背景技术
高电压设备在运行中经受电的、热的、机械的负荷作用,以及自然环境(气温、湿度等)的影响,长期工作会引起老化、疲劳、磨损,以致性能逐渐下降,可靠性逐渐降低。设备的绝缘材料在高电压、高温度的长期作用下,成分、结构发生变化,绝缘性能下降甚至破坏,最终设备故障率增大,从而危及电力系统的运行安全。因此对高电压设备状态的检测和掌握非常必要,如若能超前预测高电压设备的状态会大大减少安全事故的发生。
高电压设备中通常填充有绝缘材料,而这种绝缘材料大部分是绝缘油或者SF6气体,而绝缘油又以变压器油为主,变压器油中溶解气体包括CH4、C2H6、C2H4、C2H2、H2、CO、CO2等,SF6气体成分气体包括SO2、SOF2、SO2F2、H2S、CF4、CO2等。对设备中变压器油溶解气体成分比例或者SF6气体成分比例进行分析可以判断设备状态,但目前现有技术中均采用人工神经网络法或者支持向量机法等单一方法对设备状态进行预测,而此两种方法本身存在一些设备状态预测上的缺点与不足。
对于人工神经网络法而言,不足之处在于:
(1)局部极小化问题:从数学角度看,传统的神经网络法为一种局部搜索的优化方法,它要解决的是一个复杂非线性问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。加上神经网络对初始网络权重非常敏感,以不同的权重初始化网络,其往往会收敛于不同的局部极小,使得每次训练得到不同的结果。
(2)人工神经网络算法的收敛速度慢:由于神经网络算法本质上为梯度下降法,它所要优化的目标函数是非常复杂的,因此,必然会出现“锯齿形现象”,造成算法低效。
(3)传统神经网络方法采用经验风险最小化原则(ERM),对经验的依赖性比较强;
对于支持向量机法(SVM)而言,不足之处在于:
(1)SVM算法对大规模训练样本难以实施。由于SVM是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算的时间。
(2)用SVM解决多分类问题存在困难。经典的支持向量机算法只给出了二类分类的算法,而在数据挖掘的实际应用中,一般要解决多类的分类问题,此时需要通过多个二类支持向量机的组合来解决。
除了上述两种方法本身的缺点不足之外,还由于设备中气体成分历史数据时常受到一些干扰因素的影响或者历史数据本身存在不稳定情形,因此这种单一方法时常不能准确预测到高电压设备的状态。
发明内容
本发明要解决的技术问题就在于:针对现有技术中存在的不足,本发明提供一种对经验的依赖性低、抗扰能力和泛化能力强、准确度高并能解决多分类问题的高电压设备状态预测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种高电压设备状态预测方法,其步骤为:
(1)实际检测高电压设备中至少一种变压器油溶解气体和/或SF6气体的气体成分历史数据;即在设备带电状态下,检测各个时段下气体成分的数据;
(2)利用步骤(1)中所述历史数据,采用最小二乘曲线拟合法得到未来某时刻所述高电压设备中的对应气体的成分数据;即,得到随时间变化的特征曲线,其数值可能不断趋于稳定,最终获得设备长期放电稳定数据;
(3)通过支持向量机法利用步骤(2)中得到的未来某时刻所述高电压设备中的对应气体的成分数据预测所述高电压设备的故障状态类型。
作为本发明的进一步改进:
所述变压器油溶解气体为CH4、C2H6、C2H4、C2H2、H2、CO、CO2中的一种或多种。
所述SF6气体成分气体为SO2、SOF2、SO2F2、H2S、CF4、CO2中的一种或多种。
当步骤(1)中为两种以上气体的气体成分时,所述步骤(3)中还根据各气体成分之间数据的比值来预测所述高电压设备的故障状态类型。
与现有技术相比,本发明的技术效果就在于:本发明采用最小二乘曲线拟合法和支持向量机法相结合的方法来预测设备的状态,能够获得更好的泛化能力和精度,具有更高的计算效率,还能进一步解决多分类问题,并减少了对经验的依赖,保障了设备运行的经济性和安全性。
具体实施方式
以下将结合具体实施例和说明书附图对本发明做进一步详细说明。
如图1所示,本发明的高电压设备状态预测方法,其步骤为:
(1)实际检测高电压设备中至少一种变压器油溶解气体和/或SF6气体的气体成分历史数据;即在设备带电状态下,检测各个时段下气体成分的数据;
(2)利用步骤(1)中所述历史数据,采用最小二乘曲线拟合法得到未来某时刻所述高电压设备中的对应气体的成分数据;即,得到随时间变化的特征曲线,其数值可能不断趋于稳定,最终获得设备长期放电稳定数据。利用未来某时刻的气体成分数据就可以排除历史干扰因数的影响或者代表该数据已经基本稳定。
(3)通过支持向量机法利用步骤(2)中得到的未来某时刻所述高电压设备中的对应气体的成分数据预测所述高电压设备的故障状态类型。
上述的变压器油溶解气体为CH4、C2H6、C2H4、C2H2、H2、CO、CO2中的一种或多种。
上述的SF6气体成分气体为SO2、SOF2、SO2F2、H2S、CF4、CO2中的一种或多种。
本实施例中,进行最小二乘曲线拟合法的流程如下:
对于给定的一组数据(xi,yi)(i=1,2,...,m),要求在函数类(n<m)中寻求一个函数:
使得误差平方和最小,即满足:
式中,是函数类φ中的任一函数,满足(2)的函数为该最小二乘问题的最小二乘解。
最小二乘解的求解可以如下:
最小二乘曲线拟合问题可以转化为求解多元函数
的极小点问题。由求多元函数极值的必要条件,有:
得到:
令:
为两个函数的內积,则(5)可改写成
称此方程为法方程,写成方程组可得:
由于线性无关,系数行列式不为零,方程组存在唯一解:
从而得到函数f(x)的最小二乘解为:
本实施例中,支持向量机法采用多分类问题的“一对多”SVM算法,其具体步骤如下:
对于k(k>2)类SVM分类问题,构造k个两类分类器,第i个SVM分类器是把第i类作为一类,其余k-1类视为另一类。设有l个训练数据为(xi,yi),i=1,...,l,x∈Rn,y∈{1,...,k}为xi的类别号,φ(x)是将原特征空间映射到高维特征空间的非线性变换。第i个SVM需要解决以下的最优化问题:
满足约束条件:
求解以上优化问题,得到k个决策函数:
测试时,对测试数据分别计算各个子分类器的决策函数值,并选取函数值最大的所对应的类别为测试数据的类别。对于待测样本x,将其输入到这k个决策函数中,得到k个值,取得最大值的函数所对应的类别即为该样本所属类别,用ωx表示样本x所属的类别,即:
以高电压设备中所填充绝缘气体为SF6气体为例。在设备带电后,其内部SF6气体分解组成含量的检测数据如下表1所示,将其作为气体成分历史数据。
表1:
带电时间/h |
CF4/μL/L |
CO2/μL/L |
SO2F2/μL/L |
SOF2/μL/L |
12 |
7.16 |
1.56 |
4.59 |
31.96 |
24 |
13.49 |
5.18 |
5.28 |
72.11 |
36 |
13.25 |
9.61 |
5.99 |
63.76 |
48 |
29.45 |
12.38 |
14.98 |
209.18 |
60 |
29.14 |
11.69 |
13.81 |
196.35 |
72 |
31.26 |
16.25 |
15.32 |
222.19 |
84 |
32.63 |
14.43 |
15.81 |
234.35 |
96 |
32.68 |
16.63 |
15.82 |
238.91 |
利用上述气体成分历史数据,通过采用最小二乘曲线拟合法得到CF4、CO2、SO2F2、SOF2气体随时间变化的特征曲线;其数值不断趋于稳定,最终获得设备长期放电稳定数据,结果数据如下表2所示。
表2:
CF4/μL/L |
CO2/μL/L |
SO2F2/μL/L |
SOF2/μL/L |
32.67 |
15.49 |
15.97 |
243.6 |
采用支持向量机法,取SOF2/SO2F2、CF4/CO2、(SOF2+SO2F2)/(CO2+CF4)三组气体组分含量比值来判定绝缘缺陷局部放电类型。在判定类型的过程中,其训练样本为典型的高压导体突出物局部放电缺陷、自由导电微粒局部放电缺陷、绝缘子金属污染局部放电缺陷和气隙局部放电缺陷产生的SF6气体分解组分检测样本。在本实例中,最终上表稳定数据计算结果为自由导电微粒局部放电缺陷。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。