CN113379026A - 一种基于大数据挖掘的隔离开关状态诊断算法 - Google Patents
一种基于大数据挖掘的隔离开关状态诊断算法 Download PDFInfo
- Publication number
- CN113379026A CN113379026A CN202110647134.2A CN202110647134A CN113379026A CN 113379026 A CN113379026 A CN 113379026A CN 202110647134 A CN202110647134 A CN 202110647134A CN 113379026 A CN113379026 A CN 113379026A
- Authority
- CN
- China
- Prior art keywords
- individuals
- big data
- data mining
- disconnecting switch
- switch state
- 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
- 238000007418 data mining Methods 0.000 title claims abstract description 19
- 238000012774 diagnostic algorithm Methods 0.000 title description 2
- 210000000349 chromosome Anatomy 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000007667 floating Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013101 initial test Methods 0.000 abstract description 4
- 230000002028 premature Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于大数据挖掘的隔离开关状态诊断算法,涉及电力技术领域,包括:S1、算法的编码:采用浮点编码方式对各个个体进行编码,S2、初始化种群:从样本空间中选出k个个体,每一个个体代表一个初始聚类中心,通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体。本发明通过算法对高压隔离开关的电机电流信号进行计算,有效的提取出各个机械故障状态下的簇中心和特征值,针对高压隔离开关的卡涩情况有明显的分离效果,对于高压隔离开关机械故障的检测和诊断的应用有着广阔前景,能够避免了算法过早收敛,同时,使得计算的精度大大提高,通过加入自适应权重能够解决算法过分依赖初试值的弊端,大大提高了运算的速度。
Description
技术领域
本发明涉及电力技术领域,特别的为一种基于大数据挖掘的隔离开关状态诊断算法。
背景技术
隔离开关由于常年暴露在野外环境,极易受到腐蚀和振动的影响,使得隔离开关出现关节不同程度卡涩、由于人工操作不规范以及弹簧失能导致的合闸不到位等机械故障,严重影响了线路的安全稳定运行。因此,对高压隔离开关的机械故障诊断拥有极为重要的现实意义。隔离开关的机械故障检测手段有:绝缘子超声波探伤、触头温度在线监测、红外温度检测等。由于电机电流是比较直观的检测数据,通过检测高压隔离开关的刀闸电机电流信号,可以比较清晰的展现隔离开关各个故障情况,但是传统的电机电流分析法,在使用的过程中,过于依赖初试点和局部收敛等限制,使得在隔离开关的故障分析中出现误差和误判,同时,传统的电机电流分析法的运算精度不佳。
综上所述,研发一种基于大数据挖掘的隔离开关状态诊断算法,仍是电力技术领域中急需解决的关键问题。
发明内容
本发明提供的发明目的在于提供一种基于大数据挖掘的隔离开关状态诊断算法,解决上述背景技术中的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于大数据挖掘的隔离开关状态诊断算法,包括以下步骤:
S1、算法的编码:采用浮点编码方式对各个个体进行编码。
S2、初始化种群:从样本空间中选出k个个体,每一个个体代表一个初始聚类中心,通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体。
S3、适应度函数:构造J值最小的适应度函数。
S4、选择操作:通过优胜劣汰来实现对群体的选择操作。
S5、交叉操作:采用算术交叉的方式来将2个个体进行线性交叉产生新的个体。
S6、变异操作:将同一染色体中的某一部分基因与另一部分基因进行等位替换的操作。
进一步的,在S1操作步骤中,在进行算法的编码前,在高压隔离开关在正常情况下、轻微卡涩、严重卡涩、弹簧失效、合闸不到位的常见机械故障情况下,采用电机电流的大数据,并将各个数据作为个体。
进一步的,在S1操作步骤中,采用浮点编码方式对各个个体进行编码的方法为:设聚类中心为m维,聚类中心为k,则每条染色体的长度为l=mk,染色体为{x1,x2,...,xk},其中每一条染色体xi={xi1,xi2,...,xik},每条染色体代表一个聚类中心的坐标。
进一步的,在S2操作步骤中,将这组聚类中心编码成一条染色体后,再重复进行Psize次染色体初始化生成初始种群,Psize为群体总量。
进一步的,在S4操作步骤中,选择操作包括以下步骤:
S401、计算当前种群个体的适应度函数,并记录适应度最大的个体。
S403、根据所得的概率值Pxi,使用轮盘赌法选择个体进行交叉和变异操作以产生新的个体。
S404、重新计算新种群中个体的适应度值,并将记录的上一代中适应度值高的个体取代下一代中适应度值低的个体,以此产生下一代种群。
进一步的,在S5操作步骤中,交叉操作的方法为:假设交叉个体为x1和x2,通过均匀算术交叉获得新的个体x′1和x′2。
进一步的,在S6操作步骤中,变异操作包括以下步骤:
S601、取定某一个体编码串中的变异点,确定取值范围[Umin,Umax]。
S602、对每一个变异点,以变异概率Pm从[Umin,Umax]取任意随机数代替原有值,从而获得新的基因xi=Umin+r(Umax-Umin),式中,r表示系数。
进一步的,在S6操作步骤中,完成变异操作后,在输出结果,并在输出结果趋于稳定在一个固定值时,作为输出最佳结果,诊断高压隔离开关的机械故障。
本发明提供了一种基于大数据挖掘的隔离开关状态诊断算法。具备以下有益效果:
1、本发明通过算法对高压隔离开关的电机电流信号进行计算,能够有效的提取出各个机械故障状态下的簇中心和特征值,尤其针对高压隔离开关的卡涩情况有明显的分离效果,对于高压隔离开关机械故障的检测和诊断的应用有着广阔前景。
2、本发明的算法能够避免了算法过早收敛,同时,使得计算的精度大大提高。
3、本发明通过加入自适应权重能够解决算法过分依赖初试值的弊端,大大提高了运算的速度。
具体实施方式
下面将结合本发明实施例,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做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。
一种基于大数据挖掘的隔离开关状态诊断算法,包括以下步骤:
步骤一、算法的编码:采用浮点编码方式对各个个体进行编码。
在进行算法的编码前,在高压隔离开关在正常情况下、轻微卡涩、严重卡涩、弹簧失效、合闸不到位的常见机械故障情况下,采用电机电流的大数据,并将各个数据作为个体。
采用浮点编码方式对各个个体进行编码的方法为:设聚类中心为m维,聚类中心为k,则每条染色体的长度为l=mk,染色体为{x1,x2,...,xk},其中每一条染色体xi={xi1,xi2,...,xik},每条染色体代表一个聚类中心的坐标。
步骤二、初始化种群:从样本空间中选出k个个体,每一个个体代表一个初始聚类中心,通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体。
将这组聚类中心编码成一条染色体后,再重复进行Psize次染色体初始化生成初始种群,Psize为群体总量。
步骤三、适应度函数:构造J值最小的适应度函数,作为性能好坏的指标,适应度函数会直接影响算法的收敛速度和最优解的选定。
步骤四、选择操作:通过优胜劣汰来实现对群体的选择操作,通过优胜劣汰来实现对群体的选择操作,适应度越低的群体遗传到下一代的概率越小,反之则大,在这个过程中种群的平均适应度得以提升,鲁棒性增强,整体朝着最优解的方向发展,选择操作包括以下步骤:
401)、计算当前种群个体的适应度函数,并记录适应度最大的个体。
403)、根据所得的概率值Pxi,使用轮盘赌法选择个体进行交叉和变异操作以产生新的个体。
404)、重新计算新种群中个体的适应度值,并将记录的上一代中适应度值高的个体取代下一代中适应度值低的个体,以此产生下一代种群。
步骤五、交叉操作:采用算术交叉的方式来将2个个体进行线性交叉产生新的个体。
交叉操作的方法为:假设交叉个体为x1和x2,通过均匀算术交叉获得新的个体x′1和x′2。
步骤六、变异操作:将同一染色体中的某一部分基因与另一部分基因进行等位替换的操作,从而增加了个体的多样性,改善的算法的局部搜索能力,防止早熟收敛。
变异操作包括以下步骤:
601)、取定某一个体编码串中的变异点,确定取值范围[Umin,Umax]。
602)、对每一个变异点,以变异概率Pm从[Umin,Umax]取任意随机数代替原有值,从而获得新的基因xi=Umin+r(Umax-Umin),式中,r表示系数。
完成变异操作后,在输出结果,并在输出结果趋于稳定在一个固定值时,作为输出最佳结果,诊断高压隔离开关的机械故障。
在本发明中,还可以在此基础上,对算法进行优化,对数据集的属性权重进行初始化或者结束上一步操作后保持上次运行的权重,计算所有对象的加权距离并进行归类处理,通过计算各个群类的类内、类间距离,计算对应的权重,调整加权的欧氏距离,获得新的K个聚类中心,对这K个聚类中心编码成染色体,对其进行遗传操作,生成下一代种群。由于电机电流信号的混沌性质,在二维空间的延展性能较强,信号在算法聚类的同时,交叉变异操作使得获得簇中心更精确,增强了稳定性,使得隔离开关各工况能够更加直观的表现。
为了更好的对本发明进行说明,通过实验获取实验数据,请见表1聚类中心的误差平方和的比较,
表1聚类中心的误差平方和的比较
误差平方和 | 正确率/% | 平均计算时/ms | |
K-means算法 | 1.287 | 85.2 | 1650 |
本算法 | 0.482 | 95.5 | 921 |
由表1可知,使用同一电机电流数据集比对两种算法的计算时间和正确率,两种算法的误差平方和相差较大,且K-means算法平均计算时间相较于本算法是时间较长,正确率比较低,可见本算法的优越性和有效性。
本发明通过算法对高压隔离开关的电机电流信号进行计算,能够有效的提取出各个机械故障状态下的簇中心和特征值,尤其针对高压隔离开关的卡涩情况有明显的分离效果,对于高压隔离开关机械故障的检测和诊断的应用有着广阔前景,能够避免了算法过早收敛,同时,使得计算的精度大大提高,通过加入自适应权重能够解决算法过分依赖初试值的弊端,大大提高了运算的速度。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于,包括以下步骤:
S1、算法的编码:采用浮点编码方式对各个个体进行编码;
S2、初始化种群:从样本空间中选出k个个体,每一个个体代表一个初始聚类中心,通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体;
S3、适应度函数:构造J值最小的适应度函数;
S4、选择操作:通过优胜劣汰来实现对群体的选择操作;
S5、交叉操作:采用算术交叉的方式来将2个个体进行线性交叉产生新的个体;
S6、变异操作:将同一染色体中的某一部分基因与另一部分基因进行等位替换的操作。
2.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S1操作步骤中,在进行算法的编码前,在高压隔离开关在正常情况下、轻微卡涩、严重卡涩、弹簧失效、合闸不到位的常见机械故障情况下,采用电机电流的大数据,并将各个数据作为个体。
3.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S1操作步骤中,采用浮点编码方式对各个个体进行编码的方法为:设聚类中心为m维,聚类中心为k,则每条染色体的长度为l=mk,染色体为{x1,x2,...,xk},其中每一条染色体xi={xi1,xi2,...,xik},每条染色体代表一个聚类中心的坐标。
4.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S2操作步骤中,将这组聚类中心编码成一条染色体后,再重复进行Psize次染色体初始化生成初始种群,Psize为群体总量。
7.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S5操作步骤中,交叉操作的方法为:假设交叉个体为x1和x2,通过均匀算术交叉获得新的个体x′1和x′2。
9.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S6操作步骤中,变异操作包括以下步骤:
S601、取定某一个体编码串中的变异点,确定取值范围[Umin,Umax];
S602、对每一个变异点,以变异概率Pm从[Umin,Umax]取任意随机数代替原有值,从而获得新的基因xi=Umin+r(Umax-Umin),式中,r表示系数。
10.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法,其特征在于:在S6操作步骤中,完成变异操作后,在输出结果,并在输出结果趋于稳定在一个固定值时,作为输出最佳结果,诊断高压隔离开关的机械故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647134.2A CN113379026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于大数据挖掘的隔离开关状态诊断算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647134.2A CN113379026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于大数据挖掘的隔离开关状态诊断算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379026A true CN113379026A (zh) | 2021-09-10 |
Family
ID=77573601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110647134.2A Pending CN113379026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于大数据挖掘的隔离开关状态诊断算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379026A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819158A (zh) * | 2023-05-19 | 2023-09-29 | 国网安徽省电力有限公司电力科学研究院 | 一种隔离开关电机电流智能化监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN108181580A (zh) * | 2018-01-25 | 2018-06-19 | 江苏德春电力科技股份有限公司 | 固体绝缘开关设备智能诊断装置及寿命评估方法 |
CN110188785A (zh) * | 2019-03-28 | 2019-08-30 | 山东浪潮云信息技术有限公司 | 一种基于遗传算法的数据聚类分析方法 |
-
2021
- 2021-06-10 CN CN202110647134.2A patent/CN113379026A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN108181580A (zh) * | 2018-01-25 | 2018-06-19 | 江苏德春电力科技股份有限公司 | 固体绝缘开关设备智能诊断装置及寿命评估方法 |
CN110188785A (zh) * | 2019-03-28 | 2019-08-30 | 山东浪潮云信息技术有限公司 | 一种基于遗传算法的数据聚类分析方法 |
Non-Patent Citations (2)
Title |
---|
刘仕兵 等: "接触网高压隔离开关的机械故障诊断新策略", 《华东交通大学学报》, vol. 36, no. 05, 19 November 2019 (2019-11-19), pages 136 - 142 * |
刘子英 等: "基于BP神经网络的高压隔离开关分合闸监测识别", 《电力系统保护与控制》, vol. 48, no. 05, 1 March 2020 (2020-03-01), pages 134 - 140 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819158A (zh) * | 2023-05-19 | 2023-09-29 | 国网安徽省电力有限公司电力科学研究院 | 一种隔离开关电机电流智能化监测系统及方法 |
CN116819158B (zh) * | 2023-05-19 | 2024-02-09 | 国网安徽省电力有限公司电力科学研究院 | 一种隔离开关电机电流智能化监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110929763B (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN113379026A (zh) | 一种基于大数据挖掘的隔离开关状态诊断算法 | |
CN110609200A (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
CN109919335A (zh) | 基于深度学习的磁盘故障预测系统 | |
CN111913081A (zh) | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 | |
CN109921415A (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN108828402A (zh) | 一种高压电缆故障诊断的方法 | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN112684280A (zh) | 一种基于改进量子遗传算法的配电网故障区段定位方法 | |
CN117332330A (zh) | 基于多源数据图融合模型的变压器故障评估方法及系统 | |
CN109213120A (zh) | 基于高维特征表示下多级主元空间的故障诊断方法 | |
CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
Pourhossein et al. | Buckling severity diagnosis in power transformer windings using Euclidean Distance classifier | |
CN116796625A (zh) | 一种基于数字孪生的变压器热状态异常检测方法及系统 | |
CN111025144A (zh) | 一种高压断路器健康水平预警方法 | |
Liu et al. | A comparative research on power transformer fault diagnosis based on several artificial neural networks | |
CN116543198A (zh) | 一种基于多粒度近邻图的智能电表故障分类方法 | |
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 | |
CN112052952B (zh) | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 | |
CN115577312A (zh) | 基于改进dagmm的建筑用电负荷曲线异常检测方法 | |
CN112085083B (zh) | 一种基于相近度分析策略的变压器故障诊断方法 | |
Shi et al. | PEMFC Fault Diagnosis Based on an Equivalent Circuit and OS-ELM Framework |
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 |