[發明專利]基于GA-Bi-RNN的高壓斷路器故障診斷方法

有效

• 申請號: 201911303417.4
• 申請日: 2019-12-17
• 公開（公告）號: CN111060815B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 黃新波;云子涵;朱永燦;趙隆
• 申請（專利權）人: 西安工程大學
• 主分類號: G01R31/327
• 分類號: G01R31/327
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 曾慶喜

本發明公開了基于GA?Bi?RNN的高壓斷路器故障診斷方法，具體為：S1、利用分合閘線圈電流在線監測系統實時監測得到分合閘線圈電流數據，并將該數據分為訓練集和測試集一同作為輸入變量；S2、初始化權值，將訓練集樣本數據輸入至Bi?RNN中，采用GA作為誤差反傳優化更新每一代的特征信息參量，并將其作為輸入，以均方誤差作為適應度，以一定迭代次數為模型終止條件，選擇預測特征量最優組合，完成模型訓練；S3、將得到的測試集樣本數據輸入至訓練好的故障診斷模型中，由故障診斷模型對輸入的分合閘線圈電流數據進行處理，完成高壓斷路器故障診斷分類。本方法能更加準確有效地判斷斷路器的故障類型，進而有效率的完成檢修。

技術領域

本發明屬于高壓斷路器故障在線監測技術領域，具體涉及一種基于 GA-Bi-RNN的高壓斷路器故障診斷方法。

背景技術

高壓斷路器是電力系統最主要的控制與保護裝置，關系到輸電、配電及用電的可靠性、安全性。高壓斷路器能在系統故障與非故障情況下實現多種操作。斷路器也是能關合、承載、開斷運行回路正常電流，也能在規定時間內關合、承載及開斷規定的過載電流。高壓斷路器一般都以電磁鐵為操作的第一控制元件，在操動機構中大部分是直流電磁鐵。當線圈中通過電流時，在磁鐵內產生磁通，動鐵芯受磁力影響，使斷路器分閘或合閘。分合閘線圈電流可作為高壓斷路器機械故障診斷所用的豐富信息。

現有的高壓斷路器故障診斷的方法有很多，其中涉及各種人工智能算法，如：模糊控制能用精確的數學工具將模糊的概念或自然語言清晰化，但其隸屬函數和模糊規則的確定過程存在一定的人為因素；徑向基神經網絡為斷路器的故障診斷問題提供了一種比較好的結構體系，但存在著無法解釋自己的推理過程和推理依據以及數據不充分時神經網絡無法正常工作的缺點。

雙向循環神經網絡(Bi-RNN)是一種對數據序列建模的神經網絡，其處理方式與前饋神經網絡有著本質上的不同，雙向循環神經網絡只處理一個單一的輸入單元和上一個時間點的隱藏層信息。這使得雙向循環神經網絡能夠更加自由和動態的獲取輸入的信息，而不受到定長輸入空間的限制，具有良好的容錯能力、并行處理能力和自學習能力。但是由于其學習過程稍過單一，訓練過程中可能會存在訓練不完整的缺陷；因此，利用遺傳算法(GA)來優化雙向循環神經網絡可以解決這一問題，并且使其權重更新直到設定誤差范圍之內，能在有效解決上述問題的同時，更加準確快速的對故障進行分類。

發明內容

本發明的目的是提供一種基于GA-Bi-RNN的高壓斷路器故障診斷方法，采用雙向循環神經網絡分析故障特征信號，結合遺傳算法進行參數優化，在彌補人工神經網絡診斷不足的同時，能更加準確有效地判斷斷路器的故障類型，進而有效率的完成檢修。

本發明所采用的技術方案是，基于GA-Bi-RNN的高壓斷路器故障診斷方法，具體按照以下步驟實施：

步驟1、利用分合閘線圈電流在線監測系統實時監測得到分合閘線圈電流數據，并將該數據分為訓練集和測試集一同作為輸入變量；

步驟2、初始化權值，將訓練集樣本數據輸入至Bi-RNN中，采用GA 作為誤差反傳優化更新每一代的特征信息參量，并將其作為輸入，以均方誤差作為適應度，以一定迭代次數為模型終止條件，選擇預測特征量最優組合，完成模型訓練；

步驟3、將經步驟1得到的測試集樣本數據輸入至經步驟2訓練好的故障診斷模型中，由故障診斷模型對輸入的分合閘線圈電流數據進行處理，完成高壓斷路器故障診斷分類。

本發明的特點還在于，

步驟1中，所述分合閘線圈電流在線監測系統，包括過程層、間隔層和站控層；