專利名稱：一種電力異常故障數(shù)據(jù)分析裝置及診斷方法
技術領域：
本發(fā)明屬于設備故障檢測領域，特別涉及一種電力異常故障數(shù)據(jù)分析裝置及診斷方法。
背景技術：
目前對于電壓異常故障數(shù)據(jù)進行分析的裝置，如果信號頻帶和噪聲頻帶重疊時，則利用 簡單的濾波技術是不可能解決問題的，對噪聲抑制能力差，異常信號可以檢測出來，但是兩 邊的脈沖波過高，對于檢測異常信號有影響，目前異常故障診斷方法有模糊邏輯方法、小波 方法、模式識別方法等，這些方法主要利用統(tǒng)計學方法對數(shù)據(jù)進行分析，這些方法假設對象的 動態(tài)特性是隨機的，導致診斷精確度不夠理想，對于較小的信號故障無能為力，另外，小波故 障診斷方法存在著誤報率過高的問題，嚴重的限制了小波故障診斷方法在實踐領域中的應用， 模糊邏輯方法不具備自學習能力，存在模糊診斷知識獲取困難的瓶頸，尤其是故障與征兆的模 糊關系較難確定，容易產(chǎn)生漏報和誤診，并且模糊規(guī)則、隸屬函數(shù)和決策算法的最優(yōu)化選擇比 較困難，而模式識別法它存在故障特征向量和判別函數(shù)難以表達和確定，對新穎故障的診斷無 能為力，對故障界限不明確的故障模式診斷效果較差等不足。

發(fā)明內容
針對現(xiàn)有技術中存在的問題，本發(fā)明提供一種電力異常故障數(shù)據(jù)分析裝置及診斷方法， 通過神經(jīng)網(wǎng)絡對設備故障的計算與分析，以達到對電壓的異常故障數(shù)據(jù)進行檢測的目的。
本發(fā)明的技術方案是這樣實現(xiàn)的本發(fā)明包括分析裝置與診斷方法，其中分析裝置包括 信號采集單元、旋轉電容濾波器電路、信號處理器、電源模塊、通訊模塊和上位機，信號采 集單元包括第一級運算放大器、第二級反相比例運算放大器、第三級運算放大器、電阻、電 容和二極管；旋轉電容濾波器電路包括電阻、第四級運算放大器、第五級運算放大器、RC電
路、第二雙刀雙擲電子開關、第三雙刀雙擲電子開關、第四雙刀雙擲電子開關和第五雙刀雙
擲電子開關；電路聯(lián)接是信號采集單元中聯(lián)接第二級反相比例運算放大器輸出端的電阻聯(lián)接 旋轉電容濾波器電路的輸入端旋轉電容濾波器電路的輸出端聯(lián)接信號處理器的輸入端，信 號處理器的輸出端通過串行通訊聯(lián)接上位機的輸入端；電源模塊聯(lián)接信號處理器；其中信號 采集單元由兩個電阻組成的分壓電路聯(lián)接第一級運算放大器的同相輸入端，第一級運算放大
器的輸出端通過電阻聯(lián)接第二級反相比例運算放大器反相輸入端，第二級反相比例運算放大 器輸出端通過電阻聯(lián)接旋轉電容濾波器電路的輸入端，旋轉電容濾波器電路的輸出端聯(lián)接第三級運算放大器的反相輸入端，第三級運算放大器的輸出端聯(lián)接由電阻和電容組成的無源濾 波器，無源濾波器的輸出端聯(lián)接二極管組成的限幅電路。
其中，所述的旋轉電容濾波器電路包括電阻、第四級運算放大器、第五級運算放大器、 RC電路、第二雙刀雙擲電子開關、第三雙刀雙擲電子開關、第四雙刀雙擲電子開關和第五雙 刀雙擲電子開關，第四級運算放大器與第五級運算放大器組成并聯(lián)電路，在第四級運算放大 器的反相輸入端聯(lián)接第二雙刀雙擲電子幵關，第二雙刀雙擲電子開關通過RC電路聯(lián)接第三雙 刀雙擲電子開關；在第五級運算放大器的反相輸入端聯(lián)接第四雙刀雙擲電子開關，第四雙刀 雙擲電子開關通過RC電路聯(lián)接第五雙刀雙擲電子開關，旋轉電容濾波器電路中第二雙刀雙擲 電子開關、第三雙刀雙擲電子開關、第四雙刀雙擲電子開關和第五雙刀雙擲電子開關在電路 運行時相繼循環(huán)聯(lián)接。
所述的電力異常故障數(shù)據(jù)分析裝置的異常故障數(shù)據(jù)診斷方法，按如下步驟進行-步驟一、采集數(shù)據(jù)，包括電壓，利用相空間重構的方法，求出嵌入延遲T和最佳嵌入維d,利 用原始時間序列V重構相空間
其中？ = 1，2,...]1^, Mrf=JV-^-l)r,N是原始數(shù)據(jù)的個數(shù)，這個A^個d維矢量在d
維相空間描述出的軌跡將把混沌吸引子完全展開，在拓撲等價的情況下恢復原來系 統(tǒng)的動力學行為；
步驟二、局部對電壓時間序列利用神經(jīng)網(wǎng)絡建模，采用BP網(wǎng)絡作為訓練模型網(wǎng)絡，利用重 構相空間后的數(shù)據(jù)訓練BP網(wǎng)絡，對采集數(shù)據(jù)進行建模，其中，d為神經(jīng)網(wǎng)絡的輸
入節(jié)點個數(shù)，X(O作為神經(jīng)網(wǎng)絡的輸入，得到神經(jīng)網(wǎng)絡預測原始模型； 步驟三、采集數(shù)據(jù)《聯(lián)合原始數(shù)據(jù)組成輸入向量，作為當前神經(jīng)網(wǎng)絡的輸入，通過建模，
得到預測的下一步輸出&1; 步驟四、采集數(shù)據(jù)X,.在內共k個向量A,x,一,…Vw實時訓練BP網(wǎng)絡，得到的權值用來實
時更新下一步預測的BP網(wǎng)絡的權值，k表示采集數(shù)據(jù)Z,向量個數(shù)，A = 0，...，W， /V 為自然數(shù)；
步驟五、A和其預測值^的預測誤差值err作為故障判斷的依據(jù)，如果err〉RT，則表示當 前數(shù)據(jù)有異常，否則繼續(xù)判斷，其中RT為預先設定或者通過自動識別得到的閾值。 其中，第1、 2步利用原始數(shù)據(jù)離線完成，為了保證診斷的實時性3、 4、 5步應同時進行。
該方法除了神經(jīng)網(wǎng)絡的參數(shù)需要確定以外，還需要確定參數(shù)k， k表示需要確定在線訓 練的原始數(shù)據(jù)的個數(shù)，6 = 0，...，^, A為自然數(shù)，改參數(shù)k如果太大，計算機將無法在規(guī)定的
時間內完成網(wǎng)絡參數(shù)的訓練，如果太小則無法體現(xiàn)要訓練數(shù)據(jù)的特點，導致預測出現(xiàn)較大誤 差甚至錯誤；另外需要確定的一個參數(shù)是閾值RT， RT為預先設定或者通過自動識別得到的 閾值，該參數(shù)作為判斷數(shù)據(jù)是否發(fā)生異常的觸發(fā)器，要根據(jù)神經(jīng)網(wǎng)絡的預測誤差err來決定。 如果err較小則可以適當減小RT，如果err變大，則要相應增大RT，事實上，k、 err和RT 是有關系的， 一般來說，在線訓練的數(shù)據(jù)個數(shù)k越大，那么預測的誤差err越小，那么RT 也就可以適當?shù)臏p小，并且這樣可以發(fā)現(xiàn)更小的故障。
其中相空間重構法通過測量可得到采樣信號的時間序列矩陣，采集數(shù)據(jù){}4} = {1(/^)}，
其中& = 0,...,^, r為采樣周期，每個Z(W)為W時刻實測的m維向量(包括壓力、流量、
輸差等)。然后針對x(^r)的第/個分量構造形式上的狀態(tài)向量
《(wv[z,(A:r)，《(A:r—1)^)f"、i,…,附；其中i^h r2 ，…，^;r是
未知的延遲時間向量，^是t的第/個分量(/ = 1,...,/ );" = [ ! "2 "m]T,",是w的
第i個分量，是未知的嵌入維數(shù)(z' = l,...，m)。為了確定、和",值，從而確定r和"，發(fā)明首先 利用時間序列計算
=學:-函K -O]) (2)
和
其中/t'〈/t, ;t'=o，i，...，五(.)是期望值，可是平均值，v4(f)是線性相關的函數(shù)，<2xW)
是非線性相關的函數(shù)。設^，^分別是^^')和^^(^)達到第一個最小值的時間，貝'何 得到如下時間單元
5;minO^,r"J (4) 這樣延遲時間常數(shù)r,.可以選擇為
Int[5/5]《r, S Int[f /2〗+1 ( 5 )
其中Int卜]表示實數(shù)的整數(shù)部分。然后通過采用相關函數(shù)來計算吸引子的相關維數(shù)q(/)=-
(6)
翠-1)*-
其中/是一個常參數(shù)。0為Heaviside函數(shù)。計算= l!^logC,.(/)/log/可得到吸引子的估計維
數(shù)4,則該系統(tǒng)的第/個分量的嵌入維數(shù)為",22巧,+l。 BP神經(jīng)網(wǎng)絡的訓練過程
1網(wǎng)絡初始化，用一組隨機數(shù)對網(wǎng)絡賦初始權值，設置學習步長7、允許誤差s、網(wǎng)絡 結構(即網(wǎng)絡層數(shù)丄和每層節(jié)點數(shù)A)，令樣本模式計數(shù)器P^訓練次數(shù)計數(shù)器q^;
2為網(wǎng)絡輸入一組學習樣本； 3對每個學習樣本p循環(huán)
(1)逐層正向計算網(wǎng)絡d個輸入節(jié)點的輸入X(O和輸出；
(2)計算第p個樣本的輸出的誤差^和網(wǎng)絡的總誤差E，
(7)
(8)
式中7^和7^分別為輸出層第j個節(jié)點的期望輸出和實際輸出，」^為輸出的誤差和E為 網(wǎng)絡的總誤差；
(3) 當E小于允許誤差s或者達到指定的迭代次數(shù)時，學習過程結束，否則， 進行誤差反向傳播。
(4) 反向逐層計算網(wǎng)絡各節(jié)點誤差^ 。如果/取為S型函數(shù)，即
則對于輸出層有
《)
(9)
對于隱含層有:
(5)修正網(wǎng)絡聯(lián)接權值
(10)
(1式中，A:為學習次數(shù)，7為學習因子。7取值越大，每次權值的改變越劇烈，這可能導致
學習過程振蕩，因此，為了使學習因子的取值足夠大，又不至產(chǎn)生振蕩，通常在權值修正公 式中加入一個附加動量法。
本發(fā)明優(yōu)點把BP神經(jīng)網(wǎng)絡和相空間重構的方法進行了巧妙的結合，這樣結合能恢復原來 系統(tǒng)的動態(tài)特性，更能準確的描述動態(tài)模型，建立對象的動態(tài)特性，從而準確的求出嵌入延遲 r和最佳嵌入d，同時適合多種采集信號類型、處理速度準確快速、適用于各種復雜儲運工況， 能夠有效地對信號故障特別是細微的故障數(shù)據(jù)進行分析處理。旋轉濾波電容器可以對噪音有 很強的抑制能力。


圖l為本發(fā)明裝置結構框圖2為本發(fā)明電原理圖3為本發(fā)明電源模塊電原理圖4為本發(fā)明旋轉電容濾波器脈沖信號方波圖
圖5為本發(fā)明診斷方法流程圖6為本發(fā)明時間序列分析模塊結構圖7為本發(fā)明相空間重構法流程圖8為本發(fā)明在線故障診斷方法結構圖9為本發(fā)明BP神經(jīng)網(wǎng)絡序列分析流程圖10為未使用本發(fā)明旋轉電容濾波器電路的采樣信號波形圖ll為使用本發(fā)明旋轉電容濾波器電路的采樣信號波形圖12為診斷之前的原始數(shù)據(jù)圖
圖13為診斷之后檢測異常故障數(shù)據(jù)圖。
圖中l(wèi)信號采集單元，2旋轉電容濾波器電路，3信號處理器，4上位機，5電源模塊。
具體實施例方式
本發(fā)明利用安裝在電力設備上的電壓傳感器聯(lián)接信號采集單元，信號處理器為 DSPIC30F6010A。
該裝置(如圖1， 2所示)，包括信號采集單元、旋轉電容濾波器電路、信號處理器、電 源模塊、通訊模塊和上位機，信號采集單元進行信號采集，信號采集單元包括第一級運算放 大器(AMP1A)、第二級反相比例運算放大器(AMP1B)、第三級運算放大器(AMP1D)、電阻、 電容和二極管；旋轉電容濾波器電路包括電阻、第四級運算放大器(AMP1C)、第五級運算放 大器(AMP2C)、 RC電路、第二雙刀雙擲電子開關(S2)、第三雙刀雙擲電子開關(S3)、第四雙刀雙擲電子開關(S4)和第五雙刀雙擲電子開關(S5);信號采集單元中聯(lián)接第二級反相比例 運算放大器(AMP1B)輸出端的電阻(RA9)聯(lián)接旋轉電容濾波器電路；旋轉電容濾波器電路 從噪聲中檢測已知頻率的正弦信號和方波信號，旋轉電容濾波器通過電子開關周期性的轉換 方向，電流源給RC電路充電；旋轉電容濾波器電路的輸出信號經(jīng)過信號采集單元處理成信號 處理器可以接受的0—3.3V電壓以后將信號傳遞至信號處理器，信號處理單元通過分析提取 的變化信號，針對這個變化信號對BP神經(jīng)網(wǎng)絡模型的影響來確定是否發(fā)生信號異常，當實時 模型和歷史模型之間的模型差符合性能指標時，不作處理，當模型差大于性能指標時，即判 斷有異常信號存在；信號處理器DSPIC30F6010A接口 SCI—0UT、 SCI—IN通過串行通訊端子 SCIJ)UT、 SCI—IN聯(lián)接上位機，如圖3所示；電源模塊聯(lián)接信號處理器，進行供電，(如圖3 所示)；其中信號采集單元(如圖2所示)，由兩個電阻(RA1)和(RA2)組成的分壓電路聯(lián) 接第一級運算放大器(AMP1A)的同相輸入端，第一級運算放大器(AMP1A)的輸出端通過電 阻(RA3)聯(lián)接第二級反相比例運算放大器(AMP1B)反相輸入端，第二級反相比例運算放大 器(AMP1B)輸出端通過電阻(RA9)聯(lián)接旋轉電容濾波器電路的輸入端，旋轉電容濾波器電 路的輸出端聯(lián)接第三級運算放大器(AMP1D)的反相輸入，第三級運算放大器(AMP1D)的輸 出端聯(lián)接由電阻(RA12)和電容(CA4)組成的無源濾波器，3源濾波器的輸出端聯(lián)接二極管 (Dl)和(D2)組成的限幅電路。
所述的旋轉電容濾波器電路(如圖2所示)，包括電阻、第四級運算放大器(AMP1C)、第 五級運算放大器(AMP2C)、RC電路、第二雙刀雙擲電子開關(S2)、第三雙刀雙擲電子開關(S3)、 第四雙刀雙擲電子開關(S4)和第五雙刀雙擲電子開關(S5)，第四級運算放大器(AMP1C) 與第五級運算放大器(AMP2C)組成并聯(lián)電路，在第四級運算放大器(AMP1C)的反相輸入端 聯(lián)接第二雙刀雙擲電子開關(S2)，第二雙刀雙擲電子開關(S2)通過由電阻(RA11)和電容 (CA2)組成的RC電路聯(lián)接第三雙刀雙擲電子開關(S3);在第五級運算放大器(AMP2C)的反 相輸入端聯(lián)接第四雙刀雙擲電子開關(S4)，第四雙刀雙擲電子開關(S4)通過由電阻(RA23) 和電容(CA3)組成的RC電路聯(lián)接第五雙刀雙擲電子開關(S5)。
旋轉電容濾波器，為一種開關電容濾波器，它具有抑制噪聲能力，對異常信號檢測有著 很強的輔助作用，(如圖10所示)，在沒有設計旋轉電容濾波器以前，異常信號可以檢測出來， 但是兩邊的脈沖波過高，對于檢測異常信號有影響，但是，(如圖ll所示)，設計了旋轉濾波 器濾波以后，兩邊的脈沖波平坦了，可以更好的對異常信號進行檢測，S2、 S3、 S4、 S5是由 脈沖信號控制的雙刀雙擲電子開關，控制脈沖信號P(t)是頻率為f的方波，如圖4所，當p(t) 為高電平時，電子開關接到S2、 S4，當p(t)為低電平時，電子開關接到S3、 S5，這樣電流源 就通過電子開關周期性的轉換方向，給RC充電，這相當于電容C在兩個半圓形極板中以開關頻率旋轉。
電路工作過程為(如圖2所示)，設備輸出檢測的電壓信號VCVA經(jīng)由電阻(RA1)和 (RA2)構成的分壓電路分壓后，送到第一級運算放大器(AMP1A)，經(jīng)過一個電阻(RA3)， 進入第二級反相比例運算放大器(AMP1B)，再經(jīng)過一個電阻(RA9)，進入到我們搭建的旋轉 電容濾波器，電壓流經(jīng)電阻(RA9)，進入第四級運算放大器(AMP1C)與第五級運算放大器 (AMP2C)并聯(lián)電路，分壓后電壓通過第二雙刀雙擲電子開關(S2)和第四雙刀雙擲電子開關 (S4),經(jīng)過電阻(RA11)和電容(CA2)并聯(lián)電路和經(jīng)過電阻(RA23)和電容(CA3)并聯(lián)電 路，再經(jīng)過第三雙刀雙擲電子開關(S3)和第五雙刀雙擲電子丌關(S5),輸出電壓，再進入 第三極運算放大器(AMP1D)，最后電阻(RA12)和電容(CA4)組成無源濾波器，在調理通 道的輸出端接兩個二極管(Dl)和(D2)構成限幅電路，使信號處理器DSPIC30F6010A能正 常工作。
所述的電力異常故障數(shù)據(jù)分析裝置的異常故障數(shù)據(jù)診斷方法，按如下步驟進行(如圖8 所示)，
步驟一、令K=10，采集10個電壓值，分別為X產(chǎn)3. 5、X2=4. 6、X3=2. 6、X4=3. 4、X5=4. 0、X6=4. 1,X7=3. 6. X8=4. 3、X9=4. 4乂。=3. 8利用相空間重構的方法，求出嵌入延遲f =4和最佳嵌入維d=3， 利用原始時間序列V重構相空間
義,=C^，X"r X,+2r""，X"(rf-l)i") (1)
其中？ = 1,2，...^^, Md-iV-(rf-l)T,N是原始數(shù)據(jù)的個數(shù)，這個A^個d維矢量在d
維相空間描述出的軌跡將把混沌吸引子完全展開，在拓撲等價的情況下恢復原來系 統(tǒng)的動力學行為。
步驟二、局部對電壓的時間序列利用神經(jīng)網(wǎng)絡建模，(如圖6所示)，這里我們采用BP網(wǎng)絡 作為訓練模型網(wǎng)絡，利用重構相空間后的數(shù)據(jù)訓練BP網(wǎng)絡，對采集數(shù)據(jù)進行建模，
其中，d為祌經(jīng)網(wǎng)絡的輸入節(jié)點個數(shù)，X(O作為神經(jīng)網(wǎng)絡的輸入，得到神經(jīng)網(wǎng)絡預 測原始模型；
步驟三、采集數(shù)據(jù)《聯(lián)合原始數(shù)據(jù)組成輸入向量，作為當前神經(jīng)網(wǎng)絡的輸入，通過建模、
得到預測的下一步輸出、+1; 步驟四、數(shù)據(jù)X,.在內共k個向量x,.,&,實時訓練BP網(wǎng)絡，得到的權值用來實時更
新下一步預測的BP網(wǎng)絡的權值； 步驟五、；c,和其預測值^的預測誤差值err作為故障判斷的依據(jù)，設置閾值RT=30如果err〉RT，則表示當前數(shù)據(jù)有異常，否則繼續(xù)判斷。 其中，第1、 2步利用原始數(shù)據(jù)離線完成，為了保證診斷的實時性3、 4、 5步應同時進行。
該方法除了神經(jīng)網(wǎng)絡的參數(shù)需要確定以外，還需要確定參數(shù)k, k表示需要確定在線訓 練的原始數(shù)據(jù)的個數(shù)，A = 0,...,iV， yV為自然數(shù)，改參數(shù)k如果太大，計算機將無法在規(guī)定的
時間內完成網(wǎng)絡參數(shù)的訓練，如果太小則無法體現(xiàn)要訓練數(shù)據(jù)的特點，導致預測出現(xiàn)較大誤 差甚至錯誤；另外需要確定的一個參數(shù)是閾值RT， RT為預先設定或者通過自動識別得到的 閾值，該參數(shù)作為判斷數(shù)據(jù)是否發(fā)生異常的觸發(fā)器，要根據(jù)神經(jīng)網(wǎng)絡的預測誤差err來決定， 如果err較小則可以適當減小RT，如果err變大，則要相應增大RT，事實上，k、 err和RT 是有關系的， 一般來說，在線訓練的數(shù)據(jù)個數(shù)k越大，那么預測的誤差err越小，那么RT 也就可以適當?shù)臏p小，并且這樣可以發(fā)現(xiàn)更小的故障。
其中相空間重構法通過測量可得到采樣信號的時間序列矩陣，采集數(shù)據(jù){^4} = {義(^^ ，
如圖7所示，其中it-o，…，iv， r為采樣周期，每個x(Arr)為;tr時刻實測的附維向量(包括 壓力、流量、輸差等)。然后針對xotr)的第/個分量構造形式上的狀態(tài)向量
J^^r)-[義,(A:r)，I,(^r — r,),…，義,(A:r —1)7,)f，z:l，…，w;其中r-[八r2 7(1/是 未知的延遲時間向量，r,是r的第/個分量(/ = 1，...,附)；"=[ ! "2 ,...， ",是"的 第f個分量，是未知的嵌入維數(shù)U = l，.,.，/ )。為了確定r,和"'值，從而確定r和"，發(fā)明首先 利用時間序列計算
=(2)
和
<v(fc')-￡{[(《)2—{(《)2}f[(《—》2—{(X".)2}]} (3) 其中it'd, f=0,l,...，外)是期望值，R是平均值，yk(A:')是線性相關的函數(shù)，^^(O 是非線性相關的函數(shù)。設^，^分別是^^')和^^W)達到第一個最小值的時間，貝U可 得到如下時間單元
5 =min{rw,T^2} (4) 這樣延遲時間常數(shù)、可以選擇為Int[f; /5〗《r, S Int[5 /2〗+1 ( 5 )
其中IntW表示實數(shù)的整數(shù)部分。然后通過采用相關函數(shù)來計算吸引子的相關維數(shù).-
C,(/) = ~~^~~ f 6>(/-|《-z、l,…，m (6)
其中/是一個常參數(shù)。P為Heaviside函數(shù)。計算^-^^logC^/Vlog/可得到吸引子的估計維
數(shù)巧,，則該系統(tǒng)的第z'個分量的嵌入維數(shù)為",22巧,+l。 BP神經(jīng)網(wǎng)絡的訓練過程
1網(wǎng)絡初始化，用一組隨機數(shù)對網(wǎng)絡賦初始權值，設置學習步長;/、允許誤差e、網(wǎng)絡 結構(即網(wǎng)絡層數(shù)Z和每層節(jié)點數(shù)巧)，令樣本模式計數(shù)器P^訓練次數(shù)計數(shù)器q^;
2為網(wǎng)絡輸入一組學習樣本； 3對每個學習樣本p循環(huán)
(1) 逐層正向計算網(wǎng)絡d個輸入節(jié)點的輸入X(/)和輸出；
(2) 計算第p個樣本的輸出的誤差^和網(wǎng)絡的總誤差E，
A=》")2 (7) z 乂=
五=力￡尸 (8)
式中7;和7^分別為輸出層第j個節(jié)點的期望輸出和實際輸出，^為輸出的誤差和E為 網(wǎng)絡的總誤差；
(3) 當E小于允許誤差f或者達到指定的迭代次數(shù)時，學習過程結束，否則， 進行誤差反向傳播。
(4) 反向逐層計算網(wǎng)絡各節(jié)點誤差^^。如果,取為S型函數(shù)，即
則對于輸出層有
《 ~-《) (9)
對于隱含層有-
(io)(5)修正網(wǎng)絡連接權值
(11)
式中，/fc為學習次數(shù)，7為學習因子。7取值越大，每次權值的改變越劇烈，這可能導致 學習過程振蕩，因此，為了使學習因子的取值足夠大，又不至產(chǎn)生振蕩，通常在權值修正公 式中加入一個附加動量法。
其診斷過程最終由DSPIC30F6010A處理器的控制實現(xiàn)，按以下控制步驟執(zhí)行，(如圖5所
示)
步驟一開始；
步驟二定義程序出口地址并初始化1/0設備、同時初始化看門狗、中斷向量、裝置時 鐘；
步驟四設置異常響應，并設置中斷響應地址和開中斷； 步驟五初始化存儲系統(tǒng)，為采樣數(shù)據(jù)分配內存； 步驟六設置采樣間隔及使能各采樣通道；
步驟七DSPIC30F6010A微處理器對常規(guī)數(shù)據(jù)進行信號采集和利用BP神經(jīng)網(wǎng)絡進行分析 處理；
步驟八對數(shù)據(jù)結果打包匯總，上傳到上位機； 步驟九結束。
BP神經(jīng)網(wǎng)絡分析過程包括以下步驟，(如圖9所示)
步驟一網(wǎng)絡初始化，用一組隨機數(shù)對網(wǎng)絡賦初始權值；
步驟二為網(wǎng)絡提供一組學習樣本；
步驟三逐層正向計算網(wǎng)絡各節(jié)點的輸入和輸出；
步驟四計算第p個樣本的輸出的誤差^和網(wǎng)絡的總誤差E;
步驟五修正網(wǎng)絡連接權值；
我們從現(xiàn)場采集1200個電壓數(shù)據(jù)，嵌入維是3維，嵌入延遲為4， BP神經(jīng)網(wǎng)絡的參數(shù)選 取中，BP神經(jīng)網(wǎng)絡采用三層結構，輸入節(jié)點3個，隱含層節(jié)點28個， 一個輸出節(jié)點。設置 RT=30，(如圖12， 13所示)，圖15縱坐標表示電壓值，圖16縱坐標表示預測誤差，從圖12 和13可以看出，在第1000個點處，預測誤差40>30,在此處檢測到異常信號。
權利要求
1、一種電力異常故障數(shù)據(jù)分析裝置，其特征在于該裝置包括信號采集單元、旋轉電容濾波器電路、信號處理器、電源模塊、通訊模塊和上位機，信號采集單元包括第一級運算放大器、第二級反相比例運算放大器、第三級運算放大器、電阻、電容和二極管；旋轉電容濾波器電路包括電阻、第四級運算放大器、第五級運算放大器、RC電路、第二雙刀雙擲電了開關、第三雙刀雙擲電子開關、第四雙刀雙擲電子開關和第五雙刀雙擲電子開關；電路連接是信號采集單元中連接第二級反相比例運算放大器輸出端的電阻連接旋轉電容濾波器電路的輸入端；旋轉電容濾波器電路的輸出端連接信號處理器的輸入端，信號處理器的輸出端通過串行通訊連接上位機的輸入端，電源模塊連接信號處理器；其中信號采集單元由兩個電阻組成的分壓電路連接第一級運算放大器的同相輸入端，第一級運算放大器的輸出端通過電阻連接第二級反相比例運算放大器反相輸入端，第二級反相比例運算放大器輸出端通過電阻連接旋轉電容濾波器電路的輸入端，旋轉電容濾波器電路的輸出端連接第三級運算放大器的反相輸入端，第三級運算放大器的輸出端連接由電阻和電容組成的無源濾波器，無源濾波器的輸出端連接二極管組成的限幅電路。
2、 根據(jù)權利要求l所述的電力異常故障數(shù)據(jù)分析裝置，其特征在于所述的旋轉電容濾波器電路包括電阻、第四級運算放大器、第五級運算放大器、RC電路、第二雙刀雙擲電子開關、 第三雙刀雙擲電子開關、第四雙刀雙擲電子開關和第五雙刀雙擲電子開關；第四級運算放大 器與第五級運算放大器組成并聯(lián)電路，在第四級運算放大器的反相輸入端連接第二雙刀雙擲 電子開關，第二雙刀雙擲電子開關通過RC電路連接第三雙刀雙擲電子開關；在第五級運算放 大器的反相輸入端連接第四雙刀雙擲電子開關，第四雙刀雙擲電子開關通過RC電路連接第五 雙刀雙擲電子開關，旋轉電容濾波器電路中第二雙刀雙擲電子開關、第三雙刀雙擲電子開關、 第四雙刀雙擲電子開關和第五雙刀雙擲電子開關在電路運行時相機循環(huán)連接。
3、 采用權利要求1所述的電力異常故障數(shù)據(jù)分析裝置的異常故障數(shù)據(jù)診斷方法，其特征 在于按如下步驟進行步驟一、采集數(shù)據(jù)，包括電壓，利用相空間重構的方法，求出嵌入延遲r和最佳嵌入維d，利用原始時間序列V重構相空間；步驟二、局部對電壓的時間序列利用神經(jīng)網(wǎng)絡建模，對采集數(shù)據(jù)進行建模，得到神經(jīng)網(wǎng)絡預測原始模型；步驟三、采集數(shù)據(jù)《聯(lián)合原始數(shù)據(jù)組成輸入向量，作為當前神經(jīng)網(wǎng)絡的輸入，通過建模，得到預測的下一步輸出^+|; 步驟四、采集數(shù)據(jù)Z,在內共k個向量^x,一,，…^w實時訓練BP網(wǎng)絡，得到的權值用來實時更新下一步預測的BP網(wǎng)絡的權值；步驟五、x,和其預測值^的預測誤差值err作為故障判斷的依據(jù)，如果err〉RT，則表示當 前數(shù)據(jù)有異常，否則繼續(xù)判斷，其中RT為預先設定或者通過自動識別得到的閾值。
全文摘要
本發(fā)明涉及一種電力異常故障數(shù)據(jù)分析裝置及診斷方法，屬于設備故障檢測領域，分析裝置包括信號采集單元、旋轉電容濾波器電路、信號處理器、電源模塊、通訊模塊和上位機。采用該裝置對異常故障數(shù)據(jù)診斷方法為1.利用相空間重構的方法，求出嵌入延遲τ和最佳嵌入維d；2.對采集數(shù)據(jù)進行建模，得到神經(jīng)網(wǎng)絡預測原始模型；3.預測的下一步輸出x_i+1^-；4.更新下一步預測的BP網(wǎng)絡的權值；5.判斷誤差。本發(fā)明地優(yōu)點為把BP神經(jīng)網(wǎng)絡和相空間重構的方法進行了巧妙的結合，適合多種采集信號類型、處理速度準確快速、適用于各種復雜儲運工況，能夠有效地對信號故障特別是細微的故障數(shù)據(jù)進行分析處理。旋轉濾波電容器可以對噪音有很強的抑制能力。
文檔編號G06N3/00GK101533058SQ20091001127
公開日2009年9月16日 申請日期2009年4月24日 優(yōu)先權日2009年4月24日
發(fā)明者博 劉, 孫秋野, 張化光, 營 李, 李愛平, 楊東升, 王迎春, 穎 邢 申請人:東北大學