CN112364756A - 一种基于天牛须和随机森林的gis故障分类方法 - Google Patents

Abstract

本发明公开了一种基于天牛须和随机森林的GIS故障分类方法，其步骤包括：步骤1、采集GIS局部放电特高频信号数据，并对数据进行预处理，构建对应的GIS缺陷特征集；步骤2、采用随机初始化的天牛须位置坐标构建初始随机森林模型；步骤3、使用天牛须算法优化随机森林模型，并建立GIS故障诊断模型；步骤4、使用建立的GIS故障诊断模型识别故障类型，获得故障识别结果。本发明能获得较好的分类效果，加快随机森林参数寻优的效率，从而实现GIS局部放电故障的自动诊断和准确识别。

Description

一种基于天牛须和随机森林的GIS故障分类方法

技术领域

本发明属于GIS局部放电故障诊断领域，具体的说是一种基于天牛须和随机森林的GIS故障分类方法，该诊断方法可以实现GIS的故障类型的准确识别。

背景技术

气体绝缘组合电器(Gas Insulated Switchgear，GIS)因其占地面积小、安全性好、易于维护等特点而被广泛地应用于城市电网。但生产、运输和装配过程中的人为因素可能导致GIS设备内部存在某些绝缘缺陷，长期运行导致的绝缘劣化也可能造成GIS设备的故障，从而威胁电网安全。实时掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。局部放电检测是目前最常用一种在线监测电力设备绝缘状态的方式，当有局部放电发生时立刻采取行动，从而防止更严重事件的发生。特高频检测法即利用局部放电会产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。对监测得到的信号进行分析处理从而判断设备存在的缺陷种类。

为了提高故障诊断区分的效率，需要将智能算法代替人工，模式识别就是用于智能诊断的工具。目前针对GIS局部放电模式识别的常用机器学习算法有神经网络、支持向量机(SVM)以及K近邻(KNN)算法，然而这些算法也存在一定的局限性。神经网络中较为常用的网络为反向传播神经网络(BPNN)，然而其结构较难确定，且需调节的参数较多。SVM因其适用于小样本且能够克服维数灾等优点，被广泛应用于局部放电模式识别中，但传统的单一核函数SVM为二分类算法，而GIS常见的绝缘缺陷不只有两种。同时SVM和函数的选取大多依靠经验选取，严重影响识别的效率和准确率。KNN原理较为简单，且在局部放电模式识别领域中得到良好的应用，该算法在测试新数据时效率较低。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于天牛须和随机森林的GIS故障分类方法，以期能获得较好的GIS局部放电故障类型的分类效果，从而实现GIS局部放电故障的自动诊断和准确识别。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于天牛须和随机森林的GIS故障分类方法的特点包括以下步骤：

步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合，提取所述样本集合中每个样本的N个统计特征并进行归一化处理，得到缺陷特征集合C＝{C₁,C₂,…,C_i,…,C_a}，C_i表示GIS局部放电第i类缺陷特征样本集合，并有：

表示第i类GIS缺陷特征样本集中第j个样本；且第j个样本

包含N个归一化后的统计特征，1≤i≤a，1≤j≤M，M表示第i类缺陷特征样本的总数；

步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置，构建初始随机森林模型；

步骤2.1、初始化天牛触须长度为s、天牛运动步长为u、天牛迭代次数为t_max、天牛两触须的三维位置坐标向量为P₀＝{P_L,P_R}，其中，P_L表示天牛左触须位置坐标，P_R表示天牛右触须位置坐标；

利用所述三维位置坐标向量P₀中两触须的x方向、y方向、z方向的坐标值初始化随机森林参数，其中x方向的坐标值表示决策树的数量，y方向的坐标值表示单个决策树的最大特征数量，z方向的坐标值表示最小叶子节点数；

步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取a×M个样本，并生成一个缺陷特征样本子集，并从所述缺陷特征样本子集的N个特征中无放回地随机抽取n个特征作为决策树的分裂特征，从而生成一棵的GIS缺陷特征决策树，n≤N；

步骤2.3、重复执行x次步骤2.2，从而生成x棵相应的GIS缺陷特征决策树，并构建形成初始的随机森林模型；

步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练；

步骤3.1、定义当前迭代次数为t，并初始化t＝1；

以天牛须的三维坐标向量P₀作为第t次迭代的三维坐标向量P_t；以所述初始的随机森林模型作为第t次迭代的随机森林模型；

步骤3.2、利用第t次迭代的三维坐标向量P_t构建第t次迭代的随机森林模型，并利用第t次迭代的随机森林模型对x个缺陷特征样本子集进行oob估计，得到第t次迭代的随机森林模型的GIS缺陷误分率，并以所述GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值；

步骤3.3、选择天牛左右两须所对应的第t次迭代的适应度值中的较小值，以所述较小值作为第t次迭代的局部最优值，并获取局部最优值所对应的天牛的触须坐标；

步骤3.4、天牛按照所述天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动，从而得到第t+1次迭代的三维坐标向量P_t+1；

步骤3.5、将t+1赋值给t后，判断t是否达到t_max，若达到，则选出t_max次迭代的局部最优值中的最小值作为全局最优值；以所述全局最优值所对应的三维坐标向量作为最优随机森林参数，从而构造GIS故障诊断的随机森林模型；否则，返回步骤3.2；

步骤4、利用所述GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断，并根据全部决策树的投票结果确定最终的分类结果，从而输出GIS故障诊断的识别结果。

与已有技术相比，本发明的有益效果体现在：

1、本发明采用一种基于天牛须和随机森林的GIS故障分类方法，解决了传统方法寻优参数多、识别效率低的问题，提高了GIS局部放电故障诊断的准确率。相较于传统智能算法优化随机森林算法的方法，本发明可以更高效、准确地完成GIS故障诊断和识别。

2、本发明将天牛须算法引入随机森林分类器中，通过天牛须算法对随机森林分类器进行特征选择并对参数进行优化，解决了该模型中特征冗余、计算量大的问题，提高了随机森林的分类精度和效率。

附图说明

图1为本发明方法流程示意图。

具体实施方式

本实施例中，一种基于天牛须和随机森林的GIS故障分类方法，如图1所示，包括以下步骤：

步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合，提取样本集合中每个样本的N个统计特征并进行归一化处理，达到提取局部放电信息的目的，便于提高后续模式识别的速度与效率，得到缺陷特征集合C＝{C₁,C₂,…,C_i,…,C_a}，C_i表示GIS局部放电第i类缺陷特征样本集合，并有：

表示第i类GIS缺陷特征样本中第j个样本；且第j个样本

包含N个归一化后的统计特征，1≤i≤a，1≤j≤M，M表示第i类缺陷特征样本的总数；GIS局部放电缺陷类型一般分为4种，分别为金属尖端缺陷、悬浮电极缺陷、自由金属微粒缺陷、气隙模型缺陷；提取的统计特征包括平均值、有效值、峰值、脉冲指标、裕度指标、歪度指标和峭度指标；

步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置，构建初始随机森林模型；

步骤2.1、初始化天牛触须长度s、天牛运动步长u、天牛迭代次数t_max和天牛触须的三维位置坐标向量P₀＝{P_L,P_R}，其中，P_L表示天牛左触须位置坐标，P_R表示天牛右触须位置坐标；

利用天牛须触须的三维位置坐标向量P₀的左右两触须的x方向、y方向、z方向的坐标值初始化随机森林参数，其中，x方向的坐标值表示决策树的数量，y方向的坐标值表示单个决策树的最大特征数量，z方向的坐标值表示最小叶子节点数；

步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取与缺陷特征集合C容量大小相同的样本，并生成一个缺陷特征样本子集，并从缺陷特征样本子集的N个归一化后的统计特征中无放回地随机抽取n个特征作为决策树的分裂特征，从而生成一棵的GIS缺陷特征决策树记为，n≤N；

步骤2.3、重复执行x次步骤2.2，从而生成x棵相应的GIS缺陷特征决策树，并采用CART方法构建形成初始的随机森林模型；

步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练；

步骤3.1、定义当前迭代次数为t，并初始化t＝1；

以天牛须的三维坐标向量P₀作为第t次迭代的三维坐标向量P_t；以初始的随机森林模型作为第t次迭代的随机森林模型；

步骤3.2、利用第t次迭代的三维坐标向量P_t构建第t次迭代的随机森林模型，并利用第t次迭代的随机森林模型对m个缺陷特征样本子集进行oob估计，得到第t次迭代的随机森林模型的GIS缺陷误分率，并以GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值；

采用bootstrap方法对样本进行抽样时会产生1/3的未被抽中的样本，因此可以直接在其内部进行评估，而不必对其进行交叉验证或用一个独立的测试集来获得误差的无偏估计。oob估计法可有效地提高算法的效率。本发明利用oob估计在森林生成的过程中对误差建立无偏估计，具体为：将没有参与第k棵树生成的样本作为第k棵树的oob样本，计算该样本的分类情况，并以多数决策树的投票结果作为该样本的最终分类结果，最终用错误分类个数占样本总数的比率作为随机森林的oob误分率W，其中误分率W代表标签为i的测试样本但未被预测为i的个数与测试样本总个数的比值。1≤k≤x。

步骤3.3、选择天牛两须所对应的第t次迭代的适应度值中的较小值，以较小值作为第t次迭代的局部最优值，并获取局部最优值所对应的天牛的触须坐标；将计算得到的天牛左须的适应度值记为W_L,天牛左须适应度值记为W_R。若W_L小于W_R，并记录此时天牛左须的坐标，否则，记录天牛右须的坐标，将局部最优值对应的坐标记为J_t。

步骤3.4、天牛按照天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动，从而得到第t+1次迭代的三维坐标向量P_t+1；若W_L小于W_R，则天牛向左侧移动，否则天牛向右侧移动；

步骤3.5、将t+1赋值给t后，判断t是否达到t_max，若达到，则选出t_max次迭代的局部最优值集合

中的最小值min{J}作为全局最优值；以全局最优值所对应的三维坐标向量作为最优随机森林参数，从而构造GIS故障诊断的随机森林模型；否则，返回步骤3.2；

步骤4、利用GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断，并根据全部决策树的投票结果确定最终的分类结果，从而输出GIS故障诊断的识别结果。

为验证本方法的准确性，同时建立随机森林(RF)模型以及在模式识别领域中广泛应用的SVM、BPNN作为对比。

经特高频局部放电实验共采集获得400组GIS绝缘缺陷局部放电数据，提取其特征量。将所得样本分为训练样本和测试样本，随机选择300组作为训练样本，剩余为测试样本，用以对经过训练后的分类器进行测试。

分别采用RF算法、基于天牛须(BAS)优化的RF算法、SVM、BPNN算法建立4个不同的分类器用于识别。将训练样本先放入分类器中进行学习，再将完成训练的分类器对测试样本分类识别，所得识别结果如下表所示：

表1 不同算法识别效果对比

比较表1中的数值可以明显地看到，在这四种分类器中，BAS-RF算法的整体识别正确率最高，为95.9％，远高于基础RF模型的90.3％、SVM模型的88.2％和BPNN模型的89.1％的正确率。同时对比BAS-RF与基础RF的识别结果可知，BAS-RF模型比基础RF模型的识别准确率提高了5.6％，证明天牛须算法对于优化随机森林模型是可行和有效的。实验结果验证了本专利提出方法能够准确诊断GIS局部放电故障缺陷类型，同时为运维人员在实际现场中提供检测和判断依据，有利于电网安全稳定运行。

Claims (1)

1.一种基于天牛须和随机森林的GIS故障分类方法，其特征包括以下步骤：

步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合，提取所述样本集合中每个样本的N个统计特征并进行归一化处理，得到缺陷特征集合C＝{C₁,C₂,…,C_i,…,C_a}，C_i表示GIS局部放电第i类缺陷特征样本集合，并有：

表示第i类GIS缺陷特征样本集中第j个样本；且第j个样本

包含N个归一化后的统计特征，1≤i≤a，1≤j≤M，M表示第i类缺陷特征样本的总数；

步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置，构建初始随机森林模型；

步骤2.1、初始化天牛触须长度为s、天牛运动步长为u、天牛迭代次数为t_max、天牛两触须的三维位置坐标向量为P₀＝{P_L,P_R}，其中，P_L表示天牛左触须位置坐标，P_R表示天牛右触须位置坐标；

利用所述三维位置坐标向量P₀中两触须的x方向、y方向、z方向的坐标值初始化随机森林参数，其中x方向的坐标值表示决策树的数量，y方向的坐标值表示单个决策树的最大特征数量，z方向的坐标值表示最小叶子节点数；

步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取a×M个样本，并生成一个缺陷特征样本子集，并从所述缺陷特征样本子集的N个特征中无放回地随机抽取n个特征作为决策树的分裂特征，从而生成一棵的GIS缺陷特征决策树，n≤N；

步骤2.3、重复执行x次步骤2.2，从而生成x棵相应的GIS缺陷特征决策树，并构建形成初始的随机森林模型；

步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练；

步骤3.1、定义当前迭代次数为t，并初始化t＝1；

以天牛须的三维坐标向量P₀作为第t次迭代的三维坐标向量P_t；以所述初始的随机森林模型作为第t次迭代的随机森林模型；

步骤3.2、利用第t次迭代的三维坐标向量P_t构建第t次迭代的随机森林模型，并利用第t次迭代的随机森林模型对x个缺陷特征样本子集进行oob估计，得到第t次迭代的随机森林模型的GIS缺陷误分率，并以所述GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值；

步骤3.3、选择天牛左右两须所对应的第t次迭代的适应度值中的较小值，以所述较小值作为第t次迭代的局部最优值，并获取局部最优值所对应的天牛的触须坐标；

步骤3.4、天牛按照所述天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动，从而得到第t+1次迭代的三维坐标向量P_t+1；

步骤3.5、将t+1赋值给t后，判断t是否达到t_max，若达到，则选出t_max次迭代的局部最优值中的最小值作为全局最优值；以所述全局最优值所对应的三维坐标向量作为最优随机森林参数，从而构造GIS故障诊断的随机森林模型；否则，返回步骤3.2；

步骤4、利用所述GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断，并根据全部决策树的投票结果确定最终的分类结果，从而输出GIS故障诊断的识别结果。

Images