CN114091334A - 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 - Google Patents
基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 Download PDFInfo
- Publication number
- CN114091334A CN114091334A CN202111372742.3A CN202111372742A CN114091334A CN 114091334 A CN114091334 A CN 114091334A CN 202111372742 A CN202111372742 A CN 202111372742A CN 114091334 A CN114091334 A CN 114091334A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- support vector
- vector machine
- bat
- fitness
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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]
Abstract
本发明公开了一种基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法,其步骤包括:采集特高频局部放电数据,并对数据进行预处理,构建样本库;采用随机初始化的蝙蝠位置坐标构建初始支持向量机模型;使用改进蝙蝠算法优化支持向量机模型,并建立局部放电故障诊断的支持向量机模型;使用建立的局部放电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,加快支持向量机参数寻优的效率,从而实现局部放电故障的自动诊断和准确识别。
Description
技术领域
本发明属于局部放电故障诊断领域,具体的说是一种基于改进蝙蝠算法和支持向量机的局部放电故障分类方法,该诊断方法可以实现局部放电故障类型的准确识别。
背景技术
生产、运输和装配过程中的人为因素可能导致电力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电力设备的故障,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、K近邻(KNN)等算法,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。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,提出一种基于改进蝙蝠算法和支持向量机的局部放电故障分类方法,以期能获得较好的局部放电故障类型的分类效果,从而实现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:基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法,包括以下步骤:
S01)、获取包括a类缺陷的特高频局部放电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,…,Ci,…,Ca},Ci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;
S02)、初始化参数,包括种群大小W、搜索空间D、最大迭代次数T、脉冲频率最大值fmax、脉冲频率最小值fmin、脉冲发射率r、脉冲响度A,构建初始化支持向量机模型;
S03)、采用改进蝙蝠算法和支持向量机相结合的方法对缺陷特征样本训练集进行训练,构建局部放电故障诊断的支持向量机模型;
S04)、利用所述局部放电故障诊断的支持向量机模型对局部放电特高频信号的测试样本集合进行诊断,输出局部放电故障诊断的识别结果。
作为优选方案,步骤S03具体为:
S31)、以局部放电故障诊断准确率作为适应度函数,适应度值最大的为最优解,目前整个蝙蝠群搜索到的全局最优位置为X*=(x1,x2),采用levy飞行特征来替代蝙蝠个体对最佳位置的探寻,位置更新公式如下:
fi=fmin+(fmax-fmin)β,
式中:t为当前的迭代次数,β是在[0,1]区间上均匀分布的随机变量,fmax、fmin为频率的最大值与最小值,X*为当前最优位置,为上次迭代计算的最佳位置,levy(λ)为位置更新时跳跃步长服从levy分布随机搜索向量;λ为1-3之间的尺度参数,表示矢量运算;
S32)、在[0,1]范围产生一个随机数rand1,判断rand1是否大于r,如果是,则从最优解中选择一个解,在选择的解附近形成一个局部解替代当前解,如果否,则使用levy飞行特征对应公式更新蝙蝠当前位置Xnew,
Xnew=Xold+εAt;
ε∈[-1,1],是一个随机数,At是整个群体在同一代中的平均响度
S33)、在[0,1]范围产生一个随机数rand2,判断rand2是否大于A,计算蝙蝠个体新位置Xnew的适应度值f(Xnew)是否优于个体当前自身极值的适应度f(Xold),如果rand<A,并且蝙蝠当前位置得到改善,则飞至更新后的位置在[0,1]范围产生一个随机数rand2,判断rand2是否大于A,计算蝙蝠个体新位置Xnew的适应度值f(Xnew)是否优于个体当前自身极值的适应度f(Xold)。如果rand<A,并且蝙蝠当前位置得到改善,则飞至更新后的位置;
S34)、如果在当前迭代中蝙蝠个体k的适应度f(Xnew)优于全局最优值pgd的适应度f(pgd),就用蝙蝠k的新位置Xnew代替当前最优位置pgd;否则pgd不用更新;
S35)、更新脉冲响度A和脉冲发射速率r:
其中α、γ是衡量,0<α<1,0<γ,ri 0表示蝙蝠i初始脉冲频率;
S36)、如果迭代次数没有达到迭代最大次数T,则返回步骤S31),否则,继续往下一步骤;
S37)、输出全局最优解ped,即支持向量机最优的核函数值,利用最优解构造局部放电故障诊断的支持向量机模型。
进一步的,步骤S02)包括以下两个步骤:
S21)、初始化种群;随机产生W个蝙蝠个体的位置Xi=(xk1,xk2),其速度可以记为向量Vi=(vk1,vk2)
S22)、用蝙蝠个体的位置分别表示支持向量机的核函数参数值c和gamma,构建初始支持向量机模型。
本发明的有益效果:本发明采用一种基于改进蝙蝠算法和支持向量机的局部放电故障分类方法,解决了传统方法寻优参数多、识别效率低的问题,提高了局部放电故障诊断的准确率。相较于传统智能算法优化支持向量机算法的方法,本发明全局寻优能力强,可以更高效、准确地完成GIS故障诊断和识别。
将levy飞行特征引入蝙蝠算法种,用于产生最佳蝙蝠个体位置,在全局最优解的搜索过程中,产生更大范围的寻优和迭代,最大程度地防止蝙蝠个体陷入局部最佳位置,从而在求解速度和收敛精度方面改善蝙蝠算法。
将改进蝙蝠算法引入支持向量机分类器中,通过改进蝙蝠算法对支持向量机分类器进行特征选择并对参数进行优化,具有收敛速度快的优点。解决了该模型中特征冗余、计算量大的问题,提高了支持向量机的分类精度和效率。
附图说明
图1为本发明方法流程示意图。
具体实施方式
本实施例公开一种基于改进蝙蝠算法和支持向量机的局部放电故障分类方法,如图1所示,包括以下步骤:
步骤1、获取包括a类缺陷的特高频局部放电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,…,Ci,…,Ca},Ci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、初始化参数,包括种群大小W、搜索空间D、最大迭代次数T、脉冲频率最大值fmax、脉冲频率最小值fmin、脉冲发射率r、脉冲响度A,构建初始化支持向量机模型;
步骤2.1、初始化种群。随机产生W个蝙蝠个体的位置Xi=(xk1,xk2),其速度可以记为向量Vi=(vk1,vk2);
步骤2.2、用蝙蝠个体的位置分别表示支持向量机的核函数参数值c和gama,构建初始支持向量机模型。
步骤3、采用蝙蝠算法和支持向量机相结合的方法对缺陷特征样本训练集进行训练,构建局部放电故障诊断的支持向量机模型。
步骤3.1、以局部放电故障诊断准确率作为适应度函数,适应度值最大的为最优解。目前整个蝙蝠群搜索到的全局最优位置为X*=(x1,x2)。采用levy飞行特征来替代蝙蝠个体对最佳位置的探寻,位置更新公式如下:
fi=fmin+(fmax-fmin)β
式中:t为当前的迭代次数,β是在[0,1]区间上均匀分布的随机变量。fmax、fmin为频率的最大值与最小值,x*为当前最优位置,levy(λ)为位置更新时跳跃步长服从levy分布随机搜索向量;λ为1-3之间的尺度参数,表示矢量运算。
步骤3.2、在[0,1]范围产生一个随机数rand1,判断rand1是否大于r,如果是,则从最优解中选择一个解,在选择的解附近形成一个局部解替代当前解,如果否,则使用levy飞行特征对应公式更新蝙蝠当前位置Xnew。
Xnew=Xold+εAt。
步骤3.3、在[0,1]范围产生一个随机数rand2,判断rand2是否大于A,计算蝙蝠个体新位置Xnew的适应度值f(Xnew)是否优于个体当前自身极值的适应度f(Xold)。如果rand<A,并且蝙蝠当前位置得到改善,则飞至更新后的位置。
步骤3.4、如果在当前迭代中蝙蝠个体k的适应度f(Xnew)优于全局最优值pgd的适应度f(pgd),就用蝙蝠k的新位置Xnew代替当前最优位置pgd;否则pgd不用更新。
步骤3.5、更新脉冲响度A和脉冲发射速率r,
其中α、γ是衡量,0<α<1,0<γ,ri 0表示蝙蝠i初始脉冲频率。
步骤3.6、如果迭代次数没有达到迭代最大次数T,则返回步骤3.1。否则,继续往下一步骤。
步骤3.7、输出全局最优解ped,即支持向量机最优的核函数值,利用最优解构造局部放电故障诊断的支持向量机模型
步骤4、利用所述局部放电故障诊断的支持向量机模型对局部放电特高频信号的测试样本集合进行诊断,输出局部放电故障诊断的识别结果。
为验证本方法的准确性,同时建立支持向量机(SVM)模型以及在模式识别领域中广泛应用的随机森林(RF)作为对比。
经特高频局部放电实验共采集获得200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150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。
分别采用基于改进蝙蝠算法(MBA)优化的SVM算法、基于粒子群算法(PSO)优化的SVM、RF算法建立3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3种分类器中,MBA-SVM算法的整体识别正确率最高,为97.9%,远高于基础RF模型的89.4%、PSO-SVM模型的92.4%的正确率。同时对比MBA-SVM与PSO-SVM的识别结果可知,MBA-SVM模型比PSO-SVM模型的识别准确率提高了5.5%,证明量蝙蝠算法对于优化支持向量机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。
以上描述的仅是本发明的基本原理和优选实施例,本领域技术人员根据本发明做出的改进和替换,属于本发明的保护范围。
Claims (3)
1.基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法,其特征在于:包括以下步骤:
S01)、获取包括a类缺陷的特高频局部放电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,…,Ci,…,Ca},Ci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;
S02)、初始化参数,包括种群大小W、搜索空间D、最大迭代次数T、脉冲频率最大值fmax、脉冲频率最小值fmin、脉冲发射率r、脉冲响度A,构建初始化支持向量机模型;
S03)、采用改进蝙蝠算法和支持向量机相结合的方法对缺陷特征样本训练集进行训练,构建局部放电故障诊断的支持向量机模型;
S04)、利用所述局部放电故障诊断的支持向量机模型对局部放电特高频信号的测试样本集合进行诊断,输出局部放电故障诊断的识别结果。
2.根据权利要求1所述的基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法,其特征在于:步骤S03)具体为:
S31)、以局部放电故障诊断准确率作为适应度函数,适应度值最大的为最优解,目前整个蝙蝠群搜索到的全局最优位置为X*=(x1,x2),采用levy飞行特征来替代蝙蝠个体对最佳位置的探寻,位置更新公式如下:
fi=fmin+(fmax-fmin)β,
式中:t为当前的迭代次数,β是在[0,1]区间上均匀分布的随机变量,fmax、fmin为频率的最大值与最小值,X*为当前最优位置,为上次迭代计算的最佳位置,levy(λ)为位置更新时跳跃步长服从levy分布随机搜索向量;λ为1-3之间的尺度参数,表示矢量运算;
S32)、在[0,1]范围产生一个随机数rand1,判断rand1是否大于r,如果是,则从最优解中选择一个解,在选择的解附近形成一个局部解替代当前解,如果否,则使用levy飞行特征对应公式更新蝙蝠当前位置Xnew,
Xnew=Xold+εAt;
ε∈[-1,1],是一个随机数,At是整个群体在同一代中的平均响度
S33)、在[0,1]范围产生一个随机数rand2,判断rand2是否大于A,计算蝙蝠个体新位置Xnew的适应度值f(Xnew)是否优于个体当前自身极值的适应度f(Xold),如果rand<A,并且蝙蝠当前位置得到改善,则飞至更新后的位置在[0,1]范围产生一个随机数rand2,判断rand2是否大于A,计算蝙蝠个体新位置Xnew的适应度值f(Xnew)是否优于个体当前自身极值的适应度f(Xold)。如果rand<A,并且蝙蝠当前位置得到改善,则飞至更新后的位置;
S34)、如果在当前迭代中蝙蝠个体k的适应度f(Xnew)优于全局最优值pgd的适应度f(pgd),就用蝙蝠k的新位置Xnew代替当前最优位置pgd;否则pgd不用更新;
S35)、更新脉冲响度A和脉冲发射速率r:
其中α、γ是衡量,0<α<1,0<γ,ri 0表示蝙蝠i初始脉冲频率;
S36)、如果迭代次数没有达到迭代最大次数T,则返回步骤S31),否则,继续往下一步骤;
S37)、输出全局最优解ped,即支持向量机最优的核函数值,利用最优解构造局部放电故障诊断的支持向量机模型。
3.根据权利要求1所述的基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法,其特征在于:步骤S02)包括以下两个步骤:
S21)、初始化种群;随机产生W个蝙蝠个体的位置Xi=(xk1,xk2),其速度可以记为向量Vi=(vk1,vk2)
S22)、用蝙蝠个体的位置分别表示支持向量机的核函数参数值c和gamma,构建初始支持向量机模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372742.3A CN114091334A (zh) | 2021-11-18 | 2021-11-18 | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372742.3A CN114091334A (zh) | 2021-11-18 | 2021-11-18 | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091334A true CN114091334A (zh) | 2022-02-25 |
Family
ID=80301999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111372742.3A Pending CN114091334A (zh) | 2021-11-18 | 2021-11-18 | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091334A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638170A (zh) * | 2022-03-31 | 2022-06-17 | 河北工业大学 | 基于数据挖掘技术的电能计量装置故障诊断方法及系统 |
CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
-
2021
- 2021-11-18 CN CN202111372742.3A patent/CN114091334A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638170A (zh) * | 2022-03-31 | 2022-06-17 | 河北工业大学 | 基于数据挖掘技术的电能计量装置故障诊断方法及系统 |
CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN112364756B (zh) | 一种基于天牛须和随机森林的gis故障分类方法 | |
CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN114091334A (zh) | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 | |
CN107590506A (zh) | 一种基于特征处理的复杂设备故障诊断方法 | |
CN108509976A (zh) | 动物的识别装置和方法 | |
CN109657945A (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN111751714A (zh) | 一种基于svm和hmm的射频模拟电路故障诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN109376626A (zh) | 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 | |
CN113869145A (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
CN115656666A (zh) | 基于随机森林的超特高压换流阀故障检测方法及系统 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN116452542A (zh) | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 | |
Li et al. | Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm | |
CN116595449B (zh) | 基于改进ssa优化支持向量机的异步电机故障诊断方法 | |
CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
Chen et al. | An economic operation analysis method of transformer based on clustering | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN115840116A (zh) | 一种基于gan-cnn的开关柜局放故障模式识别方法 |
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 |