基于線性判別分析和支持向量機的斷路器故障診斷方法
【技術領域】
[0001] 本發(fā)明設及電工技術領域，特別是一種基于線性判別分析和支持向量機的斷路器 故障診斷方法。
【背景技術】
[0002] 隨著全球經濟的快速發(fā)展，生產力水平顯著提高，科技水平不斷提升，在技術革命 的浪潮推動下，電力事業(yè)進入了新的發(fā)展階段。電網規(guī)模越來越大，電壓等級越來越高，網 絡復雜程度越來越深，運些變化在提高電能質量的同時，也對電力系統(tǒng)的安全穩(wěn)定性提出 了進一步的要求。在現代化的電網框架下，局部電網的元件故障可能誘發(fā)連鎖反應，演變成 大面積停電事故;另一方面，各種自然災害可能對線路、設備乃至整個電網造成破壞。因此， 對電網中使用的電力設備進行故障診斷技術研究，及時預防停電事故、電網災變具有很重 要的意義。
[0003] 目前，江蘇電網已經建成并運行多座IlOkV數字化變電站，正在實施220kV數字化 變電站的建設及500kV數字化變電站的規(guī)劃。智能電網的發(fā)展對電力一次設備提出了更高 的要求，斷路器是電網中使用最為廣泛的電力設備，作為重要的控制和保護開關，其數字 化、智能化將是大勢所趨。另一方面，江蘇省特高壓項目紛紛落實，2014年，500千伏泰州特 高壓站送出工程項目、蘇州特高壓站送出工程項目、南京特高壓站送出工程項目相繼得到 核準，確保高壓斷路器的安全穩(wěn)定性能是實現特高壓項目的重要保證。
[0004] 我國對斷路器的檢修始于上個世紀50年代，初期W停電試驗、定期檢修為主，根據 定期進行預防性試驗，判斷設備是否老化，估計設備剩余壽命，確定是否可W繼續(xù)投入電 網。運種檢修手段可W有效減少故障，但缺乏提前性、預防性，難W發(fā)現設備的內部故障，此 夕h定期檢修需要大量的工作人員，檢修周期長，人力資源負擔大，操作失誤概率高，在設備 的拆解和裝備過程中容易引發(fā)新的故障。隨著電力技術發(fā)展，運種傳統(tǒng)的定期檢修方式逐 步向采用人工智能的狀態(tài)檢修方式進化，目前，通過信號傳感器和現代化通信技術的應用， 可W實現對高壓斷路器狀態(tài)的在線監(jiān)測，有利于研究高壓斷路器的操動機構故障和電氣故 障，避免了停電實驗的種種弊端。
[0005] 總之，目前斷路器故障智能診斷領域還有較大的空白，在實際應用中，受到較多方 面的影響，包括:一、在線監(jiān)測系統(tǒng)采用的傳感器精度有限，數據存在一定的誤差;二、所需 的特征量種類多，信息量大，處理復雜;=、數據的保存、處理和分析缺乏科學的數學模型， 故障智能診斷準確度有待提高。因此，如何發(fā)明一種具有較高精度與可靠度的斷路器故障 智能診斷方法成為亟需解決的課題。

【發(fā)明內容】

[0006] 線性判別式分析(Xinear Discriminant Analysis ,LDA)，也叫做Fisher線性判別 (Fisher Linear Discriminant,FLD)，是模式識別的經典算法。線性鑒別分析的基本思想 是將高維的模式樣本投影到最佳鑒別矢量空間，W達到抽取分類信息和壓縮特征空間維數 的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內距離，即模式 在該空間中有最佳的可分離性。因此，它是一種有效的特征抽取方法。
[0007] 支持向量機（Suppo;rt Vector Machine,SVM)建立在統(tǒng)計學習理論的VC維理論和 結構風險最小原理基礎上，其根據有限的樣本信息在模型的復雜性（即對特定訓練樣本的 學習精度)和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，W期獲得最 好的推廣能力。SVM是一種非常有潛力的分類技術，主要應用于模式識別領域。
[0008] 本發(fā)明要解決的技術問題為:通過在線實時監(jiān)測操作機構分合閩線圈的電壓、電 流波形數據，并基于LDA算法和支持向量機對電流波形進行分析，實現斷路器故障的診斷， 為電力系統(tǒng)的可靠性和穩(wěn)定性提供保障。
[0009] 本發(fā)明所采取的技術方案具體為:一種基于線性判別分析和支持向量機的斷路器 故障診斷方法，其包括W下步驟：
[0010] 步驟一，通過在線監(jiān)測裝置采集斷路器分合閩線圈電流作為故障診斷的數據樣 本，所采集的電流數據包括斷路器正常運行時的數據樣本和故障時的數據樣本;定義斷路 器故障類型數為n，所采集到的數據樣本個數為m，相應的，數據樣本有n類；
[OOW 步驟二從m個數據樣本的每個樣本中分別提取y個特征量，形成m行，y列的數據樣 本X，并對數據樣本X進行標準化，形成m行，y列的原始特征矩陣R;
[0012] 步驟S，利用LDA算法對原始特征矩陣R進行映射變換，形成具有m行，k列的變換后 特征矩陣R'化勺），同時得到變換函數的系數矩陣W;
[0013] 步驟四，采用兩分類支持向量機的一對一分類方法，將變換后特征矩陣R'作為支 持向量機的訓練數據集，優(yōu)化變換后特征矩陣R'的內部參數，并通過對R'的優(yōu)化過程建立 基于n類訓練樣本的n(n-l)/2個分類器；
[0014] 步驟五，基于步驟=得到的系數矩陣W和步驟四得到的分類器，對斷路器故障進行 診斷，包括W下步驟：
[0015] (51)針對需要進行故障診斷的斷路器對象，采集其動作一次的分合閩線圈電流， 對采集到的電流信號提取y個特征量并進行標準化后形成原始列向量F，利用步驟=得到的 系數矩陣W變化，形成一個k列的列向量F' ；
[0016] (52)將F '分別輸入n(n-l)/2個支持向量機進行故障診斷，每個支持向量機分別輸 出一個診斷結果，出現頻率最高的診斷結果即為最終診斷的斷路器的故障類型。
[0017] 本發(fā)明步驟(51)中，對采集到的電流信號提取y個特征量并進行標準化后形成原 始列向量F，參考步驟二的方法。
[0018] 進一步的，本發(fā)明步驟一中，采用霍爾電流傳感器采集斷路器分合閩線圈電流;定 義to時刻斷路器接收到合閩命令，ti時刻鐵屯、開始運動，t2時刻鐵忍運動停止，t3時刻合閩 電流達到峰值，t4操動機構搭扣分離鐵忍再次開始運動，t5時刻電流消失為零，所采集的數 據包括tl時刻的線圈電流I2、t2時刻的線圈電流Il、t3時刻的線圈電流I3，w及tl、t2、t3、t4、 t5對應的時間參數。
[0019] 更進一步的，本發(fā)明步驟(2)中對數據樣本X進行標準化時采用的公式為：
[0020]
[0021] 其中，Xi徒示原始數據矩陣X中第i行巧U個元素，ri徒示標準化后矩陣帥第 列個元素，
[0022] 步驟=中，利用LDA算法求取變換函數的系數矩陣W的方法包括W下步驟：
[0023] (31)輸入原始特征矩陣R，其中訓練樣本的種類為n個，每個訓練樣本的特征量有y 個;用du表示第i類，第j個訓練樣本，其是含有y個元素的一維向量;m表示屬于第i類的訓 練樣本個數，則有
[0024] (32)由下式(1)和式(2)計算出類間離散度矩陣Sb和類內離散度矩陣Sw:
[0025] (1)
[0026] ' 似
[0027] 式中：A 為訓練樣本中每一類的先驗概萄
為所有訓練樣本的 平均數值，
^訓練樣本中第i類的平均值；
[0028] (33)LDA的目標函數是：
[0029]
(J、
[0030] 上式中，WT為W的轉置矩陣；
[0031] 為了使上式取得最大值，需要求解特征值，由于Sb和Sw為對稱半正定陣，如果Sw是 非奇異矩陣，則對(SwriSb進行特征值分解，從而得到式(4)對應的特征向量和特征值：
[0032] SbW=ASwW (4)
[0033 ] (34)得出系數矩陣W，即前k個特征值所對應的特征向量。
[0034] 本發(fā)明的有益效果為：1)從斷路器分合閩時的線圈電流中提取時間和電流值作為 特征量，數據樣本易于取得且包含較為全面的信息;2)充分利用歷史數據，尋找將高維樣本 投影到低維空間的最佳的判別投影向量，并使投影后的樣本類內離散度最小，類間離散度 最大，充分利用了 LDA算法在多種樣本模式識別中的優(yōu)勢;3)利用支持向量機對小樣本數據 分類的可靠程度高，可W取得較好的診斷效果。
【附圖說明】
[0035] 圖1所示為本發(fā)明方法流程示意圖；
[0036] 圖2所示為典型斷路器合閩時線圈電流波形。
【具體實施方式】
[0037] W下結合附圖和具體實施例進一步描述。
[0038] 如圖1所示，本發(fā)明基于線性判別分析和支持向量機的斷路器故障診斷方法，包括 W下步驟：
[0039] 步驟一，通過在線監(jiān)測裝置采集斷路器分合閩線圈電流作為故障診斷的數據樣 本，所采集的電流數據包括斷路器正常運行時的數據樣本和故障時的數據樣本，定義所采 集到的數據樣本個數為m;
[0040] 步驟二，從m個數據樣本中提取y個特征量，形成m行，y列的數據樣本X，并對數據樣 本X進行標準化，形成n行，y列的原始特征矩陣R;
[0041 ]步驟S，利用LDA算法對原始特征矩陣R進行映射變換，形成具有m行，k列的變換后 特征矩陣R'化勺），同時得到變換函數的系數矩陣W;
[0042] 步驟四，采用兩分類支持向量機的一對一分類方法，將變換后特征矩陣R'作為支 持向量機的訓練數據集，優(yōu)化變換后特征矩陣R'的內部參數，并通過對R'的優(yōu)化過程建立 基于n類訓練樣本的n(n-1)/2個分類器;通過對特征矩陣R '的內部參數的優(yōu)化，可提高分類 器輸出診斷結果的準確度；
[0043] 步驟五，基于LDA和支持向量機的模型，對斷路器故障進行診斷：
[0044] (51)當需要進行故障診斷時，先提取一組分合閩線圈電流，在提取y個特征量并進 行歸一化后形成原始列向量F，通過系數矩陣W變化，形成一個1 X y '的列向量F ' ；
[0045] (52)將F '依次輸入n(n-l)/2個支持向量機進行故障智能診斷，根據出現次數最多 的診斷結果判斷高壓斷路器的故障類型
[0046] 上述步驟一中，采用霍爾電流傳感器采集斷路器分合閩線圈電流;定義to時刻斷 路器接收到合閩命令，ti時刻鐵屯、開始運動，t2時刻鐵忍運動停止，t3時刻合閩電流達到峰 值，t4操動機構搭扣分離鐵忍再次開始運動，t