一种基于最小二乘向量机的电力设备故障检测方法技术

本发明专利技术公开了一种基于最小二乘向量机的电力设备故障检测方法。本发明专利技术利用大量电力设备实验数据训练LSSVM回归模型，数据包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等，并采用网格搜索和交叉验证算法优化模型的两个参数，核宽度θ和正则化系数γ。通过训练好的模型检测电力设备的局放量，对设备的故障等级进行分类，及时有效地检测出故障设备，保证电网的安全运行，减少财产损失。本发明专利技术提出的基于最小二乘向量机的电力设备故障检测方法，能够快速准确地检测出故障设备，可以广泛应用于电力设备的故障检测领域。

A fault detection method for power equipment based on least squares vector machine

The invention discloses a fault detection method for electric power equipment based on least square vector machine. The LSSVM regression model is trained by a large number of experimental data of electric power equipment, including instrument gain, measuring distance, device voltage, contamination degree, ambient pressure, ambient temperature, ambient humidity, photon number, partial discharge of electric power equipment, etc. Two parameters of the model are optimized by grid search and cross validation algorithm. Nuclear width theta and regularization coefficient gamma. Through the trained model to detect the partial discharge of power equipment, classify the fault level of equipment, detect the fault equipment in time and effectively, ensure the safe operation of power grid, reduce property losses. The fault detection method of electric power equipment based on least square vector machine can detect fault equipment quickly and accurately, and can be widely used in the field of fault detection of electric power equipment.

【技术实现步骤摘要】
一种基于最小二乘向量机的电力设备故障检测方法
本专利技术涉及一种电力设备故障检测方法，特别是一种基于最小二乘向量机的电力设备故障检测方法。
技术介绍
电力系统中高压输变电设备在大气环境中工作，在某些情况下由于绝缘性能的降低，会产生电晕和表面局部放电现象，使设备绝缘能力下降而引起闪络事故，造成供电中断，给工农业生产和人民生活带来不便和损失，严重时甚至影响人身和设备安全。因此及时准确地对高压电力设备外绝缘放电进行检测，对于保证电力系统的可靠运行具有重要的意义。传统的电晕放电检测方法主要有：观察法、超声波检测、泄漏电流在线监测和红外成像仪观测等，这些方法在实际应用中都有一定的缺陷：肉眼观察是最常用的方法之一，但大量的电力设备事故是在没有可见光出现的情况下就发生的，人们常常只能听到“嗞嗞”的电晕放电声，而看不到放电情况；超声波检测法很难直观准确地定位远距离的放电点，特别是有多个点同时放电的时候，定位更加困难；泄漏电流在线监测法需要预先安装相应的测量设备，不适合大面积推广使用；红外成像观测法可检测到放电积累或设备内部故障引起的温度升高，但这是一种间接的测量方法，不能直接的看到放电。判断电力设备是否放电，需要定量分析放电参量，除直接使用仪器测量的局放量外，常用放电区域的光子数来间接估算局放量。紫外成像检测技术是近几年新兴的一种远距离检测交流高压线路、输变电设备外部绝缘状态的新技术，它能够发现引起电场异常的设备缺陷，通过紫外成像检测光子数进而估算局放量来定位放电位置、观察放电情况，再通过分析来判断电晕放电对电力设备外绝缘造成的危害。该项技术因其具有简单高效、直观形象、且不影响设备运行、安全方便的诸多优点，在电力系统中逐渐得到了广泛的推广和应用。然而紫外设备检测到的光子数实际上受到仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度等多个因素影响，如何获得这些影响因素与光子数和局放量的关系，准确诊断电力设备的健康状况，就成为我们急需解决的问题。
技术实现思路
本专利技术针对现有技术的不足，提供一种建立了一种电力设备局放量检测模型，采用网格搜索和交叉验证算法优化模型相关参数，可有效检测出故障设备，避免财产损失的一种基于最小二乘向量机的电力设备故障检测方法。一种基于最小二乘支持向量机的电力设备故障判断方法，该方法包括以下步骤：(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集D＝{a、b、c、d、e、f、g、h、k}，其中a-h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；D={(x1,y1),(x2,y2)…(xi,yi)…(xn,yn),}，其中，xi＝{ai,bi,ci,di,ei,fi,gi,hi,}，yi＝{ki}；(2)建立用于电力设备故障检测的最小二乘支持向量机模型其中偏置量b∈R，利用网格搜索和交叉验证算法优化模型参数核宽度θ和正则化系数γ，基本过程为：1)选取初始化参数选择范围,令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n；2)将训练数据分为K个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余K-1个子集作为训练集，利用训练集训练模型后对K-1个测试集进行预测，统计该组参数下测试结果的MSE,均方误差的公式表示为：3)将下一组子集作为测试集，剩下的K-1个子集作为训练集，统计改组参数下测试结果的均方MSE,直至K个子集都被作为一次测试集后，取K组MSE的平均值σmse作为该组参数的预测误差,4)更换参数组合(θ,γ)，重复步骤2)、3)，分别计算出网格中各参数组合下模型的均方差平均值σmse，对其进行排序，选出σmse最小时对应的组合参数(θ,γ)即为网格区间内最优的参数组合；(3)参数θ和γ确定后，利用训练样本D对LSSVM回归模型进行训练，求解公式中的拉格朗日乘子α和偏置值b，其中，e是单位列向量，I是单位矩阵，α是拉格朗日乘子，H＝(Hij)n×n,Hij＝K(xi,xj)并将其带入公式，得到回归模型f(x)；(4)记录某个时间段t，选取该时段内的j组数值{{xt1},{xt2},{xt3}…{xtj},}，分别将其代入步骤(3)，得到多组局放量数值{yt1,yt2,yt3,ytj}，电力设备的实际局放量即为上述j组局放量数值的平均值当0≤y＜50，设备故障等级为无，当50≤y＜3000，设备故障等级为一般，当3000≤y＜5000，设备故障等级为重大，当5000≤y，设备故障等级为紧急。仪器增益指紫外成像仪对检测光子数信号衰减或放大的比例；测量距离指拍摄图像时紫外成像仪与电力设备间的距离；设备电压指拍摄图像时刻的电力设备电压值；污秽程度指电力设备的污秽等级，本文将其分为无、轻微、一般、严重四个等级，训练模型时分别用1、2、3、4来表示各污秽等级；环境气压、环境温度、环境湿度分别对应拍摄图像时刻电力设备周围环境的气压、温度、湿度值；光子数指紫外成像仪在一定增益下单位时间内观测到的光子数量；电力设备局放量指脉冲电流法测得的电力设备释放的电荷量。附图说明图1为本专利技术方法流程图。图2为本专利技术实验系统接线原理图。图3为10折交叉验证示意图。图4为局放量检测效果图。具体实施方式本专利技术提供了一种基于最小二乘支持向量机的电力设备故障检测方法，该方法包括以下步骤：一种基于最小二乘支持向量机的电力设备故障判断方法，该方法包括以下步骤：(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集D＝{a、b、c、d、e、f、g、h、k}，其中a-h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；D＝{(x1,y1),(x2,y2)…(xi,yi)…(xn,yn),}，其中，xi＝{ai,bi,ci,di,ei,fi,gi,hi,}，yi＝{ki}；(2)建立用于电力设备故障检测的最小二乘支持向量机模型其中偏置量b∈R，利用网格搜索和交叉验证算法优化模型参数核宽度θ和正则化系数γ，基本过程为：1)选取初始化参数选择范围,令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n；2)将训练数据分为K个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余K-1个子集作为训练集，利用训练集训练模型后对K-1个测试集进行预测，统计该组参数下测试结果的MSE,均方误差的公式表示为：3)将下一组子集作为测试集，剩下的K-1个子集作为训练集，统计改组参数下测试结果的均方MSE,直至K个子集都被作为一次测试集后，取K组MSE的平均值σmse作为该组参数的预测误差,4)更换参数组合(θ,γ)，重复步骤2)、3)，分别计算出网格中各参数组合下模型的均方差平均值σmse，对其进行排序，选出σmse最小时对应的组合参数(θ,γ)即为网格区间内最优的参数组合；(3)参数θ本文档来自技高网...

【技术保护点】
1.一种基于最小二乘支持向量机的电力设备故障判断方法，其特征在于：其该方法包括以下步骤：(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集D＝{a、b、c、d、e、f、g、h、k}，其中a‑h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；D＝{(x1,y1),(x2,y2)...(xi,yi)...(xn,yn),}，其中，xi＝{ai,bi,ci，di,ei,fi,gi,hi,}，yi＝{ki}；(2)建立用于电力设备故障检测的最小二乘支持向量机模型

【技术特征摘要】
1.一种基于最小二乘支持向量机的电力设备故障判断方法，其特征在于：其该方法包括以下步骤：(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集D＝{a、b、c、d、e、f、g、h、k}，其中a-h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；D＝{(x1,y1),(x2,y2)...(xi,yi)...(xn,yn),}，其中，xi＝{ai,bi,ci，di,ei,fi,gi,hi,}，yi＝{ki}；(2)建立用于电力设备故障检测的最小二乘支持向量机模型其中偏置量b∈R，利用网格搜索和交叉验证算法优化模型参数核宽度θ和正则化系数γ，基本过程为：1)选取初始化参数选择范围,令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n；2)将训练数据分为K个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余K-1个子集作为训练集，利用训练集训练模型后对K-1个测试集进行预测，统计该组参数下测试结果的M...

【专利技术属性】
技术研发人员：郑云海，郭建钊，王门鸿，陈国伟，龚建新，吴奇宝，林盛强，张国灿，杨文陵，方丽妮，高阿娜，孙宇轩，彭炜文，
申请(专利权)人：国网福建省电力有限公司泉州供电公司，国网福建省电力有限公司，
类型：发明
国别省市：福建,35