[发明专利]基于决策树算法的高压断路器故障诊断方法

说明书

本发明公开了一种基于决策树算法的高压断路器故障诊断方法，所述方法步骤包括：特征选择，选取具有分类能力的特征向量用于训练数据，其包括主触头行程、合闸超程、动作时间、分合闸同期性4组特征向量；决策树生成，计算训练数据集中特征向量的信息增益比，判断信息增益比是否为最大并选择信息增益比最大的特征向量作为决策节点的测试条件，根据C4.5算法生成完整的决策树；决策树剪枝，根据最小化决策树的损失函数对决策树进行剪枝。本发明可以有针对性的安排检修，既能有效避免不必要的检修，节约人力物力，同时又可以防止潜伏性故障继续发展为显性故障最终导致电网事故。

技术领域

本发明涉及电器控制保护领域，尤其涉及一种基于决策树算法的高压断路器故障诊断方法。

背景技术

高压断路器作为电力系统中最重要的控制和保护设备，由于其结构复杂，动作相对频繁，因此发生故障的几率较大。若其发生故障将不能控制和保护整个电力系统的安全稳定运行，造成巨大的经济损失。目前检测高压断路器的方法有定期检修、事后检修等方式，定期检修费时费力、盲目性较大，无论断路器是否出现故障，都进行检修，会严重影响设备的使用寿命，因为绝大部分设备是不需要解体、维修的，设备解体后反而会影响其性能。另一种情况是当设备发生故障后才被维护或更换，会使设备的利用率降低，严重时会扩大事故范围，危及整个电网安全。因此，进行高压断路器故障预测能有效改善当前方法的不足，对高压断路器进行在线监测及故障诊断是保证其正常工作的重要手段.之一。

目前，高压断路器故障诊断可归分为3类：第1类是基于信号处理方法，如基于信号模态估计方法、基于小波变换、经验模态分解等；第2类是基于知识故障诊断方法，如专家系统、神经网络、模糊推理等；第3类是基于解析模型的方法，如状态估计法，参数估计法等。基于信号模态估计故障方法适用于被诊断系统的输入输出可以测量，但存在过多的人为因素，故障隶属度确定困难等问题；而基于知识的故障诊断方法应用于难以搭建精确数学模型的故障系统，诊断结果也相对的增加偏差性。

发明内容

本发明针对上述问题，提供一种高压断路器故障诊断方法，结合高压断路器机械特性试验数据，利用决策树分类算法确定高压断路器特征参量与故障阶段之间的关系，从而实现对高压断路器故障阶段进行分类预测。

为了达到上述目的，本发明提供了一种基于决策树算法的高压断路器故障诊断方法，其步骤包括：

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；