【技术实现步骤摘要】
本专利技术涉及变电站监测，特别是涉及一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法。
技术介绍
1、变电站作为电能传输的枢纽，是利用电气设备对变电站进行智能控制和管理。对变电站设备运维巡检是设备全过程管控和安全保障的根本，任何未及时发现的设备缺陷都可能导致不同等级的电力事故，因此提高变电站的稳定和可靠性至关重要。由于变电站长期处于高负荷运行状态，设备老化等问题经常造成停电事故，影响供水稳定性和安全保供。
2、目前我国变电站巡检主要是以传统的人工智能巡检为主，存在诸多弊端，对运维人员要求较高，从业门槛高、工作强度大，对人力投入有很高要求且部分变电站所处的环境因素较复杂，增加了人工巡检的难度。随着人工智能的发展，急需开展变电站电气设备的状态预警，保障电气设备的安全稳定运行。
3、cn202010237204.2公开了一种变电站电气设备状态监测与诊断系统，包括数据采集模块，用于对变电站电气设备状态数据进行采集；数据分层处理模块，用于对数据采集模块采集到的数据进行处理，并根据处理结果进行异常状态识别。而采用异常诊断专家库存在以下缺点：①学习知识获取困难：异常诊断专家库需要依赖专业领域的知识和经验来构建，然而获取这些知识和经验可能需要大量的时间和资源投入，而且通常只能依靠有经验的专家来进行。②知识更新困难：一旦异常诊断专家库建立起来，如果领域内的知识或经验发生变化，更新和维护专家库可能需要大量的时间和资源投入。
技术实现思路
1、本专利技
2、为了实现本专利技术的上述目的，本专利技术提供了一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，包括以下步骤：
3、s1，采集水厂变电站电力设备异常时的数据，然后进行数据清洗、去重、标准化和归一化；
4、s2，将归一化后的电力设备的异常数据通过bi-kmeans算法进行聚类处理；
5、s3，采用线性判别分析(lda)对聚类得到的特征进行降维操作；
6、s4，将线性判别分析处理后的数据作为kelm的输入，对kelm进行模型训练；
7、s5，将待测的水厂变电站异常数据输入训练完毕的kelm，对变电站电气设备故障进行诊断，得到故障诊断结果。
8、进一步地，所述s1中的数据为电力系统的实时参数，包括电流、电压、功率因数、有功功率和无功功率。
9、进一步地，所述标准化为：
10、
11、其中x′i为x标准化后某一行的特征；
12、xi为x中某一行的特征；
13、μi为xi均值；
14、σi为xi标准差；
15、x为变电站电气设备故障数据集；
16、
17、其中，xnm表示第n个数据集的第m个故障特征；
18、表示第m种故障特征xm的转置；
19、n代表数据集的总数量；
20、m代表故障特征总数量。
21、进一步地，将归一化后的电力设备的异常数据通过bi-kmeans算法进行聚类处理包括以下步骤：
22、s21，初始化：首先确定电力设备数据聚类数量k，在m个电力设备数据样本中随机选取k个经标准化归一化处理后的电力设备故障数据样本xk，作为初始聚类中心将整个数据集视为一个簇。
23、s22，计算当前簇的中心点b，作为该簇的代表；
24、s23，将当前簇分成两个子簇，然后使用kmeans算法进行划分；
25、s24，计算划分后的两个子簇与原始族的误差平方和，作为衡量划分效果的指标；
26、s25，选择误差最小的子簇作为当前簇，更新簇的中心点；
27、s26，如果满足停止条件，则结束算法得到电力设备数据聚类结果；否则，返回步骤s23；
28、其中聚类数量k与电力设备数据聚类效果密切相关，采用有效指数度量法确定k，当k>1时，获取最佳的电力设备数据聚类结果为：
29、
30、其中，v(k)表示对应电力设备数据聚类k的有效指数；
31、||是绝对值符号；
32、xi是电力数据样本；
33、i和l为同类型故障的两种不同的电力设备数据，其聚类结果分别是ci和cl，其对应聚类中心分别是bi、bl。
34、进一步地，采用线性判别分析对聚类得到的特征进行降维操作，包括以下步骤；
35、s31，对于每一类别，计算d维的均值向量，这个均值向量储存了类别中样本的特征均值，不是一个值，而是一个向量，包含了每一个特征的均值；
36、s32，构造类间的散布矩阵sb以及类内的散布矩阵sw；
37、s33，计算sw、sb的特征值及对应的特征向量；
38、s34，选取前k个特征值所对应的特征向量，构造一个d×k维的最优投影矩阵w，其中特征向量以列的形式排列；
39、s35，使用最优投影矩阵w将样本映射到特征子空间上，从而实现了降维。
40、进一步地，在kelm隐藏层和输出层之间引入核函数，度量样本之间的相似度，并用mercer条件定义核矩阵；其中核函数选取偏非线性的径向基函数(rbf)。
41、进一步地，在kelm进行模型训练之前，采用改进的麻雀搜索算法(ssa)得到kelm中最优的模型参数，权值w和阈值b；所述改进的麻雀搜索算法包括：
42、采用circle映射进行麻雀种群的初始化：
43、
44、其中zn+1表示更新后麻雀个体位置；
45、zn表示更新前麻雀个体位置；
46、mod表示取余运算。
47、进一步地，所述改进的麻雀搜索算法还包括：
48、采用樽海鞘群算法策略更新发现者的位置，如下式：
49、
50、其中t为迭代次数；
51、zi,j表示所在位置第i个麻雀在第j维；
52、itemmax为最大迭代次数；
53、α是一个随机数；
54、q为正态分布的随机数；
55、r2代表预警值；
56、st代表安全值；
57、tmax表示最大迭代次数；
58、ub代表搜索空间的下界；
59、lb代表搜索空间的上界；
60、c2、c3为[0,1]之间的随机数。
61、进一步地，所述改进的麻雀搜索算法还包括：
62、采用莱维飞行策略对加入者位置更新，公式如下：
63、
64、其中ρ表示步长控制，控制步长权重取为0.01；
65、q为正态分布的随机数；
66、levy(本文档来自技高网...
【技术保护点】
1.一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，所述S1中的数据为电力系统的实时参数，包括电流、电压、功率因数、有功功率和无功功率。
3.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，所述标准化为：
4.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，将归一化后的电力设备的异常数据通过bi-kmeans算法进行聚类处理包括以下步骤：
5.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，采用线性判别分析对聚类得到的特征进行降维操作，包括以下步骤；
6.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，在KE
7.根据权利要求1所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，在KELM进行模型训练之前，采用改进的麻雀搜索算法得到KELM中最优的模型参数，权值w和阈值b；所述改进的麻雀搜索算法包括：
8.根据权利要求7所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，所述改进的麻雀搜索算法还包括：
9.根据权利要求7所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，所述改进的麻雀搜索算法还包括：
10.根据权利要求9所述的一种基于bi-kmeans-LDA-KELM的水厂变电站电气设备故障诊断方法，其特征在于，莱维飞行策略的莱维分布通过Mantegna算法实现，将其步长定义为levy(d)，并根据下式来计算：
...【技术特征摘要】
1.一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，其特征在于，所述s1中的数据为电力系统的实时参数，包括电流、电压、功率因数、有功功率和无功功率。
3.根据权利要求1所述的一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，其特征在于，所述标准化为：
4.根据权利要求1所述的一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，其特征在于，将归一化后的电力设备的异常数据通过bi-kmeans算法进行聚类处理包括以下步骤：
5.根据权利要求1所述的一种基于bi-kmeans-lda-kelm的水厂变电站电气设备故障诊断方法，其特征在于，采用线性判别分析对聚类得到的特征进行降维操作，包括以下步骤；
6.根据权利要求1所述的一种基于bi-kmeans-lda-kelm的水厂变电站电气...
【专利技术属性】
技术研发人员：叶晓健，蒋马利，胡侃，石鲁娜，谭浩川，孟元冬，宋明明，盛伊婷，
申请(专利权)人：无锡市水务集团有限公司，
类型：发明
国别省市：
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。