專利名稱：基于支持向量機(jī)的gis局部放電故障類型模式識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種電力故障檢測(cè)方法，尤其涉及局部放電故障檢測(cè)方法。
背景技術(shù)：
氣體絕緣組合開關(guān)電器(GAS INSULATED SWITCHGEAR，以下簡(jiǎn)稱GIS)以其結(jié)構(gòu)緊湊、免維護(hù)和對(duì)環(huán)境影響小等突出的優(yōu)點(diǎn)，在電力系統(tǒng)中得到越來越廣泛的應(yīng)用。然而，盡管GIS運(yùn)行可靠性非常高，但在制造、安裝和運(yùn)行過程中的缺陷也常導(dǎo)致事故的發(fā)生。因此對(duì)GIS進(jìn)行局部放電檢測(cè)對(duì)保證GIS安全可靠運(yùn)行、評(píng)估GIS的絕緣狀況和制定合理的維修策略具有十分重要的意義。GIS內(nèi)部可能存在的絕緣缺陷類型有多種，不同缺陷所表現(xiàn)出來的局部放電特征并不相同，對(duì)GIS運(yùn)行的危害程度也相差較大，要準(zhǔn)確地評(píng)估GIS內(nèi)部缺陷類型的性質(zhì)及其嚴(yán)重程度，必須對(duì)獲得的局部放電信號(hào)進(jìn)行模式識(shí)別。目前應(yīng)用最廣泛的局部放電的模式識(shí)別方法是神經(jīng)網(wǎng)絡(luò)識(shí)別法。神經(jīng)網(wǎng)絡(luò)是一種遵循經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法。根據(jù)Vapnik&Chervonenkis的統(tǒng)計(jì)學(xué)習(xí)理論，如果數(shù)據(jù)服從某個(gè)固定但未知的分布，要使機(jī)器的實(shí)際輸出與理想輸出之間的偏差盡可能的小，則機(jī)器應(yīng)當(dāng)遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，就是使錯(cuò)誤概率的上界最小化。這就使得神經(jīng)網(wǎng)絡(luò)出現(xiàn)學(xué)習(xí)問題，即訓(xùn)練誤差小并不總能導(dǎo)致好的預(yù)測(cè)效果，某些情況下，訓(xùn)練誤差過小，反而會(huì)導(dǎo)致泛化能力的下降，即真實(shí)風(fēng)險(xiǎn)的增加。因此，目前的神經(jīng)網(wǎng)絡(luò)識(shí)別法是具有一定缺陷的。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其對(duì)GIS局部放電典型缺陷具有良好的識(shí)別效果。支持向量機(jī)(Support Vector Machine,簡(jiǎn)稱SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種學(xué)習(xí)方法，是結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論的具體實(shí)現(xiàn)，它可以像神經(jīng)網(wǎng)絡(luò)一樣解決小樣本學(xué)習(xí)問題，并能很好地解決局部極小值、過學(xué)習(xí)或欠學(xué)習(xí)問題，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比它不僅結(jié)構(gòu)簡(jiǎn)單而且各種性能、尤其是泛化能力明顯提高。為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其包括下列步驟( I)提取若干個(gè)周期的M種局部放電故障類型對(duì)應(yīng)的局部放電信號(hào)構(gòu)建M個(gè)樣本數(shù)據(jù)，將其作為原始數(shù)據(jù)；(2)分別構(gòu)建各樣本數(shù)據(jù)的特征圖譜，提取各樣本數(shù)據(jù)的統(tǒng)計(jì)特征參數(shù)；(3)采用一對(duì)一算法在任意兩個(gè)樣本數(shù)據(jù)之間構(gòu)建支持向量機(jī)分類器，得到MX(M-1) /2個(gè)支持向量機(jī)分類器；(4)采用提取出的統(tǒng)計(jì)特征參數(shù)訓(xùn)練支持向量機(jī)分類器，得到支持向量機(jī)分類器模型；
(5)采用支持向量機(jī)分類器模型對(duì)待識(shí)別的局部放電信號(hào)進(jìn)行局部放電故障類型模式識(shí)別。進(jìn)一步地，在步驟(I)和步驟(2)之間還包括步驟(Ia):對(duì)原始數(shù)據(jù)進(jìn)行去噪處理，以獲得更好的效果。進(jìn)一步地，在步驟(2)中，按照下述步驟提取Emag，Smag, Nmag, Eint, Nint, Δ Tmean, r和Nreg作為統(tǒng)計(jì)特征參數(shù):將一個(gè)工頻周期分為正半周期和負(fù)半周期，正半周期和負(fù)半周期的放電幅值構(gòu)成兩個(gè)放電幅值序列，正半周期和負(fù)半周期的放電時(shí)間間隔構(gòu)成序列八1:_ 和At_n,每一個(gè)樣本中的所有放電間歇AT構(gòu)成序列ATW，將工頻周期平均分為若干個(gè)區(qū)間，如果一個(gè)區(qū)間內(nèi)出現(xiàn)放電，則將該區(qū)間視為放電區(qū)間，將兩個(gè)放電幅值序列中的放電幅值按照式(I)進(jìn)行歸一化處理:
權(quán)利要求
1.一種基于支持向量機(jī)的Gis局部放電故障類型模式識(shí)別方法,其特征在于,包括下列步驟: (1)提取若干個(gè)周期的M種局部放電故障類型對(duì)應(yīng)的局部放電信號(hào)構(gòu)建M個(gè)樣本數(shù)據(jù)，將其作為原始數(shù)據(jù)； (2)分別構(gòu)建各樣本數(shù)據(jù)的特征圖譜，提取各樣本數(shù)據(jù)的統(tǒng)計(jì)特征參數(shù)； (3)采用一對(duì)一算法在任意兩個(gè)樣本數(shù)據(jù)之間構(gòu)建支持向量機(jī)分類器，得到MX(M-1)/2個(gè)支持向量機(jī)分類器； (4)采用提取出的統(tǒng)計(jì)特征參數(shù)訓(xùn)練支持向量機(jī)分類器，得到支持向量機(jī)分類器模型； (5)采用支持向量機(jī)分類器模型對(duì)待識(shí)別的局部放電信號(hào)進(jìn)行局部放電故障類型模式識(shí)別。
2.如權(quán)利要求1所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，在步驟(I)和步驟(2)之間還包括步驟(Ia):對(duì)原始數(shù)據(jù)進(jìn)行去噪處理。
3.如權(quán)利要求1所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，在步驟(2)中，按照下述步驟提取Emag，Smag, Nmag, Eint, Nint, Δ Tmean, r和NMg作為統(tǒng)計(jì)特征參數(shù): 將一個(gè)工頻周期分為正半周期和負(fù)半周期，正半周期和負(fù)半周期的放電幅值構(gòu)成兩個(gè)放電幅值序列，正半周期和負(fù)半周期的放電時(shí)間間隔構(gòu)成序列△、口和At_n，每一個(gè)樣本中的所有放電間歇AT構(gòu)成序列ATW，將工頻周期平均分為若干個(gè)區(qū)間，如果一個(gè)區(qū)間內(nèi)出現(xiàn)放電，則將該區(qū)間視為放電區(qū)間，將兩個(gè)放電幅值序列中的放電幅值按照式(I)進(jìn)行歸一化處理:
4.如權(quán)利要求1所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，M值為4，四種局部放電故障類型分別對(duì)應(yīng)高壓導(dǎo)體表面針尖放電、固體絕緣內(nèi)部氣隙放電、自由金屬微粒放電和懸浮電極放電。
5.如權(quán)利要求1所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，在步驟(4)中按照下述步驟訓(xùn)練支持向量機(jī)分類器: 對(duì)統(tǒng)計(jì)特征參數(shù)進(jìn)行歸一化； 采用主成分分析方法對(duì)統(tǒng)計(jì)特征參數(shù)進(jìn)行降維處理； 使用網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，尋得最佳支持向量機(jī)參數(shù)； 使用最佳支持向量機(jī)參數(shù)訓(xùn)練支持向量機(jī)分類器。
6.如權(quán)利要求1所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，步驟(5)中，提取待識(shí)別的局部放電信號(hào)的統(tǒng)計(jì)特征參數(shù)，將統(tǒng)計(jì)特征參數(shù)輸入支持向量機(jī)分類器模型，采取投票方式得到識(shí)別結(jié)果。
7.如權(quán)利要求6所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，M值為4，四種局部放電故障類型分別對(duì)應(yīng)記為A類的高壓導(dǎo)體表面針尖放電、記為B類的固體絕緣內(nèi)部氣隙放電、記為C類的自由金屬微粒放電和記為D類的懸浮電極放電，對(duì)應(yīng)的一對(duì)一支持向量機(jī)分類器模型分別為A-B分類器模型、A-C分類器模型、A-D分類器模型、B-C分類器模型、B-D分類器模型和C-D分類器模型。
8.如權(quán)利要求6所述的基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其特征在于，采取投票方式得到識(shí)別結(jié)果包括: 初始化，令A(yù)=B=C=D=O ； 輸入到A-B分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則A=A+1，否則，B=B+1 ； 輸入到A-C分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則A=A+1，否則，C=C+1 ； 輸入到A-D分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則A=A+1，否則，D=D+1 ； 輸入到B-C分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則B=B+1，否則，C=C+1 ； 輸入到B-D分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則B=B+1，否則，D=D+1 ； 輸入到C-D分類器模型中的統(tǒng)計(jì)特征參數(shù)如果被識(shí)別為A，則C=C+1，否則，D=D+1 ； 選擇A、B、C、D中的最大者作為識(shí)別結(jié)果。
全文摘要
本發(fā)明公開了一種基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法，其包括下列步驟提取若干個(gè)周期的M種局部放電故障類型對(duì)應(yīng)的局部放電信號(hào)構(gòu)建M個(gè)樣本數(shù)據(jù)，將其作為原始數(shù)據(jù)；分別構(gòu)建各樣本數(shù)據(jù)的特征圖譜，提取各樣本數(shù)據(jù)的統(tǒng)計(jì)特征參數(shù)；采用一對(duì)一算法在任意兩個(gè)樣本數(shù)據(jù)之間構(gòu)建支持向量機(jī)分類器，得到M×(M-1)/2個(gè)支持向量機(jī)分類器；采用提取出的統(tǒng)計(jì)特征參數(shù)訓(xùn)練支持向量機(jī)分類器，得到支持向量機(jī)分類器模型；采用支持向量機(jī)分類器模型對(duì)待識(shí)別的局部放電信號(hào)進(jìn)行局部放電故障類型模式識(shí)別。該基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法具有很好的識(shí)別效果。
文檔編號(hào)G01R31/12GK103076547SQ20131002582
公開日2013年5月1日 申請(qǐng)日期2013年1月24日 優(yōu)先權(quán)日2013年1月24日
發(fā)明者王吉文, 高峻, 劉昌界, 李燕, 戴明明, 肖擁東, 國(guó)偉輝 申請(qǐng)人:安徽省電力公司亳州供電公司, 國(guó)家電網(wǎng)公司