CN111626374A - 基于半监督学习的开关柜故障分类方法 - Google Patents

基于半监督学习的开关柜故障分类方法 Download PDF

Info

Publication number
CN111626374A
CN111626374A CN202010489345.3A CN202010489345A CN111626374A CN 111626374 A CN111626374 A CN 111626374A CN 202010489345 A CN202010489345 A CN 202010489345A CN 111626374 A CN111626374 A CN 111626374A
Authority
CN
China
Prior art keywords
sample
sample data
semi
switch cabinet
fault
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
Application number
CN202010489345.3A
Other languages
English (en)
Inventor
杨帆
黄河
李东东
赵耀
林顺富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202010489345.3A priority Critical patent/CN111626374A/zh
Publication of CN111626374A publication Critical patent/CN111626374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)

Abstract

本发明提供了一种基于半监督学习的开关柜故障分类方法，具有这样的特征，包括以下步骤：步骤1，获取开关柜故障类型的样本数据，包括故障类型已知的有标签样本数据和故障类型未知的无标签样本数据；步骤2，对有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集；步骤3，采用S3VDD算法对训练集进行训练，得到故障类型的初始分类器；步骤4，通过样本标注法计算无标签样本数据对初始分类器的隶属度，并利用该隶属度扩充训练集，得到扩充训练集；步骤5，采用S3VDD算法对扩充训练集进行训练，直到全部的无标签样本数据的隶属度前后一致时，算法结束，得到训练好的分类器；步骤6，利用训练好的分类器对故障类型进行分类。

Description

基于半监督学习的开关柜故障分类方法
技术领域
本发明属于电气设备的故障诊断领域，具体涉及一种基于半监督学习的开关柜故障分类方法。
背景技术
开关柜是电力系统中非常重要的电气设备，随着我国经济的发展，现代电力系统对电能质量的要求也就越来越高，相应地对开关柜的可靠性、安全性也提出了更高的要求，然而由于人为误操作，天气恶劣等各种原因导致的开关柜运行状态恶化发生事故的情况依然居高不下。
为了防止开关柜发生故障，除了需要对系统运行的状态进行实时监测，利用相关数据判断开关柜运行状态，还要能够在开关柜发生故障时迅速诊断，判断故障发生原因和故障类别。但是依靠传统的监测方法对开关柜各个模块进行故障监测是一件非常困难的工作，因此如何利用开关柜的数据来实现故障分类是当前的一个重要研究方向。此外，开关柜样本数据的监测特征量维数较高，且大多是无标签的，增加了故障分类的难度。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于半监督学习的开关柜故障分类方法。
本发明提供了一种基于半监督学习的开关柜故障分类方法，具有这样的特征，包括以下步骤：步骤1，获取开关柜的故障类型的样本数据，该样本数据包括故障类型已知的有标签样本数据和故障类型未知的无标签样本数据；步骤2，对有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集；步骤3，采用半监督支持向量数据域描述算法对训练集进行训练，得到故障类型的初始分类器；步骤4，通过样本标注法计算无标签样本数据对初始分类器的隶属度，并利用该隶属度扩充训练集，得到扩充训练集；步骤5，采用半监督支持向量数据域描述算法对扩充训练集进行训练，直到全部的无标签样本数据的隶属度前后一致时，算法结束，得到训练好的分类器；步骤6，利用训练好的分类器对故障类型进行分类。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，样本数据包含开关柜的16个特征量。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，步骤1还包括对样本数据进行归一化处理步骤，该步骤的计算公式为
Figure BDA0002520323820000021
x表示样本数据归一化后的数值，x*表示开关柜原始样本数据，μ为样本数据的均值，σ为样本数据的标准差。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，假设有标签样本数据集X1中含有m个样本X1＝{x1,x2,...,xm}，每个样本含有n(n＝1,2,...16)个特征，vi为第i(i＝1，2，...，m)个样本的标签，即该开关柜样本数据的故障类型，则步骤2包括以下子步骤：
步骤2-1，采用k近邻法对m个样本的特征向量xi(i＝1，2，...，m)构造近邻图G；
步骤2-2，计算邻图G的加权矩阵W，该矩阵中的元素wij计算公式为wij＝exp(-w(xi,xj)2/2σ2，σ为高斯核半径，wij越大时，样本的相似度越大；
步骤2-3，计算拉普拉斯矩阵L，假设I＝[1,1,...1]T，维数为m，计算公式为L＝diag(WI)-W，
步骤2-4，特征的均值化处理，fni为第i(i＝1，2，...，m)个样本的第n个特征，因此定义第n个特征为fn＝(fn1,fn2,...,fnm)，计算公式为
Figure BDA0002520323820000022
步骤2-5，求取特征的拉普拉斯分值，对于第s个特征的拉普拉斯分值，其公式为
Figure BDA0002520323820000031
和
Figure BDA0002520323820000032
分别为第s个特征的均值和方差；
步骤2-6，拉普拉斯分值法中得分越低的特征越重要，最终选取拉普拉斯分值较小的若干个特征做为最终选择的特征向量，得到训练集S。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，步骤3包括以下子步骤：
步骤3-1，设训练集样本数据为S1＝{s1,s2,...,sm}，半监督支持向量数据域描述算法的问题表示如下，
Figure BDA0002520323820000033
其中，参数α为超球体的中心，R为半径；引入惩罚系数C，实现对位于球体外错分目标样本与算法复杂程度之间的折中；引入松弛因子ζi增加算法鲁棒性；
步骤3-2，采用高斯核函数改善算法性能，高斯核函数如下所示，
K(xi·xj)＝exp{-||si-sj||2/2σ2}，σ≥0为高斯核半径，
其判别函数为
Figure BDA0002520323820000034
由于上式中
Figure BDA0002520323820000035
只依赖于支持向量，和待测样本无关，σ≥0为高斯核半径，此时判别函数可以简化为，
Figure BDA0002520323820000036
由此可得
Figure BDA0002520323820000037
根据以上三式确定开关柜的样本点位置。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，在步骤4之前，定义无标签数据集X2＝{xm,xm+1,...,xn}，并进行以下定义：
(1)绝对距离，定义无标签样本xi(i＝m,m+1,...,n)到球心αN的距离为xi相对于超球体N的绝对距离，记为di,N，di,N＝d(xi,αN)＝||xi-αN||；
(2)隶属度，定义样本xi的绝对距离di,N和超球体N半径平方的比值为xi相对于超球体N的隶属度，记为Di,N，Di,N＝Di,N(xi,αN)＝||xi-αN||/RN；
(3)接受标签，为无标签样本xi最小隶属度所对应的类别给定一个接受标签Li,A＝kA；
(4)拒绝标签，为无标签样本xi最大隶属度所对应的类别给定一个拒绝标签Li,R＝kR；
对于一个独立的样本xi，若对不同类别的故障类型出现隶属度相等的情况，则将其还原为无标签样本，
步骤4包括以下子步骤：
步骤4-1，计算无标签样本的绝对距离di,N＝d(xi,αN)＝||xi-αN||；
步骤4-2，计算无标签样本对应于超球体的隶属度
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN，
上式可知当样本位于超球体内部时Di,N＜1，当样本位于超球体边界时Di,N＝1，当样本位于超球体外部时Di,N＞1；
步骤4-3，按照隶属度为无标签样本插入接受标签Li,A＝kA和拒绝标签Li,R＝kR，并按照其接受标签和拒绝标签将非目标样本子集划分到对应的样本子集中，从而实现对训练集S的扩充，得到扩充训练集。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，步骤5包括以下子步骤：
步骤5-1，采用半监督支持向量数据域描述算法对扩充训练集进行训练，
Figure BDA0002520323820000051
其中，参数α为超球体中心，R为半径；C为有标签样本的惩罚系数，C*为无标签样本在训练过程中的惩罚系数，
此时，球心可以表示为，
Figure BDA0002520323820000052
半径由下式计算，
Figure BDA0002520323820000053
其中i,l为有标签样本脚注，j,p为无标签样本脚注；
步骤5-2，如果一个开关柜的无标签样本xi对不同类别的故障类型出现隶属度相等的情况，则返回步骤4，否则算法结束，得到训练好的分类器。
在本发明提供的基于半监督学习的开关柜故障分类方法中，还可以具有这样的特征：其中，步骤6包括在判断开关柜待测数据的故障类型时，首先计算隶属度得到接受标签，然后根据该接受标签判断该开关柜故障所属类别。
发明的作用与效果
根据本发明所涉及的基于半监督学习的开关柜故障分类方法，因为对有标签样本数据采用拉普拉斯分值法进行特征选取，从而对开关柜的高维监测特征量进行降维，找出与故障类型更为紧密的特征量，并充分利用大量无标签数据所携带的数据分布信息改善分类器性能，从而能够更加准确有效的实现开关柜的故障分类。
附图说明
图1是本发明的实施例1中基于半监督学习的开关柜故障分类方法的流程图。
具体实施方式
为了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，以下实施例结合附图对本发明基于半监督学习的开关柜故障分类方法作具体阐述。
<实施例1>
图1是本发明的实施例1中基于半监督学习的开关柜故障分类方法的流程图。
如图1所示，本实施例的基于半监督学习的开关柜故障分类方法用于对开关柜的故障类型进行分类，包括以下步骤：
步骤1，获取开关柜的故障类型的样本数据，该样本数据包括故障类型已知的有标签样本数据和故障类型未知的无标签样本数据。
表1开关柜的监测特征量
Figure BDA0002520323820000061
表1中：FS1和FS2反映母线工作环境；FS3—FS7为电气参数特征量，反映内外部系统故障；FS8—FS9反映开关柜的局部放电情况；FS11反映局部放电等引起的温度变化；FS12反映断路器开断能力和相对磨损程度；FS12和FS13反映断路器工作环境，以及触头故障带来的温湿度变化；FS14和FS15反映了电缆工作环境，以及电缆绝缘故障带来的温湿度变化；FS17反映绝缘损坏等故障引起的电缆接头温度变化。
如表1所示，样本数据共包含开关柜的16个特征量。
由于不同特征量的量纲和量纲单位往往不尽相同，这会影响数据分析结果的合理性。为了减小各指标数据之间的差异性，需要对其进行标准化处理(归一化处理)，使不同维度的评价指标在数值上具有一定可比性，从而提高开关柜故障分类的准确性。计算公式如下
Figure BDA0002520323820000071
其中，x表示样本数据归一化后的数值，x*表示开关柜的原始样本数据，μ为样本数据的均值，σ为样本数据的标准差。
据此，建立开关柜的有标签样本数据集X1和无标签样本数据集X2。
步骤2，对有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集S。
开关柜的常见故障类型有绝缘、拒动或误动、开断与关合、载流以及其他故障，虽然以上开关柜的监测特征量可以从不同的角度来识别开关柜中出现的故障，但是它们对于不同的故障敏感度不同，有些特征对特定故障的产生密切相关，另外有一些特征则是无关或者冗余特征，对开关柜故障类别的判断没有帮助，因此在将开关柜的样本集合输入分类器之前，需要将与开关柜故障密切相关的特征筛选出来，剔除不相关的特征提升开关柜故障分类的准确性。本实施例采用拉普拉斯分值法进行特征选取，对于高维故障样本来说，该方法能够有效发现数据的内在本质特质，利于下一步故障诊断分类。
假设有标签样本数据集X1中含有m个样本X1＝{x1,x2,...,xm}，每个样本含有n(n＝1,2,...16)个特征，vi为第i(i＝1，2，...，m)个样本的标签，即该开关柜样本数据的故障类型，则步骤2包括以下子步骤：
步骤2-1，采用k近邻法对m个样本的特征向量xi(i＝1，2，...，m)构造近邻图G。
步骤2-2，计算邻图G的加权矩阵W，该矩阵中的元素wij计算公式为
wij＝exp(-w(xi,xj)2/2σ2，
其中，σ为高斯核半径，wij越大时，样本的相似度越大。
步骤2-3，计算拉普拉斯矩阵L，假设I＝[1,1,...1]T，维数为m，计算公式为L＝diag(WI)-W。
步骤2-4，特征的均值化处理，fni为第i(i＝1，2，...，m)个样本的第n个特征，因此定义第n个特征为fn＝(fn1,fn2,...,fnm)，计算公式为
Figure BDA0002520323820000081
步骤2-5，求取特征的拉普拉斯分值，对于第s个特征的拉普拉斯分值，其公式为
Figure BDA0002520323820000082
其中，
Figure BDA0002520323820000083
和
Figure BDA0002520323820000084
分别为第s个特征的均值和方差。
步骤2-6，拉普拉斯分值法中得分越低的特征越重要，最终选取拉普拉斯分值较小的若干个特征做为最终选择的特征向量，得到训练集S，实现对开关柜有标签样本数据降维的目的。
步骤3，采用半监督支持向量数据域描述算法(S3VDD算法)对训练集进行训练，得到故障类型的初始分类器。
步骤3具体包括以下子步骤：
步骤3-1，设训练集样本数据为S1＝{s1,s2,...,sm}，该算法的问题表示如下，
Figure BDA0002520323820000085
其中，参数α为超球体的中心，R为半径；引入惩罚系数C，实现对位于球体外错分目标样本与算法复杂程度之间的折中；引入松弛因子ζi增加算法鲁棒性。
步骤3-2，采用高斯核函数较强的泛化学习能力改善算法性能，高斯核函数如下所示，
K(xi·xj)＝exp{-||si-sj||2/2σ2}，σ≥0为高斯核半径。
其判别函数为
Figure BDA0002520323820000091
由于上式中
Figure BDA0002520323820000092
只依赖于支持向量，和待测样本无关，σ≥0为高斯核半径，此时判别函数可以简化为，
Figure BDA0002520323820000093
上式采用高斯核函数从而能避免目标样本范数对于判别函数的影响。
由此可得
Figure BDA0002520323820000094
根据以上三式确定开关柜的样本点位置。
步骤4，通过样本标注法计算无标签样本数据对初始分类器的隶属度，并利用该隶属度扩充训练集，得到扩充训练集。
在步骤4之前，定义无标签数据集X2＝{xm,xm+1,...,xn}，并进行以下定义：
(1)绝对距离，定义无标签样本xi(i＝m,m+1,...,n)到球心αN的距离为xi相对于超球体N的绝对距离，记为di,N，
di,N＝d(xi,αN)＝||xi-αN||。
(2)隶属度，定义样本xi的绝对距离di,N和超球体N半径平方的比值为xi相对于超球体N的隶属度，记为Di,N，
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN。
本实施例通过定义样本隶属度来判断开关柜的无标签样本属于某一有标签样本数据集合的可能性。
(3)接受标签，为无标签样本xi最小隶属度所对应的类别给定一个接受标签Li,A＝kA。
(4)拒绝标签，为无标签样本xi最大隶属度所对应的类别给定一个拒绝标签Li,R＝kR。
对于一个独立的样本xi，若对不同类别的故障类型出现隶属度相等的情况，则将其还原为无标签样本。
步骤4包括以下子步骤：
步骤4-1，计算无标签样本的绝对距离di,N＝d(xi,αN)＝||xi-αN||。
步骤4-2，计算无标签样本对应于超球体的隶属度
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN，
上式可知当样本位于超球体内部时Di,N＜1，当样本位于超球体边界时Di,N＝1，当样本位于超球体外部时Di,N＞1。
步骤4-3，按照隶属度为无标签样本插入接受标签Li,A＝kA和拒绝标签Li,R＝kR，并按照其接受标签和拒绝标签将非目标样本子集划分到对应的样本子集中，从而实现对训练集S的扩充，得到扩充训练集。
步骤5，采用(调用)S3VDD算法对扩充训练集进行训练(渐进更新)，直到全部的无标签样本数据的隶属度前后一致时，算法结束，得到训练好的分类器。
步骤5包括以下子步骤：
步骤5-1，采用S3VDD算法对扩充训练集进行训练，
Figure BDA0002520323820000111
其中，参数α为超球体中心，R为半径；C为有标签样本的惩罚系数，C*为无标签样本在训练过程中的惩罚系数，
此时，球心可以表示为，
Figure BDA0002520323820000112
半径由下式计算，
Figure BDA0002520323820000113
其中i,l为有标签样本脚注，j,p为无标签样本脚注。
步骤5-2，如果一个开关柜的无标签样本xi对不同类别的故障类型出现隶属度相等的情况，则返回步骤4，否则算法结束，得到训练好的分类器。
步骤6，利用训练好的分类器对故障类型进行分类，包括在判断(识别)开关柜待测数据的故障类型时，首先计算隶属度得到接受标签，然后根据该接受标签判断(识别)该开关柜故障所属类别。
<实施例2>
本实施例选取某电网已知开关柜的故障类型的样本数据作为数据样本，随机选择一部分为有标签样本，其余样本均作为无标签样本，并采用实施例1的基于半监督学习的开关柜故障分类方法来对开关柜的故障类型进行分类。具体分类过程如下：
首先，对样本数据进行预处理：
Figure BDA0002520323820000114
据此，建立开关柜的有标签样本数据集X1＝{x1,x2,...,xm}和无标签样本数据集X2＝{xm,xm+1,...,xn}。
对有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集S1＝{s1,s2,...,sm}。拉普拉斯分值公式：
Figure BDA0002520323820000121
训练故障类型的初始分类器：
Figure BDA0002520323820000122
根据以下三式确定开关柜的样本点位置：
Figure BDA0002520323820000123
Figure BDA0002520323820000124
Figure BDA0002520323820000125
通过样本标注法计算无标签样本数据X2＝{xm,xm+1,...,xn}对初始分类器的隶属度：
计算绝对距离：
di,N＝d(xi,αN)＝||xi-αN||
计算隶属度：
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN
按照隶属度为无标签样本插入接受标签Li,A＝kA和拒绝标签Li,R＝kR
调用S3VDD算法对扩充训练集进行渐进更新：
Figure BDA0002520323820000126
球心可以表示为：
Figure BDA0002520323820000131
半径由下式计算：
Figure BDA0002520323820000132
利用训练好的分类器对待测样本数据进行分类，其分类精度对比下表所示：
算法 K-SVM S<sup>3</sup>VM S<sup>3</sup>VM<sup>light</sup> S<sup>3</sup>VDD
分类精度(％) 82.2 89.4 84.6 93.5
由此可见本实施例所提出得S3VDD算法在分类精度上有所提升，这主要是归功于在训练的过程中考虑到无标签样本对开关柜故障分类器的贡献，在一定程度上体现了半监督学习的优势。
根据本实施例所涉及的基于半监督学习的开关柜故障分类方法，因为对有标签样本数据采用拉普拉斯分值法进行特征选取，从而对开关柜的高维监测特征量进行降维，找出与故障类型更为紧密的特征量，并充分利用大量无标签数据所携带的数据分布信息改善分类器性能，从而能够更加准确有效的实现开关柜的故障分类。
实施例的作用与效果
根据本实施例所涉及的基于半监督学习的开关柜故障分类方法，因为对有标签样本数据采用拉普拉斯分值法进行特征选取，从而对开关柜的高维监测特征量进行降维，找出与故障类型更为紧密的特征量，并充分利用大量无标签数据所携带的数据分布信息改善分类器性能，从而能够更加准确有效的实现开关柜的故障分类。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (8)

1.一种基于半监督学习的开关柜故障分类方法，其特征在于，包括以下步骤：
步骤1，获取开关柜的故障类型的样本数据，该样本数据包括故障类型已知的有标签样本数据和故障类型未知的无标签样本数据；
步骤2，对所述有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集；
步骤3，采用半监督支持向量数据域描述算法对所述训练集进行训练，得到所述故障类型的初始分类器；
步骤4，通过样本标注法计算所述无标签样本数据对所述初始分类器的隶属度，并利用该隶属度扩充所述训练集，得到扩充训练集；
步骤5，采用半监督支持向量数据域描述算法对所述扩充训练集进行训练，直到全部的所述无标签样本数据的隶属度前后一致时，算法结束，得到训练好的分类器；
步骤6，利用训练好的所述分类器对所述故障类型进行分类。
2.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，所述样本数据包含开关柜的16个特征量。
3.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，步骤1还包括对所述样本数据进行归一化处理步骤，该步骤的计算公式为
Figure FDA0002520323810000011
x表示样本数据归一化后的数值，x*表示开关柜原始样本数据，μ为样本数据的均值，σ为样本数据的标准差。
4.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，假设所述有标签样本数据集X1中含有m个样本X1＝{x1,x2,...,xm}，每个样本含有n(n＝1,2,...16)个特征，vi为第i(i＝1，2，...，m)个样本的标签，即该开关柜样本数据的故障类型，则步骤2包括以下子步骤：
步骤2-1，采用k近邻法对m个样本的特征向量xi(i＝1，2，...，m)构造近邻图G；
步骤2-2，计算邻图G的加权矩阵W，该矩阵中的元素wij计算公式为
wij＝exp(-w(xi,xj)2/2σ2，
σ为高斯核半径，wij越大时，样本的相似度越大；
步骤2-3，计算拉普拉斯矩阵L，假设I＝[1,1,...1]T，维数为m，计算公式为L＝diag(WI)-W，
步骤2-4，特征的均值化处理，fni为第i(i＝1，2，...，m)个样本的第n个特征，因此定义第n个特征为fn＝(fn1,fn2,...,fnm)，计算公式为
Figure FDA0002520323810000021
步骤2-5，求取特征的拉普拉斯分值，对于第s个特征的拉普拉斯分值，其公式为
Figure FDA0002520323810000022
Figure FDA0002520323810000023
和
Figure FDA0002520323810000024
分别为第s个特征的均值和方差；
步骤2-6，拉普拉斯分值法中得分越低的特征越重要，最终选取拉普拉斯分值较小的若干个特征做为最终选择的特征向量，得到训练集S。
5.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，步骤3包括以下子步骤：
步骤3-1，设训练集样本数据为S1＝{s1,s2,...,sm}，半监督支持向量数据域描述算法的问题表示如下，
Figure FDA0002520323810000031
其中，参数α为超球体的中心，R为半径；引入惩罚系数C，实现对位于球体外错分目标样本与算法复杂程度之间的折中；引入松弛因子ζi增加算法鲁棒性；
步骤3-2，采用高斯核函数改善算法性能，高斯核函数如下所示，
K(xi·xj)＝exp{-||si-sj||2/2σ2}，σ≥0为高斯核半径，
其判别函数为
Figure FDA0002520323810000032
由于上式中
Figure FDA0002520323810000033
只依赖于支持向量，和待测样本无关，σ≥0为高斯核半径，此时判别函数可以简化为，
Figure FDA0002520323810000034
由此可得
Figure FDA0002520323810000035
根据以上三式确定开关柜的样本点位置。
6.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，在步骤4之前，定义无标签数据集X2＝{xm,xm+1,...,xn}，并进行以下定义：
(1)绝对距离，定义无标签样本xi(i＝m,m+1,...,n)到球心αN的距离为xi相对于超球体N的绝对距离，记为di,N，
di,N＝d(xi,αN)＝||xi-αN||；
(2)隶属度，定义样本xi的绝对距离di,N和超球体N半径平方的比值为xi相对于超球体N的隶属度，记为Di,N，
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN；
(3)接受标签，为无标签样本xi最小隶属度所对应的类别给定一个接受标签Li,A＝kA；
(4)拒绝标签，为无标签样本xi最大隶属度所对应的类别给定一个拒绝标签Li,R＝kR；
对于一个独立的样本xi，若对不同类别的故障类型出现隶属度相等的情况，则将其还原为无标签样本，
步骤4包括以下子步骤：
步骤4-1，计算所述无标签样本的绝对距离di,N＝d(xi,αN)＝||xi-αN||；
步骤4-2，计算所述无标签样本对应于超球体的隶属度
Di,N＝Di,N(xi,αN)＝||xi-αN||/RN，
上式可知当样本位于超球体内部时Di,N＜1，当样本位于超球体边界时Di,N＝1，当样本位于超球体外部时Di,N＞1；
步骤4-3，按照隶属度为所述无标签样本插入接受标签Li,A＝kA和拒绝标签Li,R＝kR，并按照其接受标签和拒绝标签将非目标样本子集划分到对应的样本子集中，从而实现对训练集S的扩充，得到扩充训练集。
7.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，步骤5包括以下子步骤：
步骤5-1，采用半监督支持向量数据域描述算法对所述扩充训练集进行训练，
Figure FDA0002520323810000051
其中，参数α为超球体中心，R为半径；C为有标签样本的惩罚系数，C*为无标签样本在训练过程中的惩罚系数，
此时，球心可以表示为，
Figure FDA0002520323810000052
半径由下式计算，
Figure FDA0002520323810000053
其中i,l为有标签样本脚注，j,p为无标签样本脚注；
步骤5-2，如果一个开关柜的无标签样本xi对不同类别的故障类型出现隶属度相等的情况，则返回步骤4，否则算法结束，得到训练好的分类器。
8.根据权利要求1所述的基于半监督学习的开关柜故障分类方法，其特征在于：
其中，步骤6包括在判断开关柜待测数据的故障类型时，首先计算隶属度得到接受标签，然后根据该接受标签判断该开关柜故障所属类别。
CN202010489345.3A 2020-06-02 2020-06-02 基于半监督学习的开关柜故障分类方法 Pending CN111626374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010489345.3A CN111626374A (zh) 2020-06-02 2020-06-02 基于半监督学习的开关柜故障分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010489345.3A CN111626374A (zh) 2020-06-02 2020-06-02 基于半监督学习的开关柜故障分类方法

Publications (1)

Publication Number Publication Date
CN111626374A true CN111626374A (zh) 2020-09-04

Family

ID=72270101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010489345.3A Pending CN111626374A (zh) 2020-06-02 2020-06-02 基于半监督学习的开关柜故障分类方法

Country Status (1)

Country Link
CN (1) CN111626374A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112051836A (zh) * 2020-09-11 2020-12-08 江苏科技大学 基于多核模型的水下机器人推进器状态监测方法
CN114387477A (zh) * 2022-01-18 2022-04-22 中国农业银行股份有限公司 标签分类模型训练方法、标签分类方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095675A (zh) * 2015-09-07 2015-11-25 浙江群力电气有限公司 一种开关柜故障特征选择方法及装置
CN106596900A (zh) * 2016-12-13 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于改进图的半监督分类的变压器故障诊断方法
CN106771938A (zh) * 2017-03-22 2017-05-31 广东工业大学 一种固体绝缘环网柜局部放电模式识别方法及装置
CN109697463A (zh) * 2018-12-13 2019-04-30 中国航空工业集团公司上海航空测控技术研究所 基于支持向量数据描述集成学习的齿轮故障识别方法
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095675A (zh) * 2015-09-07 2015-11-25 浙江群力电气有限公司 一种开关柜故障特征选择方法及装置
CN106596900A (zh) * 2016-12-13 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于改进图的半监督分类的变压器故障诊断方法
CN106771938A (zh) * 2017-03-22 2017-05-31 广东工业大学 一种固体绝缘环网柜局部放电模式识别方法及装置
CN109697463A (zh) * 2018-12-13 2019-04-30 中国航空工业集团公司上海航空测控技术研究所 基于支持向量数据描述集成学习的齿轮故障识别方法
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHENYU LIU ET AL: "A semi-supervised Support Vector Data Description-based fault detection method for rolling element bearings based on cyclic spectral analysis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
冯慧玲等: "基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计", 《计算机测量与控制》 *
史塨毓等: "基于可闻声源多模态特征的开关柜绝缘故障识别", 《南京工程学院学报》 *
周川: "中低压开关柜状态监测与综合诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
王建华: "《高压开关电器发展前沿技术》", 31 October 2019 *
赵莹: "半监督支持向量机学习算法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112051836A (zh) * 2020-09-11 2020-12-08 江苏科技大学 基于多核模型的水下机器人推进器状态监测方法
CN112051836B (zh) * 2020-09-11 2021-09-24 江苏科技大学 基于多核模型的水下机器人推进器状态监测方法
CN114387477A (zh) * 2022-01-18 2022-04-22 中国农业银行股份有限公司 标签分类模型训练方法、标签分类方法、装置及设备

Similar Documents

Publication Publication Date Title
Moradzadeh et al. Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN108923952B (zh) 基于服务监控指标的故障诊断方法、设备及存储介质
Mohammadi et al. A fast fault detection and identification approach in power distribution systems
Wang et al. A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis
CN113702895B (zh) 一种电压互感器误差状态在线定量评估方法
CN108803555B (zh) 一种基于性能监测数据的亚健康在线识别和诊断方法
CN105141255A (zh) 一种光伏阵列故障诊断方法
CN111626374A (zh) 基于半监督学习的开关柜故障分类方法
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
CN105954616A (zh) 基于外特性电气参数的光伏组件故障诊断方法
Behkam et al. Generalized regression neural network application for fault type detection in distribution transformer windings considering statistical indices
CN109902731B (zh) 一种基于支持向量机的性能故障的检测方法及装置
CN115374842A (zh) 基于生成对抗网络的机械轴承故障分类方法及系统
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质
Firos et al. Fault detection in power transmission lines using AI model
Ozgonenel et al. Detection of blackouts by using K-means clustering in a power system
CN113051763A (zh) 基于数据融合技术的舰船系统级电子装备可靠性评估方法
Valabhoju et al. Optimized ensemble of regression tree-based location of evolving faults in dual-circuit line
CN116432027A (zh) 基于振动信号的变压器运行状态检测方法及系统
CN116125260A (zh) 一种基于多元数据融合的断路器机电故障边缘诊断方法
Chang et al. Fault diagnosis of lithium-ion batteries based on voltage dip behavior
Bhatnagar et al. LSTM-based low-impedance fault and high-impedance fault detection and classification

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: 20200904

RJ01 Rejection of invention patent application after publication