System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。