[发明专利]基于粒子群‑支持向量机的GIS局部放电类型模式识别方法

说明书

技术领域

本发明属于电力系统设备检测技术领域，尤其涉及基于粒子群-支持向量机的GIS局部放电类型模式识别方法。

背景技术

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(Gas Insulated Switchgear，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内部绝缘故障，必须对局部放电信号进行模式识别。目前，国内外对GIS局部放电类型模式识别方法主要包括神经网络法和特征频段标定法，如专利号为CN201510975469.1的“基于混合神经网络算法的局部放电模式识别方法”和专利号为CN201510359775.2的“一种基于特征超高频信号的GIS局部放电故障检测方法”，但过程较为繁琐；此外，专利号为CN201510732891.4的“基于参数优化SVM算法的交联电缆局部放电模式识别方法”利用SVM方法对电缆中的局部放电进行了研究。

发明内容

本发明的目的是提供一种基于粒子群-支持向量机的GIS局部放电类型模式识别方法，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局部放电典型缺陷识别结果。

为实现上述目的，本发明采用的技术方案是：基于粒子群-支持向量机的GIS局部放电类型模式识别方法，包括以下步骤：

步骤1、基于若干周期K种不同类型局部放电的PRPD图谱作为K个样本数据，提取各类型局部放电的特征参数；

步骤2、采用一对一算法在任意两个样本数据之间构造高斯核函数SVM分类器，共计个SVM分类器；

步骤3、以SVM分类器在优化过程中的均方误差作为PSO算法中的适应度函数，用PSO算法寻找最佳参数；

步骤4、采用提取的各类型局部放电特征参数训练SVM分类器，得到SVM分类器模型；利用SVM分类器模型，用投票的方式对待识别的局部放电信号进行局部放电类型模式识别。

在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，步骤1提取各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Sk_m；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Sk_n；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Ku_m；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Ku_n；PRPD图谱放电幅值正负半周放电幅值比Q_m；PRPD图谱放电次数正负半周放电次数比Q_n；PRPD图谱放电幅值正负半周放电幅值互相关系数CC_m；PRPD图谱放电次数正负半周放电次数互相关系数CC_n。

在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，确定各类型局部放电的特征参数的公式包括：

1)确定特征参数Sk_m、Sk_n的公式：

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Ku_m、Ku_n的公式：

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Q_m、Q_n的公式：

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CC_m、CC_n的公式：

CC为互相关系数。