基于小波分析与模糊神经网络算法的断路器故障检测方法

技术领域

本发明属于断路器故障检测技术领域，具体涉及一种基于小波分析与模糊神经网络算法的断路器故障检测方法。

背景技术

在当代社会中，人们对电力需求越来越大，对供电的质量要求也越来越高。断路器被广泛应用于电力系统中，它不仅能够对整体电路起到保护作用，维护整个电网的稳定性，降低电路系统发生事故的概率，确保供电的安全性，还能够及时阻碍事故影响的范围。在很大程度上，断路器是整个供电系统中十分重要的一个部分。只有确保断路器正常工作，才能够确保电力系统的正常安全运行，提高供电的效率和质量。

断路器合闸电阻能够在断路器处于合闸状态时，绝缘杆会同时带动主断口和电阻断口。将电网电路中发生故障的电器设备和电气线路进行切断，从而有效地阻止了电路故障影响的范围。相关的数据表明，大多数电力事故的发生的主要原因就是断路器的发生合闸出现了问题。当电路的断路器处于主热备用状态了，合闸电阻发生爆炸事故的概率会大大提高，对整个电路的正常运行产生影响。只有提高了断路器合闸电阻设备的稳定性，才能够保证相关电力系统的正常运行，保证供电质量。

在日常工作中，电气试验是及时发现断路器潜伏性隐患、避免突发事故发生的重要手段。依据《GB50150-2006电气装置安装工程电气设备交接试验标准》和《Q/CSG 114002-2011电力设备预防性试验规程》等现行电气试验标准，机械特性、绝缘电阻、回路电阻、均压电容的介质损耗和电容量等试验项目是断路器主要的电气检测项目，能够发现断路器的大部分缺陷。

目前相关技术标准、规范、规程，针对高压断路器要求检测项目，常规有机械特性、绝缘电阻、回路电阻、均压电容的介质损耗和电容量等诸项。实施这些检测项目，不仅费时、费力且还具有一定作业危险性。另外，在高压断路器诸多检测项目中，对于检测引线的要求差异很大。有些要求承受较高电压且具备双屏蔽性能，如：介质损耗、绝缘电阻项目；有些要求能承受较大电流，如：回路电阻项目。直观、机械的方法是：在每个接线端连接1～2根，能够满足高电压、大电流检测引线。此方法，需要较多的引线数量和接线次数。即每检测一个不同的检测项目时，需重新对高压断路器进行重新接线。频繁换线从而增加了试验操作劳动强度，而且增加了作业风险和检测时间。

综合分析，断路器的电气试验工作主要存在三个方面的问题：一是相间距大、接线端高带来的问题，拆接线的劳动强度大、时间长、工作效率不高，且可靠性低，易损伤瓷瓶，采用常规仪器进行检测，需配置多台仪器，需更换试验接线和仪器操作，且随着高电压等级断路器的端口高度的增加，为频繁的拆接线带来了大量的工作强度；二是安全性低，较多接线次数不但使接线人员更多的面对感应电带来的危险，而且也增加了接线过程中对断路器套管造成损伤的风险。三是测量准确度不够，由于现场的检测环境和条件的限制，测量过程中测量仪器必定会受到现场干扰的影响，这对仪器的性能要求较高。在材料、结构、硬件等的研发条件都已成熟的情况下，有必要针对当前超高压断路器电气检测面临的问题，研制综合多种试验项目的智能化检测系统。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种基于小波分析与模糊神经网络算法的断路器故障检测方法。

为实现上述目的，本发明采用的技术方案如下：

基于小波分析与模糊神经网络算法的断路器故障检测方法，其特征在于，包括如下步骤：

步骤(1)，采集断路器分合闸线圈电流波形及其相应的故障类型；

步骤(2)，利用小波分析对步骤(1)采集的断路器分合闸线圈电流波形进行处理后，得到去噪平滑后的电流波形；

步骤(3)，从步骤(2)去噪平滑后的电流波形中提取波形中的特征参数；

步骤(4)，将步骤(3)得到的特征参数作为模糊RBF神经网络的输入，以相应的故障类型作为输出，进行训练，得到用于检测断路器故障的模糊RBF神经网络；

步骤(5)，采集待检测断路器分合闸线圈电流波形，之后按照步骤(2)和步骤(3)进行处理，将得到的特征参数输入步骤(4)得到的用于检测断路器故障的模糊RBF神经网络，根据该模糊RBF神经网络的输出，获取相应的断路器故障检测结果。

进一步，优选的是，步骤(1)中，采用霍尔电流传感器对分合闸线圈电流信号进行采集。

进一步，优选的是，步骤(1)中，故障类型包括：正常、分闸扣卡涩、分合闸线圈匝间短路、分合闸线圈接触不良和操作机构动作速度降低。

进一步，优选的是，步骤(2)中，采用二进制小波变换提取电流信号，得到去噪平滑后的电流波形。

进一步，优选的是，步骤(3)中提取的特征参数为t

进一步，优选的是，模糊RBF神经网络包括顺序连接的输入层、模糊化层、隐层和输出层；

选择y(x，a，b)选择函数作为隶属度函数，其定义为：

式(23)中，a，b为常数；

设输入的样本为X＝(x

θ表示模糊运算函数；

式(24)中：

得到将样本X模糊化后的模糊输入样本X’：

X’＝{μ

进一步，优选的是，a取值1.4-1.6，b取值2.7-2.9。

本发明针对分合闸线圈电流特征信号对低压断路器的机械故障进行了诊断和检测，首先采用小波变换对电流信号进行了预处理，准确地识别出故障信号中的奇异点，从而可以得到去噪平滑处理后的分合闸线圈电流波形，提取出波形特征值然后进行故障识别，在此基础上又加入了人工智能的方式，采用小波分析和模糊神经网络结合的方法对低压断路器进行故障诊断，这种改进的方法首先以小波分析为基础，提取时间和电流特征参数，然后在模糊神经网络中增加模糊化层，对特征参数进行相对模糊化运算，最后将模糊化后的特征参数输入到神经网络进行故障识别、分类，最后通过实验和仿真的研究，本发明所采用的小波变换和模糊神经网络结合的方式是行之有效的，实验结果显示模糊神经网络低压断路器的故障诊断模型能够准确的诊断出故障类型，具有良好的实用性。

本发明与现有技术相比，其有益效果为：

本发明提供一种基于小波分析与模糊神经网络算法的断路器故障检测方法，该方法在断路器故障检测过程中对于常见故障具有优良的诊断准确度，对于维护电网设备安全运行有实际意义。同时，本发明所提算法在训练过程能够快速获得诊断模型，有助于节省训练时间，提高断路器故障检测效率，易于推广应用。

附图说明

图1为傅里叶变换图；

图2为短时傅里叶变换图；

图3为小波变换图；

图4为小波去噪框图；

图5为硬阈值结果；

图6为软阈值结果；

图7为分合闸线圈等值电路图；

图8为典型分合闸线圈电流波形图；

图9为标准模型的模糊神经网络结构图；

图10为并联模型图；其中，(a)为同等型，(b)为补助型；

图11为RBF误差曲线图；

图12为BP算法误差曲线图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

1理论基础—小波分析理论

傅里叶变换一直是信号处理领域中最完善、最高效、最准确的分析方法。傅里叶变换的定义如下所示。

定义1：设信号f(t)∈L

定义2：Fourier逆变换定义为：

通过式(1)和式(2)可以对信号进行分解和重构。假设输入信号是周期信号，除了基波，其中还包含一个非衰减的直流分量和各种谐波，其表达式为：

式中n＝1,2,…，为采样次数；w为角频率；a

由于各次谐波的相位可能是任意的。a

由式(3)、(4)、(5)可得x(t)的基波分量为：

x(t)＝a

根据式(4)、(5)求得

式中：N-一个周期内的样本数；

x

x

2小波变换理论

小波分析为分析波形提供了一种频率和持续时间结合分析的方法，常被应用于电力系统中非平稳信号分析中，小波变换定义为设f(t)∈L

为函数f(t)的连续小波变换，在式(10)中：

其中a称为小波变换尺度因子，b为平行因子。它是一种具有强大逻辑结构和很大自由度的一种数学工具，可以将所分析信号分解成一系列的不同分辨率的小波，然后在分解出的每一层小波中，从每一层信号中解析出波形存在的故障，噪声等，因此，小波分析能够更好的逼近真实世界的信号，可以在几乎不损失关键信息的情况下，大幅丢弃与干扰信号无关的系数，此外，小波变换对于检测振幅和频率等可突变的信号具有独特的优势，通常可以对信号进行局部化分解得到处理后信号，进一步观察突变的时刻和噪声分布情况。同时相对于傅里叶变换，小波基函数有多种函数类型，例如有Harr小波、Daubechies小波、Symlet小波等等。

2.1离散小波变换

在工程应用中，通常需要对尺度参数a与位移参数b进行离散化，对式(10)中的a和b进行离散采样，因此有：

定义设a＝a

称

为离散小波变换。

当a

小波变换和短时傅里叶变换在时-频窗口上也是不同的，窗口类型都为矩形，即为：

其中a主要影响窗口的伸缩和在频率轴上的位置，b影响窗口在时域轴上的位置，对信号低频特性进行分析时(a变大)，此时窗口横坐标宽，纵坐标高度随之减小。当对信号高频分量进行分析时(a减小)横坐标变窄，纵坐标变宽。通过这种变换方式，分析不同信号时，可以自动调整步长。傅立叶变换、短时傅立叶变换、小波变换的时-频窗比较如图1、图2、图3所示。

2.2小波阈值信号去噪方法

当电力系统受到干扰时，检测设备采集到的信号都是有噪声污染的非平稳信号，为了对信号进一步分析，对还有噪声的原始信号进行去噪处理是非常有必要的，随着现代科学的发展，已经开发了多种去噪方式，根据噪声能量通常集中在高频信号中，而实际真实信号仅出现在低频信号中，利用这一特性，利用低通滤波的方式对信号进行去噪处理，例如常用的方法有Wiener线性滤波器、傅里叶变换等等。但是当滤波器中通频带太窄，会滤过一部分有效信号，若通频带太宽，则去噪效果将不明显，去噪后的信号可能还会有很多的噪声。此外，通过傅里叶变换只能进行整个时间区域内的积分，对于需要局部处理的信号，不具备适用性，所以，采用傅里叶变换进行去噪在实际应用中有一定的限制。

通常情况下，噪声中存在最多的是白噪声干扰，所以我们可以用式(14)表示采集得到的原始信号：

y(n)＝f(n)+σe(n) (14)

其中，y(n)为含噪声的原始信号，f(n)为所需要的真实信号，e(n)为含有高斯白噪声信号，n是信号的长度，σ为噪声信号的标准方差。

小波去噪的基本思想流程可见图4。首先对含有噪声的原始信号进行预处理，采用小波变换对其进行多尺度分解，然后进行去噪处理，通过反演小波变换，最后得到去噪后的信号。

由图4可以看出，做小波变换的关键步骤是如何选取阈值来留下属于原始信号的系数，而尽可能的将属于噪声的系数去除。所选取的阈值函数通常有软阈值和硬阈值。

(1)硬阈值(hard thresholding)

当小波系数的绝对值小于给定阈值时，令其为0，而大于阈值时，保持其不变，即：

λ表示硬阈值的取值，一般取0.02；w表示小波系数的绝对值。

(2)软阈值(soft thresholding)

当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，即：

式中，sgn(·)为符号函数，λ为给定阈值，N为信号的个数，σ为噪声标准方差。图5，图6为在MATLAB中分别采用软阈值和硬阈值对小波系数的处理结果。

3小波变换在低压断路器故障信号检测中的应用

当开关柜发生故障时，将会改变开关柜的状态参数，从而会引起故障症状，故障诊断的作用是根据所收集的状态参数的变化，结合相关的算法，判断故障类型然后进行检修。目前，低压断路器的状态信息主要由电流传感器和行程传感器采集。系统主要选取分合闸线圈电流信号或者是震动信号，提取出信号中所需要研究的特征值，对数据进行分析诊断，以电流信号为例，通过霍尔电流传感器对分合闸线圈电流信号进行采集。

如图7所示，为分合闸线圈的等值电路图，从图7中我们可以看到其主要是由电阻R和一个电感线圈L组成，其中，当断路器进行分合闸操作时，回路中流过电流i，U为电压，t为时间，电路微分方程如下：

其中ψ为磁链，又假设铁心不饱和，有ψ＝L·i，电感L不随i变化，但是随铁心的气隙δ的变化而变化，即：

电感内部通过电流时，电流只能由零逐渐变大逐渐变化，无法瞬间趋于稳定值，此时铁心吸力也在逐渐变化，当铁心的速度为v＝0，即铁心的吸引力不能让铁心运动，δ＝δ

式中L

其中C为常数，特解：

对于断路器进行分合闸操作时，其电流信号含有非常丰富的特征值和特征信号，如图8所示该波形中时间量t

分合闸线圈中的电流信号作为在断路器中非常重要的特征信号值，可知在铁心运动之前，线圈中的电流i呈指数上升，到达t

其中L

(1)阶段1，t

(2)阶段2，t

(3)阶段3，t

(4)阶段4，t

根据上述过程，通过提取电流信号中的时间特征值t

上述内容是对小波分解理论的基础介绍，下面将介绍本发明方法的重点内容。

从宏观的角度上看，神经网络和模糊算法属于不同的科学类别，从网络知识的表达上看，神经网络可以处理非常复杂的函数关系，比较难以理解。从神经网络的应用来看，神经网络需要模拟的神经元有很多，计算过程较多，但是结果非常准确，同时可以从输入和输出的样本中进行自主学习，再无需进行设置。而模糊系统可以根据人的意识和经验将概念模糊化，便于人们进行理解，能准确处理人的语言与思维中的模糊关系，同时模糊系统可将知识存储在模糊规则中，对于不同的输入量可以通过模糊规则进行输入，可以容纳更多的输入量，但是模糊规则大多由专家提供和设计，难以自动获取，在此基础上，将两者优点结合，采用模糊神经网络对复杂结构进行了研究，可以大大提高系统的表达和学习能力。

本发明将介绍一种利用小波变换提取信号特征进行分析，并结合模糊神经网络来识别断路器短路故障的方法。该方法首先对需要研究的信号做小波变换分析，得到去噪平滑处理后的波形后，从中提取出特征信号值做为输入信号，然后将特征值模糊化后输入到神经网络中，对于不同的输出要求，可以采取不同类型的神经网络进行研究，从而根据建立的自主学习模糊神经网络的诊断结果来判断断路器的故障类型、性质和部位。

1模糊神经网络模型

模糊神经网络模型结构如图9所示。

模糊神经网络是含有多层结构的网络，从结构图可以看出其中包括模糊化层、输入层、隐层和输出层，相邻两层直接互相连接，有一定的对应关系，且连接的两层对应一个权值。

(1)模糊化层：若每个输入变量均定义有m个模糊集合，则此层内共有n×m个结点，分为n组，每组m个结点。第i组的m个结点输入都是x

(2)输入层：此层接收模糊化后的参量输入向量x，将输入值X＝(x

(3)隐层：其作用是先将模糊规则存储，将输入值带入计算出每条规则的使用度，其中每一个节点代表一条模糊规则；

(4)输出层：将数据通过计算后采用加权平均算法的得出结果。

模糊神经网络主要形式：根据模糊系统和神经网络的连接方式，通常可以分为两种类型：

(1)并联型结合

如图10所示，神经网络和模糊系统有共同输入端，可以看出它们的连接方式为并联，在系统中，按这两者所担负的职能轻重可以划分为补助以及同等这两种形式。当系统中的神经网络工作在同等型时，神经网络和模糊系统共同决定了系统的输出模式；当系统中的神经网络工作在补助型时，则仅需模糊系统与神经网络一方决定输出端的模式，相当于图中的子系统1，子系统2则起到补偿作用。

(2)串联型结合

串联型结合就是将神经网络和模糊系统相串联结合，将输入特征量进行模糊处理后作为输入量连接在神经网络中，这种处理方式可以将两者优点相结合，是一种对系统进行更加准确有效的评判方法，本发明就是采用串联型模糊神经网络作为分析方法。

2模糊神经网络的学习算法

模糊神经网络相比于模糊系统和神经网络的优势主要是可以根据不同系统要求输入输出值，通过设计样本对系统进行设置，最终得到需要的结果，这种形式称为自学习过程。基本学习方式一般有三种：基于梯度下降的学习算法、基于递推最小二乘的学习算法，以及基于聚类的学习法。本发明采用基于聚类的学习法。

基于聚类法的学习算法是将模糊系统与神经网络结合建模，将模糊神经网络中规定的数据作为参数设计，然后根据所需要输入-输出的对数进一步确定模糊规则的数目。通过这种学习算法可以将输入-输出个数与所设定的模糊规则等价，使之数量相等。由于为现有算法，不做过多的赘述。

参考文献：

[1]张媛,张广明,袁宇浩.利用聚类分析法改进的多Agent协作强化学习方法[J].计算机测量与控制,2010(04):923-926.

[2]李凯,常圣领,高悦.基于聚类技术的集成学习方法研究[J].河北大学学报(自然科学版),2009,29(2):209-213.

3基于小波分析的模糊神经网络诊断思路与方法

模糊神经网络可以根据本身的学习机制自动形成系统所需要的决策类型，是一种具有自适应能力的模式识别方法，首先通过仿真选取所需要的特征值，根据特征值的大小，将对故障最敏感的特征数据作为系统的输入向量，然后根据训练样本建立神经网络故障样本集，对网络进行训练，最后当训练结束，对于每一组输入的特征值参数，建立的模糊神经网络系统将会迅速进行诊断并判断是否发生故障，得出最终结果。

通过模糊神经网络对断路器的故障诊断思路可描述为：首先提取出信号特征值，将输入数据模糊化归一为神经网络输入向量；然后将采集到的样本输入到模糊神经网络中进行训练，得到关于器件故障类型的知识。之后将需要诊断的特征值输入进行测试，获得该状态下网络的输出情况，最后对网络输出结果进行处理分析后得到诊断结果，判断器件是否发生故障，同时判断发生故障时的故障类型和位置，从而可以进一步处理。

3.1故障诊断特征量的选取

通常情况下，断路器会出现拒分、拒合、误分、误合等常见故障。在自由脱扣机构和传动系统上则表现为，自由脱扣装置进行了位移、卡涩甚至损坏，分合闸铁心脱扣失灵、卡涩或松动。在操动机构中，电磁铁是非常重要的控制元件，当外部指令需要断路器进行分合闸操作时，操作机构能够正常进行动作，保证电路的安全。又因为分合闸线圈中的电流中包含着很多关于断路器操动机构的相关信息，对线圈中电流信号进行研究即可以了解电磁铁控制的阀门和触头等机构在动作时刻的工作状态。

利用小波分析对分合闸线圈波形进行处理后，可以得到去噪平滑后的电流波形，从而可以轻松的得到波形中的特征参数t

电力设备在运行过程中从无故障状态到发生故障是一种渐变的过程，设备产生故障和其状态也没有明显的因果关系，所以需要通过将发生故障的类型和故障信号特征值相结合，明确其因果关系，通过模糊化层将故障信号特征值模糊化，由此确定故障类型和故障信号两者的模糊关系，模糊化层的建立是通过相对应的隶属函数将特征值转换为模糊集的过程。输入层能够处理各种格式的输入通过模糊化层选择合适的隶属度函数，所以本发明选择y(x，a，b)选择函数作为隶属度函数，其定义为：

式(23)中，a，b为常数；，当xb时，y(x)的值始终为1。

设输入的样本为X＝(x

式(24)中：

通过上述计算可以得到将样本X模糊化后的模糊输入样本X’：

X’＝{μ

通常来说，为了使输出结果更加简便，通过将可能发生的故障情况用实际输出量代替，同时也可以将设备的正常情况用不同的输出量表示。在本发明中，选取的网络输出为机构正常、分合闸扣卡涩、分合闸线圈匝间短路、分合闸线圈接触不良、操作机构动作速度降低五个。并且，设置网络的输出值在0到1的范围。通过输出的数值大小表示设备发生故障的概率，也可以表示为故障程度，当输出数值越接近1则表明发生故障的可能性越高，数值越接近0则表明出现故障的概率越低。

3.2基于模糊RBF神经网络的设计

人工神经网络有多种网络模型，例如BP神经网络、RBF神经网络(也称为径向基函数网络)、回归网络等。在这些神经网络中RBF网络无论在学习能力、计算速度和分类比较能力上都优于其他网络模型，所以本发明以RBF神经网络为基础，建立模糊神经网络模型进行分析，RBF神经网络同BP神经网络一样，属于前向神经网络，但是RBF网络在处理复杂函数关系的问题上可以保持较高的精确度，对于解决分类型问题具有很大的作用。RBF神经网络函数采用S函数(双曲正切函数)，其表达式如(26)。将输出量用线性函数表示，见式(27)，隐层由1列节点组成，每1节点包含1个中心，每1个节点计算中心与网络输入矢量的欧氏距离，通过径向基函数处理，一般径向基函数取高斯函数，得到隐层节点的输出，网络的输出由隐层节点输出组合而成。因此，RBF网络的输入输出响应见式(28)：

y＝f(u)＝u (27)

式(26)中参数λ表示函数的斜率，也是双曲正切函数的增益值。

式(28)中：exp(·)称为径向基函数；||·||为欧氏空间；x

学习算法具体步骤如下：

(1)根据K-均值聚类法确定函数网络中心c

(2)求解方差σ

(3)通过神经网络计算出相邻层隐含层-输出层的权值，利用最小二乘法计算出隐含层-输出层的相邻连接权值。

4实验结果分析

输入、输出量确定好后进行样本的收集，训练数据的准备工作是网络设计与训练的基础，数据选择的合理性以及数据表示的合理性对于网络设计具有极为重要的影响。在这里，一共收集了60组典型的断路器分闸电流曲线特征值作为样本，选取50组作为训练样本，限于篇幅只列出了前10组，其他10组用来测试网络的特性，为了方便，我们将故障类型标为正常(A)、分闸扣卡涩(B)、分合闸线圈匝间短路(C)、分合闸线圈接触不良(D)、操作机构动作速度降低(E)如表1所示。

表1训练数据样本

基于RBF神经网络初始参数的设置：将4个时间特征值t

表2测试样本数据

根据训练样本所建立的模糊神经网络模型，将测试样本数据输入到网络模型中，得到故障诊断结果如表3所示。

表3 RBF故障诊断结果

由上述可得，测试样本实际结果与训练诊断结果期望输出基本一致，可以准确有效的诊断出断路器具体故障，基于RBF网络建立的模糊神经网络诊断结果与期望输出的误差曲线如图11所示。

通过比较表2、表3的诊断结果不难发现，基于RBF网络建立的模糊神经网络其诊断结果和实际结果基本一致，诊断误差在设定的范围之内，能够对断路器故障类型做出正确的评估。从误差曲线可以看出，模糊神经网络在迭代100次左右后收敛，收敛速度较快，说明该故障诊断方法可行，具有较好的实用性。

为了验证RBF神经网络相对于BP神经网络的优势，在相同条件下训练、进行测试比较，采用基于BP神经网络建立的模糊神经网络进行诊断，结果如表4所示，误差曲线如图12所示：

表4 BP诊断结果

RBF神经网络与BP神经网络两者的具体性能比较如表5所示。

表5训练时间、训练步长及平方误差和比较

从表5中可以看出，基于RBF网络建立的模糊神经网络相比于BP网络具有更好的诊断准确度，训练计算速度更快，训练时间也较BP网络更短，在相同的条件下RBF网络诊断能力也优于BP网络。由此可得，基于RBF建立的模糊神经网络可以有效的对断路器故障进行诊断，具有良好的实用性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。