[发明专利]基于线性判别分析和支持向量机的断路器故障诊断方法

摘要

本发明公开一种基于线性判别分析和支持向量机的断路器故障诊断方法，其首先通过在线监测装置采集断路器分合闸线圈电流作为故障诊断的数据样本，包括正常运行时的数据样本和故障时的数据样本；然后从m个数据样本中提取y个特征量，形成m行，y列的数据样本X，并对数据样本进行标准化，形成n行，y列的原始特征矩阵R；再利用LDA算法对原始特征矩阵进行映射变换，形成具有m行，k列的变换后特征矩阵R’，同时得到变换函数的系数矩阵W；再利用将变换后特征矩阵R’作为支持向量机的训练数据集，优化其内部参数；最后基于LDA和支持向量机的模型，对断路器故障进行智能诊断。本发明算法精度高，可为电力系统的可靠性和稳定性提供保障。

主权项

1.基于线性判别分析和支持向量机的断路器故障诊断方法，其特征是，包括以下步骤：步骤一，通过在线监测装置采集断路器分合闸线圈电流作为故障诊断的数据样本，所采集的电流数据包括断路器正常运行时的数据样本和故障时的数据样本；定义断路器故障类型数为n，所采集到的数据样本个数为m，相应的，数据样本有n类；步骤二，从m个数据样本的每个样本中分别提取y个特征量，形成m行，y列的数据样本X，并对数据样本X进行标准化，形成m行，y列的原始特征矩阵R；步骤三，利用LDA算法对原始特征矩阵R进行映射变换，形成具有m行，k列的变换后特征矩阵R’(kij表示第i类，第j个训练样本，其是含有y个元素的一维向量；n_i表示属于第i类的训练样本个数，则有(32)由下式(1)和式(2)计算出类间离散度矩阵Sb和类内离散度矩阵Sw：式中：为训练样本中每一类的先验概率，为所有训练样本的平均数值，为训练样本中第i类的平均值；(33)LDA的目标函数是：上式中，WT为W的转置矩阵；为了使上式取得最大值，需要求解特征值，由于Sb和Sw为对称半正定阵，如果Sw是非奇异矩阵，则对(Sw)‑1Sb进行特征值分解，从而得到式(4)对应的特征向量和特征值：SbW＝λSwW  (4)(34)得出系数矩阵W，即前k个特征值所对应的特征向量；步骤四，采用两分类支持向量机的一对一分类方法，将变换后特征矩阵R'作为支持向量机的训练数据集，优化变换后特征矩阵R'的内部参数，并通过对R'的优化过程建立基于n类训练样本的n(n‑1)/2个分类器；步骤五，基于步骤三得到的系数矩阵W和步骤四得到的分类器，对断路器故障进行诊断，根据分类器的诊断输出结果，判断断路器的故障类型，包括以下步骤：(51)针对需要进行故障诊断的断路器对象，采集其动作一次的分合闸线圈电流，对采集到的电流信号提取y个特征量并进行标准化后形成原始列向量F，利用步骤三得到的系数矩阵W变化，形成一个k列的列向量F'；(52)将F'分别输入n(n‑1)/2个支持向量机进行故障诊断，每个支持向量机分别输出一个诊断结果，出现频率最高的诊断结果即为最终诊断的断路器的故障类型。