CN109376626A - 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 - Google Patents

一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 Download PDF

Info

Publication number
CN109376626A
CN109376626A CN201811178351.6A CN201811178351A CN109376626A CN 109376626 A CN109376626 A CN 109376626A CN 201811178351 A CN201811178351 A CN 201811178351A CN 109376626 A CN109376626 A CN 109376626A
Authority
CN
China
Prior art keywords
defect
model
svm
electric field
gis
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
CN201811178351.6A
Other languages
English (en)
Inventor
成林
谢彦召
卢江平
张鸿业
戴敏
郭安祥
魏昊焜
伊同强
张�诚
吴经锋
任双赞
王辰曦
吴子豪
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.)
State Grid Corp of China SGCC
Xian Jiaotong University
Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xian Jiaotong University
Electric Power Research Institute of State Grid Shaanxi 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 State Grid Corp of China SGCC, Xian Jiaotong University, Electric Power Research Institute of State Grid Shaanxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811178351.6A priority Critical patent/CN109376626A/zh
Publication of CN109376626A publication Critical patent/CN109376626A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，包括：1)、实验数据预处理；2)、构建信号案例知识库；3)、获得最优识别精度的SVM缺陷诊断模型；4)、支持向量机缺陷诊断过程。本发明采集GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得GIS隔离开关的分类结果；可以实现对GIS设备运行状况进行判断，出现问题及时检修，保障电网安全运行。

Description

一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断 方法
技术领域
本发明属于气体绝缘变电站(Gas Insulated Substation,GIS)的故障诊断领域，特别涉及一种GIS开关缺陷诊断方法。
背景技术
气体绝缘变电站(Gas Insulated Substation,GIS)是运行可靠性高、维护工作量少、检修周期长的高压电气设备，其故障率只有常规设备的20％～40％。然而，尽管GIS运行可靠性高，但在制造、安装、运行过程中所产生的缺陷也会导致事故的发生。因此，针对GIS的缺陷诊断对设备安全运行变得尤为重要。
GIS存在的缺陷种类有很多，不同的缺陷类型开关操作所产生的辐射电场脉冲也不相同，要准确评估GIS设备缺陷类型，对GIS设备运行状态进行有效评估，则必须对其开关操作瞬态辐射电场进行缺陷类型识别。目前针对GIS设备故障诊断使用最广泛的方法是神经网络识别法。但神经网络是遵循经验风险最小化原理的机器学习方法，需要大量的训练样本，缺乏坚实的理论基础。在小样本的情况下，容易出现泛化能力低的现象，无法得到理想的分类结果。
发明内容
本发明的目的在于提供一种基于辐射电场特征参数支持向量机(Support VectorMachine,SVM)的GIS开关缺陷诊断方法，以解决目前对GIS状态监测和缺陷诊断方面使用的诊断手段效率低，准确度低等问题。本发明发明了一种用于GIS开关操作辐射场检测的缺陷诊断模型，通过搭建开关操作瞬态辐射电场含幅值、中心频率和小波包分解能量等在内典型特征参数的SVM模型，实现对GIS设备的状态监测和故障诊断。
为了实现上述目的，本发明采用如下技术方案：
一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，包括以下步骤：
1)、实验数据预处理：
基于GIS隔离开关操作故障模拟实验平台，分别测量GIS隔离开关在正常状态下和缺陷状态下的操作瞬态辐射电场，通过对正常状态下的辐射电场和故障状态下辐射电场进行测量，得到用于模型训练的原始实验数据，然后对原始实验数据进行预处理，得到十六个频段归一化小波包分解能量；
2)、构建信号案例知识库
通过数据处理得到幅值(F)、中心频率(M)以及电压等级(V)三个待选特征和十六个频段归一化小波包分解能量特征(E0、E1....E15)；对特征向量进行[0,1]归一化处理，最终得到信号特征向量[M,V,F,E0，E1,...E15]；同时对处理后的数据特征做好标签；
3)、获得最优识别精度的SVM缺陷诊断模型
将数据特征向量作为学习样本进行训练，同时结合网格搜索及K折交叉验证算法进行参数优选，得到不同信号特征向量组合的最优识别精度的SVM缺陷诊断模型；
4)、支持向量机缺陷诊断过程
采集GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得GIS隔离开关的分类结果。
进一步的，步骤2)中对处理后的数据特征做好标签，标签包括：正常、内部颗粒缺陷、内部尖端缺陷、外部闪络。
进一步的，步骤1)中对原始实验数据进行预处理，具体包括：将原始实验数据归类整理，提取最大辐射脉冲进行时频分析，通过时域信号得到幅值参数，对信号进行傅里叶变换得到中心频率，选用bior5.5小波作为小波基，作四层小波包分解，得到十六个频段归一化小波包分解能量，实验中所测辐射电场的采样频率为1.25GHz；则奈奎斯特频率为625MHz，得到频率范围为0～625MHz之间十六个频段的小波包能量，对得到的小波包能量做归一化处理，得到十六个频段归一化小波包分解能量。
进一步的，步骤3)中SVM缺陷诊断模型包括二分类SVM缺陷诊断模型、三分类SVM缺陷诊断模型和四分类SVM缺陷诊断模型；二分类SVM缺陷诊断模型包括正常和缺陷两种分类，三分类SVM缺陷诊断模型包括正常、内部缺陷、外部闪络三种分类，四分类SVM缺陷诊断模型包括正常、内部颗粒缺陷、内部尖端缺陷、外部闪络四种分类。
本发明基于GIS隔离开关(Disconnecting Switch,DS)操作故障模拟实验平台，分别测量DS在正常状态下和缺陷状态下的操作瞬态辐射电场，通过对正常状态下的辐射电场和故障状态下辐射电场进行测量，得到用于模型训练的原始实验数据。通过对实验数据提取最大辐射脉冲进行时频分析，可以得到幅值、中心频率以及四层小波包分解得到的十六个频段的归一化能量值，通过对比分析，可以发现信号的幅值、中心频率不仅和设备状态有关，还和电压等级等各种因素有关，所以将幅值、中心频率和电压等级作为待选特征。通过对比小波包分解能量，可以发现缺陷信号和正常信号小波包分解能量对应频段有一定的区别，所以将小波包分解能量16个频段特征参数作为基础特征。使用这十九个特征可以用来表征所研究GIS开关状态。同时基于支持向量机(SVM)算法，选取合适的核函数以及最优参数，依据实验数据特征实现对未知辐射场进行分类，通过将大量实验数据进行处理得到学习样本，然后对实验数据进行分类标记得到相应的标签，选取一定比例的学习样本作为训练样本，其余的作为测试样本进行训练，最后对模型参数进行调节，特征遴选得到识别精度最好的SVM故障诊断模型。从而通过SVM缺陷诊断模型可以判断开关出现绝缘缺陷的情况，达到缺陷诊断的目的，实现对GIS的状态监测。
相对于现有技术，本发明具有以下有益效果：GIS开关设备正常工作状态下，产生的空间瞬态辐射电场脉冲群中的最大幅值电场脉冲的幅值、中心频率及其小波包分解能量具有良好的重复性，而当开关出现绝缘故障时，最大幅值电场脉冲相应特征也会发生一定的变化。应用训练得到的SVM缺陷诊断模型对其开关操作瞬态辐射场进行特征参数识别，可以实现对GIS设备运行状况进行判断，出现问题及时检修，保障电网安全运行。
附图说明
图1为GIS正常状态下隔离开关分闸所测最大辐射电场脉冲；
图2为GIS缺陷状态下隔离开关分闸所测最大辐射电场脉冲；
图3为正常信号归一化小波包分解能量柱状图；
图4为缺陷信号归一化小波包分解能量柱状图。
具体实施方式
为了实现使本发明的目的、实现技术和优点得到充分的展示，结合本发明，特将该发明的技术实现原理做详细阐述，该发明所描述的具体事例仅用于解释该发明，并不仅限于该发明。
本发明一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，包括以下步骤：
1)、实验数据预处理。
将实验数据归类整理，提取最大辐射脉冲进行时频分析，通过时域信号得到幅值参数，对信号进行傅里叶变换得到中心频率，选用bior5.5小波作为小波基，作四层小波包分解，得到十六个频段归一化小波包分解能量，实验中所测辐射电场的采样频率为1.25GHz；则奈奎斯特频率为625MHz，所以得到频率范围为0～625MHz之间十六个频段的小波包能量，对得到的小波包能量做归一化处理，得到十六个频段归一化小波包分解能量。
2)、构建信号案例知识库。
通过数据处理得到幅值(F)、中心频率(M)以及电压等级(V)三个待选特征和十六个频段归一化小波包分解能量特征(E0、E1....E15)。对特征向量进行[0,1]归一化处理，最终得到信号特征向量[M,V,F,E0，E1,...E15]；同时对处理后的数据特征做好标签。
3)、获得最优识别精度的SVM缺陷诊断模型。
将数据特征向量作为学习样本进行训练，同时结合网格搜索及K折交叉验证算法进行参数优选，得到不同特征组合的最优识别精度的SVM缺陷诊断模型。
对得到的SVM缺陷诊断模型进行评估，针对二分类使用精准度、召回率、F1分数、AUC值进行评估。针对多分类使用Kappa系数进行评估。同时使用K最近邻算法进行训练来验证SVM模型的优越性。
4)、支持向量机缺陷诊断过程
采集GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得GIS隔离开关的分类结果。
具体实现过程：本发明主要通过SVM模型进行缺陷诊断，其中数据预处理及构建信号案例知识库均在MATLAB2016a中进行，然后使用python语言构建SVM模型和K最近邻模型。通过实验获得的数据样本共有138组，其中包括34组正常样本，104组缺陷样本，缺陷样本包括外部闪络15组、内部颗粒缺陷48组、内部尖端缺陷41组。通过不同的分类要求得到三组138*1的标签数据。
由于数据集类别分布不均衡，容易影响分类准确性，所以需要对不同的类别赋予不同的惩罚系数，可以通过参数设定使SVC函数中”class_weight＝"balanced"进行自动调节，对于不同的特征向量，比如电压等级和归一化小波能量，在数值的量纲上相差很大，模型参数和识别精度就会受影响，所以必须先对对数据进行归一化处理，使数值区间在[0，1]之间。本发明得到如下分类模型：二分类(正常和缺陷)、三分类(正常、内部缺陷、外部闪络)、四分类(正常、内部颗粒缺陷、内部尖端缺陷、外部闪络)共三种分类模型，来满足对不同诊断精度的要求。主要研究方法：首先将小波包能量16个频段特征作为主要训练特征，通过参数调节得到最优的识别精度，然后依次添加幅值、电压等级、中心频率不同的特征组合进行识别，以期得到最优的识别精度，最后通过对比最终识别精度进行选择，得到最优的识别效果。
SVM核函数主要在线性核函数、高斯核函数K(x,y)＝exp(-γ||x-y||2)、多项式核函数K(x,y)＝(γxTy+r)d进行选择，当使用线性核函数进行二分类时得到的训练精度和识别精度均只有60％左右，同时三分类、四分类线性核函数模型识别精度也很差，所以不选择线性核函数进行模型训练。分别建立高斯核函数和多项式核函数八种不同特征组合情况下二分类、三分类、四分类总共48个SVM缺陷诊断模型，从中选出三个最高识别精度模型(二分类模型、三分类模型、四分类模型)。
对学习样本分别构建高斯核函数模型和多项式核函数模型进行训练，利用网格搜索法进行参数寻优，高斯核函数参数取值范围为：C:0.001～1000，γ：0.001～1000，多项式核函数参数取值范围为：C:0.001～1000，γ：0.001～1000，d：1～15。通过对模型调节参数，同时结合K折交叉验证获取平均精度，其中K＝6，分别建立三个模型(二分类、三分类和四分类模型)，通过不同的特征组合得到最高的识别精度，得到了表四和表五的结果，通过分析得到可以A、B、C三个模型。然后对模型进行评估，二分类模型使用精确率、召回率、F1得分、AUC值四个评价指标进行模型评估，多分类使用Kappa系数进行评估。最后为了验证SVM优势，对实验数据使用K最近邻(k-Nearest Neighbor，KNN)分类算法进行分类，同样将数据60％作为训练集，40％作为测试集，对不同特征组合情况下求得最优识别精度，得到不同特征组合识别精度模型，如表8所示，从而证明SVM模型的优势。
图1和图2分别为正常状态和缺陷状态下最大辐射电场脉冲，对其进行小波包分解，得到16个频段小波包分解能量，用柱状图表示归一化小波包分解能量分布，如图3和图4所示。
图3和图4分布正常状态下和缺陷状态下最大辐射场脉冲小波包归一化分解能量分布，通过对比可以看出，在(4,0)节点，也就是0～39.0625MHz频段小波包分解能量占比最高，在此频段内，缺陷信号小波包能量占比明显高于正常信号。
对此进行定量分析，如图为各频段归一化能量值：
表1、正常信号最大辐射场脉冲小波包分解能量
节点 (4,0) (4,1) (4,2) (4,3)
归一化能量 0.3301 0.0701 0.0447 0.0780
节点 (4,4) (4,5) (4,6) (4,7)
归一化能量 0.0251 0.0300 0.0476 0.0497
节点 (4,8) (4,9) (4,10) (4,11)
归一化能量 0.0155 0.0218 0.0530 0.0357
节点 (4,12) (4,13) (4,14) (4,15)
归一化能量 0.0365 0.0350 0.0710 0.0562
表2、缺陷信号最大辐射场脉冲小波包分解能量
节点 (4,0) (4,1) (4,2) (4,3)
归一化能量 0.6194 0.0547 0.0214 0.0350
节点 (4,4) (4,5) (4,6) (4,7)
归一化能量 0.0145 0.0199 0.0256 0.0299
节点 (4,8) (4,9) (4,10) (4,11)
归一化能量 0.0132 0.0137 0.0199 0.0210
节点 (4,12) (4,13) (4,14) (4,15)
归一化能量 0.0171 0.0290 0.0265 0.0393
通过对比，缺陷信号小波包分解归一化能量在第一频段要高于正常信号，第二频段小波包能量占比差别不大，剩余频段小波包能量要略低于正常信号，对实验数据统计分析，分别得到正常信号和缺陷信号各频段小波包分解能量占比的均值。
表3正常信号和缺陷信号小波包分解能量占比均值对比
节点 (4,0) (4,1) (4,2) (4,3)
正常信号 0.3092 0.0567 0.0368 0.0625
缺陷信号 0.5114 0.0507 0.0264 0.0448
节点 (4,4) (4,5) (4,6) (4,7)
正常信号 0.0283 0.0355 0.0447 0.0553
缺陷信号 0.0190 0.0260 0.0333 0.0417
节点 (4,8) (4,9) (4,10) (4,11)
正常信号 0.0208 0.0274 0.0506 0.0450
缺陷信号 0.0143 0.0175 0.0313 0.0278
节点 (4,12) (4,13) (4,14) (4,15)
正常信号 0.0349 0.0443 0.0771 0.0705
缺陷信号 0.0226 0.0343 0.0472 0.0518
通过对138组正常信号和缺陷信号样本进行统计，可以看出小波包分解能量占比主要集中在第一频段，缺陷信号第一频段归一化能量占比正常信号要高，剩余频段则比正常信号归一化能量占比要低一些，与前面分析相差不大，所以可以通过使用小波包分解能量可以对正常信号和缺陷信号进行区分，所以小波包分解能量可以作为SVM模型的训练特征。针对138组数据时频分析发现，幅值和中心频率不仅和电压等级相关，还与其他因素有关，所以将中心频率、电压等级和幅值作为待选特征参数进行训练选取。
搭建SVM缺陷诊断模型，首先要选择合适的核函数，SVM核函数主要在线性核函数、高斯核函数K(x,y)＝exp(-γ||x-y||2)、多项式核函数进K(x,y)＝(γxTy+r)d行选择，当使用线性核函数进行二分类时得到的训练精度和识别精度均只有60％左右，同时三分类、四分类线性核函数模型识别精度也很差，所以不选择线性核函数进行模型训练。对数据分别进行高斯核函数和多项式核函数建模，为了方便分析，将16个小波包分解能量特征记为0，中心频率记为1，电压等级记为2，幅值记为3，从而可以得到(0)、(0,1)、(0,2)、(0,3)、(0,1,2)、(0,1,3)、(0,2,3)、(0,1,2,3)八种特征组合方式，对不同的特征组合方式求最优识别精度，如下表得到高斯核函数模型和多项式核函数模型在不同特征组合下得到的最优识别精度：
表4 SVM高斯核函数模型不同特征组合最优识别精度
特征组合 (0) (0,1) (0,2) (0,3) (0,1,2) (0,1,3) (0,2,3) (0,1,2,3)
二分类 0.9821 1.000 0.9821 1.0000 0.9821 0.9821 0.9821 1.0000
三分类 0.9464 0.9464 0.9464 0.9107 0.9643 0.9107 0.9286 0.9286
四分类 0.8571 0.8214 0.9107 0.8750 0.9107 0.8929 0.9107 0.8750
表5 SVM多项式核函数模型不同特征组合最优识别精度
特征组合 (0) (0,1) (0,2) (0,3) (0,1,2) (0,1,3) (0,2,3) (0,1,2,3)
二分类 0.9286 0.9642 0.9821 0.9821 0.9821 0.9821 1.000 0.9821
三分类 0.9286 0.9643 0.9821 0.9286 0.9643 0.9107 0.9464 0.9464
四分类 0.8571 0.8214 0.9286 0.8750 0.9107 0.8929 0.9464 0.9286
通过不同特征组合得到高斯核函数和多项式核函数模型，综合表1和表2进行分析，二分类模型识别精度都很高，针对56个测试样本，识别精度均在95％以上，最高识别精度达到了100％，此时可以分别得到四个识别精度为100％的模型，综合训练精度分析，当多项式核函数模型特征组合为小波包分解能量、电压等级和幅值时训练精度最高为100％，所以选择该模型为二分类模型，记为A模型。三分类模型识别精度也均在90％以上，当多项式核函数模型特征组合为小波包分解能量和电压等级时模型识别精度最高为98.21％，记为B模型，此模型仅有一个测试数据识别错误，精度很高。四分类模型当使用多项式核函数特征组合为小波包分解能量、电压等级和幅值时，识别率最高为94.64％，记为C模型。综上所述，三个模型均选择多项式核函数训练，分别可以得到识别率为100％，98.21％，94.64％的SVM缺陷诊断模型。
针对二分类模型使用精确率、召回率、F1得分、AUC值四个评价指标进行模型评估，由于测试集样本少，A模型针对测试集识别精度达到100％，未出现识别错误，所以得到四个评价指标均为1，无需进行计算。
针对多分类模型使用Kappa系数作为评价指标，Kappa系数越高说明模型性能越好，如表6，得到B模型的混淆矩阵：
表6 B模型混淆矩阵
通过B模型混淆矩阵可以看出，三分类模型仅仅出现一个分类错误，即将内部缺陷信号识别为外部闪络信号。此时可以计算得到Kappa系数为0.9689。Kappa系数很高，说明模型表现优秀。同样的可以得到C模型的混淆矩阵：
表7 C模型混淆矩阵
通过C模型的混淆矩阵可以看出，四分类模型将正常信号和外部闪络信号可以完全正确分类，而内部尖端缺陷信号有两个识别错误，分别识别为内部颗粒缺陷信号和外部闪络信号。内部颗粒缺陷信号有一个识别为了内部尖端缺陷信号。说明四分类模型对两类内部缺陷信号分类能力相对较弱，通过计算得到Kappa系数0.9259，说明C模型也比较优秀。
为了验证SVM模型的优势，对实验数据使用K最近邻(k-Nearest Neighbor，KNN)分类算法进行分类，如下表：
表8 K最近邻分类模型不同特征组合最优识别精度
通过k最近邻算法得到的二分类识别精度最高为98.21％，低于SVM二分类模型识别精度，不同特征组合得到的平均识别精度也相对于SVM模型较低。三分类最高识别精度仅有87.5％远低于SVM三分类模型98.21％的识别率。四分类最高识别精度只有85.71％，同样远低于SVM四分类模型94.64％的识别率，通过数据对比可以发现，k最近邻算法所得到的分类模型识别精度远低于SVM分类模型，所以选择SVM进行模型训练。综上所述，分别可以得到针对56组测试数据识别率为100％，98.21％，94.64％的二分类(C＝100，γ＝1,d＝1)、三分类(C＝0.01,γ＝10,d＝6)、四分类(C＝100,γ＝10,d＝1)SVM缺陷诊断模型。

Claims (4)

1.一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，其特征在于，包括以下步骤：
1)、实验数据预处理：
基于GIS隔离开关操作故障模拟实验平台，分别测量GIS隔离开关在正常状态下和缺陷状态下的操作瞬态辐射电场，通过对正常状态下的辐射电场和故障状态下辐射电场进行测量，得到用于模型训练的原始实验数据，然后对原始实验数据进行预处理，得到十六个频段归一化小波包分解能量；
2)、构建信号案例知识库
通过数据处理得到幅值(F)、中心频率(M)以及电压等级(V)三个待选特征和十六个频段归一化小波包分解能量特征(E0、E1....E15)；对特征向量进行[0,1]归一化处理，最终得到信号特征向量[M,V,F,E0，E1,...E15]；同时对处理后的数据特征做好标签；
3)、获得最优识别精度的SVM缺陷诊断模型
将数据特征向量作为学习样本进行训练，同时结合网格搜索及K折交叉验证算法进行参数优选，得到不同信号特征向量组合的最优识别精度的SVM缺陷诊断模型；
4)、支持向量机缺陷诊断过程
采集GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得GIS隔离开关的分类结果。
2.根据权利要求1所述的一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，其特征在于，步骤2)中对处理后的数据特征做好标签，标签包括：正常、内部颗粒缺陷、内部尖端缺陷、外部闪络。
3.根据权利要求1所述的一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，其特征在于，步骤1)中对原始实验数据进行预处理，具体包括：将原始实验数据归类整理，提取最大辐射脉冲进行时频分析，通过时域信号得到幅值参数，对信号进行傅里叶变换得到中心频率，选用bior5.5小波作为小波基，作四层小波包分解，得到十六个频段归一化小波包分解能量，实验中所测辐射电场的采样频率为1.25GHz；则奈奎斯特频率为625MHz，得到频率范围为0～625MHz之间十六个频段的小波包能量，对得到的小波包能量做归一化处理，得到十六个频段归一化小波包分解能量。
4.根据权利要求3所述的一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，其特征在于，步骤3)中SVM缺陷诊断模型包括二分类SVM缺陷诊断模型、三分类SVM缺陷诊断模型和四分类SVM缺陷诊断模型；二分类SVM缺陷诊断模型包括正常和缺陷两种分类，三分类SVM缺陷诊断模型包括正常、内部缺陷、外部闪络三种分类，四分类SVM缺陷诊断模型包括正常、内部颗粒缺陷、内部尖端缺陷、外部闪络四种分类。
CN201811178351.6A 2018-10-10 2018-10-10 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 Pending CN109376626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811178351.6A CN109376626A (zh) 2018-10-10 2018-10-10 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811178351.6A CN109376626A (zh) 2018-10-10 2018-10-10 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法

Publications (1)

Publication Number Publication Date
CN109376626A true CN109376626A (zh) 2019-02-22

Family

ID=65403403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811178351.6A Pending CN109376626A (zh) 2018-10-10 2018-10-10 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法

Country Status (1)

Country Link
CN (1) CN109376626A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111123087A (zh) * 2019-12-24 2020-05-08 深圳供电局有限公司 配电网开关设备故障检测方法、装置和计算机设备
CN111220312A (zh) * 2020-02-28 2020-06-02 中国铁道科学研究院集团有限公司 一种螺栓状态的诊断方法及系统
CN112381321A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于网格化划分的配电网运行状态感知方法
CN113465664A (zh) * 2021-06-17 2021-10-01 国网宁夏电力有限公司电力科学研究院 罐式电力设备内部异物检测与识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807254A (zh) * 2009-02-13 2010-08-18 烟台海岸带可持续发展研究所 面向数据特点的合成核支持向量机的实现方法
CN103048593A (zh) * 2012-12-12 2013-04-17 安徽省电力公司亳州供电公司 一种气体绝缘开关设备绝缘缺陷种类的识别方法
CN106371013A (zh) * 2016-11-08 2017-02-01 广东电网有限责任公司电力科学研究院 一种基于图片识别的gis开关故障自动识别系统
CN107576907A (zh) * 2017-11-02 2018-01-12 国家电网公司 基于辐射电场特征能量提取的开关故障诊断方法
CN108535618A (zh) * 2018-07-11 2018-09-14 云南电网有限责任公司电力科学研究院 一种gis绝缘缺陷检测方法
CN108548996A (zh) * 2018-04-09 2018-09-18 国网天津市电力公司电力科学研究院 一种基于暂态地电压和特高频的检测开关柜缺陷的方法
US10097241B1 (en) * 2017-04-11 2018-10-09 At&T Intellectual Property I, L.P. Machine assisted development of deployment site inventory

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807254A (zh) * 2009-02-13 2010-08-18 烟台海岸带可持续发展研究所 面向数据特点的合成核支持向量机的实现方法
CN103048593A (zh) * 2012-12-12 2013-04-17 安徽省电力公司亳州供电公司 一种气体绝缘开关设备绝缘缺陷种类的识别方法
CN106371013A (zh) * 2016-11-08 2017-02-01 广东电网有限责任公司电力科学研究院 一种基于图片识别的gis开关故障自动识别系统
US10097241B1 (en) * 2017-04-11 2018-10-09 At&T Intellectual Property I, L.P. Machine assisted development of deployment site inventory
CN107576907A (zh) * 2017-11-02 2018-01-12 国家电网公司 基于辐射电场特征能量提取的开关故障诊断方法
CN108548996A (zh) * 2018-04-09 2018-09-18 国网天津市电力公司电力科学研究院 一种基于暂态地电压和特高频的检测开关柜缺陷的方法
CN108535618A (zh) * 2018-07-11 2018-09-14 云南电网有限责任公司电力科学研究院 一种gis绝缘缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
司良奇 等: "基于支持向量机的GIS超高频局部放电模式识别", 《高压电器》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111081016B (zh) * 2019-12-18 2021-07-06 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法
CN111123087A (zh) * 2019-12-24 2020-05-08 深圳供电局有限公司 配电网开关设备故障检测方法、装置和计算机设备
CN111220312A (zh) * 2020-02-28 2020-06-02 中国铁道科学研究院集团有限公司 一种螺栓状态的诊断方法及系统
CN112381321A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于网格化划分的配电网运行状态感知方法
CN112381321B (zh) * 2020-11-27 2023-01-24 广东电网有限责任公司肇庆供电局 一种基于网格化划分的配电网运行状态感知方法
CN113465664A (zh) * 2021-06-17 2021-10-01 国网宁夏电力有限公司电力科学研究院 罐式电力设备内部异物检测与识别方法

Similar Documents

Publication Publication Date Title
CN109376626A (zh) 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法
CN103136587B (zh) 基于支持向量机的配电网运行状态分类识别方法
CN109685138B (zh) 一种xlpe电力电缆局部放电类型识别方法
CN110286279B (zh) 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法
CN109582003B (zh) 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法
Dai et al. Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network
CN103077402B (zh) 基于奇异值分解算法的变压器局部放电模式识别方法
CN102915447B (zh) 一种基于二叉树支持向量机的分类方法
CN106153340B (zh) 一种滚动轴承故障诊断方法
CN106770939A (zh) 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法
CN104794368A (zh) 基于foa-mksvm的滚动轴承故障分类方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN112364756B (zh) 一种基于天牛须和随机森林的gis故障分类方法
CN109061426B (zh) 变压器局部放电故障诊断方法及在线监测装置
CN110298085A (zh) 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN112904299B (zh) 基于深层类内分裂的雷达高分辨距离像开集目标识别方法
CN110161388A (zh) 一种高压设备的故障类型识别方法及其系统
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型系统及方法
CN108761287A (zh) 一种变压器局部放电类型识别方法
CN106485209A (zh) 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法
CN107491783B (zh) 基于改进密度峰值聚类算法的变压器故障类型分类方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN114091334A (zh) 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法
CN116087647A (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法

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: 20190222

RJ01 Rejection of invention patent application after publication