基于单类支持向量机的GIS局部放电故障判别方法技术

本发明专利技术涉及电力系统设备故障检测技术，具体涉及基于单类支持向量机的GIS局部放电故障判别方法，包括以下步骤：基于若干周期K种不同故障类型局部放电的PRPD图谱作为K个样本数据，提取各故障类型局部放电的特征参数；采用步骤1提取的统计特征参数训练单类支持向量机，得到单类支持向量机最优参数和分类器模型；采用步骤2所得单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。基于单类支持向量机的方法，可以构造二元识别问题的有效模型，能有效解决各类不同的局部放电故障判别问题。可在高维空间中对线性不易分的样本数据进行区分，得到更准确的GIS局部放电故障判别结果。

【技术实现步骤摘要】
基于单类支持向量机的GIS局部放电故障判别方法
本专利技术属于电力系统设备故障检测
，尤其涉及基于单类支持向量机的GIS局部放电故障判别方法。
技术介绍
电力设备是构成电力系统的基本元件，其工作状况直接影响着电力系统的运行安全和可靠性。虽然，得益于设备制造工艺水平和设计技术的不断提升，我国电力设备的整体可靠性水平逐年提高，但总体上仍为设备事故频发势态。提高电力设备运行可靠性是防御电网大面积停电和防患安全事故发生的至关重要的第一道防线。气体绝缘组合电器(GasInsulatedSwitchgear，简称GIS)是输变电系统中的关键设备，相比敞开式输电设备，。它具有占地面积小、受工作环境影响小、检修周期长等优点。随着我国城市化进程中土地资源价值的快速提高和GIS制造工艺水平和设计技术的提升，在电网建设中被大量投入使用。GIS在内绝缘时效老化和各种潜伏性缺陷的作用下，内绝缘的电气强度会下降而导致故障。前期潜伏性故障主要以局部放电的形式表现出来。因此，要准确辨识GIS是否存在内部绝缘故障，必须对某监测信号数据进行判别，判断其是否属于局部放电信号。单类支持向量机(OneClassSupportVectorMachine)是最初由Vapnik提出的一种机器学习方法，能够对样本空间数据进行分类和识别。相比于神经网络等其他机器学习方法，具有结构简单，性能更佳等优点。有些情况下，监测信号数据并不平衡，属于某类的监测信号数量可能远多于不属于该类的监测信号数量，因此OCSVM在解决这一类问题方面具有重要意义。目前，国内外应用OCSVM主要解决异常检测和过程控制，如专利号为CN201410692755.2的“基于PSO-OCSVM的工业控制系统通信行为异常检测方法”和专利号为CN201410085508.6的“一种基于MICA-OCSVM的发酵过程故障监测方法”。在局部放电故障判别方面则未见应用。
技术实现思路
本专利技术的目的是提供一种能在高维空间中对线性不易分的样本数据进行区分，得到更准确的GIS局部放电故障判别结果的方法。为实现上述目的，本专利技术采用的技术方案是：基于单类支持向量机的GIS局部放电故障判别方法，包括以下步骤：步骤1、基于若干周期K种不同故障类型局部放电的PRPD图谱作为K个样本数据，提取各故障类型局部放电的特征参数；步骤2、采用步骤1提取的统计特征参数训练单类支持向量机，得到单类支持向量机最优参数和分类器模型；步骤3、采用步骤2所得单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。在上述的基于单类支持向量机的GIS局部放电故障判别方法中，步骤1所述提取各故障类型局部放电的特征参数包括若干周期：PRPD图谱放电幅值图谱正半周偏斜度负半周偏斜度全周期偏斜度Skm；PRPD图谱放电次数图谱正半周偏斜度负半周偏斜度全周期偏斜度Skn；PRPD图谱放电幅值图谱正半周陡峭度负半周陡峭度全周期陡峭度Kum；PRPD图谱放电次数图谱正半周陡峭度负半周陡峭度全周期陡峭度Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。在上述的基于单类支持向量机的GIS局部放电故障判别方法中，确定各故障类型局部放电的特征参数包括：1)确定特征参数Skn公式为；(1)式中，X为PRPD数据，μ和σ分别为其均值和标准差；2)确定特征参数Kum、Kun公式为：(2)式中，X为PRPD数据，μ和σ分别为其均值和标准差；3)确定特征参数Qm、Qn公式为：(3)、(4)式中，N+、N-分别为正、负半周内的局部放电次数；x+、x-分别为正、负半周内局部放电信号的幅值；4)确定特征参数CCm、CCn公式为：CC为互相关系数。在上述的基于单类支持向量机的GIS局部放电故障判别方法中，步骤1所述K种不同故障类型局部放电包括金属突出物缺陷放电、自由金属颗粒缺陷放电、污秽缺陷放电和气隙缺陷放电；K值为4。在上述的基于单类支持向量机的GIS局部放电故障判别方法中，步骤2所述采用步骤1提取的统计特征参数训练单类支持向量机的方法如下：对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机的参数，包括核函数参数和权衡参数，构造并解决最优问题；具体步骤如下采用高斯核函数满足(6)式的对偶形式为：解出各ɑi后，得到判别函数为：(10)式中：在上述的基于单类支持向量机的GIS局部放电故障判别方法中，步骤3实现的具体步骤是，将最佳参数代入单类支持向量机，将提取出的局部放电特征参数输入单类支持向量机判别函数(10)式，得到判别结果。本专利技术的有益效果是：基于单类支持向量机的方法，可以构造二元识别问题的有效模型，能有效解决各类不同的局部放电故障判别问题。可在高维空间中对线性不易分的样本数据进行区分，得到更准确的GIS局部放电故障判别结果。附图说明图1是本专利技术基于单类支持向量机的GIS局部放电故障判别方法在一种实施方式中的流程框图。具体实施方式下面结合附图对本专利技术的实施方式进行详细描述。本实施例的技术方案是，一种基于单类支持向量机的GIS局部放电故障判别方法，包括下列步骤：一、基于若干周期K种不同故障类型局部放电的PRPD图谱作为K个样本数据，提取各故障类型局部放电的特征参数；二、采用提取的统计特征参数训练单类支持向量机，得到单类支持向量机最佳参数和分类器模型；三、采用单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。步骤一中，提取下列参数作为特征参数：若干周期PRPD图谱放电幅值图谱正半周偏斜度负半周偏斜度全周期偏斜度Skm；PRPD图谱放电次数图谱正半周偏斜度负半周偏斜度全周期偏斜度Skn；PRPD图谱放电幅值图谱正半周陡峭度负半周陡峭度全周期陡峭度Kum；PRPD图谱放电次数图谱正半周陡峭度负半周陡峭度全周期陡峭度Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。根据下述公式确定特征参数Skm、Skn：式中，X为PRPD数据，μ和σ分别为其均值和标准差。Sk反映了PRPD的轮廓相对于正态分布的左右偏斜情况。根据下述公式确定特征参数Kum、Kun：式中，X为PRPD数据，μ和σ分别为其均值和标准差。Ku反映了PRPD的分布相对于正态分布形状的突起程度。根据下述公式确定特征参数Qm、Qn：式中，N+、N-分别为正、负半周内的局部放电次数；x+、x-分别为正、负半周内局部放电信号的幅值。根据下述公式确定特征参数CCm、CCn：互相关系数CC反映了谱图在正负半周内的形状相似程度。在步骤一中，K值等于4，对应4种局部放电故障类型，分别为：金属突出物缺陷放电；自由金属颗粒缺陷放电；污秽缺陷放电；气隙缺陷放电。在步骤二中按下列步骤训练单类支持向量机：对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机参数，包括核函数参数和权衡参数，构造并解决最优问题：采用高斯核函数满足最优问题⑥的对偶形式为：对偶形式为一标准本文档来自技高网...

【技术保护点】
基于单类支持向量机的GIS局部放电故障判别方法，其特征是，包括以下步骤：步骤1、基于若干周期K种不同故障类型局部放电的PRPD图谱作为K个样本数据，提取各故障类型局部放电的特征参数；步骤2、采用步骤1提取的统计特征参数训练单类支持向量机，得到单类支持向量机最优参数和分类器模型；步骤3、采用步骤2所得单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。

【技术特征摘要】
1.基于单类支持向量机的GIS局部放电故障判别方法，其特征是，包括以下步骤：步骤1、基于若干周期K种不同故障类型局部放电的PRPD图谱作为K个样本数据，提取各故障类型局部放电的特征参数；步骤2、采用步骤1提取的统计特征参数训练单类支持向量机，得到单类支持向量机最优参数和分类器模型；步骤3、采用步骤2所得单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。2.如权利要求1所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，步骤1所述提取各故障类型局部放电的特征参数包括若干周期：PRPD图谱放电幅值图谱正半周偏斜度负半周偏斜度全周期偏斜度Skm；PRPD图谱放电次数图谱正半周偏斜度负半周偏斜度全周期偏斜度Skn；PRPD图谱放电幅值图谱正半周陡峭度负半周陡峭度全周期陡峭度Kum；PRPD图谱放电次数图谱正半周陡峭度负半周陡峭度全周期陡峭度Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。3.如权利要求2所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，确定各故障类型局部放电的特征参数包括：1)确定特征参数Skm、Skn公式为；(1)式中，X为PRPD数据，μ和σ分别为其均值和标准差；2)确定特征参数Kum、Kun公式为：(2)式中，X为PRPD数据，μ和σ分别为其均值和标准差；3)确定特征参数Qm、Qn公式为：

【专利技术属性】
技术研发人员：唐炬，张晓星，李秀卫，周思远，任敬国，李杰，师伟，孙景文，
申请(专利权)人：武汉大学，国网山东省电力公司，
类型：发明
国别省市：湖北,42