[发明专利]基于决策树算法的高压断路器故障诊断方法

权利要求书

1.一种基于决策树算法的高压断路器故障诊断方法，其特征在于，所述方法包括以下步骤：

S1：输入高压断路器特征数据集与预期目标变量，所述特征数据集为n组数据D＝(X₁，y₁)，(X₂，y₂)，...，(X_n，y_n)，其中每组特征数据X_i有m个特征向量A，y_i为X_i的预期目标变量；

S2：将所述高压断路器特征数据集划分为训练数据集D_t与测试数据集D_e；

S3：设定高压断路器特征数据X_i的所有特征向量A；

S4：从根节点开始计算所有特征向量A的信息增益比g_R(D_t，A)，所述信息增益比g_R(D_t，A)公式为：

其中，H_A(D_t)为训练数据集D_t关于特征向量A的熵，g(D_t，A)为特征向量A对训练数据集D_t的信息增益；

S5：选择信息增益比最大的特征向量为根节点的特征向量并根据所述根节点特征向量的不同取值建立决策节点；

S6：对于所述决策节点递归地调用S4、S5并再次形成新的决策节点；

S7：依此类推，直到所有特征向量的信息增益比g_R(D_t，A)很小或不存在则计算中止、分支选择过程结束，根节点沿决策节点向下、最终达到叶子节点并形成决策树；

S8：对所述决策树进行剪枝操作，计算所述决策树中每个叶子节点的经验熵，所述经验熵计算公式为：

其中D_ti为训练数据集D_t中第i组特征数据；

S9：计算决策树损失函数，所述决策树损失函数计算公式为：

其中，决策树T的叶子节点为t，叶子节点总个数为|T|，叶子节点t的样本数为N_t，H_t(T)为叶子节点t的经验熵，C(T)为决策树对训练数据的预测误差并可等效为决策树与训练数据集D_t间的拟合度，|T|等效为决策树复杂度，α为拟合度与复杂度间的影响因子；

S10：判断所述决策树损失函数是否最小，若最小则选择损失函数最小的决策树作为最终结果，否则将叶子节点向上回缩，即将叶子节点与决策节点进行合并操作并调用S9、S10进行迭代计算，最后形成决策树损失函数最小的简化决策树；

S11：向简化决策树输入测试数据集D_e，输出分类结果并判断高压短路器的故障阶段。

2.根据权利要求1所述基于决策树算法的高压断路器故障诊断方法，其特征在于，所述高压断路特征数据X_i的特征向量A包括：主触头行程、合闸超程、动作时间、分合闸同期性。

3.根据权利要求1所述基于决策树算法的高压断路器故障诊断方法，其特征在于，所述预期目标变量分为三个类别，分别为高压断路器故障阶段的早期故障期、偶发故障期以及损耗故障期。

4.根据权利要求1所述基于决策树算法的高压断路器故障诊断方法，其特征在于，决策节点作为分支选择过程的中间节点存放特征向量的测试条件并根据特征向量的测试条件即特征向量的不同取值建立新的决策节点；叶子节点作为分支选择过程的终止节点存放所述预期目标变量的三个类别并对特征数据进行分类操作。