CN103076547A - 基于支持向量机的gis局部放电故障类型模式识别方法 - Google Patents

Abstract

本发明公开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：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；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；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；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；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。该基于支持向量机的GIS局部放电故障类型模式识别方法具有很好的识别效果。

Description

基于支持向量机的GIS局部放电故障类型模式识别方法

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：

$p_k=\frac{1000*(p_k^{\′}-p_{\min }^{\′})}{p_{\max }^{\′}-p_{\min }^{\′}}---\left(1\right)$

式（1）中，p_k表示放电幅值序列中第k个放电信号进行归一化后的幅值，p′_k表示放电幅值序列中第k个放电信号的幅值，p′_min表示放电幅值序列中的最小幅值，p′_max表示放电幅值序列中的最大幅值；

确定正半周期的放电次数N_{mag_p}、负半周期的放电次数N_{mag_n}，正半周期的放电时间间隔总数N_{int_p}、负半周期的放电时间间隔总数N_{int_n}，正半周期的放电区间总数N_{reg_p}、负半周期的放电区间总数N_{reg_n}，例如，参数初始均设为0，对于正、负半周期，每检测到一次放电，则放电总数+1，由于每两次放电间为一个时间间隔，故时间间隔总数=放电总数-1；

根据下述公式确定统计特征参数E_mag：

$E_{\mathrm{mag}\_p}=\frac{{\mathrm{\Σ}}_k{p}_{k\_p}}{N_{\mathrm{mag}\_p}},$ $E_{\mathrm{mag}\_n}=\frac{{\mathrm{\Σ}}_k{p}_{k\_}n}{N_{\mathrm{mag}\_n}}$

E_mag＝max(E_{mag_p}，E_{mag_n})

上式中，p_{k_p}、p_{k_}n分别为正、负半周期第k个放电信号的归一化幅值，∑_kp_{k_p}、∑_kp_{k_n}分别为正、负半周期所有放电信号归一化幅值的和，E_{mag_p}、E_{mag_n}分别为正、负半周期所有放电信号的幅值均值；

根据下述公式确定统计特征参数N_mag：

N_mag＝N_{mag_p}+N_{mag_n}

根据下述公式确定统计特征参数r：

$r=\frac{N_{\mathrm{mag}\_p}}{N_{\mathrm{mag}}}$

根据下述公式确定统计特征参数S_mag：

$S_{\mathrm{mag}\_p}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_p}}{E_{\mathrm{mag}\_p}}-1)}^2}{N_{\mathrm{mag}\_p}}}$

$S_{\mathrm{mag}\_n}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_n}}{E_{\mathrm{mag}\_n}}-1)}^2}{N_{\mathrm{mag}\_n}}}$

S_mag＝max(S_{mag_p}，S_{mag_n})

上式中，S_{mag_p}、S_{mag_n}分别为正、负半周期所有放电信号的幅值的标准差；

根据下述公式确定统计特征参数E_int：

$E_{\mathrm{int}\_p}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_p}{N_{\mathrm{int}\_p}},$ $E_{\mathrm{int}\_n}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_n}{N_{\mathrm{int}\_n}}$

E_int＝max(E_{int_p}，E_{int_n})

上式中，E_{int_p}、E_{int_n}分别为正、负半周期放电时间间隔均值；

根据下述公式确定统计特征参数N_int：

N_int＝N_{int_p}+N_{int_n}

根据下述公式确定统计特征参数N_reg：

N_reg＝N_{reg_p}+N_{reg_n}

根据下述公式确定统计特征参数ΔT_mean：

$\mathrm{\Δ}{T}_{\mathrm{mean}}=\frac{{\mathrm{\Σ}}_w\mathrm{\Δ}{T}_w}{N\left(\mathrm{\Δ}{T}_w\right)}$

上式中，W表示第W个放电间歇，N表示放电间歇的总数，ΔT_mean表示放电间歇均值。

进一步地，在上述基于支持向量机的GIS局部放电故障类型模式识别方法中，M值为4，四种局部放电故障类型分别对应高压导体表面针尖放电、固体绝缘内部气隙放电、自由金属微粒放电和悬浮电极放电，也就是说对这四种放电故障类型进行识别。

进一步地，在步骤（4）中按照下述步骤训练支持向量机分类器：

对统计特征参数进行归一化；

采用主成分分析方法对统计特征参数进行降维处理；

使用网格搜索方法进行参数寻优，寻得最佳支持向量机参数（例如支持向量机核函数的核参数和惩罚系数C）；

使用最佳支持向量机参数训练支持向量机分类器。

上述训练方法是本领域内常用的训练方法，在归一化之后，为了降低计算量，还可以对各统计特征参数进行标准化，即对量纲不一致的变量或是在不同的范围内变化的变量进行统一，从而降低计算量。

进一步地，在步骤（5）中，提取待识别的局部放电信号的统计特征参数，将统计特征参数输入支持向量机分类器模型，采取投票方式得到识别结果。

进一步地，在上述基于支持向量机的GIS局部放电故障类型模式识别方法中，四种局部放电故障类型分别对应记为A类的高压导体表面针尖放电、记为B类的固体绝缘内部气隙放电、记为C类的自由金属微粒放电和记为D类的悬浮电极放电，对应的一对一支持向量机分类器模型分别为A-B分类器模型、A-C分类器模型、A-D分类器模型、B-C分类器模型、B-D分类器模型和C-D分类器模型。

对应上述四种局部放电故障类型，采取投票方式得到识别结果包括步骤：

初始化，令A=B=C=D=0；

输入到A-B分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，B=B+1；

输入到A-C分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，C=C+1；

输入到A-D分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，D=D+1；

输入到B-C分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，C=C+1；

输入到B-D分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，D=D+1；

输入到C-D分类器模型中的统计特征参数如果被识别为A，则C=C+1，否则，D=D+1；

选择A、B、C、D中的最大者作为识别结果。

本发明所述的基于支持向量机的GIS局部放电故障类型模式识别方法对GIS局部放电典型缺陷具有良好的识别效果。

附图说明

图1是本发明所述的基于支持向量机的GIS局部放电故障类型模式识别方法在一种实施方式中的流程框图。

图2显示了放电信号幅值，两个连续放电信号间的时间间隔以及放电间隔。

图3显示了本发明所述的基于支持向量机的GIS局部放电故障类型模式识别方法在一种实施方式中的投票流程图。

具体实施方式

以下结合具体实施例和说明书附图来对本发明所述的基于支持向量机的GIS局部放电故障类型模式识别方法做进一步的解释说明。

在本实施例中，采用四种绝缘缺陷模型模拟高压导体表面针尖放电、固体绝缘内部气隙放电、自由金属微粒放电和悬浮电极放电，然后如图1所示进行下列步骤：

（1）开始

（2）针对每一种缺陷类型，采用局部放电采集装置采集50个周期的局部放电数据而保存为一个样本作为原始数据，每一个样本包含了1s内的放电信息；

（3）采用小波对原始数据进行去噪处理；

（4）分别构建各样本数据的特征图谱，按照下列步骤提取各样本数据的E_mag，S_mag，N_mag，E_int，N_int，ΔT_mean，r和N_reg作为统计特征参数，图2显示了放电脉冲幅值（1），两个连续放电信号间的时间间隔（2）以及放电间歇（3）：

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20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下式进行归一化处理：

$p_k=\frac{1000*(p_k^{\′}-p_{\min }^{\′})}{p_{\max }^{\′}-p_{\min }^{\′}}$

上式中，p_k表示放电幅值序列中第k个放电信号进行归一化后的幅值，p′_k表示放电幅值序列中第k个放电信号的幅值，p′_min表示放电幅值序列中的最小幅值，p′_max表示放电幅值序列中的最大幅值；

确定正半周期的放电次数N_{mag_p}、负半周期的放电次数N_{mag_n}，正半周期的放电时间间隔总数N_{int_p}、负半周期的放电时间间隔总数N_{int_n}，正半周期的放电区间总数N_{reg_p}、负半周期的放电区间总数N_{reg_n}，例如，参数初始均设为0，对于正、负半周期，每检测到一次放电，则放电总数+1，由于每两次放电间为一个时间间隔，故时间间隔总数=放电总数-1；

根据下述公式确定统计特征参数E_mag：

$E_{\mathrm{mag}\_p}=\frac{{\mathrm{\Σ}}_k{p}_{k\_p}}{N_{\mathrm{mag}\_p}},$ $E_{\mathrm{mag}\_n}=\frac{{\mathrm{\Σ}}_k{p}_{k\_}n}{N_{\mathrm{mag}\_n}}$

E_mag＝max(E_{mag_p}，E_{mag_n})

上式中，p_{k_p}、p_{k_}n分别为正、负半周期第k个放电信号的归一化幅值，∑_kp_{k_p}、∑_kp_{k_n}分别为正、负半周期所有放电信号归一化幅值的和，E_{mag_p}、E_{mag_n}分别为正、负半周期所有放电信号的幅值均值；

根据下述公式确定统计特征参数N_mag：

N_mag＝N_{mag_p}+N_{mag_n}

根据下述公式确定统计特征参数r：

$r=\frac{N_{\mathrm{mag}\_p}}{N_{\mathrm{mag}}}$

根据下述公式确定统计特征参数S_mag：

$S_{\mathrm{mag}\_p}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_p}}{E_{\mathrm{mag}\_p}}-1)}^2}{N_{\mathrm{mag}\_p}}}$

$S_{\mathrm{mag}\_n}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_n}}{E_{\mathrm{mag}\_n}}-1)}^2}{N_{\mathrm{mag}\_n}}}$

S_mag＝max(S_{mag_p}，S_{mag_n})

上式中，S_{mag_p}、S_{mag_n}分别为正、负半周期所有放电信号的幅值的标准差；

根据下述公式确定统计特征参数E_int：

$E_{\mathrm{int}\_p}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_p}{N_{\mathrm{int}\_p}},$ $E_{\mathrm{int}\_n}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_n}{N_{\mathrm{int}\_n}}$

E_int＝max(E_{int_p}，E_{int_n})

上式中，E_{int_p}、E_{int_n}分别为正、负半周期放电时间间隔均值；

根据下述公式确定统计特征参数N_int：

N_int＝N_{int_p}+N_{int_n}

根据下述公式确定统计特征参数N_reg：

N_reg＝N_{reg_p}+N_{reg_n}

根据下述公式确定统计特征参数ΔT_mean：

$\mathrm{\Δ}{T}_{\mathrm{mean}}=\frac{{\mathrm{\Σ}}_w\mathrm{\Δ}{T}_w}{N\left(\mathrm{\Δ}{T}_w\right)}$

上式中，W表示第W个放电间歇，N表示放电间歇的总数，ΔT_mean表示放电间歇均值。

在这八个统计特征参数中，E_mag，S_mag，N_mag描述了放电的幅值特征，E_int和N_int描述了放电的时间间隔特征，ΔT_mean描述了放电的间歇特征，r和N_reg描述了放电的分布区域。

（5）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，也即将四种局部放电故障类型分别对应记为A类的高压导体表面针尖放电、记为B类的固体绝缘内部气隙放电、记为C类的自由金属微粒放电和记为D类的悬浮电极放电，对应的一对一支持向量机分类器模型分别为A-B分类器模型、A-C分类器模型、A-D分类器模型、B-C分类器模型、B-D分类器模型和C-D分类器模型，采用提取出的统计特征参数训练支持向量机分类器，在该训练过程中可以任意选取一部分样本作为训练样本，其余的用作测试样本，具体的训练过程包括：

对统计特征参数进行归一化；

对统计特征参数进行标准化；

采用主成分分析方法（pca）对统计特征参数进行降维处理；

使用网格搜索方法（gridsearch）进行参数寻优，寻得最佳支持向量机参数（例如支持向量机核函数的核参数λ和惩罚系数C）；

使用最佳支持向量机参数训练支持向量机分类器；

（6）得到支持向量机分类器模型；

（7）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，采取投票方式得到识别结果，如图3所示：

开始；

初始化；

导入待识别局部放电信号的统计特征参数；

开始投票：

令A=B=C=D=0；

输入到A-B分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，B=B+1；

输入到A-C分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，C=C+1；

输入到A-D分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，D=D+1；

输入到B-C分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，C=C+1；

输入到B-D分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，D=D+1；

输入到C-D分类器模型中的统计特征参数如果被识别为A，则C=C+1，否则，D=D+1；

选择A、B、C、D中的最大者作为识别结果；

输出结果；

结束。

表1列出了采用本实施例所述的方法对局部放电信号进行识别的结果，从表1可以看出，该方法对局部放电故障类型具有很好的识别效果。

表1

缺陷模型	测试样本数	训练样本数	正确识别次数	正确识别率
					高压导体表面针尖	110	240	110	100%
固体绝缘气隙	360	500	320	88.89%
					自由金属微粒	150	360	150	100%
悬浮电极	150	350	140	93.33%

要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。

Claims (8)

1.一种基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，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。

2.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，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。

3.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，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：

$p_k=\frac{1000*(p_k^{\′}-p_{\min }^{\′})}{p_{\max }^{\′}-p_{\min }^{\′}}---\left(1\right)$

式（1）中，p_k表示放电幅值序列中第k个放电信号进行归一化后的幅值，p′_k表示放电幅值序列中第k个放电信号的幅值，p′_min表示放电幅值序列中的最小幅值，p′_max表示放电幅值序列中的最大幅值；

确定正半周期的放电次数N_{mag_p}、负半周期的放电次数N_{mag_n}，正半周期的放电时间间隔总数N_{int_p}、负半周期的放电时间间隔总数N_{int_n}，正半周期的放电区间总数N_{reg_p}、负半周期的放电区间总数N_{reg_n}；

根据下述公式确定统计特征参数E_mag：

$E_{\mathrm{mag}\_p}=\frac{{\mathrm{\Σ}}_k{p}_{k\_p}}{N_{\mathrm{mag}\_p}},$ $E_{\mathrm{mag}\_n}=\frac{{\mathrm{\Σ}}_k{p}_{k\_}n}{N_{\mathrm{mag}\_n}}$

E_mag＝max(E_{mag_p}，E_{mag_n})

上式中，p_{k_p}、p_{k_}n分别为正、负半周期第k个放电信号的归一化幅值，∑_kp_{k_p}、∑_kp_{k_n}分别为正、负半周期所有放电信号归一化幅值的和，E_{mag_p}、E_{mag_n}分别为正、负半周期所有放电信号的幅值均值；

根据下述公式确定统计特征参数N_mag：

N_mag＝N_{mag_p}+N_{mag_n}

根据下述公式确定统计特征参数r：

$r=\frac{N_{\mathrm{mag}\_p}}{N_{\mathrm{mag}}}$

根据下述公式确定统计特征参数S_mag：

$S_{\mathrm{mag}\_p}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_p}}{E_{\mathrm{mag}\_p}}-1)}^2}{N_{\mathrm{mag}\_p}}}$

$S_{\mathrm{mag}\_n}=\sqrt{\frac{{\mathrm{\Σ}}_k{(\frac{p_{k\_n}}{E_{\mathrm{mag}\_n}}-1)}^2}{N_{\mathrm{mag}\_n}}}$

S_mag＝max(S_{mag_p}，S_{mag_n})

上式中，S_{mag_p}、S_{mag_n}分别为正、负半周期所有放电信号的幅值的标准差；

根据下述公式确定统计特征参数E_int：

$E_{\mathrm{int}\_p}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_p}{N_{\mathrm{int}\_p}},$ $E_{\mathrm{int}\_n}=\mathrm{\Σ}\frac{\mathrm{\Δt}\_n}{N_{\mathrm{int}\_n}}$

E_int＝max(E_{int_p}，E_{int_n})

上式中，E_{int_p}、E_{int_n}分别为正、负半周期放电时间间隔均值；

根据下述公式确定统计特征参数N_int：

N_int＝N_{int_p}+N_{int_n}

根据下述公式确定统计特征参数N_reg：

N_reg＝N_{reg_p}+N_{reg_n}

根据下述公式确定统计特征参数ΔT_mean：

$\mathrm{\Δ}{T}_{\mathrm{mean}}=\frac{{\mathrm{\Σ}}_w\mathrm{\Δ}{T}_w}{N\left(\mathrm{\Δ}{T}_w\right)}$

上式中，W表示第W个放电间歇，N表示放电间歇的总数，ΔT_mean表示放电间歇均值。

4.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，M值为4，四种局部放电故障类型分别对应高压导体表面针尖放电、固体绝缘内部气隙放电、自由金属微粒放电和悬浮电极放电。

5.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，在步骤（4）中按照下述步骤训练支持向量机分类器：

对统计特征参数进行归一化；

采用主成分分析方法对统计特征参数进行降维处理；

使用网格搜索方法进行参数寻优，寻得最佳支持向量机参数；

使用最佳支持向量机参数训练支持向量机分类器。

6.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，步骤（5）中，提取待识别的局部放电信号的统计特征参数，将统计特征参数输入支持向量机分类器模型，采取投票方式得到识别结果。

7.如权利要求6所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，M值为4，四种局部放电故障类型分别对应记为A类的高压导体表面针尖放电、记为B类的固体绝缘内部气隙放电、记为C类的自由金属微粒放电和记为D类的悬浮电极放电，对应的一对一支持向量机分类器模型分别为A-B分类器模型、A-C分类器模型、A-D分类器模型、B-C分类器模型、B-D分类器模型和C-D分类器模型。

8.如权利要求6所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，采取投票方式得到识别结果包括：

初始化，令A=B=C=D=0；

输入到A-B分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，B=B+1；

输入到A-C分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，C=C+1；

输入到A-D分类器模型中的统计特征参数如果被识别为A，则A=A+1，否则，D=D+1；

输入到B-C分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，C=C+1；

输入到B-D分类器模型中的统计特征参数如果被识别为A，则B=B+1，否则，D=D+1；

输入到C-D分类器模型中的统计特征参数如果被识别为A，则C=C+1，否则，D=D+1；

选择A、B、C、D中的最大者作为识别结果。

Images