[发明专利]一种基于组合逻辑与最优LS-SVM的局部放电故障诊断方法

说明书

本发明公开了一种基于组合逻辑与最优LS‑SVM的局部放电故障诊断方法，属于高电压领域中的局部放电故障诊断领域。首先，建立不同局部放电故障模型，对不同局部放电故障模型进行信号采集，得到不同局部放电信号PD_ij；其次，求取局部放电信号PD_ij的信息熵H(PD_ij)、奇异熵TSE(PD_ij)、俏度Kurt(PD_ij)以及累积量C₆₀(PD_ij)。然后，提出局部放电组合逻辑特征提取方法，提取出了特征参数F_ij。接着，分析了最小二乘支持向量机的原理，并结合粒子优化算法对最小二乘支持向量机加以改进优化，提出了基于最优LS‑SVM的故障分类方法。最后，将随机组合特征提取方法与最优LS‑SVM分类器结合，完成最优LS‑SVM故障分类器的训练与测试，给出诊断结果整体评估。

技术领域

本发明属于高电压领域中的局部放电故障诊断技术领域，更具体地，涉及一种基于组合逻辑与最优LS-SVM的局部放电故障诊断方法。

背景技术

不同类型的局部放电对电力设备的危害程度不同，将直接影响检修与维护的策略，因此，在有效提取局部放电特征参数后对局部放电进行故障诊断与监测尤为重要。随着模式识别与计算机等技术的快速发展，基于人工智能技术的局部放电故障诊断方法得到一定的发展与推进。当下局部放电故障诊断方法主要有基于人工神经网络的方法、基于模糊推理的故障诊断方法、基于SVM的故障方法、基于遗传算法的故障诊断方法等。

首先，基于模糊推理与神经网络的局部放电故障诊断方法较早被提出，该方法将模糊综合诊断与规则推理进行相结合进行绝缘故障诊断，该技术通过模糊推理对故障信号进行处理，去除掉可能性较小的因素，然后通过规则推理逐步验证较大可能性的原因。有学者提出将局部放电(Partial discharge，PD)信号的偏斜度、陡峭度等六个特征参数作为PD诊断的依据，利用威布尔分布对高压直流输电线进行了局部放电的模糊识别。有专家在分析了正交小波变换与BP神经网络的不足之处后，进一步构建了自适应特征提取小波神经网络方法，通过小波神经网络隐含层激活函数的变换完成对PD信号的特征提取，最终实现了三种典型局部放电信号的识别。研究了神经网络不同学习算法在局部放电诊断中的收敛性问题，提出了径向基(Radial basis function,RBF)神经网络与概率神经网络模式分类故障诊断模型。经过对比分析不同类型的神经网络性能确定了适合变压器绝缘故障的神经网络诊断模型。

其次，基于核理论的方法也较为常见，该模型依赖平滑模糊平面特征提取技术与错误概率特征选择技术，该模糊平面设计用于Fisher判别分类模型选取了一个最优提取次数特征。该模型依赖两个特征参数，用于提取特征的平滑核和距离度量，实验结果验证了该学习算法能够很好的应用于感应电的故障诊断。还有基于核理论的统计不相关鉴别矢量集的局部放电故障诊断方法，该方法利用主成分分析对图像矩阵进行特征提取，大大提高了特征提取的效率，然后利用相关鉴别矢量法解决了线性分类算法精度不高的问题。

另外，针对小样本的PD源故障诊断中，近年来支持向量机(Support vectormachine，SVM)方法得到一定的发展，学者利用支持向量机的结构风险最小化的特点，提出了一种基于SVM的局部放电模式识别方法。该方法将径向基函数作为核函数，通过参数寻优的方法确定支持向量机的惩罚因子。另外，可以利用通过多重分形技术获取不同PD源的特征参数，结合支持向量机实现了气体绝缘开关柜的局部放电在线故障诊断。该方法在较强的背景噪声下能对四种不同绝缘缺陷进行有效识别，正确识别率得到了一定提升。

总体而言，随着信号处理技术的不断发展，局部放电故障诊断技术已经朝着多种技术融合的方向发展，实现了大量PD信号的类型识别。但是针对不同局部放电类型的故障特征提取依然存在一定的缺陷，特征提取效果有待提高，故障诊断模型的正确识别率有待优化。现有局部放电故障诊断正确识别率有待进一步提升。

发明内容