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技术

本发明专利技术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。本发明专利技术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。断和准确识别。断和准确识别。

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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,
…
,C
i
,
…
,C
a
}，C
i
表示GIS局部放电第i类缺陷特征样本集合，并有：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f
max
、脉冲频率最小值f
min
、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：f
i
＝f
min
+(f
max
‑
f
min
)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，f
max
、f
min
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...

【专利技术属性】
技术研发人员：张丕沛，孙景文，汪鹏，王江伟，孙艳迪，孙承海，李杰，师伟，李秀卫，任敬国，辜超，姚金霞，徐冉，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：