[发明专利]基于单类支持向量机的GIS局部放电故障判别方法

说明书

技术领域

本发明属于电力系统设备故障检测技术领域，尤其涉及基于单类支持向量机的GIS局部放电故障判别方法。

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是否存在内部绝缘故障，必须对某监测信号数据进行判别，判断其是否属于局部放电信号。单类支持向量机(One Class Support Vector Machine)是最初由Vapnik提出的一种机器学习方法，能够对样本空间数据进行分类和识别。相比于神经网络等其他机器学习方法，具有结构简单，性能更佳等优点。

有些情况下，监测信号数据并不平衡，属于某类的监测信号数量可能远多于不属于该类的监测信号数量，因此OCSVM在解决这一类问题方面具有重要意义。目前，国内外应用OCSVM主要解决异常检测和过程控制，如专利号为CN201410692755.2的“基于PSO-OCSVM的工业控制系统通信行为异常检测方法”和专利号为CN201410085508.6的“一种基于MICA-OCSVM的发酵过程故障监测方法”。在局部放电故障判别方面则未见应用。

发明内容

本发明的目的是提供一种能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局部放电故障判别结果的方法。

为实现上述目的，本发明采用的技术方案是：基于单类支持向量机的GIS局部放电故障判别方法，包括以下步骤：

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

步骤2、采用步骤1提取的统计特征参数训练单类支持向量机，得到单类支持向量机最优参数和分类器模型；

步骤3、采用步骤2所得单类支持向量机分类器模型对待判别的局部放电信号进行局部放电故障判别。

在上述的基于单类支持向量机的GIS局部放电故障判别方法中，步骤1所述提取各故障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。

在上述的基于单类支持向量机的GIS局部放电故障判别方法中，确定各故障类型局部放电的特征参数包括：

1)确定特征参数Sk_n公式为；

(1)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公式为：

(2)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公式为：

(3)、(4)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公式为：