[發明專利]融合否定選擇算法和徑向基函數的電力設備診斷方法

在審

• 申請號: 202010809615.4
• 申請日: 2020-08-13
• 公開（公告）號: CN111931855A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 張述杰;王建訓;黃凱;苗軍;高明;孫振;路玉軍;朱民強;李堯;李帥;趙曉東;郭路宣;劉華玲
• 申請（專利權）人: 國網山東省電力公司淄博供電公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 淄博市眾朗知識產權代理事務所(特殊普通合伙) 37316
• 代理人: 程強強

本發明涉及人工智能技術領域，特別是涉及一種融合否定選擇算法和徑向基函數的電力設備診斷方法；包括如下步驟：步驟S1，通過否定選擇算法對故障數據進行預處理，并分類出不同的故障樣本；步驟S2，通過徑向基神經網絡函數進行機器學習算法，實現配電設備的故障診斷；通過否定選擇算法對故障數據進行預處理，并分類出不同的故障樣本，通過徑向基神經網絡函數進行機器學習，最終實現配電設備的故障診斷。

技術領域

本發明涉及人工智能技術領域，特別是涉及一種融合否定選擇算法和徑向基函數的電力設備診斷方法。

背景技術

目前存在的故障診斷方法，總會存在自身的局限性，所以不能單純的單一診斷技術解決所有的問題。基于專家系統的故障診斷通過學習多專家知識對隨機事件進行診斷，但是知識獲取困難、知識庫更新能力差、多個領域專家知識之間的矛盾難于處理、現有的邏輯理論的表達能力和處理能力有很大的局限性，使得基于規則的專家系統有很大的局限性。基于人工神經網絡的故障診斷具備非線性大規模并行分布處理、自組織、自學習能力，但其自身學習需要典型的故障樣本，電力設備的故障數據采集困難，且不容易進行故障分類。

發明內容

本發明的目的是提供一種融合否定選擇算法和徑向基函數的電力設備診斷方法，通過否定選擇算法對故障數據進行預處理，并分類出不同的故障樣本，通過徑向基神經網絡函數進行機器學習，最終實現配電設備的故障診斷。

為解決上述技術問題，本發明提供了如下技術方案：

一種融合否定選擇算法和徑向基函數的電力設備診斷方法，包括如下步驟：

步驟S1，通過否定選擇算法對故障數據進行預處理，并分類出不同的故障樣本；

步驟S2，通過徑向基神經網絡函數進行機器學習算法，實現配電設備的故障診斷。

優選地，步驟S1包括如下步驟：

步驟S101，將自體樣本S進行歸一化處理，產生隨機樣本X；

步驟S102，計算隨機樣本中的不定半徑的實值向量檢測器與每個檢測器DI的歐式距離Dd；

步驟S103，當歐氏距離Dd大于檢測器檢測半徑時，計算隨機樣本X與每個自體樣本Si的歐式距離d；

步驟S104，計算d的最小距離min_d；

步驟S105，如果最小距離min_d大于自體半徑rs時，執行步驟S106；如果最小距離min_d小于自體半徑rs時，執行步驟S107；

步驟S106，檢測半徑r為min_d-rs，當r大于0時，將樣本X放入集合器集合D中，當r小于0時，將產生新的隨機樣本X；

步驟S107，將樣本X放入集合器集合D中。

優選地，步驟S2包括如下步驟：

步驟S201，利用已有的故障征兆和診斷結果對神經網絡進行離線訓練，使神經網絡通過權值記憶故障征兆與診斷結果之間存在的對應關系；

步驟S202，將得到的故障征兆加到神經網絡的輸入端，利用訓練后的神經網絡進行故障診斷，并得到相應的診斷結果。

優選地，步驟S2中的徑向基神經網絡函數中的為輸入樣本向量與權值向量的距離，傳遞函數，傳遞函數輸入量為與單位向量的差值，輸出值范圍為[0,1]。

與現有技術相比，上述技術方案具有以下優點：

通過否定選擇算法對故障數據進行預處理，并分類出不同的故障樣本，通過徑向基神經網絡函數進行機器學習，最終實現配電設備的故障診斷。

附圖說明