一种基于支持向量机回归的避雷器状态诊断方法技术

本发明专利技术公开一种基于支持向量机回归的避雷器状态诊断方法，该方法首先对出厂前的避雷器进行一系列多变量组内试验，获取其在环境、电网变量逐一变化下的泄漏电流，该结果记为训练样本；在避雷器投运后，采集与出厂试验同样维度的在线监测量及泄漏电流记为测试样本；将得到的训练样本和测试样本归一化；将训练样本输入支持向量机建立回归模型并校验拟合效果；将测试样本代入回归模型中，得到避雷器受潮及老化程度的表征量，实现实时诊断。该方法可操作性强，诊断准确度高，能够应用于工程实际，且对新面世产品及有检修经历的避雷器同样有效。所采用的支持向量机算法适用于小样本问题，可在有限样本的情况下获得全局最优解。

A method for state diagnosis of Arrester Based on Support Vector Machine Regression

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归模型，近似表达这些因素和预测目标之间的函数关系，最后利用测试样本对回归模型进行误差检验。其中ε-SVR型支持向量机回归算法的优化目标和约束条件为：其中ω为超平面的变量系数列向量；ε为回归函数的误差限值；C为惩罚因子，其值越大表示对训练误差大于ε的样本惩罚越大；、分别为上界松弛变量和下界松弛变量，为解决近似线性问题而引入；为训练输入向量；φ()为将训练样本映射到高维线性空间的非线性函数；yi为训练样本输出值；b为超平面的常系数；n为训练样本的个数。该式为含约束条件的优化问题，可通过引入Lagrange函数，并作对偶变换求解，该式变换后的等价形式为：其中、为lagrange乘子，为核函数(γ>0)；若上式最优解为则有：其中Nsv为支持向量(其含义如图2所示)个数，故回归函数为：为了解决一个特定问题，必须通过确定惩罚因子C和核函数参数的取值才能建立相应的回归模型，为此需要通过网格搜索与交叉验证相结合的方式，使得回归模型能够更好地拟合训练样本。交叉验证的基本思路是：对于一组给定的C和，将训练样本进行随机的v等分；将其中的v-1份样本作为训练样本，余下的1份作为测试样本，共得到v组交叉验证所用的训练样本及相应的测试样本。然后将训练样本作为支持向量机的输入量，建立回归模型，并用测试样本校验拟合效果；依次轮换进行，得到v个回归模型及相应的表征拟合效果的均方误差MSE，选取均方误差MSE最小的回归模型作为对应本组C和的最佳模型。网格搜索的基本思想为：设定C和的取值区间[cmin，cmax]和{min，max本文档来自技高网...

【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=(NΣi=1Niir3iir3*-Σi=1Niir3*Σi=1Niir3)2[NΣi=1Niir3*2-(Σi=1Niir3*)2][NΣi=1Niir32-(Σi=1Niir3)2]]]>其中，N为训练样本的个数，iir1和分别为第i个训练样本阻性泄漏电流基波分量的实际值和拟合值，iir3和分别为第i个训练样本阻性泄漏电流三次谐波分量的实际值和拟合值；5)应用回归模型对目标避雷器进行状态诊断；具体步骤为：将步骤3得到的归一化后的测试输入向量(j＝1,2,…M)代入回归模型进行求解，输出结果为避雷器在各采样点阻性泄漏电流基波分量及三次谐波分量的预测列向量，其可表示为：(M为测试样本的个数)进而可通过计算受潮偏移量MM及老化偏移量AM实现状态诊断；MM数值越大，表示该避雷器受潮程度越严重；AM数值越大，表示该避雷器阀片老化程度越严重；其中MM和AM的计算公式为：MM=1MΣj=1M(ijr1**-ijr1)2]]>AM=1MΣj=1M(ijr3**-ijr3)2]]>若MM、AM大于0.4，表明该避雷器偏离健康状态的程度已较为严重。...

【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