[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型電弧故障診斷及選線方法

在審

• 申請?zhí)枺?/td>: 202110386461.7
• 申請日: 2021-04-12
• 公開（公告）號: CN113030789A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)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(quán)）人: 遼寧工程技術(shù)大學(xué)
• 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

本發(fā)明屬于故障電弧診斷領(lǐng)域，尤其涉及基于卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型故障電弧診斷及選線方法，包括以下步驟：1）利用串聯(lián)型故障電弧實驗系統(tǒng)開展串聯(lián)型故障電弧實驗；2）獲得不同支路、不同相發(fā)生電弧故障時的干路電流信號，將干路電流信號進行分類、分段、標準化處理后，直接將其作為診斷模型樣本；3）對卷積神經(jīng)網(wǎng)絡(luò)模型進行架構(gòu)，通過樣本訓(xùn)練，建立基于卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型故障電弧診斷及選線模型；4）通過準確度和損失函數(shù)值、在線測試速度、優(yōu)化后分類結(jié)果準確率對比，分析卷積神經(jīng)網(wǎng)絡(luò)模型的串聯(lián)型電弧故障診斷及選線效果。與現(xiàn)有技術(shù)相比，在無需進行電弧故障特征分析的情況下，通過干路電流實現(xiàn)了對電弧故障的診斷及故障支路的選擇。

技術(shù)領(lǐng)域

本發(fā)明屬于故障電弧診斷領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型電弧故障診斷及選線方法。

背景技術(shù)

配電線路或電氣設(shè)備長期在惡劣環(huán)境中運行，將會導(dǎo)致接觸點接觸不良引發(fā)串聯(lián)型電弧故障，串聯(lián)型電弧故障具有隱蔽性、隨機性、復(fù)雜性，一直缺少成熟的檢測方法。工業(yè)配電系統(tǒng)中，多臺電機負載并聯(lián)情況較多。發(fā)生串聯(lián)型故障電弧時，若能通過干路電流檢測到發(fā)生故障電弧的支路，將節(jié)約故障電弧保護的投資，減少檢修和維護的時間。

近年來，國內(nèi)外學(xué)者針對串聯(lián)型電弧故障診斷問題開展了大量的研究，主要分為以下幾個方面：①依據(jù)串聯(lián)型電弧故障的弧聲、弧光、電磁輻射強度等物理特征構(gòu)建特征向量，結(jié)合模式識別方法實現(xiàn)電弧故障診斷；②依據(jù)串聯(lián)型電弧故障所在回路的電流、負載端電壓的電信號特征構(gòu)建特征向量，結(jié)合模式識別方法實現(xiàn)電弧故障診斷。方法①適用于密閉空間串聯(lián)型電弧故障特征的診斷。方法②所選取特征的準確性、典型性、全面性將影響串聯(lián)型電弧故障識別的準確度。

本發(fā)明首先開展工業(yè)系統(tǒng)串聯(lián)型電弧故障實驗，獲得不同支路、不同相發(fā)生電弧故障時的干路電流信號，將干路電流信號進行分類、分段、標準化處理后，直接將其作為診斷模型樣本；然后對卷積神經(jīng)網(wǎng)絡(luò)模型進行架構(gòu)，通過樣本訓(xùn)練，建立卷積神經(jīng)網(wǎng)絡(luò)串聯(lián)型電弧故障診斷模型；通過差分處理對網(wǎng)絡(luò)模型在線分類結(jié)果進行優(yōu)化分析；通過準確度和損失函數(shù)值、在線測試速度、優(yōu)化后分類結(jié)果驗證模型串聯(lián)型電弧故障診斷及選線效果。研究結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)對工業(yè)系統(tǒng)串聯(lián)型電弧故障診斷及故障選線效果，對研發(fā)電弧故障斷路器具有一定的理論參考價值。

發(fā)明內(nèi)容

針對上述存在的技術(shù)問題，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)型電弧故障診斷及選線方法，基于串聯(lián)型電弧故障實驗系統(tǒng)，該系統(tǒng)包括：三相交流電源、斷路器、電壓互感器、電流互感器、電弧發(fā)生器、數(shù)據(jù)采集卡、實驗負載。

所述三相交流電源、斷路器、電弧發(fā)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(lián)，電壓互感器一次線圈并聯(lián)在電弧發(fā)生器兩端；電流互感器和電壓互感器采集的信號經(jīng)處理后由數(shù)據(jù)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。

該方法包括以下步驟。

步驟1，利用串聯(lián)型電弧故障實驗系統(tǒng)進行串聯(lián)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(jù)工況條件，將干路電流分為10類，采用標準差方法對數(shù)據(jù)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(jīng)網(wǎng)絡(luò)（CNN）以及長短期記憶網(wǎng)絡(luò)（LSTM）進行模型架構(gòu)。

步驟4，對CNN、LSTM以及普通神經(jīng)網(wǎng)絡(luò)（ANN）模型進行200輪訓(xùn)練，用訓(xùn)練集數(shù)據(jù)與測試集進行測試。200輪訓(xùn)練后CNN以及LSTM訓(xùn)練集準確率接近96%，測試集準確率接近94%；CNN訓(xùn)練集損失值接近0.1，測試集損失值接近0.25，LSTM訓(xùn)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(xué)習(xí)方法。

步驟5，將三種網(wǎng)絡(luò)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。