[發明專利]一種基于卷積神經網絡的串聯型電弧故障診斷及選線方法

在審

• 申請號: 202110386461.7
• 申請日: 2021-04-12
• 公開（公告）號: CN113030789A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 劉艷麗;王雨虹;李斌;王喜利;張帆;王智勇;高洪鑫
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G01R31/60
• 分類號: G01R31/60;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經網絡的串聯型電弧故障診斷及選線方法，基于串聯型電弧故障實驗系統，該系統包括：三相交流電源、斷路器、電壓互感器、電流互感器、電弧發生器、數據采集卡、實驗負載；所述三相交流電源、斷路器、電弧發生器和實驗負載依次相連；電流互感器一次線圈與主回路串聯，電壓互感器一次線圈并聯在電弧發生器兩端；電流互感器和電壓互感器采集的信號經處理后由數據采集卡送至計算機；實驗負載包括三相異步電動機M1及其變頻器、三相異步電動機M2；

其特征在于，包括以下步驟：

步驟1，利用串聯型電弧故障實驗系統進行串聯型電弧故障實驗，獲取不同實驗條件下的干路電弧故障電流，并對干路電流進行初步分析；

步驟2，根據工況條件，將干路電流分為10類，采用標準差方法對數據進行標準化處理，并將標準化處理后一周期的干路電流信號時間序列作為診斷模型樣本，建立診斷樣本庫；

步驟3，對卷積神經網絡（CNN）以及長短期記憶網絡（LSTM）進行模型架構；

步驟4，對CNN、LSTM以及普通神經網絡（ANN）模型進行200輪訓練，用訓練集數據與測試集進行測試；200輪訓練后CNN以及LSTM訓練集準確率接近96%，測試集準確率接近94%；CNN訓練集損失值接近0.1，測試集損失值接近0.25，LSTM訓練集損失值接近0.1，測試集損失值接近0.2；ANN測試準確率低于85%，收斂速度明顯低于深度學習方法；

步驟5，將三種網絡模型植入樹莓派Zero，得到三個模型對測試樣本進行多分類識別的在線測試時間；

步驟6，采用差分方法對三種神經網絡模型分類結果進行優化，得到優化前后分類結果準確率；

步驟7，由測試準確率、損失函數值、在線測試時間及優化后分類準確率四方面綜合衡量串聯型故障電弧在線診斷及選線效果得出：CNN對工業系統串聯型電弧故障診斷及選線的準確率及實時性均優于LSTM和ANN。

2.根據權利要求1所述的基于卷積神經網絡的串聯型電弧故障診斷及選線方法，其特征在于，所述串聯型電弧故障實驗具體實驗步驟為：380V三相交流電源帶動兩臺并聯三相交流異步電機M1和M2；其中M1為11KW電機，可通過切換開關選擇通過變頻器運行和直接運行兩種運行模式，M1可通過磁粉制動器調整負載電流；M2為7.5KW電機，空載運行；實驗系統工作在干路ABC相、M1電機所在支路ABC相、M2電機所在支路ABC相發生電弧故障以及無故障正常運行的實驗條件下；實驗時將動、靜觸頭良好接觸模擬正常狀態，通過控制步進電機帶動的動觸頭，使動、靜觸頭分離，產生串聯型電弧故障；通過數據采集卡將干路的三相電流數據以及電弧電壓數據保存至計算機。

3.根據權利要求1所述的基于卷積神經網絡的串聯型電弧故障診斷及選線方法，其特征在于，所述診斷模型樣本具體分為：當前相干路故障、當前相M1電機支路故障、當前相M2電機支路故障、超前相干路故障、超前相M1電機支路故障、超前相M2電機支路故障、滯后相干路故障、滯后相M1電機支路故障、滯后相M2電機支路故障、正常10類，分別對應類別標簽0-9，診斷模型的網絡輸出結果也將對應上述10類標簽；其中樣本數量共50289個，每個樣本包含一個周期電流信號時間序列即784個采樣點，隨機抽取90%樣本用于訓練串聯型電弧故障診斷網絡模型，其余10%樣本用來驗證網絡模型。