CN107944349A - 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 - Google Patents
基于粒子群‑支持向量机的gis局部放电类型模式识别方法 Download PDFInfo
- Publication number
- CN107944349A CN107944349A CN201711086187.1A CN201711086187A CN107944349A CN 107944349 A CN107944349 A CN 107944349A CN 201711086187 A CN201711086187 A CN 201711086187A CN 107944349 A CN107944349 A CN 107944349A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- characteristic parameter
- particle
- illustrative plates
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及电力系统设备检测技术，具体涉及基于粒子群‑支持向量机的GIS局部放电类型模式识别方法，包括以下步骤：基于若干周期K种不同类型局部放电的PRPD图谱作为K个样本数据，提取各类型局部放电的特征参数；采用一对一算法在任意两个样本数据之间构造高斯核函数SVM分类器，共计个SVM分类器；以SVM分类器在优化过程中的均方误差作为PSO算法中的适应度函数，用PSO算法寻找最佳参数；采用提取的各类型局部放电特征参数训练SVM分类器，得到SVM分类器模型；利用SVM分类器模型，用投票的方式对待识别的局部放电信号进行局部放电类型模式识别。该方法可以构造识别问题的有效模型，并通过一对一学习方法，能有效解决各类不同的局部放电类型识别问题。
Description
技术领域
本发明属于电力系统设备检测技术领域，尤其涉及基于粒子群-支持向量机的GIS局部放电类型模式识别方法。
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内部绝缘故障，必须对局部放电信号进行模式识别。目前，国内外对GIS局部放电类型模式识别方法主要包括神经网络法和特征频段标定法，如专利号为CN201510975469.1的“基于混合神经网络算法的局部放电模式识别方法”和专利号为CN201510359775.2的“一种基于特征超高频信号的GIS局部放电故障检测方法”，但过程较为繁琐；此外，专利号为CN201510732891.4的“基于参数优化SVM算法的交联电缆局部放电模式识别方法”利用SVM方法对电缆中的局部放电进行了研究。
发明内容
本发明的目的是提供一种基于粒子群-支持向量机的GIS局部放电类型模式识别方法，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局部放电典型缺陷识别结果。
为实现上述目的，本发明采用的技术方案是：基于粒子群-支持向量机的GIS局部放电类型模式识别方法，包括以下步骤：
步骤1、基于若干周期K种不同类型局部放电的PRPD图谱作为K个样本数据，提取各类型局部放电的特征参数；
步骤2、采用一对一算法在任意两个样本数据之间构造高斯核函数SVM分类器，共计个SVM分类器；
步骤3、以SVM分类器在优化过程中的均方误差作为PSO算法中的适应度函数，用PSO算法寻找最佳参数；
步骤4、采用提取的各类型局部放电特征参数训练SVM分类器，得到SVM分类器模型；利用SVM分类器模型，用投票的方式对待识别的局部放电信号进行局部放电类型模式识别。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，步骤1提取各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。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，确定各类型局部放电的特征参数的公式包括：
1)确定特征参数Skm、Skn的公式：
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的公式：
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的公式：
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的公式：
CC为互相关系数。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，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。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，步骤2具体包括：
步骤2.1、K值为4，共有个SVM分类器；
步骤2.2、将四种局部放电类型分别对应记为A类金属突出物缺陷放电，B类自由金属颗粒缺陷放电，C类污秽缺陷放电，D类气隙缺陷放电；
步骤2.3、采用一对一算法构建SVM分类器，分别记为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。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，步骤3包括对特征参数进行归一化，并用PSO算法对SVM模型的参数C和δ进行寻优，具体步骤：
步骤3.1、初始化：在D维空间中，初始化M个粒子的位置和速度，以及粒子群初始参数c1和c2，确定每个初始粒子的最优位置pbest和全局最优位置gbest；
步骤3.2、计算适应度：适应度函数选取为SVR的均方误差，根据训练样本对模型进行训练，并计算各个粒子的适应度函数值；
步骤3.3、调整：根据粒子适应度值调整粒子的个体最优位置和全局最优位置，如果粒子适应度优于个体极值，则将所处位置设为新的个体最优位置pbest；如果粒子适应度优于全局极值，则将所处位置设为新的个体最优位置gbest；
步骤3.4、更新：根据粒子的速度和位置迭代更新公式对粒子速度和位置进行更新，获得新的参数pbest和gbest，其中粒子速度和位置迭代公式为：
vi＝vi+c1r1(pbesti-xi)+c2r2(gbesti-xi) (6)
xi＝xi+vi (7)
其中vi是粒子速度，xi是粒子位置，r1和r2是介于(0,1)之间的随机数，c1和c2是学习因子，可取c1＝c2＝2；
步骤3.5、判断：当达到满足要求的误差条件或者达到最大迭代次数时，终止迭代，求得最佳参数C和δ。
在上述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，步骤4的实现包括以下步骤：
步骤4.1、将最佳参数C和δ代入各SVM分类器，构造并解决最优问题：
采用高斯核函数
满足
(8)式的对偶问题为
局部放电类型识别的判别函数为：
步骤4.2、对应4种局部放电类型，采用投票方式得到识别结果：
初始化令A＝B＝C＝D＝0；
输入到A-B分类器模型中的特征参数若被识别为A，则A＝A+1，否则B＝B+1；
输入到A-C分类器模型中的特征参数若被识别为A，则A＝A+1，否则C＝C+1；
输入到A-D分类器模型中的特征参数若被识别为A，则A＝A+1，否则D＝D+1；
输入到B-C分类器模型中的特征参数若被识别为B，则B＝B+1，否则C＝C+1；
输入到B-D分类器模型中的特征参数若被识别为B，则B＝B+1，否则D＝D+1；
输入到C-D分类器模型中的特征参数若被识别为C，则C＝C+1，否则D＝D+1；
选择A、B、C、D中最大者作为识别结果。
本发明的有益效果：基于粒子群-支持向量机的方法，可以构造识别问题的有效模型，并通过一对一学习方法，能有效解决各类不同的局部放电类型识别问题。应用于电力系统GIS设备在线监测和故障诊断领域，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局部放电典型缺陷识别结果。
附图说明
图1是本发明基于粒子群-支持向量机的GIS局部放电类型模式识别方法在一种实施方式中的流程框图；
图2是本发明基于粒子群-支持向量机的GIS局部放电类型模式识别方法在一种实施方式中的投票流程图；
图3是本发明一个实施例的PSO算法流程图。
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。
本实施例采用的技术方案：一种基于粒子群-支持向量机的GIS局部放电类型模式识别方法，包括下列步骤：
(1)基于若干周期K种不同类型局部放电的PRPD图谱作为K个样本数据，提取各类型局部放电的特征参数；
(2)采用一对一算法在任意两个样本数据之间构造高斯核函数SVM分类器，共有个SVM；
(3)以SVM在优化过程中的均方误差作为PSO算法中的适应度函数，用PSO算法寻找最佳参数；
(4)采用提取的统计特征参数训练SVM，得到SVM分类器模型；利用SVM分类器模型，用投票的方式对待识别的局部放电信号进行局部放电类型模式识别。
在步骤(1)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。
在上述基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，K值等于4，对应4种局部放电类型，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。
对特征参数进行归一化，并用PSO算法对SVM模型的参数C和δ进行寻优，步骤如下：
1)初始化：在D维空间中，初始化M个粒子的位置和速度，以及粒子群初始参数c1和c2，确定每个初始粒子的最优位置pbest和全局最优位置gbest；
2)计算适应度：适应度函数选取为SVR的均方误差，根据训练样本对模型进行训练，并计算各个粒子的适应度函数值；
3)调整：根据粒子适应度值调整粒子的个体最优位置和全局最优位置，如果粒子适应度优于个体极值，则将所处位置设为新的个体最优位置pbest；如果粒子适应度优于全局极值，则将所处位置设为新的个体最优位置gbest；
4)更新：根据粒子的速度和位置迭代更新公式对粒子速度和位置进行更新，获得新的参数pbest和gbest，其中粒子速度和位置迭代公式为：
vi＝vi+c1r1(pbesti-xi)+c2r2(gbesti-xi) (6＇)
xi＝xi+vi (7＇)
其中vi是粒子速度，xi是粒子位置，r1和r2是介于(0,1)之间的随机数，c1和c2是学习因子，可取c1＝c2＝2；
5)判断：当达到满足要求的误差条件或者达到最大迭代次数时，终止迭代，求得最佳参数C和δ。
在步骤(4)中将最佳参数C和δ代入各SVM，构造并解决最优问题：
采用高斯核函数
满足
最优问题(8＇)的对偶问题为
并用形如下式的判别函数进行局部放电类型的识别：
在上述基于粒子群-支持向量机的GIS局部放电类型模式识别方法中，4种局部放电类型分别记为：A类金属突出物缺陷放电；B类自由金属颗粒缺陷放电；C类污秽缺陷放电；D类气隙缺陷放电。
对应4种局部放电类型，采用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分类器模型中的特征参数若被识别为A，则A＝A+1，否则B＝B+1；
输入到A-C分类器模型中的特征参数若被识别为A，则A＝A+1，否则C＝C+1；
输入到A-D分类器模型中的特征参数若被识别为A，则A＝A+1，否则D＝D+1；
输入到B-C分类器模型中的特征参数若被识别为B，则B＝B+1，否则C＝C+1；
输入到B-D分类器模型中的特征参数若被识别为B，则B＝B+1，否则D＝D+1；
输入到C-D分类器模型中的特征参数若被识别为C，则C＝C+1，否则D＝D+1；
选择A、B、C、D中最大者作为识别结果。
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、采用一对一算法在任意两个样本数据之间构建SVM分类器，得到个SVM分类器。K＝4时，共构建6个SVM。即将四种局部放电类型分别对应记为A类金属突出物缺陷放电；B类自由金属颗粒缺陷放电；C类污秽缺陷放电；D类气隙缺陷放电，一对一SVM分类器分别记为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。
5、采用提取出的特征参数训练SVM，对特征参数进行归一化，并用PSO算法对SVM模型的参数C和δ进行寻优，如图3所示，步骤如下：
①初始化：在D维空间中，初始化M个粒子的位置和速度，以及粒子群初始参数c1和c2，确定每个初始粒子的最优位置pbest和全局最优位置gbest；
②计算适应度：适应度函数选取为SVM的均方误差，根据训练样本对模型进行训练，并计算各个粒子的适应度函数值；
③调整：根据粒子适应度值调整粒子的个体最优位置和全局最优位置，如果粒子适应度优于个体极值，则将所处位置设为新的个体最优位置pbest；如果粒子适应度优于全局极值，则将所处位置设为新的个体最优位置gbest；
④更新：根据粒子的速度和位置迭代更新公式对粒子速度和位置进行更新，获得新的参数pbest和gbest，其中粒子速度和位置迭代公式为：
vi＝vi+c1r1(pbesti-xi)+c2r2(gbesti-xi) (17＇)
xi＝xi+vi (18＇)
其中vi是粒子速度，xi是粒子位置，r1和r2是介于(0,1)之间的随机数，c1和c2是学习因子，可取粒子群个数为50，最大迭代次数为150次，并将速度进行归一化，c1＝c2＝2，误差条件定义为两次连续迭代平均适应度之差小于0.01；
⑤判断：当达到满足要求的误差条件或者达到最大迭代次数时，终止迭代，求得最佳参数C和δ。
6、在步骤4中将最佳参数C和δ代入各SVM，构造并解决最优问题：
采用高斯核函数
满足
最优问题(19＇)的对偶问题为
并用形如下式的判别函数进行局部放电类型的识别：
7、用SVM模型对待识别的局部放电信号进行模式识别，采用投票的方式得到识别结果，如图2所示：
a.开始；
b.初始化；
c.导入待识别的特征参数；
d.开始投票，令A＝B＝C＝D＝0；
e.输入到A-B分类器模型中的特征参数若被识别为A,则A＝A+1，否则B＝B+1；
f.输入到A-C分类器模型中的特征参数若被识别为A,则A＝A+1，否则C＝C+1；
g.输入到A-D分类器模型中的特征参数若被识别为A,则A＝A+1，否则D＝D+1；
h.输入到B-C分类器模型中的特征参数若被识别为B,则B＝B+1，否则C＝C+1；
i.输入到B-D分类器模型中的特征参数若被识别为B,则B＝B+1，否则D＝D+1；
j.输入到C-D分类器模型中的特征参数若被识别为C,则C＝C+1，否则D＝D+1；
k.选择A、B、C、D中最大者作为识别结果输出；
l.结束。
根据所述的基于基于粒子群-支持向量机的GIS局部放电类型模式识别方法，采集某110kV的GIS设备数据，得到模型的(C,ε)参数为(40,0.1)，GIS局部放电分类整体准确率为85％，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 (7)
1.基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，包括以下步骤：
步骤1、基于若干周期K种不同类型局部放电的PRPD图谱作为K个样本数据，提取各类型局部放电的特征参数；
步骤2、采用一对一算法在任意两个样本数据之间构造高斯核函数SVM分类器，共计个SVM分类器；
步骤3、以SVM分类器在优化过程中的均方误差作为PSO算法中的适应度函数，用PSO算法寻找最佳参数；
步骤4、采用提取的各类型局部放电特征参数训练SVM分类器，得到SVM分类器模型；利用SVM分类器模型，用投票的方式对待识别的局部放电信号进行局部放电类型模式识别。
2.如权利要求1所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，步骤1提取各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所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，确定各类型局部放电的特征参数的公式包括：
1)确定特征参数Skm、Skn的公式：
<mrow>
<mi>S</mi>
<mi>k</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>3</mn>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
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的公式：
<mrow>
<mi>K</mi>
<mi>u</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
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的公式：
<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>&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>&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>
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的公式：
<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>&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所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，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4所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，步骤2具体包括：
步骤2.1、K值为4，共有分类器；
步骤2.2、将四种局部放电类型分别对应记为A类金属突出物缺陷放电，B类自由金属颗粒缺陷放电，C类污秽缺陷放电，D类气隙缺陷放电；
步骤2.3、采用一对一算法构建SVM分类器，分别记为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。
6.如权利要求5所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，步骤3包括对特征参数进行归一化，并用PSO算法对SVM模型的参数C和δ进行寻优，具体步骤：
步骤3.1、初始化：在D维空间中，初始化M个粒子的位置和速度，以及粒子群初始参数c1和c2，确定每个初始粒子的最优位置pbest和全局最优位置gbest；
步骤3.2、计算适应度：适应度函数选取为SVR的均方误差，根据训练样本对模型进行训练，并计算各个粒子的适应度函数值；
步骤3.3、调整：根据粒子适应度值调整粒子的个体最优位置和全局最优位置，如果粒子适应度优于个体极值，则将所处位置设为新的个体最优位置pbest；如果粒子适应度优于全局极值，则将所处位置设为新的个体最优位置gbest；
步骤3.4、更新：根据粒子的速度和位置迭代更新公式对粒子速度和位置进行更新，获得新的参数pbest和gbest，其中粒子速度和位置迭代公式为：
vi＝vi+c1r1(pbesti-xi)+c2r2(gbesti-xi) (6)
xi＝xi+vi (7)
其中vi是粒子速度，xi是粒子位置，r1和r2是介于(0,1)之间的随机数，c1和c2是学习因子，可取c1＝c2＝2；
步骤3.5、判断：当达到满足要求的误差条件或者达到最大迭代次数时，终止迭代，求得最佳参数C和δ。
7.如权利要求6所述的基于粒子群-支持向量机的GIS局部放电类型模式识别方法，其特征是，步骤4的实现包括以下步骤：
步骤4.1、将最佳参数C和δ代入各SVM分类器，构造并解决最优问题：
采用高斯核函数
满足
(8)式的对偶问题为
局部放电类型识别的判别函数为：
<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>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&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>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4.2、对应4种局部放电类型，采用投票方式得到识别结果：
初始化令A＝B＝C＝D＝0；
输入到A-B分类器模型中的特征参数若被识别为A，则A＝A+1，否则B＝B+1；
输入到A-C分类器模型中的特征参数若被识别为A，则A＝A+1，否则C＝C+1；
输入到A-D分类器模型中的特征参数若被识别为A，则A＝A+1，否则D＝D+1；
输入到B-C分类器模型中的特征参数若被识别为B，则B＝B+1，否则C＝C+1；
输入到B-D分类器模型中的特征参数若被识别为B，则B＝B+1，否则D＝D+1；
输入到C-D分类器模型中的特征参数若被识别为C，则C＝C+1，否则D＝D+1；
选择A、B、C、D中最大者作为识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086187.1A CN107944349A (zh) | 2017-11-07 | 2017-11-07 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711086187.1A CN107944349A (zh) | 2017-11-07 | 2017-11-07 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107944349A true CN107944349A (zh) | 2018-04-20 |
Family
ID=61933491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711086187.1A Pending CN107944349A (zh) | 2017-11-07 | 2017-11-07 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944349A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
| CN109116201A (zh) * | 2018-09-07 | 2019-01-01 | 国网宁夏电力有限公司电力科学研究院 | 一种电气设备局部放电的定位方法及系统 |
| CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
| CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
| CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
| CN111967670A (zh) * | 2020-08-18 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于改进灰狼算法的开关柜局放数据识别方法 |
| CN112834877A (zh) * | 2021-01-05 | 2021-05-25 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电电气定位方法及设备 |
| CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
| CN113341283A (zh) * | 2021-06-04 | 2021-09-03 | 山东电工电气集团有限公司 | 一种变压器套管局部放电模式识别方法 |
| CN114118130A (zh) * | 2021-09-28 | 2022-03-01 | 西安交通大学 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
| CN114839255A (zh) * | 2022-04-29 | 2022-08-02 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
| CN116383602A (zh) * | 2022-12-14 | 2023-07-04 | 国网安徽省电力有限公司电力科学研究院 | 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 |
| CN116383602B (zh) * | 2022-12-14 | 2024-05-03 | 国网安徽省电力有限公司电力科学研究院 | 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
| 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 |
| 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 |
| CN104866923A (zh) * | 2015-05-17 | 2015-08-26 | 天津理工大学 | 一种钢铁企业高炉副产煤气发生量预测方法 |
| CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
| CN106296444A (zh) * | 2016-07-27 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于粒子群算法和支持向量机的年度全社会电量预测方法 |
| CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
-
2017
- 2017-11-07 CN CN201711086187.1A patent/CN107944349A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073797A (zh) * | 2011-02-23 | 2011-05-25 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
| 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 |
| 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 |
| CN104866923A (zh) * | 2015-05-17 | 2015-08-26 | 天津理工大学 | 一种钢铁企业高炉副产煤气发生量预测方法 |
| CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
| CN106296444A (zh) * | 2016-07-27 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于粒子群算法和支持向量机的年度全社会电量预测方法 |
| CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| DANGDANG DAI: ""Feature extraction of GIS partial discharge signal based on S-transform and singular value decomposition"", 《IET SCIENCE, MEASUREMENT & TECHNOLOGY》 * |
| 崔建明等: ""基于SVM算法的文本分类技术研究"", 《计算机仿真》 * |
| 武雪玲等: ""GIS支持下应用PSO-SVM模型预测滑坡易发性"", 《武汉大学学报·信息科学版》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063780B (zh) * | 2018-08-10 | 2020-09-15 | 国网上海市电力公司 | 变压器局部放电识别方法 |
| CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
| CN109116201A (zh) * | 2018-09-07 | 2019-01-01 | 国网宁夏电力有限公司电力科学研究院 | 一种电气设备局部放电的定位方法及系统 |
| CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
| CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
| CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
| CN111967670A (zh) * | 2020-08-18 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于改进灰狼算法的开关柜局放数据识别方法 |
| CN112834877B (zh) * | 2021-01-05 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电电气定位方法及设备 |
| CN112834877A (zh) * | 2021-01-05 | 2021-05-25 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电电气定位方法及设备 |
| CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
| CN113341283A (zh) * | 2021-06-04 | 2021-09-03 | 山东电工电气集团有限公司 | 一种变压器套管局部放电模式识别方法 |
| CN114118130A (zh) * | 2021-09-28 | 2022-03-01 | 西安交通大学 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
| CN114118130B (zh) * | 2021-09-28 | 2024-04-05 | 西安交通大学 | 一种变压器局部放电模式识别方法、系统、介质及设备 |
| CN114839255A (zh) * | 2022-04-29 | 2022-08-02 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
| CN114839255B (zh) * | 2022-04-29 | 2024-04-23 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
| CN116383602A (zh) * | 2022-12-14 | 2023-07-04 | 国网安徽省电力有限公司电力科学研究院 | 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 |
| CN116383602B (zh) * | 2022-12-14 | 2024-05-03 | 国网安徽省电力有限公司电力科学研究院 | 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
| CN106443379A (zh) | 变压器局部放电故障类型的识别方法和装置 | |
| CN105069476B (zh) | 基于两阶段集成学习的风电异常数据识别方法 | |
| CN104808107A (zh) | 一种xlpe电缆局部放电缺陷类型识别方法 | |
| CN107766816A (zh) | 一种基于lvq神经网络的高压断路器机械故障识别方法 | |
| CN107272655A (zh) | 基于多阶段ica‑svdd的间歇过程故障监测方法 | |
| CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
| CN107038292A (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
| CN106094786A (zh) | 基于集成型独立元回归模型的工业过程软测量方法 | |
| CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
| CN107037327A (zh) | 局部放电故障判定特征提取方法及判定方法 | |
| CN107728028A (zh) | 基于单类支持向量机的gis局部放电故障判别方法 | |
| CN103955580B (zh) | 基于信度规则库推理的集成电路参数成品率估计方法 | |
| CN103440497A (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
| CN112818601A (zh) | 基于ga-bp神经网络和误差统计分析的水电机组健康评估方法 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
| CN106295691A (zh) | 单分类svm的特征选择和参数同步优化方法 | |
| CN103020346B (zh) | 一种电路物理设计相似度的测试方法 | |
| CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
| CN116503710A (zh) | 基于自适应卷积神经网络的gis局部放电类型识别方法 | |
| CN104008292B (zh) | 宽带天线超宽带电磁脉冲响应预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |