CN107728028A - 基于单类支持向量机的gis局部放电故障判别方法 - Google Patents

基于单类支持向量机的gis局部放电故障判别方法 Download PDF

Info

Publication number
CN107728028A
CN107728028A CN201711087312.0A CN201711087312A CN107728028A CN 107728028 A CN107728028 A CN 107728028A CN 201711087312 A CN201711087312 A CN 201711087312A CN 107728028 A CN107728028 A CN 107728028A
Authority
CN
China
Prior art keywords
mrow
msup
support vector
vector machines
msub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711087312.0A
Other languages
English (en)
Inventor
唐炬
张晓星
李秀卫
周思远
任敬国
李�杰
师伟
孙景文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
State Grid Shandong Electric Power Co Ltd
Original Assignee
Wuhan University WHU
State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, State Grid Shandong Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN201711087312.0A priority Critical patent/CN107728028A/zh
Publication of CN107728028A publication Critical patent/CN107728028A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及电力系统设备故障检测技术，具体涉及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：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；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；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。基于单类支持向量机的方法，可以构造二元识别问题的有效模型，能有效解决各类不同的局部放电故障判别问题。可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。

Description

基于单类支持向量机的GIS局部放电故障判别方法
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Skm；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Skn；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Kum；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Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。
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Skn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Kum、Kun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Qm、Qn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CCm、CCn公式为：
CC为互相关系数。
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K种不同故障类型局部放电包括金属突出物缺陷放电、自由金属颗粒缺陷放电、污秽缺陷放电和气隙缺陷放电；K值为4。
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2所述采用步骤1提取的统计特征参数训练单类支持向量机的方法如下：
对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机的参数，包括核函数参数和权衡参数，构造并解决最优问题；具体步骤如下
采用高斯核函数
满足
(6)式的对偶形式为：
解出各ɑi后，得到判别函数为：
(10)式中：
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3实现的具体步骤是，将最佳参数代入单类支持向量机，将提取出的局部放电特征参数输入单类支持向量机判别函数(10)式，得到判别结果。
本发明的有益效果是：基于单类支持向量机的方法，可以构造二元识别问题的有效模型，能有效解决各类不同的局部放电故障判别问题。可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。
附图说明
图1是本发明基于单类支持向量机的GIS局部放电故障判别方法在一种实施方式中的流程框图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例的技术方案是，一种基于单类支持向量机的GIS局部放电故障判别方法，包括下列步骤：
一、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；
二、采用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佳参数和分类器模型；
三、采用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。
步骤一中，提取下列参数作为特征参数：
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Skm；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Skn；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Kum；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Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。
根据下述公式确定特征参数Skm、Skn：
式中，X为PRPD数据，μ和σ分别为其均值和标准差。Sk反映了PRPD的轮廓相对于正态分布的左右偏斜情况。
根据下述公式确定特征参数Kum、Kun：
式中，X为PRPD数据，μ和σ分别为其均值和标准差。Ku反映了PRPD的分布相对于正态分布形状的突起程度。
根据下述公式确定特征参数Qm、Qn：
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。
根据下述公式确定特征参数CCm、CCn：
互相关系数CC反映了谱图在正负半周内的形状相似程度。
在步骤一中，K值等于4，对应4种局部放电故障类型，分别为：金属突出物缺陷放电；自由金属颗粒缺陷放电；污秽缺陷放电；气隙缺陷放电。
在步骤二中按下列步骤训练单类支持向量机：
对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机参数，包括核函数参数和权衡参数，构造并解决最优问题：
采用高斯核函数
满足
最优问题⑥的对偶形式为：
对偶形式为一标准二次规划问题，解出各ɑi后，可得出用于判定是否为局部放电故障，判别函数为：
其中
在步骤三中将最佳参数代入单类支持向量机后，把提取出的局部放电特征参数输入单类支持向量机判别方程⑩，得到判别结果。
具体实施时，采用4种绝缘缺陷模型模拟金属突出物缺陷放电、自由金属颗粒缺陷放电、污秽缺陷放电、气隙缺陷放电。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，保存为一个样本作为原始数据；
3、按下列步骤，分别提取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Skm；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Skn；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Kum；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Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。
根据下述公式确定特征参数Skm、Skn：
式中，X为PRPD数据，μ和σ分别为其均值和标准差。Sk反映了PRPD的轮廓相对于正态分布的左右偏斜情况。
根据下述公式确定特征参数Kum、Kun：
式中，X为PRPD数据，μ和σ分别为其均值和标准差。Ku反映了PRPD的分布相对于正态分布形状的突起程度。
根据下述公式确定特征参数Qm、Qn：
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
根据下述公式确定特征参数CCm、CCn：
互相关系数CC反映了谱图在正负半周内的形状相似程度。
4、在第2步中，K值等于4，对应4种局部放电故障类型，分别为：金属突出物缺陷放电；自由金属颗粒缺陷放电；污秽缺陷放电；气隙缺陷放电。
步骤2训练单类支持向量机按下列步骤：
对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机参数，构造并解决最优问题：
采用高斯核函数
满足
最优问题(6＇)的对偶形式为：
min
s.t.
对偶形式为一标准二次规划问题，解出各ɑi后，可得出用于判定是否为局部放电故障，判定方程为：
其中
5、将最佳参数代入单类支持向量机后，把提取出的局部放电特征参数输入单类支持向量机判别函数(10＇)，得到判别结果。
6、结束。
根据所述的基于单类支持向量机的GIS局部放电故障判别方法，采集某110kV的GIS设备数据，得到模型的(v,δ)参数为(0.05,0.1)。4种局部放电故障类型局部放电判别准确率分别为79％、82％、85％、90％，证明了该方法的有效性。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (6)

1.基于单类支持向量机的GIS局部放电故障判别方法，其特征是，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。
2.如权利要求1所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，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Skm；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Skn；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Kum；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Kun；PRPD图谱放电幅值正负半周放电幅值比Qm；PRPD图谱放电次数正负半周放电次数比Qn；PRPD图谱放电幅值正负半周放电幅值互相关系数CCm；PRPD图谱放电次数正负半周放电次数互相关系数CCn。
3.如权利要求2所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，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Skm、Skn公式为；
<mrow> <mi>S</mi> <mi>k</mi> <mo>=</mo> <mfrac> <mrow> <mi>E</mi> <msup> <mrow> <mo>(</mo> <mi>X</mi> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mn>3</mn> </msup> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>3</mn> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
(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Kum、Kun公式为：
<mrow> <mi>K</mi> <mi>u</mi> <mo>=</mo> <mfrac> <mrow> <mi>E</mi> <msup> <mrow> <mo>(</mo> <mi>X</mi> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mn>4</mn> </msup> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>4</mn> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
(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Qm、Qn公式为：
<mrow> <msub> <mi>Q</mi> <mi>n</mi> </msub> <mo>=</mo> <mfrac> <msup> <mi>N</mi> <mo>+</mo> </msup> <msup> <mi>N</mi> <mo>-</mo> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>Q</mi> <mi>m</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mfrac> <mn>1</mn> <msup> <mi>N</mi> <mo>+</mo> </msup> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>N</mi> <mo>+</mo> </msup> </munderover> <msup> <mi>x</mi> <mo>+</mo> </msup> </mrow> <mrow> <mfrac> <mn>1</mn> <msup> <mi>N</mi> <mo>-</mo> </msup> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>N</mi> <mo>-</mo> </msup> </munderover> <msup> <mi>x</mi> <mo>-</mo> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
(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CCm、CCn公式为：
<mrow> <mi>C</mi> <mi>C</mi> <mo>=</mo> <mfrac> <mrow> <mi>C</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mo>+</mo> </msup> <mo>,</mo> <msup> <mi>X</mi> <mo>-</mo> </msup> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mi>C</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mo>+</mo> </msup> <mo>,</mo> <msup> <mi>X</mi> <mo>+</mo> </msup> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>C</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mo>-</mo> </msup> <mo>,</mo> <msup> <mi>X</mi> <mo>-</mo> </msup> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
CC为互相关系数。
4.如权利要求1所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，步骤1所述K种不同故障类型局部放电包括金属突出物缺陷放电、自由金属颗粒缺陷放电、污秽缺陷放电和气隙缺陷放电；K值为4。
5.如权利要求1所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，步骤2所述采用步骤1提取的统计特征参数训练单类支持向量机的方法如下：
对特征参数进行归一化；使用网格搜索方法进行参数寻优，寻得最佳单类支持向量机的参数，包括核函数参数和权衡参数，构造并解决最优问题；具体步骤如下
采用高斯核函数
满足
(6)式的对偶形式为：
<mrow> <mtable> <mtr> <mtd> <mi>min</mi> </mtd> <mtd> <mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;alpha;</mi> <mi>j</mi> </msub> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mfrac> <mn>1</mn> <mrow> <mi>v</mi> <mi>n</mi> </mrow> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>m</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
解出各ɑi后，得到判别函数为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mi>K</mi> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> </mrow> <mo>)</mo> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
(10)式中：
6.如权利要求5所述的基于单类支持向量机的GIS局部放电故障判别方法，其特征是，步骤3实现的具体步骤是，将最佳参数代入单类支持向量机，将提取出的局部放电特征参数输入单类支持向量机判别函数(10)式，得到判别结果。
CN201711087312.0A 2017-11-07 2017-11-07 基于单类支持向量机的gis局部放电故障判别方法 Pending CN107728028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711087312.0A CN107728028A (zh) 2017-11-07 2017-11-07 基于单类支持向量机的gis局部放电故障判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711087312.0A CN107728028A (zh) 2017-11-07 2017-11-07 基于单类支持向量机的gis局部放电故障判别方法

Publications (1)

Publication Number Publication Date
CN107728028A true CN107728028A (zh) 2018-02-23

Family

ID=61221781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711087312.0A Pending CN107728028A (zh) 2017-11-07 2017-11-07 基于单类支持向量机的gis局部放电故障判别方法

Country Status (1)

Country Link
CN (1) CN107728028A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389284A (zh) * 2019-08-12 2019-10-29 平顶山学院 配网柱上设备故障放电的检测系统及检测方法
CN110689324A (zh) * 2019-09-29 2020-01-14 国网湖北省电力有限公司电力科学研究院 一种配电变压器检测结果的辅助评判方法
CN110879340A (zh) * 2019-12-06 2020-03-13 深圳供电局有限公司 局部放电识别方法、装置、计算机设备和存储介质
CN114217164A (zh) * 2021-11-19 2022-03-22 山东大学 一种基于放电波形智能识别的电缆故障测距方法及系统
CN115546533A (zh) * 2022-08-31 2022-12-30 日照东方电机有限公司 一种永磁电机定子绕组绝缘处理的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339389A (zh) * 2011-09-14 2012-02-01 清华大学 一种基于密度的参数优化单分类支持向量机故障检测方法
CN103076547A (zh) * 2013-01-24 2013-05-01 安徽省电力公司亳州供电公司 基于支持向量机的gis局部放电故障类型模式识别方法
CN104297343A (zh) * 2014-10-21 2015-01-21 国家电网公司 基于常态单类集成模型的瓷支柱绝缘子缺陷检测方法
CN104849633A (zh) * 2015-05-15 2015-08-19 国家电网公司 一种开关柜局部放电模式识别方法
CN104915638A (zh) * 2015-05-08 2015-09-16 国家电网公司 基于参数优化的最小二乘支持向量机触电电流检测方法
EP3106133A1 (en) * 2015-06-19 2016-12-21 Georg-August-Universität Göttingen Stiftung Öffentlichen Rechts Universitätsmedizin Powered, multi-functional limb movement auxiliary device, particularly prosthesis and movement-assisting orthosis, with combined estimation regimes

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339389A (zh) * 2011-09-14 2012-02-01 清华大学 一种基于密度的参数优化单分类支持向量机故障检测方法
CN103076547A (zh) * 2013-01-24 2013-05-01 安徽省电力公司亳州供电公司 基于支持向量机的gis局部放电故障类型模式识别方法
CN104297343A (zh) * 2014-10-21 2015-01-21 国家电网公司 基于常态单类集成模型的瓷支柱绝缘子缺陷检测方法
CN104915638A (zh) * 2015-05-08 2015-09-16 国家电网公司 基于参数优化的最小二乘支持向量机触电电流检测方法
CN104849633A (zh) * 2015-05-15 2015-08-19 国家电网公司 一种开关柜局部放电模式识别方法
EP3106133A1 (en) * 2015-06-19 2016-12-21 Georg-August-Universität Göttingen Stiftung Öffentlichen Rechts Universitätsmedizin Powered, multi-functional limb movement auxiliary device, particularly prosthesis and movement-assisting orthosis, with combined estimation regimes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈勇: "SVM结合OCSVM诊断模拟电路故障", 《仪表技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389284A (zh) * 2019-08-12 2019-10-29 平顶山学院 配网柱上设备故障放电的检测系统及检测方法
CN110389284B (zh) * 2019-08-12 2024-04-26 平顶山学院 配网柱上设备故障放电的检测系统及检测方法
CN110689324A (zh) * 2019-09-29 2020-01-14 国网湖北省电力有限公司电力科学研究院 一种配电变压器检测结果的辅助评判方法
CN110879340A (zh) * 2019-12-06 2020-03-13 深圳供电局有限公司 局部放电识别方法、装置、计算机设备和存储介质
CN114217164A (zh) * 2021-11-19 2022-03-22 山东大学 一种基于放电波形智能识别的电缆故障测距方法及系统
CN114217164B (zh) * 2021-11-19 2022-10-21 山东大学 一种基于放电波形智能识别的电缆故障测距方法及系统
CN115546533A (zh) * 2022-08-31 2022-12-30 日照东方电机有限公司 一种永磁电机定子绕组绝缘处理的方法及系统

Similar Documents

Publication Publication Date Title
CN107728028A (zh) 基于单类支持向量机的gis局部放电故障判别方法
CN107944349A (zh) 基于粒子群‑支持向量机的gis局部放电类型模式识别方法
CN104198898B (zh) 基于脉冲序列分析的局部放电发展过程诊断方法
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN104977502B (zh) 一种特高压直流输电线路区内外故障识别方法
CN103955750B (zh) 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法
CN103091612B (zh) 一种变压器油纸绝缘多局部放电源信号的分离与识别算法
CN103675610B (zh) 局部放电在线检测中的特征因子提取方法
CN104899327A (zh) 一种无类别标签的时间序列异常检测方法
CN103197218A (zh) 一种高压电缆绝缘缺陷局放带电检测诊断方法
CN103398769A (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN103323755A (zh) Gis特高频局部放电信号识别方法及系统
CN101614775A (zh) 基于多源信息融合的变压器状态评估系统及其评估方法
CN103323702A (zh) 复合电能质量扰动信号识别方法
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
CN105404280A (zh) 基于自回归动态隐变量模型的工业过程故障检测方法
CN104182803B (zh) 风电数据预处理方法及风电功率预测方法和系统
CN105372528B (zh) 一种电力变压器内部故障的状态检修方法
CN105447502A (zh) 一种基于s变换和改进svm算法的暂态电能扰动识别方法
CN106441547A (zh) 一种变压器振动监测方法及装置
CN113866684B (zh) 一种基于混合采样和代价敏感的配电变压器故障诊断方法
CN104636746B (zh) 一种基于局部区域小波变换的gis设备特征值提取方法
CN106154180A (zh) 储能电池充/放电异常行为检测方法及检测系统
CN106649755A (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
CN104535905A (zh) 基于朴素贝叶斯分类的局部放电诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180223

RJ01 Rejection of invention patent application after publication