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】
本专利技术涉及高压断路器故障诊断的,尤其涉及一种基于多分类算法的故障监测方法。
技术介绍
1、高压断路器是电力系统的关键组件,其在电力系统中起控制(投切负荷)和保护(切断故障)作用,其运行状态直接关系着所在线路的安全与稳定。一方面根据电力系统实际运行需要,高压断路器在电力系统中扮演控制角色,实施对具体线路的投入和切除操作,另一方面高压断路器又在电力系统中扮演保护角色,当系统中出现短路故障时,高压断路器将迅速切断巨大的短路电流以保护整个电力系统免受进一步的伤害。高压断路器一旦发生故障,将直接危害整个电力系统的安全与稳定。
2、高压断路器的分合闸主要是由机械结构完成的,为实现快速动作,机械结构需要传递大功率、重载荷。随着动作次数的增加,高压断路器的机械性能不可避免的会出现劣化情况。一些国内外针对高压断路器可靠性的调查研究表明,机械故障是高压断路器失效的主要因素,且大部分机械故障发生于操动机构中。
3、由于高压断路器本身绝大多数时候处于稳定工作状态,正常样本数据量将远大于故障样本数据,导致不同类别的样本数据严重不平衡。单分类与二分类较为相似,因此在解决不平衡数据分类问题时,研究者们一般将单分类算法用于解决二分类下的不平衡数据分类问题,而很少涉及多分类下的不平衡数据分类问题。高压断路器故障诊断是一个典型的多分类问题,仅基于单个单分类模型无法完成故障类别分类。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本
2、鉴于上述现有基于多分类算法的故障监测方法存在的问题,提出了本专利技术。
3、因此,本专利技术目的是提供一种基于多分类算法的故障监测方法,其基于多分类算法的故障监测方法通过集成了多个基于elm标准极限学习机的改进单分类算法,达到了的提高多种故障状态条件下的诊断精度的效果。
4、为解决上述技术问题,本专利技术提供如下技术方案:一种基于多分类算法的故障监测方法,包括以下步骤:
5、s1、获取高压断路器在多种状态下的监测参数,并提取出特征向量;
6、s2、利用步骤s1中提取到的特征向量,将不同时间下的电流电压数据作为输出值,设置分类模型参数,将故障位置作为特征向量导入值分类参数模型中,生成分类模型;
7、s3、对步骤s2中的多个算法模型的输出进行1-5级程度分级,首先将单分类算法模型中输出的机械故障标记为g,程序故障标记为c,机械故障的等级划分为1-3级,根据故障产生的位置的位置和产生故障的频率进行1-3级分类,多次发生故障和产生故障难以修理的位置标记为3级,程序故障的等级划分为2-5级,根据步骤s1中提取的特征向量的值进行等级标记;
8、s4、采用k最近邻算法进行数据归一化处理,设置日期范围和相同等级的故障标记,使训练误差收敛到预设限值,根据时间段增长和减少调整不同故障标记的数量,分别获得对应的训练模型,所述训练模型分别有不同的分类准确率,选取所述分类准确率最高的所述训练模型作为最终的所述分类模型。
9、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤s1中,所述监测参数的获取途径为固定安装在高压断路器上的多种传感器,所述多种传感器包括振动监测传感器、声传感器、霍尔电流传感器和位移传感器中的多种的组合,所述振动监测传感器和声传感器位于高压断路器的操动机构的横梁处,所述霍尔电流传感器位于分合闸线圈上,所述位移传感器位于分合闸指针上。
10、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤s1中,所述高压断路器的监测参数为与所述多种传感器对应的振动信号、声音信号、线圈电流信号和动触头行程曲线信号中的多种的组合;所述特征向量的提取方式为小波包分解法、信号能量熵法、奇异值法或时频域法中的一种或多种的组合。
11、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤s1中,所述多种状态包括正常工作状态和多种故障状态,所述多种故障状态至少包括基座螺栓松动故障状态、缓冲弹簧疲劳故障状态、传动机构故障状态和合闸弹簧疲劳故障状态。
12、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤s2中,所述单分类算法模型采用基于elm标准极限学习机的改进算法。
13、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:所述改进算法包括如下步骤:
14、a1、通过最小化预测误差求解输出权重;
15、a2、引入核函数k(x,y)代替隐含层的特征映射;
16、a3、通过拒绝一定比例的样本确定决策阈值。
17、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤a2中,所述核函数k(x,y)为线性核函数、多项式核函数、高斯核函数或小波核函数中的一种。
18、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤s3中,所述尺度统一处理包括如下步骤:
19、b1、分别计算每个单分类算法模型的尺度因子;
20、b2、对每个单分类算法模型预测值的尺度进行统一。
21、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤b1中,所述尺度因子的计算公式为:
22、其中,表示当前的单分类算法模型中的样本xi的分类决策值。
23、作为本专利技术所述基于多分类算法的故障监测方法的一种优选方案,其中:在所述步骤b2中,所述尺度统一公式为:
24、本专利技术的有益效果:本专利技术基于多分类算法的故障监测方法通过集成了多个基于elm标准极限学习机的改进单分类算法,达到了的提高多种故障状态条件下的诊断精度的效果。
本文档来自技高网...【技术保护点】
1.一种基于多分类算法的故障监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤S1中,所述监测参数的获取途径为固定安装在高压断路器上的多种传感器,所述多种传感器包括振动监测传感器、声传感器、霍尔电流传感器和位移传感器中的多种的组合,所述振动监测传感器和声传感器位于高压断路器的操动机构的横梁处,所述霍尔电流传感器位于分合闸线圈上,所述位移传感器位于分合闸指针上。
3.根据权利要求2所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤S1中,所述高压断路器的监测参数为与所述多种传感器对应的振动信号、声音信号、线圈电流信号和动触头行程曲线信号中的多种的组合;所述特征向量的提取方式为小波包分解法、信号能量熵法、奇异值法或时频域法中的一种或多种的组合。
4.根据权利要求3所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤S1中,所述多种状态包括正常工作状态和多种故障状态,所述多种故障状态至少包括基座螺栓松动故障状态、缓冲弹簧疲劳故障状态、传动机构故障状态和合闸弹簧疲劳故障状态。
5.根据权利要求1所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤S2中,所述单分类算法模型采用基于ELM标准极限学习机的改进算法。
6.根据权利要求5所述的基于多分类算法的故障监测方法,其特征在于:所述改进算法包括如下步骤:
7.根据权利要求6所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤A2中,所述核函数K(x,y)为线性核函数、多项式核函数、高斯核函数或小波核函数中的一种。
8.根据权利要求1所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤S3中,所述尺度统一处理包括如下步骤:
9.根据权利要求8所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤B1中,所述尺度因子的计算公式为:
10.根据权利要求8所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤B2中,所述尺度统一公式为:
...【技术特征摘要】
1.一种基于多分类算法的故障监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤s1中,所述监测参数的获取途径为固定安装在高压断路器上的多种传感器,所述多种传感器包括振动监测传感器、声传感器、霍尔电流传感器和位移传感器中的多种的组合,所述振动监测传感器和声传感器位于高压断路器的操动机构的横梁处,所述霍尔电流传感器位于分合闸线圈上,所述位移传感器位于分合闸指针上。
3.根据权利要求2所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤s1中,所述高压断路器的监测参数为与所述多种传感器对应的振动信号、声音信号、线圈电流信号和动触头行程曲线信号中的多种的组合;所述特征向量的提取方式为小波包分解法、信号能量熵法、奇异值法或时频域法中的一种或多种的组合。
4.根据权利要求3所述的基于多分类算法的故障监测方法,其特征在于:在所述步骤s1中,所述多种状态包括正常工作状态和多种故障状态,所述多种故障状态至...
【专利技术属性】
技术研发人员:汤振鹏,叶健忠,徐炎斌,余均立,甘建达,任振荣,梁浩泉,岑确富,杜文娇,许巧云,麦荣焕,陈子辉,杨玺,马承志,吕旺燕,钱艺华,赵耀洪,
申请(专利权)人:广东电网有限责任公司江门供电局,
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。