[发明专利]一种基于大数据挖掘的隔离开关状态诊断算法

说明书

本发明提供一种基于大数据挖掘的隔离开关状态诊断算法，涉及电力技术领域，包括：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。本发明通过算法对高压隔离开关的电机电流信号进行计算，有效的提取出各个机械故障状态下的簇中心和特征值，针对高压隔离开关的卡涩情况有明显的分离效果，对于高压隔离开关机械故障的检测和诊断的应用有着广阔前景，能够避免了算法过早收敛，同时，使得计算的精度大大提高，通过加入自适应权重能够解决算法过分依赖初试值的弊端，大大提高了运算的速度。

技术领域

本发明涉及电力技术领域，特别的为一种基于大数据挖掘的隔离开关状态诊断算法。

背景技术

隔离开关由于常年暴露在野外环境，极易受到腐蚀和振动的影响，使得隔离开关出现关节不同程度卡涩、由于人工操作不规范以及弹簧失能导致的合闸不到位等机械故障，严重影响了线路的安全稳定运行。因此，对高压隔离开关的机械故障诊断拥有极为重要的现实意义。隔离开关的机械故障检测手段有：绝缘子超声波探伤、触头温度在线监测、红外温度检测等。由于电机电流是比较直观的检测数据，通过检测高压隔离开关的刀闸电机电流信号，可以比较清晰的展现隔离开关各个故障情况，但是传统的电机电流分析法，在使用的过程中，过于依赖初试点和局部收敛等限制，使得在隔离开关的故障分析中出现误差和误判，同时，传统的电机电流分析法的运算精度不佳。

综上所述，研发一种基于大数据挖掘的隔离开关状态诊断算法，仍是电力技术领域中急需解决的关键问题。

发明内容

本发明提供的发明目的在于提供一种基于大数据挖掘的隔离开关状态诊断算法，解决上述背景技术中的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于大数据挖掘的隔离开关状态诊断算法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，在S4操作步骤中，选择操作包括以下步骤：