本发明涉及高压断路器在线监测与故障诊断技术，特别是涉及一种高压断路器故障诊断方法。
背景技术
作为电力系统的重要组成部分，高压断路器的主要作用是控制与保护。对高压断路器进行实时的状态监测与故障诊断，可以做到对于断路器运行状态的实时把握，并据此制定合理的检修计划，对保障电网安全运行具有重要意义。根据ieee对选择断路器监测对象的建议，最为常见的状态量有：断路器动触头行程、断路器触头及环境温度、分合闸状态、分合闸线圈电流、储能电机电流以及断路器机械振动。一般断路器的故障诊断就可以通过对上述参数的采集、特征提取、分类来完成。
现阶段，故障诊断领域的分类过程中所采取的智能算法大多为机器学习，所采用的人工智能算法有神经网络(neuralnetwork，nn)，反向传播(backpropagation，bp)算法，粒子群优化算法(particleswarmoptimization，pso)，径向基函数(radialbasisfunction，rbf)，支持向量机(supportvectormachine，svm)等，这些只能算法被应用在工程实践中，一定程度上取得了一些非凡的表现。但是，这些智能算法普遍存在泛化能力差、易产生局部最优解的问题，或者因工作量繁重而不便于大规模工程应用，限制了其进一步的发展和应用。加之，现有的故障诊断研究，仍主要停留在对故障有无的判断和对故障位置的确定，而对故障程度的探知却很少涉及，更不用说提供描述故障程度的判断依据。事实上，仅仅知道故障发生与否和故障定位是远远不够的，对于许多设备来说，早期的轻微程度故障不足以导致维修或者零件更换。只有掌握故障程度，把握故障发展趋势，才能有效指导设备的检修维护，减少停机时间，延长设备寿命。事实上，对故障程度的识别仍是对故障识别功能的一种细化，依然是建立在故障诊断的基础之上的。因此，如何发明一种能够自动学习有效特征，分类性能优越的高压断路器故障诊断方法，已经成为亟需解决的问题。
技术实现要素：
为了解决上述存在的问题，本发明提供一种基于深度信念网络(deepbeliefnetwork，dbn)的高压断路器故障诊断方法，以提高故障分类精确度，减少了高压断路器运维成本，解决网络训练的局部最优问题，提高断路器运行状态识别性能，能够识别断路器故障程度的缺陷。
本发明的高压断路器故障诊断方法，包括如下步骤：
步骤一，采集高压断路器合分闸线圈电流构成数据集，包含断路器正常运行数据和故障类或近似故障类数据；
步骤二，针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；
步骤三，建立dbn分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；
步骤四，使用训练完成的dbn进行高压断路器故障诊断。
进一步的，所述步骤一中，本发明主要针对断路器的控制回路故障和铁芯卡涩故障两种故障类型，所采集的合分闸线圈电流数据构成的数据集，包含断路器正常运行数据和故障类或近似故障类数据。
进一步的，所述步骤二中，制作数据样本集包括如下步骤：
(21)本发明针对控制回路的不同故障程度与铁芯卡涩的不同程序对断路器运行状态进行编码，并以f1-f10代为表达相应运行状况；
(22)按一定比例随机抽取所采集的数据集中大部分数据，去掉标签作为dbn网络的预训练样本，而剩下的部分则保留标签，作为参数微调阶段所需要的带标签样本，以及对于网络分类准确性进行测试的样本。同时为了减小输入数据的差值对网络训练时间及训练准确性的影响，降低计算误差，对电流数据样本进行极差归一化处理，处理方式为：
进一步的，所述步骤三中，建立dbn分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调，具体步骤为：
(31)输入归一化的预训练样本数据，设置网络结构参数，随机初始化网络层间权值，每层偏置值初始置零；
(32)使用预训练样本数据逐层训练rbm层，每一层rbm层的输出作为下一层的输入，直到训练完毕，得到各层网络权值和偏置值；
(33)使用(32)训练所得到的网络参数作为初始值，并使用带标签的数据样本，将dbn展开成bp网络结构，网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
进一步的，所述的步骤四中，基于dbn的高压断路器故障诊断模型由多个rbm叠加而成，模型的输入为在线监测所得到的分合闸线圈电流数据(经归一化处理)，最高层的输出为相应样本属于各个状态的概率值，概率值最大的状态即为诊断的最终结果。
本发明公开了一种高压断路器故障诊断方法，具有如下有益效果：
1、采用断路器合分闸线圈电流构成数据集建立特征空间，数据样本包含故障信息全面；2、采用极差归一化方法处理电流数据样本，完整保留包含故障特点的故障数据，同时减小了输入数据的差值对网络训练时间及训练准确性的影响，降低了计算误差；3、采用dbn分类网络进行故障识别，准确度高、分类效率快，诊断效果优秀，弥补了现有断路器故障诊断系统无法识别断路器故障程度的缺陷，使断路器故障诊断更加智能化，应用价值和前景巨大。
附图说明
图1为本发明诊断方法流程图；
图2为针对本发明的验证试验的故障及对应模拟方式、编码；
图3为本发明验证试验的dbn网络测试样本识别结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
如图1所示，本发明的高压断路器故障诊断方法，包括以下步骤：
步骤一，采集高压断路器合分闸线圈电流构成数据集，包含断路器正常运行数据和故障类或近似故障类数据；
步骤二，针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；
步骤三，建立dbn分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；
步骤四，使用训练完成的dbn进行高压断路器故障诊断。
上述步骤一中，本发明主要针对断路器的控制回路故障和铁芯卡涩故障两种故障类型，所采集的合分闸线圈电流数据构成的数据集，包含断路器正常运行数据和故障类或近似故障类数据。
步骤二针对控制回路的不同故障程度与铁芯卡涩的不同程序对断路器运行状态进行编码，并以f1-f10代为表达相应运行状况。在本发明的验证试验中，通过在控制回路串联不同大小的电阻，来模拟控制回路不同的故障程度；通过在铁芯末端悬挂不同重物来模拟铁芯卡涩的不同程度。相应本发明中的编码方法如图2所示。
按一定比例随机抽取所采集的数据集中大部分数据，去掉标签作为dbn网络的预训练样本，而剩下的部分则保留标签，作为参数微调阶段所需要的带标签样本，以及对于网络分类准确性进行测试的样本。同时为了减小输入数据的差值对网络训练时间及训练准确性的影响，降低计算误差，对电流数据样本进行极差归一化处理，处理方式为：
其中，xi为一个样本中第i个数据归一化后的值，xio为其原始值，xmin为该组数据的最小值，range(x)为该组数据的极差，即样本中最大值与最小值之差。经过这样的数据预处理后，得到的数据样本的值分布在(0,1)之间，将大大提高网络训练的准确性。
上述步骤三中，建立dbn分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调，具体步骤为：
(31)输入归一化的预训练样本数据，设置网络结构参数，随机初始化网络层间权值，每层偏置值初始置零；
(32)使用预训练样本数据逐层训练rbm层，每一层rbm层的输出作为下一层的输入，直到训练完毕，得到各层网络权值和偏置值；
(33)使用(32)训练所得到的网络参数作为初始值，并使用带标签的数据样本，将dbn展开成bp网络结构，网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
进一步地说明dbn网络原理。
dbn由多个rbm叠加而成，高层rbm使用低层rbm的输出层作为输入层，由此叠加。rbm是一个基于能量的生成型模型，由可见层和隐含层组成，其中可见层用于输入数据，隐含层用于提取特征，层间节点互相连接但各层内的节点彼此互不相连，所有节点的值都是随机的0或1。作为一个系统，rbm可见层变量v和隐藏层变量h的总体能量定义为：
上式中v表示可见层节点的状态向量，h表示隐含层节点的状态向量，m、n分别为可见层和隐含层的节点数目；w表示可见层节点与隐含层节点之间的连接权值矩阵；θ＝{w,b,a}为网络模型的参数，其中a、b分别代表隐含层节点和可见层节点的偏置值向量。由玻尔兹曼分布函数可知，在给定参数θ＝{w,b,a}的情况下，可以由下式计算出(v,h)的联合概率分布：
z(θ)＝-∑v,he-e(v,h|θ)
z(θ)被称为归一化常数，为了获取这个常数需要的计算量非常庞大，计算后可得关于受限玻尔兹曼机的联合概率分布的边际分布
但是，对于rbm网络这种层间节点互相连接但各层内节点彼此互不相连的结构，可知网络中不同节点的状态分布是相互独立的，也就是说只要给定某层节点的状态，与其临近的另一层节点的状态便可表达出来：
因此，为了获得隐含层节点或可见层节点的条件概率函数，这里可以首先假设可见层或隐含层各节点的状态是已知的，然后得条件概率函数分别为：
p(hj＝1|v)＝δ(bj+∑jviwij)
p(vi＝1|h)＝δ(ai+∑ihjwij)
其中δ(x)是sigmoid函数，定义为δ(x)＝1/(1+e-x).
应用极大似然法可以确定rbm中参数θ＝{w,b,a}的值，但通过随机梯度下降法来计算似然函数的最优参数存在迭代次数多、计算时间长的问题，并不适用于处理本文中高压断路器在线监测与故障诊断所采集的数据。为了避免极大似然学习法带来的问题，本文应用对比散度(contrastivedivergence,cd-k)算法，将在确保计算精度的同时显著提高计算速度。通过验证通常在k＝1时就可以获得良好的结果。
如前所述dbn是一个含有多个隐含层的深度神经网络，如果将dbn作为整体训练，获取全局最优参数，会加大网络训练的困难。因此，本文采取逐层训练dbn网络的机制，即采用贪婪算法，从低层到高层地每次只训练一个rbm网络层，得到该层最优参数，同时保留该层的特征提取结果即该层的输出数据；然后，以当前层的输出数据作为下一个rbm网络层的输入数据，继续训练；依次进行，完成整个dbn网络的逐层训练。
尽管训练dbn是一个逐层单独训练的过程，但是对于得到的网络参数的微调仍是全局的。使用有标签的数据进行全局参数微调，即，深度信念网络参数微调过程是有监督的训练，本阶段选择算法为反向传播(bp)算法。bp网络的参数初始化通常通过取随机值的方式进行，但在本文所述dbn网络逐层预训练的基础上，使用各层rbm网络参数作为初始值，将dbn展开成bp网络的结构，进行误差的反向传播步骤，以得到dbn网络参数的优化结果。dbn网络的最高层还需加一层分类层，作为对网络特征输出的最终分类判断层，将得到的结果与所输入的带标签数据的标签进行对比，得到的误差数据用来进行误差的反向传播，微调整个网络的参数。
所述步骤四中，本发明所述基于dbn的故障分类模型的输入为在线监测所得到的分合闸线圈电流数据(经归一化处理)，最高层的输出为相应样本属于各个状态的概率值，概率值最大的状态即为诊断的最终结果。在本发明的证明试验中，样本识别结果如图3所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。