[发明专利]一种基于支持向量机算法的故障诊断方法

说明书

本发明涉及一种基于支持向量机算法的故障诊断方法，所述方法包括以下步骤：获取待分类样本数据以及样本数据中的所有类别；在任意两个类之间构建一个SVM分类器，若样本数据中共有k类，则构建k(k‑1)/2个分类器；将样本输入分类器进行分类，统计分类结果；将分类结果中数量最多的类别作为样本所属类，相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策，所述基于支持向量机算法的故障诊断方法具有对于绝缘故障类型的识别能力好、操作简便、适用范围广等优点。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于支持向量机算法的故障诊断方法。

背景技术

六氟化硫(SF6)气体绝缘电力设备凭借其可靠性高，占地面积小等优点，广泛地应用于高压、超高压和特高压领域，在电网中有非常重要的地位，其运行状态直接关系到电力系统的稳定性，在SF6气体绝缘电力设备的故障中，绝缘故障因其发生频率高、破坏性大而最为引人关注，绝缘故障如果不能被及时识别，很可能会发生连锁反应，导致事故范围扩大，造成巨大经济损失，通常，绝缘故障是由早期的潜伏性绝缘隐患发展而来，因此，早期潜伏性绝缘故障的监测与诊断技术的研究具有十分重要的理论意义和实用价值。

支持向量机在机器学习中是一种与相关学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析，通过建立一种基于支持向量机算法的绝缘故障诊断方法，可以帮助相关人员更好地识别绝缘故障类型从而进行相应决策，提高电网系统的安全性与稳定性。

发明内容

鉴以此，本发明的目的在于提供一种基于支持向量机算法的故障诊断方法，以至少解决以上问题。

一种基于支持向量机算法的故障诊断方法，包括以下步骤：

S1、采集样本数据：获取待分类样本数据以及样本数据中的所有类别；

S2、构造分类器：在任意两个类之间构建一个SVM分类器，若样本数据中共有k类，则构建k(k-1)/2个分类器；

S3、将样本输入分类器进行分类，统计分类结果；

S4、将分类结果中数量最多的类别作为样本所属类，相关人员根据样本数据所属类对绝缘故障进行诊断并进行相应决策。

进一步的，S2中，采用支持向量机作为识别绝缘缺陷的分类器，其原理是通过非线性映射φ，将输入的样本数据转换为向量映射到高维空间F，在所述高维空间F中寻找一个最优超平面使样本之间的间隔最大。

进一步的，假设样本集为x_i∈Rⁿ为输入向量，N表示样本个数，y_i∈{±1}为类标号，输入向量在高维空间F中对应的向量为φ(x)，在F空间中构造超平面f(x)＝(w·φ(x))+b，其中w为超平面的法向量，b为偏移量，当所述超平面使两类样本间隔最大时，所述超平面为最优分类面，且此时w＝w^*，b＝b^*。

进一步的，将求解最优分类面的f(x)＝(w^*·φ(x))+b^*的问题转化为具有线性约束的二次规划问题，即：

其中ξ为松弛因子，C为惩罚因子且大于0，通过拉格朗日乘子法对公式(1)和(2)进行求解，即：

其中α_i和β_i为拉格朗日乘子，将公式(3)转化为对偶问题可得：