CN109002762A - 一种分合闸线圈故障电流波形识别方法和系统 - Google Patents
一种分合闸线圈故障电流波形识别方法和系统 Download PDFInfo
- Publication number
- CN109002762A CN109002762A CN201810611646.1A CN201810611646A CN109002762A CN 109002762 A CN109002762 A CN 109002762A CN 201810611646 A CN201810611646 A CN 201810611646A CN 109002762 A CN109002762 A CN 109002762A
- Authority
- CN
- China
- Prior art keywords
- sample data
- current waveform
- comentropy
- random forest
- divide
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007637 random forest analysis Methods 0.000 claims abstract description 86
- 238000003066 decision tree Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 25
- 238000002790 cross-validation Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种分合闸线圈故障电流波形识别方法，包括：采集分合闸线圈的电流波形；对所述电流波形进行数据处理，提取电流波形的特征参数；根据预先建立的随机森林分类器对特征参数进行分类，得到分合闸线圈的诊断结果；其中，随机森林分类器的建立方法包括：采集若干个分合闸线圈的电流波形；获取第一预设数量的电流波形作为训练集；从训练集中有放回的随机抽取预设比例的电流波形作为样本数据，根据所述样本数据的构造决策树，得到随机森林分类器；其中，随机森林分类器由若干个所述决策树组成。本发明还公开了一种分合闸线圈故障电流波形识别系统。采用本发明实施例，能够提高分合闸线圈的故障故障诊断的准确率。
Description
技术领域
本发明涉及电力系统领域，尤其涉及一种断路器分合闸线圈故障电流波形识别方法和系统。
背景技术
高压断路器是电力系统的重要设备，在电力系统中起到两方面的作用：第一，电网的调度控制作用，即根据电网的运行状态投切线路；第二，电网的保护作用，即当电力系统出现故障时，迅速动作，切除故障线路。因此，高压断路器的可靠性对于电力系统的安全稳定运行有重要的意义。高压断路器拒动是电力系统最严重的故障类型之一，其中以断路器拒分故障的危害尤为严重，会造成严重的电网事故，带来巨大的经济损失。
分合闸线圈电流不仅能够反映分合闸线圈自身的缺陷，而且对于断路器机构故障，例如铁芯卡涩、分合闸掣子润滑不足等，有很好指示作用。通过对分合闸线圈电流的分析，找出在故障条件下分合闸线圈电流波形的变化规律，设计故障识别算法，识别故障电流波形，对于及时的发现断路器机构故障，预防断路器拒动有重要的意义。在现有技术中，对分合闸线圈故障电流波形识别的方法主要是通过传感器测量分合闸操作时分合闸线圈的电流信号,然后提取电流波形特征量进行人为的故障诊断，但是人为诊断的方法不够准确，导致故障识别的错误率较高。
发明内容
本发明实施例的目的是提供一种分合闸线圈故障电流波形识别方法和系统，能够提高分合闸线圈的故障故障诊断的准确率。
为实现上述目的，本发明实施例提供了一种分合闸线圈故障电流波形识别方法，包括：
采集分合闸线圈的电流波形；
对所述电流波形进行数据处理，提取所述电流波形的特征参数；
根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果；
其中，所述随机森林分类器的建立方法包括：
采集若干个分合闸线圈的电流波形；
获取第一预设数量的所述电流波形作为训练集；
从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据，根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。
与现有技术相比，本发明公开的分合闸线圈故障电流波形识别方法通过采集分合闸线圈的电流波形；对所述电流波形进行数据处理，提取所述电流波形的特征参数；根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果。解决了现有技术对分合闸线圈故障电流波形识别的方法主要是通过传感器测量分合闸操作时分合闸线圈的电流信号,然后提取电流波形特征量进行人为的故障诊断，但是人为诊断的方法不够准确，导致故障识别的错误率较高的问题，能够提高分合闸线圈的故障故障诊断的准确率。
作为上述方案的改进，所述随机森林分类器的建立方法还包括：
获取第二预设数量的所述电流波形作为测试集；
通过所述测试集对所述随机森林分类器进行交叉验证；
当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
作为上述方案的改进，所述根据所述样本数据的构造决策树具体包括：
构造所述样本数据的信息熵；
根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
作为上述方案的改进，所述样本数据的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c。
作为上述方案的改进，所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n。
作为上述方案的改进，所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X) 公式(3)；其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
为实现上述目的，本发明实施例还提供了一种分合闸线圈故障电流波形识别系统，包括：
数据采集单元，用于采集分合闸线圈的电流波形；
数据处理单元，用于对所述电流波形进行数据处理，提取所述电流波形的特征参数；
分类单元，用于根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果；
随机森林分类器建立单元，用于建立所述随机森林分类器；
其中，所述随机森林分类器建立单元包括：
电流波形获取模块，用于采集若干个分合闸线圈的电流波形；
训练集获取模块，用于获取第一预设数量的所述电流波形作为训练集，并从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据；
决策树构造模块，用于根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。
与现有技术相比，本发明公开的分合闸线圈故障电流波形识别系统，首先通过数据采集单元采集分合闸线圈的电流波形；然后数据处理单元对所述电流波形进行数据处理，提取所述电流波形的特征参数；最后分类单元根据随机森林分类器建立单元预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果。解决了现有技术对分合闸线圈故障电流波形识别的方法主要是通过传感器测量分合闸操作时分合闸线圈的电流信号,然后提取电流波形特征量进行人为的故障诊断，但是人为诊断的方法不够准确，导致故障识别的错误率较高的问题，能够提高分合闸线圈的故障故障诊断的准确率。
作为上述方案的改进，所述随机森林分类器建立单元还包括：
测试集获取模块，用于获取第二预设数量的所述电流波形作为测试集；
交叉验证模块，用于通过所述测试集对所述随机森林分类器进行交叉验证；
参数调整模块，用于当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
作为上述方案的改进，所述决策树构造模块包括：
样本数据的信息熵获取模块，用于构造所述样本数据的信息熵；
分类后的样本数据的信息熵获取模块，用于根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
样本数据的信息增益获取模块，用于根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
作为上述方案的改进，所述样本数据的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c；
所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n；
所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X) 公式(3)；其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
附图说明
图1是本发明实施例提供的一种分合闸线圈故障电流波形识别方法的流程图
图2是本发明实施例提供的一种分合闸线圈故障电流波形识别方法中建立随机森林分类器的流程图；
图3是本发明实施例提供的一种分合闸线圈故障电流波形识别方法中构造决策树的流程图；
图4是本发明实施例提供的一种分合闸线圈故障电流波形识别方法中交叉验证误差率的曲线图；
图5是本发明实施例提供的一种分合闸线圈故障电流波形识别系统的结构框图；
图6是本发明实施例提供的一种分合闸线圈故障电流波形识别系统中随机森林分类器建立单元4的结构框图；
图7是本发明实施例提供的一种分合闸线圈故障电流波形识别系统中决策树构造模块43的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1，图1是本发明实施例提供的一种分合闸线圈故障电流波形识别方法的流程图；包括：
S1、采集分合闸线圈的电流波形；优选的，可以通过使用单匝穿心式霍尔电流传感器来采集所述分合闸线圈的电流波形。
S2、对所述电流波形进行数据处理，提取所述电流波形的特征参数；
S3、根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果。具体的，根据所述随机森林分类器对所述分合闸线圈的电流波形进行分类，能够判断所述电流波形是电压异常电流波形、铁芯间隙异常电流波形或铁芯卡涩故障电流波形，从而能够得到所述分合闸线圈是处于何种故障。
优选的，在本发明实施例中，所述电流波形包括第一次峰值I1、第一次达到峰值的时间t1、第一次谷值I2、第一次达到谷值的时间t2、最大值I3和达到最大值的时间t3、第一次达到谷值的时间与第一次达到峰值的时间的差值Δt、第一次峰值和第一次谷值的电流差值ΔI。所述特征参数包括t1、t2、Δt＝t2-t1、I1、I2、ΔI＝I1-I2。
优选的，参见图2，图2是本发明实施例提供的一种分合闸线圈故障电流波形识别方法中建立随机森林分类器的流程图。具体的，所述随机森林分类器为预先建立的，具体包括：
S31、采集若干个分合闸线圈的电流波形；
S32、获取第一预设数量的所述电流波形作为训练集；
S33、从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据，根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成；
S34、获取第二预设数量的所述电流波形作为测试集；
S35、通过所述测试集对所述随机森林分类器进行交叉验证；
S36、当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
具体的，在步骤S31～S32中，本发明实施例的所述训练集共使用电流波形300条，其中正常电流波形100条，故障电流波形200条。故障电流波形包含电压异常电流波形70条、铁芯间隙异常电流波形60条，铁芯卡涩故障电流波形70条。
优选的，本发明实施例的随机森林算法分类任务使用MATLAB的Statistics andMachine Learning Toolbox软件包进行分析。软件包中包含大量机器学习算法，是数据挖掘方便的工具。MATLAB软件包中TreeBagger即是随机森林算法，建立模型时，需要对SampleWithReplacement(控制是否有放回抽样)、InBagFraction(建立每棵决策树抽取的数据占数据总量的比例)和NumPredictorsToSample(每个节点分裂时抽取的特征的个数)三个参数进行设置。其中，设置SampleWithReplacement为选择有放回抽样；设置InBagFraction为0.6(即所述预设比例)；设置NumPredictorsToSample默认为总的特征个数的平方根。
具体的，在步骤S33中，从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据，根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。随机森林算法是Bagging算法和随机子空间算法的组合，基本构成单元是决策树，多棵决策树投票共同进行决策，从而使分类的准确率有很大提高。
具体的，在步骤S34中，获取第二预设数量的所述电流波形作为测试集；比如一共有电流波形1000条，采用60％的训练集进行训练，则剩余的40％的训练集测试所述随机森林分类器的准确率，则此时所述第一预设数量为600，所述第二预设数量为400。
具体的，在步骤S35～S36中，通过所述测试集对所述随机森林分类器进行交叉验证，如果交叉验证精度没有达到预设准确率，是需要重新调整参数的。在本发明中，所述参数包括决策树的棵树、每次抽取样本数占总样本的比例和每次抽取特征数占总特征的比例。经过反复测试，本发明选择建立100棵决策树，每次抽取样本数占总样本的比例为0.6，每次抽取特征数为总特征数的平方根。
优选的，参见图3，图3是本发明实施例提供的一种分合闸线圈故障电流波形识别方法中构造决策树的流程图；包括：
S331、构造所述样本数据的信息熵；
S332、根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
S333、根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
值得说明的是，决策树是一种描述对数据集进行分类的树形结构。决策树由节点和有向边组成。节点分为内部节点和叶节点，其中内部节点表示数据集的一个特征或属性，叶节点表示一个类。一个数据集的纯度可以用其熵值来表示，据信息论中的熵值定义，信息熵越大表示数据的纯度越低。
具体的，在步骤S331中，所述样本数据X的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c。
其中，H(X)越大，表示数据集越混乱；H(X)越小，则数据集越纯净。
具体的，在步骤S332中，经过所述电流波形的特征参数A作用以后，所述样本数据X被分为n个子样本Xj(所述样本数据X是指很多条电流波形组成的集合，经过某个电流波形特征参数A作用以后，这个集合被分为若干个子集)，所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n。
具体的，在步骤S333中，所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X) 公式(3)；其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
其中，信息增益越大，说明用特征参数A进行分类的效果越好。
优选的，统计分类结果，绘制分类误差率随决策树的，其交叉验证曲线图如图4所示。随着决策树数量的增加，分类误差率快速下降，最终稳定在1％。至此，所述决策树构造完毕，从而能够建立所述随机森林分类器。
与现有技术相比，本发明公开的分合闸线圈故障电流波形识别方法通过采集分合闸线圈的电流波形；对所述电流波形进行数据处理，提取所述电流波形的特征参数；根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果。解决了现有技术对分合闸线圈故障电流波形识别的方法主要是通过传感器测量分合闸操作时分合闸线圈的电流信号,然后提取电流波形特征量进行人为的故障诊断，但是人为诊断的方法不够准确，导致故障识别的错误率较高的问题，能够提高分合闸线圈的故障故障诊断的准确率。
实施例二
参见图5，图5是本发明实施例提供的一种分合闸线圈故障电流波形识别系统的结构框图；包括：
数据采集单元1，用于采集分合闸线圈的电流波形；优选的，可以通过使用单匝穿心式霍尔电流传感器来采集所述分合闸线圈的电流波形。
数据处理单元2，用于对所述电流波形进行数据处理，提取所述电流波形的特征参数。
分类单元3，用于根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果；具体的，根据所述随机森林分类器对所述分合闸线圈的电流波形进行分类，能够判断所述电流波形是电压异常电流波形、铁芯间隙异常电流波形或铁芯卡涩故障电流波形，从而能够得到所述分合闸线圈是处于何种故障。
随机森林分类器建立单元4，用于建立所述随机森林分类器。
优选的，在本发明实施例中，所述电流波形包括第一次峰值I1、第一次达到峰值的时间t1、第一次谷值I2、第一次达到谷值的时间t2、最大值I3和达到最大值的时间t3、第一次达到谷值的时间与第一次达到峰值的时间的差值Δt、第一次峰值和第一次谷值的电流差值ΔI。所述特征参数包括t1、t2、Δt＝t2-t1、I1、I2、ΔI＝I1-I2。
优选的，参见图6，图6是本发明实施例提供的一种分合闸线圈故障电流波形识别系统中随机森林分类器建立单元4的结构框图；具体包括：
电流波形获取模块41，用于采集若干个分合闸线圈的电流波形；
训练集获取模块42，用于获取第一预设数量的所述电流波形作为训练集，并从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据；
决策树构造模块43，用于根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成；
测试集获取模块44，用于获取第二预设数量的所述电流波形作为测试集；
交叉验证模块45，用于通过所述测试集对所述随机森林分类器进行交叉验证；
参数调整模块46，用于当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
具体的，所述训练集获取模块42获取的所述训练集共使用电流波形300条，其中正常电流波形100条，故障电流波形200条。故障电流波形包含电压异常电流波形70条、铁芯间隙异常电流波形60条，铁芯卡涩故障电流波形70条。
优选的，本发明实施例的随机森林算法分类任务使用MATLAB的Statistics andMachine Learning Toolbox软件包进行分析。软件包中包含大量机器学习算法，是数据挖掘方便的工具。MATLAB软件包中TreeBagger即是随机森林算法，建立模型时，需要对SampleWithReplacement(控制是否有放回抽样)、InBagFraction(建立每棵决策树抽取的数据占数据总量的比例)和NumPredictorsToSample(每个节点分裂时抽取的特征的个数)三个参数进行设置。其中，设置SampleWithReplacement为选择有放回抽样；设置InBagFraction为0.6(即所述预设比例)；设置NumPredictorsToSample默认为总的特征个数的平方根。
具体的，从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据，所述决策树构造模块43根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。随机森林算法是Bagging算法和随机子空间算法的组合，基本构成单元是决策树，多棵决策树投票共同进行决策，从而使分类的准确率有很大提高。
具体的，所述测试集获取模块44获取第二预设数量的所述电流波形作为测试集；比如一共有电流波形1000条，采用60％的训练集进行训练，则剩余的40％的训练集测试所述随机森林分类器的准确率，则此时所述第一预设数量为600，所述第二预设数量为400。
具体的，所述交叉验证模块45通过所述测试集对所述随机森林分类器进行交叉验证，如果交叉验证精度没有达到预设准确率，则通过所述参数调整模块46重新调整参数。在本发明中，所述参数包括决策树的棵树、每次抽取样本数占总样本的比例和每次抽取特征数占总特征的比例。经过反复测试，本发明选择建立100棵决策树，每次抽取样本数占总样本的比例为0.6，每次抽取特征数为总特征数的平方根。
优选的，参见图7，图7是本发明实施例提供的一种分合闸线圈故障电流波形识别系统中决策树构造模块43的结构框图,具体包括：
样本数据的信息熵获取模块431，用于构造所述样本数据的信息熵；
分类后的样本数据的信息熵获取模块432，用于根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
样本数据的信息增益获取模块433，用于根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
值得说明的是，决策树是一种描述对数据集进行分类的树形结构。决策树由节点和有向边组成。节点分为内部节点和叶节点，其中内部节点表示数据集的一个特征或属性，叶节点表示一个类。一个数据集的纯度可以用其熵值来表示，据信息论中的熵值定义，信息熵越大表示数据的纯度越低。
具体的，所述样本数据的信息熵获取模块431中获取到的所述样本数据X的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c。
其中，H(X)越大，表示数据集越混乱；H(X)越小，则数据集越纯净。
具体的，经过所述电流波形的特征参数A作用以后，所述样本数据X被分为n个子样本Xj(所述样本数据X是指很多条电流波形组成的集合，经过某个电流波形特征参数A作用以后，这个集合被分为若干个子集)，所述分类后的样本数据的信息熵获取模块432获取到的所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n。
具体的，所述样本数据的信息增益获取模块433获取到的所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X)公式(3)；其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
其中，信息增益越大，说明用特征参数A进行分类的效果越好。
优选的，统计分类结果，绘制分类误差率随决策树的，其交叉验证曲线图如图4所示。随着决策树数量的增加，分类误差率快速下降，最终稳定在1％。至此，所述决策树构造完毕，从而能够建立所述随机森林分类器。
与现有技术相比，本发明公开的分合闸线圈故障电流波形识别系统，首先通过数据采集单元1采集分合闸线圈的电流波形；然后数据处理单元2对所述电流波形进行数据处理，提取所述电流波形的特征参数；最后分类单元3根据随机森林分类器建立单元4预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果。解决了现有技术对分合闸线圈故障电流波形识别的方法主要是通过传感器测量分合闸操作时分合闸线圈的电流信号,然后提取电流波形特征量进行人为的故障诊断，但是人为诊断的方法不够准确，导致故障识别的错误率较高的问题，能够提高分合闸线圈的故障故障诊断的准确率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种分合闸线圈故障电流波形识别方法，其特征在于，包括：
采集分合闸线圈的电流波形；
对所述电流波形进行数据处理，提取所述电流波形的特征参数；
根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果；
其中，所述随机森林分类器的建立方法包括：
采集若干个分合闸线圈的电流波形；
获取第一预设数量的所述电流波形作为训练集；
从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据，根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。
2.如权利要求1所述的分合闸线圈故障电流波形识别方法，其特征在于，所述随机森林分类器的建立方法还包括：
获取第二预设数量的所述电流波形作为测试集；
通过所述测试集对所述随机森林分类器进行交叉验证；
当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
3.如权利要求1所述的分合闸线圈故障电流波形识别方法，其特征在于，所述根据所述样本数据的构造决策树具体包括：
构造所述样本数据的信息熵；
根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
4.如权利要求3所述的分合闸线圈故障电流波形识别方法，其特征在于，所述样本数据的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c。
5.如权利要求4所述的分合闸线圈故障电流波形识别方法，其特征在于，所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n。
6.如权利要求5所述的分合闸线圈故障电流波形识别方法，其特征在于，所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X) 公式(3)；
其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
7.一种分合闸线圈故障电流波形识别系统，其特征在于，包括：
数据采集单元，用于采集分合闸线圈的电流波形；
数据处理单元，用于对所述电流波形进行数据处理，提取所述电流波形的特征参数；
分类单元，用于根据预先建立的随机森林分类器对所述特征参数进行分类，得到所述分合闸线圈的诊断结果；
随机森林分类器建立单元，用于建立所述随机森林分类器；
其中，所述随机森林分类器建立单元包括：
电流波形获取模块，用于采集若干个分合闸线圈的电流波形；
训练集获取模块，用于获取第一预设数量的所述电流波形作为训练集，并从所述训练集中有放回的随机抽取预设比例的所述电流波形作为样本数据；
决策树构造模块，用于根据所述样本数据的构造决策树，得到所述随机森林分类器；其中，所述随机森林分类器由若干个所述决策树组成。
8.如权利要求7所述的分合闸线圈故障电流波形识别系统，其特征在于，所述随机森林分类器建立单元还包括：
测试集获取模块，用于获取第二预设数量的所述电流波形作为测试集；
交叉验证模块，用于通过所述测试集对所述随机森林分类器进行交叉验证；
参数调整模块，用于当所述随机森林分类器不满足预设准确率时，对所述随机森林分类器进行参数调整，直至所述随机森林分类器满足预设准确率。
9.如权利要求7所述的分合闸线圈故障电流波形识别系统，其特征在于，所述决策树构造模块包括：
样本数据的信息熵获取模块，用于构造所述样本数据的信息熵；
分类后的样本数据的信息熵获取模块，用于根据所述电流波形的特征参数对所述样本数据进行样本分类，将所述样本数据分为若干个子样本,得到分类后的样本数据的信息熵；
样本数据的信息增益获取模块，用于根据所述样本数据的信息熵和所述分类后的样本数据的信息熵计算所述样本数据的信息增益。
10.如权利要求9所述的分合闸线圈故障电流波形识别系统，其特征在于，所述样本数据的信息熵为：
其中，H(X)为所述样本数据的信息熵，X为所述样本数据，c为所述样本数据中的数据个数，Pi为第i个样本在X中所占比例，i＝1,2…c；
所述分类后的样本数据的信息熵为：
其中，HA(X)为所述分类后的样本数据的信息熵，A为所述电流波形的特征参数，X为所述样本数据，n为所述样本数据中的子样本数目，Pj为第j个子样本占所述样本数据总数的比例，Xj为第j个子样本，j＝1,2…n；
所述样本数据的信息增益为：
G(X,A)＝H(X)-HA(X) 公式(3)；
其中，G(X,A)为所述样本数据的信息增益，H(X)为所述样本数据的信息熵，HA(X)为所述分类后的样本数据的信息熵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810611646.1A CN109002762A (zh) | 2018-06-14 | 2018-06-14 | 一种分合闸线圈故障电流波形识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810611646.1A CN109002762A (zh) | 2018-06-14 | 2018-06-14 | 一种分合闸线圈故障电流波形识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109002762A true CN109002762A (zh) | 2018-12-14 |
Family
ID=64601696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810611646.1A Pending CN109002762A (zh) | 2018-06-14 | 2018-06-14 | 一种分合闸线圈故障电流波形识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109002762A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109936113A (zh) * | 2019-03-29 | 2019-06-25 | 国网浙江省电力有限公司 | 一种基于随机森林算法的保护动作智能诊断方法及系统 |
| CN110245617A (zh) * | 2019-06-17 | 2019-09-17 | 江苏云脑数据科技有限公司 | 基于暂态录波波形的人工智能分析方法 |
| CN111060813A (zh) * | 2019-12-09 | 2020-04-24 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
| CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
| CN112798948A (zh) * | 2020-12-30 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 一种gis分合闸线圈的状态评估方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
-
2018
- 2018-06-14 CN CN201810611646.1A patent/CN109002762A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778836A (zh) * | 2016-11-29 | 2017-05-31 | 天津大学 | 一种基于约束条件的随机森林推荐算法 |
Non-Patent Citations (4)
| Title |
|---|
| 史干东: ""基于随机森林的异步电动机转子断条故障诊断"", 《微特电机》 * |
| 孙曙光: ""基于分合闸线圈电流的万能式断路器故障诊断"", 《仪器仪表学报》 * |
| 舒红平: ""基于信息熵的决策属性分类挖掘算法及应用"", 《计算机工程与应用》 * |
| 阮敬: "《Python数据分析基础》", 30 September 2017 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109936113A (zh) * | 2019-03-29 | 2019-06-25 | 国网浙江省电力有限公司 | 一种基于随机森林算法的保护动作智能诊断方法及系统 |
| CN110245617A (zh) * | 2019-06-17 | 2019-09-17 | 江苏云脑数据科技有限公司 | 基于暂态录波波形的人工智能分析方法 |
| CN110245617B (zh) * | 2019-06-17 | 2022-06-24 | 江苏云脑数据科技有限公司 | 基于暂态录波波形的人工智能分析方法 |
| CN111060813A (zh) * | 2019-12-09 | 2020-04-24 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
| CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
| CN112798948A (zh) * | 2020-12-30 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 一种gis分合闸线圈的状态评估方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002762A (zh) | 一种分合闸线圈故障电流波形识别方法和系统 | |
| CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
| CN108680348A (zh) | 一种基于随机森林的断路器机械故障诊断方法及系统 | |
| CN109660206A (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN106408438B (zh) | 基于全过程动态仿真的安全稳定控制策略自动校核方法 | |
| CN109936113A (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
| CN105139289B (zh) | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 | |
| CN105116870B (zh) | 空调机组的故障分析方法、装置和系统 | |
| CN103292989B (zh) | 断路器机械特性性能测试方法和系统 | |
| CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
| CN103064019A (zh) | 基于灰色关联模糊聚类的高压断路器故障诊断方法 | |
| CN107633349A (zh) | 基于高压开关的故障影响因素定量分析方法 | |
| CN105353753B (zh) | 基于多源录波文件的保护动作行为智能分析方法 | |
| WO2019144716A1 (zh) | 户外柱上真空开关的状态评价方法及装置 | |
| CN114065875B (zh) | 基于大数据的电力电网故障识别系统 | |
| CN113222036B (zh) | 一种高压电缆接地系统的缺陷自动识别方法及装置 | |
| CN111767951A (zh) | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
| CN108319789A (zh) | 结合异常故障的变压器风险评估方法、装置、设备及介质 | |
| CN109657720B (zh) | 一种电力变压器匝间短路故障的在线诊断方法 | |
| Aligholian et al. | Event detection in micro-pmu data: A generative adversarial network scoring method | |
| CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
| CN105954615A (zh) | 一种变压器短路后的状态评估方法及评估系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200602 Address after: 510663 Building 3, 4, 5 and 3 of Building J1, 11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Applicant after: China South Power Grid International Co.,Ltd. Applicant after: CHINA SOUTHERN POWER GRID Co.,Ltd. Address before: 510670 No. 11 Kexiang Road, Science City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: China South Power Grid International Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
| RJ01 | Rejection of invention patent application after publication |