一种基于优化SVM算法的高压断路器故障检测方法及系统与流程

一种基于优化svm算法的高压断路器故障检测方法及系统
技术领域
1.本发明涉及电力设备故障检测技术领域，具体涉及一种基于优化svm算法的高压断路器故障检测方法及系统。


背景技术：

2.高压断路器是电力网关键且昂贵的设备，其正常运行关系到整个电网的安全可靠运行。通过调研可知：高压断路器操作机构和控制回路发生故障的比率占总故障的45％以上。由于操作机构分合闸线圈电流含有丰富的信息，能有效表征操作机构的运行状态，且采集方式为非侵入式，因此高压断路器操作机构分合闸线圈电流波形被广泛用来评估断路器操作机构的运行状态。
3.近年来，随着人工智能、机器学习等理论技术的不断发展，人工神经网络、k近邻分析、支持向量机等机器学习方法在高压断路器故障诊断领域得到广泛应用，并取得较好的效果。分合闸线圈电流蕴藏了丰富的断路器运行状态信息，但目前线圈电流特征提取方法具有提取的特征量存在冗余、线圈电流潜在有效特征信息未充分提取等问题。在实际工况、运行环境等影响下，单从线圈电流峰值、关键时间点等方面提取特征，具有一定的局限性。因此，有必要多角度提取分合闸线圈电流特征，使用特征选择方法筛选维度低、故障分辨力强的特征子集建立高压断路器故障诊断类型。


技术实现要素：

4.针对目前高压断路器故障诊断时线圈电流特征提取方法存在的提取的特征量冗余、线圈电流潜在有效特征信息未充分提取等问题，本发明提供了一种基于优化svm算法的高压断路器故障检测方法及系统，提高了高压断路器故障检测的精度和效率，有效保障电力系统安全稳定运行；多角度提取高压断路器分合闸线圈电流特征并采用拉普拉斯分值法筛选出关键特征，降低了故障特征集合的维度，有利于故障判别与诊断；使用灰狼算法优化支持向量机，有利于构建高效、准确的高压断路器故障检测模型。
5.为了实现上述目的，本发明采用以下技术方案。
6.一种基于优化svm算法的高压断路器故障检测方法，包括以下步骤：步骤s1：从历史高压断路器分合闸线圈电流中提取特征，建立初始故障特征集；步骤s2：采用拉普拉斯分值法从初始故障特征集中筛选出关键特征，获得最优故障特征集；步骤s3：使用灰狼算法优化支持向量机的核函数参数与惩罚因子，根据优化的核函数参数与惩罚因子进行svm建模，获得gwo-svm分类模型；步骤s4：使用最优故障特征集训练gwo-svm分类模型，获得高压断路器故障检测模型；步骤s5：采集并处理实时高压断路器分合闸线圈电流，将处理后的实时数据(即实时高压断路器分合闸线圈电流对应的关键特征)输入高压断路器故障检测模型，所述高压
断路器故障检测模型输出高压断路器故障检测结果；本发明提供了一种基于优化svm算法的高压断路器故障检测方法，多角度提取高压断路器分合闸线圈电流特征，并采用拉普拉斯分值法筛选出维度低、故障分辨力强的特征作为最优故障特征集，去除无关特征，删减冗余特征，降低了故障特征集合的维度，解决了目前线圈电流特征提取方法存在的提取的特征量冗余、线圈电流潜在有效特征信息未充分提取等问题；使用灰狼算法优化支持向量机的核函数参数与惩罚因子，有利于构建高效、准确的高压断路器故障检测模型，提高了高压断路器故障检测的精度和效率，有效保障电力系统安全稳定运行。
7.作为优选，步骤s1中，所述特征包括关键时刻点、电流峰值以及铁芯运动的相对时间跨度、偏度skew、均方根rms、波峰因数cf和形状系数sf。本发明以高压断路器分合闸线圈电流为研究对象，在常用的电流峰值以及关键时间点的基础上，引入统计特征以及铁芯运动不同阶段持续时间来构建故障特征，实现多角度、充分提取高压断路器分合闸线圈电流特征。
8.作为优选，步骤s2的具体过程，包括以下步骤：步骤s21：利用给定的m个数据样本点构造近邻图g；近邻图g是描述样本之间关系的一类图，第i个节点对应xi，第j个节点对应xj；xi和xj存在有边连接和无边连接两种情况，有边连接代表xi和xj之间的距离近，无边连接代表xi和xj之间的距离远；步骤s22：如果数据样本点xi和xj是近邻的，则否则s
ij
＝0，其中σ是常量，s是加权矩阵；步骤s23：通过矩阵s求出与其对应的拉普拉斯矩阵l＝d-s，其中d是根据矩阵s所得的对角矩阵；步骤s24：计算每个特征的拉普拉斯分值其中fi表示数据样本点xi在特征f上的取值，var(f)为特征f的估计方差；通过上式可知其得分越低，特征f越好，并且其局部几何结果信息被保留，有利于故障判别与诊断；步骤s25：将各特征的拉普拉斯分值从小到大排列，选取排在最前的若干个特征组成最优故障特征集；拉普拉斯分值法是一种无监督特征选择算法，基于拉普拉斯特征值映射和局部保持投影，保留特征的局部几何信息。
9.作为优选，步骤s3中，使用灰狼算法优化支持向量机的核函数参数与惩罚因子的具体过程，包括以下步骤：步骤a1：初始化灰狼种群n，随机初始化灰狼的位置，最大迭代次数为t，初始化迭代次数t，令t＝1，随机初始化目标适应度值；步骤a2：根据莱维飞行对灰狼捕食位置进行位置更新；步骤a3：计算每个灰狼个体的适应度值；若新个体的适应度值优于旧个体，则更新新一代个体，由新个体替换原来的位置，并更新适应度值；反之，保留旧个体，原来的适应度值保持不变；步骤a4：根据更新的适应度值计算并更新灰狼算法参数；
步骤a5：若当前迭代次数大于最大迭代次数，输出核函数参数g与惩罚因子c；否则，t＝t+1,返回步骤a2；本发明使用灰狼算法优化支持向量机的核函数参数与惩罚因子，有利于构建高效、准确的高压断路器故障检测模型，提高了高压断路器故障检测的精度和效率，有效保障电力系统安全稳定运行。
10.作为优选，步骤s4中，将最优故障特征集分为训练集和测试集，所述训练集用于训练所述gwo-svm分类模型；所述测试集用于测试所述高压断路器故障检测模型。
11.一种基于优化svm算法的高压断路器故障检测系统，采用上述的一种基于优化svm算法的高压断路器故障检测方法，包括数据收集单元，所述数据收集单元的输入端连接至高压断路器分合闸线圈，数据收集单元的输出端与故障特征筛选单元的输入端连接，所述故障特征筛选单元的输出端与高压断路器故障检测模型生成单元的输入端连接，所述高压断路器故障检测模型生成单元的输出端与高压断路器故障检测单元的输入端连接，所述高压断路器故障检测单元的输入端还与所述故障特征筛选单元的输出端连接。本发明提供了一种基于优化svm算法的高压断路器故障检测系统，包括依次连接的数据收集单元、故障特征筛选单元、高压断路器故障检测模型生成单元和高压断路器故障检测单元，数据收集单元还与高压断路器分合闸线圈连接，高压断路器故障检测单元还与故障特征筛选单元连接，本发明基于高压断路器分合闸线圈电流的关键特征训练获得高压断路器故障检测模型，使用高压断路器故障检测模型实现实时、准确、高效的高压断路器故障检测，有利于保障电力系统安全稳定运行。
12.作为优选，所述数据收集单元用于采集高压断路器分合闸线圈电流并从中提取特征，建立初始故障特征集。数据收集单元从分合闸线圈电流曲线中选取关键时刻点、电流峰值以及铁芯运动的相对时间跨度、偏度skew、均方根rms、波峰因数cf、形状系数sf等特征量，建立一个16维的初始故障特征集。
13.作为优选，所述故障特征筛选单元采用拉普拉斯分值法从初始故障特征集中筛选出关键特征，获得最优故障特征集。基于已建立的初始故障特征集，采用拉普拉斯分值法计算分合闸线圈电流特征分值(即重要度)并排序，依据特征重要程度依次建立低维度的最优故障特征集。
14.作为优选，所述高压断路器故障检测模型生成单元中，使用灰狼算法优化支持向量机并使用最优故障特征集训练优化后的支持向量机生成高压断路器故障检测模型。将保留的重要特征(从历史分合闸线圈电流中提取的关键特征)作为输入，使用训练集建立故障检测模型；采用灰狼算法对其优化，得到最优参数c和g，从而建立最优分类模型；随后利用测试集检验所建模型故障诊断性能。
15.作为优选，所述高压断路器故障检测单元中，将故障特征筛选单元输出的实时高压断路器分合闸线圈电流对应的最优故障特征集作为高压断路器故障检测模型的输入，输出高压断路器故障检测结果。高压断路器故障检测模型生成单元输出高压断路器故障检测模型后，高压断路器故障检测单元将获取的实时分合闸线圈电流重要特征输入高压断路器故障检测模型中，获得故障检测结果，实现实时、准确、高效的高压断路器故障检测。
16.因此，本发明的优点是：(1)多角度提取高压断路器分合闸线圈电流特征，并采用拉普拉斯分值法筛选出
维度低、故障分辨力强的关键特征作为最优故障特征集，去除无关特征，删减冗余特征，降低了故障特征集合的维度，解决了目前线圈电流特征提取方法存在的提取的特征量冗余、线圈电流潜在有效特征信息未充分提取等问题；(2)使用灰狼算法优化支持向量机的核函数参数与惩罚因子，有利于构建高效、准确的高压断路器故障检测模型，提高了高压断路器故障检测的精度和效率，有效保障电力系统安全稳定运行。
附图说明
17.图1是本发明实施例中一种基于优化svm算法的高压断路器故障检测方法的流程图。
18.图2是本发明实施例中一种基于优化svm算法的高压断路器故障检测系统的结构示意图。
19.1、数据收集单元2、故障特征筛选单元3、高压断路器故障检测模型生成单元4、高压断路器故障检测单元。
具体实施方式
20.下面结合附图与具体实施方式对本发明做进一步的描述。
21.一种基于优化svm算法的高压断路器故障检测方法，如图1所示，包括以下步骤：步骤s1：从历史高压断路器分合闸线圈电流中提取特征，建立初始故障特征集；步骤s2：采用拉普拉斯分值法从初始故障特征集中筛选出关键特征，获得最优故障特征集；步骤s3：使用灰狼算法优化支持向量机的核函数参数与惩罚因子，根据优化的核函数参数与惩罚因子进行svm建模，获得gwo-svm分类模型；步骤s4：使用最优故障特征集训练gwo-svm分类模型，获得高压断路器故障检测模型；步骤s5：采集并处理实时高压断路器分合闸线圈电流，将处理后的实时数据(即实时高压断路器分合闸线圈电流对应的关键特征)输入高压断路器故障检测模型，高压断路器故障检测模型输出高压断路器故障检测结果；本实施例提供了一种基于优化svm算法的高压断路器故障检测方法，多角度提取高压断路器分合闸线圈电流特征，并采用拉普拉斯分值法筛选出维度低、故障分辨力强的特征作为最优故障特征集，去除无关特征，删减冗余特征；使用灰狼算法优化支持向量机的核函数参数与惩罚因子，构建高效、准确的高压断路器故障检测模型。
22.步骤s1中，特征包括关键时刻点、电流峰值以及铁芯运动的相对时间跨度、偏度skew、均方根rms、波峰因数cf和形状系数sf。本实施例以高压断路器分合闸线圈电流为研究对象，在常用的电流峰值以及关键时间点的基础上，引入统计特征以及铁芯运动不同阶段持续时间来构建故障特征。
23.步骤s2的具体过程，包括以下步骤：步骤s21：利用给定的m个数据样本点构造近邻图g；近邻图g是描述样本之间关系的一类图，第i个节点对应xi，第j个节点对应xj；xi和xj存在有边连接和无边连接两种情况，
有边连接代表xi和xj之间的距离近，无边连接代表xi和xj之间的距离远；步骤s22：如果数据样本点xi和xj是近邻的，则否则s
ij
＝0，其中σ是常量，s是加权矩阵；步骤s23：通过矩阵s求出与其对应的拉普拉斯矩阵l＝d-s，其中d是根据矩阵s所得的对角矩阵；步骤s24：计算每个特征的拉普拉斯分值其中fi表示数据样本点xi在特征f上的取值，var(f)为特征f的估计方差；通过上式可知其得分越低，特征f越好，并且其局部几何结果信息被保留，有利于故障判别与诊断；步骤s25：将各特征的拉普拉斯分值从小到大排列，选取排在最前的若干个特征组成最优故障特征集。
24.步骤s3中，使用灰狼算法优化支持向量机的核函数参数与惩罚因子的具体过程，包括以下步骤：步骤a1：初始化灰狼种群n，随机初始化灰狼的位置，最大迭代次数为t，初始化迭代次数t，令t＝1，随机初始化目标适应度值；步骤a2：根据莱维飞行对灰狼捕食位置进行位置更新；步骤a3：计算每个灰狼个体的适应度值；若新个体的适应度值优于旧个体，则更新新一代个体，由新个体替换原来的位置，并更新适应度值；反之，保留旧个体，原来的适应度值保持不变；步骤a4：根据更新的适应度值计算并更新灰狼算法参数；步骤a5：若当前迭代次数大于最大迭代次数，输出核函数参数g与惩罚因子c；否则，t＝t+1,返回步骤a2。
25.步骤s4中，将最优故障特征集分为训练集和测试集，训练集用于训练gwo-svm分类模型；测试集用于测试高压断路器故障检测模型。
26.一种基于优化svm算法的高压断路器故障检测系统，采用上述的一种基于优化svm算法的高压断路器故障检测方法，如图2所示，包括数据收集单元1，数据收集单元1的输入端连接至高压断路器分合闸线圈，数据收集单元1的输出端与故障特征筛选单元2的输入端连接，故障特征筛选单元2的输出端与高压断路器故障检测模型生成单元3的输入端连接，高压断路器故障检测模型生成单元3的输出端与高压断路器故障检测单元4的输入端连接，高压断路器故障检测单元4的输入端还与故障特征筛选单元2的输出端连接。本实施例提供了一种基于优化svm算法的高压断路器故障检测系统，包括依次连接的数据收集单元1、故障特征筛选单元2、高压断路器故障检测模型生成单元3和高压断路器故障检测单元4，数据收集单元1还与高压断路器分合闸线圈连接，高压断路器故障检测单元4还与故障特征筛选单元2连接，本实施例基于高压断路器分合闸线圈电流的关键特征训练获得高压断路器故障检测模型，使用高压断路器故障检测模型实现实时、准确、高效的高压断路器故障检测。
27.数据收集单元1用于采集高压断路器分合闸线圈电流并从中提取特征，建立初始故障特征集。数据收集单元1从分合闸线圈电流曲线中选取关键时刻点、电流峰值以及铁芯运动的相对时间跨度、偏度skew、均方根rms、波峰因数cf、形状系数sf等特征量，建立一个
16维的初始故障特征集。
28.故障特征筛选单元2采用拉普拉斯分值法从初始故障特征集中筛选出关键特征，获得最优故障特征集。基于已建立的初始故障特征集，采用拉普拉斯分值法计算分合闸线圈电流特征分值(即重要度)并排序，依据特征重要程度依次建立低维度的最优故障特征集。
29.高压断路器故障检测模型生成单元3中，使用灰狼算法优化支持向量机并使用最优故障特征集训练优化后的支持向量机生成高压断路器故障检测模型。将保留的重要特征(从历史分合闸线圈电流中提取的关键特征)作为输入，使用训练集建立故障检测模型；采用灰狼算法对其优化，得到最优参数c和g，从而建立最优分类模型；随后利用测试集检验所建模型故障诊断性能。
30.高压断路器故障检测单元4中，将故障特征筛选单元2输出的实时高压断路器分合闸线圈电流对应的最优故障特征集作为高压断路器故障检测模型的输入，输出高压断路器故障检测结果。高压断路器故障检测模型生成单元3输出高压断路器故障检测模型后，高压断路器故障检测单元4将获取的实时分合闸线圈电流重要特征输入高压断路器故障检测模型中，获得故障检测结果。
31.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
svm分类模型；所述测试集用于测试所述高压断路器故障检测模型。6.一种基于优化svm算法的高压断路器故障检测系统，采用如权利要求1-5任一项所述的一种基于优化svm算法的高压断路器故障检测方法，其特征在于，包括数据收集单元，所述数据收集单元的输入端连接至高压断路器分合闸线圈，数据收集单元的输出端与故障特征筛选单元的输入端连接，所述故障特征筛选单元的输出端与高压断路器故障检测模型生成单元的输入端连接，所述高压断路器故障检测模型生成单元的输出端与高压断路器故障检测单元的输入端连接，所述高压断路器故障检测单元的输入端还与所述故障特征筛选单元的输出端连接。7.根据权利要求6所述的一种基于优化svm算法的高压断路器故障检测系统，其特征在于，所述数据收集单元用于采集高压断路器分合闸线圈电流并从中提取特征，建立初始故障特征集。8.根据权利要求7所述的一种基于优化svm算法的高压断路器故障检测系统，其特征在于，所述故障特征筛选单元采用拉普拉斯分值法从初始故障特征集中筛选出关键特征，获得最优故障特征集。9.根据权利要求8所述的一种基于优化svm算法的高压断路器故障检测系统，其特征在于，所述高压断路器故障检测模型生成单元中，使用灰狼算法优化支持向量机并使用最优故障特征集训练优化后的支持向量机生成高压断路器故障检测模型。10.根据权利要求8或9所述的一种基于优化svm算法的高压断路器故障检测系统，其特征在于，所述高压断路器故障检测单元中，将故障特征筛选单元输出的实时高压断路器分合闸线圈电流对应的最优故障特征集作为高压断路器故障检测模型的输入，输出高压断路器故障检测结果。

技术总结
本发明公开了一种基于优化SVM算法的高压断路器故障检测方法，多角度提取高压断路器分合闸线圈电流特征并采用拉普拉斯分值法筛选出关键特征，降低了故障特征集合的维度，有利于故障判别与诊断；使用灰狼算法优化支持向量机的核函数参数与惩罚因子，根据优化的核函数参数与惩罚因子进行SVM建模，获得GWO-SVM分类模型；使用最优故障特征集训练GWO-SVM分类模型，构建高效、准确的高压断路器故障检测模型，利用高压断路器故障检测模型实现高压断路器故障检测，提高了高压断路器故障检测的精度和效率，有效保障电力系统安全稳定运行。有效保障电力系统安全稳定运行。有效保障电力系统安全稳定运行。


技术研发人员：孙献春 朱凯元 邹志峰 宿波 陈冰晶 周刚 王洪一 胡海平 李锐锋 姚娟 刘彬 王怡倩 吴钟文 马荣聆 孙晓媛 骆斌
受保护的技术使用者：国网浙江省电力有限公司嘉兴供电公司
技术研发日：2023.05.15
技术公布日：2023/10/19