一种基于深度置信网络的高压断路器生命周期智能评估方法与流程

1.本发明涉及高压断路器技术领域，尤其涉及一种基于深度置信网络的高压断路器生命周期智能评估方法。


背景技术：

2.高压断路器不仅可以切断或闭合高压电路中的空载电流和负荷电流，而且当系统发生故障时通过继电器保护装置的作用，切断过负荷电流和短路电流，具有相当完善的灭弧结构和足够的断流能力。高压断路器在电力系统中担负着控制和保护的双重任务，其性能的优劣直接关系到电力系统的安全运行。因而在电网的维护中，高压断路器的检测维护是一项重要的内容。电网中的高压断路器数量众多，而且检测项目繁多。对高压断路器的检测和维护包括二次回路检测、机械特性检测、接触电阻检测等多个项目，检测完成后，还需要对检测数据进行分析判断，从而确定被检测的高压断路器是否存在安全隐患，对高压断路器的状态进行评估。其中，机械特性参数是判断断路器性能的重要参数之一。根据cigre与中国电科院的调研结果，机械故障占开关设备故障的近37％，因此对开关设备进行机械故障检测显得极为必要。目前采用的“到期检修”的检修方式存在严重的不足。如临时性维修不足、维修过剩、盲目维修或因检修不当而引发检修事故。建立在设备运行状态基础上的状态检修是当前最为先进的设备检修方法。因此，对高压断路器进行生命周期评估及故障预警研究，具有重要的经济意义和技术意义。
3.如中国专利cn105467309a，公开日20156年4月6日，一种高压断路器触头状态评价方法及检修策略，其主要技术特点是：将动态电阻测试仪、大容量蓄电池、速度传感器和电流传感器与高压断路器触头连接成测试回路并对高压断路器触头分闸过程的动态电阻进行测量；动态电阻测试仪对测量的速度、电流与电压信号进行计算分析，得到分闸过程的触头动态电阻行程曲线，并通过触头动态电阻行程曲线获取触头电阻值与长度值；将获取的触头电阻值与长度值与标准值作比较，对触头状态进行评价，并制定有效的检修策略。其技术方案使用触头电阻值与长度值直观地表现触头状态，为评价断路器触头状态和制定检修策略提供了重要的参考依据。但其不能为二次回路以及机械特性的检测提供技术指导，不能解决缺乏高压断路器进行生命周期评估技术的问题。


技术实现要素：

4.本发明主要解决现有的技术中高压断路器的检测无法满足高压断路器的生命周期评估问题；提供一种基于深度置信网络的高压断路器生命周期智能评估方法。
5.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于深度置信网络的高压断路器生命周期智能评估方法，包括以下步骤：
6.s1：获取多个同型号高压断路器的历史维保数据和环境信息作为检测数据；
7.s2：设置故障源，对同型号的高压断路器进行多次分合闸动作，直至出现故障，在此过程中，对高压断路器进行周期性数据检测，将检测的数据作为故障参考数据；
8.s3：将故障参考数据与故障类型进行关联，制作故障数据集，将故障数据集和检测数据作为样本数据；
9.s4：将样本数据分为训练集和测试集，搭建深度置信网络模型，利用训练集进行深度置信网络训练，利用测试集进行深度置信网络测试；
10.s5：利用测试好的深度置信网络进行高压断路器生命周期评估。
11.通过对多个相同型号的高压断路器进行历史维保数据和环境信息采集，以及在实验室条件下进行故障源设置进行高压断路器故障类型数据的获取，结合深度置信网络算法，在充分数据的支持下进行高压断路器生命周期评估，更加智能化，同时，对于高压断路器的生命周期评估更加准确，实现对高压断路器的及时更换，从而降低高压断路器的故障频率，节约电网在高压断路器上的设备成本和人力成本。
12.作为优选，所述的历史维保数据包括高压断路器历史故障信息、高压断路器历史故障类型、高压断路器故障维修后的运行年限、高压断路器机械性能以及高压断路器的工作状态，所述环境信息包括高压断路器所处的温度信息、湿度信息以及磁场强度信息。
13.作为优选，所述的高压断路器机械性能采用神经网络进行机械性能智能评估，具体包括以下步骤：
14.s11：获取高压断路器分闸完成图像数据、高压断路器分合闸过程图像数据、高压断路器合闸完成图像数据以及高压断路器分合闸过程的电流波形数据作为机械性能样本数据；
15.s12：将机械性能样本数据进行数据预处理，将预处理后的机械性能样本数据分为训练数据集、测试数据集和验证数据集；
16.s13：构建深度残差网络模型，利用训练数据集训练深度残差网络模型，利用验证数据集验证深度残差网络模型，利用测试数据集测试深度残差网络模型；
17.s14：利用训练好的深度残差网络模型进行高压断路器机械性能评估。
18.通过对高压断路器分闸完成时、分合闸过程以及合闸完成时的图像采集，判断高压断路器是否出现缺损、变形、卡涩等机械故障，根据高压断路器分合闸的状态判断断路器的机械性能状态，通过深度残差网络算法进行机器智能学习，智能化判断高压断路器的机械性能状态，同时，在断路器进行分合闸过程中还对其电流状态进行对比检测，使得深度残差网络的判断更加准确，提高评估结果的准确性和可靠性。
19.作为优选，所述的高压断路器分合闸过程图像数据的获取方法为：
20.s111：寻找高压断路器成一定角度的两个相邻平面，在高压断路器分合闸过程向两个相邻平面发射圆环状的明暗条纹光照；
21.s112：至少采集两次高压断路器分合闸过程的视频数据，每次高压断路器分合闸的起点、终点以及时长一致；
22.s113：以周期t将采集的视频数据进行抽帧处理，获得若干张高压断路器分合闸过程图像，所述周期t的设定方法为：其中，t为断路器分合闸过程的时长，δ为高压断路器分合闸过程的振动频率，v为高压断路器分合闸过程的角速度。
23.通过两个相邻平面对断路器分合闸过程进行照射，若断路器在分合闸过程处于正常状态，这明暗条纹光照之间的间距不会产生变化，而一旦断路器在分合闸过程出现较大
的波动导致振动幅度较大，则明暗条纹光照之间的间距发生改变，通过至少两次的数据采集，进行数据对比，即可明显的发现断路器是否处于正常状态，先进行视频采集后进行抽帧处理，防止出现摄像头无法及时捕捉画面的问题，后期经过周期抽帧处理后，获得断路器分合闸过程图像更具代表性。
24.作为优选，步骤s12中，对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤：
25.s221：采集断路器分合闸过程的电流波形，对采集的电流波形通过低通滤波器和高通滤波器进行滤波处理，获得滤波后的电流信号；
26.s222：以周期t对滤波后电流信号进行截断处理，获得若干个截断电流信号；
27.s223：对若干个截断电流信号进行傅里叶变化，得到各个时刻的频率和幅值信息；
28.s224：对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像；
29.s225：将获得的时频图像作为断路器分合闸过程的电流特征图像，将断路器分合闸过程的电流特征图像作为预处理后的样本数据。
30.对采集的电流信号以同样的周期t进行截断处理，使得电流波形的电流特征图像与断路器分合闸过程图像进行对应，通过电流特征图像更准确的反应断路器的机械性能，提高评估结果的准确性。
31.作为优选，步骤s13中构建深度残差网络模型，包括以下步骤：
32.s331：构建深度残差网络基本架构；
33.s332：将训练数据集对深度残差网络进行训练，对深度残差网络的基本参数进行调整；
34.s333：利用验证数据集对深度残差网络的超参数进行调整；
35.s334：利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。
36.作为优选，步骤s12中，对断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据进行数据预处理时包括以下步骤：
37.a：对图像数据进行灰度处理，获得灰度图像；
38.b：设置黄金圆，所述黄金圆内部填充0
‑
255之间的灰度值的特征，其内部特征灰度值的具体设置方法为：其中k为黄金圆内特征的灰度值，n为灰度图像中断路器的特征数，l
i
为灰度图像中断路器的第i个特征的灰度值；
39.c：利用黄金圆对灰度图像进行覆盖性检测，将灰度图像中灰度值大于黄金圆的部分特征进行保留，将灰度图像中灰度值小于黄金圆的部分特征进行灰度值归0处理，获得断路器分闸完成特征图像、断路器分合闸过程特征图像和断路器合闸完成特征图像。
40.作为优选，所述的故障参考数据包括所述检测数据包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。
41.作为优选，将样本数据分为训练集和测试集之前，先将故障数据集和检测数据进
行长度补充，使得故障数据集和检测数据长度一致，再将故障数据集和检测数据进行归一化处理。
42.本发明的有益效果是：通过对高压断路器分闸完成时、分合闸过程以及合闸完成时的图像采集，判断高压断路器是否出现缺损、变形、卡涩等机械故障，根据高压断路器分合闸的状态判断断路器的机械性能状态，通过深度残差网络算法进行机器智能学习，智能化判断高压断路器的机械性能状态，提高评估结果的准确性和可靠性，使得电网能准确把握高压断路器的性能状态，继而通过对高压断路器其他维保数据以及环境信息的采集，结合深度置信网络算法，实现高压断路器生命周期的智能评估，使得高压断路器的使用寿命能被更加准确的评估，实现对高压断路器的及时更换，从而降低高压断路器的故障频率，节约电网在高压断路器上的设备成本和人力成本。
附图说明
43.图1是本发明实施例的高压断路器生命周期智能评估方法的流程框图。
44.图2是本发明实施例的电流波形数据进行数据预处理方法的流程框图。
具体实施方式
45.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
46.实施例：一种基于深度置信网络的高压断路器生命周期智能评估方法，如图1所示，包括以下步骤：
47.s1：获取多个同型号高压断路器的历史维保数据和环境信息作为检测数据；历史维保数据包括高压断路器历史故障信息、高压断路器历史故障类型、高压断路器故障维修后的运行年限、高压断路器机械性能以及高压断路器的工作状态，环境信息包括高压断路器所处的温度信息、湿度信息以及磁场强度信息。
48.高压断路器机械性能采用神经网络进行机械性能智能评估，具体包括以下步骤：
49.s11：获取高压断路器分闸完成图像数据、高压断路器分合闸过程图像数据、高压断路器合闸完成图像数据以及高压断路器分合闸过程的电流波形数据作为机械性能样本数据；高压断路器分合闸过程图像数据的获取方法为：
50.s111：寻找高压断路器成一定角度的两个相邻平面，在高压断路器分合闸过程向两个相邻平面发射圆环状的明暗条纹光照；
51.s112：至少采集两次高压断路器分合闸过程的视频数据，每次高压断路器分合闸的起点、终点以及时长一致；
52.s113：以周期t将采集的视频数据进行抽帧处理，获得若干张高压断路器分合闸过程图像，所述周期t的设定方法为：其中，t为断路器分合闸过程的时长，δ为高压断路器分合闸过程的振动频率，v为高压断路器分合闸过程的角速度。
53.s12：将机械性能样本数据进行数据预处理，将预处理后的机械性能样本数据分为训练数据集、测试数据集和验证数据集；如图2所示，对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤：
54.s221：采集断路器分合闸过程的电流波形，对采集的电流波形通过低通滤波器和
高通滤波器进行滤波处理，获得滤波后的电流信号；
55.s222：以周期t对滤波后电流信号进行截断处理，获得若干个截断电流信号；
56.s223：对若干个截断电流信号进行傅里叶变化，得到各个时刻的频率和幅值信息；
57.s224：对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像；
58.s225：将获得的时频图像作为断路器分合闸过程的电流特征图像，将断路器分合闸过程的电流特征图像作为预处理后的样本数据。
59.对断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据进行数据预处理时包括以下步骤：
60.a：对图像数据进行灰度处理，获得灰度图像；
61.b：设置黄金圆，所述黄金圆内部填充0
‑
255之间的灰度值的特征，其内部特征灰度值的具体设置方法为：其中k为黄金圆内特征的灰度值，n为灰度图像中断路器的特征数，l
i
为灰度图像中断路器的第i个特征的灰度值；
62.c：利用黄金圆对灰度图像进行覆盖性检测，将灰度图像中灰度值大于黄金圆的部分特征进行保留，将灰度图像中灰度值小于黄金圆的部分特征进行灰度值归0处理，获得断路器分闸完成特征图像、断路器分合闸过程特征图像和断路器合闸完成特征图像。
63.s13：构建深度残差网络模型，利用训练数据集训练深度残差网络模型，利用验证数据集验证深度残差网络模型，利用测试数据集测试深度残差网络模型；构建深度残差网络模型，包括以下步骤：
64.s331：构建深度残差网络基本架构，设置卷积层数量、残差模块数量、池化层数量和全连接层；
65.s332：将训练数据集对深度残差网络进行训练，采用梯度下降法和二元交叉熵损失函数对基本参数进行优化调整；
66.s333：利用验证数据集对深度残差网络的超参数进行调整；超参数包括样本数据的数量、单个样本数据的大小、神经元的个数、学习速率以及迭代次数；
67.s334：利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。
68.s14：利用训练好的深度残差网络模型进行高压断路器机械性能评估；将评估得到的高压断路器机械性能指标用于深度置信网络进行高压断路器生命周期评估。
69.s2：设置故障源，对同型号的高压断路器进行多次分合闸动作，直至出现故障，在此过程中，对高压断路器进行周期性数据检测，将检测的数据作为故障参考数据；故障参考数据包括所述检测数据包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。
70.s3：将故障参考数据与故障类型进行关联，制作故障数据集，将故障数据集和检测数据作为样本数据；
71.s4：将故障数据集和检测数据进行长度补充，使得故障数据集和检测数据长度一
致，再将故障数据集和检测数据进行归一化处理，将归一化处理后的样本数据分为训练集和测试集，搭建深度置信网络模型，利用训练集进行深度置信网络训练，利用测试集进行深度置信网络测试。
72.s5：利用测试好的深度置信网络进行高压断路器生命周期评估。
73.本发明通过对高压断路器分闸完成时、分合闸过程以及合闸完成时的图像采集，判断高压断路器是否出现缺损、变形、卡涩等机械故障，根据高压断路器分合闸的状态判断断路器的机械性能状态，通过深度残差网络算法进行机器智能学习，智能化判断高压断路器的机械性能状态，提高评估结果的准确性和可靠性，使得电网能准确把握高压断路器的性能状态，继而通过对高压断路器其他维保数据以及环境信息的采集，结合深度置信网络算法，实现高压断路器生命周期的智能评估，使得高压断路器的使用寿命能被更加准确的评估，实现对高压断路器的及时更换，从而降低高压断路器的故障频率，节约电网在高压断路器上的设备成本和人力成本。
74.以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。