基于混合智能算法的断路器故障诊断方法技术

本发明专利技术涉及一种基于混合智能算法的断路器故障诊断方法，包括下列步骤：监测断路器操作回路线圈电流并提取其电流特征量及时间特征量，收集训练样本和测试样本；应用入侵杂草优化算法进行标准状态选取；应用基于标准状态概率分配的连续变量离散化算法进行数据离散化；根据训练样本计算先验概率；计算测试样本属于各个故障类型的后验概率；将测试样本归入后验概率最大的故障类型，得到故障诊断结果。

【技术实现步骤摘要】
基于混合智能算法的断路器故障诊断方法
本专利技术属于电气设备及电气工程

技术介绍
电力系统的安全稳定运行对国民经济的快速发展和社会的正常运行有着重大的意义。断路器的主要作用是：在电力系统发生故障时迅速准确的切除故障线路，从而切断故障电流，防止引发大面积停电等更严重的后果，保证电力系统的安全稳定运行。因此，如果断路器拒动或者误动，电力系统或其中一部分的正常工作将会遭到破坏，并造成对用户少送电或电能质量变坏到不能容许的地步，甚至造成人身伤亡和电气设备的损坏。因此，如何快速准确的对断路器进行故障诊断具有重要的研究意义。已有研究表明，造成断路器的故障原因有很多，其中机械故障(包括操作机构和控制回路)占全部故障的70％～80％。断路器在长期运行过程中二次回路与操作机构的老化会引起故障，例如操作电压过低、合闸开始阶段卡涩、操作机构卡涩等。由于操作回路属于二次回路，电压等级较低且信号采集较为容易，通过监视断路器操作回路线圈电流可以得到断路器内部的信息，因此，研究基于断路器操作回路线圈电流的故障诊断对诊断断路器故障类别，保证电力系统安全稳定运行具有重要意义。
技术实现思路
本专利技术的目的是针对人工智能诊断算法中存在的准确率不高、算法复杂难以实现等问题，通过研究断路器操作回路线圈电流的特征，提出了一种通过贝叶斯分类器进行断路器故障诊断的方法。基于所提贝叶斯分类方法，使用了基于标准状态概率分配的连续变量离散化算法，解决了贝叶斯分类器只适用于离散化变量的问题，同时，使用入侵杂草优化算法进行标准状态选取，得到了最佳标准状态选取方案，以达到快速准确进行断路器故障诊断的目的。技术方案如下：一种基于混合智能算法的断路器故障诊断方法，包括下列步骤：1)监测断路器操作回路线圈电流并提取其电流特征量及时间特征量，收集训练样本和测试样本；2)应用入侵杂草优化算法进行标准状态选取2.1)种群初始化确定初始化种群规模N0和最大种群规模Nmax、最大迭代次数itermax，所求问题维数D，能生成种子数的上限seedmax和下限seedmin，非线性指数n，标准差初始值σinit和最终值σfinal，初始搜索空间最小值xmin和最大值xmax；2.2)适应度函数根据步骤1)所提取的电流特征量及时间特征量，定义方差为适应度函数：式中，e(x)表示按照当前选取的标准状态划分时所属于的标准状态，x表示数据根据当前选取的标准状态进行划分后的数值，θ为一个多维数据，分别表示各个特征量所表征的属性的标准状态选取方法；2.3)繁殖杂草在繁殖过程中所产生的种子数量与杂草的适应度值有关，适应度值越好，繁殖的种子越多，根据下列公式计算种子数m：式中，m表示种子数；f表示当前杂草的适应度值；fmin和fmax分别表示当前种群中杂草的最小适应度值和最大适应度值2.4)空间扩散分布杂草产生的种子按照以0为均值，以σ为标准差的正态分布的方式分布在父代杂草的周围，成长为新一代杂草，每一代的标准差按照下列公式计算：式中，iter表示当前迭代次数；δcur表示当前标准差；n表示非线性调和因子，通常设置为3；2.5)竞争性排斥规则当杂草和后代的数目之和达到预设的最大种群规模Nmax时，算法将执行竞争性排斥规则，对杂草和后代组成的种群中所有个体的适应度值按大小进行排序，保留适应度值高的个体，淘汰其余个体；2.6)终止条件最大迭代次数itermax或者两次相邻两代的适应度函数值不在变化时终止迭代，最终得到标准状态选取方法θ；3)应用基于标准状态概率分配的连续变量离散化算法进行数据离散化；3.1)使用入侵杂草优化算法合理选择标准状态，将数据形成具有区分度的离散化结果；3.2)选出最佳标准状态后，根据所选择的标准状态，计算该属性的标准状态概率分配矩阵Px；4)根据训练样本计算先验概率。5)计算测试样本属于各个故障类型的后验概率。6)将测试样本归入后验概率最大的故障类型，得到故障诊断结果。附图说明图1入侵杂草优化算法流程图图2贝叶斯分类流程图图3故障诊断结果图图4分合闸线圈电流特征波形图具体实施方式贝叶斯算法是以统计学为数学基础的一种概率性方法，对于小规模数据的故障诊断表现良好，能够处理多分类任务朴素贝叶斯分类器是最早的贝叶斯分类方法，其核心思想是选择最高后验概率作为确定类别的指标。该方法假设各条件属性之间是相互独立的，即任意一个条件属性取值的概率完全不受其他条件属性的影响。设有n个断路器监测状态信息，用Xi表示(状态信息为8个特征值)，Xi的取值为xi，其中1≤i≤8且i∈Z，用C表示故障类别变量(划分的故障类型分为六种，分别为正常、操作电压过低、合闸开始阶段有卡涩、操作机构有卡涩、铁芯空行程过大和辅助开关动作接触不良)，C的取值为ci，ci∈{1,2,3,4,5,6}。T代表训练样本，T＝{x1,x2,…,xn,ci}表示训练样本。此时，ci的条件概率可以改写为：因此，根据贝叶斯公式，的后验概率可写为：根据式(4)计算出测试样本对于全部故障类型的后验概率，选择最高后验概率作为确定类别的指标。为了减少离散化过程中数据丢失，使用式(6)计算离散化概率矩阵。故障诊断步骤如下：1)监测断路器操作回路线圈电流并提取其三个电流特征量及五个时间特征量，如图4所示，收集训练样本，格式如表1所示。表1样本数据Table1Sampledata2)应用入侵杂草优化算法进行标准状态选取。2.1)种群初始化确定初始化种群规模N0和最大种群规模Nmax、最大迭代次数itermax，所求问题维数D，能生成种子数的上限seedmax和下限seedmin，非线性指数n，标准差初始值σinit和最终值σfinal，初始搜索空间最小值xmin和最大值xmax。2.2)繁殖杂草在繁殖过程中所产生的种子数量与杂草的适应度值有关，适应度值越好，繁殖的种子越多。因此，不同杂草产生的种子数不是相同的，可以用式(9)计算种子数。2.3)空间扩散分布杂草产生的种子按照以0为均值，以σ为标准差的正态分布的方式分布在父代杂草的周围，成长为新一代杂草。每一代的标准差用式(10)计算。2.4)竞争性排斥规则当杂草和后代的数目之和达到预设的最大种群规模Nmax时，算法将执行竞争性排斥规则，对杂草和后代组成的种群中所有个体的适应度值按大小进行排序，保留适应度值高的个体(相对于优化最大值而言)，淘汰其余个体。先使杂草迅速繁殖和占领适应的田地，然后保留了在相对稳定环境下竞争力更强的杂草继续搜索空间。3)应用基于标准状态概率分配的连续变量离散化算法进行数据离散化。3.1)使用入侵杂草优化算法合理选择标准状态ex＝[ex1,ex2,…,exn]，将数据形成具有区分度的离散化结果。3.2)选出最佳标准状态后，根据所选择的标准状态，计算该属性的标准状态概率分配矩阵Px，Px为m×n阶的矩阵，Px(m,n)表示第m个样本的xi属于第n个标准状态exn的概率。由于一个数据只会以概率分配到两个连续的标准状态上，因此，Px中元素的计算公式为式(11).4)依据下式计算先验概率P(y＝eyj,z＝ezl,…)＝Py(k,j)·Pz(k,l)…5)根据下式计算测试样本属于各个故障类型的后验概率。式中，Px表示故障类别标准状态概率分配矩阵(分配到各个标准状态上的本文档来自技高网...

【技术保护点】
1.一种基于混合智能算法的断路器故障诊断方法，包括下列步骤：1)监测断路器操作回路线圈电流并提取其电流特征量及时间特征量，收集训练样本和测试样本；2)应用入侵杂草优化算法进行标准状态选取2.1)种群初始化确定初始化种群规模N0和最大种群规模Nmax、最大迭代次数itermax，所求问题维数D，能生成种子数的上限seedmax和下限seedmin，非线性指数n，标准差初始值σinit和最终值σfinal，初始搜索空间最小值xmin和最大值xmax；2.2)适应度函数根据步骤1)所提取的电流特征量及时间特征量，定义方差为适应度函数：

【技术特征摘要】
1.一种基于混合智能算法的断路器故障诊断方法，包括下列步骤：1)监测断路器操作回路线圈电流并提取其电流特征量及时间特征量，收集训练样本和测试样本；2)应用入侵杂草优化算法进行标准状态选取2.1)种群初始化确定初始化种群规模N0和最大种群规模Nmax、最大迭代次数itermax，所求问题维数D，能生成种子数的上限seedmax和下限seedmin，非线性指数n，标准差初始值σinit和最终值σfinal，初始搜索空间最小值xmin和最大值xmax；2.2)适应度函数根据步骤1)所提取的电流特征量及时间特征量，定义方差为适应度函数：式中，e(x)表示按照当前选取的标准状态划分时所属于的标准状态，x表示数据根据当前选取的标准状态进行划分后的数值，θ为一个多维数据，分别表示各个特征量所表征的属性的标准状态选取方法；2.3)繁殖杂草在繁殖过程中所产生的种子数量与杂草的适应度值有关，适应度值越好，繁殖的种子越多，根据下列公式计算种子数m.式中，m表示种子数；f表示当前杂草的适应度值；fmin和fmax分别表示当前种群中杂草的最小适应度值...

【专利技术属性】
技术研发人员：李永丽，吴玲玲，卢扬，孙广宇，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12