[發明專利]基于HPSO-TSVM的高壓斷路器故障診斷方法

有效

• 申請號: 201910913509.8
• 申請日: 2019-09-25
• 公開（公告）號: CN110703077B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 黃新波;許艷輝;朱永燦;趙隆;田毅
• 申請（專利權）人: 西安工程大學
• 主分類號: G01R31/327
• 分類號: G01R31/327;G01M13/00;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 涂秀清

1.基于HPSO-TSVM的高壓斷路器故障診斷方法，其特征在于，具體按以下步驟實施：

步驟1：選取典型數據樣本，按照4:1的比例分為訓練樣本和測試樣本；

步驟2：提取經步驟1所得的訓練樣本的輸入特征向量，采用改進的F-Score特征選擇算法進行特征選擇，得到一個最佳的特征子集；

步驟3：對經步驟2得到最佳的特征子集樣本作為HPSO-TSVM的訓練樣本進行訓練；

步驟4：利用步驟3建立好的高壓斷路器故障診斷模型對故障數據集中的測試樣本進行分類，統計其分類準確率；

步驟1的具體實施步驟為：

步驟1.1、選取高壓斷路器監測到的數據樣本I₁,I₂,I₃,t₁,t₂,t₃,t₄,t₅作為高壓斷路器故障診斷模型的輸入特征向量，其中，I代表電流，t代表時間；

步驟1.2、對經步驟1.1所得的數據樣本按照4:1的比例分為訓練樣本與測試樣本，訓練樣本用來構建高壓斷路器故障診斷模型，測試樣本則用來測試模型的分類效果；

步驟2的具體實施步驟為：

步驟2.1，提取經步驟1所得的訓練樣本的輸入特征向量，構建訓練樣本集X_k，k＝1,2,3,…,n；

步驟2.2，對經步驟2.1得到訓練樣本集X_k采用改進的F-Score特征選擇算法進行特征選擇，得到一個最佳的特征量子集；

步驟2.2中，改進的F-Score特征選擇算法進行特征選擇的具體步驟如下：

(1)計算訓練樣本集X_k中第i個特征的F-Score值，

式中，表示第i個特征在整個數據集上的平均值；表示在第j類數據集上的平均值；則表示第j類第k個樣本第i個特征的特征值；l是樣本類別數；n_j為第j類樣本個數，其中j＝1,2,…l，l≥2；

(2)對計算得到的F-Score值進行降序排列，F-Score值越大則表明該特征的辨別能力就越強；

(3)根據F-Score排序表，按高低順序逐個將特征加入到建模的輸入特征集合中，得到8個特征子集；

(4)將上述步驟得到的8個特征子集作為構建8個不同的基于HPSO-TSVM的高壓斷路器故障診斷模型的輸入參數，以HPSO-TSVM的分類效果作為評判指標，選取最優的特征子集；

步驟3具體按照以下步驟實施：

步驟3.1，將步驟2得到的最佳的特征子集作為構建基于TSVM的高壓斷路器故障診斷模型的輸入參量，將故障樣本對應的故障類型作為輸出，構建高壓斷路器故障診斷模型TSVM；

步驟3.2，采用HPSO對步驟3.1建立的高壓斷路器故障診斷模型TSVM進行參數優化，從而建立起HPSO-TSVM的高壓斷路器故障診斷模型；

步驟3.1中，構建基于TSVM的高壓斷路器故障診斷模型的步驟如下：

(1)采取混合核函數替換TSVM中高斯核函數，即令TSVM數學模型中的K(x,x_i)為：

K(x,x_i)＝aK₁(x,x_i)+bK₂(x,x_i),a＞0,b＞0 (2)

式(2)中a和b分別表示核函數K₁(x,x_i)和核函數K₂(x,x_i)在混合核函數中所占的比例；其中，x表示當前的測試樣本，x_i表示第i個樣本；

(2)令式(2)中的a≥0,b≤1且a+b＝1，因此式(2)可轉換為如下形式：

K(x,x_i)＝λK₁(x,x_i)+(1-λ)K₂(x,x_i),0≤λ≤1 (3)；

(3)以sigmoid核函數替換核函數K₁，高斯核函數替換核函數K₂，因此混合核函數的最終表達式為：

v和c為sigmoid的兩個參數需要初始設定，δ為高斯徑向基核函數的標準差；

用上述得到混合核函數替換傳統高斯核函數，由此建立起基于TSVM的故障診斷模型；

步驟3.2中，對經步驟3.1建立的TSVM故障診斷模型進行參數優化，混合核參數λ，高斯核參數δ和懲罰參數c_i，i＝1,2的選取對TSVM的性能有很大的影響，HPSO用來對TSVM參數進行選擇，其中粒子由參數c₁，c₂，λ，δ組成，當使用HPSO對TSVM進行參數選擇時，粒子群初始位置X_i(t)＝[X_i,1,X_i,2,…,X_i,N]，i＝1,2,…,m與TSVM參數一一對應；

采用HPSO對步驟3.1建立的高壓斷路器故障診斷模型TSVM進行參數優化的具體步驟如下：

(1)設置sigmoid核函數參數v和c的值，初始化粒子群，隨機初始化N個粒子的速度與位置，設置混合粒子群算法初始參數：最大迭代次為K；設置局部搜索選擇解的個數為L；相關加速系數w₁與w₂，局部調整概率γ，初始迭代次數為k＝0；

(2)將初始化得到的粒子代入TSVM中，對訓練樣本進行分類，以分類錯誤率作為適應度對粒子進行評價，得到每個粒子的初始適應度值fitness：

其中，N_t與N_f分別表示正確分類與錯誤分類的樣本個數；

(3)迭代尋優，根據公式(6)和(7)不斷更新粒子的速度與位置，并計算粒子適應度，并將每個粒子的適應度值與其局部最優解pbest_ij進行比較：如果當前值優于pbest_ij，則將pbest_ij更新為當前位置；如果當前適應度值優于全局最優則將更新為當前位置；

v_ij(k+1)＝w·v_ij(k)+c₁r₁(pbest_ij(k)-p_ij(k))+c₂r₂(gbest_j(k)-p_ij(k)) (6)

p_ij(k+1)＝p_ij(k)+v_ij(k+1) (7)

其中，k為迭代計數器，w為慣性權重，用于平衡全局搜索和局部搜索；r₁和r₂為值域為[0,1]的均勻分布隨機變量；c₁和c₂是正的常數參數，稱為加速度系數；v_ij表示粒子i在第j維的速度；pbest_ij為粒子i在第j維上的局部最優位置，gbest_j為粒子群在j維上的全局最佳位置；gbest_ij(k)表示在k次迭代時粒子群在j維上的全局最佳位置；pbest_ij(k)表示在k次迭代時粒子i在第j維上的局部最優位置；v_ij(k)與v_ij(k+1)分別表示在k次迭代與k+1次迭代時粒子i在第j維的速度，p_ij(k)與p_ij(k+1)分別表示在k次迭代與k+1次迭代時粒子i在第j維所處的局部位置；

為改善標準粒子群算法的優化能力，給出以下慣性權重w的自適應更新公式：

當

其中，V_max為粒子群的最大速度，為粒子群的平均速度，N為粒子群的數目，D為粒子的維度，慣性權重范圍為[0,1]，v_max為單個粒子的最大速度，v_jmax為單個粒子的在第j維上的最大速度，V_i(k)表示第k次迭代時粒子i的速度，w(k)表示第k次迭代時權重w的值；v_ij(k)表示在k次迭代時粒子i在第j維的速度；

除此之外所選擇的個體通過以下方程進行改進:

w₁和w₂為相關加速系數，和gbest_j分別為局部最優解與全局最優解，隨機變量χ～U[0,1],γ為設定的概率閾值；

(4)通過公式k＝k'+1更新迭代次數，在進行局部搜索以后評估每個粒子的新的適應度值，更新個體最優位置和全局最優位置；如果滿足停止準則，則終止HPSO迭代，輸出最優解g_best及相應的適應度，同時獲得全局最優值c₁，c₂，λ,δ，其中，k'為早先迭代次數，k為當前迭代次數。