基于自助抽样法的断路器缺陷辨识方法

1.本发明涉及一种面向断路器机械缺陷诊断的决策融合方法，具体涉及一种基于自助抽样法下聚类过程的d
‑
s证据融合诊断方法。


背景技术：

2.断路器是电力系统中控制和运行的重要开关设备之一，是保证电力系统安全可靠运行的关键部分，在供电和配电系统中起着开断和闭合正常线路以及开断故障线路的作用，所以断路器的操作性能对电网的安全、稳定及经济运行至关重要。断路器和各种控制器配合对电力系统进行控制，保护和监测，从而当系统中出现故障时，可以及时使断路器动作，快速切除系统中的故障部分，或者切断整个电源供电，从而防止故障扩大，避免造成巨大的经济损失和人员的伤亡。断路器作为电力系统的重要设备，其可靠性直接影响到整个电网的安全运行。随着电力系统综合自动化水平的提高，断路器的数量也日益渐增，这也对断路器的可靠性提出了更高的要求。而断路器在使用过程由于潜在的设备缺陷或部件老化会导致其工作可靠性下降，严重时甚至会引起电力系统事故扩大，造成巨大损失。因此，通过故障辨识技术甄别其潜在缺陷和故障，可以诊断出设备的故障原因，为断路器实现状态检修提供重要决策依据。
3.目前，运用现代技术在线监测断路器操动机构的方法呈现多样化的特征，如红外线分析、频谱分析、超声波分析，系统压力的动态分析，系统动态响应特性的测试分析以及组件壳体的振动信号分析等等。这些现代技术的在线监测方法，运用的原理各不相同，实际监测的成本和难度也不尽相同，达到的监测效果也有好有坏。因此，研发高效、高精度断路器机械缺陷诊断方法，将有利于提高辨识准确性，促进断路器机械状态评估的进一步发展。


技术实现要素：

4.本发明的目的在于：提供一种基于自助抽样法的断路器缺陷辨识方法，该方法首先采集断路器合闸过程中的位置振动信号，对信号进行集合经验模态分解，得到信号的本征模函数，计算主本征模函数的样本熵，构成描述断路器缺陷状态的特征向量集；然后，通过自助抽样法扩展特征向量集，将每个特征向量集作为独立的训练集，分别建立softmax诊断模型；接着，根据softmax诊断模型在测试样本下的诊断概率向量，采用均值漂移聚类算法，将各个softmax模型诊断结果进行聚类；最后，选择聚类结果中最大类别所含softmax诊断模型及其诊断结果融合决策出最终诊断结果，完成断路器机械缺陷辨识。
5.本发明采用的技术方案为：一种基于自助抽样法的断路器缺陷辨识方法，所述方法包括步骤如下：
6.第一步：获取数据及构建原始特征空间
7.步骤1.1使用振动信息测量设备，多次采集断路器在不同机械缺陷下传感器的信号，记为x，共采集b次，第j个信号记为x
j
；
8.步骤1.2采用集合经验模态分解方法对原始信号进行分解，得到本征模函数；
9.步骤1.3识别主要本征模函数，计算主本征模函数的样本熵值，组成缺陷信息特征向量集y；
10.步骤1.4采用自助抽样法扩展特征向量集y，得到a个新的特征向量集，记为特征向量空间y
a,b
。
11.第二步：基于各特征向量集，构建softmax诊断模型
12.步骤2.1选择第i个特征向量集y
i
，将其定义为softmax的模型训练集t
i
，由此构建第i个softmax诊断模型m
i
；
13.步骤2.2循环步骤2.1直至构建全部a个softmax诊断模型m；
14.第三步：基于诊断概率向量对各个softmax诊断模型聚类
15.步骤3.1将测试样本的特征向量o
i
分别放入对应的softmax诊断模型m
i
，获得缺陷发生概率列向量q
i
，计算该测试样本在全部a个softmax诊断模型的缺陷发生概率列向量集合{q1,q2,
…
,q
a
}；
16.步骤3.2基于该向量集，采用均值漂移聚类算法将a个softmax模型聚类，定义a
′
为聚类结果最大类别中softmax模型的数量；
17.第四步：以d
‑
s证据融合算法融合决策多个softmax诊断模型的诊断结果
18.步骤4.1选择步骤3.2所得聚类结果中最大类别内所含的a
′
个softmax诊断模型，根据其对应的缺陷发生概率列向量集合{q1,q2,...,q
a
′
}，计算各softmax诊断模型所得s类缺陷发生概率的期望q
λ
，定义a
′
个softmax诊断模型对测试样本可能发生的s类缺陷的融合概率向量mass＝q
λ
；
19.步骤4.2根据传统的d
‑
s证据理论，定义辨识框架f，以d
‑
s证据推理方法将mass向量自身融合a
′‑
1次后，定义最大概率所在缺陷类别为此测试样本对应的缺陷类型，完成最终改进d
‑
s证据推理的高压断路器机械缺陷诊断。
20.与最接近的现有技术相比，本发明的优异效果是：
21.本发明基于断路器合闸过程中振动信息的softmax诊断结果，利用均值漂移聚类方法，分析各诊断结果的聚合性，在无先验信息的情况下，选择最优诊断结果，利用d
‑
s证据理论将诊断结果融合，获得最终诊断结果。相比于已有方法，本发明中通过自助抽样法对断路器合闸过程的振动信息样本进行拓展，实现了通过现有样本来提升估计量的精度，避免了单一信息对诊断结果造成的片面性。同时，考虑各样本诊断结果的差异性，利用聚类方法选择最优诊断结果，利用d
‑
s证据融合方法将最优诊断结果融合，提高了断路器机械缺陷诊断准确性和鲁棒性。
附图说明
22.下面结合附图对本发明进一步说明。
23.图1是：基于自助抽样法的断路器机械缺陷诊断流程图；
24.图2是：softmax回归模型的断路器缺陷分类结构图；
25.图3是：基于均值漂移聚类的softmax诊断模型聚类流程图；
具体实施方式
26.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完
整地描述。
27.本发明提供了一种基于自助抽样法的断路器机械缺陷诊断方法，图1展示出了本实施例中的所述方法的流程图；包括下述步骤：
28.步骤1：获取传感器数据及本征模函数样本熵特征构建与拓展。
29.步骤1.1使用振动信息测量设备采集高压断路器在几种机械缺陷下的振动信号，假设采集的样本数量为b，得到缺陷信息的原始信号x
b
(t)；
30.步骤1.2将采集到的信号进行集合经验模态分解(ensemble empirical mode decomposition，eemd)，得到本征模函数(intrinsic mode function，imf)：
31.步骤1.2.1对于断路器中传感器测量到的第j个样本信号x
j
(t)，j＝1,2,
…
,b，在原始信号x
j
(t)中加入随机白噪声wn(t)，得到待处理信号s
j
(t)：
32.s
j
(t)＝x
j
(t)+wn(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
33.步骤1.2.2基于emd原理分解合成信号s
j
(t)，得到经验模态分解式，如公式(2)所示。
[0034][0035]
其中r
k
(t)为残余函数，代表信号的平均趋势，imf1(t),imf2(t)
…
imf
k
(t)代表各内涵模态分量，分别包含了信号不同时间特征尺度大小的成分，k代表内涵模态分量总个数。
[0036]
步骤1.2.3将步骤1.2.1和步骤1.2.2重复n次，n定义为总体平均数，每次加入不同的白噪声。将n次分解得到的各阶imf分量的均值作为最终结果：
[0037][0038]
其中imf
k,n
(t)为第n次加入白噪声时分解得到的第k个imf分量。
[0039]
得到第j个样本的最终的经验模态分解式：
[0040][0041]
步骤1.2.4将步骤1.2.1和步骤1.2.2和步骤1.2.3重复b次，计算得到全部b个样本的经验模态分解式。
[0042]
步骤1.3识别主模态函数，计算主模态函数的样本熵
[0043]
步骤1.3.1根据公式(4)，用概率密度函数的相似度来识别主要的imf，由于存在噪声的信号其主要能量集中在低频段，定义l(k)＝dist[pdf(x
j
(t)),pdf(imf
k
(t))]为x
j
(t)与imf的概率密度函数之间的相似度距离，式中dist代表欧氏距离，pdf表示概率密度函数。l(k)出现第一个局部最大值之后的模态认为是主模态：argmax{l(k)}表示使得l(k)取得最大值所对应的变量点k。即从第k
th
到第k个模态为主模态，记k
m
为imf的主模态总个数，则有k
m
＝k
‑
k
th
+1。
[0044]
步骤1.3.2计算经过主模态识别后的imf主模态分量的样本熵se
k
(k＝1,2,
…
,k
m
)，由此得到了评价第j个测量样本缺陷信息的多维特征向量将步骤
1.3.1和步骤1.3.2重复b次，得到全部测量样本的特征向量集y。
[0045]
步骤1.4采用自助抽样法扩展特征向量集
[0046]
步骤1.4.1将特征向量集y进行b次有放回的重抽样，得到一个新的特征向量集y
′
。
[0047]
步骤1.4.2将步骤1.4.1重复a次，共得到a个不同的特征向量集y
′
，所有a个不同的特征向量集y
′
组成特征向量空间y
a,b
，则表示第i个特征向量集中第j个测量样本的多维特征向量。
[0048]
步骤2：基于特征向量集构建模型训练集，建立传感器softmax诊断模型。
[0049]
步骤2.1将步骤1.4.2中第i个特征向量集下第j个测量样本的多维特征向量重定义为softmax模型训练集t
i,j
＝[x
i,j,1
,x
i,j,2
,...,x
i,j,w
]
t
，其中w＝k
m
表示特征个数，即特征空间维度，则t
i
＝{t
i,1
,t
i,2
,...,t
i,j
}为第i个特征向量集的所有测量样本组成的模型训练集。定义l
j
为第j个测量样本的缺陷类型编号。
[0050]
步骤2.2基于步骤2.1中定义的模型训练集t
i,j
，构建softmax诊断模型。假设断路器缺陷类型有s个，那么可以列出softmax回归模型的系统方程，如公式(5)所示。
[0051][0052]
其中p(y
j
＝s|x
i,j
；θ)表示第i个特征向量集下第j个测量样本在参数θ下的第s类缺陷发生的概率，θ表示一个s
×
w的矩阵，l∈[1，s]用来遍历缺陷类型。计算梯度并利用梯度下降法优化基于模型训练集为t
i,j
的softmax诊断模型m
i
。
[0053]
步骤2.3将步骤2.1和步骤2.2重复a次，直至完成全部a个基于特征向量集的softmax诊断模型的计算。
[0054]
步骤3：基于均值漂移聚类算法将多个softmax诊断模型在测试样本下的诊断结果聚类。
[0055]
步骤3.1将测试样本o＝[x1,x2,...,x
w
]
t
输入到诊断模型m
i
，获得第i个softmax诊断模型对测试样本可能发生s类缺陷的概率向量q
i
，同理，计算全部a个softmax诊断模型对测试样本可能产生缺陷的概率向量集合{q1,q2,...,q
a
}；
[0056]
步骤3.2基于向量集{q1,q2,...,q
a
}，采用均值漂移聚类算法将a个softmax诊断模型的诊断结果聚类
[0057]
步骤3.2.1给定窗口大小h、迭代误差ε和不同类中心点的欧式距离误差δ。在向量集{q1,q2,...,q
a
}包含的所有数据点中随机选择一个未被标记的数据q作为初始聚类中心。
[0058]
步骤3.2.2标记以该数据点为聚类中心，与该点欧式距离小于h的所有数据点，记
做集合c，将这些点划分为一个类s。同时，将这些数据点的标记次数加1。
[0059]
步骤3.2.3计算从聚类中心q到集合c中每个元素的向量，将这些向量相加，得到向量漂移将聚类中心向偏移均值方向移动，得到新的聚类中心即聚类中心沿着的方向移动，移动距离是||shift||。
[0060]
步骤3.2.4重复步骤3.2.2和步骤3.2.3，直到聚类中心的移动距离小于迭代误差ε时迭代完成。此时的聚类中心即为类s的最终聚类中心，在该迭代过程中所有被标记过的数据点都归类到类s。
[0061]
步骤3.2.5重复步骤3.2.1至步骤3.2.4，直到{q1,q2,...,q
a
}中所有的数据点都被标记访问。根据每个类对每个数据点的标记频率，取标记频率最大的那个类，作为该数据点的所属类。
[0062]
步骤3.2.6判断是否需要合并类，如果迭代完成时当前类s的中心与其它已经存在的类s
′
中心的欧式距离小于误差δ，那么就将类s和类s
′
合并成一类，否则就把s作为新的类。定义聚类完成后，最大的类中softmax诊断模型的个数为a
′
。
[0063]
步骤4：以各softmax诊断模型及其诊断结果融合决策多个softmax的诊断结果，优化d
‑
s证据推理的多维信息融合流程。
[0064]
步骤4.1根据所得聚类结果中最大类别内所含的a
′
个softmax诊断模型对测试样本o＝[x1,x2,...,x
w
]
t
可能产生缺陷的概率向量集合{q1,q2,...,q
a
′
}，计算s类缺陷的概率期望向量作为a
′
个softmax诊断模型对测试样本可能发生s类缺陷的初始概率指派mass；
[0065]
步骤4.2传统的d
‑
s证据推理方法如下，定义辨识框架f＝{f1,f2,
…
,f
s
}，其中f
s
表示第s类缺陷发生，同时定义mass
i
表示第i个softmax诊断模型m
i
的输出，即对于s类故障的基本概率指派，则多softmax诊断模型mass
i
融合过程如公式(6)所示。
[0066][0067]
其中mass
c
(f
s
)表示融合后第s类缺陷的概率，当i＝1时，mass1(f
s
)；mass
i+1
(f
sj
)表示第i+1个softmax诊断模型对测试样本发生第sj类缺陷的概率值，这说明a
′
个softmax诊断模型只需要融合a
′‑
1次；k
c
表示冲突系数等于根据上述传统d
‑
s证据推理方法，在本发明中利用步骤4.1得到的a
′
个softmax诊断模型融合概率向量mass，利用公式(6)进行a
′‑
1次的自身融合后，定义最大概率所在缺陷类别为此测试样本对应的缺陷类型，完成最终d
‑
s证据推理的断路器机械缺陷诊断。
[0068]
最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。