[发明专利]一种基于遗传算法和聚类算法的断路器故障诊断方法

权利要求书

1.一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：包括以下步骤:

S1、采集断路器多元故障外特性数据，进行数据预处理；

S2、根据步骤S1预处理得到的断路器多元故障外特性数据，构造多组物理量组合，利用遗传算法对多组物理量组合进行评价；

S3、根据步骤S2构造的多组物理量组合，采用遗传算法构造断路器故障多维度判据；

S4、根据步骤S3构造的断路器故障多维度判据，通过K-均值聚类法对断路器故障进行判断。

2.根据权利要求1所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：所述断路器多元故障外特性数据包括断路器正常运行状态及故障状态下相对应的运行数据。

3.根据权利要求2所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：所述运行数据包括电流、电压、电信号、温度信号、声音信号。

4.根据权利要求1所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：所述数据预处理，包括对采集的多元故障外特性数据进行数据变换实现数据归一化，剔除离群样本并将数据集成为一个数据库。

5.根据权利要求1所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：采用遗传算法构造断路器故障多维度判据，具体包括如下步骤：

S31、基于步骤S1中经预处理的多元故障外特性数据，随机生成10组初始物理量组合向量作为第一代物理量组合：物理量组合仅包含0和1，向量元素个数与经预处理的多元故障外特性数据中物理量的个数一致，其中0表示该物理量组合中不包含该物理量，1则表示物理量组合中包含该物理量；

S32、通过遗传算法中适应度函数对第一代物理量组合做出评价，适应度函数：利用该物理量组合对数据组进行K-均值法聚类分析结果的样本中心与实际分类样本中心差值的大小；K-均值聚类法计算各组数据与各分类中心的平均距离，分类中心为已知分类中各样本的平均值向量，将该组数据加入到平均距离最小的一组中，并更新该组的分类中心，直至所有数据被分类完成；综上，若实际已知的分类中心向量为对某一物理量组合适应度函数F(x)表示为：

种群向F(x)减小的方向进行迭代；

S33、利用适应度函数对第一代10组物理量进行评价后，取其中适应度最小的五组进行交叉，交叉方式为：在某两个元素中间选取一切点，取父本向量1在切点前的全部元素与父本向量2在切点后的全部元素，组合成新的子向量；

S34、引入交叉率的概念：设交叉率为ηc(0＜ηc＜1)，进行交叉前，随机生成一个0～1之间的数i，若i＜ηc，则进行交叉操作，反之，则选取两个父本向量中的任意一个作为下一代子向量，交叉率设定为80％～90％；

S35、添加变异算子，设变异率为ηm(0＜ηm＜1)，进行交叉操作时，对子向量的每一个元素随机生成0～1之间的数j，若j＜ηm，则对该元素作非运算，变异率为0.5％～1％；

S36、执行步骤S31～S35操作后，一次迭代结束，判断子向量中是否存在适应度满足要求的物理量组合，若存在，则跳出循环，若不存在，则继续执行步骤S31～S35。

6.根据权利要求1所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：步骤S3中，在所述遗传算法中加入动态规划，以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据。

7.根据权利要求6所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：在所述遗传算法中加入动态规划，具体操作方法为：以向量中非零元素个数作为状态量S，不同的S代表不同的阶段，在有限的迭代次数产生的所有向量中，从S＝1开始判断是否存在适应度满足要求的向量，若存在，则停止寻找，若不存在，则在S＝1+n状态下继续寻找，n为正整数。

8.根据权利要求6所述的一种基于遗传算法和聚类算法的断路器故障诊断方法，其特征在于：步骤S4中，根据以动态规划改进的遗传算法得出的最优物理量组合作为断路器故障多维度判据，通过K-均值聚类法对断路器故障进行判断，具体包括如下步骤：

S41、计算步骤S1中，已采集的断路器多元故障外特性数据在正常运行状态的运行数据，作为样本中心初始值；

S42、根据样本中心初始值对断路器运行中采集到的断路器故障多维度判据数据进行聚类，计算该组判据数据与样本中心的欧氏距离，将其归入距离最近的一类；

S43、若该组判据数据被归入正常运行状态数据，则判定该断路器工作正常，若其被归入故障状态数据，则判定该断路器发生了与故障状态相对应的故障；

S44、若断路器实际运行状况与判断结果相符，则将该组判据数据计入该类数据，并重新计算样本中心；

S45、采集下一组断路器多维度判据数据并重复执行步骤S41～S44。