一种高压隔离开关故障诊断方法与流程

本发明涉及高压隔离开关故障诊断，尤其涉及一种高压隔离开关故障诊断方法。

背景技术：

1、当前针对高压隔离开关的机械状态检测研究大都基于隔离开关的电机电流信号、操作力矩、姿态传感器获取的角度-时间及分合闸过程中的振动信号进行其状态检测及故障识别。其中，振动信号中蕴含着丰富的隔离开关机械状态信息，寻找合适的故障特征提取方法是实现隔离开关故障诊断的关键。现有研究有效辅助了隔离开关机械故障的诊断运维，但多基于单一信息源和单特征层模型。实际中高压隔离开关存在结构复杂性、部件耦合性和振动衰减性，导致单测点振动检测信息存在局部性和片面性，极易造成信息缺失。另一方面，特征学习的缺陷识别算法有效性与分类器性能有关，而参数信息准确性和冗余度对模型收敛效果影响较大，目前仍缺乏隔离开关机械故障特征层融合分析。

2、传统的隔离开关故障诊断利用单个位置的传感器获取原始信号，但由于单一信号源的限制，无法全面描述隔离开关的运行状态，不能满足电力系统的安全运行要求。此外，故障类型和测点位置均对隔离开关振动特征量影响显著，单测点机械故障诊断模型存在信息缺失和精度不足的问题。

技术实现思路

1、本发明的目的在于提供一种高压隔离开关故障诊断方法，提高系统的检测性能和决策能力。

2、本发明提供一种高压隔离开关故障诊断方法，包括：

3、获取高压隔离开关的三路振动信号；对所述三路振动信号进行时频分析，利用连续小波变换将高压隔离开关不同运行状态下对应的原始振动信号变为时频图像；

4、利用三路振动信号生成的时频图像分别对卷积神经网络模型进行训练；将训练好的卷积神经网络模型的分类层移除，用于振动信号的特征提取；

5、采用压缩和激励网络自适应地赋予卷积神经网络模型中通道特征不同的权重；

6、对三个卷积神经网络模型的输出进行平整化处理，使用全连接层对卷积神经网络模型提取的特征进行融合；

7、将卷积神经网络模型中的softmax分类器改为多核极限学习机，利用多核函数对输入空间进行扩展，并采用交叉验证的方法选择最优的核函数和参数；

8、使用粒子群优化方法对多核极限学习机中的正则化系数、权重系数以及各个核函数的参数进行寻优，使用优化获得的参数建立pso-mkelm分类器；

9、使用测试集数据对基于卷积神经网络和pso-mkelm的故障诊断模型进行测试，对基于多路振动信号特征层融合的高压隔离开关故障诊断方法进行评价。

10、进一步地，对所述三路振动信号进行时频分析，利用连续小波变换将高压隔离开关不同运行状态下对应的原始振动信号变为时频图像，包括：

11、从三路振动信号的原始振动信号序列中截取2048个采样点构成数据集；

12、采用一维信号重叠随机采样方法进行数据集增强；

13、选择带宽参数和中心频率均为3，尺寸序列的长度为256的cmor小波对数据集进行时频分析，生成时频图像。

14、进一步地，采用压缩和激励网络自适应地赋予网络中通道特征不同的权重，包括：

15、压缩函数 f sq使用全局平均池化操作来获取通道统计信息，并将全局空间信息压缩到通道描述符中，将维度为 h×w×c的卷积输出 u压缩成维度为1×1× c的压缩统计信息 z，如果将卷积输出 u解释为局部描述符的集合，使用这些局部描述符的统计信息来表达整个图像，压缩统计信息 z的第 c个元素的表达式如下：

16、                                      （1）

17、式中， z c为压缩统计信息 z的第 c个元素， f sq为压缩函数， u c卷积输出的第 c个特征图， h为特征图的高度， w为特征图的宽度， c为通道数， i为特征图高度对应的值， j为特征图宽度对应的值；

18、激励函数 f ex通过对压缩统计信息 z的学习捕获通道依赖关系，激励函数 f ex的表达式如下：

19、                  （2）

20、式中， s为权重系数， f ex为激励函数， z为压缩统计信息， w’为全连接层参数， σ为sigmoid激活函数， g为全连接层的输出， δ为relu激活函数， ，， w 1为第一个全连接层的参数、 w 2为第二个全连接层的参数， r为缩放参数，用于减少通道个数从而降低计算量； r表示矩阵；

21、使用 f scale函数将计算的权重系数 s与卷积输出 u相乘获得加权后的特征映射， f scale函数的表达式如下：

22、                                        （3）

23、式中，为压缩和激励网络的最终输出， s c为权重系数， u c为卷积输出的特征图。

24、进一步地，将卷积神经网络模型中的softmax分类器改为多核极限学习机，利用多核函数对输入空间进行扩展，并采用交叉验证的方法选择最优的核函数和参数，包括：

25、基于核函数的mercer性质，构造的多核函数表达式如下：

26、                                    （4）

27、式中， μ i∈[0，1]，表示核函数的权重系数； k rbf为径向基核函数； k wav为小波核函数； k poly为多项式核函数； xi、 xj为输入空间的元素；

28、最终 μ i的值分别由对应单核函数的极限学习机模型训练得到，根据训练模型的分类准确率赋予相应值， μ1、 μ2、 μ3分别为0.53、0.26、0.21。

29、进一步地，使用粒子群优化方法对多核极限学习机中的正则化系数、权重系数以及各个核函数的参数进行寻优，使用优化获得的参数建立pso-mkelm分类器，包括：

30、步骤1，生成一组种群规模为200的粒子群初始值，在优化参数取值范围和速度大小范围内随机初始化每一个粒子的位置和速度；

31、步骤2，通过适应度函数计算得到粒子个体适应度，根据适应度确定单个粒子的最佳位置 p( i) .best，以及每个群体的最佳位置 g( i) .best；

32、步骤3，使用以下公式更新粒子的速度和位置：

33、（5）

34、                （6）

35、                           （7）

36、式中， p(i). velocity(t+1)表示更新后粒子的速度， p(i). velocity(t)表示更新前粒子的速度， p(i). location(t)表示更新前粒子的位置， p(i). location(t+1)表示更新后粒子的位置，

37、 ω表示惯性权重， c 1 、c 2表示学习因子， r1、 r2表示两个随机数； ω max表示最大惯性权重， ω min表示最小惯性权重，iter表示当前迭代次数，itermax表示最大迭代次数；

38、步骤4，重复步骤2和步骤3，直到满足终止条件即达到最大迭代次数，返回最佳参数；

39、步骤5，将最佳参数代入到mkelm模型中，得到最终的pso-mkelm分类器。

40、本发明具有以下有益效果：本发明的一种高压隔离开关故障诊断方法，基于多个测点的振动信号，建立高层特征层融合的诊断模型，能够更加灵活地利用两种传感器提取的信息。将时序数据转化为时频图像数据，从而实现了时序信息和空间信息的融合，提高了数据的表示和分析能力。卷积神经网络可以自动地从原始数据中提取出具有代表性的特征，减轻了特征提取的难度和工作量。使用压缩和激励网络对卷积神经网络提取的振动信号特征进行权重赋值，提高了网络的准确性和稳定性。利用极限学习机执行速度快和分类效果好的优点，将加权后的特征输入多核极限学习机分类器进行分类，从而实现隔离开关的快速准确故障诊断。