)系，再通過待判定的故障數(shù)據(jù)來判定故障類型。本發(fā)明這種訓(xùn)練優(yōu)化的過程可以避免局部最優(yōu)解。
【專利說明】
一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及高壓斷路器故障診斷領(lǐng)域，具體涉及一種基于非監(jiān)督學(xué)習(xí)模型的高壓 斷路器故障診斷方法。
【背景技術(shù)】
[0002] 輸變電設(shè)備的安全是電網(wǎng)安全運(yùn)行的基礎(chǔ)，對(duì)設(shè)備狀態(tài)進(jìn)行全面、準(zhǔn)確的評(píng)價(jià)、診 斷和預(yù)測(cè)，是輸變電設(shè)備狀態(tài)檢修和全壽命周期管理的前提條件，是提高供電可靠率及電 網(wǎng)運(yùn)行智能化水平的重要途徑，也是智能調(diào)度運(yùn)行的重要依據(jù)，可以為電網(wǎng)安全、可靠、經(jīng) 濟(jì)運(yùn)行提供有力的技術(shù)支撐。
[0003] 國(guó)外開展高壓設(shè)備狀態(tài)以及異常狀態(tài)監(jiān)測(cè)技術(shù)的起步研究較早。在20世紀(jì)70年代 前蘇聯(lián)、日本、美國(guó)、德國(guó)、加拿大等發(fā)達(dá)國(guó)家在輸變電設(shè)備帶電、在線監(jiān)測(cè)方面進(jìn)行了較多 的探索，首先開拓了在線監(jiān)測(cè)技術(shù)研究領(lǐng)域，研制了變壓器油中溶解氣體，變壓器、氣體絕 緣組合電器(GIS)、高壓電纜等的局部放電，電容型設(shè)備的介質(zhì)損耗因素、金屬氧化物避雷 器的阻性電流、高壓電纜的泄漏電流等特性的監(jiān)測(cè)裝置。20世紀(jì)90年代后，隨著傳感器、計(jì) 算機(jī)、網(wǎng)絡(luò)通信等技術(shù)的發(fā)展，設(shè)備狀態(tài)監(jiān)測(cè)和診斷技術(shù)發(fā)展迅猛，測(cè)量方法也不斷改進(jìn)， 監(jiān)測(cè)對(duì)象從變電設(shè)備逐漸擴(kuò)展到輸電設(shè)備，狀態(tài)信息也日益豐富，同時(shí)還出現(xiàn)一些其他通 過非電量測(cè)量來反映設(shè)備狀況的測(cè)試儀器，如超高頻局部放電檢測(cè)、氣相色譜傳感器、光纖 溫度在線測(cè)量、紅外裝置、超聲裝置等。近年來，歐美日等發(fā)達(dá)國(guó)家非常重視設(shè)備建模技術(shù)、 人工智能技術(shù)的應(yīng)用，在設(shè)備智能評(píng)價(jià)和異常診斷的研究和應(yīng)用方面明顯加快，研究并使 用新的診斷工具和方法評(píng)價(jià)運(yùn)行中設(shè)備的狀態(tài)、預(yù)期使用壽命、風(fēng)險(xiǎn)和維修策略。一些先進(jìn) 的數(shù)字信號(hào)處理技術(shù)和人工智能技術(shù)，如數(shù)字濾波、神經(jīng)網(wǎng)絡(luò)、小波分析、專家系統(tǒng)、模糊診 斷、模式識(shí)別等，應(yīng)用于狀態(tài)評(píng)價(jià)、預(yù)測(cè)以及缺陷診斷中，取得了良好的效果，輸變電設(shè)備的 狀態(tài)監(jiān)測(cè)和評(píng)價(jià)技術(shù)得到迅速發(fā)展。
[0004] 狀態(tài)和故障預(yù)測(cè)的核心是特征量的預(yù)測(cè)，通常將特征量的歷史數(shù)據(jù)輸入到預(yù)測(cè)模 型中，得出特征量的發(fā)展規(guī)律，預(yù)測(cè)下一時(shí)間段特征量的數(shù)值，將預(yù)測(cè)出的數(shù)值輸入到狀態(tài) 評(píng)價(jià)模型中進(jìn)行狀態(tài)評(píng)價(jià)，得到的結(jié)果即為預(yù)測(cè)的下一時(shí)間段的輸變電設(shè)備狀態(tài)。目前用 到的相關(guān)方法包括時(shí)間序列模型、灰色模型、支持向量機(jī)回歸模型、蒙特卡羅模型等方法。
[0005] 在電網(wǎng)運(yùn)行涉及的各種設(shè)備中，高壓斷路器對(duì)于保障電網(wǎng)安全運(yùn)行具有重要作 用。所以準(zhǔn)確地對(duì)斷路器故障狀態(tài)的診斷識(shí)別，可以在故障發(fā)生的最初時(shí)刻診斷出高壓斷 路器的異常狀態(tài)，從而避免重大事故的發(fā)生。
[0006] 斷路器的在線技術(shù)開發(fā)已得到了足夠的重視一些新的理念在不斷地被提出?，F(xiàn)如 今國(guó)內(nèi)外的研究人員主要從這幾個(gè)方面來著重研究：
[0007] (1)基于合閘，分閘的時(shí)間，速度來對(duì)機(jī)械特性進(jìn)行分析，從而判斷斷路器缺陷；
[0008] (2)斷路器的機(jī)械振動(dòng)信號(hào)由于振動(dòng)頻率速度的不同反映的信息量很大值得研 究；
[0009] (3)通過測(cè)量靜態(tài)電阻或者動(dòng)態(tài)電阻來檢驗(yàn)觸頭的磨損情況；
[0010] (4)SF6 壓力測(cè)試：
[0011] (5)絕緣檢測(cè)；
[0012] (6)人工化的智能軟件與計(jì)算機(jī)數(shù)據(jù)處理相互結(jié)合的自動(dòng)化系統(tǒng)。
[0013] 其中，以高壓斷路器的機(jī)械振動(dòng)信號(hào)的特征數(shù)據(jù)為依據(jù)，對(duì)高壓斷路器的特征數(shù) 據(jù)進(jìn)行分析，從而評(píng)判高壓斷路器機(jī)械狀態(tài)。這種方法是判定高壓斷路器機(jī)械故障的主要 方法。目前高壓斷路器基于振動(dòng)信號(hào)的故障診斷方法有動(dòng)態(tài)時(shí)間規(guī)整法、支持向量機(jī)法、經(jīng) 驗(yàn)?zāi)B(tài)法、振聲聯(lián)合法等。斷路器的振動(dòng)信號(hào)中包含了斷路器帶病運(yùn)行和故障信息。而且雖 然振動(dòng)信號(hào)分析具有易于測(cè)量的優(yōu)點(diǎn)，但測(cè)試環(huán)境中的各種干擾同時(shí)會(huì)影響聲波分析結(jié) 果。且包含非線性、非平穩(wěn)成分，采用常規(guī)的處理方法會(huì)大幅降低準(zhǔn)確性，甚至產(chǎn)生錯(cuò)誤的 結(jié)論。
[0014] 當(dāng)干擾信號(hào)與振動(dòng)信號(hào)的振幅和頻率基本相似時(shí)，傳統(tǒng)的監(jiān)測(cè)方法已很難區(qū)分兩 者之間的區(qū)別。
[0015] 對(duì)斷路器的振動(dòng)信號(hào)進(jìn)行采樣，檢測(cè)，分析其實(shí)是一個(gè)難點(diǎn)。首先斷路器有著十分 復(fù)雜的機(jī)械結(jié)構(gòu)再加之現(xiàn)場(chǎng)的環(huán)境因素存在著不可忽視的噪音干擾，使傳感器所監(jiān)測(cè)到的 振動(dòng)信號(hào)有著不小的自然誤差。事實(shí)上斷路器的分閘和合閘操作過程中不同程度上都會(huì)產(chǎn) 生一定數(shù)量的振動(dòng)過程，而且實(shí)際的操作中振動(dòng)信號(hào)等參數(shù)物理量包括振動(dòng)信號(hào)的彌散、 反射和折射等等復(fù)雜的變化讓監(jiān)測(cè)工作變得更加的困難，有時(shí)候當(dāng)振動(dòng)信號(hào)微乎其微時(shí)就 更難監(jiān)測(cè)了。
[0016] 因此，亟需一種新的方法來實(shí)現(xiàn)高壓斷路器的故障診斷。

【發(fā)明內(nèi)容】

[0017] 為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路 器故障診斷方法，本發(fā)明將高壓斷路器故障分類，并進(jìn)行編號(hào)，作為故障模型辨識(shí)系統(tǒng)的輸 出。線圈電流、振動(dòng)信號(hào)和時(shí)間節(jié)點(diǎn)為故障模型辨識(shí)系統(tǒng)的輸入，采用降噪自解碼算法得到 的損失函數(shù)，繼而得到斷路器故障的回歸表達(dá)式，最終根據(jù)斷路器故障的回歸表達(dá)式和故 障數(shù)據(jù)來判定故障類型。支持向量機(jī)，英文為Support Vector Machine，簡(jiǎn)稱SVM。
[0018] 為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：
[0019] 一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，包括以下步驟：
[0020] 步驟一:獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路 器的狀態(tài)參數(shù)；
[0021] 步驟二:對(duì)高壓斷路器的振動(dòng)信號(hào)進(jìn)行采樣，選擇其時(shí)間節(jié)點(diǎn)t;
[0022] 步驟三:將高壓斷路器故障分類并進(jìn)行編號(hào)，作為故障模型辨識(shí)系統(tǒng)的輸出，將線 圈電流、振動(dòng)信號(hào)和時(shí)間節(jié)點(diǎn)為故障模型辨識(shí)系統(tǒng)的輸入；
[0023] 步驟四：將降噪自解碼算法作為典型的非監(jiān)督學(xué)習(xí)模型，對(duì)模型進(jìn)行訓(xùn)練，采用經(jīng) 典的SVM結(jié)構(gòu)，由降噪自編碼算法得到的損失函數(shù)，繼而得到斷路器故障的回歸表達(dá)式；
[0024] 步驟五:根據(jù)斷路器故障的回歸表達(dá)式，得到發(fā)生故障時(shí)的線圈電流數(shù)據(jù)與故障 類型的對(duì)應(yīng)關(guān)系，再通過待判定的故障數(shù)據(jù)來判定故障類型。
[0025] 進(jìn)一步的，在步驟一中，根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)包括鐵芯行程、鐵 芯卡塞、線圈狀態(tài)、高壓斷路器分合閘的速度及高壓斷路器分合閘所用的時(shí)間。
[0026]進(jìn)一步的，在所述步驟三中，高壓斷路器故障主要包括拒動(dòng)故障、誤動(dòng)故障、絕緣 與載流故障及泄漏、損壞故障，拒動(dòng)故障包括觸頭拒合及拒分故障。
[0027]進(jìn)一步的，降噪自編碼算法中，輸入d維xe[0，l]d，輸出d'維yel = [0，l]d'；
[0028] y = fe(x)=s(Wx+b) (1)
[0029] 其中，8是5型函數(shù)，0={1，13}，1是(1/\(1的權(quán)重矩陣，13是偏差向量，無是將含有一定 統(tǒng)計(jì)特性的噪聲加到輸入數(shù)據(jù)，對(duì)樣本進(jìn)行修改，通過隨機(jī)映射對(duì)每個(gè)輸入向量X按照一定 的破壞率把初始輸入X破壞為S:，將擦除后的樣本數(shù)據(jù)盡可能還原重構(gòu)出原始數(shù)據(jù)；
[0030]然后，輸出y映射到輸入空間z中，這里ze[0，l]d;
[0031] -ξ： = = s{W'y + h') (2)
[0032] 這里θ' ,1/ 是cT Xd的權(quán)重矩陣，V是偏差向量。
[0033] 進(jìn)一步的，在所述步驟四中，在訓(xùn)練時(shí)，通過每層的初始化和調(diào)整來訓(xùn)練，在逐層 的初始化時(shí)可以采用無監(jiān)督的訓(xùn)練判據(jù)。每一層訓(xùn)練時(shí)將前一層傳遞來的參數(shù)優(yōu)化后傳遞 給后一層，作為被觀察故障模型的訓(xùn)練樣本，直到所有層都被訓(xùn)練好。
[0034] 更進(jìn)一步的，在訓(xùn)練過程中，每組輸入樣本x(1)，映射到中間變量y(1)，然后重建為 變量z (1)，考慮到高壓斷路器的信號(hào)都為連續(xù)信號(hào)，所以重建損失函數(shù)表示為經(jīng)典的二次型 的形式：
[0035] Γ (χ,ζ) = | | χ-ζ I 12 (3) 〇
[0036] 進(jìn)一步的，在訓(xùn)練過程中訓(xùn)練參數(shù)通過求如下表達(dá)式的極小值來得到：
[0038] 其中，η為樣本個(gè)數(shù)。
[0039]進(jìn)一步的，采用經(jīng)典的SVM結(jié)構(gòu)，由降噪自編碼算法得到的修正過的損失函數(shù)表示 為式(5):
[0041] 式中，f .4+是優(yōu)化過程中的松弛因子，w = x-z，輸入層和輸出層之差，c為松弛因 子系數(shù)。
[0042] 最后，斷路器故障的回歸表達(dá)式為：
[0044] 式中，p為支持向量機(jī)的個(gè)數(shù)，K(x，Xl)為核函數(shù)，本發(fā)明中采用徑向基函數(shù)。即，
[0045] Κ(χ,χι) = θχρ(-λ| |xa-xi| |2)
[0046] 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，ai、ai '只有一小部分不為0,其對(duì)應(yīng)的樣 本就是支持向量機(jī)，Xl為樣本中的第i個(gè)元素，xa為樣本均值。
[0047]本發(fā)明的有益效果：
[0048]本發(fā)明的降噪自編碼算法通過每層的初始化和調(diào)整來訓(xùn)練，在逐層的初始化時(shí)可 以采用無監(jiān)督的訓(xùn)練判據(jù)。每一層訓(xùn)練時(shí)將前一層傳遞來的參數(shù)優(yōu)化后傳遞給后一層，作 為被觀察故障模型的訓(xùn)練樣本。直到所有層都被訓(xùn)練好，那么可以采用實(shí)際的故障數(shù)據(jù)來 測(cè)試本方法。而且訓(xùn)練判據(jù)采用監(jiān)督型的判據(jù)。這種訓(xùn)練優(yōu)化的過程可以避免局部最優(yōu)解。
【附圖說明】
[0049]圖1降噪自編碼算法數(shù)據(jù)處理流程圖；
[0050]圖2本發(fā)明算法流程圖。
【具體實(shí)施方式】：
[0051] 下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說明：
[0052] 當(dāng)干擾信號(hào)與振動(dòng)信號(hào)的振幅和頻率基本相似時(shí)，傳統(tǒng)的監(jiān)測(cè)方法已很難區(qū)分兩 者之間的區(qū)別。高壓斷路器分合閘過程中線圈電流波形包含鐵芯行程、鐵芯卡塞、線圈狀 態(tài)、分，合閘的速度及其所用的時(shí)間，高壓斷路器典型故障主要有拒動(dòng)故障、誤動(dòng)故障、絕緣 與載流故障及泄漏、損壞故障等，大多數(shù)表現(xiàn)為觸頭拒合或者拒分故障。
[0053] 對(duì)斷路器的振動(dòng)信號(hào)進(jìn)行采樣，檢測(cè)，分析的各個(gè)環(huán)節(jié)其實(shí)都存在困難，其原因 為，首先斷路器有著十分復(fù)雜的機(jī)械結(jié)構(gòu)再加之現(xiàn)場(chǎng)的環(huán)境因素存在著不可忽視的噪音干 擾，使傳感器所監(jiān)測(cè)到的振動(dòng)信號(hào)有著不小的自然誤差。事實(shí)上斷路器的分閘和合閘操作 過程中不同程度上都會(huì)產(chǎn)生一定數(shù)量的振動(dòng)過程，而且實(shí)際的操作中振動(dòng)信號(hào)等參數(shù)物理 量包括振動(dòng)信號(hào)的彌散、反射和折射等等復(fù)雜的變化讓監(jiān)測(cè)工作變得更加的困難，有時(shí)候 當(dāng)振動(dòng)信號(hào)微乎其微時(shí)就更難監(jiān)測(cè)了。但振動(dòng)信號(hào)包含的設(shè)備信息依然可以為設(shè)備的狀態(tài) 監(jiān)測(cè)和故障診斷服務(wù)，所以我們可在利用振動(dòng)信號(hào)的同時(shí)，通過線圈電流波形來輔助分析 高壓斷路器的一些重要特性狀態(tài)，比如:操動(dòng)機(jī)構(gòu)的狀態(tài)、高壓斷路器是否有偷跳、拒動(dòng)等 情況。另一方面，線圈側(cè)通過的電壓同樣也是一個(gè)重要的參數(shù)。由此我們通過計(jì)算，即線圈 側(cè)的電壓值由工作電壓減少到〇為動(dòng)觸頭分合閘的所用時(shí)間，同時(shí)由動(dòng)觸頭的分合閘的行 程長(zhǎng)度，可以很快得出高壓斷路器分、合閘速度，即行程和所用時(shí)間的比值。更加重要的是 斷路器在合閘前、分閘后這段時(shí)間的動(dòng)觸頭速度，這一數(shù)值在研究斷路器的開斷能力上起 了重要的作用。所以本發(fā)明在選擇線圈電流、振動(dòng)信號(hào)作為輸入的同時(shí)，選擇其動(dòng)觸頭分合 閘的準(zhǔn)確時(shí)間節(jié)點(diǎn)t為故障分析依據(jù)。
[0054] 將高壓斷路器故障分類，并進(jìn)行編號(hào)，作為故障模型辨識(shí)系統(tǒng)的輸出。線圈電流、 振動(dòng)信號(hào)和時(shí)間節(jié)點(diǎn)為故障模型辨識(shí)系統(tǒng)的輸入。
[0055] 如圖1-2所示，降噪自解碼算法是典型的非監(jiān)督學(xué)習(xí)模型，則:輸入d維xe[0，l]d， 輸出d'維yEl = [0，l]d。
[0056] y· = fgix) = s( Wx + b) (1)
[0057] 這里s是S型函數(shù)，這里0 = {W，b}，W是個(gè)Xd的權(quán)重矩陣，b是偏差向量。
[0058] 然后，輸出y映射到輸入空間z中，這里ze[0，l]d。
[0059] z· = g0'(x) = s(Wry + br) (2)
[0060] 這里9/ ={￥' ,1/ hW'是cT Xd的權(quán)重矩陣，V是偏差向量。
[0061] 在訓(xùn)練過程中，每個(gè)輸入x(i)映射到中間變量y(i)，然后重建為變量z(i)。考慮到高 壓斷路器的信號(hào)都為連續(xù)信號(hào)，所以重建損失函數(shù)可以表示為經(jīng)典的二次型的形式。
[0062] Γ (χ,ζ) = I I χ-ζ I 12 (3)
[0063] 這樣，訓(xùn)練參數(shù)由如下表達(dá)式的極小值來得到：
[0065]降噪自編碼算法通過支持向量機(jī)中的輸入層，隱藏層，以及輸出層的初始化和調(diào) 整來訓(xùn)練，在逐層的初始化時(shí)可以采用無監(jiān)督的訓(xùn)練判據(jù)。每一層訓(xùn)練時(shí)將前一層傳遞來 的參數(shù)優(yōu)化后傳遞給后一層，作為被觀察故障模型的訓(xùn)練樣本。這樣可以由確定的故障類 型數(shù)據(jù)訓(xùn)練支持向量機(jī)中的各層參數(shù)，直到所有層都被訓(xùn)練好，那么可以采用實(shí)際的故障 數(shù)據(jù)來驗(yàn)證本方法。而且訓(xùn)練判據(jù)采用監(jiān)督型的判據(jù)。這種訓(xùn)練優(yōu)化的過程可以避免局部 最優(yōu)解。
[0066]采用經(jīng)典的SVM結(jié)構(gòu)，由降噪自編碼算法得到的修正過的重建損失函數(shù)可以表示 為式(5):
[0068]式中，是優(yōu)化過程中的松弛因子。最后，斷路器故障的回歸表達(dá)式為：
[0070] 式中，ρ為支持向量機(jī)的個(gè)數(shù)，K(x，Xl)為核函數(shù)，本發(fā)明中采用徑向基函數(shù)。即，
[0071] K(x,Xi) = exp(-A| |xa-Xi| |2)
[0072] 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，ai、ai '只有一小部分不為0,其對(duì)應(yīng)的樣 本就是支持向量機(jī)，Xl為樣本中的第i個(gè)元素，xa為樣本均值。根據(jù)斷路器故障的回歸表達(dá)式 和故障數(shù)據(jù)來判定故障類型。
[0073] 上述雖然結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范 圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不 需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征是，包括以下步驟： 步驟一:獲取高壓斷路器分合閘過程中線圈電流波形并根據(jù)該波形獲得高壓斷路器的 狀態(tài)參數(shù)； 步驟二:對(duì)高壓斷路器的振動(dòng)信號(hào)進(jìn)行采樣，選擇其時(shí)間節(jié)點(diǎn)t; 步驟三:將高壓斷路器故障分類并進(jìn)行編號(hào)，作為故障模型辨識(shí)系統(tǒng)的輸出，將線圈電 流、振動(dòng)信號(hào)和時(shí)間節(jié)點(diǎn)為故障模型辨識(shí)系統(tǒng)的輸入； 步驟四：將降噪自解碼算法作為典型的非監(jiān)督學(xué)習(xí)模型，對(duì)模型進(jìn)行訓(xùn)練，采用經(jīng)典的 SVM結(jié)構(gòu)，由降噪自編碼算法得到的損失函數(shù)，繼而得到斷路器故障的回歸表達(dá)式； 步驟五:根據(jù)斷路器故障的回歸表達(dá)式，得到發(fā)生故障時(shí)的線圈電流數(shù)據(jù)與故障類型 的對(duì)應(yīng)關(guān)系，再通過待判定的故障數(shù)據(jù)來判定故障類型。2. 如權(quán)利要求1所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，在步驟一中，根據(jù)該波形獲得高壓斷路器的狀態(tài)參數(shù)包括鐵芯行程、鐵芯卡塞、線圈狀 態(tài)、高壓斷路器分合閘的速度及高壓斷路器分合閘所用的時(shí)間。3. 如權(quán)利要求1所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，在所述步驟三中，高壓斷路器故障主要包括拒動(dòng)故障、誤動(dòng)故障、絕緣與載流故障及泄 漏、損壞故障，拒動(dòng)故障包括觸頭拒合及拒分故障。4. 如權(quán)利要求1所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，降噪自編碼算法中，輸入d維xe[〇，l] d，輸出d'維yel = [〇，l]d'； y = /Λ X )=^ s(Wx+h) (i) 其中，s是S型函數(shù)，Θ = {W，b}，W是cT X d的權(quán)重矩陣，b是偏差向量;戈是將含有一定統(tǒng)計(jì) 特性的噪聲加到輸入數(shù)據(jù)，對(duì)樣本進(jìn)行修改，通過隨機(jī)映射對(duì)每個(gè)輸入向量X按照一定的破 壞率把初始輸入X破壞為i ; 然后，輸出y映射到輸入空間z中，這里z e [ 〇，1 ]d; z = gff{x) = s(W'y + b'\ (2) 這里0/=卬/，13/}，1/是(1/\(1的權(quán)重矩陣，13 /是偏差向量。5. 如權(quán)利要求1所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，在所述步驟四中，在訓(xùn)練時(shí)，通過每層的初始化和調(diào)整來訓(xùn)練，在逐層的初始化時(shí)可以 采用無監(jiān)督的訓(xùn)練判據(jù);每一層訓(xùn)練時(shí)將前一層傳遞來的參數(shù)優(yōu)化后傳遞給后一層，作為 被觀察故障模型的訓(xùn)練樣本，直到所有層都被訓(xùn)練好。6. 如權(quán)利要求5所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，在訓(xùn)練過程中，每個(gè)輸入x(1)映射到中間變量y (1)，然后重建為變量z(1)，考慮到高壓斷路 器的信號(hào)都為連續(xù)信號(hào)，所以重建損失函數(shù)表示為經(jīng)典的二次型的形式： Γ (x,z)= I |x-z I I2 (3)。7. 如權(quán)利要求5所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，在訓(xùn)練過程中訓(xùn)練參數(shù)通過求如下表達(dá)式的極小值來得到： 其中，η為樣本個(gè)數(shù)。8. 如權(quán)利要求4所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，采用經(jīng)典的SVM結(jié)構(gòu)，由降噪自編碼算法得到的修正過的損失函數(shù)表示為式(5):式中，是優(yōu)化過程中的松弛因子，w = X-z，輸入層和輸出層之差，c為松弛因子系 數(shù)。9. 如權(quán)利要求1所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，斷路器故障的回歸表達(dá)式為： 1=1式中，P為支持向量機(jī)的個(gè)數(shù)，K(x，Xl)為核函數(shù);αι、αι'為拉格朗日乘子，其對(duì)應(yīng)的樣本 就是支持向量機(jī)，X為樣本。10. 如權(quán)利要求9所述的一種基于非監(jiān)督學(xué)習(xí)模型的高壓斷路器故障診斷方法，其特征 是，核函數(shù)采用徑向基函數(shù)，即，K(x，xi) = exp(-X| |Xa-Xi| |2) 其中，λ為核參數(shù)，ai、ai '為拉格朗日乘子，其對(duì)應(yīng)的樣本就是支持向量機(jī)，xi為樣本中 的第i個(gè)元素，xa為樣本均值。
【文檔編號(hào)】G05B23/02GK105868770SQ201610168812
【公開日】2016年8月17日
【申請(qǐng)日】2016年3月23日
【發(fā)明人】陳玉峰, 杜修明, 楊袆, 郭志紅, 盛戈皞, 李秀衛(wèi), 鄭建, 王輝, 周加斌, 馬艷, 李程啟, 林穎, 耿玉杰, 白德盟
【申請(qǐng)人】國(guó)網(wǎng)山東省電力公司電力科學(xué)研究院, 國(guó)家電網(wǎng)公司