CN103345639A

CN103345639A - 基于模糊聚类的支持向量机高压断路器故障诊断方法

Info

Publication number: CN103345639A
Application number: CN2013102716933A
Authority: CN
Inventors: 苗红霞; 王鹏彰; 齐本胜; 徐安; 邓志祥
Original assignee: Changzhou Campus of Hohai University
Current assignee: Changzhou Campus of Hohai University
Priority date: 2013-07-01
Filing date: 2013-07-01
Publication date: 2013-10-09

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

基于模糊聚类的支持向量机高压断路器故障诊断方法

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：

（1）随机初始化隶属度矩阵U，且满足

Figure 2013102716933100002DEST_PATH_IMAGE001

；

（2）通过

，计算c个聚类中心Ci，i=1,...,c; c≥1；

（3）通过

Figure 2013102716933100002DEST_PATH_IMAGE003

计算价值函数，其表达式为：,如果它小于某个阈值，或者相对于上次的价值改变量小于某个阈值，则算法停止;

（4）通过

Figure 2013102716933100002DEST_PATH_IMAGE005

，计算新的U矩阵，返回到步骤（2）。

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：

（1）随机初始化隶属度矩阵U，且满足

；

（2）通过

，计算c个聚类中心Ci，i=1,...,c; c≥1；

（3）通过

计算价值函数，其表达式为：

,如果它小于某个阈值，或者相对于上次的价值改变量小于某个阈值，则算法停止;

（4）通过

，计算新的U矩阵；返回到步骤（2）。

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。

以两类分类为例进行说明，两个类别分别记为

、聚类中心分别为：

（1-1）

选取两类数据中距离最近的两个聚类中心

Figure 2013102716933100002DEST_PATH_IMAGE009

：

（1-2）

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：

Figure 2013102716933100002DEST_PATH_IMAGE011

（1-3）

其中

表示向集合中加入元素。

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。