[发明专利]基于异常样本识别的高压断路器自诊断方法

摘要

基于异常样本识别的高压断路器自诊断方法，方法为：（1）通过高压断路器生产厂家、江苏省检修部门等收集高压断路器电流特征数据；（2）初始化自诊断模型的存储区域（包括实时数据库、可识别区域、不可识别区域）；（3）设定自诊断模型以下模块的相关参数，包括：PSO优化模块、KFCM识别模块等；（4）将初始训练数据集放入自诊断模型可识别区域中，并将基于训练数据集的KFCM聚类结果添加至实时数据库，PSO优化模块据此计算SVDD检测模块的初始参数；（5）自诊断模型循环运作，对测试样本进行处理，处理类型包括：可识别样本的处理、不可识别样本的处理、新故障类型出现的处理）。利用本发明可以实现对高压断路器电流数据的有效归类总结，所得结论可以为电力检修部门的管理和高压电气设备生产厂家的生产、改进提供较为科学的依据。

主权项

1.基于异常样本识别的高压断路器自诊断方法，其特征是通过PSO优化、KFCM聚类和SVDD检测进行已知故障样本的识别、未知故障样本的检测及其处理，首先通过基于PSO参数优化的SVDD检测模块检测测试样本，以确定其是否被自诊断模型可识别；然后联立PSO优化和KFCM聚类建立可识别样本的类别归纳模块和新故障的提取模块；最后将所有模块相互作用，自诊断模型循环诊断所有的测试样本，完成对其的故障识别，包括以下步骤：步骤1：诊断模型数据存储区域的初始化；步骤2：初始训练数据集的加入；步骤3：SVDD检测模块的运作；测试样本进入SVDD检测模块进行类型探测，若被自诊断模型识别，则该样本进入可识别区域；反之进入不可识别区域；步骤4：进行样本类群归属，当可识别区域的存储样本数量上升到一定阈值时，则进行KFCM聚类，基于聚类的样本分布放入实时数据库进行更新；当不可识别区域的存储样本数量上升到一定阈值时，通过KFCM聚类和MPC有效性分析从不可识别样本群中提取新故障类型及其所属的故障样本，新故障类型及其所属的故障样本移至实时数据库进行更新；步骤5：进行实时数据库更新；所述步骤1中，在未进行故障诊断之前对实时数据库、可识别区域、不可识别区域进行数据清空，防止自诊断模型运行过程的干扰。