一种基于图像识别的高压断路器故障诊断方法

本发明涉及电气设备在线监测和故障诊断，具体的是一种基于图像识别的高压断路器故障诊断方法。

背景技术：

1、高压断路器是电力系统中重要的控制、保护设备，其安全、稳定运行对保证电力系统的安全性、可靠性具有至关重要的作用。其在电网中主要承担着两方面的作用：第一，控制作用，根据电网运行需要，可以利用高压断路器把一部分电力设备或线路投入或退出运行。第二，保护作用，在电力线路或设备发生故障时，高压断路器可以快速把故障部分从电网中切除，保证电网中的无故障部分正常运行。若高压断路器发生故障，不能可靠动作，将引起电力系统事故，轻则短路电流造成线路、设备发热；重则引发系统崩溃，造成大范围、长时间停电事故，危及运维人员生命安全。因此，保证断路器安全可靠地运行有着十分重要的意义，需要着重围绕高压断路器的可靠性开展研究，保证高压断路器在各种工况下能够确保正常运行，减小断路器故障发生的可能性。

2、目前，针对高压断路器在线监测和故障诊断，国内外已经有了不少研究成果。为了准确识别各种断路器故障类型，研究者先后提出了基于振动(一种高压断路器故障诊断方法及系统和装置，cn112083328a)、声音(一种多特征优化融合的高压断路器故障诊断方法，cn112255538a)和行程-时间曲线(基于模糊聚类的支持向量机高压断路器故障诊断方法，cn103345639a)等信号的故障诊断方法，上述故障诊断方法具有复杂的特征提取过程，对在线监测信号的处理算法较为复杂。

3、基于操作线圈电流信号的高压断路器在线监测和故障诊断也受到了持续关注，一般通过采集断路器操作线圈电流时序信号并提取电流时序特征实现故障诊断，如基于线圈电流信号的变电站高压断路器故障诊断方法，cn114298079a；梅飞,梅军,郑建勇.基于kpca-svm的断路器故障稳健诊断方法[j].电工技术学报,2014,29(s1):50-58；黄新波,胡潇文,朱永灿.基于卷积神经网络算法的高压断路器故障诊断[j].电力自动化设备,2018,38(05):136-140+147；关永刚,杨元威,钟建英.高压断路器机械故障诊断方法综述[j].高压电器,2018,54(07):10-19。如图1所示为操作线圈电流时序特征提取方法，所述的操作线圈电流时序特征包括电流峰值、电流峰值时间以及电流持续时间，由于仅关注关键特征点，该时序特征提取方法对电流信息的挖掘很不充分，忽略了波形连续变化的时间过程，且未考虑在某些情况下电流波形可能存在的特征差异，例如出现多个峰值的情况，导致不能准确识别出高压断路器真实的状态，也极大程度上影响了故障诊断模型的精度和泛化性能。另外，提取的时序特征维度较低，不能有效表征含有上万个采样点的电流数据，信息丢失严重。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于图像识别的高压断路器故障诊断方法。

2、本发明的目的可以通过以下技术方案实现：一种基于图像识别的高压断路器故障诊断方法，方法包括以下步骤：

3、采集高压断路器操作线圈电流历史数据，并进行预处理，利用映射函数将预处理后的电流历史数据一维时间序列转化为二维张量，绘制像素大小统一的电流图像；

4、将电流图像进行处理后得到电流灰度图像，结合历史数据标签构成高压断路器故障样本，得到高压断路器故障样本库；

5、基于高压断路器故障样本训练预先建立的二维卷积神经网络模型，得到满足精度要求的故障诊断模型；

6、在线监测高压断路器操作线圈电流，通过数据预处理后转化为在线电流灰度图像，将在线电流灰度图像输入训练后的故障诊断模型内，得到故障诊断结果。

7、优选地，所述预处理的过程包括过小波包去噪消除高频噪声和毛刺，通过数据增强方法扩充样本数量。

8、优选地，所述数据增强方法通过生成接近于电流原始数据的样本来扩充数据量，包括将电流信号时序平移、添加随机噪声。

9、优选地，所述电流图像通过幅值归一化和图像灰度化后得到电流灰度图像。

10、优选地，所述故障诊断模型的训练过程如下：

11、利用十折叠交叉法将高压断路器故障样本库内的高压断路器故障样本划分训练集和测试集，分别得到十组不同的数据集，依次训练二维卷积神经网络模型，分析被训练网络的性能，并结合训练目标调整网络结构参数，直到获得满足性能要求的网络结构，网络结构以及经训练获得的参数即为训练后的故障诊断模型。

12、优选地，所述训练故障诊断模型中，初始化卷积神经网络结构参数时考虑输入电流灰度图像的像素稀疏特征，在卷积层中选用维度较小的卷积核和较少的输出通道数，在池化层中设置较大的池化区域，在故障诊断模型精度满足要求的情况下，减少卷积层数、全连接层数，以降低故障诊断模型的参数量和复杂度，兼顾故障诊断高准确率、网络结构轻量化的设计目标，在全连接层之前增加正则化层，以防止故障诊断模型过拟合。

13、优选地，所述操作线圈电流历史数据如下：

14、

15、式中，i(n)为操作线圈电流信号时间序列，in为时刻tn时对应的电流值；

16、利用小波包变换对操作线圈电流历史数据进行分解，小波包分解过程用公式表示为：

17、

18、式中：i(n)为采集的操作线圈电流信号，l为低通滤波器，h为高通滤波器，近似值a是较大的尺度因子产生的小波系数，表示信号的低频分量，而细节值d是较小的尺度因子产生的小波系数，表示信号的高频分量；

19、选择sqtwolog准则来计算操作线圈电流历史数据的降噪阈值的大小，用公式表示为：

20、

21、式中：

22、优选地，进行小波重建，根据层数j的原始近似系数和1到j的修改细节系数计算小波重构，包括：首先利用最后一层分解后的近似值aj和细节值dj分别进行隔点插零，然后分别与滤波器l1以及h1进行卷积运算后得到j-1层近似值aj-1，重复该过程，最终得到原始信号a0＝i(n)。用公式表示为：

23、

24、优选地，所述故障诊断模型的训练过程包括以下步骤：

25、初始化卷积神经网络超参数，从训练集中提取电流灰度图像样本和它的目标输出向量即样本标签，从前层向后层依次计算得到卷积神经网络的输出，单层卷积层对输入张量的二维离散卷积如式(10)：

26、

27、式中，k为输入张量通道数，l为输出张量通道数，输出特征图的长和宽如式(11)所示：

28、

29、式中，s为卷积核移动步长，k为卷积核大小；

30、然后根据式(12)计算卷积神经网络输出和目标向量的交叉熵损失：

31、

32、式中，p(xi)为样本标签的真实概率分布，q(xi)为神经网络前向运算输出的样本标签概率分布；

33、根据式(13)利用梯度下降原理更新网络中各层的参数，直至损失低于所设定的阈值或者迭代训练次数达到预设值，此时训练集准确率达到一个稳定值，

34、f(n+1)＝f(n)±u·||h(p,q)|| (13)

35、式中，f表示网络中各层的参数，u为迭代因子；

36、最后，检验训练集和测试集上的损失是否收敛，准确率是否满足故障诊断精度要求，准确率>90％则满足，如果不满足，重新设置卷积神经网络超参数，调整层数，重复以上，直至故障诊断模型评价指标满足要求，满足要求后故障诊断模型训练完成。

37、本发明的有益效果：

38、1、本发明故障诊断方法克服了现有基于操作线圈电流信号故障诊断方法的不足，不需要复杂的特征向量提取过程，通过计算机视觉直接识别操作线圈电流图像特征，可充分挖掘操作线圈电流信号中的信息，进而实现对高压断路器多种故障类型的有效诊断，具有极高的诊断准确率；

39、2、本发明故障诊断方法中数据增强方法，考虑现场干扰带来的采样噪声以及采样延时问题，通过模拟带有小干扰的电流样本，扩充电流图像样本数量，构建了拥有大量、完备操作线圈电流图像样本的高压断路器故障样本库，有效解决了实际应用中断路器在线监测数据样本少、难以获取的问题，降低了大量样本采集带来的实验成本和对断路器的寿命的影响，并且满足深度学习模型对大量数据样本的需求，提高了模型的泛化性能；

40、3、本发明故障诊断方法中故障诊断模型网络结构相比于经典的alexnet图像识别网络，网络参数数量更少，网络结构更简单轻便，更适合于高压断路器故障诊断的实际应用。