基于概率神经网络的高压断路器故障诊断

基于概率神经网络的高压断路器故障诊断

耿飞

（广东电网有限责任公司东莞供电局523000）

摘要：电气设备的故障诊断对于提高生产效率具有十分重要的意义。然而，随着设备内部复杂度的不断提高，故障诊断也成为一项越来越难的工作。因此，基于概率神经网络的高压断路器故障诊断具有重要的意义。本文首先对概率神经网络理论进行了概述，详细探讨了基于概率神经网络的高压断路器故障诊断，旨在使高压断路器始终保持最佳运行状态。

关键词：高压断路器；机械故障；概率神经网络

近年来，随着电气设备复杂度的增加，其发生故障的概率也逐渐上升。即使是熟练工程师，面对日趋复杂的设备内部电气结构，也难以迅速分析及判别其故障原因。与此同时，涌现出的各种智能算法、专家系统等，为设备诊断问题提供了可行的方案。其中，神经网络以其特有优势在电气设备故障诊断中发挥了重要作用。神经网络理论是人工智能、认知学、脑神经学、信息学等诸多学科融合发展的结果，它是由大量简单的处理单元（称为神经元），通过广泛的互相连接而形成的复杂网络系统。神经网络具有学习能力，可以根据电气设备的正常历史数据训练，将训练结果信息与当前测量数据进行比较，以确定故障。同时它具有滤除噪声的能力，这使其能在噪声环境中有效地在线监测及诊断。

1概率神经网络理论

概率神经网络是D。F。Specht博士于1989年提出的，是由径向基神经网络（RBFNN）发展而来的一种前馈型神经网络，在RBFNN的基础上，融合了密度函数估计和Bayes决策理论，该网络以指数函数替代神经网络中常用的S型函数作为激活函数。这种基于统计原理的神经网络模型无需训练样本的连接权值，由给定样本直接构成隐层，训练简洁，分类能力强。概率神经网络由输入层、模式层、求和层和输出层组成，结构如图所示。

2基于概率神经网络的高压断路器故障诊断模型

PNN作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域，其故障模式识别首先利用故障样本对PNN进行训练，以确定网络的结构和参数。PNN训练完毕后，故障的模式分类就是根据给定的征兆，实现征兆集到故障集之间的映射过程。

2.1基于PNN的故障诊断模型

故障诊断模型就是根据给定的故障征兆，实现故障征兆集到故障模式集之间映射的过程。进行高压断路器诊断时，首先要从分（合）闸线圈电流中提取相关的特征参数作为故障征兆，然后利用PNN得出故障模式。其诊断模型如图2所示。

图2基于PNN的高压断路器故障诊断模型

图3线圈供电电路图图4典型的分闸线圈电流波形

2.2特征信号提取

不同的特征信号从不同方面反映出高压断路器故障的真实情况，所以，特征信号提取对高压断路器的故障诊断非常关键。高压断路器的分合闸线圈是用来驱动断路器进行分合闸动作的，其控制电源为直流电源，分合闸线圈电流波形中包含许多信息，反映了电磁铁本身及所控制的锁闩或阀门和联锁触头在操作过程中的工作状态，可以作为与线圈相关联的机械部件的故障诊断之用。高压断路器的分合闸线圈供电电路图如图3所示。高压断路器操作时典型的分闸线圈电流波形如图4所示。

通过分析铁芯的运动过程，分闸线圈电流可以分为五个阶段。第一阶段（t=t0-t1），在t0时刻线圈开始通电，直到线圈中的电流和磁通增加到足以驱动铁芯运动时，即t1时刻，铁芯开始动作，此阶段电流呈指数规律增大，铁芯保持静止。

第二阶段（t=t1-t2），铁芯在电磁力的作用下，克服阻力加速度运动，直到铁芯上端撞击到扣板时停止运动。此阶段电流减小，以维持线圈两端电压平衡。

第三阶段（t=t2-t3），铁芯在时刻停止运动，线圈电流又呈指数规律增大，此阶段是高压断路器的触头在传动系统的带动下进行分、合闸的过程，t2时刻前后触头开始运动，辅助接点在t3时刻切断。

第四阶段（t=t3-t4），此阶段电流接近于稳态。

第五阶段（t=t43-t5），电流的开断阶段，此时段辅助开关断开，然而在辅助开关的触头间产生电弧并被拉长，电弧电压迅速升高，迫使电流迅速下降，直至电弧熄灭。

3PNN的高压断路器的故障诊断的优势

基于PNN的高压断路器的故障诊断在诊断速度和诊断准确率方面都优于BP网络。通过采用PNN和BP网络对高压断路器的故障诊断进行仿真可知，PNN具有以下优势：（1）PNN训练过程简单，收敛速度快。BP网络结构和模型的确定比较复杂，特别是隐含层单元的选取没有确定性法则，需要根据经验反复试算才能得到，而且BP网络可能出现学习算法收敛速度慢和陷入局部极小值等问题。而PNN不需要确定隐含层和隐含层节点数，建模相对简单，网络一经建立就能够使用，只需建立网络的时间，效率很高，不存在收敛性和陷入局部极小值的问题。（2）PNN总获得Bayes优化解，诊断准确率高。BP网络的分类规则没有确定的解释，缺乏透明度。而PNN是基于Bayes最小风险准则高压断路器进行分类的，可以最大限度地利用故障的先验知识，具有很高的诊断准确度。

4结束语

综上所述，基于概率神经网络的高压断路器故障诊断对实现断路器的良好运行具有重要的作用。因此要进一步提高和完善基于概率神经网络的高压断路器故障诊断，这样才能促进断路器的不断发展。

参考文献：

[1]王婷，刘惠康。供电系统中高压断路器故障优化诊断仿真[J]。计算机仿真，2018，35（01）：108-112.

[2]万杰枫。高压断路器实时监测安全运行预警系统设计与研究[D]。东南大学，2017.

[3]杜彦镔。基于神经模糊Petri网的高压断路器故障诊断研究[D]。山东科技大学，2017.

[4]张好勇，张东亮，高树军，张华。基于自组织特征映射神经网络的高压断路器故障诊断[J]。电气应用，2016，35（23）：21-24.

[5]付超。高压断路器机械振动信号分析及故障诊断技术的研究[D]。河北工业大学，2016.

[6]季秋谣。高压断路器在线监测与故障智能诊断技术研究[D]。东南大学，2016.

[7]杨凌霄，朱亚丽。基于概率神经网络的高压断路器故障诊断[J]。电力系统保护与控制，2015，43（10）：62-67.

[8]谢文靖，李鹏，李海燕，曹敏，王达达，张少泉。基于概率神经网络的高压断路器故障诊断模型[J]。江南大学学报（自然科学版），2013，12（05）：559-564.

[9]肖翼。基于改进型支持向量机的高压断路器故障诊断技术研究[D]。首都师范大学，2013.

[10]谢文靖。高压断路器智能故障诊断方法研究[D]。云南大学，2013.