[发明专利]融合否定选择算法和径向基函数的电力设备诊断方法

说明书

本发明涉及人工智能技术领域，特别是涉及一种融合否定选择算法和径向基函数的电力设备诊断方法；包括如下步骤：步骤S1，通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本；步骤S2，通过径向基神经网络函数进行机器学习算法，实现配电设备的故障诊断；通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本，通过径向基神经网络函数进行机器学习，最终实现配电设备的故障诊断。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种融合否定选择算法和径向基函数的电力设备诊断方法。

背景技术

目前存在的故障诊断方法，总会存在自身的局限性，所以不能单纯的单一诊断技术解决所有的问题。基于专家系统的故障诊断通过学习多专家知识对随机事件进行诊断，但是知识获取困难、知识库更新能力差、多个领域专家知识之间的矛盾难于处理、现有的逻辑理论的表达能力和处理能力有很大的局限性，使得基于规则的专家系统有很大的局限性。基于人工神经网络的故障诊断具备非线性大规模并行分布处理、自组织、自学习能力，但其自身学习需要典型的故障样本，电力设备的故障数据采集困难，且不容易进行故障分类。

发明内容

本发明的目的是提供一种融合否定选择算法和径向基函数的电力设备诊断方法，通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本，通过径向基神经网络函数进行机器学习，最终实现配电设备的故障诊断。

为解决上述技术问题，本发明提供了如下技术方案：

一种融合否定选择算法和径向基函数的电力设备诊断方法，包括如下步骤：

步骤S1，通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本；

步骤S2，通过径向基神经网络函数进行机器学习算法，实现配电设备的故障诊断。

优选地，步骤S1包括如下步骤：

步骤S101，将自体样本S进行归一化处理，产生随机样本X；

步骤S102，计算随机样本中的不定半径的实值向量检测器与每个检测器DI的欧式距离Dd；

步骤S103，当欧氏距离Dd大于检测器检测半径时，计算随机样本X与每个自体样本Si的欧式距离d；

步骤S104，计算d的最小距离min_d；

步骤S105，如果最小距离min_d大于自体半径rs时，执行步骤S106；如果最小距离min_d小于自体半径rs时，执行步骤S107；

步骤S106，检测半径r为min_d-rs，当r大于0时，将样本X放入集合器集合D中，当r小于0时，将产生新的随机样本X；

步骤S107，将样本X放入集合器集合D中。

优选地，步骤S2包括如下步骤：

步骤S201，利用已有的故障征兆和诊断结果对神经网络进行离线训练，使神经网络通过权值记忆故障征兆与诊断结果之间存在的对应关系；

步骤S202，将得到的故障征兆加到神经网络的输入端，利用训练后的神经网络进行故障诊断，并得到相应的诊断结果。

优选地，步骤S2中的径向基神经网络函数中的为输入样本向量与权值向量的距离，传递函数，传递函数输入量为与单位向量的差值，输出值范围为[0,1]。

与现有技术相比，上述技术方案具有以下优点：

通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本，通过径向基神经网络函数进行机器学习，最终实现配电设备的故障诊断。

附图说明