[发明专利]一种基于大数据挖掘的隔离开关状态诊断算法

权利要求书

1.一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于，包括以下步骤：

S1、算法的编码：采用浮点编码方式对各个个体进行编码；

S2、初始化种群：从样本空间中选出k个个体，每一个个体代表一个初始聚类中心，通过基于聚类中心的浮点编码方式将这组聚类中心编码成一条染色体；

S3、适应度函数：构造J值最小的适应度函数；

S4、选择操作：通过优胜劣汰来实现对群体的选择操作；

S5、交叉操作：采用算术交叉的方式来将2个个体进行线性交叉产生新的个体；

S6、变异操作：将同一染色体中的某一部分基因与另一部分基因进行等位替换的操作。

2.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S1操作步骤中，在进行算法的编码前，在高压隔离开关在正常情况下、轻微卡涩、严重卡涩、弹簧失效、合闸不到位的常见机械故障情况下，采用电机电流的大数据，并将各个数据作为个体。

3.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S1操作步骤中，采用浮点编码方式对各个个体进行编码的方法为：设聚类中心为m维，聚类中心为k，则每条染色体的长度为l＝mk，染色体为{x₁,x₂,...,x_k}，其中每一条染色体x_i＝{x_i1,x_i2,...,x_ik}，每条染色体代表一个聚类中心的坐标。

4.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S2操作步骤中，将这组聚类中心编码成一条染色体后，再重复进行P_size次染色体初始化生成初始种群，P_size为群体总量。

5.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S3操作步骤中，适应度函数的公式为：式中，J值反映了聚类的效果，k为聚类中心个数。

6.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S4操作步骤中，选择操作包括以下步骤：

S401、计算当前种群个体的适应度函数，并记录适应度最大的个体；

S402、通过适应度函数获得适应度值f(x_i),(i＝1,2,...,k)，计算每一个个体被选择的概率

S403、根据所得的概率值P_xi，使用轮盘赌法选择个体进行交叉和变异操作以产生新的个体；

S404、重新计算新种群中个体的适应度值，并将记录的上一代中适应度值高的个体取代下一代中适应度值低的个体，以此产生下一代种群。

7.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S5操作步骤中，交叉操作的方法为：假设交叉个体为x₁和x₂，通过均匀算术交叉获得新的个体x′₁和x′₂。

8.根据权利要求7所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：所述均匀算术公式为：式中，λ为相应系数。

9.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S6操作步骤中，变异操作包括以下步骤：

S601、取定某一个体编码串中的变异点，确定取值范围[U_min,U_max]；

S602、对每一个变异点，以变异概率P_m从[U_min,U_max]取任意随机数代替原有值，从而获得新的基因x_i＝U_min+r(U_max-U_min)，式中，r表示系数。

10.根据权利要求1所述的一种基于大数据挖掘的隔离开关状态诊断算法，其特征在于：在S6操作步骤中，完成变异操作后，在输出结果，并在输出结果趋于稳定在一个固定值时，作为输出最佳结果，诊断高压隔离开关的机械故障。