CN103345639A - 基于模糊聚类的支持向量机高压断路器故障诊断方法 - Google Patents
基于模糊聚类的支持向量机高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN103345639A CN103345639A CN2013102716933A CN201310271693A CN103345639A CN 103345639 A CN103345639 A CN 103345639A CN 2013102716933 A CN2013102716933 A CN 2013102716933A CN 201310271693 A CN201310271693 A CN 201310271693A CN 103345639 A CN103345639 A CN 103345639A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- fuzzy
- cluster centre
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模糊聚类的支持向量机高压断路器故障诊断方法,其包括:步骤一,对断路器动触头的行程-时间曲线提取特征向量作为本发明故障诊断的数据库;步骤二,数据样本进行模糊聚类处理,生成新的聚类中心矩阵;步骤三,聚类中心矩阵作为训练样本,运用支持向量机进行训练;步骤4运用本高压断路器故障诊断方法对测试数据进行诊断。本发明可以有效提高高压断路器故障诊断的效率,减小故障诊断的时间,提高故障诊断的质量,对电网的安全性和可靠性研究有重要意义。
Description
技术领域
本发明涉及一种电网调度与故障诊断分析领域,特别涉及一种基于模糊聚类的支持向量机高压断路器故障诊断方法。
背景技术
随着社会和经济的发展,电力系统在国民经济中的地位日趋重要。人们对电力的需求量越来越大,促使电网不断扩大。随着电压等级的提高和装机容量的增大,用户对供电质量和供电可靠性的要求越来越高,系统对电力设备运行可靠性的要求也越来越高,这给电力设备监测与诊断技术提出了更高的要求。高压断路器在电网中起着控制和保护的双重作用,是电力系统中非常重要的开关设备,并且数量众多,因此,高压断路器在电网中起着至关重要的作用。
鉴于对高压断路器进行故障诊断研究的重要性,以及满足电力发展智能化的需求,对电力设备工作状态以及故障进行快速、准确的分析和识别尤为重要。目前,对高压断路器故障进行诊断和识别研究方法有遗传算法、模糊理论、支持向量机、神经网络、数据融合等,其理论都是基于模式识别的理论基础上发展而来的。
但现在正处于研究阶段,对高压断路器故障识别的方法各不相同,有的诊断算法单一,而且有的算法存在自身局限性,实际故障诊断识别不是很好,就神经网络识别而言,神经网络运用于高压断路器故障诊断,不能适应小样本的情况,容易陷入局部极小值的情况,而且不能满足相需要实时监测的高压断路器诊断的训练速度。一种快速的及时反应,且能够适用于多数情况的诊断方法就急需找出。
发明内容
针对现有技术的不足之处,本发明的主要目的在于提供一种基于模糊聚类的支持向量机高压断路器故障诊断方法,能够快速、简单、准确地识别出高压断路器故障,正确预测断路器的运行状态,避免不必要的检修,有效提高断路器的可靠性,对增加电力系统的经济性、可靠性、安全性和经济性都具有十分重要的意义。
为达到上述目的,本发明采用了以下技术方案:
一种基于模糊聚类的支持向量机高压断路器故障诊断方法,包括下述步骤:
步骤一, 运用小波包技术对断路器动触头的行程-时间曲线提取特征向量作为本发明故障诊断的数据库;
步骤二,运用模糊C均值聚类算法(Fuzzy C-means FCM),对数据样本进行模糊聚类处理,生成新的聚类中心矩阵,具体过程包括:
(a)计算模糊集的隶属度矩阵;
(b)计算数据样本的聚类中心;
(c)选取最靠近判决边界的聚类中心有效聚类中心。
模糊C均值聚类算法的模糊集的隶属度矩阵U和数据样本的聚类中心C的具体计算过程为:
步骤三,聚类中心矩阵作为训练样本,运用支持向量机进行训练具体过程包括:
(Ⅰ)支持向量机有关参数初始化;
(Ⅱ)有效聚类中心样本通过核函数投射到特征空间;
(Ⅲ)特征空间构造最优分类面;
(Ⅳ)训练支持向量机。
步骤四,运用本高压断路器故障诊断方法对测试数据进行诊断。
本发明的有益效果是:能够快速、简单、准确地识别出高压断路器故障,与传统识别方法相比,支持向量机是一种基于统计学习理论的机器学习方法,该方法不但算法简单,而且具有较好的“鲁棒”性即健壮性,与神经网络相比,它的优点是训练算法中不存在局部极小值问题,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,针对支持向量机的大样本训练速度慢的问题,借鉴了支持向量机与模糊聚类算法相配合的观点,将其应用于高压断路器故障诊断分析中。先对训练样本进行聚类,在不改变样本分类精度的前提下,对样本进行裁剪,缩小样本空间,用聚类中心作为新的训练样本,提高支持向量机的速度。为了能够提高精度,对聚类后的样本进行模糊处理,输入支持向量机进行高压断路器故障诊断。这样既解决了SVM的“过学习”问题,有效地减少了学习所需的样本数,提高了训练速度,同时与模糊理论结合又可提高训练精度。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的基于模糊聚类的支持向量机高压断路器故障诊断方法的流程示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1所示,本实施例是一种基于模糊聚类的支持向量机高压断路器故障诊断方法,能够快速、简单、准确地识别出高压断路器故障,正确预测断路器的运行状态,避免不必要的检修,有效提高断路器的可靠性,对增加电力系统的经济性、可靠性、安全性和经济性都具有十分重要的意义。
支持向量机是一种基于统计学习理论的机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。该方法不但算法简单,而且具有较好的“鲁棒”性即健壮性,与神经网络相比,它的优点是训练算法中不存在局部极小值问题,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中,现在已经在许多领域取得了成功的应用。
但是针对支持向量机的大样本训练速度慢的问题,借鉴了支持向量机与模糊聚类算法相配合的观点,将其应用于高压断路器故障诊断分析中。先对训练样本进行聚类,在不改变样本分类精度的前提下,对样本进行裁剪,缩小样本空间,用聚类中心作为新的训练样本,提高支持向量机的速度。为了能够提高精度,对聚类后的样本进行模糊处理,输入支持向量机进行高压断路器故障诊断。这样既解决了SVM的“过学习”问题,有效地减少了学习所需的样本数,提高了训练速度,同时与模糊理论结合又可提高训练精度。
参见图1,本实施例的方法包括下述步骤:
步骤一,提前特征向量;运用小波包技术对断路器动触头的行程-时间曲线首先进行去噪,再提取特征向量,作为本发明故障诊断的数据库;
步骤二,样本模糊聚类;运用模糊C均值聚类算法,对数据样本进行模糊聚类处理,生成新的聚类中心矩阵,模糊C均值聚类算法的模糊集的隶属度矩阵U和数据样本的聚类中心C的具体计算过程为:
编写的初始化隶属度矩阵程序为function U = initkfcm(clustern, datan),clustern 表示聚类中心的个数,datan表示样本点数,返回值U即为初始化的隶属度矩阵U。
用初始化的隶属度矩阵U,计算聚类中心center。在计算欧几里德距离时调入distkfcm (centernew, data, kernelb)函数,并在计算距离时进行高斯核函数的依赖的距离计算方法,使用模糊C均值聚类时迭代的一步的函数为
function [Unew,center_new,objfcn] = stepkfcm(data,U,center,expo,kernelb),得出的聚类中心
其中,expo为隶属度矩阵U的指数,kernel_b 为高斯核函数的参数,U_new 为迭代计算出的新的隶属度矩阵,center_new 为迭代计算出的新的聚类中心,obj_fcn 为目标函数值
步骤三,选取有效聚类中心;选取最靠近判决边界的聚类中心有效聚类中心。
(1-1)
分别作为有效聚类中心集合BC1和BC2的第一个元素,用如下方法进一步选取聚类中心加入BC1和BC2中:
重复上面过程,直到所有聚类中心都满足不等式(1-3),此时BC1和BC2中的元素就是有效聚类中心。
步骤四,支持向量机初始化;在Matlab中,支持向量机有关参数初始化,主要设置类型type、核函数kernel、控制对错分样本惩罚的程度的可调数gam和径向基核函数的参数sig2,使用initlssvm()初始化支持向量机。
步骤五,有效聚类中心样本投射到特征空间;有效聚类中心样本通过核函数投射到特征空间,通过内积函数定义的非线性变换将输入空间转化为某个高维特征空间中的线性问题, 在特征空间中,维数足够大,使得原空间数据的像具有线性关系;
步骤 六,特征空间构造最优分类面;在特征空间中构造线性最优决策函数,使特征空间构造出最优分类面。
步骤七,训练支持向量机;使用trainlssvm()函数功能为对支持向量机输入样本进行训练。
步骤八,测试数据进行诊断;运用本高压断路器故障诊断方法对测试数据进行诊断。
本发明能够快速、简单、准确地识别出高压断路器故障,与传统识别方法相比,支持向量机是一种基于统计学习理论的机器学习方法,该方法不但算法简单,而且具有较好的“鲁棒”性即健壮性,与神经网络相比,它的优点是训练算法中不存在局部极小值问题,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
针对支持向量机的大样本训练速度慢的问题,借鉴了支持向量机与模糊聚类算法相配合的观点,将其应用于高压断路器故障诊断分析中。先对训练样本进行聚类,在不改变样本分类精度的前提下,对样本进行裁剪,缩小样本空间,用聚类中心作为新的训练样本,提高支持向量机的速度。
为了能够提高精度,对聚类后的样本进行模糊处理,输入支持向量机进行高压断路器故障诊断;这样既解决了SVM的“过学习”问题,有效地减少了学习所需的样本数,提高了训练速度,同时与模糊理论结合又可提高训练精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1. 一种基于模糊聚类的支持向量机高压断路器故障诊断方法,其特征在于:该方法包括下述步骤:
步骤一, 对断路器动触头的行程时间曲线提取特征向量作为故障诊断的数据库;
步骤二,数据样本进行模糊聚类处理,生成新的聚类中心矩阵;
步骤三, 聚类中心矩阵作为训练样本,运用支持向量机进行训练;
步骤四, 运用本高压断路器故障诊断方法对测试数据进行诊断。
2. 根据权利要求1所述的一种基于模糊聚类的支持向量机高压断路器故障诊断方法,其特征在于:所述步骤一中,所述的对断路器动触头的行程时间曲线提取特征向量方法运用的是小波包分析技术。
3. 根据权利要求1或2所述的一种基于模糊聚类的支持向量机高压断路器故障诊断方法,其特征在于:在所述步骤二中,所述的数据样本进行模糊聚类处理,生成新的聚类中心矩阵运用的是模糊C均值聚类算法,所述模糊C均值聚类算法方法包括如下:
(a)计算模糊集的隶属度矩阵;
(b)计算数据样本的聚类中心;
(c)选取最靠近判决边界的聚类中心有效聚类中心。
4. 根据权利要求1所述的一种基于模糊聚类的支持向量机高压断路器故障诊断方法,其特征在于:步骤三中,所述的聚类中心矩阵作为训练样本,运用支持向量机进行训练的方法包括如下:
(Ⅰ)支持向量机有关参数初始化;
(Ⅱ)有效聚类中心样本通过核函数投射到特征空间;
(Ⅲ)特征空间构造最优分类面;
(Ⅳ)训练支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102716933A CN103345639A (zh) | 2013-07-01 | 2013-07-01 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102716933A CN103345639A (zh) | 2013-07-01 | 2013-07-01 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103345639A true CN103345639A (zh) | 2013-10-09 |
Family
ID=49280434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102716933A Pending CN103345639A (zh) | 2013-07-01 | 2013-07-01 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345639A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN107316130A (zh) * | 2017-06-09 | 2017-11-03 | 国网天津市电力公司电力科学研究院 | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 |
CN108509987A (zh) * | 2018-03-19 | 2018-09-07 | 浙江师范大学 | 高性能的大型风电齿轮箱多故障模式二分类器 |
CN109492857A (zh) * | 2018-09-18 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种配电网故障风险等级预测方法和装置 |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110132566A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于模糊聚类的oltc故障诊断方法 |
CN110579323A (zh) * | 2019-08-20 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN110703077A (zh) * | 2019-09-25 | 2020-01-17 | 西安工程大学 | 基于hpso-tsvm的高压断路器故障诊断方法 |
CN110927527A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司 | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 |
CN111504675A (zh) * | 2020-04-14 | 2020-08-07 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN111638449A (zh) * | 2020-06-03 | 2020-09-08 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
CN116840671A (zh) * | 2023-06-09 | 2023-10-03 | 东禾电气有限公司 | 一种基于智能融合断路器的故障预警与精确定位方法 |
-
2013
- 2013-07-01 CN CN2013102716933A patent/CN103345639A/zh active Pending
Non-Patent Citations (5)
Title |
---|
孙来军等: ""基于支持向量机的高压断路器机械状态分类"", 《电工技术学报》 * |
朱晓东等: ""基于模糊聚类的支持向量机在震动故障诊断中的运用"", 《汽轮机技术》 * |
李园: "基于模糊聚类的支持向量机的分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
潘庆丰: ""基于模糊C均值聚类的支持向量机"", 《福建电脑》 * |
黄凌洁: "高压断路器状态监测与故障诊断方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN104299115B (zh) * | 2014-11-11 | 2017-10-20 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN107316130A (zh) * | 2017-06-09 | 2017-11-03 | 国网天津市电力公司电力科学研究院 | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 |
CN108509987A (zh) * | 2018-03-19 | 2018-09-07 | 浙江师范大学 | 高性能的大型风电齿轮箱多故障模式二分类器 |
CN109492857A (zh) * | 2018-09-18 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种配电网故障风险等级预测方法和装置 |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110132566A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于模糊聚类的oltc故障诊断方法 |
CN110579323B (zh) * | 2019-08-20 | 2021-09-10 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN110579323A (zh) * | 2019-08-20 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器绝缘气体的机器人测值识别算法 |
CN110703077A (zh) * | 2019-09-25 | 2020-01-17 | 西安工程大学 | 基于hpso-tsvm的高压断路器故障诊断方法 |
CN110703077B (zh) * | 2019-09-25 | 2021-10-15 | 西安工程大学 | 基于hpso-tsvm的高压断路器故障诊断方法 |
CN110927527A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司 | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 |
CN111504675A (zh) * | 2020-04-14 | 2020-08-07 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN111504675B (zh) * | 2020-04-14 | 2021-04-09 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN111638449A (zh) * | 2020-06-03 | 2020-09-08 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
CN111638449B (zh) * | 2020-06-03 | 2022-08-05 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
CN116840671A (zh) * | 2023-06-09 | 2023-10-03 | 东禾电气有限公司 | 一种基于智能融合断路器的故障预警与精确定位方法 |
CN116840671B (zh) * | 2023-06-09 | 2024-01-19 | 东禾电气有限公司 | 一种基于智能融合断路器的故障预警与精确定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345639A (zh) | 基于模糊聚类的支持向量机高压断路器故障诊断方法 | |
Zheng et al. | Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids | |
Wang et al. | Improved lstm-based time-series anomaly detection in rail transit operation environments | |
CN104598813B (zh) | 一种基于集成学习和半监督svm的计算机入侵检测方法 | |
CN103336243B (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
Liang et al. | Fine-grained vessel traffic flow prediction with a spatio-temporal multigraph convolutional network | |
CN103077347B (zh) | 一种基于改进核心向量机数据融合的复合式入侵检测方法 | |
CN102263790A (zh) | 一种基于集成学习的入侵检测方法 | |
CN103226713B (zh) | 一种多视角行为识别方法 | |
CN102291392A (zh) | 一种基于Bagging算法的复合式入侵检测方法 | |
Liu et al. | A novel intrusion detection algorithm for industrial control systems based on CNN and process state transition | |
CN104966161A (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
Su et al. | Anomaly detection of single sensors using OCSVM_KNN | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
Tao et al. | Insurance fraud identification research based on fuzzy support vector machine with dual membership | |
Taghipourbazargani et al. | A machine learning framework for event identification via modal analysis of PMU data | |
Fang et al. | Spatio-temporal meets wavelet: Disentangled traffic flow forecasting via efficient spectral graph attention network | |
Wang et al. | R2-trans: Fine-grained visual categorization with redundancy reduction | |
Han et al. | Data-driven solutions for power system fault analysis and novelty detection | |
CN103235791A (zh) | 一种基于秩次的指纹匹配优化定位方法 | |
CN106033546A (zh) | 基于自上而下学习的行为分类方法 | |
CN104408072A (zh) | 一种基于复杂网络理论的适用于分类的时间序列特征提取方法 | |
CN102799891A (zh) | 基于地标点表示的谱聚类方法 | |
Liu et al. | Smart Device Recognition: Ubiquitous Electric Internet of Things | |
Hu et al. | Graph transformer based dynamic multiple graph convolution networks for traffic flow forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131009 |
|
RJ01 | Rejection of invention patent application after publication |