论文部分内容阅读
摘要：交流接触器是一种在各种低压电气控制线路中应用极为频繁的控制电器，对交流接触器进行寿命预测不仅可以有效维持电力系统正常运行，还可以最大限度地利用其工作能力。针对交流接触器剩余寿命预测问题，提出了一种基于循环神经网络的交流接触器剩余寿命预测方法。将能够反映交流接触器运行状态的特征参数作为预测模型的输入样本，进行循环神经网络预测模型训练，并进行预测。结果表明，基于循环神经网络的寿命预测模型对交流接触器剩余寿命预测具有较好的准确性。
关键词：交流接触器;循环神经网络;寿命预测;特征提取
一、交流接触器剩余寿命预测意义
交流接触器是一种在各种低压电气控制线路中使用极为频繁的控制电器，主要对交流回路及大电流控制电路进行远距离频繁的通断操作[1]。其工作状态对整个电网的安全运行有着关键性作用。对交流接触器进行剩余寿命预测不仅可以有效地防止因其发生突发性故障而导致整个系统的瘫痪，而且可以最大限度地利用其工作能力[2]。对于接触器剩余寿命预测问题，国内外学者近年来做了很多工作，基于数据驱动模型，特别是深度学习模型，因为其结构具有深度、非线性和自适应能力强等优点，广泛应用在电器设备的剩余寿命预测问题中[3]。基于深度学习的方法可以直接对电器设备寿命相关数据进行建模。该方法不需要设备的精确物理模型和其退化过程中的统计模型，所以基于深度学习的方法非常适合解决复杂电器设备的剩余寿命预测问题。
循环神经网络（RecurrentNeuralNetwork，RNN）结构中应用了时序的概念，传统神经网络每层之间的节点无连接，而循环神经网络保存了当前隐藏層的信息，并且隐藏层之间是相互连接的，可以将信息传递到下一时刻的隐藏层，使得网络具有“记忆”功能[4]，因此更适合解决时间序列数据分析的问题。
因为交流接触器运行状态的影响因素较多，并且其整个运行过程可视为一个长时间序列，因此，本文采用基于RNN网络的方法，对交流接触器剩余寿命进行预测，从而得到较为准确的预测结果。
二、RNN网络模型
RNN的神经元结构具有自反馈功能，因此可以有效地记忆当前时刻及先前获取的信息并用于计算当前的输出[6]。
下图是一个简单的循环神经网络图，它由输入层、一个隐藏层和一个输出层组成：
损失函数值可以降低到数量级，表明模型的预测精度较好。
（二）结果分析
预测模型的验证集有9485组，从中随机选取两组样本数为50的数据，其预测结果与实际剩余寿命的拟合曲线如图3所示，可以看出拟合结果比较好。
通过表1的数值可以看出，本文提出的基于RNN的交流接触器剩余寿命预测的精度可以达到83.92%以上，证明该方法可以用于解决交流接触器剩余寿命预测问题。
四、结论
本文提出了一种基于循环神经网络的交流接触器剩余寿命预测模型，考虑到了开关电器在退化过程中数据的时序性，并采用多个特征参量作为模型输入对预测模型进行训练。
通过试验数据验证，证明本文提出的RNN交流接触器剩余寿命模型的预测效果较好，能够解决长时间序列的预测问题，为开关电器设备剩余寿命的预测问题提供了新方法。
参考文献
[1]卜浩民.交流接触器的智能化综述[J].电器与能效管理技术，2017（1）：32- 38.
[2]Vichare N M， Pecht M G. Prognostics and health management of electronics[J]. IEEE Transactions on Components and Packaging Technologies， 2006， 29（1）：222-229.
[3]黄承赓.基于监测大数据的产品剩余寿命预测方法研究[D].电子科技大学，2019.
[4]薛嫣，朱静，翟怡萌，等.基于LSTM的风机滚动轴承剩余寿命预测研究[J].工业控制计算机，2020，33（6）：108-110.
[5]原继东.时间序列分类算法研究[D].北京：北京交通大学学位论文，2016
[6]Gregor K， Danihelka I， Graves A， et al. DRAW： a recurrent neural network for image generation[J]. Computer Science， 2015：1462-1471.
[7]于佳弘.基于深度学习的太阳能光伏发电短期预测方法[D].浙江大学， 2018.
作者简介
高士珍（1996—），男，满族，辽宁省沈阳市人，学生，硕士，单位：沈阳工业大学电气工程学院，研究方向：电器智能化。
刘树鑫（1982—），男，汉族，辽宁省沈阳市人，副教授，博士，单位：沈阳工业大学电气工程学院，研究方向：电器状态监测与电器智能化。
关键词：交流接触器;循环神经网络;寿命预测;特征提取
一、交流接触器剩余寿命预测意义
交流接触器是一种在各种低压电气控制线路中使用极为频繁的控制电器，主要对交流回路及大电流控制电路进行远距离频繁的通断操作[1]。其工作状态对整个电网的安全运行有着关键性作用。对交流接触器进行剩余寿命预测不仅可以有效地防止因其发生突发性故障而导致整个系统的瘫痪，而且可以最大限度地利用其工作能力[2]。对于接触器剩余寿命预测问题，国内外学者近年来做了很多工作，基于数据驱动模型，特别是深度学习模型，因为其结构具有深度、非线性和自适应能力强等优点，广泛应用在电器设备的剩余寿命预测问题中[3]。基于深度学习的方法可以直接对电器设备寿命相关数据进行建模。该方法不需要设备的精确物理模型和其退化过程中的统计模型，所以基于深度学习的方法非常适合解决复杂电器设备的剩余寿命预测问题。
循环神经网络（RecurrentNeuralNetwork，RNN）结构中应用了时序的概念，传统神经网络每层之间的节点无连接，而循环神经网络保存了当前隐藏層的信息，并且隐藏层之间是相互连接的，可以将信息传递到下一时刻的隐藏层，使得网络具有“记忆”功能[4]，因此更适合解决时间序列数据分析的问题。
因为交流接触器运行状态的影响因素较多，并且其整个运行过程可视为一个长时间序列，因此，本文采用基于RNN网络的方法，对交流接触器剩余寿命进行预测，从而得到较为准确的预测结果。
二、RNN网络模型
RNN的神经元结构具有自反馈功能，因此可以有效地记忆当前时刻及先前获取的信息并用于计算当前的输出[6]。
下图是一个简单的循环神经网络图，它由输入层、一个隐藏层和一个输出层组成：
损失函数值可以降低到数量级，表明模型的预测精度较好。
（二）结果分析
预测模型的验证集有9485组，从中随机选取两组样本数为50的数据，其预测结果与实际剩余寿命的拟合曲线如图3所示，可以看出拟合结果比较好。
通过表1的数值可以看出，本文提出的基于RNN的交流接触器剩余寿命预测的精度可以达到83.92%以上，证明该方法可以用于解决交流接触器剩余寿命预测问题。
四、结论
本文提出了一种基于循环神经网络的交流接触器剩余寿命预测模型，考虑到了开关电器在退化过程中数据的时序性，并采用多个特征参量作为模型输入对预测模型进行训练。
通过试验数据验证，证明本文提出的RNN交流接触器剩余寿命模型的预测效果较好，能够解决长时间序列的预测问题，为开关电器设备剩余寿命的预测问题提供了新方法。
参考文献
[1]卜浩民.交流接触器的智能化综述[J].电器与能效管理技术，2017（1）：32- 38.
[2]Vichare N M， Pecht M G. Prognostics and health management of electronics[J]. IEEE Transactions on Components and Packaging Technologies， 2006， 29（1）：222-229.
[3]黄承赓.基于监测大数据的产品剩余寿命预测方法研究[D].电子科技大学，2019.
[4]薛嫣，朱静，翟怡萌，等.基于LSTM的风机滚动轴承剩余寿命预测研究[J].工业控制计算机，2020，33（6）：108-110.
[5]原继东.时间序列分类算法研究[D].北京：北京交通大学学位论文，2016
[6]Gregor K， Danihelka I， Graves A， et al. DRAW： a recurrent neural network for image generation[J]. Computer Science， 2015：1462-1471.
[7]于佳弘.基于深度学习的太阳能光伏发电短期预测方法[D].浙江大学， 2018.
作者简介
高士珍（1996—），男，满族，辽宁省沈阳市人，学生，硕士，单位：沈阳工业大学电气工程学院，研究方向：电器智能化。
刘树鑫（1982—），男，汉族，辽宁省沈阳市人，副教授，博士，单位：沈阳工业大学电气工程学院，研究方向：电器状态监测与电器智能化。