基于線性判別分析和支持向量機(jī)的斷路器故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及電工技術(shù)領(lǐng)域，特別是一種基于線性判別分析和支持向量機(jī)的斷路器 故障診斷方法。
【背景技術(shù)】
[0002] 隨著全球經(jīng)濟(jì)的快速發(fā)展，生產(chǎn)力水平顯著提高，科技水平不斷提升，在技術(shù)革命 的浪潮推動(dòng)下，電力事業(yè)進(jìn)入了新的發(fā)展階段。電網(wǎng)規(guī)模越來越大，電壓等級越來越高，網(wǎng) 絡(luò)復(fù)雜程度越來越深，運(yùn)些變化在提高電能質(zhì)量的同時(shí)，也對電力系統(tǒng)的安全穩(wěn)定性提出 了進(jìn)一步的要求。在現(xiàn)代化的電網(wǎng)框架下，局部電網(wǎng)的元件故障可能誘發(fā)連鎖反應(yīng)，演變成 大面積停電事故;另一方面，各種自然災(zāi)害可能對線路、設(shè)備乃至整個(gè)電網(wǎng)造成破壞。因此， 對電網(wǎng)中使用的電力設(shè)備進(jìn)行故障診斷技術(shù)研究，及時(shí)預(yù)防停電事故、電網(wǎng)災(zāi)變具有很重 要的意義。
[0003] 目前，江蘇電網(wǎng)已經(jīng)建成并運(yùn)行多座IlOkV數(shù)字化變電站，正在實(shí)施220kV數(shù)字化 變電站的建設(shè)及500kV數(shù)字化變電站的規(guī)劃。智能電網(wǎng)的發(fā)展對電力一次設(shè)備提出了更高 的要求，斷路器是電網(wǎng)中使用最為廣泛的電力設(shè)備，作為重要的控制和保護(hù)開關(guān)，其數(shù)字 化、智能化將是大勢所趨。另一方面，江蘇省特高壓項(xiàng)目紛紛落實(shí)，2014年，500千伏泰州特 高壓站送出工程項(xiàng)目、蘇州特高壓站送出工程項(xiàng)目、南京特高壓站送出工程項(xiàng)目相繼得到 核準(zhǔn)，確保高壓斷路器的安全穩(wěn)定性能是實(shí)現(xiàn)特高壓項(xiàng)目的重要保證。
[0004] 我國對斷路器的檢修始于上個(gè)世紀(jì)50年代，初期W停電試驗(yàn)、定期檢修為主，根據(jù) 定期進(jìn)行預(yù)防性試驗(yàn)，判斷設(shè)備是否老化，估計(jì)設(shè)備剩余壽命，確定是否可W繼續(xù)投入電 網(wǎng)。運(yùn)種檢修手段可W有效減少故障，但缺乏提前性、預(yù)防性，難W發(fā)現(xiàn)設(shè)備的內(nèi)部故障，此 夕h定期檢修需要大量的工作人員，檢修周期長，人力資源負(fù)擔(dān)大，操作失誤概率高，在設(shè)備 的拆解和裝備過程中容易引發(fā)新的故障。隨著電力技術(shù)發(fā)展，運(yùn)種傳統(tǒng)的定期檢修方式逐 步向采用人工智能的狀態(tài)檢修方式進(jìn)化，目前，通過信號傳感器和現(xiàn)代化通信技術(shù)的應(yīng)用， 可W實(shí)現(xiàn)對高壓斷路器狀態(tài)的在線監(jiān)測，有利于研究高壓斷路器的操動(dòng)機(jī)構(gòu)故障和電氣故 障，避免了停電實(shí)驗(yàn)的種種弊端。
[0005] 總之，目前斷路器故障智能診斷領(lǐng)域還有較大的空白，在實(shí)際應(yīng)用中，受到較多方 面的影響，包括:一、在線監(jiān)測系統(tǒng)采用的傳感器精度有限，數(shù)據(jù)存在一定的誤差;二、所需 的特征量種類多，信息量大，處理復(fù)雜;=、數(shù)據(jù)的保存、處理和分析缺乏科學(xué)的數(shù)學(xué)模型， 故障智能診斷準(zhǔn)確度有待提高。因此，如何發(fā)明一種具有較高精度與可靠度的斷路器故障 智能診斷方法成為亟需解決的課題。

【發(fā)明內(nèi)容】

[0006] 線性判別式分析(Xinear Discriminant Analysis ,LDA)，也叫做Fisher線性判別 (Fisher Linear Discriminant,FLD)，是模式識別的經(jīng)典算法。線性鑒別分析的基本思想 是將高維的模式樣本投影到最佳鑒別矢量空間，W達(dá)到抽取分類信息和壓縮特征空間維數(shù) 的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，即模式 在該空間中有最佳的可分離性。因此，它是一種有效的特征抽取方法。
[0007] 支持向量機(jī)（Suppo;rt Vector Machine,SVM)建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和 結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，其根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的 學(xué)習(xí)精度)和學(xué)習(xí)能力（即無錯(cuò)誤地識別任意樣本的能力）之間尋求最佳折衷，W期獲得最 好的推廣能力。SVM是一種非常有潛力的分類技術(shù)，主要應(yīng)用于模式識別領(lǐng)域。
[0008] 本發(fā)明要解決的技術(shù)問題為:通過在線實(shí)時(shí)監(jiān)測操作機(jī)構(gòu)分合閩線圈的電壓、電 流波形數(shù)據(jù)，并基于LDA算法和支持向量機(jī)對電流波形進(jìn)行分析，實(shí)現(xiàn)斷路器故障的診斷， 為電力系統(tǒng)的可靠性和穩(wěn)定性提供保障。
[0009] 本發(fā)明所采取的技術(shù)方案具體為:一種基于線性判別分析和支持向量機(jī)的斷路器 故障診斷方法，其包括W下步驟：
[0010] 步驟一，通過在線監(jiān)測裝置采集斷路器分合閩線圈電流作為故障診斷的數(shù)據(jù)樣 本，所采集的電流數(shù)據(jù)包括斷路器正常運(yùn)行時(shí)的數(shù)據(jù)樣本和故障時(shí)的數(shù)據(jù)樣本;定義斷路 器故障類型數(shù)為n，所采集到的數(shù)據(jù)樣本個(gè)數(shù)為m，相應(yīng)的，數(shù)據(jù)樣本有n類；
[OOW 步驟二從m個(gè)數(shù)據(jù)樣本的每個(gè)樣本中分別提取y個(gè)特征量，形成m行，y列的數(shù)據(jù)樣 本X，并對數(shù)據(jù)樣本X進(jìn)行標(biāo)準(zhǔn)化，形成m行，y列的原始特征矩陣R;
[0012] 步驟S，利用LDA算法對原始特征矩陣R進(jìn)行映射變換，形成具有m行，k列的變換后 特征矩陣R'化勺），同時(shí)得到變換函數(shù)的系數(shù)矩陣W;
[0013] 步驟四，采用兩分類支持向量機(jī)的一對一分類方法，將變換后特征矩陣R'作為支 持向量機(jī)的訓(xùn)練數(shù)據(jù)集，優(yōu)化變換后特征矩陣R'的內(nèi)部參數(shù)，并通過對R'的優(yōu)化過程建立 基于n類訓(xùn)練樣本的n(n-l)/2個(gè)分類器；
[0014] 步驟五，基于步驟=得到的系數(shù)矩陣W和步驟四得到的分類器，對斷路器故障進(jìn)行 診斷，包括W下步驟：
[0015] (51)針對需要進(jìn)行故障診斷的斷路器對象，采集其動(dòng)作一次的分合閩線圈電流， 對采集到的電流信號提取y個(gè)特征量并進(jìn)行標(biāo)準(zhǔn)化后形成原始列向量F，利用步驟=得到的 系數(shù)矩陣W變化，形成一個(gè)k列的列向量F' ；
[0016] (52)將F '分別輸入n(n-l)/2個(gè)支持向量機(jī)進(jìn)行故障診斷，每個(gè)支持向量機(jī)分別輸 出一個(gè)診斷結(jié)果，出現(xiàn)頻率最高的診斷結(jié)果即為最終診斷的斷路器的故障類型。
[0017] 本發(fā)明步驟(51)中，對采集到的電流信號提取y個(gè)特征量并進(jìn)行標(biāo)準(zhǔn)化后形成原 始列向量F，參考步驟二的方法。
[0018] 進(jìn)一步的，本發(fā)明步驟一中，采用霍爾電流傳感器采集斷路器分合閩線圈電流;定 義to時(shí)刻斷路器接收到合閩命令，ti時(shí)刻鐵屯、開始運(yùn)動(dòng)，t2時(shí)刻鐵忍運(yùn)動(dòng)停止，t3時(shí)刻合閩 電流達(dá)到峰值，t4操動(dòng)機(jī)構(gòu)搭扣分離鐵忍再次開始運(yùn)動(dòng)，t5時(shí)刻電流消失為零，所采集的數(shù) 據(jù)包括tl時(shí)刻的線圈電流I2、t2時(shí)刻的線圈電流Il、t3時(shí)刻的線圈電流I3，w及tl、t2、t3、t4、 t5對應(yīng)的時(shí)間參數(shù)。
[0019] 更進(jìn)一步的，本發(fā)明步驟(2)中對數(shù)據(jù)樣本X進(jìn)行標(biāo)準(zhǔn)化時(shí)采用的公式為：
[0020]
[0021] 其中，Xi徒示原始數(shù)據(jù)矩陣X中第i行巧U個(gè)元素，ri徒示標(biāo)準(zhǔn)化后矩陣帥第 列個(gè)元素，
[0022] 步驟=中，利用LDA算法求取變換函數(shù)的系數(shù)矩陣W的方法包括W下步驟：
[0023] (31)輸入原始特征矩陣R，其中訓(xùn)練樣本的種類為n個(gè)，每個(gè)訓(xùn)練樣本的特征量有y 個(gè);用du表示第i類，第j個(gè)訓(xùn)練樣本，其是含有y個(gè)元素的一維向量;m表示屬于第i類的訓(xùn) 練樣本個(gè)數(shù)，則有
[0024] (32)由下式(1)和式(2)計(jì)算出類間離散度矩陣Sb和類內(nèi)離散度矩陣Sw:
[0025] (1)
[0026] ' 似
[0027] 式中：A 為訓(xùn)練樣本中每一類的先驗(yàn)概萄
為所有訓(xùn)練樣本的 平均數(shù)值，
^訓(xùn)練樣本中第i類的平均值；
[0028] (33)LDA的目標(biāo)函數(shù)是：
[0029]
(J、
[0030] 上式中，WT為W的轉(zhuǎn)置矩陣；
[0031] 為了使上式取得最大值，需要求解特征值，由于Sb和Sw為對稱半正定陣，如果Sw是 非奇異矩陣，則對(SwriSb進(jìn)行特征值分解，從而得到式(4)對應(yīng)的特征向量和特征值：
[0032] SbW=ASwW (4)
[0033 ] (34)得出系數(shù)矩陣W，即前k個(gè)特征值所對應(yīng)的特征向量。
[0034] 本發(fā)明的有益效果為：1)從斷路器分合閩時(shí)的線圈電流中提取時(shí)間和電流值作為 特征量，數(shù)據(jù)樣本易于取得且包含較為全面的信息;2)充分利用歷史數(shù)據(jù)，尋找將高維樣本 投影到低維空間的最佳的判別投影向量，并使投影后的樣本類內(nèi)離散度最小，類間離散度 最大，充分利用了 LDA算法在多種樣本模式識別中的優(yōu)勢;3)利用支持向量機(jī)對小樣本數(shù)據(jù) 分類的可靠程度高，可W取得較好的診斷效果。
【附圖說明】
[0035] 圖1所示為本發(fā)明方法流程示意圖；
[0036] 圖2所示為典型斷路器合閩時(shí)線圈電流波形。
【具體實(shí)施方式】
[0037] W下結(jié)合附圖和具體實(shí)施例進(jìn)一步描述。
[0038] 如圖1所示，本發(fā)明基于線性判別分析和支持向量機(jī)的斷路器故障診斷方法，包括 W下步驟：
[0039] 步驟一，通過在線監(jiān)測裝置采集斷路器分合閩線圈電流作為故障診斷的數(shù)據(jù)樣 本，所采集的電流數(shù)據(jù)包括斷路器正常運(yùn)行時(shí)的數(shù)據(jù)樣本和故障時(shí)的數(shù)據(jù)樣本，定義所采 集到的數(shù)據(jù)樣本個(gè)數(shù)為m;
[0040] 步驟二，從m個(gè)數(shù)據(jù)樣本中提取y個(gè)特征量，形成m行，y列的數(shù)據(jù)樣本X，并對數(shù)據(jù)樣 本X進(jìn)行標(biāo)準(zhǔn)化，形成n行，y列的原始特征矩陣R;
[0041 ]步驟S，利用LDA算法對原始特征矩陣R進(jìn)行映射變換，形成具有m行，k列的變換后 特征矩陣R'化勺），同時(shí)得到變換函數(shù)的系數(shù)矩陣W;
[0042] 步驟四，采用兩分類支持向量機(jī)的一對一分類方法，將變換后特征矩陣R'作為支 持向量機(jī)的訓(xùn)練數(shù)據(jù)集，優(yōu)化變換后特征矩陣R'的內(nèi)部參數(shù)，并通過對R'的優(yōu)化過程建立 基于n類訓(xùn)練樣本的n(n-1)/2個(gè)分類器;通過對特征矩陣R '的內(nèi)部參數(shù)的優(yōu)化，可提高分類 器輸出診斷結(jié)果的準(zhǔn)確度；
[0043] 步驟五，基于LDA和支持向量機(jī)的模型，對斷路器故障進(jìn)行診斷：
[0044] (51)當(dāng)需要進(jìn)行故障診斷時(shí)，先提取一組分合閩線圈電流，在提取y個(gè)特征量并進(jìn) 行歸一化后形成原始列向量F，通過系數(shù)矩陣W變化，形成一個(gè)1 X y '的列向量F ' ；
[0045] (52)將F '依次輸入n(n-l)/2個(gè)支持向量機(jī)進(jìn)行故障智能診斷，根據(jù)出現(xiàn)次數(shù)最多 的診斷結(jié)果判斷高壓斷路器的故障類型
[0046] 上述步驟一中，采用霍爾電流傳感器采集斷路器分合閩線圈電流;定義to時(shí)刻斷 路器接收到合閩命令，ti時(shí)刻鐵屯、開始運(yùn)動(dòng)，t2時(shí)刻鐵忍運(yùn)動(dòng)停止，t3時(shí)刻合閩電流達(dá)到峰 值，t4操動(dòng)機(jī)構(gòu)搭扣分離鐵忍再次開始運(yùn)動(dòng)，t