[发明专利]基于HPSO-TSVM的高压断路器故障诊断方法

权利要求书

1.基于HPSO-TSVM的高压断路器故障诊断方法，其特征在于，具体按以下步骤实施：

步骤1：选取典型数据样本，按照4:1的比例分为训练样本和测试样本；

步骤2：提取经步骤1所得的训练样本的输入特征向量，采用改进的F-Score特征选择算法进行特征选择，得到一个最佳的特征子集；

步骤3：对经步骤2得到最佳的特征子集样本作为HPSO-TSVM的训练样本进行训练；

步骤4：利用步骤3建立好的高压断路器故障诊断模型对故障数据集中的测试样本进行分类，统计其分类准确率；

步骤1的具体实施步骤为：

步骤1.1、选取高压断路器监测到的数据样本I₁,I₂,I₃,t₁,t₂,t₃,t₄,t₅作为高压断路器故障诊断模型的输入特征向量，其中，I代表电流，t代表时间；

步骤1.2、对经步骤1.1所得的数据样本按照4:1的比例分为训练样本与测试样本，训练样本用来构建高压断路器故障诊断模型，测试样本则用来测试模型的分类效果；

步骤2的具体实施步骤为：

步骤2.1，提取经步骤1所得的训练样本的输入特征向量，构建训练样本集X_k，k＝1,2,3,…,n；

步骤2.2，对经步骤2.1得到训练样本集X_k采用改进的F-Score特征选择算法进行特征选择，得到一个最佳的特征量子集；

步骤2.2中，改进的F-Score特征选择算法进行特征选择的具体步骤如下：

(1)计算训练样本集X_k中第i个特征的F-Score值，

式中，表示第i个特征在整个数据集上的平均值；表示在第j类数据集上的平均值；则表示第j类第k个样本第i个特征的特征值；l是样本类别数；n_j为第j类样本个数，其中j＝1,2,…l，l≥2；

(2)对计算得到的F-Score值进行降序排列，F-Score值越大则表明该特征的辨别能力就越强；

(3)根据F-Score排序表，按高低顺序逐个将特征加入到建模的输入特征集合中，得到8个特征子集；

(4)将上述步骤得到的8个特征子集作为构建8个不同的基于HPSO-TSVM的高压断路器故障诊断模型的输入参数，以HPSO-TSVM的分类效果作为评判指标，选取最优的特征子集；

步骤3具体按照以下步骤实施：

步骤3.1，将步骤2得到的最佳的特征子集作为构建基于TSVM的高压断路器故障诊断模型的输入参量，将故障样本对应的故障类型作为输出，构建高压断路器故障诊断模型TSVM；

步骤3.2，采用HPSO对步骤3.1建立的高压断路器故障诊断模型TSVM进行参数优化，从而建立起HPSO-TSVM的高压断路器故障诊断模型；

步骤3.1中，构建基于TSVM的高压断路器故障诊断模型的步骤如下：

(1)采取混合核函数替换TSVM中高斯核函数，即令TSVM数学模型中的K(x,x_i)为：

K(x,x_i)＝aK₁(x,x_i)+bK₂(x,x_i),a＞0,b＞0 (2)

式(2)中a和b分别表示核函数K₁(x,x_i)和核函数K₂(x,x_i)在混合核函数中所占的比例；其中，x表示当前的测试样本，x_i表示第i个样本；

(2)令式(2)中的a≥0,b≤1且a+b＝1，因此式(2)可转换为如下形式：

K(x,x_i)＝λK₁(x,x_i)+(1-λ)K₂(x,x_i),0≤λ≤1 (3)；

(3)以sigmoid核函数替换核函数K₁，高斯核函数替换核函数K₂，因此混合核函数的最终表达式为：

v和c为sigmoid的两个参数需要初始设定，δ为高斯径向基核函数的标准差；

用上述得到混合核函数替换传统高斯核函数，由此建立起基于TSVM的故障诊断模型；

步骤3.2中，对经步骤3.1建立的TSVM故障诊断模型进行参数优化，混合核参数λ，高斯核参数δ和惩罚参数c_i，i＝1,2的选取对TSVM的性能有很大的影响，HPSO用来对TSVM参数进行选择，其中粒子由参数c₁，c₂，λ，δ组成，当使用HPSO对TSVM进行参数选择时，粒子群初始位置X_i(t)＝[X_i,1,X_i,2,…,X_i,N]，i＝1,2,…,m与TSVM参数一一对应；

采用HPSO对步骤3.1建立的高压断路器故障诊断模型TSVM进行参数优化的具体步骤如下：

(1)设置sigmoid核函数参数v和c的值，初始化粒子群，随机初始化N个粒子的速度与位置，设置混合粒子群算法初始参数：最大迭代次为K；设置局部搜索选择解的个数为L；相关加速系数w₁与w₂，局部调整概率γ，初始迭代次数为k＝0；

(2)将初始化得到的粒子代入TSVM中，对训练样本进行分类，以分类错误率作为适应度对粒子进行评价，得到每个粒子的初始适应度值fitness：

其中，N_t与N_f分别表示正确分类与错误分类的样本个数；

(3)迭代寻优，根据公式(6)和(7)不断更新粒子的速度与位置，并计算粒子适应度，并将每个粒子的适应度值与其局部最优解pbest_ij进行比较：如果当前值优于pbest_ij，则将pbest_ij更新为当前位置；如果当前适应度值优于全局最优则将更新为当前位置；

v_ij(k+1)＝w·v_ij(k)+c₁r₁(pbest_ij(k)-p_ij(k))+c₂r₂(gbest_j(k)-p_ij(k)) (6)

p_ij(k+1)＝p_ij(k)+v_ij(k+1) (7)

其中，k为迭代计数器，w为惯性权重，用于平衡全局搜索和局部搜索；r₁和r₂为值域为[0,1]的均匀分布随机变量；c₁和c₂是正的常数参数，称为加速度系数；v_ij表示粒子i在第j维的速度；pbest_ij为粒子i在第j维上的局部最优位置，gbest_j为粒子群在j维上的全局最佳位置；gbest_ij(k)表示在k次迭代时粒子群在j维上的全局最佳位置；pbest_ij(k)表示在k次迭代时粒子i在第j维上的局部最优位置；v_ij(k)与v_ij(k+1)分别表示在k次迭代与k+1次迭代时粒子i在第j维的速度，p_ij(k)与p_ij(k+1)分别表示在k次迭代与k+1次迭代时粒子i在第j维所处的局部位置；

为改善标准粒子群算法的优化能力，给出以下惯性权重w的自适应更新公式：

当

其中，V_max为粒子群的最大速度，为粒子群的平均速度，N为粒子群的数目，D为粒子的维度，惯性权重范围为[0,1]，v_max为单个粒子的最大速度，v_jmax为单个粒子的在第j维上的最大速度，V_i(k)表示第k次迭代时粒子i的速度，w(k)表示第k次迭代时权重w的值；v_ij(k)表示在k次迭代时粒子i在第j维的速度；

除此之外所选择的个体通过以下方程进行改进:

w₁和w₂为相关加速系数，和gbest_j分别为局部最优解与全局最优解，随机变量χ～U[0,1],γ为设定的概率阈值；

(4)通过公式k＝k'+1更新迭代次数，在进行局部搜索以后评估每个粒子的新的适应度值，更新个体最优位置和全局最优位置；如果满足停止准则，则终止HPSO迭代，输出最优解g_best及相应的适应度，同时获得全局最优值c₁，c₂，λ,δ，其中，k'为早先迭代次数，k为当前迭代次数。