[發明專利]基于PSO-SVM和人工免疫算法的油浸式電抗器故障診斷方法、裝置及系統

在審

• 申請號: 201811234607.0
• 申請日: 2018-10-23
• 公開（公告）號: CN109490661A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 郝寶欣;陳軒;譚風雷;潘信誠;馬宏忠
• 申請（專利權）人: 國網江蘇省電力有限公司檢修分公司;河海大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G01N33/00;G06K9/62;G06N3/00;G06N3/12
• 代理公司: 宿遷市永泰睿博知識產權代理事務所(普通合伙) 32264
• 代理人: 陳臣

1.一種基于PSO-SVM和人工免疫算法的油浸式電抗器故障診斷方法，其特征在于，包括：獲取PSO-SVM二分類模型，其中，所述PSO-SVM二分類模型中的SVM的核函數參數經過粒子群算法優化；

獲取設定的電抗器相關數據，利用人工免疫算法訓練不同類型的故障抗體集，生成最佳記憶抗體集；

基于所述最佳記憶抗體集，通過所述PSO-SVM二分類模型判斷新樣本故障狀態；

若判斷出新樣本處于故障狀態，則通過k近鄰綜合決策法對電抗器故障類型進行深度診斷。

2.根據權利要求1所述的一種基于PSO-SVM和人工免疫算法的油浸式電抗器故障診斷方法，其特征在于：所述PSO-SVM二分類模型的建立過程包括以下子步驟：

獲取電抗器相關數據并建立數據庫，構成PSO-SVM二分類模型的訓練集與測試集；

采用高斯徑向基核函數作為支持向量機的核函數k(X,Y)，定義如下：

式中，|X-Y|表示兩個向量之間的距離；σ是不為0的常數；

基于所述訓練集和測試集，采用粒子群算法對高斯徑向基核函數參數σ進行優化，使得支持向量機分類準確率η最高，獲得最優σ的取值；

基于上述步驟，建立PSO-SVM二分類模型。

3.根據權利要求1或2所述的一種基于PSO-SVM和人工免疫算法的油浸式電抗器故障診斷方法，其特征在于：所述獲取設定的電抗器相關數據，用于訓練不同類型的故障抗體集，生成最佳記憶抗體集，具體包括以下步驟：

獲取設定的電抗器相關數據；

對所述電抗器相關數據進行歸一化處理，并對歸一化處理后的數據進行編碼后作為抗體；

將已有的電抗器故障類型樣本作為疫苗集，與隨機選擇的抗體集共同構成初始抗體集；選取設定數目組故障樣本分為訓練抗體集與訓練抗原集；

采用灰關聯度原則計算所述訓練抗原集與初始抗體集中抗體的親和力；

基于所述親和力對訓練抗體集進行克隆操作、變異操作以及免疫抑制，得到最佳記憶抗體集。

4.根據權利要求3所述的一種基于PSO-SVM和人工免疫算法的油浸式電抗器故障診斷方法，其特征在于：采用灰關聯度原則計算所述訓練抗原集與初始抗體集中抗體的親和力，具體包括以下步驟：

設X₀為訓練抗原集中的抗原，X₁～X_N為初始抗體集中的抗體，所述親和力計算步驟如下：

a.對數據序列進行初值化，具體包括：

初值化的抗體X_i'為：

X_i＝[x_i(1),x_i(2),x_i(3),x_i(4),x_i(5)]i＝1…N

初值化的抗原為X₀'＝[x₀'(1),x₀'(2),…,x₀'(5)]；

b.求差序列：

Δ_i(k)＝|x'₀(1)-x'_i(1)|

Δ_i＝(Δ_i(1),Δ_i(2),…Δ_i(5))

c.求兩極最大差與最小差，記為：

d.求關聯系數：

e.計算關聯度：

通過分析數列的形狀來判斷相似度，形狀越接近，相似度就越高，關聯度是衡量形狀相似度的指標，相似度就等價于親和力。