基于深度循环神经网络的高压断路器机械状态评估算法研究文献综述

 2022-10-27 04:10
  1. 文献综述(或调研报告):

高压断路器指额定电压等级在12kV及以上的断路器,在电力系统中一般指110kV以上的输配电断路器,作为电力系统中最重要的设备之一,肩负着控制和保护的双重任务,其性能的可靠性关系到电力系统的安全运行。国际大电网会议以及我国电力研究院关于高压断路器故障的统计调查显示:断路器的大多数故障(主要故障的70%和次要故障的86%)发生在机械机构[1]。根据国内外统计资料显示,操动机构故障占断路器总故障的43%[2],因此通过对高压断路器机械状态进行分析预测,对于保障高压设备的平稳运行和电力系统的安全稳定具有重要意义。

断路器在分合闸过程中,分合闸线圈通过牵引铁心移动撞击脱扣机构运动进而控制分合闸操作,在铁心运动中,分合闸线圈电感随着线圈内部铁心移动而变化,因而分合闸线圈内部流通的电流也在变化,因此分合闸线圈电流曲线可反应出断路器的机械性能,如拒动、误动。断路器脱扣器的撞击及分合闸过程中伴随着强烈的振动,振动信号是包含各类断路器故障的高频信息由于断路器机械结构复杂,发生机械故障时与多种因素存在耦合。因此,基于分合闸线圈电流与振动信号的高压断路器故障诊断成为研究热点,主要方法有行程-时间检测法、分合闸线圈电流检测法和振动信号检测法[3]。随着国内外对高压断路器故障诊断方法的深入研究,产生了许多新方法,如利用专家系统[4]、概率神经网络[5]、模糊知识[6]、粗糙集合[7]、BP神经网络[8, 9]和支持向量机[10, 11](support vector machine,SVM)等人工智能技术对断路器进行故障诊断和状态分类 。这类新技术的应用,大大提高了高压断路器故障分析的效率。

作为机器学习的分支,深度学习(deep learning)是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的基于对数据进行表征学习的算法。观测值可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征[12]。至今已有数种深度学习框架,如深度神经网络、卷积神经网络和深度置信网络和递归神经网络[13]已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

TensorFlow是一个运行于大规模和异构环境的开源数学计算引擎,由Google创造,用Apache 2.0协议发布。它将数据流图的节点映射到在一个集群中的多台机器上,并在一台机器上跨越多台计算设备,包括多核CPU、通用GPU和定制设计的TPU[14],这种架构给应用程序开发人员以灵活性。TensorFlow具有以下优点:高度的灵活性、真正的可移植性、科研和产品的紧密联系、自动求积分、多语言支持以及性能最优化。TensorFlow支持各种应用程序,重点是深度神经网络的训练和推理,并且已经被广泛用于机器学习研究。TensorFlow 自提出后,在学术界和工业界都得到了极大的重视与发展,如Google的多种应用包括Gmail、Google Play、搜索、翻译、地图等都应用了TensorFlow。在研究层面,一方面TensorFlow 自身正在不断地完善,其深度学习算法和API等保持着持续更新和演进,如 2017年5月,Google推出TensorFlow研究云,这是一个可以免费提供的云端张量处理器(Tensor Processing Unit, TPU)集群,以支持广泛的计算密集型研究项目[15]。Keras是一个上层的神经网络API,它由纯Python编写而成并以TensorFlow、CNTK或者Theano为后端。相比于TensorFlow,Keras具备以下优点:可以模块化地方式快速构造深度学习模型的原型;很方便地在CPU和GPU之间切换;Keras的拓展性既可以通过自定义Keras里的激活函数或者损失函数等能自定义的部分进行,也可以通过引用对应的计算平台的自定义部分进行。与其它流行的计算平台一样,Keras也支持常见的深度学习模型,比如卷积神经网络,循环神经网络以及二者的组合等[16]。近年来,基于Keras-TensorFlow框架的深度学习在普遍性和有用性上得到极大发展,这要归功于性能更强大的电脑、更先进的数据集和更高效的训练算法。对于深度学习,未来充满机遇和挑战,势必将其带到新的高度。

文献参考:

[1].李建基, 高压断路器及其应用. 2004: 中国电力出版社. 472. 第73-77页

[2].刘晓清, 高压断路器机械特性在线监测系统, 2012.

[3].杨景刚等, 高压断路器机械故障诊断技术. 江苏电机工程, 2016(02): 第1-6 10页.

[4]. 杨帆黄建胡晓光 巩玉楠, 高压断路器机械故障诊断专家系统设计. 电机与控制学报, 2011(10): 第43~49页.

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

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。