卷積神經網絡高壓斷路器故障診斷方法

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了卷積神經網絡高壓斷路器故障診斷方法范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：高壓斷路器分合閘過程中的振動信號反映其機械結構信息。針對故障診斷中特征提取復雜、準確率低，提出一種基于多尺度一維卷積神經網絡的高壓斷路器故障診斷方法。首先通過加速度傳感器采集斷路器操作機構的振動信號，對數(shù)據(jù)進行預處理，在卷積過程中采用不同尺寸卷積核對信號進行多特征提取，增加感知范圍，然后以全值Top-k作為池化層對特征進行處理，最后采用Softmax將診斷結果進行分類。通過調整參數(shù)及多尺度模型，對不同故障下35kV高壓斷路器的振動信號進行分析。結果表明，所提出的算法與一維卷積神經網絡相比診斷準確率高。

關鍵詞：高壓斷路器；故障診斷；一維卷積神經網絡；多尺度特征

高壓斷路器是電力系統(tǒng)中重要的設備，起到控制和保護電網的作用，在電網正常運行或異常事件發(fā)生時，及時安全地接通或者切斷載荷。高壓斷路器可靠運行是電網可靠穩(wěn)定的重要前提與基礎，一旦高壓斷路器發(fā)生故障可造成巨大的經濟損失和社會影響[1-2]。目前，高壓斷路器的檢修模式仍為定期巡檢與事故后維修，其檢修缺乏明確目標，并且在檢修過程中可能會由于整體拆卸與裝配造成特性差異導致嚴重后果，所以有必要對其動作特性進行分析。根據(jù)國內外可靠性統(tǒng)計分析表明高壓斷路器故障中的80%以上都是由于機械性能和電氣控制回路所導致的[3-4]。高壓斷路器操作機構振動信號為非周期非平穩(wěn)信號，首先通過對其進行信號降噪、平滑和分解等預處理，然后通過小波變換、能量熵或經驗模態(tài)分解等方式進行特征提取，最后通過反向傳播（BP）神經網絡或支持向量機（SVM）等方式對特征進行分析后將故障分類輸出結果，對檢修提出意見。然而，模式分類等機器學習方法具有需要人工提取特征、易于陷入局部最優(yōu)解、對函數(shù)表達有限等缺點。深度學習被廣泛應用在圖像識別、自然語言識別等領域，文獻[5]通過分析振動信號的小波時頻圖對故障進行分類。一維振動信號轉化為二維形式時會丟失故障信息，對結果造成影響。針對上述問題，并根據(jù)高壓斷路器一維振動信號特點，本文提出一種多尺度卷積神經網絡故障診斷方法，構建不同尺度的卷積核，寬距感知特征后選取Top-K個特征，將其合并，最后輸出分類結果。通過數(shù)據(jù)集對網絡進行參數(shù)調整，得到最優(yōu)模型，提高了高壓斷路器故障診斷精度。

1多尺度卷積神經網絡

1.1卷積神經網絡

卷積神經網絡（ConvolutionalNeuralNetworks，CNN）[6]由多層感知器構成，在不對原始數(shù)據(jù)進行預處理的情況下，即可得到輸出。通常由輸入層、隱層和輸出層構成，其中隱層包含卷積層、池化層和全連接層，如圖1所示。卷積層通過卷積核將輸入的信號進行局部卷積運算，滑動卷積核將本層所有數(shù)據(jù)進行特征提取，其公式如下：式（1）中：ljx為在第j次卷積是l層中的特征值；f為激活函數(shù)；*為卷積過程；k為卷積過程的權重；ljb為卷積核偏置。激活函數(shù)目前常用ReLU函數(shù)，其公式為：池化層的作用是防止過擬合，通過下采樣的方式，將數(shù)據(jù)進行壓縮，并保持其不變。常用的池化方式有平均池化和最大池化。全連接層通過矩陣乘法將之前網絡卷積及池化的結果映射到樣本空間。

1.2多尺度卷積神經網絡

單一尺度的卷積核容易忽略小長度的重要特征，通過多次卷積和池化，對特征進行提取，并輸出到全連接層。一般進行2次全連接層，第一層全連接層將所有特征向量輸出為一維數(shù)據(jù)，第二層全連接層輸出到Softmax分類器，對結果進行輸出。針對高壓斷路器一維振動信號的特點，不同故障所在位置不同，會受到噪聲影響等，對傳統(tǒng)CNN網絡進行改進，通過增加卷積核獲得寬范圍的故障特征感知域，不是將網絡變得更深而是將網絡的寬度增加，本文構建的網絡結構如圖2所示。采用若干個大小不同的卷積核及不同層數(shù)的卷積層，對原始數(shù)據(jù)進行滑動特征卷積，其中卷積核的大小依次增大，提取到不同感知域下的特征，通過ReLU函數(shù)對其進行激活，加速度傳感器所采集的振動信號有正最大值和負最大值，如圖3所示。普通的池化層不能完全提取其特征，K-MAXPooling可以對卷積層中特征按照先后順序進行K個取值，通過正負疊加，獲得2K個特征值，輸出到全連接層進行特征組合，輸入到Softmax分類器中，進行故障類別的分類和預測。

1.3故障診斷流程

利用多尺度卷積神經網絡對高壓斷路器進行故障診斷，流程如圖4所示，診斷步驟具體為：①將振動信號進行預處理，分為訓練集和測試集，作為輸入；②建立多尺度卷積神經網絡模型，設置初始化網絡參數(shù)及超參數(shù)；③根據(jù)訓練結果得到的模型，計算出各卷積核卷積輸出結果，并通過前向傳播計算，進行迭代，直到小于閾值；④將測試集中的數(shù)據(jù)與得到的模型進行特征分析，對模型的故障分類能力進行評估。

2數(shù)據(jù)采集

本文以1臺35kV戶外真空高壓斷路器為試驗對象，如圖5所示，在空載狀態(tài)下，將加速度傳感器置于斷路器操作機構本體處采集信號。采樣頻率為200kHz，設置采樣時間為600ms，以電流傳感器作為信號觸發(fā)并采集數(shù)據(jù)。采用采樣方法進行預處理，將數(shù)據(jù)擴大為采樣頻率為10kHz的一維數(shù)據(jù)，作為原始數(shù)據(jù)進行輸入。對不同工況下的信號進行標記，將20%作為測試集，80%作為訓練集。模擬正常工況、控制線圈回路電壓高、分閘彈簧疲勞（弱）和分閘彈簧疲勞（強），共計4類不同的運行狀態(tài)的振動信號，如表1所示。

3診斷過程及分析

3.1診斷過程原始數(shù)據(jù)輸入1*3000的一維振動信號，設置epochs為20，對訓練集的中所有數(shù)據(jù)進行20次迭代，dropout為0.5，batchsize為50，學習率設置為0.001，采用交叉熵損失函數(shù)，通過對不同卷積核個數(shù)及不同卷積核尺寸的訓練，設置卷積核個數(shù)為2、3、4、5、6、7，卷積核層數(shù)為32、64、128，Top-K取值為4、5、6、7、8、9時。取每次實驗中的5組測試集輸出的結果作平均值，得到故障診斷準確率有以下特征：隨著卷積核個數(shù)的增加，準確率提升，相應的訓練時間增加，卷積核層數(shù)為64時準確率最高，隨著特征提取個數(shù)增加準確率先增大后下降，其中當K取7時訓練用時短且準確率高。設置卷積核個數(shù)為5個層數(shù)，為64層時，取K=7網絡泛化能力最好，其混淆矩陣如圖6所示。通過混淆矩陣可得，對于正常運行狀態(tài)下的高壓斷路器，多尺度卷積神經網絡可以100%識別，分閘彈簧不同疲勞程度下，其故障分類不明顯，會錯誤輸出正?；蚱?，影響檢修意見。得出故障診斷準確率為97.5%。

3.2對比實驗對比

1DCNN輸入層為1*3000，進行3次卷積，3次池化，并通過Maxpooling輸出到Softmax對振動信號進行分析，其準確率為84.25%。多尺度卷積神經有較高的準確率。

4結論

針對高壓斷路器非平穩(wěn)振動信號特征提取困難、特征向量識別準確率不高的問題，本文提出了一種基于多尺度一維卷積神經網絡的高壓斷路器故障診斷方法，通過采集斷路器分合閘操作機構本體的振動信號，對其進行特征提取，能準確識別故障類型。其特點如下：①無須專家經驗即可提取原始振動信號的故障特征，泛化能力強；②相比傳統(tǒng)CNN網絡結構，本文提出的方法更符合振動信號特點，識別精度更高；③提出了多尺度卷積核，全值Top-K池化層，增大了卷積過程的感知域，提高了故障診斷的精度與可靠性。實際運行中的高壓斷路器型號多，其正常運行數(shù)據(jù)多，故障少，由于樣本不平衡在訓練中會出現(xiàn)過擬合等現(xiàn)象，且故障狀況與實驗室模擬有一定差距，應針對不同型號及不平衡樣本進行深入的泛化研究。

作者:李少鵬 單位:華北電力大學