[发明专利]基于粒子群优化的KFCM及SVM的电抗器故障诊断方法

说明书

本发明公开一种基于粒子群优化的KFCM及SVM的电抗器故障诊断方法，包括如下步骤：步骤1，采集电抗器油中的故障气体浓度，将采集到的数据分为测试数据和故障数据；步骤2，利用P‑KFCM算法对测试数据样本空间进行预分类，建立数据样本与故障类型间的隶属度映射；步骤3，确定SVM的最优分类；步骤4，将最优分类中每两类的数据样本建立一个SVM预测训练器；步骤5，将采集到的测试样本分别输入SVM训练器，得到初步测试结果；步骤6，基于P‑KFCM结合SVM分类模型算法进行电抗器故障诊断。此种故障诊断方法可有效解决局部最优问题，提升诊断结果的可靠性。

技术领域

本发明属于电力设备数值计算与分析领域，特别涉及一种基于粒子群优化的KFCM及SVM的电抗器故障诊断方法

背景技术

电抗器作为电力系统主要的感性元件，因其具有结构简单、运行维护成本低、线性度良好等优点，广泛应用于限流、滤波、无功补偿和改善线路电压分布等方面。并联电抗器是高电压、远距离交流输电网络中不可缺少的重要设备，它可以改善沿线工频电压分布，增强系统稳定性及送电能力；降低工频暂态过电压，并进而限制操作过电压的幅值；改善轻载线路中的无功分布，降低有功损耗，提高送电效率等，因此，其运行状态关系到整个电力系统的安全稳定运行。

电抗器的故障诊断受到多方面的影响，包括难以建立精确的数学模型，对系统结构和参数的不确定性、时变性等缺乏充分的认识和了解。干扰和噪声造成的影响，故障诊断算法的准确度并不高，无法满足智能电网对提出的实时性与可靠性的要求。因此，如何发明一种具有较高精度与可靠度的电抗器故障诊断算法成为需解决的课题。

支持向量机是一种基于结构风险最小原则的智能分类器。相较人工神经网络等传统智能处理算法，该算法能够在小样本量的情况下建立出具有优秀泛化性能的二分类器，同时避免了局部最小和维数灾难问题，因此引起了广泛的关注，并已成功运用到电抗器故障诊断领域。

发明内容

本发明的目的，在于提供一种基于粒子群优化的KFCM及SVM的电抗器故障诊断方法，其可有效解决局部最优问题，提升诊断结果的可靠性。

为了达成上述目的，本发明的解决方案是：

一种基于粒子群优化的KFCM及SVM的电抗器故障诊断方法，包括如下步骤：

步骤1，采集电抗器油中的故障气体浓度，将采集到的数据分为测试数据和故障数据；

步骤2，利用P-KFCM算法对测试数据样本空间进行预分类，建立数据样本与故障类型间的隶属度映射；

步骤3，确定SVM的最优分类；

步骤4，将最优分类中每两类的数据样本建立一个SVM预测训练器；

步骤5，将采集到的测试样本分别输入SVM训练器，得到初步测试结果；

步骤6，基于P-KFCM结合SVM分类模型算法进行电抗器故障诊断。

采用上述方案后，本发明针对电抗器的故障诊断需要有数据样本大和准确度不高的问题，提出了一种基于融合粒子群的模糊核聚类(KFCM)与支持向量机(SVM)的故障诊断方法，利用相对较少的故障数据样本对电抗器主要故障类型进行较为准确的在线判断，并且用P-KFCM算法对故障训练样本进行预分类，并以此为基础建立多SVM故障预测模型。P-KFCM算法将粒子群的全局搜索能力融入KFCM中，有效地解决了局部最优问题，提升了诊断结果的可靠性。

附图说明

图1是本发明的流程图；

图2是P-KFCM算法流程图；

图3是支持向量机训练模型。

具体实施方式