[发明专利]一种基于SVM的配电网装置设备故障分析方法

说明书

本发明公开了一种基于SVM的配电网装置设备故障分析方法，主要是使用了机器学习中的支持向量机分类方法，首先选取了特定的一条配电网线路，收集近一年时间里线路上的正常或者故障情况下的电压电流温度等重要参数；接着，对所得数据进行初始化，将其分类成正常与故障两个大类；然后，根据训练样本，训练支持向量机分类模型，得到属性累加参数和分类域值，在SVM的辅助下，最终确定训练数据的分类情况。本发明能够实现配电网终端装置设备故障风险分析，能够及时上报故障信息，降低停电影响。

技术领域

本发明涉及一种配电网终端装置设备故障风险分析的技术，具体是一 种基于SVM的风险评估方法。

背景技术

电网电气设备的运行状况对电力系统的安全可靠性影响重大，电气设 备故障往往会造成用户停电，导致直接的经济损失，且需要花费大量的时 间和费用进行维护和检修。因此，对于电气设备应采用科学合理的运维方 法，提高检修的针对性和有效性，发现问题于萌芽状态并及时解决，从而 保障系统的安全性和供电的可靠性，为电网创造更多的经济效益和社会效 益。随着智能电网的提出和发展，电网设备优化管理越来越得到国内外电力部门的关注；多功能、多状态的在线监测技术和离线检测技术得到推广 和应用，为

对电网设备实现主动运维的前提条件是能够做出设备的状态评电网 设备状态检修工作提供了有效手段；高度信息化管理模式、远程可观可控 设备诊断技术将给电网设备状态检修策略的系统化提供越来越多的技术 支撑。尤其是在智能电网的发展趋势下，电网设备的主动运维技术显现更 为重要。价。以成套柱上开关为例，其状态评价涉及到众多状态量，包括 高低压进出线回路电流、电压、功率、电量、谐波、三相平衡度、短路故 障、高低压电缆温度、低压回路泄漏电流、雷击及接地电流、局放、周界 状态、环境温湿度、温湿度、烟感、渗水漏水状况等，各状态量变化情况 对其健康状态都有直接或间接影响。

电网设备故障概率取决于其运行的健康状态，直接影响到其运行风险， 是设备风险评估中最为重要基础数据之一，并在极大程度上决定了整个电 网风险水平。过去根据统计分析所得的电气设备故障概率存在可信度低、 应用滞后的问题。而随着物联网技术的不断发展，电气设备基础数据的准 确性和有效性得到进一步提升。因此，根据实时监测数据以及历史统计数 据推测成套柱上开关的故障概率情况是必不可少的工作，能够并为设备检 测安排提供科学、具体的参考。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种基于SVM的配电 网装置设备故障分析方法，该方法利用机器学习的方法，学习设备在正常 和异常影响下的不同状态特点及后果，对10千伏配电线路的不同故障类 型进行综合的分析量化；本发明综合考虑了电压电流温度等多种状态量对 配电网的影响，并结合电网自身，以及线路在电网中的重要程度，综合分 析不同故障情况下的风险特征。本发明缓解了现有的电网线路故障风险预 警不及时，控制箱未配置远传通信接口，开关状态和正常遥测量无法上传 的问题。处于下游的分支线路故障时，开关跳闸将导致分支线路停电，因 为无法及时实现远方停电告警，停电抢修需要通过抢修电话报警通知才能 启动实施，造成停电时间过长，继而增加用户的停电损失。本发明以支持 向量机算法代替层次分析法，而且还考虑了线路在电网结构中的重要程度， 从作为电网防灾规划的参考来说，可以带来更好的经济效益。

实现上述目的的一种技术方案是：一种基于SVM的配电网装置设备故 障分析方法，包括如下步骤：

步骤1，选取铁定的一条配电网线路，收集近一年时间里线路上的正 常或者故障情况下的电压电流温度参数；

步骤2，对所得数据进行预处理；

步骤3，根据训练样本，训练支持向量机分类模型，得到属性累加参 数和分类域值。

进一步的，步骤2中数据预处理的过程包括数据的清洗、转换、集成， 具体为以下步骤：

步骤2.1，从FTU终端采集装置收集正常运行状态下的训练数据；