CN111612033A - 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 - Google Patents
基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111612033A CN111612033A CN202010297168.9A CN202010297168A CN111612033A CN 111612033 A CN111612033 A CN 111612033A CN 202010297168 A CN202010297168 A CN 202010297168A CN 111612033 A CN111612033 A CN 111612033A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- particle
- clustering
- transformer
- distance
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005484 gravity Effects 0.000 title claims abstract description 32
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,包括以下步骤:S1:收集电力变压器完备状态量,从中选取变压器状态特征量,并对变压器状态特征量进行归一化处理;S2:利用密度峰值聚类算法,对变压器状态特征量集合进行初步分类;S3:利用引力搜索算法,优化S2的分类结果,得到最终故障分类结果。本发明针对模糊C均值、模糊核聚类对非凸性数据的不适性,欧式距离判断规则的不完善性,结合引力搜索算法突出的寻优能力、密度峰值聚类算法对任意型数据的兼容性,有效消除初始截断距离对故障诊断结果的影响。
Description
技术领域
本发明涉及变压器诊断领域,更具体地,涉及一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法。
背景技术
电力变压器作为电力系统中能量转换和传输的核心,具有举足重轻的地位。一旦电力变压器发生故障,就可能会引起大面积的停电事故,甚至造成巨大的经济损失。我国电网中35KV及以下的中小型配电变压器占据很大的比重,而且由于“重主网轻配网”观念,运行人员对于配网变压器故障诊断的研究较少。因此开展配电变压器状态监测,并在此基础上研究其故障诊断方法符合新时代电网的发展要求。同时,开展配电变压器故障诊断也有利于及早发现变压器的潜在性故障,有利于制定设备的差异化运维策略,对电力系统安全、稳定运行具有重要的意义。由于变压器的故障类型与油中溶解气体组成成分有关,因此过去几十年电力从业者广泛应用三比值法诊断变压器故障,在三比值法中,根据变压器内油在故障下裂解产生组分含量的相对浓度与温度的相互依赖关系,从五种特征气体中选取溶解度和扩散系数相近的气体组成三比值,分别为CH4的相对含量和H2的相对含量的比值、C2H2的相对含量和C2H4的相对含量的比值、C2H4的相对含量和C2H6的相对含量的比值,以不同的编码表示,根据编码规则和故障类型判断方法作为诊断故障性质的依据。但该方法编码存在边界模糊等缺陷,致使其诊断正确率不高。而后有学者提出基于专家系统评估变压器的状态,但该方法容易出现人为干扰等主观因素。针对以上方法的不足,各种智能算法被引入变压器故障诊断中,其中就包含模糊C均值、模糊核聚类。上述聚类算法通常仅以测试数据与聚类中心的欧式距离判断其分类类别,该方法对于非凸型数据存在误分类的缺陷。同时,目前暂无文献研究、介绍变压器状态特征量的数据类型
发明内容
本发明提供一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,及时发现变压器的潜在性故障
为解决上述技术问题,本发明的技术方案如下:
一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,包括以下步骤:
S1:收集电力变压器完备状态量,从中选取变压器状态特征量,并对变压器状态特征量进行归一化处理;
S2:利用密度峰值聚类算法,对变压器状态特征量集合进行初步分类;
S3:利用引力搜索算法,优化S2的分类结果,得到最终故障分类结果。
优选地,步骤S1中,步骤S1中,选取变压器状态特征量包括xi1至xi8,其中xi1至xi5分别表示H2、CH4、C2H2、C2H4和C2H6各气体在变压器油的相对含量,xi6至xi8分别表示CH4的相对含量和H2的相对含量的比值、C2H2的相对含量和C2H4的相对含量的比值、C2H4的相对含量和C2H6的相对含量的比值。变压器状态特征量的大小或者变化反映变压器不同类型的故障。
优选地,步骤S1中对变压器状态特征量进行归一化处理,具体为:
对前五项变压器状态特征量xi1至xi5有:
对后三项变压器状态特征量xi6至xi8,分别除以2;
优选地,步骤S2包括以下步骤:
S2.1:计算输入向量X=(X1,X2,…,Xn)之间的欧式距离并初始化截断距离dc,X为所有变压器状态特征量向量的集合向量;
S2.2:计算输入向量的局部密度ρi;
S2.3:计算距离偏量δi;
S2.4:引入参数γi,并采取启发式的类簇中心选择方式,其表达式为:
γi=ρiδi
γi越大,则对应的数据越有可能成为类簇中心,将γi按降序排列,选取前k个点作为训练样本集故障诊断的各类簇中心,k为聚类数;
S2.5:引入CH指数作为故障诊断模型的目标函数,以该目标函数作为判断聚类效果的依据,并以此反馈动态调节截断距离dc,CH指数表达式如下:
其中:tr(.)表示矩阵的迹,Bk表示类簇间的协方差矩阵,Wk表示同类簇数据的协方差矩阵,n表示训练样本的个数,k表示聚类数;
S2.6:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,…,zk)的距离dmt=dist(zi,Xt)(m=1,2,…,k),同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
优选地,步骤S2.1中初始化截断距离dc使得由截断距离决定的领域内包括输入向量X中1%-2%的数据。
优选地,步骤S2.2中计算输入向量的局部密度ρi具体为:
其中:dij=dist(Xi,Xj)表示样本Xi与样本Xj之间的距离,n表示训练样本个数。
优选地,S2.3中计算距离偏量δi,具体为:
对于数据中局部密度最大的数据Xg:
δg=max(dqg)
式中,q表示样本集中距离数据Xg最远的样本的编号;
对于其它数据Xi:
δi=min(dwi)
w表示距离样本Xi最近样本的编号,且其局部密度ρw大于样本Xi的局部密度ρi。
优选地,步骤S3具体包括以下步骤:
式中,G(t)表示当前时刻t时的万有引力常数;Mpi(t)为被吸引粒子i的引力质量;Maj(t)为产生吸引粒子j的引力质量,其中,粒子i为被吸引的粒子,粒子j为产生吸引的粒子;Rij(t)为粒子j、i之间的几何距离;参数ε数值大于零;
S3.2:粒子i在第d维上所受到的引力之和为其周围粒子在此维度引力的随机组合,该引力之和的公式如下:
randj为区间在[0,1]上的任意数,是一变量,利用随机生成器生成,N为粒子的数目;
S3.3:计算t时刻,粒子xi的惯性质量:
fiti(t)表示在t时刻粒子xi的目标函数值;best(t)和wrost(t)为当前t时刻粒子xi分别所对应的最优适应度值和最差适应度值,Mii(t)为粒子xi在t时刻的惯性质量;
粒子迭代更新其速度和位置:
选取密度峰值聚类算法中的截断距离dc和聚类中心zjd(j=1,2,...,k,d=1,2,...,D)作为优化变量:
Pi=[z11,z12,…,zjd,…,zkD,dc]
定义基于引力搜索与密度峰值聚类故障诊断模型的适应度函数:
S3.5:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,…,zk)的距离dmt=dist(zm,Xt),m=1,2,…,k,同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
优选地,步骤S3.1中G(t)具体为:
式中,G0表示迭代开始前的万有引力常数;参数α控制算法搜索的精度,其数值随着迭代次数的增加而减小;T为最大的迭代次数;
Rij(t)具体为:
Rij(t)=||xi(t),xj(t)||2
式中,xi(t)为t时刻粒子i的空间坐标,xj(t)为t时刻粒子j的空间坐标。
优选地,步骤S3.3中best(t)和wrost(t)具体为:
与现有技术相比,本发明技术方案的有益效果是:
针对模糊C均值、模糊核聚类对非凸性数据的不适性,欧式距离判断规则的不完善性,结合引力搜索算法突出的寻优能力、密度峰值聚类算法对任意型数据的兼容性,提出了一种基于引力搜索与密度峰值聚类的配电变故障诊断方法。提取表征变压器状态的油中溶解气体作为故障诊断模型输入量,利用测试样本数据的局部密度克服欧式距离判断规则对非凸性数据的影响,同时应用引力搜索算法动态寻找截断距离和聚类中心的最优解,有效消除初始截断距离对故障诊断结果的影响。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,如图1,包括以下步骤:
S1:收集电力变压器完备状态量,从中选取变压器状态特征量,并对变压器状态特征量进行归一化处理;
S2:利用密度峰值聚类算法,对变压器状态特征量集合进行初步分类;
S3:利用引力搜索算法,优化S2的分类结果,得到最终故障分类结果。
步骤S1中,选取变压器状态特征量包括xi1至xi8,其中xi1至xi5分别表示H2、CH4、C2H2、C2H4和C2H6各气体在变压器油的相对含量,xi6至xi8分别表示CH4的相对含量和H2的相对含量的比值、C2H2的相对含量和C2H4的相对含量的比值、C2H4的相对含量和C2H6的相对含量的比值。
步骤S1中对变压器状态特征量进行归一化处理,具体为:
对xi1至xi5有:
对xi6至xi8,则分别除以2;
步骤S2包括以下步骤:
S2.1:计算输入向量X=(X1,X2,…,Xn)之间的欧式距离并初始化截断距离dc,X为所有变压器状态特征量向量的集合向量;
S2.2:计算输入向量的局部密度ρi;
S2.3:计算距离偏量δi;
S2.4:引入参数γi,并采取启发式的类簇中心选择方式,其表达式为:
γi=ρiδi
γi越大,则对应的数据越有可能成为类簇中心,将γi按降序排列,选取前k个点作为训练样本集故障诊断的各类簇中心,k为聚类数;
S2.5:引入CH指数作为故障诊断模型的目标函数,以该目标函数作为判断聚类效果的依据,并以此反馈动态调节截断距离dc,CH指数表达式如下:
其中:tr(.)表示矩阵的迹,Bk表示类簇间的协方差矩阵,Wk表示同类簇数据的协方差矩阵,n表示训练样本的个数,k表示聚类数;
S2.6:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,…,zk)的距离dmt=dist(zi,Xt)(m=1,2,…,k),同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
步骤S2.1中初始化截断距离dc使得由截断距离决定的领域内包括输入向量X中1%-2%的数据。
步骤S2.2中计算输入向量的局部密度ρi具体为:
其中:dij=dist(Xi,Xj)表示样本Xi与样本Xj之间的距离,n表示训练样本个数。
S2.3中计算距离偏量δi,具体为:
对于数据中局部密度最大的数据Xg:
δg=max(dqg)
式中,q表示样本集中距离数据Xg最远的样本的编号;
对于其它数据Xi:
δi=min(dwi)
w表示距离样本Xi最近样本的编号,且其局部密度ρw大于样本Xi的局部密度ρi。
步骤S3具体包括以下步骤:
式中,G(t)表示当前时刻t时的万有引力常数;Mpi(t)为被吸引粒子i的引力质量;Maj(t)为产生吸引粒子j的引力质量,其中,粒子i为被吸引的粒子,粒子j为产生吸引的粒子;Rij(t)为粒子j、i之间的几何距离;参数ε数值大于零;
S3.2:粒子i在第d维上所受到的引力之和为其周围粒子在此维度引力的随机组合,该引力之和的公式如下:
randj为区间在[0,1]上的任意数,N为粒子的数目;
S3.3:计算t时刻,粒子xi的惯性质量:
fiti(t)表示在t时刻粒子xi的目标函数值;best(t)和wrost(t)为当前t时刻粒子xi分别所对应的最优适应度值和最差适应度值,Mi(t)为粒子xi在t时刻的惯性质量;
Mii(t)为粒子xi的惯性质量;
粒子迭代更新其速度和位置:
选取密度峰值聚类算法中的截断距离dc和聚类中心zjd(j=1,2,...,k,d=1,2,...,D)作为优化变量:
Pi=[z11,z12,…,zjd,…,zkD,dc]
定义基于引力搜索与密度峰值聚类故障诊断模型的适应度函数:
S3.5:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,…,zk)的距离dmt=dist(zm,Xt),m=1,2,…,k,同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
步骤S3.1中G(t)具体为:
式中,G0表示迭代开始前的万有引力常数;参数α控制算法搜索的精度,其数值随着迭代次数的增加而减小;T为最大的迭代次数;
Rij(t)具体为:
Rij(t)=||Xi(t),Xj(t)||2
式中,xi(t)为t时刻粒子i的空间坐标,xj(t)为t时刻粒子j的空间坐标。
步骤S3.3中best(t)和wrost(t)具体为:
在具体实施过程中,选取H2、CH4、C2H2、C2H4、C2H6、CH4/H2、C2H2/C2H4、C2H4/C2H6作为故障诊断模型的输入量,并依此对收集到的322组变压器故障数据进行归一化处理。选择高能放电(HD)、低能放电(ID)、局部放电(PD)、高温过热(T3)、中温过热(T2)、低温过热(T1)作为变压器诊断的故障类型。表1为部分样本数据。
表1
初始化截断距离dc,分别计算训练样本的局部密度、距离偏量,由此得到参数γ。降序排列参数γ,选取前6个点作为训练样本集故障诊断的各类簇中心。
选择6个聚类中心以及截断距离dc构建新的优化粒子,并以密度峰值聚类算法CH指数构建引力搜索算法的适应度函数,动态调节聚类中心和截断距离,直至搜索到最优解。本文中初始引力常数G0=10,种群规模N=30,最大迭代次数T=200。
经过以上分析,利用matlab平台求得6类故障的中心向量,如表2所示:
表2
经归一化后测试样本的值为(0.3771,0.2135,0.3043,0.1007,0.0043,0.0011,0.9987,0.9975),分别求得测试样本与6个聚类中心的距离分别为1.7800、1.5749、1.5245、1.5600、0.7189、0.5126,而且该样本的局部密度小于第6类聚类中心的局部密度,因此可判断该测试样本为高能放电故障。
经吊罩诊断,发现变压器低压线圈辐向失稳,变形严重,绕组短路产生弧光放电。本文的诊断结果与实际故障类型一致,说明本文采用的方法具有一定的实用性。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,包括以下步骤:
S1:收集电力变压器完备状态量,从中选取变压器状态特征量,并对变压器状态特征量进行归一化处理;
S2:利用密度峰值聚类算法,对变压器状态特征量集合进行初步分类;
S3:利用引力搜索算法,优化S2的分类结果,得到最终故障分类结果。
2.根据权利要求1所述的基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,步骤S1中,选取变压器状态特征量包括xi1至xi8,其中xi1至xi5分别表示H2、CH4、C2H2、C2H4和C2H6各气体在变压器油的相对含量,xi6至xi8分别表示CH4的相对含量和H2的相对含量的比值、C2H2的相对含量和C2H4的相对含量的比值、C2H4的相对含量和C2H6的相对含量的比值。
4.根据权利要求3所述的基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,步骤S2包括以下步骤:
S2.1:计算输入向量X=(X1,X2,...,Xn)之间的欧式距离并初始化截断距离dc,X为所有变压器状态特征量向量的集合向量;
S2.2:计算输入向量的局部密度ρi;
S2.3:计算距离偏量δi;
S2.4:引入参数γi,并采取启发式的类簇中心选择方式,其表达式为:
γi=ρiδi
γi越大,则对应的数据越有可能成为类簇中心,将γi按降序排列,选取前k个点作为训练样本集故障诊断的各类簇中心,k为聚类数;
S2.5:引入CH指数作为故障诊断模型的目标函数,以该目标函数作为判断聚类效果的依据,并以此反馈动态调节截断距离dc,CH指数表达式如下:
其中:tr(.)表示矩阵的迹,Bk表示类簇间的协方差矩阵,Wk表示同类簇数据的协方差矩阵,n表示训练样本的个数,k表示聚类数;
S2.6:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,...,zk)的距离dmt=dist(zi,Xt)(m=1,2,...,k),同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
5.根据权利要求4所述的基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,步骤S2.1中初始化截断距离dc使得由截断距离决定的领域内包括输入向量X中1%-2%的数据。
7.根据权利要求6所述的基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,S2.3中计算距离偏量δi,具体为:
对于数据中局部密度最大的数据Xg:
δg=max(dqg)
式中,q表示样本集中距离数据Xg最远的样本的编号;
对于其它数据Xi:
δi=min(dwi)
w表示距离样本Xi最近样本的编号,且其局部密度ρw大于样本Xi的局部密度ρi。
8.根据权利要求7所述的基于引力搜索与密度峰值聚类的配电变压器故障诊断方法,其特征在于,步骤S3具体包括以下步骤:
式中,G(t)表示当前时刻t时的万有引力常数;Mpi(t)为被吸引粒子i的引力质量;Maj(t)为产生吸引粒子j的引力质量,其中,粒子i为被吸引的粒子,粒子j为产生吸引的粒子;Rij(t)为粒子j、i之间的几何距离;参数ε数值大于零;
S3.2:粒子i在第d维上所受到的引力之和为其周围粒子在此维度引力的随机组合,该引力之和的公式如下:
randj为区间在[0,1]上的任意数,N为粒子的数目;
S3.3:计算t时刻,粒子xi的惯性质量:
fiti(t)表示在t时刻粒子xi的目标函数值;best(t)和wrost(t)为当前t时刻粒子xi分别所对应的最优适应度值和最差适应度值,Mii(t)为粒子xi在t时刻的惯性质量;
粒子迭代更新其速度和位置:
选取密度峰值聚类算法中的截断距离dc和聚类中心zjd(j=1,2,...,k,d=1,2,...,D)作为优化变量:
Pi=[z11,z12,...,zjd,...,zkD,dc]
定义基于引力搜索与密度峰值聚类故障诊断模型的适应度函数:
S3.5:分别计算测试样本Xt与k个聚类中心Z=(z1,z2,...,zk)的距离dmt=dist(zm,Xt),m=1,2,...,k,同时计算测试样本Xt的局部密度ρt;若ρt小于ρm且测试样本Xt距离第m类中心最近,则测试样本Xt被分为第m类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297168.9A CN111612033A (zh) | 2020-04-15 | 2020-04-15 | 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297168.9A CN111612033A (zh) | 2020-04-15 | 2020-04-15 | 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612033A true CN111612033A (zh) | 2020-09-01 |
Family
ID=72199581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297168.9A Pending CN111612033A (zh) | 2020-04-15 | 2020-04-15 | 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612033A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307918A (zh) * | 2020-10-21 | 2021-02-02 | 华北电力大学 | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
CN112434930A (zh) * | 2020-11-20 | 2021-03-02 | 中国地质大学(武汉) | 钻进过程故障诊断方法、系统及设备 |
CN112488153A (zh) * | 2020-11-06 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于聚类趋向性原理的气味源自主搜索及定位方法 |
CN112883539A (zh) * | 2020-12-29 | 2021-06-01 | 环宇集团(南京)有限公司 | 一种基于改进模糊聚类算法的风电变压器故障诊断方法 |
CN113569950A (zh) * | 2021-07-28 | 2021-10-29 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
CN107122803A (zh) * | 2017-05-05 | 2017-09-01 | 安徽师范大学 | 一种基于数据安全的混合聚类方法 |
CN108182257A (zh) * | 2017-12-29 | 2018-06-19 | 东北电力大学 | 一种基于区域密度统计方法优化的gsa不良数据检测与辨识方法 |
CN108985490A (zh) * | 2018-06-14 | 2018-12-11 | 内蒙古大学 | 基于滑动窗口特征数据拟合的风力发电机功率曲线修正方法 |
CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
-
2020
- 2020-04-15 CN CN202010297168.9A patent/CN111612033A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
CN107122803A (zh) * | 2017-05-05 | 2017-09-01 | 安徽师范大学 | 一种基于数据安全的混合聚类方法 |
CN108182257A (zh) * | 2017-12-29 | 2018-06-19 | 东北电力大学 | 一种基于区域密度统计方法优化的gsa不良数据检测与辨识方法 |
CN108985490A (zh) * | 2018-06-14 | 2018-12-11 | 内蒙古大学 | 基于滑动窗口特征数据拟合的风力发电机功率曲线修正方法 |
CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
CN110781332A (zh) * | 2019-10-16 | 2020-02-11 | 三峡大学 | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 |
Non-Patent Citations (2)
Title |
---|
鲍舒婷: "密度峰聚类算法优化机器隐私保护研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 138 - 83 * |
龚杰: "基于数据挖掘的配电变压器故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 02, pages 042 - 726 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307918A (zh) * | 2020-10-21 | 2021-02-02 | 华北电力大学 | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
CN112488153A (zh) * | 2020-11-06 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于聚类趋向性原理的气味源自主搜索及定位方法 |
CN112488153B (zh) * | 2020-11-06 | 2022-07-05 | 中国人民解放军国防科技大学 | 基于聚类趋向性原理的气味源自主搜索及定位方法 |
CN112434930A (zh) * | 2020-11-20 | 2021-03-02 | 中国地质大学(武汉) | 钻进过程故障诊断方法、系统及设备 |
CN112434930B (zh) * | 2020-11-20 | 2023-08-08 | 中国地质大学(武汉) | 钻进过程故障诊断方法、系统及设备 |
CN112883539A (zh) * | 2020-12-29 | 2021-06-01 | 环宇集团(南京)有限公司 | 一种基于改进模糊聚类算法的风电变压器故障诊断方法 |
CN113569950A (zh) * | 2021-07-28 | 2021-10-29 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
CN113569950B (zh) * | 2021-07-28 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612033A (zh) | 基于引力搜索与密度峰值聚类的配电变压器故障诊断方法 | |
CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
CN104536881B (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
Liu et al. | A sphere-dominance based preference immune-inspired algorithm for dynamic multi-objective optimization | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN110703077B (zh) | 基于hpso-tsvm的高压断路器故障诊断方法 | |
CN111507422B (zh) | 基于cqfpa-wnn的变压器故障诊断方法 | |
CN106597154B (zh) | 基于dag-svm的变压器故障诊断提升方法 | |
CN109918720A (zh) | 基于磷虾群优化支持向量机的变压器故障诊断方法 | |
CN110222129A (zh) | 一种基于关系型数据库的信用评价算法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Yu et al. | Data augmentation based on adversarial autoencoder handling imbalance for learning to rank | |
CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
CN108876595A (zh) | 一种基于数据挖掘的p2p个人信用评估方法及装置 | |
CN114743010A (zh) | 基于深度学习的超高压输电线路点云数据语义分割方法 | |
CN113887623A (zh) | 基于ifcm-bb的变压器故障诊断方法 | |
CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
CN111563348B (zh) | 基于深度支持向量机的变压器故障诊断方法 | |
Dwivedi et al. | A comparison of particle swarm optimization (PSO) and genetic algorithm (GA) in second order design (SOD) of GPS networks | |
Chen et al. | An economic operation analysis method of transformer based on clustering | |
CN116452540A (zh) | Pcb表面缺陷检测方法、系统 | |
CN107818342A (zh) | 大数据环境下基于限定模糊规则的多分类系统及方法 | |
CN113886592A (zh) | 一种电力信息通信系统运维数据的质量检测方法 | |
Ma et al. | Self-supervised Domain Adaptation Model Based on Contrastive Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |