基于改进仿射传播聚类的高压断路器故障诊断方法技术

本发明专利技术提供一种基于改进仿射传播聚类的高压断路器故障诊断方法，包括下列步骤：(1)收集训练样本数据；(2)应用改进仿射传播聚类算法对训练样本集合X进行聚类，计算过程如下：确定聚类算法内的相关参数；构造相似度矩阵；将相似度矩阵作为输入数据进行仿射传播聚类；计算聚类结果综合评估指标，包含聚类密集性指标和聚类临近性指标；在所有的聚类结果中，选择综合评估指标最小时对应的聚类结果作为最优聚类结果，从而获得最优聚类中心及最优宽度系数；(3)判断测试样本故障类别。

【技术实现步骤摘要】
基于改进仿射传播聚类的高压断路器故障诊断方法
本专利技术涉及电气设备及电气工程领域,尤其涉及一种基于改进仿射传播聚类的高压断路器故障诊断方法。
技术介绍
高压断路器是由保护与控制装置驱动去隔离故障元件的关键设备，在电力系统中起着保护与控制双重作用，是最重要的电力设备之一。断路器的不正确动作会引发电网事故或扩大事故范围，甚至导致电力系统瓦解，造成重大经济损失，因此对其进行在线监测与故障诊断对于提升电网运行的可靠性与稳定性具有现实意义。调查报告显示，造成断路器故障的原因很多，其中机械故障(包括操作机构和控制回路)占全部故障的80％以上。而断路器跳/合闸线圈电流信号提取方式简单同时不会降低原有设备的可靠性。并且分析线圈电流特征可以有效识别断路器控制回路和操作机构中出现的各类故障征兆。近年来，越来越多先进的智能算法已被用于实现各种电力设备的故障诊断，也为断路器的故障诊断提供了一种新的途径。但是，应用智能算法需要提前收集完备的线圈电流训练样本。而目前可收集到的断路器故障样本数量较少，且很难收集到所有可能发生的故障类别的样本。因此现有的断路器故障诊断方法在小样本条件下诊断正确率不高。同时已有的诊断方法大多基于监督学习算法，这类算法只能诊断训练样本中已经包含的故障类别，当遇到训练样本中所不包含的未知故障样本时，会错误的将其归类到某一种已知故障类中。因此，研究具有更高适用性与准确性的断路器故障诊断方法，对保证电力系统安全稳定运行具有十分重要的意义。
技术实现思路
针对上述问题，本专利技术提出一种基于改进仿射传播聚类的高压断路器故障诊断方法。本方法首先应用改进的仿射传播聚类算法对线圈电流训练样本进行聚类，获得高质量的聚类个数与聚类中心。并通过计算待测样本与各聚类中心的相似度，判断该样本属于正常、某一类已知故障或是一种未知故障类别。不仅克服了传统方法无法有效识别未知故障的不足，而且在小样本条件下仍具有较高的诊断准确率。为实现上述目的，本专利技术采取以下技术方案：一种基于改进仿射传播聚类的高压断路器故障诊断方法，包括下列步骤：(1)收集训练样本数据收集断路器正常和各类故障状态下的线圈电流波形特征值样本共n个组成训练样本集合X＝{x1,x2,……,xn}；(2)应用改进仿射传播聚类算法对训练样本集合X进行聚类，计算过程如下：(2.1)确定聚类算法内的相关参数：确定样本集合X中的样本个数N以及各样本维度m；确定首选项p的扫描空间与扫描步长pstep；宽度系数σ的扫描空间与扫描步长σstep；确定仿射传播聚类最大迭代次数T；聚类阻尼因子η；确定高斯常数σs，评估指标权重ζ；(2.2)构造相似度矩阵基于样本集合X与参数pl、σl根据下式构造相似度矩阵Sl，其中pl为首选项p的扫描空间中某一步的取值，σl为宽度系数σ扫描空间中的某一步取值：式中d(x1,x2)为样本x1与x2间的欧式距离；(2.3)将相似度矩阵作为输入数据进行仿射传播聚类，对Sl进行聚类；(2.4)计算聚类结果综合评估指标聚类结果综合评价指标Ocq表示为：Ocq＝ξ×Cmp+(1-ξ)×Sep式中：Cmp是聚类密集性指标；Sep是聚类临近性指标；ζ是平衡聚类密集性与聚类临近性的权重，Ocq越小代表聚类中心与结果质量越高；聚类结果ch的聚类密集性指标表示为：其中C是聚类个数，var(X)为簇内方差，计算公式为：其中，是X的均值，D是矢量之间的距离，计算公式为：其中x1k是x1中第k个特征量，x2k是x2中第k个特征量聚类结果ch的聚类临近性Sep指标表示为：其中为σs高斯常数，oi为聚类ci的聚类中心；在所有的聚类结果中，选择综合评估指标最小时对应的聚类结果作为最优聚类结果，从而获得最优聚类中心及最优宽度系数；(3)判断测试样本故障类别计算测试样本与各个最优聚类中心的相似度；若相似度结果中最大值小于预定阀值则确定其属于训练样本中不包含的未知故障；若相似度结果中最大值大于预定阀值则可确定该训练样本属于相似度结果最大值对应的聚类中心所表示的故障类别。本专利技术针对传统断路器故障诊断方法存在的缺陷，提出了一种基于改进仿射传播聚类的高压断路器故障诊断方法。与现有技术相比具有以下优点：(1)本专利技术方法基于断路器跳/合闸线圈电流特征进行故障诊断。相较于其他方法，线圈电流信号采集较为容易，且精确度高，其特征可以更为有效地反应断路器运行状态。同时通过对原有聚类算法的改进，使其在处理线圈电流训练样本时聚类效果更好，聚类准确率与聚类中心质量均得到提高。(2)与现有方法相比，本专利技术方法在断路器线圈电流训练样本数量较少的情况下，诊断准确率更高。(3)本专利技术方法克服了传统方法无法有效识别训练样本中所不包含的未知故障类别样本的缺陷。附图说明图1断路器跳/合闸操作过程中的线圈电流波形与特征值示意图。图2改进仿射传播聚类算法流程图。图3基于改进仿射传播聚类算法的故障诊断流程图。图4不含未知故障样本时本文方法与传统监督学习算法的故障诊断结果对比图。图5含未知故障样本时本文方法与传统监督学习算法的故障诊断结果对比图。图中标号说明：图1中t0为线圈电流开始上升时刻，t1与I1分别是线圈电流波形中第一个波峰的时刻与电流大小，t2与I2分别是线圈电流波形中第一个波谷的时刻与电流大小，t3与I3分别是线圈电流波形中停止上升时刻与该时刻的电流大小，t4是线圈电流停止上升之后开始下降的时刻，t4是线圈电流下降为0的时刻。图2中X是线圈电流特征量训练样本集合，i是迭代次数，S是相似度矩阵，Ocq是聚类结果综合评价指标图3中C是最优聚类个数，oi为各聚类中心，ρi为测试样本x与oi的相似度系数。λ为阀值常数。具体实施方式下面结合附图和实施例对本专利技术的进行详细的描述。一种基于改进仿射传播聚类的高压断路器故障诊断方法，主要利用待测断路器线圈电流特征量样本与由改进仿射传播聚类生成的高质量聚类中心样本比较相似度实现断路器故障种类的判别，其具体步骤如下：(1)收集训练样本如图1所示，本实施例中每一个断路器跳/合闸操作过程中的线圈电流波形样本包含8个特征量，其中包括3个电流特征量与5个时间特征量。其中t0为线圈电流开始上升时刻，t1与I1分别是线圈电流波形中第一个波峰的时刻与电流大小，t2与I2分别是线圈电流波形中第一个波谷的时刻与电流大小，t3与I3分别是线圈电流波形中停止上升时刻与该时刻的电流大小，t4是线圈电流停止上升之后开始下降的时刻，t4是线圈电流下降为0的时刻。收集正常与各类故障下的断路器线圈电流特征量样本共n个组成训练样本集合X＝{x1,x2,……,xn}。(2)应用改进仿射传播聚类算法对训练样本集合X进行聚类，计算过程如下：(2.1)聚类相关本文档来自技高网...

【技术保护点】
1.一种基于改进仿射传播聚类的高压断路器故障诊断方法，包括下列步骤：/n(1)收集训练样本数据/n收集断路器正常和各类故障状态下的线圈电流波形特征值样本共n个组成训练样本集合X＝{x

【技术特征摘要】
1.一种基于改进仿射传播聚类的高压断路器故障诊断方法，包括下列步骤：
(1)收集训练样本数据
收集断路器正常和各类故障状态下的线圈电流波形特征值样本共n个组成训练样本集合X＝{x1，x2，……，xn}。
(2)应用改进仿射传播聚类算法对训练样本集合X进行聚类，计算过程如下：
(2.1)确定聚类算法内的相关参数：
确定样本集合X中的样本个数N以及各样本维度m；确定首选项p的扫描空间与扫描步长pstep；宽度系数σ的扫描空间与扫描步长σstep；确定仿射传播聚类最大迭代次数T；聚类阻尼因子η；确定高斯常数σs，评估指标权重ζ；
(2.2)构造相似度矩阵
基于样本集合X与参数pl、σl根据下式构造相似度矩阵Sl，其中pl为首选项p的扫描空间中某一步的取值，σl为宽度系数σ扫描空间中的某一步取值：



式中d(x1，x2)为样本x1与x2间的欧式距离；
(2.3)将相似度矩阵作为输入数据进行仿射传播聚类，对Sl进行聚类；
(2.4)计算聚类结果综合评估指标
聚类结果综合评价指标Ocq表示...

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