[发明专利]基于支持向量机的GIS局部放电故障类型模式识别方法

说明书

技术领域

本发明涉及一种电力故障检测方法，尤其涉及局部放电故障检测方法。

背景技术

气体绝缘组合开关电器（GAS INSULATED SWITCHGEAR，以下简称GIS）以其结构紧凑、免维护和对环境影响小等突出的优点，在电力系统中得到越来越广泛的应用。然而，尽管GIS运行可靠性非常高，但在制造、安装和运行过程中的缺陷也常导致事故的发生。因此对GIS进行局部放电检测对保证GIS安全可靠运行、评估GIS的绝缘状况和制定合理的维修策略具有十分重要的意义。

GIS内部可能存在的绝缘缺陷类型有多种，不同缺陷所表现出来的局部放电特征并不相同，对GIS运行的危害程度也相差较大，要准确地评估GIS内部缺陷类型的性质及其严重程度，必须对获得的局部放电信号进行模式识别。

目前应用最广泛的局部放电的模式识别方法是神经网络识别法。神经网络是一种遵循经验风险最小化原理的机器学习方法。根据Vapnik&Chervonenkis的统计学习理论，如果数据服从某个固定但未知的分布，要使机器的实际输出与理想输出之间的偏差尽可能的小，则机器应当遵循结构风险最小化原理，就是使错误概率的上界最小化。这就使得神经网络出现学习问题，即训练误差小并不总能导致好的预测效果，某些情况下，训练误差过小，反而会导致泛化能力的下降，即真实风险的增加。因此，目前的神经网络识别法是具有一定缺陷的。

发明内容

本发明的目的是提供一种基于支持向量机的GIS局部放电故障类型模式识别方法，其对GIS局部放电典型缺陷具有良好的识别效果。

支持向量机（Support Vector Machine，简称SVM）是在统计学习理论基础上发展起来的一种学习方法，是结构风险最小化理论的具体实现，它可以像神经网络一样解决小样本学习问题，并能很好地解决局部极小值、过学习或欠学习问题，与传统的神经网络相比它不仅结构简单而且各种性能、尤其是泛化能力明显提高。

为了实现上述发明目的，本发明提供了一种基于支持向量机的GIS局部放电故障类型模式识别方法，其包括下列步骤：

（1）提取若干个周期的M种局部放电故障类型对应的局部放电信号构建M个样本数据，将其作为原始数据；

（2）分别构建各样本数据的特征图谱，提取各样本数据的统计特征参数；

（3）采用一对一算法在任意两个样本数据之间构建支持向量机分类器，得到M×（M-1）/2个支持向量机分类器；

（4）采用提取出的统计特征参数训练支持向量机分类器，得到支持向量机分类器模型；

（5）采用支持向量机分类器模型对待识别的局部放电信号进行局部放电故障类型模式识别。

进一步地，在步骤（1）和步骤（2）之间还包括步骤（1a）：对原始数据进行去噪处理，以获得更好的效果。

进一步地，在步骤（2）中，按照下述步骤提取E_mag，S_mag，N_mag，E_int，N_int，ΔT_mean，r和N_reg作为统计特征参数：

将一个工频周期分为正半周期和负半周期，正半周期和负半周期的放电幅值构成两个放电幅值序列，正半周期和负半周期的放电时间间隔构成序列Δt_p和Δt_n，每一个样本中的所有放电间歇ΔT构成序列ΔT_w，将工频周期平均分为若干个区间，如果一个区间内出现放电，则将该区间视为放电区间，将两个放电幅值序列中的放电幅值按照式（1）进行归一化处理：