CN110501154A - 一种基于mosvr与箱形图分析的gis设备故障检测与定位方法 - Google Patents

Abstract

本发明公开了一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，涉及电气设备状态监测及故障检测技术领域；其包括采集GIS设备的振动信号，计算振动信号的基波分量占总频率分量的百分比并获得其振动特征，结合多输出支持向量回归模型融合GIS设备多测点的振动特征并搭建其振动特征估计器，通过振动特征估计值与实际测量值之间残差的相对值来计算GIS设备的实时检测指标，通过指数移动加权平均算法处理实时检测指标并实时计算自适应阈值；其通过采集GIS设备的振动信号、获得振动特征、搭建振动特征估计器、计算实时检测指标及自适应阈值等，实现GIS设备故障检测。

Description

一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法

技术领域

本发明涉及电气设备状态监测及故障检测技术领域，尤其涉及一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法。

背景技术

目前，GIS设备占地面积小、运行可靠性高、受外界影响小、干净清洁等诸多优点，其装机容量逐年上升，已得到广泛的认可。但是，受外界因素以及其它自然、人为因素的影响，GIS设备异常运行事故时有发生。一方面，GIS设备内部充有六氟化硫气体，进行维修需要事先排除气体，这使得维修过程相对复杂，维修周期长。另一方面，GIS设备结构复杂，设备运行异常因素不易确定，盲目的检修不利于设备的安全经济运行。

目前，针对GIS设备的内部故障检测方法主要包括检测设备超高频信号[1]、超声波信号[2]、金属外壳振动信号以及气体分解产物[3]等：

(1)GIS设备内部出现类似局部放电类的绝缘故障会产生电磁波、机械波信号以及不同的气体分解产物。通过不同设备采集此类信号，分析信号的不同特征即可实现GIS设备绝缘故障的检测。

(2)与变压器设备类似，正常运行状态下GIS设备金属会产生基频为100Hz的振动，当发生机械故障时，故障频率集中于低频段0Hz～2KHz，当设备发生绝缘故障时，故障频率集中于高频段2KHz～20KHz[4]。另外，振动信号采集结构简单不会对设备造成影响。

但是现存GIS设备内部故障检测方法均存在一定的不足：

(1)现存的GIS故障检测方法大都集中于内部绝缘放电故障，对常见的机械故障研究较少。

(2)虽然利用振动检测法可以兼顾绝缘故障和机械故障的检测，但针对GIS设备金属外壳多测点振动信息的融合问题没有得到有效解决。

(3)由于GIS外壳振动信号易受负载电流的影响，目前不存在如何选择振动信号不受负载电流影响的故障检测特征的方案。

(4)现有方法尚不能够在故障产生初期感知故障，也无法准确定位故障位置。

引用的技术文件：

[1]黄凤萍,刘开贵.超高频在线监测技术在GIS局部放电检测中的应用[J].南方电网技术,2013,7(3):76-80。

[2]周电波,丁登伟,盖世诚,等.基于超声波诊断的GlS设备异常分析方法[J].中国电力,2018,51(4):53-60。

[3]齐波,李成榕,骆立实,等.GIS中局部放电与气体分解产物关系的试验[J].高电压技术,2010,36(4):957-963。

[4]李凯,许洪华,陈冰冰,等.GIS振动机理及固有频率研究[J].电测与仪表,2017,54(3):14-18。

现有技术问题及思考：

如何解决融合GIS多测点振动特征实现设备故障检测与故障定位的问题。

发明内容

本发明所要解决的技术问题是提供一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其通过采集GIS设备的振动信号、获得振动特征、搭建振动特征估计器、计算实时检测指标及自适应阈值等，实现GIS设备故障检测。

为解决上述技术问题，本发明所采取的技术方案是：包括检测方法，所述检测方法为采集GIS设备的振动信号，计算振动信号的基波分量占总频率分量的百分比并获得其振动特征，结合多输出支持向量回归模型融合GIS设备多测点的振动特征并搭建其振动特征估计器，通过振动特征估计值与实际测量值之间残差的相对值来计算GIS设备的实时检测指标，通过指数移动加权平均算法处理实时检测指标并实时计算自适应阈值。

进一步的技术方案在于：还包括故障判定方法，所述故障判定方法为当实时检测指标在自适应阈值以下的范围内波动，则判定GIS设备运行正常；当实时检测指标越过自适应阈值，则判定GIS设备发生故障。

进一步的技术方案在于：还包括故障定位方法，所述故障定位方法为检测出GIS设备存在故障后，通过箱形图分析GIS设备多测点振动特征残差的分布情况，进而定位GIS设备的故障点。

进一步的技术方案在于：所述检测方法具体划分为如下步骤，

S1采集GIS设备的振动信号并提取其振动特征

S101采集GIS设备的振动信号

使用振动传感器吸附于GIS设备的外壳表面直接测取振动信号；

S102提取GIS设备的振动特征

依据所述GIS设备的振动信号，计算其基波分量占总频率分量的百分比并获得其振动特征；

S2基于GIS设备的振动特征构建其振动特征估计器

通过实现多变量状态特征估计的多输出支持向量回归算法确定多测点数据之间的相关关系，构建GIS设备的振动特征估计器；所述GIS设备的振动特征估计器通过前一时刻GIS设备的振动特征来估计当前时刻的振动特征；

S3获得GIS设备的实时检测指标和自适应阈值

S301获得GIS设备的实时检测指标

通过计算GIS设备的振动特征的估计值与实际测量值之间残差的相对值获得其实时检测指标；

S302获得GIS设备的自适应阈值

通过指数移动加权平均算法结合历史实时检测指标数据计算GIS设备的自适应阈值。

进一步的技术方案在于：在S101采集GIS设备的振动信号的步骤中，采样频率大于40kHz。

进一步的技术方案在于：在S101采集GIS设备的振动信号的步骤中，采样频率为44kHz，测点个数为八个。

进一步的技术方案在于：在S2基于GIS设备的振动特征构建其振动特征估计器的步骤中，基于MATLAB平台的LIBSVM工具箱训练多输出支持向量回归模型，构建GIS设备的振动特征估计器。

进一步的技术方案在于：在S102提取GIS设备的振动特征的步骤中，

式2中，x表示振动特征即基波分量占总频率分量的百分比；S_基波表示频谱图中基波频率对应的幅值，单位为mV；S_谐波表示频谱图中谐波频率对应的幅值，单位为mV。

进一步的技术方案在于：在S301获得GIS设备的实时检测指标的步骤中，

c_t|_k＝|f(B_t)|_k-m_t|_k| 式3

式3中，f(B_t)|_k、m_t|_k分别表示第k个测点振动特征估计器的估计值、实际测量值；c_t|_k表示t时刻测点k处振动特征的残差；

式4中，F_t表示t时刻设备的实时检测指标；f(B_t)|_k表示第k个测点振动特征估计器的估计值；c_t|_k表示t时刻测点k处振动特征的残差。

进一步的技术方案在于：在S302获得GIS设备的自适应阈值的步骤中，

R_t＝λF_t+(1-λ)R_t-1 式5

式5中，R_t-1、R_t分别表示t-1、t时刻指数加权移动平均控制图中的统计量，且R1＝F1；F_t表示t时刻实时检测指标取值；λ为权值，取为0.3；

式6中，分别表示统计量R_t的平均值、标准差；n_s为采样的个数，设置为20；分别表示t时刻之前n_s个实时检测指标的平均值、标准差；

式7中，U_L(t)表示t时刻的GIS设备故障检测的自适应阈值。

采用上述技术方案所产生的有益效果在于：

第一，其通过采集GIS设备的振动信号、获得振动特征、搭建振动特征估计器、计算实时检测指标及自适应阈值等形成的检测方法，实现了检测GIS设备并且检测结果准确率高。

第二，其通过故障判定方法，实现了判定GIS设备是否发生故障。依据GIS设备的检测结果，当实时检测指标在自适应阈值以下的范围内波动，则判定GIS设备运行正常；当实时检测指标越过自适应阈值，则判定GIS设备发生故障。

第三，其通过故障定位方法，实现了定位GIS设备的故障点。检测出GIS设备存在故障后，通过箱形图分析GIS设备多测点振动特征残差的分布情况，进而定位GIS设备的故障点。

详见具体实施方式部分描述。

附图说明

图1是本发明的流程图；

图2是本发明中GIS设备正常状态下振动信号频谱图；

图3是本发明中GIS设备正常状态下振动特征随时间的变化图；

图4是本发明中GIS设备多测点振动特征估计器的原理框图；

图5是本发明中GIS设备正常状态下实时检测指标与自适应阈值分布图；

图6是本发明中GIS设备故障状态下实时检测指标与自适应阈值分布图；

图7是本发明中GIS设备正常状态下各测点箱形图；

图8是本发明中GIS设备故障状态下各测点箱形图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例1：

如图1所示，本发明公开了一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，包括采集GIS设备的振动信号，计算振动信号的基波分量占总频率分量的百分比并获得其振动特征，结合多输出支持向量回归模型融合GIS设备多测点的振动特征并搭建其振动特征估计器，通过振动特征估计值与实际测量值之间残差的相对值来计算GIS设备的实时检测指标，通过指数移动加权平均算法处理实时检测指标并实时计算自适应阈值。

实施例2：

如图1所示，在实施例1的基础上，还包括故障判定方法，所述故障判定方法为当实时检测指标在自适应阈值以下的范围内波动，则判定GIS设备运行正常；当实时检测指标越过自适应阈值，则判定GIS设备发生故障。

实施例3：

如图1所示，在实施例2的基础上，还包括故障定位方法，所述故障定位方法为检测出GIS设备存在故障后，通过箱形图分析GIS设备多测点振动特征残差的分布情况，进而定位GIS设备的故障点。

实施例4：

如图1所示，在实施例3的基础上，进一步优化：

S1采集GIS设备的振动信号并提取其振动特征

S101采集GIS设备的振动信号

使用振动传感器吸附于GIS设备的外壳表面直接测取振动信号。

采样频率为44kHz，测点个数选为八个。

S102提取GIS设备的振动特征

依据所述GIS设备的振动信号，计算其基波分量占总频率分量的百分比并获得其振动特征。

式2中，x表示振动特征即基波分量占总频率分量的百分比；S_基波表示频谱图中基波频率对应的幅值，单位为mV；S_谐波表示频谱图中谐波频率对应的幅值，单位为mV。

S2基于GIS设备的振动特征构建其振动特征估计器

通过实现多变量状态特征估计的多输出支持向量回归算法确定多测点数据之间的相关关系，构建GIS设备的振动特征估计器。

所述GIS设备的振动特征估计器通过前一时刻GIS设备的振动特征来估计当前时刻的振动特征。

基于MATLAB平台的LIBSVM工具箱训练多输出支持向量回归模型，构建GIS设备的振动特征估计器。

S3获得GIS设备的实时检测指标和自适应阈值

S301获得GIS设备的实时检测指标

通过计算GIS设备的振动特征的估计值与实际测量值之间残差的相对值获得其实时检测指标。

c_t|_k＝|f(B_t)|_k-m_t|_k| 式3

式3中，f(B_t)|_k、m_t|_k分别表示第k个测点振动特征估计器的估计值、实际测量值；c_t|_k表示t时刻测点k处振动特征的残差。

式4中，F_t表示t时刻设备的实时检测指标；f(B_t)|_k表示第k个测点振动特征估计器的估计值；c_t|_k表示t时刻测点k处振动特征的残差。

S302获得GIS设备的自适应阈值

通过指数移动加权平均算法结合历史实时检测指标数据计算GIS设备的自适应阈值。

R_t＝λF_t+(1-λ)R_t-1 式5

式5中，R_t-1、R_t分别表示t-1、t时刻指数加权移动平均控制图中的统计量，且R1＝F1；F_t表示t时刻实时检测指标取值；λ为权值，取为0.3。

式6中，分别表示统计量R_t的平均值、标准差；n_s为采样的个数，设置为20；分别表示t时刻之前n_s个实时检测指标的平均值、标准差。

式7中，U_L(t)表示t时刻的GIS设备故障检测的自适应阈值。

S4 GIS设备的故障判定

当实时检测指标在自适应阈值以下的范围内波动，则判定GIS设备运行正常；当实时检测指标越过自适应阈值，则判定GIS设备发生故障。

S5 GIS设备的故障定位

检测出GIS设备存在故障后，通过箱形图分析GIS设备多测点振动特征残差的分布情况，进而定位GIS设备的故障点。

有益效果：

(1)本申请选用GIS金属外壳振动信号的基频分量百分比作为特征，可以有效避免由于设备负载变化对故障检测准确度的影响。

(2)本申请利用多输出向量回归算法构建多测点振动特征回归模型，在特征层面有效融合了GIS设备金属外壳多测点之间振动特征，可有效实现设备的检测。

(3)本申请将箱形图分析引入GIS故障检测与定位领域，通过观察比较GIS金属外壳上多测点振动特征残差分布的统计结果，可直观的实现设备内部故障的定位，实现简单、便于实际应用。

本申请的发明构思：

本申请提出的方法主要用于实现GIS设备的检测、故障判定与定位。

目前，存在的关于GIS设备故障检测的技术文件只关注于绝缘故障或者机械故障中的某一种类型的检测，而且没有在检测之后实现故障的定位。

(1)目前利用振动分析法来检测GIS设备的方案中，一般都选取振动信号的频谱或者能量谱特征。但是，GIS金属外壳振动幅值受设备负载的影响，如果单纯的利用频谱或者能量谱进行故障检测将会影响设备的检测结果。发明人发现，利用基频分量百分比可以有效避免负载变化对振动信号幅值的影响。因此，该方案的发明构思在于，使用GIS设备金属外壳振动基频分量百分比作为特征量，可以有效解决负载变化降低检测结果准确率的技术问题。

(2)由于GIS结构复杂，利用单个的振动测点无法准确检测内部故障。但是目前存在的利用GIS设备金属外壳振动信号进行故障检测的方案中，都未提及如何将设备外壳多测点振动信息进行融合。通过对现场设备多测点振动信号的分析发现，同一设备不同测点处的振动信号具有一定的相关性，利用多输出回归算法可以寻找多测点振动信号之间相关性，实现多测点振动信号特征层面的融合。因此，该方案的发明构思还在于，利用多输出支持向量回归算法构建设备多振动特征估计器来融合多测点振动信息。所述多测点是相对于单测点而言的，多测点为两个测点以上数量的测点。

(3)为了实现GIS设备绝缘故障和机械故障的定位，发明人发现，利用箱形图分析GIS设备多测点振动特征残差的分布情况可以直观发现设备故障的位置。因此，该方案的发明构思还在于，使用箱形图分析多测点振动特征残差，通过对比观察多个测点特征残差的分布，可以有效实现GIS设备故障的定位。

说明：

如图1所示，提取GIS金属外壳振动信号基频分量百分比作为特征量，结合多输出支持向量回归模型融合设备多测点振动特征搭建GIS设备振动特征估计器，选用振动特征估计值与实际测量值之间残差的相对值来计算设备实时检测指标，利用指数移动加权平均算法处理实时检测指标实时计算自适应阈值来实现GIS设备故障的检测。检测出故障后，利用箱形图分析法分析GIS多测点振动特征残差分布情况来实现设备故障的定位。具体操作流程如图1所示。

S1采集GIS设备的振动信号并提取其振动特征

S101采集GIS设备的振动信号

GIS设备金属外壳振动信号可反映设备内部的运行状态，可使用振动传感器直接吸附于外壳表面直接测取振动信号。为了兼顾绝缘故障与机械故障，采样频率应该大于40kHz，本申请案例中采样频率fs选为44kHz，测点个数选为8。

如图2所示，由于正常状态下频率超过1000Hz的成分幅值衰减较大，GIS设备一测点振动信号在1000Hz频率范围内的频谱。

S102提取GIS设备的振动特征

基于电磁感应定律以及磁致伸缩现象，GIS设备金属外壳上会产生振动信号。对信号进行频谱分析发现，其基波频率为100Hz，且不同频率分量幅值会受到负载电流的影响。也就是说，在频域范围内，一旦电力系统的负荷发生变化，GIS设备外壳振动信号频率分量会随着负荷的变化而变化。根据采样定理，传感器采集振动信号准确成分为采样频率的一半，故本申请选取0Hz～22kHz为总的频率范围。

如图2所示，除基频100Hz之外，设备外壳振动信号中还存在100Hz整数倍的其它频率分量，即谐波分量。但是正常运行状态这些频率分量的幅值相对较小，可以近似认为其幅值也与电流的平方成正比，故从理论上分析得到，正常运行状态下振动信号基波分量占总分量的百分比如式1所示：

式1中：x表示振动特征即基波分量占总频率分量的百分比；X_b表示基波分量，单位为mV；X_h表示谐波分量，单位为mV；k_b表示基波分量与电流平方的比例系数；k_h表示谐波分量与电流平方的比例系数，所述系数与设备的半径、磁导率、磁致伸缩率有关。

观察公式1可以发现，一旦设备类型确定，k_b、k_h也就确定，即理论上振动信号基波分量占总分量的百分比为一个定值。但是受外界环境及其他因素的影响，正常状态下振动信号基波分量占总分量的百分比会在很小的范围内波动。

本申请基于实际采集的正常状态下GIS设备金属外壳振动信号的频谱来计算振动信号基波分量占总分量的百分比。

如图2所示，利用傅里叶变换得到的信号的频谱Sf，利用公式2计算实际采集振动信号基波分量占总分量的百分比：

式2中，S_基波表示频谱图中基波频率对应的幅值，单位为mV；S_谐波表示频谱图中谐波频率对应的幅值，单位为mV。

如图3所示，表示正常状态下GIS设备金属外壳振动特征随时间的变化图，从图3中可以发现，正常状态下金属外壳振动信号基波分量占总分量的百分比在一小范围内稳定波动。

S2基于GIS设备的振动特征构建其振动特征估计器

由于GIS设备内部结构复杂，同一设备不同振动采集点处采集的信号会因内部具体结构而异。但是，对某一具体GIS设备，例如隔离开关而言，不同采集点处的振动信号存在一定的非线性相关关系。为了融合设备金属外壳多测点振动信息，本申请利用特征估计的方法来综合考虑设备外壳上多测点振动特征，选用可实现多变量状态特征估计的多输出支持向量回归算法寻找正常状态下多测点数据之间的相关关系，构建GIS设备振动特征估计器。

如图4所示，实际上，特征估计器是利用前一时刻设备多振动特征来估计当前时刻的多测点振动特征取值。

假设t时刻多测点振动特征为B_t、t+1时刻对应的振动特征为B_t+1，利用多输出支持向量回归算法可以训练得到相邻时刻多测点振动特征之间的相关函数B_t+1＝f(B_t)。在正常状态设备多测点振动特征数据中选择100组训练样本{(B₁,B₂),(B₂,B₃),…，(B₁₀₀,B₁₀₁)}，基于MATLAB平台的LIBSVM工具箱训练多输出支持向量回归模型，来构建GIS设备多测点振动特征估计器。

如表1所示，训练完成后，将多测点振动特征验证样本输入特征估计器中，得到特征估计结果。

表1：GIS多测点振动特征估计器的验证结果

测点	模型输入样本Bt	模型估计输出Bt+1	振动特征实际取值	估计值与实际值残差
					#1	0.6126	0.5830	0.5846	0.0016
#2	0.6162	0.5822	0.5901	0.0079
					#3	0.5851	0.6012	0.6043	0.0031
#4	0.6165	0.6112	0.6165	0.0053
					#5	0.6053	0.6174	0.6191	0.0017
#6	0.5839	0.5852	0.5912	0.0060
					#7	0.5911	0.6028	0.6054	0.0026
#8	0.6019	0.5988	0.6053	0.0065

通过观察表1估计值与实际值的误差数据可以发现，利用构建的GIS设备多测点振动特征估计器可以利用前一时刻的多测点特征值准确估计当前时刻特征取值，实现了多测点振动特征信息的融合。

S3获得GIS设备的实时检测指标和自适应阈值

S301获得GIS设备的实时检测指标

根据现场实际运行经验，正常状态下GIS设备多测点振动特征的实际测量值与模型估计值间差异很小，而一旦出现故障，二者差异将会显著增大。步骤2中实现了GIS设备多测点振动特征的估计，为了基于振动特征模型估计值与实际测量值之间的差异来检测设备故障，本申请将二者之间的差异定义为残差，利用式3进行计算：

c_t|_k＝|f(B_t)|_k-m_t|_k| 式3

式3中，f(B_t)|_k、m_t|_k分别表示第k个测点振动特征估计器的估计值、实际测量值；c_t|_k表示t时刻测点k处振动特征的残差；由于振动特征为一个百分比，所以公式3中的变量都没有单位。

为了避免多个振动测点振动特征取值不同造成的误差，选择多测点振动特征残差的相对值，利用式4来计算GIS设备实时检测指标：

式4中，F_t表示t时刻设备的实时检测指标；f(B_t)|_k表示第k个测点振动特征估计器的估计值；c_t|_k表示t时刻测点k处振动特征的残差；与公式3类似，公式4中的变量也没有单位。

S302获得GIS设备的自适应阈值

利用GIS金属外壳多测点振动特征的残差实时计算出设备实时检测指标后，需要设定阈值来衡量实时检测指标是否越限，进而检测设备是否存在故障。对于GIS设备来说，由于设备结构复杂，运行状态多变，利用恒定阈值进行故障检测不可避免的会出现故障误检现象，为此，本申请利用指数移动加权平均算法综合考虑历史实时检测指标数据来实时计算设备的自适应阈值。

利用权值λ引入历史振动特征实时检测指标数据后，指数加权移动平均控制图当前时刻统计量R_t用式5表示：

R_t＝λF_t+(1-λ)R_t-1 式5

式5中，R_t-1、R_t分别表示t-1、t时刻指数加权移动平均控制图中的统计量，且R1＝F1；F_t表示t时刻实时检测指标取值；λ为权值，本算例中权值λ取为0.3。以上变量皆为实数，不存在单位。

统计量R_t的期望与方差用式6计算：

式6中，分别表示统计量R_t的平均值、标准差；n_s为采样的个数，本案例中设置为20；分别表示t时刻之前n_s个实时检测指标的平均值、标准差。

如式7所示，最后，利用t统计量的期望和方差来计算t时刻GIS设备故障检测的自适应阈值：

式7中，U_L(t)表示t时刻的GIS设备故障检测的自适应阈值，是一个数值，故无单位。

如图5、图6所示，案例选取实际变电站现场测量的正常状态及故障状态下，对应时刻GIS多测点振动特征的模型估计值与实际测量值来实时的计算设备的实时检测指标与自适应阈值。

S4 GIS设备的故障判定

按照上述步骤得到GIS设备实时检测指标以及对应时刻的自适应阈值后，利用自适应阈值来衡量实时检测指标实现故障检测，式8为具体故障检测原则：

如图5所示，观察图5可以发现，GIS运行正常时，设备的实时检测指标在自适应阈值范围内波动，不会越过自适应阈值。

如图6所示，观察图6可以发现，设备未出现故障时，实时检测指标在自适应阈值以下范围波动，一旦设备发生故障，GIS设备实时检测指标会越过自适应阈值，并且随着故障程度的加剧，自适应阈值会逐渐远离自适应阈值，此时认为检测出了故障。

S5 GIS设备的故障定位

检测出故障后，利用箱形图分析GIS设备金属外壳多测点振动特征残差来实现故障的定位。隔离开关设备出现绝缘子缺陷故障时，一个采集点处振动特征残差样本为c＝{c₁,c₂,…c_t,…,c_n}，从小到大排序后残差样本变为G＝{G₁,G₂,…G_t,…,Gn}，样本的上、下四分位数Q₃、Q₁在不同情况计算方式如下：

(1)当(n+1)/4为正整数时，上、下四分位数Q₃、Q₁按照公式9计算：

式9中，G_(n+1)/4、G_3(n+1)/4分别表示排序残差数列G中从左到右的第(n+1)/4、第3*(n+1)/4个元素。

(2)当(n+1)/4取值不为正整数时，上、下四分位数Q₃、Q₁按照公式10计算：

式10中，Temp1、Temp3分别表示对(n+1)/4、3*(n+1)/4向下取整的结果；G_Temp1、G_Temp3分别表示排序残差数列G中从左到右的第Temp1、第Temp3个元素；表示向下取整符号。

样本的中位数Q₂利用公式11计算：

式11中，G_n/2、G_n/2+1分别表示排序数列G中从左到右的第n/2、第n/2+1个元素。

最后，基于上四分位数Q₃、下四分位数Q₁利用公式12计算样本数据的上限Q_max和下限Q_min：

如图7、图8所示，本申请基于MATLAB平台计算和绘制GIS设备多测点振动特征残差分布，在设备处于正常状态、故障状态下箱形图绘制结果。对比不同状态箱形图分析结果发现，正常状态下八个测点振动特征残差的分布在0～0.08范围内。故障状态下，测点3、4、5处振动特征残差都分布在大于0.1的范围内，远离其它测点的分布范围，并且其它测点处振动特征残差分布与正常状态下残差的分布情况类似，故认为在测点3、4、5处发生了故障，直观的实现了GIS设备故障的定位。

Claims (10)

1.一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：包括检测方法，所述检测方法为采集GIS设备的振动信号，计算振动信号的基波分量占总频率分量的百分比并获得其振动特征，结合多输出支持向量回归模型融合GIS设备多测点的振动特征并搭建其振动特征估计器，通过振动特征估计值与实际测量值之间残差的相对值来计算GIS设备的实时检测指标，通过指数移动加权平均算法处理实时检测指标并实时计算自适应阈值。

2.根据权利要求1所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：还包括故障判定方法，所述故障判定方法为当实时检测指标在自适应阈值以下的范围内波动，则判定GIS设备运行正常；当实时检测指标越过自适应阈值，则判定GIS设备发生故障。

3.根据权利要求2所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：还包括故障定位方法，所述故障定位方法为检测出GIS设备存在故障后，通过箱形图分析GIS设备多测点振动特征残差的分布情况，进而定位GIS设备的故障点。

4.根据权利要求1所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：所述检测方法具体划分为如下步骤，

S1采集GIS设备的振动信号并提取其振动特征

S101采集GIS设备的振动信号

使用振动传感器吸附于GIS设备的外壳表面直接测取振动信号；

S102提取GIS设备的振动特征

依据所述GIS设备的振动信号，计算其基波分量占总频率分量的百分比并获得其振动特征；

S2基于GIS设备的振动特征构建其振动特征估计器

通过实现多变量状态特征估计的多输出支持向量回归算法确定多测点数据之间的相关关系，构建GIS设备的振动特征估计器；所述GIS设备的振动特征估计器通过前一时刻GIS设备的振动特征来估计当前时刻的振动特征；

S3获得GIS设备的实时检测指标和自适应阈值

S301获得GIS设备的实时检测指标

通过计算GIS设备的振动特征的估计值与实际测量值之间残差的相对值获得其实时检测指标；

S302获得GIS设备的自适应阈值

通过指数移动加权平均算法结合历史实时检测指标数据计算GIS设备的自适应阈值。

5.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S101采集GIS设备的振动信号的步骤中，采样频率大于40kHz。

6.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S101采集GIS设备的振动信号的步骤中，采样频率为44kHz，测点个数为八个。

7.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S2基于GIS设备的振动特征构建其振动特征估计器的步骤中，基于MATLAB平台的LIBSVM工具箱训练多输出支持向量回归模型，构建GIS设备的振动特征估计器。

8.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S102提取GIS设备的振动特征的步骤中，

式2中，x表示振动特征即基波分量占总频率分量的百分比；S_基波表示频谱图中基波频率对应的幅值，单位为mV；S_谐波表示频谱图中谐波频率对应的幅值，单位为mV。

9.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S301获得GIS设备的实时检测指标的步骤中，

c_t|_k＝|f(B_t)|_k-m_t|_k| 式3

式3中，f(B_t)|_k、m_t|_k分别表示第k个测点振动特征估计器的估计值、实际测量值；c_t|_k表示t时刻测点k处振动特征的残差；

式4中，F_t表示t时刻设备的实时检测指标；f(B_t)|_k表示第k个测点振动特征估计器的估计值；c_t|_k表示t时刻测点k处振动特征的残差。

10.根据权利要求4所述的一种基于MOSVR与箱形图分析的GIS设备故障检测与定位方法，其特征在于：在S302获得GIS设备的自适应阈值的步骤中，

R_t＝λF_t+(1-λ)R_t-1 式5

式5中，R_t-1、R_t分别表示t-1、t时刻指数加权移动平均控制图中的统计量，且R1＝F1；F_t表示t时刻实时检测指标取值；λ为权值，取为0.3；

式6中，分别表示统计量R_t的平均值、标准差；n_s为采样的个数，设置为20；分别表示t时刻之前n_s个实时检测指标的平均值、标准差；

式7中，U_L(t)表示t时刻的GIS设备故障检测的自适应阈值。