[发明专利]一种基于SVM分类技术的电网故障原因诊断方法

摘要

一种基于SVM(Support Vector Machine,支持向量机)分类技术的故障原因诊断方法，利用电网中大量的历史录波数据，采用小波变换方法把原始信号分解为表达不同层次不同频带的特征向量，并通过实验的结果选取最优的核函数，进而对历史录波数据进行SVM分类模型训练，形成支持在线自动化故障原因预测模型。从而辅助电力专业人员结合实时录波数据，在线对电网故障的原因进行提前预测，以便及时采取对应的保护措施，具有较强的实用价值。

主权项

1.一种基于SVM分类技术的电网故障原因诊断方法，其特征在于，所述诊断方法包括以下步骤：步骤1：从电网业务系统的原始录波数据库中获取历史录波数据及故障信息形成原始数据样本集；步骤2：对步骤1中形成原始数据样本集进行预处理并通过插值形成规范的电压/电流信号数据样本；步骤3：将步骤2所得到的规范的电压/电流信号数据样本分解为表达不同层次不同频带信息的数据序列即各阶小波系数，对各阶小波系数进行能量计算，完成对规范的电压/电流信号数据样本的特征提取，形成特征向量，并按照故障相别字母序的顺序重新排列组合，形成一个组合特征向量步骤4：构造训练样本Di:其中i为训练样本序号，为步骤3最后形成的组合特征向量，FType_i是分类标记即为故障原因字段的值，故障原因包括山火、雷电、异物、树木放电，每一故障原因字段的值映射为一个数字；通过支持向量机(SVM)对训练样本按照类别进行分类训练，得到以下分类决策函数：f'(X)＝{prob(X,Cl)|l＝1..m}，其中，X为待预测样本，prob(X,Cl)为待预测样本X属于某个类别Cl的概率，l为类别的下标，一共有m个类别；步骤5：采集实时录波数据，将所采集的实时录波数据用步骤2、3中同样的特征提取方法，将提取的实时故障录波数据中的电流/电压信号的特征向量根据按照故障相别字母序的顺序重新排列组合形成组合特征向量其中p表示待预测样本的序号；根据步骤4中训练得到的多分类决策函数：f'(X)＝{prob(X,Cl)|l＝1..m}将代替X，将所有的故障原因类别任选一个标识为FType替换C_l，计算得到该预测样本属于各个故障原因类别的概率。