[发明专利]基于GA及SE优化VMD参数的电网设备故障识别方法及系统

权利要求书

1.基于GA及SE优化VMD参数的电网设备故障识别方法，其特征在于，所述电网设备故障识别方法包括以下步骤：

步骤1，采集不同类型输变电设备在不同故障形态下的故障信号；

步骤2，利用遗传算法对VMD分解中使用的分解层数K和惩罚因子α进行优化，并得到使用优化后的分解层数K和惩罚因子α进行VMD分解后的模态分量以及模态分量样本熵；

步骤3，根据步骤1的故障信号、步骤2的模态分量以及模态分量样本熵计算得到故障特征集；

步骤4，对KELM模型的惩罚因子C与核参数γ进行优化；

步骤5，将故障特征集输入寻优后的KELM模型进行故障识别。

2.根据权利要求1所述的电网设备故障识别方法，其特征在于：

在所述步骤1中，不同类型输变电设备包括供电线路输变电设备、主变输变电设备以及直流输变电设备；

不同故障形态包括瞬时故障、永久故障以及直流闭锁；

故障信号包括高压断路器振动信号和电压电流变化信号。

3.根据权利要求1或2所述的电网设备故障识别方法，其特征在于：

所述步骤2包括以下内容：

步骤2.1，个体编码，具体为，将一组VMD参数K和α作为一个VMD参数个体；

步骤2.2，设定初始种群，具体为，将初始化的两组以上的VMD参数K和α作为初始种群；

步骤2.3，计算使用种群中每个VMD参数个体在进行VMD分解时模态分量的样本熵，保存此时的最小样本熵值与VMD分解得到的模态分量；如果此时达到VMD参数寻优最大迭代次数，则VMD分解的最佳参数为保存的所有种群中使得样本熵值最小的VMD参数个体，进入步骤3；否则进入步骤2.4；

步骤2.4，对此时种群中的各个VMD参数个体的参数值进行交叉操作；

步骤2.5，对此时种群中的各个VMD参数个体的参数值进行变异操作并返回步骤2.2。

4.根据权利要求3所述的电网设备故障识别方法，其特征在于：

在所述步骤2.3中，样本熵满足以下关系式：

其中，SampEn(m,r,N)表示模态分量的样本熵；m为模式维数；r为相似容限阈值，N表示该模态分量的长度；

A^d(r)和B^d(r)分别为第一中间变量与第二中间变量，定义为：

其中，

d表示故障信号的时间序列构造的每个矢量长度；

C_i为L[X(ii),X(j)]≤r的数量；

L[X(ii),X(j)]≤r为X(ii)和X(j)的距离，定义为：

其中，ii,j＝1,2,…,N-d+1且j≠ii；

表示第n+1次迭代中VMD分解故障信号的第ii个时间序列得到的第k个模态分量，表示第n+1次迭代中VMD分解故障信号的第j个时间序列得到的第k个模态分量，k＝1,2…K。

5.根据权利要求3所述的电网设备故障识别方法，其特征在于：

在所述步骤2.4中，对于每一个VMD参数个体，以交叉概率随机交换种群中一个个体的参数K或α与种群中另外一个个体的参数K或α；

在所述步骤2.5中，对于每一个VMD参数个体，以变异概率随机增大或减少参数K或α的值，所增大或减小的值应不大于该参数本身的2％。

6.根据权利要求1所述的电网设备故障识别方法，其特征在于：

所述步骤3包括以下内容：

步骤3.1，提取每个模态分量的十八个时域信号特征；

步骤3.2，对模态分量对应的故障信号进行傅里叶变换，提取傅里叶变换后的十三个频域信号特征；

步骤3.3，将步骤3.1的时域信号特征、步骤3.2的频域信号特征以及样本熵进行整合。