(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210776492.8 (22)申请日 2022.07.04 (65)同一申请的已公布的文献号 申请公布号 CN 114841222 A (43)申请公布日 2022.08.02 (73)专利权人 广东汇盈电力工程有限公司 地址 528000 广东省佛山市顺德区大良红 岗路红庙用地 (72)发明人 邓顺雄　殷铭　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 丁志新 (51)Int.Cl. G06K 9/00(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) H02J 3/00(2006.01) G01R 31/327(2006.01) G01H 17/00(2006.01) G10L 25/51(2013.01) G10L 25/30(2013.01) (56)对比文件 US 2019139 214 A1,2019.0 5.09 CN 111370027 A,2020.07.0 3 孙曙光等.基于一维卷积神经网络的低压万 能式断路器附件故障诊断. 《电工技 术学报》 .2020,(第12期),68-79. Li Heng et al.Fault dia gnosis method for rolling beari ng based o n short-time fourier transform and co nvolution neural network. 《Journal of Vibrati on and Shock》 .2018,第39卷(第19期), 审查员 邱立英 (54)发明名称 构建高压断路器故障检测模 型的方法、 检测 方法及配电系统 (57)摘要 本发明公开一种构建高压断路器故障检测 模型的方法、 检测方法及配电系统， 涉及供电技 术领域； 构建高压断路器故障检测模 型的方法包 括三个依次连接的部分， 分别为： 用于特征提取 的并行的第一至第三特征提取网络、 用于将第一 至第三特征提取网络提取的特征向量进行融合 的融合网络以及用于根据融合结果输出输出高 压断路器故障信号的输出网络。 其中， 第一至第 三特征提取网络包括： 卷积核数量依次递减的第 一卷积层、 第二卷积层以及第三卷积层， 本发明 在提高了高压断路器故障检测模型的检测性能 的同时， 降低计算 量， 避免模型过拟合。 权利要求书2页 说明书8页 附图2页 CN 114841222 B 2022.10.28 CN 114841222 B 1.一种构建高压断路器故障检测模型的方法， 其特 征在于， 所述检测模型包括： 第一特征提取网络， 输入端接入线圈电流信号， 所述第一特征提取网络用于获取所述 线圈电流信号的特 征， 并输出对应的线圈电流特 征向量； 第二特征提取网络， 输入端接入振动信号， 所述第二特征提取网络用于获取所述振动 信号的特 征， 并输出对应的振动特 征向量； 第三特征提取网络， 输入端接入声音信号， 所述第三特征提取网络用于获取所述声音 信号的特 征， 并输出对应的声 音特征向量； 融合网络， 三个输入端分别与所述第一特征提取网络的输出端、 所述第二特征提取网 络的输出端以及所述第三特征提取网络的输出端连接， 所述融合网络用于将所述线圈电流 特征向量、 所述振动特 征向量以及所述声 音特征向量进行融合， 以形成实时运行 特征； 输出网络， 输入端与所述融合网络的输出端连接， 所述输出网络用于在所述实时运行 特征与故障运行 特征匹配时， 输出高压断路器故障信号； 其中， 所述第 一特征提取网络、 第 二特征提取网络以及第 三特征提取网络均包括： 依次 连接的第一卷积层、 第二卷积层以及第三卷积层； 所述第一卷积层的输入端用于接入所述 线圈电流信号、 所述振动信号或者所述声音信号中的一者， 所述第一卷积层、 所述第二卷积 层以及所述第三卷积层用于获取所述线圈电流信号、 所述振动信号或者所述声音信号的抽 象特征， 并输出对应的特 征向量； 所述第一卷积层、 所述第二卷积层以及所述第三卷积层的卷积核数量依次递减， 所述 第一卷积层、 所述第二卷积层以及所述第三卷积层所输出 的特征数量逐渐减少； 所述第一 卷积层的输出端和所述第二卷积层的输出端还连接至所述第三卷积层的输出端， 以将所述 第一卷积层、 所述第二卷积层以及所述第三卷积层所输出的特征进行拼接后再输出特征向 量； 所述第一卷积层、 所述第二卷积层以及所述第三卷积层的卷积核 数量依次为2 4、 16以及 8； 所述第一特征提取网络、 第二特征提取网络以及第三特征提取网络均包括： LSTM网络， 所 述LSTM网络的输入端与所述第三卷积层的输出端 连接， 所述LSTM网络用于获取所述第一卷 积层、 所述第二卷积层以及所述第三卷积层不同时刻输出 的特征之间的时间关系， 以为所 述特征向量附加时间特征； 其中， 所述LSTM网络包括依次连接的第一LSTM层、 第二LSTM层以 及第三LSTM层。 2.如权利要求1所述的构建高压断路器故障检测模型的方法， 其特征在于， 所述第 一卷 积层、 第二卷积层以及第三卷积层均为 二维卷积层。 3.如权利要求1所述的构建高压断路器故障检测模型的方法， 其特征在于， 所述输出网 络包括： 依次连接的第一全连接层、 随机 丢弃层、 第二全连接层以及输出层； 其中， 所述第一全连接层、 所述第二全连接层用于将高维度的所述实时运行特征映射 成低维度的所述 实时运行特征； 所述随机丢弃层用于以预设比例随机屏蔽所述第二全连接 层的神经元； 所述输出层用于在低 维度的所述实时运行特征与所述故障运行特征匹配时， 输出高压断路器故障信号。 4.如权利要求3所述的构建高压断路器故障检测模型的方法， 其特征在于， 所述随机丢 弃层的预设比例为 40%。 5.一种高压断路器故障检测方法， 其特 征在于， 所述方法包括以下步骤： S100、 获取并训练如权利要求1至4任意 一项所述的高压断路器故障检测模型；权　利　要　求　书 1/2 页 2 CN 114841222 B 2S200、 获取高压断路器的线圈电流信号、 振动信号以及声 音信号； S300、 将所述线圈电流信号、 振动信号以及声音信号分别输入至所述高压断路器故障 检测模型， 所述高压断路器故障检测模型在所述实时运行特征与故障运行特征匹配时， 输 出高压断路器故障信号。 6.如权利要求5所述的高压断路器故障检测方法， 其特征在于， 在所述步骤S200之后和 步骤S300之前， 还 包括以下步骤： 将所述线圈电流信号、 振动信号以及声 音信号进行二维图像化处 理； 所述步骤S300包括： 将二维图像化处理后的所述线 圈电流信号、 振动信号以及声音信号分别输入至所述高 压断路器故障检测模型。 7.一种配电系统， 其特征在于， 所述配电系统包括高压断路器、 处理器、 存储器及存储 在所述存储器上并可在所述处理器上运行的高压断路器检测程序， 所述高压断路器检测程 序被所述处 理器执行时实现如权利要求5或6所述的高压断路器故障检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114841222 B 3