一种基于遗传算法和聚类算法的断路器故障诊断方法与流程

1.本发明涉及故障诊断技术领域，尤其涉及一种基于遗传算法和聚类算法的断路器故障诊断方法。


背景技术：

2.高压断路器是一种重要的电气设备，在电力系统运行过程中可能由于雷击、外力、高温、操作不当等原因发生故障。高压断路器发生故障会影响电力系统的正常运作，因此需要及时识别故障并作出相应对策。
3.目前关于断路器的故障诊断，可用的判据较多，主要包括电压、电流等电信号，声信号，温度信号等等。然而，多数判断方式只涉及一两种判据，只能针对一类或几类故障，在故障诊断中不具有普适性。


技术实现要素：

4.本发明针对现有技术的不足，提供了一种基于遗传算法和聚类算法的断路器故障诊断方法。
5.本发明通过以下技术手段实现解决上述技术问题的：一种基于遗传算法和聚类算法的断路器故障诊断方法，包括以下步骤：
6.s1、采集断路器多元故障外特性数据，进行数据预处理；
7.s2、根据步骤s1预处理得到的断路器多元故障外特性数据，构造多组物理量组合，利用遗传算法对多组物理量组合进行评价；
8.s3、根据步骤s2构造的多组物理量组合，采用遗传算法构造断路器故障多维度判据；
9.s4、根据步骤s3构造的断路器故障多维度判据，通过k-均值聚类法对断路器故障进行判断。
10.进一步的，所述断路器多元故障外特性数据包括断路器正常运行状态及故障状态下相对应的运行数据。
11.进一步的，所述运行数据包括电流、电压、电信号、温度信号、声音信号。
12.进一步的，所述数据预处理，包括对采集的多元故障外特性数据进行数据变换实现数据归一化，剔除离群样本并将数据集成为一个数据库。
13.进一步的，采用遗传算法构造断路器故障多维度判据，具体包括如下步骤：
14.s31、基于步骤s1中经预处理的多元故障外特性数据，随机生成10组初始物理量组合向量作为第一代物理量组合：物理量组合仅包含0和1，向量元素个数与经预处理的多元故障外特性数据中物理量的个数一致，其中0表示该物理量组合中不包含该物理量，1则表示物理量组合中包含该物理量；
15.s32、通过遗传算法中适应度函数对第一代物理量组合做出评价，适应度函数：利用该物理量组合对数据组进行k-均值法聚类分析结果的样本中心与实际分类样本中心差
值的大小；k-均值聚类法计算各组数据与各分类中心的平均距离，分类中心为已知分类中各样本的平均值向量，将该组数据加入到平均距离最小的一组中，并更新该组的分类中心，直至所有数据被分类完成；综上，若实际已知的分类中心向量为对某一物理量组合适应度函数f(x)表示为：
[0016][0017]
其中f(x)越小越好，种群向f(x)减小的方向进行迭代；
[0018]
s33、利用适应度函数对第一代10组物理量进行评价后，取其中适应度最小的五组进行交叉，交叉方式为：在某两个元素中间选取一切点，取父本向量1在切点前的全部元素与父本向量2在切点后的全部元素，组合成新的子向量；
[0019]
s34、引入交叉率的概念：设交叉率为ηc(0＜ηc＜1)，进行交叉前，随机生成一个0～1之间的数i，若i＜ηc，则进行交叉操作，反之，则选取两个父本向量中的任意一个作为下一代子向量，交叉率设定为80％～90％；
[0020]
s35、添加变异算子，设变异率为ηm(0＜ηm＜1)，进行交叉操作时，对子向量的每一个元素随机生成0～1之间的数j，若j＜ηm，则对该元素作非运算，变异率为0.5％～1％；
[0021]
s36、执行步骤s31～s35操作后，一次迭代结束，判断子向量中是否存在适应度满足要求的物理量组合，若存在，则跳出循环，若不存在，则继续执行步骤s31～s35。
[0022]
进一步的，步骤s3中，在所述遗传算法中加入动态规划，以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据。
[0023]
进一步的，在所述遗传算法中加入动态规划，具体操作方法为：以向量中非零元素个数作为状态量s，不同的s代表不同的阶段，在有限的迭代次数产生的所有向量中，从s＝1开始判断是否存在适应度满足要求的向量，若存在，则停止寻找，若不存在，则在s＝1 n状态下继续寻找，n为正整数。
[0024]
进一步的，步骤s4中，根据以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据，通过k-均值聚类法对断路器故障进行判断，具体包括如下步骤：
[0025]
s41、计算步骤s1中，已采集的断路器多元故障外特性数据在正常运行状态的运行数据，作为样本中心初始值；
[0026]
s42、根据样本中心初始值对断路器运行中采集到的断路器故障多维度判据数据进行聚类，计算该组判据数据与样本中心的欧氏距离，将其归入距离最近的一类；
[0027]
s43、若该组判据数据被归入正常运行状态数据，则判定该断路器工作正常，若其被归入故障状态数据，则判定该断路器发生了与故障状态相对应的故障；
[0028]
s44、若断路器实际运行状况与判断结果相符，则将该组判据数据计入该类数据，并重新计算样本中心；
[0029]
s45、采集下一组断路器多维度判据数据并重复执行步骤s41～s44。
[0030]
与现有技术相比，本发明具有以下有益效果：
[0031]
(1)通过动态规划改进的遗传算法对多维度变量信息进行筛选，并利用聚类方法根据断路器参数实现故障诊断。本发明所提出的方法不针对某一类或某几类故障，而是基于多种物理量信息，采用大数据和人工智能的思想对数据进行处理分析，获取最优的故障
判据，并利用该判据实现良好的聚类分析。
[0032]
(2)采用遗传算法对断路器多维度物理量信息进行了组合及筛选，筛选标准为能否实现准确的聚类分析。通过遗传算法，本发明实现了不同物理量的随机组合，逐个探究每种物理量的特性并筛选出最优的断路器故障判据，将声、光、电等不同类型的信号纳入断路器故障诊断中同时发挥作用，对多种故障种类均可应用，解决了现有断路器故障诊断算法不具有普适性的问题。
[0033]
(3)在传统遗传算法的基础上加入了动态规划的思想，保证采用最少的物理量实现最优的聚类效果，降低了断路器故障判据的维度，保证了算法在故障诊断中的快速性，减轻了数据采集的负担。
[0034]
(4)应用了k-均值聚类方法与遗传算法结合使用。k-均值聚类算法原理简单，操作方便，计算速度快，且随运行时间的增长，其样本中心会越来越稳定，能够保证在实际运行中效果越来越好，降低了算法的复杂度，保证了故障诊断的可靠性。
[0035]
(4)由几类常见简单算法组合而成，易于编程的同时实现了算法之间相互优化的效果。
附图说明
[0036]
图1示出了本发明实施例提供的基于遗传算法和聚类算法的断路器故障诊断方法流程图；
[0037]
图2示出了交叉算子的操作方法；
[0038]
图3示出了变异算子的操作方法。
具体实施方式
[0039]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0040]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0041]
下面结合附图对本发明做进一步详细描述：
[0042]
本发明提出了一种基于遗传算法和聚类算法的断路器故障诊断方法，目的是解决现有断路器故障诊断方法缺乏普适性、使用数据单一的问题。
[0043]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法通过动态规划改进的遗传算法对多维度变量信息进行筛选，并利用聚类方法对断路器参数进行分析，从而
实现应用多维度故障判据的普适性断路器故障诊断。
[0044]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法流程图如图1所示，主要包括如下步骤：
[0045]
s1、采集断路器多元故障外特性数据，进行数据预处理；
[0046]
s2、根据步骤s1预处理得到的断路器多元故障外特性数据，构造多组物理量组合，利用遗传算法对多组物理量组合进行评价；
[0047]
s3、根据步骤s2构造的多组物理量组合，采用遗传算法构造断路器故障多维度判据；
[0048]
s4、根据步骤s3构造的断路器故障多维度判据，通过k-均值聚类法对断路器故障进行判断。
[0049]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法，需要采集断路器多元故障外特性数据并进行预处理；采集断路器的电流、电压等电信号，温度信号，声音信号等多维度物理量数据并输入算法，所采集数据应当包括断路器正常运行状态及各类常见故障状态下相对应的运行数据，并保证足够多的组数，以保证遗传算法结果的准确性。
[0050]
所述的基于遗传算法和聚类算法的断路器故障诊断方法，所述的数据预处理，包括对采集的多元故障外特性数据进行数据变换实现数据归一化，剔除离群样本并将数据集成为一个数据库。
[0051]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法，所述遗传算法构造断路器故障多维度判据，包括如下步骤：
[0052]
s31、基于前述经预处理的多元故障外特性数据，随机生成若干组组初始物理量组合向量作为第一代物理量组合，本发明以10组初始物理量组合向量作为第一代物理量组合：物理量组合仅包含0和1，向量元素个数与经预处理的多元故障外特性数据中物理量的个数一致，其中0表示该物理量组合中不包含该物理量，即进行聚类分析时不考虑该物理量，1则表示物理量组合中包含该物理量；
[0053]
s32、通过遗传算法中适应度函数对第一代物理量组合做出评价，需要定义适应度函数：利用该物理量组合对数据组进行k-均值法聚类分析结果的样本中心与实际分类样本中心差值的大小；k-均值聚类法即计算各组数据与各分类中心(即已知分类中各样本的平均值向量)的平均距离，将该组数据加入到平均距离最小的一组中，并更新该组的分类中心，直至所有数据被分类完成；综上，若实际已知的分类中心向量为对某一物理量组合适应度函数f(x)表示为：
[0054][0055]
其中f(x)越小越好，应使种群向f(x)减小的方向进行迭代；
[0056]
s33、利用适应度函数对第一代10组物理量进行评价后，取其中适应度最小的五组进行交叉，交叉方法如图2所示，具体操作方式为：在某两个元素中间选取一切点，取父本向量1在切点前的全部元素与父本向量2在切点后的全部元素，组合成新的子向量；
[0057]
s34、引入交叉率的概念：设交叉率为ηc(0＜ηc＜1)，进行交叉前，随机生成一个0～1之间的数i，若i＜ηc，则进行交叉操作，反之，则选取两个父本向量中的任意一个作为下
一代子向量，交叉率一般设定在80％～90％左右；
[0058]
s35、为增加组合的随机性，添加变异算子，如图3所示：设变异率为ηm(0＜ηm＜1)，进行交叉操作时，对子向量的每一个元素随机生成0～1之间的数j，若j＜ηm，则进行变异操作，即对该元素作非运算，变异率一般在0.5％～1％之间为宜；
[0059]
s36、完成上述操作后，一次迭代结束，判断子向量中是否存在适应度(适应度由工作人员根据实际情况进行设置，在此不做限定)满足要求的物理量组合，如果有则跳出循环，如果没有则继续迭代(即技术执行步骤s31～s35)，直到满足该条件为止。
[0060]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法，在遗传算法中加入动态规划，保证采用最少的物理量进行效果最好的故障诊断；以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据，具体操作方法为：以向量中非零元素个数作为状态量s，不同的s代表不同的阶段，在有限的迭代次数产生的所有向量中，从s＝1开始判断是否存在适应度满足要求的向量，若存在，则停止寻找，如果不存在，则在s＝2状态下继续寻找，直到s＝1 n状态下寻找到符合要求的向量，n为正整数。
[0061]
本发明提出的基于遗传算法和聚类算法的断路器故障诊断方法，在步骤s4中，根据以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据，通过k-均值聚类法对断路器故障进行判断，具体包括如下步骤：
[0062]
s41、计算步骤s1中，已采集的断路器多元故障外特性数据在正常运行状态的运行数据，作为样本中心初始值；
[0063]
s42、根据样本中心初始值对断路器运行中采集到的断路器故障多维度判据数据进行聚类，计算该组判据数据与样本中心的欧氏距离，将其归入距离最近的一类；
[0064]
s43、若该组判据数据被归入正常运行状态数据，则判定该断路器工作正常，若其被归入故障状态数据，则判定该断路器发生了与故障状态相对应的故障；应当采取相应对策；
[0065]
s44、若断路器实际运行状况与判断结果相符，则将该组判据数据计入该类数据，并重新计算样本中心；
[0066]
s45、采集下一组断路器多维度判据数据并重复执行步骤s41～s44。
[0067]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。