基于粒子群优化的KFCM及SVM的电抗器故障诊断方法与流程

本发明属于电力设备数值计算与分析领域，特别涉及一种基于粒子群优化的kfcm及svm的电抗器故障诊断方法

背景技术：

电抗器作为电力系统主要的感性元件，因其具有结构简单、运行维护成本低、线性度良好等优点，广泛应用于限流、滤波、无功补偿和改善线路电压分布等方面。并联电抗器是高电压、远距离交流输电网络中不可缺少的重要设备，它可以改善沿线工频电压分布，增强系统稳定性及送电能力；降低工频暂态过电压，并进而限制操作过电压的幅值；改善轻载线路中的无功分布，降低有功损耗，提高送电效率等，因此，其运行状态关系到整个电力系统的安全稳定运行。

电抗器的故障诊断受到多方面的影响，包括难以建立精确的数学模型，对系统结构和参数的不确定性、时变性等缺乏充分的认识和了解。干扰和噪声造成的影响，故障诊断算法的准确度并不高，无法满足智能电网对提出的实时性与可靠性的要求。因此，如何发明一种具有较高精度与可靠度的电抗器故障诊断算法成为需解决的课题。

支持向量机是一种基于结构风险最小原则的智能分类器。相较人工神经网络等传统智能处理算法，该算法能够在小样本量的情况下建立出具有优秀泛化性能的二分类器，同时避免了局部最小和维数灾难问题，因此引起了广泛的关注，并已成功运用到电抗器故障诊断领域。

技术实现要素：

本发明的目的，在于提供一种基于粒子群优化的kfcm及svm的电抗器故障诊断方法，其可有效解决局部最优问题，提升诊断结果的可靠性。

为了达成上述目的，本发明的解决方案是：

一种基于粒子群优化的kfcm及svm的电抗器故障诊断方法，包括如下步骤：

步骤1，采集电抗器油中的故障气体浓度，将采集到的数据分为测试数据和故障数据；

步骤2，利用p-kfcm算法对测试数据样本空间进行预分类，建立数据样本与故障类型间的隶属度映射；

步骤3，确定svm的最优分类；

步骤4，将最优分类中每两类的数据样本建立一个svm预测训练器；

步骤5，将采集到的测试样本分别输入svm训练器，得到初步测试结果；

步骤6，基于p-kfcm结合svm分类模型算法进行电抗器故障诊断。

采用上述方案后，本发明针对电抗器的故障诊断需要有数据样本大和准确度不高的问题，提出了一种基于融合粒子群的模糊核聚类(kfcm)与支持向量机(svm)的故障诊断方法，利用相对较少的故障数据样本对电抗器主要故障类型进行较为准确的在线判断，并且用p-kfcm算法对故障训练样本进行预分类，并以此为基础建立多svm故障预测模型。p-kfcm算法将粒子群的全局搜索能力融入kfcm中，有效地解决了局部最优问题，提升了诊断结果的可靠性。

附图说明

图1是本发明的流程图；

图2是p-kfcm算法流程图；

图3是支持向量机训练模型。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种基于粒子群优化的kfcm及svm的电抗器故障诊断方法，包括如下步骤：

步骤1，数据采集；

步骤2，利用p-kfcm算法对测试数据样本空间进行预分类，建立数据样本与故障类型间的隶属度映射；

步骤3，确定svm的最优分类；

步骤4，将最优分类中每两类的数据样本建立一个svm预测训练器；

步骤5，将采集到的测试样本分别输入svm训练器，得到初步测试结果；

步骤6，基于p-kfcm结合svm分类模型算法进行电抗器故障诊断。

所述步骤1中，采用气相色谱分析法，以固定抽样频率对电抗器油中的故障气体h2,c2h2,ch4,c2h4,c2h6进行浓度实时检测，将采集到的故障气体按3:1分为测试样本与故障样本，样本中气体的浓度作为测试数据与故障数据，然后将测试数据进行训练。

所述步骤2的主要流程如图2所示。

kfcm通过相空间重构，将步骤1得到的测试样本xk(k＝1,2,…,n)映射为φ(xk)来进行聚类，聚类目标函数为：

其中，vi为输入空间聚类中心；c为类别数；uik为第i个样本对第k个类别的隶属度；m为加权指数；n为样本数目；φ(vi)为输入空间聚类中心vi通过相空间重构后得到的新的聚类中心。满足以下约束条件：

定义核函数为k(x,y)＝φ(xk)^tφ(y)，故核空间的欧式距离为：

||φ(xk)-φ(vi)||²＝k(xk,xk)+k(vi,vi)-2k(xk,vi)(3)

将式(3)代入式(1)，并在约束条件(2)下用拉格朗日乘子法寻优，得到隶属度及目标函数：

步骤2.1：原始故障数据集数据归一化处理。采用极值标准化公式：

式中：xik”为故障数据集第i行第k列参数；xik”max，xik”min分别为第k列参数中最大及最小值。

步骤2.2：算法参数设定。包括加速常数c1与c2、pso最大迭代次数kmax、粒子群规模l、速度及位置最大值、惯性权重系数ωmax与ωmin、kfcm最大迭代次数、高斯核参数b、隶属度矩阵加权指数m以及迭代终止条件等。

步骤2.3：初始化粒子群。随机生成l个初始聚类中心作为第一代粒子群，得到每个粒子的当前最优位置pbest与全局最优位置pgbest。计算粒子适应度f与全局最优适应度fbest。

步骤2.4：利用所生成的粒子群作为kfcm算法的初始聚类中心进行迭代计算，得到新的聚类中心及其相应的隶属度矩阵、目标函数值。

步骤2.5：更新全局最优位置pgbest与全局最优适应度fbest。

步骤2.6：更新粒子群位置与速度。

vid^k+1＝ωvid^k+c1r1(pid^k-xid^k)+c2r2(pgd^k-xgd^k)(7)

xid^k+1＝xid^k+vid^k(8)

式中，c1、c2为加速常数；r1、r2为区间[0,1]内的随机数；xi、vi表示粒子i当前的位置与速度；pi为粒子当前的最优位置；pg为整个粒子群的全局最优位置；k为迭代次数。

步骤2.7：重复步骤2.5-2.6，直到满足条件则输出最终结果。

所述步骤3中，通过聚类有效性指标λmpc对聚类数c进行校核。以λmpc最大值所对应的聚类数c作为最佳聚类数，λmpc是以聚类数c为变量的函数，λmpc取极大值时所对应的c即为最佳聚类数。λmpc的计算公式如下：

其中，uik为第i个样本对第k个类别的隶属度，其展开式如下：

聚类数c选择的范围为[2，cmax]，cmax不超过n为数据样本个数。

对每个分类数c分别计算λmpc，取使得λmpc最大的c为最优分类数。

所述步骤4中，将最优分类中每两类的数据样本建立一个svm预测训练器，得到c×(c-1)/2个svm训练模型，如图3所示。

过热故障为最高故障类型，高能放电故障次之。针对电抗器故障诊断，本发明方法中运行状态编号为：1一正常状态，2一过热状态，3一高能放电状态，4一低能放电状态。

路径1：将预处理后所得数据送至svm1，当诊断结果为“正常”，则将数据进一步送至svm2，当svm2诊断结果为“正常”，则将数据再进一步送至svm3当svm3诊断结果为“正常”，则最终诊断结果为“正常”。

路径2：将预处理后所得数据送至svm1，当svm1诊断结果为“正常”，则将数据进一步送至svm2，当svm2诊断结果为“正常”，则将数据再进一步送至svm3，当svm3诊断结果为“过热”，则最终诊断结果为“过热”。

路径3：将预处理后所得数据送至svm1，当svm1诊断结果为“正常”，则将数据进一步送至svm2，当svm2诊断结果为“高能放电”，则将数据再进一步送至svm5，当svm5诊断结果为“高能放电”，则最终诊断结果为“高能放电”。

路径4：将预处理后所得数据送至svm1，当svm1诊断结果为“正常”，则将数据进一步送至svm2，当svm2诊断结果为“高能放电”，则将数据再进一步送至svm5，当svm5诊断结果为“过热”，则最终诊断结果为“过热”。

路径5：将预处理后所得数据送至svm1，当svm1诊断结果为“低能放电”,则将数据进一步送至svm4，当svm4诊断结果为“低能放电”，则将数据再进一步送至svm6，当svm6诊断结果为“低能放电”，则最终诊断结果为“低能放电”。

路径6：将预处理后所得数据送至svm1，当svm1诊断结果为“低能放电”，则将数据进一步送至svm4，当svm4诊断结果为“低能放电”，则将数据再进一步送至svm6，当svm6诊断结果为“高能放电”，则最终诊断结果为“高能放电”。

路径7：将预处理后所得数据送至svm1，当svm1诊断结果为“低能放电”，则将数据进一步送至svm4，当svm4诊断结果为“过热”，则将数据再进一步送至svm5，当svm5诊断结果为“过热”，则最终诊断结果为“过热”。

路径8：将预处理后所得数据送至svm1，当svm1诊断结果为“低能放电”,则将数据进一步送至svm4，当svm4诊断结果为“过热”,则将数据再进一步送至svm5，当svm5诊断结果为“高能放电”，则最终诊断结果为“高能放电”。

所述步骤5中，将采集到的测试样本分别输入svm训练器，得到初步测试结果，每一个svm训练器都将产生一个结果，综合这些预测值，将出现次数最多的结果作为最终结论。

所述步骤6中，基于p-kfcm结合svm分类模型算法进行电抗器故障诊断，同时，新采集的数据将被加入到原始数据中，作为下一次数据分类的典型数据处理。

以上实施例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，均落入本发明保护范围之内。