基于遗传算法改进模糊神经网络的断路器故障诊断方法与流程

本发明属于变电设备故障诊断技术领域，具体涉及一种基于遗传算法改进模糊神经网络的断路器故障诊断方法。

背景技术：

当前电力行业关注度最高的技术革新领域是输变电设备的智能化在线故障诊断技术。而由于现有的在线监测装置硬件设计趋于成熟化，所以今后发展智能在线评估专家软件将是电网设备在线故障诊断技术智能化的关键。

未来的电网设备智能化状态检修将是一种在“互联网+”的新型思维指导下诞生的基于大数据分析的电力设备检修云服务平台。断路器起着保护电力设备和调控设备入网运行的作用，是电网中最关键的部分，故对其在线故障诊断的智能化要求也越来越高。

技术实现要素：

本发明的目的是提供一种基于遗传算法改进模糊神经网络的断路器故障诊断方法，既能综合评估断路器的工作状态，又能在单独故障类别上进行精确诊断。

本发明所采用的技术方案是，基于遗传算法改进模糊神经网络的断路器故障诊断方法，具体按照以下步骤实施：

步骤1、获取断路器的历史监测特征量与相应的诊断结论，构建基于遗传算法改进的模糊神经网络模型，并初始化模糊神经网络与遗传算法，设定相关的算法参数；

步骤2、根据步骤1中的断路器历史数据来训练基于遗传算法改进的模糊神经网络模型；

步骤3、待步骤2完成后，获取断路器的实时监测特征量，其监测量包括主回路电流信号、分合闸线圈电流信号、储能电机启动电流信号及分合闸铁心位移信号；

步骤4、根据步骤2中得到的基于遗传算法改进的模糊神经网络模型与步骤3中获得的断路器实时监测特征量来诊断被监测的断路器运行状态。

本发明的特点还在于：

步骤1中构建基于遗传算法改进的模糊神经网络模型，并初始化模糊神经网络与遗传算法，具体按照以下步骤实施：

步骤a、建立模糊神经网络：其结构与bp神经网络相似，由输入层、三层隐层以及输出层构成，每一层的节点的计算过程由模糊逻辑代替，修改网路连接权和阈值的误差反传过程由遗传算法代替，具体方法如下：

第一层是输入层，本层的每个节点分别与每个输入量xi连接，目的是将输入集合x＝[x1,x2,…,xn]^t传递到下一层，该层节点数为n1＝n；

第二层相当于模糊逻辑中的模糊化器，其一个节点对应包含有一个语言值，该层是用来计算输入量的隶属度

式(1)中，i＝1,2,…,n，j＝1,2,…,mi，n是输入量的个数，mi是xi的模糊分割数，该层节点数目为

第三层与第四层相当于模糊逻辑中的模糊推理机，知识库作用于这两层上，第三层中的一个节点就代表一条模糊规则，该层是用来确定相应的模糊规则，并能计算每条规则的适用度，即：

式(2)中：i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，...，in∈{1,2,…,mn}，j＝1,2,…,m，该层的节点数目为n3＝m；

第四层完成的是归一化计算，按照式(3)，其节点数与上一层相等，即：

n4＝n3＝m；

第五层是输出层，也相当于模糊逻辑中的反模糊化器，实现的是解模糊化计算，即：

式(4)中：wij是yi的第j个语言值的隶属度函数的中心值，其向量式如下：

式(5)中：

步骤b、经步骤a后，建立遗传算法：采用二进制进行编码，选择操作常用的“赌轮法”；交叉操作与变异操作采用在运行初期，以平均值在0.65的交叉率进行交叉操作，以平均值在0.55的变异率进行变异操作，在算法运行后期，以平均值在0.05交叉率进行交叉操作，以平均值在0.09变异率进行变异操作，按照式(7)和式(8)计算交叉率pc和变异率pm：

式(7)和式(8)中：fmax为最大个体适应度，favg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

目标函数为求模型的输出量与训练样本的期望输出的差之和的最小值，即：

式(9)中，yfnn-ga为fnn-ga模型的输出值，ydata为训练样本的期望输出，n为样本个数；

个体适应度如下：

式(10)中，cmax选为种群最大的个体适应度；

步骤c、待步骤b完成后，初始化模糊神经网络与遗传算法，设定相关的算法参数：

对于模糊神经网络有：对于由专家给出的规则，将第三层对应相应规则的连接权wij设置为0.8，阈值θij设置为0，以保证专家经验的优先权；然后将剩余的连接权wij设置为(-1,0.8)的随机数和阈值θij设置为(-1,1)的随机数，学习率设置为0.8；

对于遗传算法有：设置种群为m＝100，进化终止代数为t＝200，初始的交叉率为pc0＝0.7，初始的变异率为pm0＝0.001。

步骤2具体按照以下步骤实施：

步骤2.1、用断路器历史数据作为训练样本的输入值，用相对应的诊断结论作为训练样本的输出值；

步骤2.2、经步骤2.1后，将训练样本的输入值输入到网络中，观察网络的输出值是否与期望的训练样本的输出值相同；

步骤2.3、将步骤2.2后，若达到了期望的输出，则模型训练完成，并将所有模型参数更新到对应的数据库中，为保障模型能对每种型号的断路器进行精确的故障诊断，故每种型号的断路器都应建有相应的数据库；

若未能达到期望的输出，则用遗传算法对现有的连接权和阈值进行编码；

步骤2.4、经步骤2.3后，进行一次遗传操作产生新的群体，再解码产生新的连接权和阈值来替换原来的值；

步骤2.5、重复步骤2.2～步骤2.4，直到输出达到期望或者迭代次数达到为止，至此模型训练完毕。

步骤3中，获取的断路器实时监测特征量是通过断路器运行状态监测系统采集的。

断路器运行状态监测系统的结构为：包括微处理器，微处理器分别连接有电源模块、信息处理单元、数据存储单元、通信模块，且信息处理单元的输入端与传感器连接；传感器包括有主回路电流传感器、分合闸线圈电流传感器、储能电机启动电流传感器和分合闸铁心位移传感器。

本发明的有益效果是：

(1)本发明的断路器故障诊断方法，既能综合评估断路器的工作状态，又能在单独故障类别上进行精确诊断，弥补了现有断路器运行状态评估方法的缺失；

(2)本发明的断路器故障诊断方法，具有高效的自学习性、优良的自适应性、快速的数据处理能力和良好的人机交互能力，并能对现有的专家经验进行快速获取和对故障样本进行分析学习，得到完备的诊断知识库，从而为断路器的运行状态评估提供准确的凭据。

附图说明

图1是本发明的断路器故障诊断方法的流程图；

图2是本发明的断路器故障诊断方法中构建的基于遗传算法改进的模糊神经网络模型的结构示意图；

图3是本发明的断路器故障诊断方法中采用的断路器运行状态监测系统的结构示意图；

图4是本发明的断路器故障诊断方法的评估效果图。

图中，1.微处理器，2.电源模块，3.信息处理单元，4.传感器，5.通信模块，6.数据存储单元。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于遗传算法改进模糊神经网络的断路器故障诊断方法，如图1所示，具体按照以下步骤实施：

步骤1、获取断路器的历史监测特征量与相应的诊断结论，构建基于遗传算法改进的模糊神经网络模型，并初始化模糊神经网络与遗传算法，设定相关的算法参数，具体按照以下方法实施：

断路器的历史监测特征量与相应的诊断结论是由相关电力企业所提供的；

构建基于遗传算法改进的模糊神经网络模型，并初始化模糊神经网络与遗传算法，具体按照以下步骤实施：

步骤a、建立模糊神经网络：其结构与bp神经网络相似，由输入层、三层隐层以及输出层构成，如图2所示，每一层的节点的计算过程由模糊逻辑代替，修改网路连接权和阈值的误差反传过程由遗传算法代替，具体方法如下：

第一层是输入层，本层的每个节点分别与每个输入量xi连接，目的是将输入集合x＝[x1,x2,…,xn]^t传递到下一层，该层节点数为n1＝n；

第二层相当于模糊逻辑中的模糊化器，其一个节点对应包含有一个语言值，如：nb、ns等，该层是用来计算输入量的隶属度

式(1)中，i＝1,2,…,n，j＝1,2,…,mi，n是输入量的个数，mi是xi的模糊分割数，该层节点数目为

第三层与第四层相当于模糊逻辑中的模糊推理机，知识库作用于这两层上，第三层中的一个节点就代表一条模糊规则，该层是用来确定相应的模糊规则，并能计算每条规则的适用度，即：

式(2)中：i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，...，in∈{1,2,…,mn}，j＝1,2,…,m，该层的节点数目为n3＝m；

第四层完成的是归一化计算，如式3所示，其节点数与上一层相等，即：

n4＝n3＝m；

第五层是输出层，也相当于模糊逻辑中的反模糊化器，实现的是解模糊化计算，即：

式(4)中：wij是yi的第j个语言值的隶属度函数的中心值，其向量式如下：

式(5)中：

步骤b、经步骤a后，建立遗传算法：采用二进制进行编码，选择操作常用的“赌轮法”；交叉操作与变异操作采用在运行初期，以平均值在0.65左右的交叉率进行交叉操作，以平均值在0.55左右的变异率进行变异操作，在算法运行后期，以平均值在0.05左右交叉率进行交叉操作，以平均值在0.09左右变异率进行变异操作，按照式(7)和式(8)计算交叉率pc和变异率pm：

式(7)和式(8)中：fmax为最大个体适应度，favg为平均个体适应度，f′为执行交叉操作个体中的最大适应度，f是执行变异操作个体中的最大适应度；

目标函数为求模型的输出量与训练样本的期望输出的差之和的最小值，即：

式(9)中，yfnn-ga为fnn-ga模型的输出值，ydata为训练样本的期望输出，n为样本个数；

个体适应度如下：

式(10)中，cmax选为种群最大的个体适应度；

步骤c、待步骤b完成后，初始化模糊神经网络与遗传算法，设定相关的算法参数：

对于模糊神经网络有：对于由专家给出的规则，将第三层对应相应规则的连接权wij设置为0.8，阈值θij设置为0，以保证专家经验的优先权；然后将剩余的连接权wij设置为(-1,0.8)的随机数和阈值θij设置为(-1,1)的随机数，学习率设置为0.8；

对于遗传算法有：设置种群为m＝100，进化终止代数为t＝200，初始的交叉率为pc0＝0.7，初始的变异率为pm0＝0.001。

步骤2、根据步骤1中的断路器历史数据来训练基于遗传算法改进的模糊神经网络，具体按照以下步骤实施：

步骤2.1、用断路器历史数据作为训练样本的输入值，用相对应的诊断结论作为训练样本的输出值；

步骤2.2、经步骤2.1后，将训练样本的输入值输入到网络中，观察网络的输出值是否与期望的训练样本的输出值相同；

步骤2.3、将步骤2.2后，若达到了期望的输出，则模型训练完成，并将所有模型参数更新到对应的数据库中，为保障模型能对每种型号的断路器进行精确的故障诊断，故每种型号的断路器都应建有相应的数据库；

若未能达到期望的输出，则用遗传算法对现有的连接权和阈值进行编码；

步骤2.4、经步骤2.3后，进行一次遗传操作产生新的群体，再解码产生新的连接权和阈值来替换原来的值；

步骤2.5、重复步骤2.2到步骤2.4，直到输出达到期望或者迭代次数达到为止，至此模型训练完毕。

步骤3、待步骤2完成后，获取断路器的实时监测特征量，其监测量包括主回路电流信号、分合闸线圈电流信号、储能电机启动电流信号及分合闸铁心位移信号；

获取的断路器实时监测特征量是通过断路器运行状态监测系统采集的；

该断路器运行状态监测系统的结构为：如图3所示，包括微处理器1，微处理器1分别连接有电源模块2、信息处理单元3、数据存储单元6、通信模块5，且信息处理单元3的输入端与传感器4连接；传感器4包括有主回路电流传感器、分合闸线圈电流传感器、储能电机启动电流传感器和分合闸铁心位移传感器。

该断路器运行状态监测系统的工作原理如下：

该监测系统由微处理器1及相关外围硬件与传感器4组成，微处理器1与信息处理单元3可用于接收和初步处理传感器4监测到的主回路电流信号、分合闸线圈电流信号、储能电机启动电流信号及分合闸铁心位移信号，再通过数据存储单元6和通信模块将数据保存并上传至上位机进行显示和分析处理，上位机通过使用本发明的监测方法可以实现对监测信号进行分析处理和对设备故障进行判断并给出诊断结果。

步骤4、根据步骤2中得到的基于遗传算法改进的模糊神经网络模型与步骤3中获得的断路器实时监测特征量来诊断被监测的断路器运行状态。

实验验证：

如图4所示，是根据在试验平台上对vjy-12p/t630-25-210(z)户内型真空式高压断路器进行相关的模拟实验，然后使用得到的数据训练模型并验证模型的诊断效果，其中可以得出在50次试验中模型只有一次诊断错误，这说明本发明基于遗传算法改进模糊神经网络的断路器故障诊断方法能较为精确地对断路器实施故障诊断。

本发明基于遗传算法改进模糊神经网络的断路器故障诊断方法，能快速获取现有的专家经验知识并能从历史诊断数据中学习到断路器的故障特征，弥补了现有的断路器运行状态评估方法的缺失。