CN108764265A - 一种基于支持向量机算法的故障诊断方法 - Google Patents
一种基于支持向量机算法的故障诊断方法 Download PDFInfo
- Publication number
- CN108764265A CN108764265A CN201810249722.9A CN201810249722A CN108764265A CN 108764265 A CN108764265 A CN 108764265A CN 201810249722 A CN201810249722 A CN 201810249722A CN 108764265 A CN108764265 A CN 108764265A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- sample
- support vector
- classification
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于支持向量机算法的故障诊断方法,所述方法包括以下步骤:获取待分类样本数据以及样本数据中的所有类别;在任意两个类之间构建一个SVM分类器,若样本数据中共有k类,则构建k(k‑1)/2个分类器;将样本输入分类器进行分类,统计分类结果;将分类结果中数量最多的类别作为样本所属类,相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策,所述基于支持向量机算法的故障诊断方法具有对于绝缘故障类型的识别能力好、操作简便、适用范围广等优点。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于支持向量机算法的故障诊断方法。
背景技术
六氟化硫(SF6)气体绝缘电力设备凭借其可靠性高,占地面积小等优点,广泛地应用于高压、超高压和特高压领域,在电网中有非常重要的地位,其运行状态直接关系到电力***的稳定性,在SF6气体绝缘电力设备的故障中,绝缘故障因其发生频率高、破坏性大而最为引人关注,绝缘故障如果不能被及时识别,很可能会发生连锁反应,导致事故范围扩大,造成巨大经济损失,通常,绝缘故障是由早期的潜伏性绝缘隐患发展而来,因此,早期潜伏性绝缘故障的监测与诊断技术的研究具有十分重要的理论意义和实用价值。
支持向量机在机器学习中是一种与相关学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析,通过建立一种基于支持向量机算法的绝缘故障诊断方法,可以帮助相关人员更好地识别绝缘故障类型从而进行相应决策,提高电网***的安全性与稳定性。
发明内容
鉴以此,本发明的目的在于提供一种基于支持向量机算法的故障诊断方法,以至少解决以上问题。
一种基于支持向量机算法的故障诊断方法,包括以下步骤:
S1、采集样本数据:获取待分类样本数据以及样本数据中的所有类别;
S2、构造分类器:在任意两个类之间构建一个SVM分类器,若样本数据中共有k类,则构建k(k-1)/2个分类器;
S3、将样本输入分类器进行分类,统计分类结果;
S4、将分类结果中数量最多的类别作为样本所属类,相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策。
进一步的,S2中,采用支持向量机作为识别绝缘缺陷的分类器,其原理是通过非线性映射φ,将输入的样本数据转换为向量映射到高维空间F,在所述高维空间F中寻找一个最优超平面使样本之间的间隔最大。
进一步的,假设样本集为xi∈Rn为输入向量,N表示样本个数,yi∈{±1}为类标号,输入向量在高维空间F中对应的向量为φ(x),在F空间中构造超平面f(x)=(w·φ(x))+b,其中w为超平面的法向量,b为偏移量,当所述超平面使两类样本间隔最大时,所述超平面为最优分类面,且此时w=w*,b=b*。
进一步的,将求解最优分类面的f(x)=(w*·φ(x))+b*的问题转化为具有线性约束的二次规划问题,即:
其中ξ为松弛因子,C为惩罚因子且大于0,通过拉格朗日乘子法对公式(1)和(2)进行求解,即:
其中αi和βi为拉格朗日乘子,将公式(3)转化为对偶问题可得:
由公式(4)可求出αi以及核函数K(xi,xj)=φ(xi)·φ(xj),同时由KKT条件可得到公式(5)以求得b*,
最终根据最优分类面f(x)=(w*·φ(x))+b*可得到分类判别函数为:
进一步的,所述核函数采用高斯径向基核函数,其表达式为:
进一步的,所述方法通过粒子群优化算法对惩罚因子C和核函数参数进行了优化,以提高分类器的分类性能。
与现有技术相比,本发明的有益效果是:
本发明所提供的一种基于支持向量机算法的故障诊断方法,通过构建分类器,对绝缘故障样本数据进行分类,适用于样本数据较大的应用场景,同时应用了粒子群优化算法对算法参数进行优化,使分类器的分类性能更好,分类效率更高,以便帮助相关人员进行绝缘缺陷故障类型的识别、排除、改进等工作与决策。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的故障诊断方法流程示意图。
图2是本发明实施例的分类器构建示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
实施例1
参照图1,本发明提供一种基于支持向量机算法的故障诊断方法,对局部放电样本数据进行识别以诊断绝缘故障类型,所述故障诊断方法包括以下步骤:
S1、采集样本数据:获取待分类样本数据以及样本数据中的所有类别;
S2、构造分类器:在任意两个类之间构建一个SVM分类器,若样本数据中共有k类,则构建k(k-1)/2个分类器;
S3、将样本输入分类器进行分类,统计分类结果;
S4、将分类结果中数量最多的类别作为样本所属类,相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策。
具体的,首先,采集局部放电下SF6不同分解组分的含量数据以及相应的绝缘缺陷类型,随后基于支持向量机算法构建分类器。
所述分类器的构建规则是,在任意两种绝缘缺陷类型之间构建分类器,如果样本数据有k类,则共需要构建k(k-1)/2个分类器。例如,参照图2,用气体识别的局部放电类型共有三类,则需要构造3个SVM分类器,图2中SVMNG用来对金属突出物和气隙两类绝缘缺陷进行分类,其它同理。
分类器的构建原理是,通过非线性映射φ,将输入向量映射到一个高维空间F,并在高维空间中寻找一个最优超平面,使样本之间的间隔最大,该超平面即为最优分类面。
假定样本集为xi∈Rn为输入向量,N表示样本个数,yi∈{±1}为类标号,输入向量在高维空间F中对应的向量为φ(x),在F空间中构造超平面f(x)=(w·φ(x))+b,其中w为超平面的法向量,b为偏移量,当所述超平面使两类样本间隔最大时,所述超平面为最优分类面,且此时w=w*,b=b*。
求解最优分类面f(x)=(w*·φ(x))+b*可转化为具有线性约束的二次规划问题,即:
其中ξ为松弛因子,C为惩罚因子且大于0,公式(1)和(2)可通过拉格朗日乘子法进行求解,即:
其中αi和βi为拉格朗日乘子,将公式(3)转化为对偶问题可得:
由公式(4)可求出αi以及核函数K(xi,xj)=φ(xi)·φ(xj),本方法中采用了高斯径向基核函数,其表达式为:
同时由KKT条件可得到公式(5)以求得b*,
最终根据最优分类面f(x)=(w*·φ(x))+b*可得到分类判别函数为:
构建好分类器后,将样本数据输入到分类器中进行分类,分类器输出分类结果后进行统计,数量最多的类别作为样本所属类,为相关人员进行绝缘故障的排查、修复、预防工作和决策提供依据。
实施例2
实施例1中所构建的基于支持向量机的分类器,有两个参数需要事先确定,即惩罚因子C和核函数σ,C和σ的值对于SVM的分类性能影响很大,因此,通过粒子群优化算法(particle swarm optimization,PSO)筛选出最优化的C与σ值,以提高SVM的分类性能。
PSO算法的基本原理是:设搜索空间为D维,空间中有n个粒子在飞行,第i个粒子在空间中的位置表示为向量Xi=(xi1,xi2,...xiD),每个位置代表空间中一个可能的解,将位置向量带入适应度函数以获得该位置对应的适应度,根据适应度即可评价该位置的优劣。
设第i个粒子过去所处的最优位置为Pi=(pi1,pi2,...piD),其中第g个粒子的过去最优位置Pg为所有Pi(i=1,...n)中的最优,第i个粒子的飞行速度为向量Vi=(vi1,vi2,...viD),在搜寻最优位置的过程中,每个粒子根据自身所发现的最优位置和整个粒子群体已发现的最优位置来更新当前的飞行速度和位置,粒子的位置和速度更新公式为:
xid(t+1)=xid(t)+vid(t+1) 1≤i≤n 1≤d≤D (9)
公式(8)中,c1、c2为正常数,成为加速因子;r1、r2为[0,1]之间的随机数;w称为惯性因子,w较大适于对解空间进行大范围的探查,w较小时适于进行小范围开挖。第d(1≤d≤D)维的位置变化范围为[-Xdmax,Xdmax],速度变化范围为[-Vdmax,Vdmax],迭代中若位置和速度超过边界范围则取边界值,粒子群初始位置和速度随机产生,然后按照公式(8)和(9)进行迭代,直至找出合适的解为止。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于支持向量机算法的故障诊断方法,其特征在于,所述方法包括以下步骤:
S1、采集样本数据:获取待分类样本数据以及样本数据中的所有类别;
S2、构造分类器:在任意两个类之间构建一个SVM分类器,若样本数据中共有k类,则构建k(k-1)/2个分类器;
S3、将样本输入分类器进行分类,统计分类结果;
S4、将分类结果中数量最多的类别作为样本所属类,相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策。
2.根据权利要求1所述的一种基于支持向量机算法的故障诊断方法,其特征在于,S2中,采用支持向量机作为识别绝缘缺陷的分类器,其原理是通过非线性映射φ,将输入的样本数据转换为向量映射到高维空间F,在所述高维空间F中寻找一个最优超平面使样本之间的间隔最大。
3.根据权利要求2所述的一种基于支持向量机算法的故障诊断方法,其特征在于,假设样本集为xi∈Rn为输入向量,N表示样本个数,yi∈{±1}为类标号,输入向量在高维空间F中对应的向量为φ(x),在F空间中构造超平面f(x)=(w·φ(x))+b,其中w为超平面的法向量,b为偏移量,当所述超平面使两类样本间隔最大时,所述超平面为最优分类面,且此时w=w*,b=b*。
4.根据权利要求3所述的一种基于支持向量机算法的故障诊断方法,其特征在于,将求解最优分类面的f(x)=(w*·φ(x))+b*的问题转化为具有线性约束的二次规划问题,即:
其中ξ为松弛因子,C为惩罚因子且大于0,通过拉格朗日乘子法对公式(1)和(2)进行求解,即:
s.t.αi≥0,βi≥0
其中αi和βi为拉格朗日乘子,将公式(3)转化为对偶问题可得:
由公式(4)可求出αi以及核函数K(xi,xj)=φ(xi)·φ(xj),同时由KKT条件可得到公式(5)以求得b*,
最终根据最优分类面f(x)=(w*·φ(x))+b*可得到分类判别函数为:
5.根据权利要求4所述的一种基于支持向量机算法的故障诊断方法,其特征在于,所述核函数采用高斯径向基核函数,其表达式为:
6.根据权利要求4或5所述的一种基于支持向量机算法的故障诊断方法,其特征在于,所述方法通过粒子群优化算法对惩罚因子C和核函数参数σ进行了优化,以提高分类器的分类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249722.9A CN108764265A (zh) | 2018-03-26 | 2018-03-26 | 一种基于支持向量机算法的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249722.9A CN108764265A (zh) | 2018-03-26 | 2018-03-26 | 一种基于支持向量机算法的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764265A true CN108764265A (zh) | 2018-11-06 |
Family
ID=63980250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810249722.9A Pending CN108764265A (zh) | 2018-03-26 | 2018-03-26 | 一种基于支持向量机算法的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764265A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214721A (zh) * | 2018-11-07 | 2019-01-15 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种多能源***中长期冷热电负荷分类方法 |
CN109828230A (zh) * | 2019-04-02 | 2019-05-31 | 国网新疆电力有限公司电力科学研究院 | 电能表自动化检定流水线表位故障的定位方法 |
CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、***及终端设备 |
CN109947941A (zh) * | 2019-03-05 | 2019-06-28 | 永大电梯设备(中国)有限公司 | 一种基于电梯客服文本分类的方法和*** |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
CN110490243A (zh) * | 2019-08-13 | 2019-11-22 | 贵州省计量测试院 | 一种基于ls-svm的涡流硬度分选方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN110991508A (zh) * | 2019-11-25 | 2020-04-10 | 珠海复旦创新研究院 | 异常检测器推荐方法、装置及设备 |
CN112669322A (zh) * | 2021-03-22 | 2021-04-16 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN114324754A (zh) * | 2021-12-27 | 2022-04-12 | 国网山东省电力公司潍坊供电公司 | 智能sf6气体一体化检测***及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
CN102721645A (zh) * | 2012-06-27 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 便携式sf6气体分解物光声光谱检测装置及检测方法 |
CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断***与方法 |
CN107065568A (zh) * | 2017-05-26 | 2017-08-18 | 广州供电局有限公司 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
CN107219446A (zh) * | 2017-06-15 | 2017-09-29 | 国网重庆市电力公司电力科学研究院 | 一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法 |
-
2018
- 2018-03-26 CN CN201810249722.9A patent/CN108764265A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
CN102721645A (zh) * | 2012-06-27 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 便携式sf6气体分解物光声光谱检测装置及检测方法 |
CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断***与方法 |
CN107065568A (zh) * | 2017-05-26 | 2017-08-18 | 广州供电局有限公司 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
CN107219446A (zh) * | 2017-06-15 | 2017-09-29 | 国网重庆市电力公司电力科学研究院 | 一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法 |
Non-Patent Citations (3)
Title |
---|
刘帆: "局部放电下六氟化硫分解特性与放电类型辨识及影响因素校正", 《中国博士学位论文全文数据库 工程科技II辑》 * |
唐炬 等: "基于分解组分分析的SF6设备绝缘故障诊断方法与技术的研究现状", 《电子技术学报》 * |
张薇: "基于改进核主元分析的过程监测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214721A (zh) * | 2018-11-07 | 2019-01-15 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种多能源***中长期冷热电负荷分类方法 |
CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、***及终端设备 |
CN109947941A (zh) * | 2019-03-05 | 2019-06-28 | 永大电梯设备(中国)有限公司 | 一种基于电梯客服文本分类的方法和*** |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN109828230A (zh) * | 2019-04-02 | 2019-05-31 | 国网新疆电力有限公司电力科学研究院 | 电能表自动化检定流水线表位故障的定位方法 |
CN110320468A (zh) * | 2019-06-24 | 2019-10-11 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
CN110320468B (zh) * | 2019-06-24 | 2022-04-12 | 广西电网有限责任公司电力科学研究院 | 一种基于向量机的开关柜过热故障诊断方法 |
CN110503004B (zh) * | 2019-07-29 | 2022-03-22 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN110490243A (zh) * | 2019-08-13 | 2019-11-22 | 贵州省计量测试院 | 一种基于ls-svm的涡流硬度分选方法 |
CN110490243B (zh) * | 2019-08-13 | 2021-10-26 | 贵阳瑞极精密测量有限公司 | 一种基于ls-svm的涡流硬度分选方法 |
CN110991508A (zh) * | 2019-11-25 | 2020-04-10 | 珠海复旦创新研究院 | 异常检测器推荐方法、装置及设备 |
CN112669322B (zh) * | 2021-03-22 | 2021-06-01 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN112669322A (zh) * | 2021-03-22 | 2021-04-16 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN114324754A (zh) * | 2021-12-27 | 2022-04-12 | 国网山东省电力公司潍坊供电公司 | 智能sf6气体一体化检测***及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764265A (zh) | 一种基于支持向量机算法的故障诊断方法 | |
Hayes et al. | Contextual anomaly detection in big sensor data | |
CN112084237A (zh) | 一种基于机器学习和大数据分析的电力***异常预测方法 | |
US8121967B2 (en) | Structural data classification | |
Günnemann et al. | Predicting defective engines using convolutional neural networks on temporal vibration signals | |
Abdi et al. | A hybrid one-class rule learning approach based on swarm intelligence for software fault prediction | |
Elmasry et al. | Detection of faults in electrical power grids using an enhanced anomaly-based method | |
Khomami et al. | Overlapping community detection in social networks using cellular learning automata | |
Shi et al. | Graph embedding deep broad learning system for data imbalance fault diagnosis of rotating machinery | |
Dwivedi et al. | DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements | |
Goseva-Popstojanova et al. | Software fault proneness prediction with group lasso regression: On factors that affect classification performance | |
Yang et al. | Interpretable software defect prediction incorporating multiple rules | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
Zhu et al. | Auto-starting semisupervised-learning-based identification of synchrophasor data anomalies | |
Yang et al. | ADT: Agent-based Dynamic Thresholding for Anomaly Detection | |
Wang et al. | Sequential fault detection and classification in chemical process using a deep convolutional encoder-decoder architecture based on system dynamics | |
Gao et al. | The use of under-and oversampling within ensemble feature selection and classification for software quality prediction | |
Huang et al. | Robust condition identification against label noise in industrial processes based on trusted connection dictionary learning | |
Sharma et al. | Examining the Predictive Capability of Advanced Software Fault Prediction Models–An Experimental Investigation Using Combination Metrics | |
Singh et al. | Review on class imbalance learning: binary and multiclass | |
Ceci et al. | Signal and graph perturbations via total least-squares | |
Li et al. | A LS-SVM based approach for turbine engines prognostics using sensor data | |
Du et al. | A self-supervised framework for clustering ensemble | |
Pham et al. | An Interpretable Machine Learning Approach For Fault Classification in Bearing Systems | |
Jenifer et al. | An ensemble based machine learning approach for traffic prediction in smart city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |