【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及智能變電站故障診斷領(lǐng)域，具體涉及一種基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法。
技術(shù)介紹
1、智能變電站是未來電網(wǎng)的發(fā)展的重中之重，由于電網(wǎng)國模的擴(kuò)大和用電量的激增，變電站內(nèi)需求的數(shù)據(jù)量也不斷增長(zhǎng)，因此針對(duì)實(shí)時(shí)數(shù)據(jù)的可靠、快速傳輸逐漸成為傳統(tǒng)變電站無法承擔(dān)的責(zé)任，這一點(diǎn)對(duì)于變電站內(nèi)的二次系統(tǒng)而言尤為明顯。傳統(tǒng)的變電站內(nèi)用的都是電纜進(jìn)行數(shù)據(jù)傳輸，數(shù)據(jù)量的增加意味著電纜數(shù)量的增加，不僅加大了電纜成本的投入，也使得變電站內(nèi)部的信息網(wǎng)絡(luò)變得十分臃腫。智能變電站內(nèi)使用的二次系統(tǒng)是網(wǎng)絡(luò)化的，整體構(gòu)成了一種“三層兩網(wǎng)”的結(jié)構(gòu)。三層分別是間隔層、過程層和站控層。兩網(wǎng)則是goose網(wǎng)和sv網(wǎng)。
2、智能變電站的出現(xiàn)在給變電站二次系統(tǒng)通信帶來便利的同時(shí)也產(chǎn)生了一些列的負(fù)面影響，例如二次系統(tǒng)使用的是虛端子，回路也是虛回路，因此在發(fā)生故障后難以實(shí)現(xiàn)準(zhǔn)確的故障診斷和定位，傳統(tǒng)的二次系統(tǒng)故障診斷方法也不再適用于智能變電站。為了解決二次系統(tǒng)檢修過程中存在的資源不足與過剩的問題，在智能變電站中對(duì)二次系統(tǒng)進(jìn)行運(yùn)行和維護(hù)的過程中正在逐漸由定期計(jì)劃到狀態(tài)決策轉(zhuǎn)變。狀態(tài)決策檢修方式就是以設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)為基礎(chǔ)，當(dāng)設(shè)備發(fā)生故障后對(duì)其進(jìn)行故障診斷和故障定位，從而制定相關(guān)的檢修方案并調(diào)遣工作人員前往。
3、對(duì)二次設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)可以為故障診斷提供數(shù)據(jù)支撐，一般會(huì)將監(jiān)測(cè)裝置各自獨(dú)立地安裝到一次設(shè)備上進(jìn)行監(jiān)測(cè)。在智能變電站中由于二次系統(tǒng)中的端子和回路被極大地簡(jiǎn)化了且二次系統(tǒng)中的設(shè)備一般具有極強(qiáng)的自我檢測(cè)能力。所以理論上來說
4、在傳統(tǒng)的方式中，當(dāng)二次系統(tǒng)發(fā)生故障后無法實(shí)現(xiàn)準(zhǔn)確的故障診斷和故障定位，只能夠在一定程度上縮小故障范圍，進(jìn)而由工作人員利用站內(nèi)的網(wǎng)絡(luò)分析裝置、故障錄波裝置以及其他能夠發(fā)出相關(guān)告警信息的裝置進(jìn)一步開展具體的故障診斷和校驗(yàn)。由于目前變電站內(nèi)的二次系統(tǒng)錯(cuò)綜復(fù)雜且二次設(shè)備數(shù)量巨大，當(dāng)某個(gè)裝置發(fā)生故障后與其相關(guān)的很多裝置都可能發(fā)出告警，因此工作人員需要在數(shù)十個(gè)告警信息中通過分析尋找到具體的故障原因并進(jìn)行排查，二次系統(tǒng)故障診斷的工作效率極低。因此，在實(shí)際工作中亟需開發(fā)一種針對(duì)智能變電站中二次系統(tǒng)發(fā)生故障后能夠提升效率和準(zhǔn)確率的故障診斷方法。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)的上述不足，本專利技術(shù)提供了一種基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，解決現(xiàn)有診斷方法無法適用于數(shù)據(jù)量較大且復(fù)雜的情況，且診斷精度較低的問題。
2、為達(dá)到上述專利技術(shù)目的，本專利技術(shù)所采用的技術(shù)方案為：
3、提供一種基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其包括以下步驟：
4、s1：確定智能變電站的二次系統(tǒng)的故障設(shè)備和發(fā)生的故障類型，根據(jù)故障設(shè)備和故障類型構(gòu)建故障參數(shù)數(shù)據(jù)庫；
5、s2：利用巡視機(jī)器人采集二次系統(tǒng)的故障設(shè)備發(fā)送的故障參數(shù)，輸入故障參數(shù)數(shù)據(jù)庫，提取故障參數(shù)數(shù)據(jù)庫內(nèi)的若干故障參數(shù)、故障設(shè)備和故障類型作為訓(xùn)練樣本；
6、s3：建立bp-n神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)，設(shè)置bp-n神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)；
7、s4：將訓(xùn)練樣本輸入bp-n神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，輸出滿足收斂終止條件的模型參數(shù)，并輸出訓(xùn)練結(jié)果；
8、s5：計(jì)算訓(xùn)練結(jié)果的誤差，根據(jù)訓(xùn)練結(jié)果的誤差建立模型參數(shù)的種群，并對(duì)種群進(jìn)行初始化，利用ga遺傳算法對(duì)初始化的種群進(jìn)行遺傳變異操作，輸出最優(yōu)的權(quán)值和閾值；
9、s6：最優(yōu)權(quán)值與閾值對(duì)應(yīng)最優(yōu)的模型參數(shù)，輸入bp-n神經(jīng)網(wǎng)絡(luò)模型，完成對(duì)bp-n神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；
10、s7：巡視機(jī)器人采集智能變電站內(nèi)二次系統(tǒng)的運(yùn)行參數(shù)，輸入訓(xùn)練完成的bp-n神經(jīng)網(wǎng)絡(luò)模型，輸出二次系統(tǒng)內(nèi)故障的故障類型和二次設(shè)備。
11、進(jìn)一步地，步驟s4包括：
12、s41：將訓(xùn)練樣本輸入bp-n神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，輸出損失函數(shù)的期望值e(θ)：
13、
14、其中，θ為初始參數(shù)的集合，yji為真實(shí)的故障類型，為預(yù)測(cè)的故障類型，m為設(shè)備的種類，n為每種設(shè)備采集的故障參數(shù)量，j為故障設(shè)備的種類編號(hào)，i為故障參數(shù)類型的編號(hào)；
15、s42：根據(jù)損失函數(shù)的期望值，計(jì)算輸出層的誤差項(xiàng)和隱藏層的誤差項(xiàng)，輸出層的誤差項(xiàng)包括梯度值和偏導(dǎo)數(shù)隱藏層的誤差項(xiàng)包括梯度值和偏導(dǎo)數(shù)
16、
17、
18、
19、
20、其中，v和b2分別為隱藏層到輸出層的參數(shù)，w和b1分別為輸入層到隱藏層的參數(shù)，net1為隱藏層的輸出，net2為輸出層的輸出；
21、s43：更新bp-n神經(jīng)網(wǎng)絡(luò)模型中的權(quán)值和偏置項(xiàng)；
22、輸出層的初始參數(shù)更新：
23、
24、其中，k為隱藏層的數(shù)量，v(k)為第k個(gè)隱藏層到輸出層的參數(shù)，v(k-1)為第k-1個(gè)隱藏層到輸出層的參數(shù)，為第k個(gè)隱藏層到輸出層的梯度值，η為設(shè)定的學(xué)習(xí)率；
25、隱藏層的初始參數(shù)更新：
26、
27、其中，w(k)為輸入層到第k個(gè)隱藏層到參數(shù)，w(k-1)為輸入層到第k-1個(gè)隱藏層的參數(shù)，為輸入層到第k個(gè)隱藏層的梯度值，η為設(shè)定的學(xué)習(xí)率；
28、s44：返回步驟s42，將訓(xùn)練樣本輸入更新參數(shù)后的bp-n神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練更新參數(shù)后的bp-n神經(jīng)網(wǎng)絡(luò)模型；
29、s45：直到計(jì)算出的損失函數(shù)期望值小于設(shè)定的閾值或達(dá)到設(shè)置的迭代次數(shù)，完成bp-n神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，輸出此時(shí)的bp-n神經(jīng)網(wǎng)絡(luò)模型參數(shù)。
30、進(jìn)一步地，步驟s5包括：
31、s51：計(jì)算最后一次訓(xùn)練得到的bp-n神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)期望值e′與閾值的差值，作為訓(xùn)練結(jié)果的誤差；
32、s52：將期望值e′與閾值之間的范圍作為期望區(qū)間，參考期望區(qū)間設(shè)置對(duì)應(yīng)bp-n神經(jīng)網(wǎng)絡(luò)模型的參數(shù)范圍，每個(gè)參數(shù)范圍形成一條染色體，參數(shù)范圍的長(zhǎng)度作為染色體的長(zhǎng)度，參數(shù)范圍內(nèi)的每個(gè)值為染色體的基因；
33、s53：在每條染色體內(nèi)隨機(jī)均勻選取若干個(gè)基因，并將選取的基因進(jìn)行二值化處理，得到每個(gè)基因的二進(jìn)制編碼；
34、s54：在每條染色體內(nèi)的二進(jìn)制編碼內(nèi)隨機(jī)選取若干編碼進(jìn)行交叉替換，得到交叉基因，交叉基因?qū)?yīng)新的交叉參數(shù)個(gè)體，形成的所有交叉參數(shù)代入bp-n神經(jīng)網(wǎng)絡(luò)模型內(nèi)，并將訓(xùn)練樣本輸入交叉參數(shù)的bp-n神經(jīng)網(wǎng)絡(luò)模型中，得到新的損失函數(shù)期望值e″；
35、s55：將損失函數(shù)期望值e″與損失函數(shù)期望值e′進(jìn)行比較，若e″≤e′，則將交叉形成的交叉基因遺傳到下一代，執(zhí)行步驟s56；否則，返回步驟s54，重新隨機(jī)生成若干個(gè)基因；
36、s56：基于交叉基因?qū)?yīng)的二進(jìn)制編碼，將二進(jìn)制編碼采用隨機(jī)突變的方式對(duì)其中若干個(gè)編碼進(jìn)行隨機(jī)突變，形成突變基因，每個(gè)突變基因?qū)?yīng)一個(gè)突變參數(shù)，將所有本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，所述步驟S4包括：
3.根據(jù)權(quán)利要求1所述的基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，所述步驟S5包括：
4.根據(jù)權(quán)利要求1所述的基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，所述巡視機(jī)器人中的工業(yè)相機(jī)和感知傳感器采集目標(biāo)二次設(shè)備的運(yùn)行狀態(tài)，GPS定位模塊能夠?qū)ρ惨暀C(jī)器人的位置進(jìn)行實(shí)時(shí)定位和傳輸；計(jì)算機(jī)控制模塊則用于控制巡視機(jī)器人的運(yùn)行狀態(tài)；二次設(shè)備發(fā)出的故障信息基于數(shù)據(jù)采集系統(tǒng)獲取。
【技術(shù)特征摘要】
1.一種基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，所述步驟s4包括：
3.根據(jù)權(quán)利要求1所述的基于巡視機(jī)器人與深度學(xué)習(xí)的二次系統(tǒng)故障診斷方法，其特征在于，所述步驟s5包括...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：項(xiàng)波，鐘加勇，譚棲林，胡偉楠，熊道兵，張晨，徐毅，張聰譽(yù)，向洪川，廖茜，
申請(qǐng)(專利權(quán))人：國網(wǎng)重慶市電力公司萬州供電分公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。