The invention discloses a lightning arrester condition diagnosis method based on support vector machine regression method, the first of a series of multi variables within the group test of lightning arrester factory, obtain the grid environment, the leakage current under the change of variables one by one, the results recorded as training samples; the arrester is in operation, acquisition and the test also dimensions of online monitoring and the amount of leakage current recorded as test samples; the training samples and test samples normalized; training sample input support vector machine regression model and verify the fitting effect; the test sample into the regression model, get the characterization of lightning arrester moisture and aging degree, to achieve real-time diagnosis. The method has strong operability and high diagnostic accuracy, and can be applied to engineering practice, and is also effective for the newly released products and the lightning arrester with the maintenance experience. The support vector machine algorithm is suitable for small sample problems, and can obtain the global optimal solution in the case of finite samples.
【技术实现步骤摘要】
本专利技术涉及一种避雷器状态诊断方法,特别是一种基于支持向量机回归的避雷器状态诊断方法。
技术介绍
避雷器是电网中一种重要的过电压保护装置,并联在被保护设备附近,避免其绝缘遭受雷电过电压或操作过电压的损害。为了保证电网的稳定运行和被保护设备的安全,防止避雷器自身故障引发更为严重的电网事故,必须及时、准确地掌握避雷器的运行状态,目前电网中使用较为广泛的是定期试验、带电检测和在线监测的方法。进行定期试验时,必须停运被保护设备以避免其绝缘遭到损坏,因此该设备的运行可靠性将受到影响。若遇到特殊的运行方式,致使无法停运被保护设备,将导致避雷器无法按时试验,这将为电网的安全稳定运行埋下隐患。即使正常开展定期试验,试验操作也十分费时费力,试验条件往往难以再现避雷器真实运行条件,试验结果的准确性得不到保证,且定期试验的方法无法防范发生于两个试验间隔时间内的故障。对于现行的带电检测和在线监测的方法,其主要监测目标为避雷器的总泄漏电流、阻性泄漏电流及放电次数,通过电流数值是否出现异常增加的情况判断其是否发生故障,但由于受到外界温度、湿度及污秽条件等不确定因素的影响,单一的电流数值并不能反映避雷器的真实劣化程度。支持向量机(SVM)是一种机器学习方法,其理论基础是Vapnik等人建立的统计学习理论。该理论基于结构风险最小化准则,不受数据维数的限制,具有较强的泛化能力,主要应用于分类和回归问题。目前其在电力系统中的应用,主要体现在电力负荷预测、设备故障诊断及系统可靠性分析方面。支持向量机回归(SVR)的基本原理:以相关性为基础,确定影响预测目标的各个因素,然后通过训练样本建立回 ...
【技术保护点】
一种基于支持向量机回归的避雷器状态诊断方法,其特征在于,具体步骤如下:1)通过试验,获取一组包含完备信息的训练样本;具体方法为:出厂前对避雷器进行多变量组内试验,运用高精度测量装置,在施加电压基波U1、施加电压三次谐波U3、阀片温度t、环境相对湿度RH和本体污秽水平(pollution level)逐一变化的情况下对避雷器的阻性泄漏电流基波分量Ir1及三次谐波分量Ir3进行测量并记录;假设试验中系统电压基波U1、系统电压三次谐波U3、温度t、相对湿度RH和污秽水平的变量梯度个数设置分别为NU1、NU3、Nt、NRH、Npl,则单个避雷器的试验总次数为:N=NU1*NU3*Nt*NRH*Npl第i次试验的试验条件可用训练输入向量Xi,表示,试验结果可用训练输出向量Yi,表示;其中Xi=Ui1Ui3tiRHipliQj=ijr1ijr3,(i=1,2,...,N);]]>为了提高试验结果的准确度,可采用同一试验条件下多次测量取平均值的方法;2)在一定连续时间段内对目标避雷器进行等周期监测采样得到测试样本;具体采样信息包括避雷器所接电网的系统电压基波、系统电压三次谐波,所处环境的相对湿度,避 ...
【技术特征摘要】
1.一种基于支持向量机回归的避雷器状态诊断方法,其特征在于,具体步骤如下:1)通过试验,获取一组包含完备信息的训练样本;具体方法为:出厂前对避雷器进行多变量组内试验,运用高精度测量装置,在施加电压基波U1、施加电压三次谐波U3、阀片温度t、环境相对湿度RH和本体污秽水平(pollutionlevel)逐一变化的情况下对避雷器的阻性泄漏电流基波分量Ir1及三次谐波分量Ir3进行测量并记录;假设试验中系统电压基波U1、系统电压三次谐波U3、温度t、相对湿度RH和污秽水平的变量梯度个数设置分别为NU1、NU3、Nt、NRH、Npl,则单个避雷器的试验总次数为:N=NU1*NU3*Nt*NRH*Npl第i次试验的试验条件可用训练输入向量Xi,表示,试验结果可用训练输出向量Yi,表示;其中Xi=Ui1Ui3tiRHipliQj=ijr1ijr3,(i=1,2,...,N);]]>为了提高试验结果的准确度,可采用同一试验条件下多次测量取平均值的方法;2)在一定连续时间段内对目标避雷器进行等周期监测采样得到测试样本;具体采样信息包括避雷器所接电网的系统电压基波、系统电压三次谐波,所处环境的相对湿度,避雷器自身的阀片温度、本体污秽水平和避雷器的阻性泄漏电流基波分量及三次谐波分量;假设采样点共设置M个,则第j个采样点的采样信息可用测试输入向量Pj和测试输出向量Qj表示,即Pj=Uj1Uj3tjRHjpljQj=ijr1ijr3,(j=1,2,...,M);]]>3)对步骤1中的所有训练输入向量Xi、训练输出向量Yi及步骤2中的所有测试输入向量Pj、测试输出向量Qj中的所有元素进行数据预处理,得到归一化后的和;本方法采用将原始数据归算到[-1,1]区间的线性归一化方式,其计算公式为:siG=si-min(s)max(s)-min(s)×2-1]]>其中,si分别为某数据归一化前后的数值,max(s)、min(s)分别为该类数据的最大值及最小值;4)应用ε—SVR型支持向量机回归算法,利用归一化后的训练输入向量和训练输出向量(I=1,2,…,N)建立回归模型;再将代入该模型,得到相应的阻性泄漏电流基波分量及三次谐波分量的拟合值和,进而通过计算基波分量拟合系数FC1和三次谐波分量拟合系数FC3校验拟合效果;若相符合,则表明该回归模型有效,可以使用;反之则无效,需通过修改支持向量机中的损失误差ε、惩罚因子C和核函数参数使得;其中的计算公式为:FC1=(NΣi=1Niir1iir1*-Σi=1Niir1*Σi=1Niir1)2[NΣi=1Niir1*2-(Σi=1Niir1*)2][NΣi=1Niir12-(Σi=1Niir1)2]]]>FC3=(N&Sigm...
【专利技术属性】
技术研发人员:何育,刘安宏,胥峥,
申请(专利权)人:国网江苏省电力公司盐城供电公司,国网江苏省电力公司,国家电网公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。