CN113484652A - 一种基于改进k近邻算法的避雷器故障诊断方法及系统 - Google Patents
一种基于改进k近邻算法的避雷器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113484652A CN113484652A CN202110959300.2A CN202110959300A CN113484652A CN 113484652 A CN113484652 A CN 113484652A CN 202110959300 A CN202110959300 A CN 202110959300A CN 113484652 A CN113484652 A CN 113484652A
- Authority
- CN
- China
- Prior art keywords
- data
- improved
- lightning arrester
- nearest neighbor
- algorithm
- 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 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 206010073261 Ovarian theca cell tumour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于改进K近邻算法的避雷器故障诊断方法及系统。包括：1、获取设备状态已知的避雷器在线监测数据，得到设备运行状态和多维特征量；2、对数据进行规范化处理,获取规范化处理后的数据，并对高维数据进行降维处理，获得可视化数据；3、将得到的各类型数据集导入到软件建立的改进K近邻算法中进行算法训练，以识别正确率为目标量进行算法寻优，获得算法故障识别的最优解；该故障诊断方法简单方便，运算效率高，具有较好的故障识别准确度。
Description
技术领域
本发明属于电力系统避雷器领域，具体涉及一种基于改进K近邻算法的避雷器故障诊断方法及系统。
背景技术
避雷器是电力系统中非常重要的电气设备，作为保护电力设备免受过电压侵害的核心元件，其是否能够安全稳定的运行在一定程度上影响着电网的可靠性。避雷器在线监测可以在不停电的情况下实时了解避雷器运行性能，及时发现异常现象和事故隐患，对检测结果做出正确判断并采取预防措施，防止事故扩大造成经济损失，保证其在良好的状态下运行。
避雷器在线监测系统由于受到许多干扰因素，如天气影响、阀片受潮等，存在大量的误告警现象，导致基层工作人员疲于应付，这不仅增加了基层工作人员的工作量，也增加了避雷器稳定运行的风险。现存的避雷器在线监测预警规则由于采用阈值判据，容易受到干扰因素的影响从而造成误告警，因此针对避雷器在线监测历史数据开展分析与研究，建立合理有效的算法模型，对于提高避雷器在线监测告警准确率，保障避雷器在电网中的安全、可靠运行具有重要的意义。改进K近邻算法是一种基于反距离加权的K近邻算法，算法模型预测准确率受到K值和距离度量方式的影响，因此在考虑K值和距离度量方式的交叉影响下，对算法模型进行优化，使算法预测准确率达到最高。目前尚无该方面的技术报道。
发明内容
本发明的目的在于提供一种基于改进K近邻算法的避雷器故障诊断方法及系统，该方法可以高效、准确地实现避雷器运行状态的预测和分类，从而为避雷器运行状态判断提供参考依据。
为实现上述目的，本发明的技术方案是：一种基于改进K近邻算法的避雷器故障诊断方法，包括如下步骤：
步骤S1、获取设备状态已知的避雷器在线监测数据，得到设备运行状态和多维特征量；
步骤S2、对数据进行规范化处理，获取规范化处理后的数据，并对高维数据进行降维处理，获得可视化数据；
步骤S3、将得到的各类型数据集划分后导入到软件建立的改进K近邻算法中进行算法训练，以识别正确率为目标量进行算法寻优，获得算法故障识别的最优解。
在本发明一实施例中，所述改进K近邻算法是基于反距离加权的KNN算法，将距离的倒数作为加权系数，其中距离度量方式采用曼哈顿距离。
在本发明一实施例中，所述步骤S1中，设备运行状态包括已知三类故障情况：天气影响、装置故障、一次设备故障和一类正常状态下的在线监测数据。
在本发明一实施例中，所述步骤S1中，在线监测数据包括避雷器三相阻性电流、三相电压、环境温度、环境湿度。
在本发明一实施例中，所述步骤S2中，规范化处理为归一化处理，归一化公式为：
其中Xmax为特征量的最大值，Xmin为特征量的最小值，X为归一化前的数据，X’为归一化后的数据。
在本发明一实施例中，所述步骤S2中，降维处理为PCA降维，将8维原始数据通过PCA降维成3维数据，实现数据可视化表达。
在本发明一实施例中，所述步骤S3中，数据集划分是将数据集随机划分为75％的训练集和25％的测试集。
在本发明一实施例中，所述步骤3中，软件为python语言编程软件，将各组合的交叉组合方案导入到已经建立好的算法模型中，统计分析各模型的准确率和运算速率，获得最优的组合方案。
在本发明一实施例中，所述步骤3中，最优解为基于三种度量距离，即欧氏距离、曼哈顿距离、切比雪夫距离和K值交叉寻优的最佳组合，每一个交叉组合都进行随机划分1000次并取预测准确度平均值作为最终的预测准确度。
本发明还提供了一种基于改进K近邻算法的避雷器故障诊断系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
相较于现有技术，本发明具有以下有益效果：
1、采用改进K近邻算法针对避雷器在线监测数据具有较好的适用性和预测效果，提升了避雷器在线预警规则的可靠性。
2、综合考虑了三相阻性电流、三相电压的在线监测数据，并加入了环境温度、环境湿度的影响，模型更具有全面性和准确性，避免了单一告警规则造成的误报警、漏报警。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
参见图1，本发明提供了一种基于改进K近邻算法的避雷器故障诊断方法，包括以下步骤：
步骤1：获取设备状态已知的避雷器在线监测数据，得到设备运行状态和多维特征量；
其中，所述改进K近邻算法是基于反距离加权的KNN(k-nearest neighbor)算法，将距离的倒数作为加权系数，距离越近的参考样本具有更高的加权系数。设备运行状态包括已知三类故障情况：天气影响、装置故障、一次设备故障和一类正常状态下的在线监测数据，其中每个样本都包含避雷器三相阻性电流、三相容性电流、三相全电流、三相电压、环境温度、环境湿度14项在线监测历史数据。
步骤2：对数据进行规范化处理,获取规范化处理后的数据，并对高维数据进行降维处理，获得可视化数据；
其中，规范化处理为归一化处理，归一化公式为：
其中Xmax为该特征量的最大值，Xmin为该特征量的最小值，X为归一化前的数据，X’为归一化后的数据。所述降维处理为PCA降维，通过SPSS数据分析软件可得原始数据的KOM指数为0.629(>0.6)，并通过Bartlett球形度检验(ρ<0.05)，满足主成分分析的前提条件，因此将8维原始数据通过PCA降维成3维数据，降维后的三维数据的累积方差解释率为84.697％，对原始数据具有较好的解释度，同时实现了数据可视化表达，
步骤3：将得到的各类型数据集导入到软件建立的改进K近邻算法中进行算法训练，以识别正确率和运算速率为目标量进行算法寻优，获得算法故障识别的最优解。
其中，所述最优解为基于三种度量距离(欧氏距离、曼哈顿距离、切比雪夫距离)和K值交叉寻优的最佳组合。所述软件为python语言编程软件(如PyCharm软件)，将各组合的交叉组合方案导入到已经建立好的算法模型中，每一个交叉组合都进行随机划分1000次并取预测准确度平均值作为最终的预测准确度。统计分析各模型的准确率和运算速率，获得最优的组合方案。
下面以2020年XX省XX市避雷器在线监测数据为例，进一步说明本发明的有益效果。
1)获取XX省XX市避雷器在线监测数据，如表1所示。在PyCharm软件中建立算法模型，同时对数据进行异常值的剔除和缺失值的补充。
表1本发明实施例中所用的避雷器在线监测历史数据
2)对数据进行归一化处理，获取归一化处理后的数据后对原始高维数据进行降维前提条件检验，通过检验后进行PCA降维处理，将原始数据降成三维数据；
3)以识别正确率目标量进行算法寻优，通过对比法得出度量距离(欧氏距离、曼哈顿距离、切比雪夫距离)和K值交叉寻优的最佳组合。通过对比可得，当距离度量方式选择曼哈顿距离，K值为5时，算法模型的预测准确率为97.281％，具有最佳的预测效果。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (10)
1.一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，包括如下步骤：
步骤S1、获取设备状态已知的避雷器在线监测数据，得到设备运行状态和多维特征量；
步骤S2、对数据进行规范化处理，获取规范化处理后的数据，并对高维数据进行降维处理，获得可视化数据；
步骤S3、将得到的各类型数据集划分后导入到软件建立的改进K近邻算法中进行算法训练，以识别正确率为目标量进行算法寻优，获得算法故障识别的最优解。
2.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述改进K近邻算法是基于反距离加权的KNN算法，将距离的倒数作为加权系数，其中距离度量方式采用曼哈顿距离。
3.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤S1中，设备运行状态包括已知三类故障情况：天气影响、装置故障、一次设备故障和一类正常状态下的在线监测数据。
4.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤S1中，在线监测数据包括避雷器三相阻性电流、三相电压、环境温度、环境湿度。
5.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤S2中，规范化处理为归一化处理，归一化公式为：
，其中Xmax为特征量的最大值，Xmin为特征量的最小值，X为归一化前的数据，X’为归一化后的数据。
6.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤S2中，降维处理为PCA降维，将8维原始数据通过PCA降维成3维数据，实现数据可视化表达。
7.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤S3中，数据集划分是将数据集随机划分为75%的训练集和25%的测试集。
8.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤3中，软件为python语言编程软件，将各组合的交叉组合方案导入到已经建立好的算法模型中，统计分析各模型的准确率和运算速率，获得最优的组合方案。
9.根据权利要求1所述的一种基于改进K近邻算法的避雷器故障诊断方法，其特征在于，所述步骤3中，最优解为基于三种度量距离，即欧氏距离、曼哈顿距离、切比雪夫距离和K值交叉寻优的最佳组合，每一个交叉组合都进行随机划分1000次并取预测准确度平均值作为最终的预测准确度。
10.一种基于改进K近邻算法的避雷器故障诊断系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-9所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959300.2A CN113484652A (zh) | 2021-08-20 | 2021-08-20 | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959300.2A CN113484652A (zh) | 2021-08-20 | 2021-08-20 | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113484652A true CN113484652A (zh) | 2021-10-08 |
Family
ID=77945848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110959300.2A Pending CN113484652A (zh) | 2021-08-20 | 2021-08-20 | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484652A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115494350A (zh) * | 2022-11-21 | 2022-12-20 | 昆明理工大学 | 一种交流输电线路雷击故障识别方法及系统 |
| CN116089877A (zh) * | 2023-04-11 | 2023-05-09 | 中国电建集团山东电力建设第一工程有限公司 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
| CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
| CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
| US20170337687A1 (en) * | 2015-11-30 | 2017-11-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
| CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
| CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
| CN112362987A (zh) * | 2020-10-28 | 2021-02-12 | 广东电网有限责任公司佛山供电局 | 一种基于稳健估计的避雷器故障诊断方法 |
| CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的系统及方法 |
-
2021
- 2021-08-20 CN CN202110959300.2A patent/CN113484652A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170337687A1 (en) * | 2015-11-30 | 2017-11-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
| CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
| CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
| CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
| CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
| CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
| CN112362987A (zh) * | 2020-10-28 | 2021-02-12 | 广东电网有限责任公司佛山供电局 | 一种基于稳健估计的避雷器故障诊断方法 |
| CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨秀媛: "改进K近邻算法在风功率预测及风水协同运行中的应用", 电网技术, vol. 42, no. 3, pages 772 * |
| 闾城: ""基于改进KNN算法的汽轮机通流故障诊断方法及应用"", 《热力发电》, vol. 50, no. 7, pages 84 * |
| 闾城: "基于改进KNN算法的汽轮机通流故障诊断方法及应用", 热力发电, vol. 50, no. 7, pages 84 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115494350A (zh) * | 2022-11-21 | 2022-12-20 | 昆明理工大学 | 一种交流输电线路雷击故障识别方法及系统 |
| CN116089877A (zh) * | 2023-04-11 | 2023-05-09 | 中国电建集团山东电力建设第一工程有限公司 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113484652A (zh) | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 | |
| CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
| US20240168835A1 (en) | Hard disk failure prediction method, system, device and medium | |
| CN114154728A (zh) | 一种故障预测方法、装置、电子设备及存储介质 | |
| CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
| CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
| CN116990633A (zh) | 一种基于多特征量的故障研判方法 | |
| CN114994230B (zh) | 主变压器油色谱异常的确定方法、装置和存储介质 | |
| CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
| CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
| Qi et al. | Rapid transformer health state recognition through canopy cluster-merging of dissolved gas data in high-dimensional space | |
| Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
| CN114113868A (zh) | 一种变压器故障诊断方法 | |
| CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
| Wang et al. | Free Probability Theory Based Event Detection for Power Grids using IoT-Enabled Measurements | |
| Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
| CN116821834B (zh) | 基于内嵌传感器的真空断路器检修管理系统 | |
| CN116304776B (zh) | 基于k-Means算法的电网数据值异常检测方法及系统 | |
| Wang et al. | Anomaly monitoring in high-density data centers based on gaussian distribution anomaly detection algorithm | |
| Zhang et al. | Abnormal identification of dissolved gas in oil monitoring device based on multivariate statistical process monitoring | |
| Shi et al. | Wind Turbine Condition Monitoring Based on Variable Importance of Random Forest | |
| Guo et al. | Fault Identification Model of Dry-Type Air-Core Reactor Based on Fault Feature Extraction and Ensemble Learning | |
| Li et al. | A Multiple Anomaly Detection Scheme and Random Forest Algorithm for Identifying the Incipient Faults in Transmission Network |
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 |