The invention relates to a fault diagnosis method based on weighted fusion of multi-feature information under spectral clustering analysis. Firstly, the method carries out spectral clustering analysis on the fault equipment, secondly, the reliability of each fault mode is obtained by obtaining the local diagnosis evidence of each SVM, and at the same time, the basic probability is constructed by the local diagnosis hard output decision matrix of each SVM. The basic probability assignment is weighted to obtain the reliability and uncertainty. Finally, the diagnosis is made by setting the diagnosis rules, combining the reliability and uncertainty. Compared with the prior art, the invention considers that the identification of propositions in the identification frame by evidence from different sources has different reliability, reduces the conflict between local diagnoses of each SVM, realizes the effective combination of SVM and improved evidence theory, and solves the problem that the synthetic result caused by the unreliability of identification can not reflect the objective matter. Actual shortcomings.
【技术实现步骤摘要】
基于谱聚类分析下多特征信息加权融合的故障诊断方法
本专利技术涉及电厂设备故障诊断
,尤其是涉及一种基于谱聚类分析下多特征信息加权融合的故障诊断方法。
技术介绍
当电厂设备发生故障时,监控系统会在较短时间内将大量的信息提供给运行人员,其中也包含了大量不必要上传的无用信息,给故障的及时处理带来了严重的阻碍。另外,SCADA/EMS所能提供的信息有限,这些信息并不能完全满足运行人员对故障进行全面分析的需求,保护及开关的误动、拒动,以及因通信信道干扰所造成的信息缺失也均会使基于单一信息源的故障分析的准确性受到严重影响。而随着电厂自动化程度的不断提高以及各种智能电子设备的使用,运行人员可以获得更多的设备信息,且电力通信网的快速发展也使电网故障分析时利用多源信息成为可能。因此,在智能化、规模化的背景下,有效地精简用于故障分析的信息,通过冗余、异构的多信息源数据融合,有效地减小因保护及开关的误动、拒动,以及因信道干扰造成的信息缺失等的影响,将大大有助于运行人员对故障的正确分析,进而保证及时对故障进行处理,从而保障电网的安全、稳定运行,具有现实的社会效益及其明显的经济效益。将SVM与证据理论相结合在多信息融合的故障诊断中进行应用具有较好的应用前景,然而,由于证据合成时将每个证据体都视为同等重要,没有考虑到不同来源的证据对辨识框架中各命题的识别具有不同的可靠性这一事实,这就造成了合成结果不能反映客观事实的缺点。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于谱聚类分析下多特征信息加权融合的故障诊断方法。本专利技术的目的可以通过以下技术方案来 ...
【技术保护点】
1.基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,该方法包括以下步骤:1)对各个电厂故障设备进行判断,若某两个故障设备情况集中,则将二者置于同一分区,否则,采用谱聚类方法对故障设备进行划分,获取多个分区域;2)对各个分区域中的故障设备获取相关系数,并进行正序排序,将绝对值大于设定阈值的相关系数所对应的故障设备作为待诊断目标设备;3)结合SVM局部诊断及改进的证据理论方法,对待诊断目标设备的故障模式计算基本概率分配并进行加权组合,获取可信度和不确定度;4)根据可信度和不确定度对辨识框架中所有故障模式进行诊断。
【技术特征摘要】
1.基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,该方法包括以下步骤:1)对各个电厂故障设备进行判断,若某两个故障设备情况集中,则将二者置于同一分区,否则,采用谱聚类方法对故障设备进行划分,获取多个分区域;2)对各个分区域中的故障设备获取相关系数,并进行正序排序,将绝对值大于设定阈值的相关系数所对应的故障设备作为待诊断目标设备;3)结合SVM局部诊断及改进的证据理论方法,对待诊断目标设备的故障模式计算基本概率分配并进行加权组合,获取可信度和不确定度;4)根据可信度和不确定度对辨识框架中所有故障模式进行诊断。2.根据权利要求1所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,步骤1)具体包括以下步骤:11)将多个故障设备划分为同一样本集合;12)获取样本集合的Markov转移矩阵;13)对Markov转移矩阵进行谱分析,获取故障设备的划分区域数量;14)对样本集合中各个点进行扩散距离计算,确定划分区域。3.根据权利要求2所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,步骤11)的具体内容为:假设有n个故障设备,则需要被划分的样本集合为:X={X1,X2,...,Xi,...,Xn}∈Rm×n式中,Rm×n为实数集,m为矩阵行数,Xi为第i台故障设备中通过对该机组数据Xi(t)进行采样所构成的参数集合,Xi的表达式为:Xi={xi(1),xi(2),...,xi(t),,...,xi(m)}T4.根据权利要求3所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,步骤12)的具体内容为:将各个故障设备对应于高斯权重图的各个顶点,获取两点间的相似矩阵Aij,其表达式为:式中,|xi-xj|2为两点之间的欧几里得距离,σ为尺度参数;则样本集合的Markov转移矩阵Pij为:5.根据权利要求4所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,步骤13)具体包括以下步骤:131)假设某样本集合的Markov转移矩阵为P,对其进行分解:式中,λz为矩阵P的第z个特征值,为λz的左特征向量,ψz为λz的右特征向量;132)若矩阵P有q<n个主要特征值,其中λq<<λq-1,λ1,λ2,...,λq数值相近且趋于数值1,则P的相似矩阵Pq可由前q个特征值和对应特征向量计算;133)若不符合步骤132)情况,但矩阵P相邻特征值之间的差值骤降,即λq-λq+1>>λk-λk+1,q+1≤k≤n,λq+1值小于0.001,则依旧按照步骤132)处理;134)对相似矩阵Pq获取谱分解式:即q为所有故障设备中待划分区域数。6.根据权利要求5所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法,其特征在于,步骤14)的具体内容为:定义映射ψ:其中,ψ为R→R,设任意两故障设备xi与xj之间的扩散距离为:式中,e1、...、en为x1、...、xn对应的单位向量;根据λ1,λ2,...,λq及其特征向量,将xi与xj之间的扩散距离简化:考虑各点间的扩散距离以及分区域数,给出定限值η>0,当D2(xi,xj)≤η...
【专利技术属性】
技术研发人员:茅大钧,黄佳林,黄一枫,张伟,王亚东,
申请(专利权)人:上海电力学院,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。