本發(fā)明涉及電氣設(shè)備檢修，尤其涉及一種基于svd-xgboost的斷路器故障檢測優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、高壓斷路器是電力系統(tǒng)電氣主接線中必不可少的元件，對于維持電力系統(tǒng)的穩(wěn)定性、可靠性和經(jīng)濟(jì)性起到關(guān)鍵作用。它具有兩個主要功能：一是分合正常電流，以應(yīng)對電網(wǎng)負(fù)荷變化，確保電路的正常運行；二是切斷故障電流，以隔離故障區(qū)域，保護(hù)電力系統(tǒng)的安全運行。當(dāng)高壓斷路器失去可靠性或發(fā)生機(jī)械部件損壞時，會帶來兩個主要問題。一方面，可能導(dǎo)致電力系統(tǒng)或電力設(shè)備發(fā)生不穩(wěn)定情況。另一方面，可能導(dǎo)致繼電保護(hù)無法準(zhǔn)確觸發(fā)，失去了快速響應(yīng)的能力。這樣會引發(fā)上一級保護(hù)的操作，擴(kuò)大了故障范圍，喪了選擇性，嚴(yán)重時可能導(dǎo)致整個系統(tǒng)的解列。早期高壓斷路器的故障診斷主要采用離線檢測方法，包括定期檢修和預(yù)防性檢修。離線檢測需要測定高壓斷路器的各項參數(shù)，如電磁鐵觸頭的行程、運動時間、運動速度和表面電阻，分合閘線圈回路的電流電阻，以及操動運行時產(chǎn)生的聲音、振動信號以及機(jī)械部件的扭變形等。然而，離線檢測需要對電力系統(tǒng)進(jìn)行停電處理，給經(jīng)濟(jì)造成不必要的損失，并對人們的生活產(chǎn)生一定的影響。因此，迫切需要一種新的檢修方式來替代離線檢測手段。

2、目前，對高壓斷路器機(jī)械部件故障診斷的研究，涉及多種檢測信號，包括線圈電流和電壓信號、觸頭行程及速度信號、儲能電機(jī)電流信號、機(jī)械振動和聲音信號等。傳統(tǒng)的信號處理方法對于原始信號開展時域與頻域分析，并提取時-頻域信息。雖然已取得一些成果，但均存在一定的不足，同時，傳統(tǒng)方法處理過程較復(fù)雜，時間復(fù)雜度高，提高了相關(guān)的應(yīng)用成本與產(chǎn)業(yè)化難度。綜上所述，目前針對斷路器聲音數(shù)據(jù)高維問題時，容易丟失信息并且頻域分析的精度受到頻率分辨率的限制，處理過程較復(fù)雜，時間復(fù)雜度高，提高了相關(guān)技術(shù)的應(yīng)用成本與產(chǎn)業(yè)化難度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于svd-xgboost的斷路器故障檢測優(yōu)化方法、裝置及設(shè)備，針對斷路器聲音數(shù)據(jù)高維問題，提出使用nlms技術(shù)對原始振動信號進(jìn)行數(shù)據(jù)增強(qiáng)，隨后使用快速傅里葉變換將增強(qiáng)后的信號轉(zhuǎn)換為時頻譜圖，用奇異值分解對時頻譜圖完成數(shù)據(jù)降維，并選擇集成算法svd-xgboost作為分類算法，實現(xiàn)故障診斷。

2、本發(fā)明提供了一種基于svd-xgboost的斷路器故障檢測優(yōu)化方法，包括：

3、獲取斷路器處于運行狀態(tài)時產(chǎn)生的原始振動信號；

4、基于nlms算法對所述原始振動信號進(jìn)行數(shù)據(jù)增強(qiáng)以自適應(yīng)濾除噪聲，得到經(jīng)過數(shù)據(jù)增強(qiáng)后的時域信號；

5、基于svd奇異值分解和xgboost算法結(jié)合構(gòu)建svd-xgboost模型，通過快速傅里葉變換將增強(qiáng)后的時域信號轉(zhuǎn)換為頻域信號，采用奇異值分解對所述頻域信號進(jìn)行數(shù)據(jù)降維并對目標(biāo)特征進(jìn)行提?。?/p>

6、將提取到的目標(biāo)特征輸入至訓(xùn)練好的svd-xgboost模型，采用優(yōu)化后的網(wǎng)絡(luò)對斷路器振動信號進(jìn)行故障分類，得到斷路器故障識別結(jié)果。

7、作為優(yōu)選的，所述基于nlms算法對所述原始振動信號進(jìn)行數(shù)據(jù)增強(qiáng)以自適應(yīng)濾除噪聲，得到經(jīng)過數(shù)據(jù)增強(qiáng)后的時域信號包括：

8、將原始振動信號x(n)表示為時間序列作為輸入，其中n表示第n個樣本點；

9、對nlms算法參數(shù)進(jìn)行初始化，初始化參數(shù)包括權(quán)重向量和步長因子；

10、對每個樣本點n進(jìn)行初步噪聲抑制，信號估計

11、y(n)＝wt(n)*x(n)；

12、根據(jù)原始振動信號x(n)和初步噪聲抑制輸出的信號y(n)進(jìn)行誤差計算，來評估殘余噪聲成分：

13、e(n)＝x(n)-y(n)；

14、根據(jù)自適應(yīng)權(quán)重公式更新：

15、

16、計算輸出增強(qiáng)信號：

17、

18、迭代更新直至遍歷所有樣本點或誤差收斂達(dá)到預(yù)設(shè)的誤差閾值；

19、其中，e(n)為誤差信號，μ為步長因子，wt(n)為權(quán)重向量的轉(zhuǎn)置，w(n)權(quán)重向量，w(n+1)為更新后的權(quán)重向量，||x(n)||2為輸入信號向量的模平方，∈為小正數(shù)。

20、作為優(yōu)選的，所述通過快速傅里葉變換將增強(qiáng)后的時域信號轉(zhuǎn)換為頻域信號包括：

21、輸入經(jīng)過nlms增強(qiáng)后的信號進(jìn)行離散傅里葉變換：

22、

23、其中，x(k)表示頻域信號，第k個頻率分量；n表示信號的總采樣點數(shù)；e表示自然常數(shù)；i表示虛數(shù)單位。

24、作為優(yōu)選的，所述采用奇異值分解對所述頻域信號進(jìn)行數(shù)據(jù)降維并對目標(biāo)特征進(jìn)行提取包括：

25、根據(jù)經(jīng)過離散傅里葉變換后的頻域信號構(gòu)建目標(biāo)矩陣a能夠執(zhí)行svd奇異值分解：

26、a＝u∑vt；

27、其中，a是原始矩陣，表示頻域信號數(shù)據(jù)；u是左奇異矩陣，正交矩陣；σ是對角矩陣，對角元素為奇異值；v是右奇異矩陣，正交矩陣，轉(zhuǎn)置為vt；

28、選擇前m個最大的奇異值及對應(yīng)的右奇異向量，通過如下方式將高維數(shù)據(jù)投影到由m個關(guān)鍵特征構(gòu)成的低維空間中進(jìn)行降維處理：

29、

30、其中，σm表示為選擇的前m個奇異值的對角矩陣；對應(yīng)于前m個奇異值的右奇異矩陣的列，z為降維后的目標(biāo)特征。

31、作為優(yōu)選的，所述將提取到的目標(biāo)特征輸入至訓(xùn)練好的svd-xgboost模型，采用優(yōu)化后的網(wǎng)絡(luò)對斷路器振動信號進(jìn)行故障分類，得到斷路器故障識別結(jié)果包括：

32、將經(jīng)過svd降維處理得到的目標(biāo)特征作為xgboost模型的輸入；

33、根據(jù)損失函數(shù)和正則化項構(gòu)建目標(biāo)函數(shù)：

34、

35、其中，obj(θ)為目標(biāo)函數(shù)，為損失函數(shù)，用于衡量預(yù)測與實際結(jié)果間的差異；ω(fk)為控制模型復(fù)雜度的正則化項，n代表樣本數(shù)量，k為模型中包含的決策樹的數(shù)量；

36、訓(xùn)練分類：通過加權(quán)投票機(jī)制構(gòu)建決策樹組，計算每個分支的增益值，以確定最優(yōu)分裂策略：

37、

38、其中，gj表示所有屬于第j個節(jié)點的樣本的梯度和，i?j表示第j個節(jié)點的樣本集合，hj表示所有屬于第j個節(jié)點的樣本的二階導(dǎo)數(shù)和，gi是第i個樣本的一階梯度，hi是第i個樣本的二階梯度；

39、根據(jù)梯度和與二階導(dǎo)數(shù)和來計算分裂點的評分，從而調(diào)整和選擇優(yōu)化分裂點：

40、

41、其中，score表示優(yōu)化分裂點的評分，λ為正則化參數(shù)，和hall表示整個數(shù)據(jù)集上的梯度和以及二階導(dǎo)數(shù)和，γ為節(jié)點劃分的懲罰參數(shù)。

42、作為優(yōu)選的，所述獲取斷路器處于運行狀態(tài)時產(chǎn)生的原始振動信號包括：

43、通過調(diào)整斷路器上鐵芯的卡澀程度來模擬不同的故障情況，或通過設(shè)置不同程度的阻力來模擬不同故障程度，得到對斷路器不同機(jī)械故障類型數(shù)據(jù)樣本，其中，斷路器的機(jī)械故障類型包括所述斷路器所在基座螺絲松動、鐵芯卡澀及潤滑不足而模擬產(chǎn)生的不同程度故障信號。

44、本發(fā)明還提供了一種基于svd-xgboost的斷路器故障檢測優(yōu)化系統(tǒng)，包括：

45、數(shù)據(jù)采集模塊，用于獲取斷路器處于運行狀態(tài)時產(chǎn)生的原始振動信號；

46、數(shù)據(jù)增強(qiáng)模塊，用于基于nlms算法對所述原始振動信號進(jìn)行數(shù)據(jù)增強(qiáng)以自適應(yīng)濾除噪聲，得到經(jīng)過數(shù)據(jù)增強(qiáng)后的時域信號；

47、svd-xgboost模型構(gòu)建模塊，用于基于svd奇異值分解和xgboost算法結(jié)合構(gòu)建svd-xgboost模型，通過快速傅里葉變換將增強(qiáng)后的時域信號轉(zhuǎn)換為頻域信號，采用奇異值分解對所述頻域信號進(jìn)行數(shù)據(jù)降維并對目標(biāo)特征進(jìn)行提取；

48、故障識別模塊，用于將提取到的目標(biāo)特征輸入至訓(xùn)練好的svd-xgboost模型，采用優(yōu)化后的網(wǎng)絡(luò)對斷路器振動信號進(jìn)行故障分類，得到斷路器故障識別結(jié)果。

49、作為優(yōu)選的，所述故障識別模塊包括：

50、目標(biāo)建立單元，用于將經(jīng)過svd降維處理得到的目標(biāo)特征作為xgboost模型的輸入，根據(jù)損失函數(shù)和正則化項構(gòu)建目標(biāo)函數(shù)：

51、

52、其中，obj(θ)為目標(biāo)函數(shù)，為損失函數(shù)，用于衡量預(yù)測與實際結(jié)果間的差異；ω(fk)為控制模型復(fù)雜度的正則化項，n代表樣本數(shù)量，k為模型中包含的決策樹的數(shù)量；

53、訓(xùn)練分類單元，用于通過加權(quán)投票機(jī)制構(gòu)建決策樹組，計算每個分支的增益值，以確定最優(yōu)分裂策略：

54、

55、其中，gj表示所有屬于第j個節(jié)點的樣本的梯度和，i?j表示第j個節(jié)點的樣本集合，hj表示所有屬于第j個節(jié)點的樣本的二階導(dǎo)數(shù)和，gi是第i個樣本的一階梯度，hi是第i個樣本的二階梯度；

56、評分優(yōu)化單元，用于根據(jù)梯度和與二階導(dǎo)數(shù)和來計算分裂點的評分，從而調(diào)整和選擇優(yōu)化分裂點：

57、

58、其中，score表示優(yōu)化分裂點的評分，λ為正則化參數(shù)，和hall表示整個數(shù)據(jù)集上的梯度和以及二階導(dǎo)數(shù)和，γ為節(jié)點劃分的懲罰參數(shù)。

59、本發(fā)明還提供了一種電子設(shè)備，包括：

60、存儲器，所述存儲器用于存儲處理程序；

61、處理器，所述處理器執(zhí)行所述處理程序時實現(xiàn)如本發(fā)明實施例所述的基于svd-xgboost的斷路器故障檢測優(yōu)化方法。

62、本發(fā)明還提供了一種可讀存儲介質(zhì)，其特征在于，所述可讀存儲介質(zhì)上存儲有處理程序，所述處理程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明實施例所述的基于svd-xgboost的斷路器故障檢測優(yōu)化方法。

63、針對現(xiàn)有技術(shù)，本發(fā)明具有如下的有益效果：

64、本發(fā)明提出了一種基于svd-xgboost的斷路器故障檢測優(yōu)化方法，首先使用nlms算法對原始振動信號進(jìn)行數(shù)據(jù)增強(qiáng)，隨后使用快速傅里葉變換將增強(qiáng)后的信號轉(zhuǎn)換為時頻譜圖，接著用奇異值分解對時頻譜圖完成數(shù)據(jù)降維，并選擇集成算法svd-xgboost作為分類算法，最終實現(xiàn)故障診斷，最終，通過試驗研究和對比分析，驗證了該svd-xgboost模型去噪方法的有效性和實用性。

65、本發(fā)明將nlms數(shù)據(jù)處理、svd降維和xgboost故障診斷等多種技術(shù)融合在一起，形成了一個綜合的斷路器振動信號處理系統(tǒng)，基于svd降維以及xgboost分類識別是本發(fā)明的創(chuàng)新點，傳統(tǒng)的故障分類方法通常直接使用原始的高維特征進(jìn)行建模和分類，會面臨數(shù)據(jù)維度高、計算復(fù)雜度大的問題，而本發(fā)明采用的svd-xgboost模型通過引入svd降維技術(shù)，將高維特征轉(zhuǎn)換為低維特征，減少了特征數(shù)量，提高了計算效率，并且能夠保留主要的數(shù)據(jù)特征，減小了信息丟失的風(fēng)險。

66、本發(fā)明采用的svd-xgboost模型將svd降維的低維特征作為輸入，然后采用xgboost模型進(jìn)行故障分類和識別。xgboost是一種強(qiáng)大的梯度提升樹模型，具備優(yōu)秀的非線性建模和高準(zhǔn)確性的分類能力，通過結(jié)合svd和xgboost，實現(xiàn)了對降維后的特征進(jìn)行深度學(xué)習(xí)和非線性建模，提高了故障分類的精度和效果。

67、本發(fā)明采用的svd-xgboost模型還可以應(yīng)用于多類故障分類問題，即同時識別和分類多種不同類型的故障。多類故障分類問題具有一定的挑戰(zhàn)性，但xgboost模型在處理多類別問題時具有較好的性能，并且可以通過調(diào)整參數(shù)進(jìn)行優(yōu)化，svd-xgboost結(jié)合了svd降維和xgboost模型的優(yōu)勢，可以實現(xiàn)對多類故障的高效分類識別。

68、本發(fā)明采用的svd-xgboost模型適用于實時環(huán)境中的故障診斷和分類任務(wù)，通過使用高效的xgboost模型和svd降維的特征表示，能夠?qū)崟r處理和分析故障數(shù)據(jù)流，并快速準(zhǔn)確地進(jìn)行故障識別和分類，這對于實時故障診斷和預(yù)測具有重要意義，可以及時采取措施避免潛在的電力系統(tǒng)故障和損害。