基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法
【專利摘要】本發(fā)明公開了一種基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其包括以下步驟：步驟1、獲取進(jìn)行設(shè)備故障診斷所需的關(guān)聯(lián)數(shù)據(jù)，所述關(guān)聯(lián)數(shù)據(jù)包括源數(shù)據(jù)和實時數(shù)據(jù)，其中所述源數(shù)據(jù)為離線實驗數(shù)據(jù)、帶點實驗數(shù)據(jù)，在線監(jiān)測數(shù)據(jù)，各種巡檢數(shù)據(jù)組成的歷史數(shù)據(jù)；步驟2、應(yīng)用神經(jīng)網(wǎng)絡(luò)對所述關(guān)聯(lián)數(shù)據(jù)進(jìn)行信息融合；步驟3、結(jié)合粒子群優(yōu)化算法、Hopfield網(wǎng)絡(luò)及BP網(wǎng)絡(luò)，設(shè)計混雜神經(jīng)網(wǎng)絡(luò)，對步驟2中進(jìn)行信息融合后的關(guān)聯(lián)數(shù)據(jù)進(jìn)行預(yù)測，以獲取直流主設(shè)備的預(yù)測狀態(tài)；步驟4、將所述預(yù)測狀態(tài)與直流主設(shè)備的原始狀態(tài)對應(yīng)起來，以不同的形式或/和形態(tài)展現(xiàn)，所述原始狀態(tài)為源數(shù)據(jù)所體現(xiàn)的歷史狀態(tài)。本發(fā)明提高故障設(shè)備的檢修效率和電網(wǎng)運行的可靠性。
【專利說明】基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力系統(tǒng)故障診斷【技術(shù)領(lǐng)域】，尤其涉及一種基于混雜神經(jīng)網(wǎng)絡(luò)的直流 主設(shè)備故障診斷方法。

【背景技術(shù)】
[0002] 隨著電網(wǎng)規(guī)模的擴(kuò)大，電力系統(tǒng)的建設(shè)和發(fā)展，電力設(shè)備數(shù)量不斷增加，各種新型 設(shè)備的投入運行，直流主設(shè)備的可靠性已成為電力系統(tǒng)安全運行的保證，因此，對直流主設(shè) 備的故障診斷技術(shù)研究顯得尤為重要。
[0003] 目前，直流系統(tǒng)的狀態(tài)檢測、故障診斷技術(shù)則多是直接簡單的借用了一些現(xiàn)有交 流設(shè)備的技術(shù)手段，然而直流設(shè)備與交流設(shè)備的故障發(fā)展機理和規(guī)律存在著較大的差異， 二者之間的一致性較差，特別是診斷標(biāo)準(zhǔn)更是無法簡單的借用，因此在這些方面直流設(shè)備 狀態(tài)檢測、故障診斷等問題十分突出。
[0004] 另外，直流設(shè)備是綜合了機械、電氣、化學(xué)、熱力學(xué)等多學(xué)科技術(shù)的一個封閉整體， 造成其故障的原因錯綜復(fù)雜，故障診斷需要多方面的知識和專家經(jīng)驗，然而反映設(shè)備故障 的信息來源不同、模式不同、時間不同、表示方法不同，都會對直流設(shè)備故障診斷系統(tǒng)的性 能、準(zhǔn)確率帶來很大的影響，因此，提高直流設(shè)備故障診斷的準(zhǔn)確率，提高電網(wǎng)運行的可靠 性成為亟待解決的問題。
[0005] 人工神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，能夠根據(jù)狀態(tài)信號較好的反映設(shè)備的 實際工作狀態(tài)。因此，采用基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，能夠很好的預(yù)測 設(shè)備的狀態(tài)，方便工作人員進(jìn)一步處理，是保證保障電網(wǎng)安全經(jīng)濟(jì)運行、提高電網(wǎng)運行的可 靠性的必然選擇。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提出基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，可以提高 診斷故障設(shè)備的準(zhǔn)確率，提高電網(wǎng)運行的可靠性。
[0007] -種基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其包括以下步驟：
[0008] 步驟1、獲取進(jìn)行設(shè)備故障診斷所需的關(guān)聯(lián)數(shù)據(jù)，所述關(guān)聯(lián)數(shù)據(jù)包括源數(shù)據(jù)和實時 數(shù)據(jù)，其中所述源數(shù)據(jù)為離線實驗數(shù)據(jù)、帶點實驗數(shù)據(jù)，在線監(jiān)測數(shù)據(jù)，各種巡檢數(shù)據(jù)組成 的歷史數(shù)據(jù)；
[0009] 步驟2、應(yīng)用神經(jīng)網(wǎng)絡(luò)對所述關(guān)聯(lián)數(shù)據(jù)進(jìn)行信息融合；
[0010] 步驟3、結(jié)合粒子群優(yōu)化算法、Hopfield網(wǎng)絡(luò)及BP網(wǎng)絡(luò)，設(shè)計混雜神經(jīng)網(wǎng)絡(luò)，對步驟 2中進(jìn)行信息融合后的關(guān)聯(lián)數(shù)據(jù)進(jìn)行預(yù)測，以獲取直流主設(shè)備的預(yù)測狀態(tài)；
[0011] 步驟4、將所述預(yù)測狀態(tài)與直流主設(shè)備的原始狀態(tài)對應(yīng)起來，以不同的形式或/和 形態(tài)展現(xiàn)，所述原始狀態(tài)為源數(shù)據(jù)所體現(xiàn)的歷史狀態(tài)；
[0012] 其中步驟3包括：
[0013] 步驟31、初始Hopfield網(wǎng)絡(luò)訓(xùn)練，將訓(xùn)練目標(biāo)數(shù)據(jù)輸入Hopfield網(wǎng)絡(luò)，獲得一個穩(wěn) 定的Hopfield網(wǎng)絡(luò)，所述訓(xùn)練目標(biāo)數(shù)據(jù)為實時數(shù)據(jù)；
[0014] 步驟32、將訓(xùn)練好的穩(wěn)定的Hopfield網(wǎng)絡(luò)的初始權(quán)值矩陣取出，作為粒子算法的 局部優(yōu)化粒子參數(shù)，用粒子群優(yōu)化算法對初始權(quán)值矩陣進(jìn)行優(yōu)化，獲取優(yōu)化權(quán)值矩陣；
[0015] 步驟33、將優(yōu)化權(quán)值矩陣送回Hopfield網(wǎng)絡(luò)，重新訓(xùn)練，預(yù)處理故障樣本數(shù)據(jù)，使 之收斂一定的范圍內(nèi)，將訓(xùn)練所得結(jié)果作為BP網(wǎng)絡(luò)的輸入層數(shù)據(jù)，其中，所述故障樣本數(shù) 據(jù)為源數(shù)據(jù)；
[0016] 步驟34、BP網(wǎng)絡(luò)對經(jīng)過預(yù)處理的故障樣本數(shù)據(jù)進(jìn)行訓(xùn)練，最終獲得一網(wǎng)絡(luò)結(jié)構(gòu)， 保存該網(wǎng)絡(luò)結(jié)構(gòu)；
[0017] 步驟35、將實時數(shù)據(jù)輸入所述網(wǎng)絡(luò)結(jié)構(gòu)中，得出預(yù)測狀態(tài)。
[0018] 所述獲取進(jìn)行設(shè)備故障診斷所需的關(guān)聯(lián)數(shù)據(jù)的方法是：
[0019] 獲取歷史數(shù)據(jù)和新采集的實時數(shù)據(jù)，并對二者進(jìn)行預(yù)處理；所述預(yù)處理包括對以 下問題的一種或多種進(jìn)行處理：
[0020] 不同源數(shù)據(jù)的重復(fù)冗余問題、同源數(shù)據(jù)中存在的重復(fù)性數(shù)據(jù)冗余問題、不同源數(shù) 據(jù)的沖突問題、不同源數(shù)據(jù)的錯漏問題、不同源數(shù)據(jù)的含有的數(shù)據(jù)異常問題進(jìn)行處理，所述 數(shù)據(jù)異常問題包括尖刺、飛點或突變的一種或多種。
[0021] 所述步驟2進(jìn)行信息融合的方法是：根據(jù)源數(shù)據(jù)的特點選擇合適的神經(jīng)網(wǎng)絡(luò)模型 建立神經(jīng)網(wǎng)絡(luò)，然后根據(jù)已有的多源信息和系統(tǒng)融合知識采用相應(yīng)的學(xué)習(xí)方法，對所建立 的神經(jīng)網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)確定連接權(quán)重與結(jié)構(gòu)，最后把得到的神經(jīng)網(wǎng)絡(luò)用于關(guān)聯(lián)數(shù)據(jù)的融 合中。
[0022] 對于復(fù)雜問題時，采用層次神經(jīng)網(wǎng)絡(luò)，將所述神經(jīng)網(wǎng)絡(luò)定義為總網(wǎng)，所述總網(wǎng)分為 多層子網(wǎng)，子網(wǎng)之間以串并聯(lián)的形式相聯(lián)，總網(wǎng)和子網(wǎng)學(xué)習(xí)分批實施。
[0023] 所述子網(wǎng)之間采用相同或不同類型的神經(jīng)網(wǎng)絡(luò)。
[0024] 所述步驟32中用粒子群優(yōu)化算法對初始權(quán)值矩陣進(jìn)行優(yōu)化的方法是：
[0025] 以粒子群中的粒子的位置表示Hopfield網(wǎng)絡(luò)的權(quán)值矩陣，每個粒子的維數(shù)表示 Hopfield神經(jīng)網(wǎng)絡(luò)起連接作用的權(quán)的數(shù)量，選取合適的適應(yīng)度函數(shù)，將獲得的適應(yīng)度值作為 判斷粒子是否具有更好性能的依據(jù)，每個粒子在權(quán)值空間內(nèi)移動并搜索適應(yīng)度值更小的位 置，同時改變粒子的速度，更新粒子的位置，獲得更新后的網(wǎng)絡(luò)權(quán)值矩陣。
[0026] 所述適應(yīng)度函數(shù)fit (X)選取方法為：
[0027] fit (X) = f (WU) -U
[0028] 其中f (WU)為激勵函數(shù)，W為網(wǎng)絡(luò)權(quán)值矩陣，U表示網(wǎng)絡(luò)的穩(wěn)定狀態(tài)。
[0029] 改變粒子的速度和更新粒子的位置的方程為：
[0030] VkkI1 ^ Vkid +C1X Vandkl x {pthk, -xkjd) + c2x rand'； x (ρ? - X1ld)
[0031] Xk1J1 =Xm+V^d
[0032] 其中，4是粒子i在第k次迭代中第d維的速度，C1, c2是加速系數(shù)，randp rand2 是〇?1之間的隨機數(shù)，Pt是粒子i在第d維的個體極值點的位置，d和k均為正整數(shù)。
[0033] 所述步驟4中，將預(yù)測狀態(tài)與原始狀態(tài)對應(yīng)起來以不同的顏色展現(xiàn)：
[0034] 當(dāng)理論設(shè)備處于正常狀態(tài)時，以綠色顏色展示；當(dāng)理論設(shè)備處于故障萌發(fā)點時，這 時需要注意設(shè)備運行情況，以黃色顏色展示；當(dāng)理論設(shè)備處于潛在故障點時，這時設(shè)備可能 出現(xiàn)異常情況，以橙色顏色展示；當(dāng)理論設(shè)備處于功能故障點時，這時設(shè)備可能出現(xiàn)嚴(yán)重情 況，以紅色顏色展示；所述理論設(shè)備為預(yù)測狀態(tài)下直流主設(shè)備的理論狀態(tài)。
[0035] 所述步驟4中，將預(yù)測狀態(tài)與原始狀態(tài)根據(jù)直流主設(shè)備處于不同的健康狀態(tài)對應(yīng) 起來以發(fā)出不同的警報提示音展現(xiàn)：
[0036] 當(dāng)理論設(shè)備處于正常運行接近故障萌發(fā)點時，發(fā)出第一報警提示；當(dāng)理論設(shè)備處 于故障萌發(fā)點接近潛在故障點時，發(fā)出第二報警提示；當(dāng)理論設(shè)備處于潛在故障點接近功 能故障點時，發(fā)出第三報警提示；當(dāng)理論設(shè)備處于功能故障點后，發(fā)出緊急提示；所述理論 設(shè)備為預(yù)測狀態(tài)下直流主設(shè)備的理論狀態(tài)。
[0037] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：本發(fā)明利用各種歷史數(shù)據(jù)及對數(shù)據(jù)預(yù) 處理后，應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息融合，結(jié)合粒子群優(yōu)化算法計算的優(yōu)越性、Hopfield網(wǎng)絡(luò)的 全局優(yōu)化能力及BP網(wǎng)絡(luò)的局部優(yōu)化能力，設(shè)計混雜神經(jīng)網(wǎng)絡(luò)，提高了提高網(wǎng)絡(luò)的故障診斷 精度；然后將預(yù)測的狀態(tài)以不同的形式、形態(tài)展現(xiàn)，發(fā)出不同的報警提示或顏色提醒或即時 消息提醒，工作人員可以根據(jù)不同的報警提示，選擇檢修的優(yōu)先等級，從而可以提高故障設(shè) 備的檢修效率，提高電網(wǎng)運行的可靠性。

【專利附圖】

【附圖說明】
[0038] 圖1為本發(fā)明基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法的一個實施流程圖；
[0039] 圖2為混雜神經(jīng)網(wǎng)絡(luò)的算法流程圖。

【具體實施方式】
[0040] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明的內(nèi)容做進(jìn)一步詳細(xì)說明。
[0041] 實施例
[0042] 本發(fā)明提出混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障檢測方法，其實施流程可參考圖1所 示，包括步驟：
[0043] S1、獲取進(jìn)行直流主設(shè)備故障診斷所需的數(shù)據(jù)并對數(shù)據(jù)預(yù)處理；
[0044] 其中，直流主設(shè)備故障診斷所需的數(shù)據(jù)，包括各種歷史數(shù)據(jù)及數(shù)據(jù)對應(yīng)的狀態(tài)分 類及最新數(shù)據(jù)。
[0045] S2、應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息融合；
[0046] 根據(jù)源數(shù)據(jù)的特點選擇合適的神經(jīng)網(wǎng)絡(luò)模型，然后根據(jù)已有的多源信息和系統(tǒng)融 合知識采用一定的學(xué)習(xí)方法，對所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)確定連接權(quán)重與結(jié)構(gòu)，最 后把得到的網(wǎng)絡(luò)用于數(shù)據(jù)融合中。
[0047] S3、故障診斷方法實現(xiàn)；
[0048] 將結(jié)合粒子群優(yōu)化算法計算的優(yōu)越性、Hopfield網(wǎng)絡(luò)的全局優(yōu)化能力及BP(Back Propagation)網(wǎng)絡(luò)的局部優(yōu)化能力，設(shè)計混雜神經(jīng)網(wǎng)絡(luò)，提高網(wǎng)絡(luò)的故障診斷精度，其中神 經(jīng)網(wǎng)絡(luò)權(quán)重優(yōu)化算法流程見附圖2。
[0049] 以粒子群中的粒子的位置表示Hopfield神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣，每個粒子的維數(shù)表 示Hopfield神經(jīng)網(wǎng)絡(luò)起連接作用的權(quán)的數(shù)量。選取合適的適應(yīng)度函數(shù)，將獲得的適應(yīng)度值 作為判斷粒子是否具有更好性能的依據(jù)。
[0050] 將Hopfield神經(jīng)網(wǎng)絡(luò)預(yù)先訓(xùn)練的權(quán)值矩陣作為粒子群算法中的目前全局最優(yōu)粒 子，運行粒子群優(yōu)化算法，則每個粒子在權(quán)值空間內(nèi)移動并搜索適應(yīng)度值更小的位置，同時 改變粒子的速度，更新粒子的位置，獲得更新后的網(wǎng)絡(luò)權(quán)值矩陣。
[0051] 適應(yīng)度函數(shù)fit (X)選取方法為：
[0052] fit (X) = f (WU) -U
[0053] 其中f (WU)為激勵函數(shù)，W為網(wǎng)絡(luò)權(quán)值矩陣，U表示網(wǎng)絡(luò)的穩(wěn)定狀態(tài)。
[0054] 粒子更新自己的速度和位置的更新方程為：

【權(quán)利要求】
1. 一種基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在于，其包括以下步 驟： 步驟1、獲取進(jìn)行設(shè)備故障診斷所需的關(guān)聯(lián)數(shù)據(jù)，所述關(guān)聯(lián)數(shù)據(jù)包括源數(shù)據(jù)和實時數(shù) 據(jù)，其中所述源數(shù)據(jù)為離線實驗數(shù)據(jù)、帶點實驗數(shù)據(jù)，在線監(jiān)測數(shù)據(jù)，各種巡檢數(shù)據(jù)組成的 歷史數(shù)據(jù)； 步驟2、應(yīng)用神經(jīng)網(wǎng)絡(luò)對所述關(guān)聯(lián)數(shù)據(jù)進(jìn)行信息融合； 步驟3、結(jié)合粒子群優(yōu)化算法、Hopfield網(wǎng)絡(luò)及BP網(wǎng)絡(luò)，設(shè)計混雜神經(jīng)網(wǎng)絡(luò)，對步驟2中 進(jìn)行信息融合后的關(guān)聯(lián)數(shù)據(jù)進(jìn)行預(yù)測，以獲取直流主設(shè)備的預(yù)測狀態(tài)； 步驟4、將所述預(yù)測狀態(tài)與直流主設(shè)備的原始狀態(tài)對應(yīng)起來，以不同的形式或/和形態(tài) 展現(xiàn)，所述原始狀態(tài)為源數(shù)據(jù)所體現(xiàn)的歷史狀態(tài)； 其中步驟3包括： 步驟31、初始Hopfield網(wǎng)絡(luò)訓(xùn)練，將訓(xùn)練目標(biāo)數(shù)據(jù)輸入Hopfield網(wǎng)絡(luò)，獲得一個穩(wěn)定的Hopfield網(wǎng)絡(luò)，所述訓(xùn)練目標(biāo)數(shù)據(jù)為實時數(shù)據(jù)； 步驟32、將訓(xùn)練好的穩(wěn)定的Hopfield網(wǎng)絡(luò)的初始權(quán)值矩陣取出，作為粒子算法的局部 優(yōu)化粒子參數(shù)，用粒子群優(yōu)化算法對初始權(quán)值矩陣進(jìn)行優(yōu)化，獲取優(yōu)化權(quán)值矩陣； 步驟33、將優(yōu)化權(quán)值矩陣送回Hopfield網(wǎng)絡(luò)，重新訓(xùn)練，預(yù)處理故障樣本數(shù)據(jù)，使之收 斂一定的范圍內(nèi)，將訓(xùn)練所得結(jié)果作為BP網(wǎng)絡(luò)的輸入層數(shù)據(jù)，其中，所述故障樣本數(shù)據(jù)為 源數(shù)據(jù)； 步驟34、BP網(wǎng)絡(luò)對經(jīng)過預(yù)處理的故障樣本數(shù)據(jù)進(jìn)行訓(xùn)練，最終獲得一網(wǎng)絡(luò)結(jié)構(gòu)，保存 該網(wǎng)絡(luò)結(jié)構(gòu)； 步驟35、將實時數(shù)據(jù)輸入所述網(wǎng)絡(luò)結(jié)構(gòu)中，得出預(yù)測狀態(tài)。
2. 根據(jù)權(quán)利要求1所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述獲取進(jìn)行設(shè)備故障診斷所需的關(guān)聯(lián)數(shù)據(jù)的方法是： 獲取歷史數(shù)據(jù)和新采集的實時數(shù)據(jù)，并對二者進(jìn)行預(yù)處理；所述預(yù)處理包括對以下問 題的一種或多種進(jìn)行處理： 不同源數(shù)據(jù)的重復(fù)冗余問題、同源數(shù)據(jù)中存在的重復(fù)性數(shù)據(jù)冗余問題、不同源數(shù)據(jù)的 沖突問題、不同源數(shù)據(jù)的錯漏問題、不同源數(shù)據(jù)的含有的數(shù)據(jù)異常問題進(jìn)行處理，所述數(shù)據(jù) 異常問題包括尖刺、飛點或突變的一種或多種。
3. 根據(jù)權(quán)利要求1所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述步驟2進(jìn)行信息融合的方法是：根據(jù)源數(shù)據(jù)的特點選擇合適的神經(jīng)網(wǎng)絡(luò)模型建立 神經(jīng)網(wǎng)絡(luò)，然后根據(jù)已有的多源信息和系統(tǒng)融合知識采用相應(yīng)的學(xué)習(xí)方法，對所建立的神 經(jīng)網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)確定連接權(quán)重與結(jié)構(gòu)，最后把得到的神經(jīng)網(wǎng)絡(luò)用于關(guān)聯(lián)數(shù)據(jù)的融合 中。
4. 根據(jù)權(quán)利要求3所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，對于復(fù)雜問題時，采用層次神經(jīng)網(wǎng)絡(luò)，將所述神經(jīng)網(wǎng)絡(luò)定義為總網(wǎng)，所述總網(wǎng)分為多層 子網(wǎng)，子網(wǎng)之間以串并聯(lián)的形式相聯(lián)，總網(wǎng)和子網(wǎng)學(xué)習(xí)分批實施。
5. 根據(jù)權(quán)利要求4所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述子網(wǎng)之間采用相同或不同類型的神經(jīng)網(wǎng)絡(luò)。
6. 根據(jù)權(quán)利要求1所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述步驟32中用粒子群優(yōu)化算法對初始權(quán)值矩陣進(jìn)行優(yōu)化的方法是： 以粒子群中的粒子的位置表示Hopfield網(wǎng)絡(luò)的權(quán)值矩陣，每個粒子的維數(shù)表示Hopfield神經(jīng)網(wǎng)絡(luò)起連接作用的權(quán)的數(shù)量，選取合適的適應(yīng)度函數(shù)，將獲得的適應(yīng)度值作為 判斷粒子是否具有更好性能的依據(jù)，每個粒子在權(quán)值空間內(nèi)移動并搜索適應(yīng)度值更小的位 置，同時改變粒子的速度，更新粒子的位置，獲得更新后的網(wǎng)絡(luò)權(quán)值矩陣。
7. 根據(jù)權(quán)利要求6所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述適應(yīng)度函數(shù)fit(X)選取方法為： fit(X) =f(WU)-U 其中f(WU)為激勵函數(shù)，W為網(wǎng)絡(luò)權(quán)值矩陣，U表示網(wǎng)絡(luò)的穩(wěn)定狀態(tài)。
8. 根據(jù)權(quán)利要求7所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，改變粒子的速度和更新粒子的位置的方程為： V?/+1 =vIi+C1Xrand^x(ptkM -x^,) +c2xrandk2x(ptkd -xkid) Οχ?+ν? 其中，4是粒子i在第1^次迭代中第d維的速度，C1,C2是加速系數(shù)，randprandj^O? 1之間的隨機數(shù)，Pt是粒子i在第d維的個體極值點的位置，d和k均為正整數(shù)。
9. 根據(jù)權(quán)利要求1所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征在 于，所述步驟4中，將預(yù)測狀態(tài)與原始狀態(tài)對應(yīng)起來以不同的顏色展現(xiàn)： 當(dāng)理論設(shè)備處于正常狀態(tài)時，以綠色顏色展示；當(dāng)理論設(shè)備處于故障萌發(fā)點時，這時需 要注意設(shè)備運行情況，以黃色顏色展示；當(dāng)理論設(shè)備處于潛在故障點時，這時設(shè)備可能出現(xiàn) 異常情況，以橙色顏色展示；當(dāng)理論設(shè)備處于功能故障點時，這時設(shè)備可能出現(xiàn)嚴(yán)重情況， 以紅色顏色展示；所述理論設(shè)備為預(yù)測狀態(tài)下直流主設(shè)備的理論狀態(tài)。
10. 根據(jù)權(quán)利要求1或9所述的基于混雜神經(jīng)網(wǎng)絡(luò)的直流主設(shè)備故障診斷方法，其特征 在于，所述步驟4中，將預(yù)測狀態(tài)與原始狀態(tài)根據(jù)直流主設(shè)備處于不同的健康狀態(tài)對應(yīng)起 來以發(fā)出不同的警報提示音展現(xiàn)： 當(dāng)理論設(shè)備處于正常運行接近故障萌發(fā)點時，發(fā)出第一報警提示；當(dāng)理論設(shè)備處于故 障萌發(fā)點接近潛在故障點時，發(fā)出第二報警提示；當(dāng)理論設(shè)備處于潛在故障點接近功能故 障點時，發(fā)出第三報警提示；當(dāng)理論設(shè)備處于功能故障點后，發(fā)出緊急提示。
【文檔編號】G05B23/02GK104238546SQ201410431756
【公開日】2014年12月24日 申請日期:2014年8月28日 優(yōu)先權(quán)日:2014年8月28日
【發(fā)明者】鄧軍, 王奇, 常安, 張晗, 宋云海, 陳新, 耿大慶, 冮杰, 張武英 申請人:中國南方電網(wǎng)有限責(zé)任公司超高壓輸電公司檢修試驗中心, 快威科技集團(tuán)有限公司