一种基于人工智能技术实现继电器故障识别的系统及方法与流程

本发明涉及电气技术领域，且更具体地涉及一种基于人工智能技术实现继电器故障识别的系统及方法。

背景技术：

继电保护设备是电力系统中至关重要的设备，能够在电力系统出现故障时故障切除以保证电力系统可靠稳定的运行。因此为了保证电力系统运行的可靠性和稳定性，继电保护设备要求从配置和功能上具有防止拒动和误动的措施，使任何单元的故障都不会引起继电保护设备的误动和拒动。

专利申请号cn201910068008.4公开一种继电保护设备控制方法及装置，解决了在控制继电保护设备动作时由于依据单一数据源进行判断而造成继电保护可靠性差的问题，但智能性差，精度不高。

专利申请号cn201621129925.7公开了一种继电保护出口回路自动切换装置，当不同继电保护装置需要出口传动且实际只有一台断路器机构时，利用切换装置自动切换操作电源，防止不同继电保护装置操作电源互串，同时将切换至哪一套继电保护装置的信息传递到监控后台，便于培训指导老师对现场培训人员做整组传动试验的把控，仍旧没有涉及到智能化、自动化处理，精确

随着电子技术以及人工智能技术的发展，电力系统的可靠运行是实现电网系统顺利运行的基础和最重要的技术指标之一，为了避免人员、电网、设备等造成损失，就需要一种人工智能的控制方法，以提高控制精度。

技术实现要素：

针对现有技术的不足，本发明公开了一种基于人工智能技术实现继电器故障识别的系统及方法，能够实现电力设备中继电保护，智能化程度好，精度高。

本发明采用以下技术方案：

一种基于人工智能技术实现继电器故障识别的系统，包括：

继电器状态采集层，其内设置有终端设备，所述终端设备内设置有继电器，所述继电器连接有传感器或过电流检测电路，其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、gis传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、rfid标签、gps设备、射线辐射传感器、热敏传感器或能耗传感器；所述过电流检测电路至少包括i/v转换器、放大器、积分器、比较器、定时器、变流器以及输出继电器，通过所述变流器输出的次级电流经由所述i/v转换器，将输出信号转换成电压信号，然后将该电压进行直流输出。将电压比较器与人工初始设定的阈值进行比较，如果输出的直流电压大于人工设定的阈值，则输出识别信号；

数据传输层，其内布置有线通讯模块或无线通讯模块，用于接收并传递所述继电器状态采集层感知的继电器状态数据信息；其中：所述有线通讯模块至少包括rs485通讯模块或rs232通讯模块，所述无线通讯模块至少包括tcp/ip网络系统、zigbee无线网络、gprs通讯模块或cdma无线通讯或蓝牙通讯模块；

人工智能学习层，其内设置有计算机处理系统，所述计算机处理系统设置有apriori关联规则算法模型和改进型bp神经网络算法单元，其中所述apriori关联规则算法模型用于将所述继电器状态采集层感知的计算机信息按照不同的继电故障属性进行搜索，以搜索到最优解，所述属性至少包括的故障分类为电流、电压、谐波、磁场、振动、过电流、过电压或人工操作失误信息；所述改进型bp神经网络算法单元使用梯度下降来搜索可能的权向量的假设空间，以找到最佳的拟合样例的权向量，利用损失函数，每次向损失函数负梯度方向移动，直到损失函数取得最小值，以提高人工智能学习精度，提高学习正确率；并且其中所述apriori关联规则算法模型的输出端与所述改进型bp神经网络算法单元的输出端连接，所述apriori关联规则算法模型为决策树apriori关联规则算法模型，所述改进型bp神经网络算法单元包括输入层、隐藏层、输出层和激活层，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层的输入端连接，所述激活层的输入端分别与所述输入层、隐藏层和输出层的输出端连接；

数据应用层，其内设置有具有远程数据传递接口的计算机，通过所述计算机识别或应用所述人工智能学习层输出的数据信息，对所述人工智能学习层输出的数据信息进行研究、调查、控制或应用；

远程调度层，其内设置有远程管理计算机，所述远程管理计算机设置有远程管理数据收发端口，接收所述数据应用层输出的数据信息；其中：

所述继电器状态采集层中的状态数据库输出接口与所述数据传输层的输入端连接，所述数据传输层的输出端与所示人工智能学习层的输入端连接，所述人工智能学习层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程调度层的输入端连接。

进一步地，所述过电流检测电路还包括电流采集电路。

进一步地，所述电流采样电路包括电流互感器，所述电流互感器输出端连接有三级lm224放大电路，所述三级lm224放大电路的输出端与a/d转换单元连接。

本发明还采用以下技术方案：

一种基于人工智能技术实现继电器故障识别的方法，所述方法包括以下步骤：

(s1)通过继电器状态采集层获取继电器故障数据信息；

(s2)通过数据传输层传递继电器状态采集层的数据信息；

(s3)人工智能学习层接收数据传输层传递的数据信息，并对接收到的数据信息进行学习；

(s4)数据应用层对人工智能学习层输出的数据信息进行应用；

(s5)远程调度层与数据应用层进行数据通讯，实现数据的远程传递、监控和应用。

进一步地，所述人工智能学习为基于apriori关联规则算法和bp神经网络算法的学习方式。

进一步地，所述apriori关联规则算法的方法为：

对运行工作状态中的继电器列表进行扫描，然后根据样式参数的排列方式，得到所有继电器运行状态的参数；

根据继电器运行状态的各属性值，所述属性值至少包括工作电压、工作电流、纹波、磁场、人工作业，利用层次分析法计算各属性值的加权值；

根据人工设置的加权值，计算各属性值警告集t的权重值,可以用公式(1)来表示；

(4)根据各属性值集的权重，计算各属性值警告的加权支持度,用公式2来表示；

根据预先设置好的最小支持度阈值，产生加权的警告频繁k项集；

(5)将警告频繁k项集，根据网络加权项目集的先验性质，采用优化拼接和减枝方法，产生警告项目的候选k+1项集，计算候选警告k+1项集的加权支持度，产生加权的警告频繁k+1项集；

(6)重复步骤四，直到无法继续产生告警频繁项目集，最终得出最优解。

根据权利要求6所述的一种基于人工智能技术实现继电器故障识别的方法，其特征在于：k值介于50-100之间。

进一步地，所述bp神经网络算法通过调节bp神经网络模型中的权值或者阈值来调整模型输出结果，继而实现逐步逼近该模型输出的结果的目的，使得输出误差能够达到最小，并且所述bp神经网络算法包括向前传播算法模型和向后传播算法模型。

进一步地，所述向前传播算法模型的工作方法为：

假设从输入层输入的数据为x，输入层到隐藏层参数为ω、b1，隐藏层到输出层参数为υ、b2，激活函数用为g1、g2，则模型设定为：

从输入层到隐藏层的输出公式为：

net1＝ω^tx+b1,h＝g1(net1)(3)

从隐藏层到输出层的输出公式为：

则有：

则损失函数为：

其中k＝2。

进一步地，所述向后传播算法模型中：

调整输出层权系数公式为：

采用以下公式调整隐含层权系数：

另外，在不同的继电器故障数据样本中，由于输入模式不同[22]，其对应的二次型准确函数模型也不同，用以下公式进行表示：

对于n个继电器故障信息样本，采用以下公式表达总准确函数表达式：

用字母△ωki表示bp神经网络算法模型的输出层权系数，用字母表示bp神经网络算法模型的的信息期望输出值，用字母表示为bp神经网络算法模型进行计算的输出，用字母η表示为常数，η的值介于0.1-2.8之间。

积极有益效果：

本发明解决的技术问题能够实现继电器故障的信息采集和识别，在运行过程中即可实现数据的在线、远程、实时监控，提高了继电器的工作性能。本发明将人工智能算法融合远程通信技术和在线监控技术，使得用户不必在工作现场即可实现继电器工作状态的监控，智能化程度高，精度高，具有较好的实用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于人工智能技术实现继电器故障识别系统的架构示意图

图2为本发明一种基于人工智能技术实现继电器故障识别系统中过电流检测架构示意图；

图3为本发明一种基于人工智能技术实现继电器故障识别系统中过电流保护电路示意图；

图4为本发明一种基于人工智能技术实现继电器故障识别系统中一种实施例结构示意图；

图5为本发明一种基于人工智能技术实现继电器故障识别方法的流程示意图；

图6为本发明一种基于人工智能技术实现继电器故障识别方法中人工智能学习算法架构示意图；

图7为本发明一种基于人工智能技术实现继电器故障识别方法中bp神经网络算法模型中前向算法模型示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1系统

如图1-图4所示，一种基于人工智能技术实现继电器故障识别的系统，包括：

继电器状态采集层，其内设置有终端设备，所述终端设备内设置有继电器，所述继电器连接有传感器或过电流检测电路，其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、gis传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、rfid标签、gps设备、射线辐射传感器、热敏传感器或能耗传感器；所述过电流检测电路至少包括i/v转换器、放大器、积分器、比较器、定时器、变流器以及输出继电器，通过所述变流器输出的次级电流经由所述i/v转换器，将输出信号转换成电压信号，然后将该电压进行直流输出。将电压比较器与人工初始设定的阈值进行比较，如果输出的直流电压大于人工设定的阈值，则输出识别信号；

数据传输层，其内布置有线通讯模块或无线通讯模块，用于接收并传递所述继电器状态采集层感知的继电器状态数据信息；其中：所述有线通讯模块至少包括rs485通讯模块或rs232通讯模块，所述无线通讯模块至少包括tcp/ip网络系统、zigbee无线网络、gprs通讯模块或cdma无线通讯或蓝牙通讯模块；

人工智能学习层，其内设置有计算机处理系统，所述计算机处理系统设置有apriori关联规则算法模型和改进型bp神经网络算法单元，其中所述apriori关联规则算法模型用于将所述继电器状态采集层感知的计算机信息按照不同的继电故障属性进行搜索，以搜索到最优解，所述属性至少包括的故障分类为电流、电压、谐波、磁场、振动、过电流、过电压或人工操作失误信息；所述改进型bp神经网络算法单元使用梯度下降来搜索可能的权向量的假设空间，以找到最佳的拟合样例的权向量，利用损失函数，每次向损失函数负梯度方向移动，直到损失函数取得最小值，以提高人工智能学习精度，提高学习正确率；并且其中所述apriori关联规则算法模型的输出端与所述改进型bp神经网络算法单元的输出端连接，所述apriori关联规则算法模型为决策树apriori关联规则算法模型，所述改进型bp神经网络算法单元包括输入层、隐藏层、输出层和激活层，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层的输入端连接，所述激活层的输入端分别与所述输入层、隐藏层和输出层的输出端连接；

数据应用层，其内设置有具有远程数据传递接口的计算机，通过所述计算机识别或应用所述人工智能学习层输出的数据信息，对所述人工智能学习层输出的数据信息进行研究、调查、控制或应用；

远程调度层，其内设置有远程管理计算机，所述远程管理计算机设置有远程管理数据收发端口，接收所述数据应用层输出的数据信息；其中：

所述继电器状态采集层中的状态数据库输出接口与所述数据传输层的输入端连接，所述数据传输层的输出端与所示人工智能学习层的输入端连接，所述人工智能学习层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程调度层的输入端连接。

进一步地，所述过电流检测电路还包括电流采集电路。

进一步地，所述电流采样电路包括电流互感器，所述电流互感器输出端连接有三级lm224放大电路，所述三级lm224放大电路的输出端与a/d转换单元连接。在进行电流采样设计时，在输入端采用电流传感器进行电流输入，通过电流互感器实现大电流到小交流电压的输入，通过信号调理电路将输入微控制器的a/d模块进行滤波、放大和输出。如图5所示，在图5中，r1、c1为采用电流互感器后进行积分计算的电阻和电容。r1的输出电压信号被运算放大器lm224u1a、u1b构成的放大电路进行放大，被放大后的信号产生2.5v左右的交流电压。在图中，电容c3、电阻r7、电容c4以及电阻r6实现了低通滤波和高通滤波，并且其截止频率为1/2πrc。通过数学计算，在10.61hz-123.72hz之间的频率范围内选择频率。其中lm224u1c放大器的主要作用是向前方产生的交流电压提供基准直流电压，将交流电压信号与直流电压信号进行叠加，最终提高电压的值。而v0输出的信息经调理电路进行调理后，变成单极性电压，然后将此电压直接输入a/d单元(lpc2294内)，则实现了电流采样。

实施例2方法

如图5-图7所示，一种基于人工智能技术实现继电器故障识别的方法，所述方法包括以下步骤：

(s1)通过继电器状态采集层获取继电器故障数据信息；

(s2)通过数据传输层传递继电器状态采集层的数据信息；

(s3)人工智能学习层接收数据传输层传递的数据信息，并对接收到的数据信息进行学习；

(s4)数据应用层对人工智能学习层输出的数据信息进行应用；

(s5)远程调度层与数据应用层进行数据通讯，实现数据的远程传递、监控和应用。

在上述实施例中，所述人工智能学习为基于apriori关联规则算法和bp神经网络算法的学习方式。

在上述实施例中，所述apriori关联规则算法的方法为：

(1)对运行工作状态中的继电器列表进行扫描，然后根据样式参数的排列方式，得到所有继电器运行状态的参数；

(2)根据继电器运行状态的各属性值，所述属性值至少包括工作电压、工作电流、纹波、磁场、人工作业，利用层次分析法计算各属性值的加权值；

(3)根据人工设置的加权值，计算各属性值警告集t的权重值,可以用公式(1)来表示；

(4)根据各属性值集的权重，计算各属性值警告的加权支持度,用公式2来表示；

根据预先设置好的最小支持度阈值，产生加权的警告频繁k项集；

(5)将警告频繁k项集，根据网络加权项目集的先验性质，采用优化拼接和减枝方法，产生警告项目的候选k+1项集，计算候选警告k+1项集的加权支持度，产生加权的警告频繁k+1项集；

(6)重复步骤四，直到无法继续产生告警频繁项目集，最终得出最优解。

根据权利要求6所述的一种基于人工智能技术实现继电器故障识别的方法，其特征在于：k值介于50-100之间。

在上述实施例中，所述bp神经网络算法通过调节bp神经网络模型中的权值或者阈值来调整模型输出结果，继而实现逐步逼近该模型输出的结果的目的，使得输出误差能够达到最小，并且所述bp神经网络算法包括向前传播算法模型和向后传播算法模型。

在上述实施例中，所述向前传播算法模型的工作方法为：

假设从输入层输入的数据为x，输入层到隐藏层参数为ω、b1，隐藏层到输出层参数为υ、b2，激活函数用为g1、g2，则模型设定为：

从输入层到隐藏层的输出公式为：

net1＝ω^tx+b1,h＝g1(net1)(3)

从隐藏层到输出层的输出公式为：

则有：

则损失函数为：

其中k＝2。

数据从输入层，经过权重值和偏置项的线性变换处理，再通过激活层，得到隐藏层的输出，也即下一层的输入；隐藏层到输出层之间是，经过权重值和偏置项的线性变换，之后通过激活层，得到输出层。

进一步地，所述向后传播算法模型中：

调整输出层权系数公式为：

采用以下公式调整隐含层权系数：

另外，在不同的继电器故障数据样本中，由于输入模式不同[22]，其对应的二次型准确函数模型也不同，用以下公式进行表示：

对于n个继电器故障信息样本，采用以下公式表达总准确函数表达式：

用字母△ωki表示bp神经网络算法模型的输出层权系数，用字母表示bp神经网络算法模型的的信息期望输出值，用字母表示为bp神经网络算法模型进行计算的输出，用字母η表示为常数，η的值介于0.1-2.8之间。

利用上述公式进行评定时，尤其是提取复杂继电器故障类型信息时，在进一步提高学习精度方面，需要对采集到的继电器样本数据进行标准化。在进行标准化处理时，如果在模型输入的继电器故障信息的种类有m个，样本数量有n,则对于输入数据xij进行标准化处理时，需要按照下列公式计算：

在上述公式中，i＝1,2，…,n；j＝1,2…,m,上述公式中zij则为进行标准化处理后的数据。

标准化下公式可以为：

其中yi为输出继电器故障数据样本；

y′i为标准化后的继电器故障数据样本信息；

ymax为输出继电器故障信息数据样本中的极大值,ymin为输出继电器故障信息数据样本中的极小值；

其中0.2<q<1.3；0.1<b<1.4，更加优选地，0.25<q<1.1；0.15<b<1.3，

然后将隐层结点数确定在6-10之间，更优选地，将隐层结点数确定在8-9之间，输入层到隐层的数值介于0.2-0.6之间，更优选地，介于0.25-0.45之间，隐层到输出层之间的数值可以为0.08-0.32之间，更优选地介于0.1-0.25，通过这种方式建立了bp神经网络模型，进而快速识别出继电器故障数据类型。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。