CN109406949B - 基于支持向量机的配电网早期故障检测方法及装置 - Google Patents
基于支持向量机的配电网早期故障检测方法及装置 Download PDFInfo
- Publication number
- CN109406949B CN109406949B CN201811533888.XA CN201811533888A CN109406949B CN 109406949 B CN109406949 B CN 109406949B CN 201811533888 A CN201811533888 A CN 201811533888A CN 109406949 B CN109406949 B CN 109406949B
- Authority
- CN
- China
- Prior art keywords
- distortion
- phase
- waveform
- support vector
- vector machine
- 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.)
- Active
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000007935 neutral effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 6
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Abstract
一种基于支持向量机的配电网早期故障检测方法及其装置。将小波分解和支持向量机的相关理论和方法引入到配电网早期故障检测中,并验证方法的合理性。小波分解可以检测出波形中的畸变,这些畸变与早期故障息息相关。通过提取出这些畸变的特征,如畸变次数、畸变幅值、同时刻出现的畸变个数,作为支持向量机的输入。支持向量机通过学习这些特征,即可进行早期故障的诊断。该方法在需求数据量和准确性上大大优于传统检测。对配电网早期故障的检测及处理具有重要意义。
Description
技术领域
本发明涉及配电网架空线路电弧接地等早期故障检测技术领域,更具体地,涉及一种基于小波分解和支持向量机的配电网早期故障检测方法及其装置。
背景技术
配电系统作为电力系统的最后一个环节,直接担负着用户在电能稳定、安全、优质、经济等方面所提出的要求的责任。随着我国经济水平的日益发展,我国人民生活水平的提高和大量精密家电的应用使用户对供电的供电质量和可靠性提出了更高的要求。
配电网在长期运行的过程中,不可避免的会受到内部或者外部的干扰而产生早期故障,从而影响配网安全、优质运行。早期故障往往表现为幅值小、持续时间短、重复发生,且往往伴随电弧,对绝缘和导体造成损坏。不同设备中引起早期故障的原因往往不同。在电缆中,绝缘老化是早期故障的主要原因。在架空线中,各种非电力因素如刮风、动物触线、树枝触线等往往会引起早期故障。在其他电力设备中,绝缘缺陷和接触不良也会引起早期故障。早期故障检测作为电力设备状态检测的一种方案,为配网运维提供了新的思路,使得缺陷设备能够被提前更换,提高供电可靠性。同时降低运维工作量,节约了成本。
传统早期故障检测方法往往根据特定场景提出一些判据,这并不适用于复杂多变的实际情况。且传统方法所需样本多,判断准确率差。
小波变换作为一种时频域信号分析手段,能够在多分辨率下解析信号,并且能够表征时域以及频域下的局部特征。低频部分下,小波变换具有低时间分辨率和高频率分辨率;高频部分下,小波变换具有高时间分辨率和低频率分辨率。这些特征使得其可以用于探测波形中的瞬态变化。
配网中的早期故障,往往对应电压、电流波形中出现明显的瞬时变化,使用小波变换可以检测出这一变化进而识别故障。目前使用小波变换检测早期故障往往是先对电流波形进行小波变换,然后针对电流波形中的暂态数量进行一个大致的判断,最后根据一系列基于暂态均方根值的判定规则对故障类型进行最终判定。这种方法往往受干扰影响较大,且规则中阈值的确定需要大量的数据,而实际配网运行中很难得到大量的早期故障数据。
支持向量机通过对低维线性不可分数据进行非线性变换,将数据映射到高维线性可分空间,然后寻找最优决策超平面,使得不同种类样本距离该超平面的平均垂直距离最大。支持向量机往往解决二分类问题,对于多分类问题,需要将多分类拆解为多个二分类问题进行求解。由于支持向量机处理的是低维数据,所以往往在使用前需要对原始数据进行特征提取。目前使用支持向量机进行早期故障识别的思路如下:先对原始电压、电流波形进行傅立叶变换,计算出原始波形的一次到高次(如10次)谐波含有率,将各次谐波含有率作为特征进行输入,进而检测是否为早期故障。这种方法对于噪声有严格的要求,大量的噪声会使得检测失效。并且这种方法往往只能区分早期故障和电容器投切扰动,对于其他扰动,该方法识别准确率较低。实际配网中,由于电磁干扰、传感器测量往往会引入大量的噪声,并且实际扰动种类繁多,电容器投切扰动占的比例不高,所以这种方法往往无法使用。
发明内容
本发明将小波变换以及支持向量机结合进行早期故障检测,进而弥补两者的不足。对原始电压、电流波形进行小波变换,提取变换得到的细节部分中的暂态特征,将这部分特征作为支持向量机的输入,进而检测出早期故障。
具体地,本发明提出一种基于支持向量机的的配电网早期故障检测方法,利用小波变换对配电网三相电压、三相电流、中性点电流波形进行分解,根据分解结果提取出部分特征,之后利用支持向量机学习这些特征,进而判断配电网中是否存在早期故障。
本发明所述方法的步骤为:
步骤S1:对配电网中的三相电压、三相电流、中性点电流信号进行采集,然后对其波形利用小波变换分解波形为近似部分和细节部分。
步骤S2:提取出细节部分中的特征,包括畸变次数、畸变幅值、同时刻出现的畸变个数。
步骤S3:将以上特征经过处理后作为输入,训练支持向量机。
步骤S4:由支持向量机给出检测结果,从而判断配电网中是否存在早期故障。
进一步地,步骤S1具体包括:采用5层Meyer小波函数进行小波分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数,这里将a5作为波形的近似部分,d1+d2+…+d5作为波形的细节部分。
进一步地,步骤S2具体包括:当所述细节部分幅值大于阈值时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻。
进一步地,步骤S2中所述的阈值设为上述波形的近似部分幅值的一半。
进一步地,步骤S3具体包括:将每个上述波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,输入支持向量机。
进一步地,如果同一相电压和电流波形中分别存在一个畸变,它们的出现时刻相同,,则记这两个畸变为一个同相畸变对DPuni;同理,如果一相电压和中性点电流中分别存在一个畸变,它们的出现时刻相同,也记这两个畸变为一个同相畸变对DPuni。
进一步地,如果三相电压波形中分别存在一个畸变,它们的出现时刻相同,则记这三个畸变为一个三相畸变对DPtri;同理,如果三相电流波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;如果某两相电流和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,,也记这三个畸变为一个三相畸变对DPtri。
进一步地,步骤S4具体包括:核函数类型选择为多项式,即
K(xi,xj)=(1+(xi·xj))p,p=1,…,n,式中xi,xj均为输入向量,p为多项式阶数,n为待求解参数;标签设置为:1——早期故障,-1——非早期故障,支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。
本发明还提出一种基于支持向量机的配电网早期故障检测装置,利用小波变换对配电网三相电压、三相电流、中性点电流波形进行分解,根据分解结果提取出部分特征,之后利用支持向量机学习这些特征,进而判断配电网中是否存在早期故障;该装置包括:
信号采集模块,对配电网中的三相电压、三相电流、中性点电流信号进行采集;
小波变换模块,与信号采集模块相连,对其采集的波形利用小波变换分解波形为近似部分和细节部分;
特征提取模块,与小波变换模块相连,提取出所述细节部分中的特征,包括畸变次数、畸变幅值、同时刻出现的畸变个数,将以上特征经过处理后输入支持向量机;
支持向量机,给出检测结果,判断配电网中是否存在早期故障。
进一步地,小波变换模块采用5层Meyer小波函数进行小波分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数,这里将a5作为波形的近似部分,d1+d2+…+d5作为波形的细节部分。
进一步地,特征提取模块中,当所述细节部分幅值大于阈值时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻。
进一步地,所述特征提取模块中,所述的阈值设为上述波形的近似部分幅值的一半。
进一步地,所述特征提取模块中,将每个上述波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,输入支持向量机。
进一步地,如果同一相电压和电流波形中分别存在一个畸变,它们的出现时刻相同,,则记这两个畸变为一个同相畸变对DPuni;同理,如果一相电压和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,也记这两个畸变为一个同相畸变对DPuni。
进一步地,如果三相电压波形中分别存在一个畸变,它们的出现时刻相同,则记这三个畸变为一个三相畸变对DPtri;同理,如果三相电流波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;如果某两相电流和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,,也记这三个畸变为一个三相畸变对DPtri。
进一步地,支持向量机中,核函数类型选择为多项式,即
K(x,xi)=(1+(x·xi))p,p=1,…,n,式中xi,xj均为输入向量,p为多项式阶数,n为待求解参数;标签设置为:1——早期故障,-1——非早期故障,支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。
本发明将小波分解及支持向量机的相关理论和方法引入到配电网早期故障诊断中,通过理论分析提出针对配电网早期故障的检测方法及其装置,并验证方法的合理性。小波分解将波形分解为近似部分和细节部分,细节部分往往反映波形的畸变情况。提取细节部分中的特征,用于支持向量机进行学习,从而识别早期故障。该方法相较于传统方法具有所需样本少、准确率高等特点,且具有较高的抗干扰特性,对于各种类型的扰动都能进行识别,对于实际配网运行过程中早期故障的检测和处理具有显著的意义。
附图说明
图1是本发明的早期故障检测方法流程图。
图2是本发明的早期故障检测装置示意图。
图3是本发明仿真实验的波形分解示意图。
图4是图3所示波形的特征提取示意图。
图5是本发明仿真实验的输入向量示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示的流程图,本发明提出一种基于小波分解和支持向量机的配电网早期故障检测方法,其步骤为:
步骤S1:对配电网中的三相电压、电流信号进行采集,然后采用5层Meyer小波函数进行小波分解,采用5层Meyer小波函数进行小波分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数,这里将a5称为波形的近似部分,d1+d2+…+d5称为波形的细节部分。
步骤S2:提取出细节部分中的特征,包括畸变次数、畸变幅值、同时刻出现的畸变个数。当细节部分幅值大于阈值时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻。其中阈值设为上述波形的近似部分幅值的一半。
步骤S3:将每个上述波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,输入支持向量机。
如果同一相电压和电流波形中分别存在一个畸变,它们的出现时刻相同,,则记这两个畸变为一个同相畸变对DPuni;同理,如果一相电压和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,,记这两个畸变为一个同相畸变对DPuni。
如果三相电压中分别存在一个畸变,它们的出现时刻相同,则记这三个畸变为一个三相畸变对DPtri;同理,如果三相电流中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;如果某两相电流和中性点电流中分别存在一个畸变,它们的出现时刻相同,也记这三个畸变为一个三相畸变对DPtri。
步骤S4:由支持向量机给出检测结果,从而判断配电网中是否存在早期故障。
核函数类型选择为多项式,即K(x,xi)=(1+(x·xi))p,p=1,…,n,标签设置为:1——早期故障,-1——非早期故障,支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。式中xi,xj均为输入向量,p为多项式阶数,n为待求解参数。
支持向量机是一种有监督学习模型,训练集中的样本包含输入向量以及这一输入向量对应的标签,通过学习这些样本,支持向量机将确定参数n的最优取值,n确定之后,核函数也就确定了。核函数的目的是将输入向量映射到高维空间,在这个高维空间中,每个样本即为一个点,可以证明存在一个超平面使得两类标签对应的点被这一平面分开,支持向量机在学习的过程中将找出这一平面的最佳位置。那么对于新的样本,将其输入向量通过核函数映射到这一高维空间,然后判断这个点在最佳超平面的哪一边,预测结果即为该点所在一边的标签。
图2示出了实现本发明上述早期故障检测方法的早期故障检测装置,包括:
信号采集模块,对配电网中的三相电压、三相电流、中性点电流信号进行采集;
小波变换模块,与信号采集模块相连,对其采集的波形利用小波变换分解波形为近似部分和细节部分;
特征提取模块,与小波变换模块相连,提取出所述细节部分中的特征,包括畸变次数、畸变幅值、同时刻出现的畸变个数,将以上特征经过处理后输入支持向量机;
支持向量机,给出检测结果,判断配电网中是否存在早期故障。
为验证本发明的有效性,进行以下仿真实验。
对于如图3所示的原始电流波形进行小波分解,小波函数选取为5层Meyer函数,分解结果中的a5系数为近似部分,原始波形与a5系数的差为细节部分。对于图3中的细节部分提取特征,当细节部分幅值大于阈值(这里阈值设为近似部分幅值的一半,即67.2A)时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻。表1给出了图3中细节部分提取出的特征。
表1细节部分提取特征结果
对于配网中的一次异常事件,往往记录有其对应的三相电压、三相电流,通过对三相电流求和可以得到中性点电流,这样就产生了7个波形(IA,IB,IC,IN,UA,UB,UC)。对于这7个波形中细节部分的畸变时刻进行统计:如果同一相电压和电流波形中存在同时刻出现的畸变,则记为一个同相畸变对DPuni;如果某相电压和中性点电流中存在同时刻出现的畸变,也记为一个同相畸变对DPuni;如果三相电压和三相电流中存在同时刻出现的畸变,则记为一个三相畸变对DPtri;如果某两相电流和中性点电流中存在同时刻出现的畸变,也记为一个三相畸变对DPtri。这一统计过程如图4所示。表2给出了统计结果,其中nD为每个波形中的畸变个数,nuni为同相畸变对个数,ntri为三相畸变对个数。
表2一次异常事件中的畸变统计结果
将每个波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,整个输入向量如图5所示,维数为1×26。将这个向量输入支持向量机,核函数类型选择为多项式,即K(x,xi)=(1+(x·xi))p,p=1,…,n,标签设置为:1——早期故障,-1——非早期故障。即可进行早期故障辨识。支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。
取50个早期故障样本和50个非早期故障样本进行训练,用另外100个未知样本进行测试,实验结果如表3所示。可以看出本发明所述的方法准确率高,且所需数据量较少。
表3实验结果
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (6)
1.一种基于支持向量机的配电网早期故障检测方法,其特征在于,利用小波变换对配电网三相电压、三相电流以及中性点电流波形进行分解,根据分解结果提取出部分特征,之后利用支持向量机学习这些特征,进而判断配电网中是否存在早期故障;该方法包括以下步骤:
步骤S1:对配电网中的三相电压、三相电流以及中性点电流信号进行采集,然后对采集的每个波形利用小波变换分解波形为近似部分和细节部分;采用5层Meyer小波函数进行小波分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数,这里将a5作为波形的近似部分,d1+d2+L+d5作为波形的细节部分;
步骤S2:提取出细节部分中的特征,包括畸变次数、畸变幅值以及同时刻出现的畸变个数;当所述细节部分幅值大于阈值时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻;
步骤S3:将步骤S2所提取出的出细节部分中的特征经过处理后作为输入,训练支持向量机;具体包括:将每个波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,输入支持向量机;
其中,同相畸变对DPuni是指:当同一相电压和电流波形中分别存在一个畸变,且出现时刻相同,这两个畸变为同相畸变对;以及当同一相电压和中性点电流波形中分别存在一个畸变,且出现时刻相同,这两个畸变为同相畸变对;
三相畸变对DPtri是指:如果三相电压波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;同理,如果三相电流波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;如果某两相电流和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,也记这三个畸变为一个三相畸变对DPtri;步骤S4:由支持向量机给出检测结果,从而判断配电网中是否存在早期故障。
2.根据权利要求1所述的基于支持向量机的配电网早期故障检测方法,其特征在于,其中步骤S2中所述的阈值设为波形的近似部分幅值的一半。
3.根据权利要求1所述的基于支持向量机的配电网早期故障检测方法,其特征在于,其中步骤S4具体包括:核函数类型选择为多项式,即K(xi,xj)=(1+(xi·xj))p,p=1,L,n,式中xi,xj均为输入向量,p为多项式阶数,n为待求解参数;标签设置为:1代表早期故障,-1代表非早期故障,支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。
4.一种基于支持向量机的配电网早期故障检测装置,其特征在于,利用小波变换对配电网三相电压、三相电流以及中性点电流波形进行分解,根据分解结果提取出部分特征,之后利用支持向量机学习这些特征,进而判断配电网中是否存在早期故障;该装置包括:
信号采集模块,对配电网中的三相电压、三相电流以及中性点电流信号进行采集;
小波变换模块,与信号采集模块相连,对采集的每个波形利用小波变换分解波形为近似部分和细节部分;
特征提取模块,与小波变换模块相连,提取出所述细节部分中的特征,包括畸变次数、畸变幅值以及同时刻出现的畸变个数,将所述细节部分中的特征经过处理后输入支持向量机;
支持向量机,给出检测结果,判断配电网中是否存在早期故障;
其中小波变换模块采用5层Meyer小波函数进行小波分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数,这里将a5作为波形的近似部分,d1+d2+L+d5作为波形的细节部分;
所述特征提取模块中,当所述细节部分幅值大于阈值时,判定此处为畸变,记录下这一幅值作为畸变幅值,并记录这一时刻作为畸变时刻;
所述特征提取模块中,将每个波形细节部分的畸变次数nD,畸变幅值平均值μA与方差σA,同相畸变对个数nuni,三相畸变对个数ntri作为特征,输入支持向量机;
其中,同相畸变对DPuni是指:当同一相电压和电流波形中分别存在一个畸变,且出现时刻相同,这两个畸变为同相畸变对;以及当同一相电压和中性点电流波形中分别存在一个畸变,且出现时刻相同,这两个畸变为同相畸变对;
三相畸变对DPtri是指:如果三相电压波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;同理,如果三相电流波形中分别存在一个畸变,它们的出现时刻相同,记这三个畸变为一个三相畸变对DPtri;如果某两相电流和中性点电流波形中分别存在一个畸变,它们的出现时刻相同,也记这三个畸变为一个三相畸变对DPtri。
5.根据权利要求4所述的基于支持向量机的配电网早期故障检测装置,其特征在于,所述特征提取模块中,所述的阈值设为波形的近似部分幅值的一半。
6.根据权利要求4所述的基于支持向量机的配电网早期故障检测装置,其特征在于,所述支持向量机中,核函数类型选择为多项式,即K(xi,xj)=(1+(xi·xj))p,p=1,L,n,式中xi,xj均为输入向量,p为多项式阶数,n为待求解参数;标签设置为:1代表早期故障,-1代表非早期故障,支持向量机输出结果为1和-1,其中1对应的事件即为早期故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533888.XA CN109406949B (zh) | 2018-12-14 | 2018-12-14 | 基于支持向量机的配电网早期故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533888.XA CN109406949B (zh) | 2018-12-14 | 2018-12-14 | 基于支持向量机的配电网早期故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109406949A CN109406949A (zh) | 2019-03-01 |
CN109406949B true CN109406949B (zh) | 2020-12-25 |
Family
ID=65459550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533888.XA Active CN109406949B (zh) | 2018-12-14 | 2018-12-14 | 基于支持向量机的配电网早期故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109406949B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472678A (zh) * | 2019-08-06 | 2019-11-19 | 国家电网有限公司 | 基于改进svm的电力企业信息系统异常检测方案的优化方法 |
CN112345825A (zh) * | 2019-08-09 | 2021-02-09 | 国网山东省电力公司淄博供电公司 | 一种窃电检测方法 |
CN111078912B (zh) * | 2019-12-18 | 2024-02-20 | 国网上海市电力公司 | 电力设备图像数据仓库及电力设备缺陷检测方法 |
CN110954784A (zh) * | 2019-12-20 | 2020-04-03 | 吉林省士而德科技有限公司 | 智能用电安全探测器 |
CN111030302A (zh) * | 2019-12-20 | 2020-04-17 | 吉林省龙电电气有限公司 | 智能用电安全探测器 |
CN111856210B (zh) * | 2020-07-27 | 2023-02-21 | 云南电力技术有限责任公司 | 一种配电网线路故障类型的判定方法及装置 |
CN113985733B (zh) * | 2021-10-26 | 2023-11-17 | 云南电网有限责任公司电力科学研究院 | 一种基于自适应概率学习的配电网故障辨识方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721889B (zh) * | 2012-07-02 | 2015-08-05 | 西南交通大学 | 基于复小波奇异性检测的电缆早期故障检测方法 |
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN104634603A (zh) * | 2015-03-16 | 2015-05-20 | 汪文峰 | 一种复杂设备早期故障诊断方法 |
CN104865499B (zh) * | 2015-05-11 | 2017-12-01 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
CN105021957B (zh) * | 2015-08-03 | 2018-07-06 | 西南石油大学 | 一种电力电缆附件故障识别方法及系统 |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
CN105974265B (zh) * | 2016-04-29 | 2018-11-27 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
CN106291238B (zh) * | 2016-08-02 | 2019-02-19 | 昆明理工大学 | 一种三端直流输电线路离散小波变换和支持向量机的故障支路识别方法 |
-
2018
- 2018-12-14 CN CN201811533888.XA patent/CN109406949B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109406949A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109406949B (zh) | 基于支持向量机的配电网早期故障检测方法及装置 | |
Lee et al. | New fault diagnosis of circuit breakers | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
US11143686B2 (en) | Method for detecting power distribution network early failure | |
Gargoom et al. | Investigation of effective automatic recognition systems of power-quality events | |
CN106324406B (zh) | 一种变压器直流偏磁故障诊断方法及装置 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN112014773B (zh) | 一种用于检测小电流接地系统电缆早期故障的方法 | |
CN109782126B (zh) | 基于类人概念学习的配电网早期故障检测方法 | |
Chang et al. | A hybrid approach for detection and classification of power quality disturbances | |
CN113837895A (zh) | 基于电力扰动数据的配电网异常事件识别方法及系统 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
Dai et al. | Leakage region detection of gas insulated equipment by applying infrared image processing technique | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN112924856B (zh) | 基于断路器振动过程突变时刻检测的信号通道切换方法 | |
CN112834959A (zh) | 基于高频特征提取的直流配电系统故障检测方法 | |
Asman et al. | Fault signature analysis for medium voltage overhead line based on new characteristic indices | |
Wang et al. | Statistical analysis of VFTO time domain modal parameters | |
CN112884720A (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
CN110873832A (zh) | 一种基于小波能量熵的配电网选线方法及系统 | |
Dirhamsyah et al. | Hardware implementation of series DC arc fault protection using fast Fourier transform |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |