CN110647924B - 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 - Google Patents
一种基于支持向量描述与k近邻算法的gis设备状态评估方法 Download PDFInfo
- Publication number
- CN110647924B CN110647924B CN201910834879.2A CN201910834879A CN110647924B CN 110647924 B CN110647924 B CN 110647924B CN 201910834879 A CN201910834879 A CN 201910834879A CN 110647924 B CN110647924 B CN 110647924B
- Authority
- CN
- China
- Prior art keywords
- state
- data
- gis equipment
- gis
- equipment
- 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
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明公开了一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,涉及电气设备运行状态评估技术领域;其基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法;其通过基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法,实现了准确评估GIS设备状态。
Description
技术领域
本发明涉及电气设备运行状态评估技术领域,尤其涉及一种基于支持向量描述与K近邻算法的GIS设备状态评估方法。
背景技术
目前,由于GIS设备结构紧凑占地面积小、运行可靠检修周期长、抗干扰能力强等优点,被广泛应用于变电站工程,尤其是500kV及以上超/特高压变电站以及城区110kV、220kV变电站。随着GIS设备装设量的增高以及投运年限的增长,运行中的GIS设备故障时有发生。GIS设备的密封性有助于隔绝外界干扰,但同时也为设备故障检测及诊断带来了困难,当GIS设备内部发生故障时,运维人员无法直观、及时的获取故障信息。同时,受限于变电站地理位置因素,例如室内、地下、位置偏远,大气环境保护要求,例如GIS设备中的六氟化硫属于温室气体,六氟化硫气体产生的温室效应是同体积二氧化碳的2万多倍等因素,GIS设备故障后检修较为困难且造成的经济社会损失较大。因此,研究有效的GIS设备状态评估方法,及时准确掌握设备运行状态,有效避免或减少设备故障发生显得至关重要。
目前,针对GIS设备的状态评估方法应用较为广泛主要有基于超高频信号的方法、基于振动信号的方法、基于气体分解产物的方法等:
(1)GIS设备内部发生绝缘故障会产生高频的电磁波,通过采集分析设备产生的电磁波可有效检测设备内部的绝缘放电故障以及放电的严重程度[1]。
(2)振动是电气设备的固有属性,据研究表明,振动信号可以同时反映GIS设备的绝缘故障与机械故障[2]。同时,振动信号采集回路不会破坏设备的电磁场分布,可实现在线检测。
(3)GIS气室中充入一定压力的SF6气体来起到绝缘和灭弧的作用,但是由于设备所处电压等级较高,内部绝缘遭到破坏后形成的高温会造成SF6气体的分解,通过检测气室内部气体的组成也可以实现GIS设备运行状态的评估[3]。
但是现存的GIS设备状态评估方法存在一定的不足:
(1)现存的设备状态评估方法大多利用单个状态特征量来实现,然而由于GIS设备结构复杂,运行状态多变,基于单个变量无法准确评估设备状态。
(2)现存的状态评估方法都严重依赖于设备故障数据,但是由于设备故障存在偶然性,对故障的收集具有一定的盲目性,GIS设备状态特征量数据非常少,进而使得设备运行状态准确率较低。
(3)GIS运行状态多变,不同运行状态之间界限模糊,如何实现设备运行状态的在线评估有待进一步研究。
引用的技术文件:
[1]丁登伟,高文胜,刘卫东.GIS中局部放电特高频信号与放电严重程度的关联分析[J].高压电器,2014(9):6-11。
[2]郭碧红,张汉华.利用GIS外壳典型振动的频率特性检测内部潜伏性故障[J].电网技术,1989(2):44-50。
[3]季严松,王承玉,杨韧,等.SF_6气体分解产物检测技术及其在GIS设备故障诊断中的应用[J].高压电器,2011,47(2):100-103。
现有技术问题及思考:
如何解决在线评估GIS设备状态的技术问题。
发明内容
本发明所要解决的技术问题是提供一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,其通过基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法,实现了GIS设备状态在线评估。
为解决上述技术问题,本发明所采取的技术方案是:基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法。
进一步的技术方案在于:将GIS设备的振动信号均方根频率和气体压力分别作为特征变量。
进一步的技术方案在于:将5分钟作为一个采样周期,采集振动信号和气体压力。
进一步的技术方案在于:通过支持向量描述算法处理GIS设备的正常状态特征。
进一步的技术方案在于:基于支持向量描述算法确定GIS设备正常状态特征历史数据的最小包围曲线,实现设备正常状态特征量数据的聚类。
进一步的技术方案在于:基于最小包围曲线上状态特征量的取值,计算正常状态数据的聚类重心。
进一步的技术方案在于:计算状态监测变量与正常数据聚类重心的相对偏差距离作为状态评估指标。
进一步的技术方案在于:基于实时计算的状态评估指标,利用K近邻算法训练得到GIS设备状态隶属度模型,将GIS设备划分为正常、一般、注意和故障四种状态,实现GIS设备的在线状态评估。
进一步的技术方案在于:所述评估方法具体划分为如下步骤,
S1 GIS设备金属外壳振动信号以及气压数据的采集及预处理
S101 GIS设备金属外壳振动信号以及气压数据的采集
采集GIS设备的振动信号和气室压力作为状态特征量;
S102 GIS设备金属外壳振动信号以及气压数据的预处理
将5分钟作为一个采样周期来计算振动特征和气体压力特征,提取振动信号均方根频率作为振动特征进行状态的评估;
振动特征即振动信号均方根频率,计算过程如下:
(1)将每5分钟采集的振动信号Xi进行傅里叶变换得到信号频谱特征hi(f),单位为mV;
(2)基于频谱特征hi(f)利用公式1计算均方根频率MSFi:
式1中,fset表示采样频率,f表示频率,单位均为Hz;i表示采样点;hi(f)表示测点i处振动信号频谱图中频率f的幅值,单位为mV;
每5分钟读取气室压力监测设备测量数据,剔除误差较大的数据得到GIS气体压力pi,单位为Mpa;
S2 GIS设备正常状态数据聚类分析
S201 GIS设备正常状态数据最优包围曲线的获得
通过智能算法寻找正常特征变量数据的聚类区域,通过衡量特征变量实时测量值偏离正常特征数据聚类区域的程度来实现设备运行状态的在线评估;同时,支持向量描述是支持向量机的一种引申算法,它基于最小化损失函数方法获得全部包含样本的最小超平面;通过该方法来实现GIS设备正常状态振动及气压数据的聚类;
定义气体压力pi为横坐标,振动信号均方根频率MSFi为纵坐标,在平面直角坐标系中利用支持向量描述算法确定包含最小包围曲线;
基于MATLAB平台dd_tools工具箱训练正常样本数据,支持向量描述中核函数选用径向基核函数,其表达式如下:
式2中,σ表示数据的标准差;
S202 GIS设备正常状态数据聚类重心的获得
上步骤中,基于支持向量描述原理,获得了正常数据最小包围曲线,在包围曲线上存在多个支持向量边界点gi(x,y),利用重心法计算正常数据最小包围曲线的重心点G(X,Y),计算公式如下:
S3 GIS设备状态评估指标的实时计算
计算上述状态特征的实时测量值与G(X,Y)点的偏差距离D作为设备运行状态评估的指标;
通过状态特征变量的相对偏差距离来求取状态评估指标,其计算公式如下:
式中,xi表示气压特征的实时测量值,yi表示振动特征的实时测量值,xi单位为Mpa,yi单位为Hz;X表示聚类重心的横坐标,Y表示聚类重心的纵坐标,二者为确定的实数,无单位;
S4基于K近邻算法的GIS设备运行状态在线评估
通过K近邻算法来构建GIS设备的隶属度模型,实时计算GIS设备的状态评估指标,并将其输入到模型中,即可实现GIS设备运行状态的在线评估。
进一步的技术方案在于:在所述S201步骤中,基于MATLAB平台dd_tools工具箱训练正常样本数据,惩罚因子C取值1;σ取值0.45。
采用上述技术方案所产生的有益效果在于:
其通过基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法,实现了准确评估GIS设备状态。
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时域波形图;
图3是本发明中正常状态下GIS设备气室压力变化图;
图4是本发明中支持向量描述最小包围曲线图。
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。
如图1所示,本发明公开了一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,其基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法实现设备运行状态的评估。具体包括如下步骤:
S1 GIS设备金属外壳振动信号以及气压数据的采集及预处理
S101 GIS设备金属外壳振动信号以及气压数据的采集
采集GIS设备的振动信号和气室压力作为状态特征量。
S102 GIS设备金属外壳振动信号以及气压数据的预处理
将5分钟作为一个采样周期来计算振动特征和气体压力特征,提取振动信号均方根频率作为振动特征进行状态的评估。
振动特征即振动信号均方根频率,计算过程如下:
(1)将每5分钟采集的振动信号Xi进行傅里叶变换得到信号频谱特征hi(f),单位为mV;
(2)基于频谱特征hi(f)利用公式1计算均方根频率MSFi:
式1中,fset表示采样频率,f表示频率,单位均为Hz;i表示采样点;hi(f)表示测点i处振动信号频谱图中频率f的幅值,单位为mV。
每5分钟读取气室压力监测设备测量数据,剔除误差较大的数据得到GIS气体压力pi,单位为Mpa。
S2 GIS设备正常状态数据聚类分析
S201 GIS设备正常状态数据最优包围曲线的获得
通过智能算法寻找正常特征变量数据的聚类区域,通过衡量特征变量实时测量值偏离正常特征数据聚类区域的程度来实现设备运行状态的在线评估;同时,支持向量描述是支持向量机的一种引申算法,它基于最小化损失函数方法获得全部包含样本的最小超平面;通过该方法来实现GIS设备正常状态振动及气压数据的聚类。
定义气体压力pi为横坐标,振动信号均方根频率MSFi为纵坐标,在平面直角坐标系中利用支持向量描述算法确定包含最小包围曲线。
本申请基于MATLAB平台dd_tools工具箱训练正常样本数据,惩罚因子C选为1,支持向量描述中核函数选用径向基核函数,其表达式如下:
式2中,σ表示数据的标准差,本申请案例中取为0.45。
S202 GIS设备正常状态数据聚类重心的获得
上步骤中,基于支持向量描述原理,获得了正常数据最小包围曲线,在包围曲线上存在多个支持向量边界点gi(x,y),利用重心法计算正常数据最小包围曲线的重心点G(X,Y),计算公式如下:
S3 GIS设备状态评估指标的实时计算
计算上述状态特征的实时测量值与G(X,Y)点的偏差距离D作为设备运行状态评估的指标。
通过状态特征变量的相对偏差距离来求取状态评估指标,其计算公式如下:
式中,xi表示气压特征的实时测量值,yi表示振动特征的实时测量值,xi单位为Mpa,yi单位为Hz;X表示聚类重心的横坐标,Y表示聚类重心的纵坐标,二者为确定的实数,无单位。
S4基于K近邻算法的GIS设备运行状态在线评估
通过K近邻算法来构建GIS设备的隶属度模型,实时计算GIS设备的状态评估指标,并将其输入到模型中,即可实现GIS设备运行状态的在线评估。
本申请的发明构思:
本方案提出的方法主要用于实现GIS设备的故障检测与定位。
(1)目前存在的GIS设备故障检测以及状态评估方案中,一般只选取单一的超高频、超声波、气体分解产物等特征,只局限于设备内部绝缘故障的检测以及状态评估。但是,发明人发现,GIS金属外壳振动信号不但可以反映设备内部的绝缘故障,而且还可以反映内部的机械故障;同时GIS设备都装设有带有温度补偿的气压监测装置,可以有效监测设备是否出现气体泄漏故障。而对于GIS本体来说,常见的故障类型可以概括为机械故障、绝缘故障和气体绝缘故障三大类。因此,该方案的发明构思在于,选择GIS金属外壳振动信号均方根频率以及气体压力作为状态特征量,兼顾了设备本体的机械故障、绝缘故障以及气体泄漏故障的检测评估。
(2)由于GIS结构复杂,组成元件众多,故障产生具有非常大的随机性,故障发生时间无法准确的得到预测,也就造成了设备故障数据匮乏的问题,会造成利用故障数据训练得到的设备状态评估模型不够精确,使得状态评估结果的准确率较低。但是,发明人发现,支持向量描述算法可以准确的描述一组样本数据的特征,可有效的检测异常特征数据。因此,该方案的发明构思在于,利用支持向量描述算法训练GIS正常运行状态下的多特征变量数据得到设备状态评估模型,通过计算当前多状态特征实际测量数据与正常特征数据集的距离,利用K近邻算法来实现设备当前运行状态的评估。
因为本申请综合考虑GIS常见故障类型,选用的振动、气压特征可以兼顾常见的机械故障、绝缘故障以及气体泄漏故障,同时为了解决故障状态数据匮乏的问题,提出基于GIS设备正常状态历史数据来进行设备运行状态的在线评估。目前未发现与本方案接近的技术方案。
有益效果:
(1)本申请选取GIS金属外壳振动信号均方根频率以及气体压力作为状态特征量,兼顾了设备本体的机械故障、绝缘故障以及气体泄漏故障的检测评估。
(2)本申请利用小样本GIS正常状态多特征历史数据,结合实时测量的状态特征数据来实现设备运行状态的在线评估,有效避免了由于设备故障产生随机、故障数据匮乏造成的设备运行状态评估准确率低的问题。
技术方案分项说明:
该方法选择可以反映GIS设备机械故障、绝缘故障以及气体泄漏故障的两个状态特征量,通过聚类算法将GIS设备的正常状态多状态特征量的数据聚类,并计算状态特征量实测数据偏离聚类重心的距离,通过K近邻算法训练得到GIS设备状态隶属度模型,从而实现气体绝缘开关设备运行状态的评估。
将GIS金属外壳振动信号均方根频率以及气体压力作为状态特征量,兼顾了设备本体的机械故障、绝缘故障以及气体泄漏故障的检测评估。
为了平衡变量的变化尺度,将5分钟作为一个采样周期来计算振动及气体压力特征。
通过支持向量描述算法处理GIS设备正常状态特征,有效克服了设备故障样本缺乏无法准确实现GIS设备运行状态评估的技术问题。
基于支持向量描述算法确定GIS设备正常状态特征历史数据的最小包围曲线,实现设备正常状态特征量数据的聚类。
基于最小包围曲线上状态特征量的取值计算正常状态数据的聚类重心。
考虑到设备状态特征量的相对大小,计算状态监测变量与正常数据聚类重心的相对偏差距离作为状态评估指标。
基于实时计算的状态评估指标,利用K近邻算法训练得到GIS设备状态隶属度模型,将GIS设备划分为正常、一般、注意、故障4种状态,实现GIS设备的在线状态评估。
技术方案整体说明:
本申请基于GIS金属外壳振动信号以及气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法实现设备运行状态的评估。
如图1所示,具体操作流程如下:
S1 GIS设备金属外壳振动信号以及气压数据的采集及预处理
S101 GIS设备金属外壳振动信号以及气压数据的采集
据统计表明,GIS设备本体常见故障可以归纳为机械故障、绝缘故障以及气体泄漏故障三大类。对于GIS设备来说,正常状态下金属外壳振动信号主频为100Hz;当设备出现机械故障时,金属外壳振动信号中除100Hz频率之外,还会在0~2kHz范围内出现幅值较大的其它频率成分;当设备出现绝缘故障时,金属外壳振动信号中除100Hz频率之外,还会在大于2kHz的频率范围内出现幅值较大的其它频率成分。同时,GIS设备都装有含有温度补偿装置的气室压力测量仪,该测量仪可以有效避免温度变化对设备气压产生的影响。
基于上述分析,为了兼顾机械故障、绝缘故障以及气体泄漏故障,本申请选取GIS金属外壳振动信号以及气室压力作为状态特征量。为了更有效的收集可以反应设备内部故障的振动信号,振动信号采样频率设置为50kHz。
如图2所示,实际测量振动信号时域波形。
如图3所示,气室压力数据可由气压监测仪处直接获得。
S102 GIS设备金属外壳振动信号以及气压数据的预处理
实际现场中GIS设备金属外壳振动及气体压力在时间变化尺度上存在一定的差异,即振动信号变化周期短,变化尺度可近似为秒级;气体压力变化周期长,变化尺度可近似为分钟级。为了在同等条件下利用上述变量进行GIS设备的状态评估,需要平衡变量的变化尺度。在现场试验的基础上,本申请提出将5分钟作为一个采样周期来计算振动及气体压力特征。
GIS设备金属外壳振动信号频率较高,数据量较大,时域振动信息无法直观的反映设备信息。为此,本申请提取振动信号均方根频率作为特征进行状态的评估。振动信号均方根频率计算过程如下:
(1)将每5分钟采集的振动信号Xi进行傅里叶变换得到信号频谱特征hi(f),单位为mV;
(2)基于频谱特征hi(f)利用公式1计算均方根频率MSFi:
式1中,fset表示采样频率,f表示频率,单位均为Hz;i表示采样点;hi(f)表示测点i处振动信号频谱图中频率f的幅值,单位为mV。
每5分钟读取气室压力监测设备测量数据,剔除误差较大的数据得到GIS气体压力pi,单位为Mpa。
S2 GIS设备正常状态数据聚类分析
S201 GIS设备正常状态数据最优包围曲线的获得
正常状态下,GIS金属外壳振动信号均方根频率以及气体压力特征数据都在一个稳定的区域内波动,如果设备状态出现异常或者出现故障,上述的两个状态特征量都会偏离正常数据范围。基于上述原理,本申请利用智能算法寻找正常特征变量数据的聚类区域,通过衡量特征变量实时测量值偏离正常特征数据聚类区域的程度来实现设备运行状态的在线评估。同时,支持向量描述是支持向量机的一种引申算法,它基于最小化损失函数方法获得全部包含样本的最小超平面。本申请利用该方法来实现GIS设备正常状态振动及气压数据的聚类。
采集正常状态下GIS设备金属外壳振动信号以及气体压力数据,采用步骤S1中的方法提取特征。定义气体压力pi为横坐标,振动信号均方根频率MSFi为纵坐标,在平面直角坐标系中利用支持向量描述算法确定包含最小包围曲线。本申请基于MATLAB平台dd_tools工具箱训练正常样本数据,惩罚因子C选为1,支持向量描述中核函数选用径向基核函数,其表达式如下:
式2中,σ表示数据的标准差,本申请案例中取为0.45。
如图4所示,将变电站现场采集的GIS隔离开关设备金属外壳振动信号以及气体压力数据进行预处理,输入支持向量描述算法中进行GIS正常状态特征变量数据的聚类,得到算法处理结果。观察图4可以发现,所选的隔离开关设备正常状态下多特征数据可以被一个曲线包围,本申请认为此包围曲线即为设备正常状态特征数据的聚类区域。
S202 GIS设备正常状态数据聚类重心的获得
上步骤中,基于支持向量描述原理,获得了正常数据最小包围曲线,在包围曲线上存在多个支持向量边界点gi(x,y),利用重心法计算正常数据最小包围曲线的重心点G(X,Y),计算公式如下:
利用上述方法计算本案例中的重心坐标为(0.52Mpa,120Hz)。
S3 GIS设备状态评估指标的实时计算
上文中提到,当GIS运行状态出现异常或者故障时,设备实时采集的振动均方根频率及气体密度的实时测量值会偏离聚类的中心点。为此,本申请计算上述状态特征的实时测量值与G(X,Y)点的偏差距离D作为设备运行状态评估的指标。
由于正常状态下,GIS设备金属外壳振动频率主要为100Hz,均方根频率大致在100Hz附近,而且当发生异常后,均方根频率变化值较大甚至可到达数百赫兹。但是,GIS设备气体压力值较小,一般取为0.4~0.6范围之间,即使设备发生异常,气压数据变化的范围也不会太大。因此,为了避免由于不同状态特征之间量级不同引起的误差,选择状态特征变量的相对偏差距离来求取状态评估指标,其计算公式如下:
式中,xi表示气压特征的实时测量值,yi表示振动特征的实时测量值,xi单位为Mpa,yi单位为Hz;X表示聚类重心的横坐标,Y表示聚类重心的纵坐标,二者为确定的实数,无单位。
S4基于K近邻算法的GIS设备运行状态在线评估
本申请采用K近邻算法来构建GIS设备的隶属度模型。GIS设备的状态共分为正常、一般、注意、故障四个等级,对应的状态标签如表1所示:
表1:不同状态对应的标签
状态 | 正常 | 一般 | 注意 | 故障 |
状态标签 | 0 | 1 | 2 | 3 |
算例选取不同状态下对应的状态评估指标样本及标签数据作为样本进行GIS设备运行状态评估的仿真验证。将不同状态下的求得的状态评估指标取值D作为样本,其对应状态标签为P,组成K近邻算法的样本{D,P}。样本总个数为800,从中随机选择480个作为训练样本,剩下的320个作为测试样本。
利用K近邻方法训练480个训练样本训练构建GIS设备的隶属度模型,训练完成后,将剩下的320个样本输入模型,验证隶属度模型的准确性。测试样本的混淆矩阵结果如表2所示。
表2:K近邻构建的GIS隶属度模型不同状态的混淆矩阵
观察表2可以发现,基于K近邻算法构建的GIS设备隶属度模型可以有效确定状态评估指标所隶属的状态,进而准确实现设备运行状态的在线评估。
GIS隶属度模型训练完成后,实时计算设备的状态评估指标,并将其输入到模型中,即可实现GIS设备运行状态的在线评估。
Claims (3)
1.一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,其特征在于:基于GIS设备的振动信号、气体压力的正常状态历史数据以及实时测量数据,结合支持向量描述及K近邻算法,从而形成GIS设备运行状态的评估方法;所述评估方法具体划分为如下步骤,
S1 GIS设备金属外壳振动信号以及气压数据的采集及预处理
S101 GIS设备金属外壳振动信号以及气压数据的采集
采集GIS设备的振动信号和气室压力作为状态特征量;
S102 GIS设备金属外壳振动信号以及气压数据的预处理
将5分钟作为一个采样周期来计算振动特征和气体压力特征,提取振动信号均方根频率作为振动特征进行状态的评估;
振动特征即振动信号均方根频率,计算过程如下:
(1)将每5分钟采集的振动信号Xi进行傅里叶变换得到信号频谱特征hi(f),单位为mV;
(2)基于频谱特征hi(f)利用公式1计算均方根频率MSFi:
式1中,fset表示采样频率,f表示频率,单位均为Hz;i表示采样点;hi(f)表示测点i处振动信号频谱图中频率f的幅值,单位为mV;
每5分钟读取气室压力监测设备测量数据,剔除误差较大的数据得到GIS气体压力pi,单位为Mpa;
S2 GIS设备正常状态数据聚类分析
S201 GIS设备正常状态数据最优包围曲线的获得
通过智能算法寻找正常特征变量数据的聚类区域,通过衡量特征变量实时测量值偏离正常特征数据聚类区域的程度来实现设备运行状态的在线评估;同时,支持向量描述是支持向量机的一种引申算法,它基于最小化损失函数方法获得全部包含样本的最小超平面;通过该方法来实现GIS设备正常状态振动及气压数据的聚类;
定义气体压力pi为横坐标,振动信号均方根频率MSFi为纵坐标,在平面直角坐标系中利用支持向量描述算法确定包含最小包围曲线;
基于MATLAB平台dd_tools工具箱训练正常样本数据,支持向量描述中核函数选用径向基核函数,其表达式如下:
式2中,σ表示数据的标准差;
S202 GIS设备正常状态数据聚类重心的获得
上步骤中,基于支持向量描述原理,获得了正常数据最小包围曲线,在包围曲线上存在多个支持向量边界点gi(x,y),利用重心法计算正常数据最小包围曲线的重心点G(X,Y),计算公式如下:
S3 GIS设备状态评估指标的实时计算
计算上述状态特征的实时测量值与G(X,Y)点的偏差距离D作为设备运行状态评估的指标;
通过状态特征变量的相对偏差距离来求取状态评估指标,其计算公式如下:
式中,xi表示气压特征的实时测量值,yi表示振动特征的实时测量值,xi单位为Mpa,yi单位为Hz;X表示聚类重心的横坐标,Y表示聚类重心的纵坐标,二者为确定的实数,无单位;
S4基于K近邻算法的GIS设备运行状态在线评估
通过K近邻算法来构建GIS设备的隶属度模型,实时计算GIS设备的状态评估指标,并将其输入到模型中,即可实现GIS设备运行状态的在线评估。
2.根据权利要求1所述的一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,其特征在于:基于实时计算的状态评估指标,利用K近邻算法训练得到GIS设备状态隶属度模型,将GIS设备划分为正常、一般、注意和故障四种状态,实现GIS设备的在线状态评估。
3.根据权利要求1所述的一种基于支持向量描述与K近邻算法的GIS设备状态评估方法,其特征在于:在所述S201步骤中,基于MATLAB平台dd_tools工具箱训练正常样本数据,惩罚因子C取值1;σ取值0.45。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834879.2A CN110647924B (zh) | 2019-09-05 | 2019-09-05 | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834879.2A CN110647924B (zh) | 2019-09-05 | 2019-09-05 | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647924A CN110647924A (zh) | 2020-01-03 |
CN110647924B true CN110647924B (zh) | 2022-04-22 |
Family
ID=69010051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910834879.2A Active CN110647924B (zh) | 2019-09-05 | 2019-09-05 | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647924B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051493A (zh) * | 2020-09-17 | 2020-12-08 | 海南电网有限责任公司琼海供电局 | 一种配电网设备的隐患类型识别方法及装置 |
CN112816838B (zh) * | 2021-01-06 | 2023-03-21 | 国网重庆市电力公司电力科学研究院 | 基于fft、vmd和ls-svm的gis设备缺陷诊断装置及方法 |
CN115049021B (zh) * | 2022-08-11 | 2022-11-08 | 江西合一云数据科技股份有限公司 | 应用于公众集群管理的数据处理方法和装置及其设备 |
CN116046077B (zh) * | 2023-03-14 | 2023-07-14 | 浙江省邮电工程建设有限公司 | 一种基于温湿度监测的gis状态检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203876B (zh) * | 2015-09-15 | 2018-04-24 | 云南电网有限责任公司电力科学研究院 | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 |
-
2019
- 2019-09-05 CN CN201910834879.2A patent/CN110647924B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊K 近邻支持向量数据描述的水电机组振动故障诊断研究;付文龙;《中国电机工程学报》;20141115;第34卷(第32期);第1-5节及摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN110647924A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647924B (zh) | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 | |
CN106199305B (zh) | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 | |
CN102221651B (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
CN106908674A (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN108414898A (zh) | 一种风电场设备带电检测的状态试验方法及系统 | |
CN104156568A (zh) | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 | |
CN103576050A (zh) | 一种电容式电压互感器的运行状态评估方法 | |
CN103576059A (zh) | 一种变压器匝间放电综合故障诊断方法及系统 | |
LU503633B1 (en) | Vibration-signal-based online monitoring system for gil defects, and method | |
CN115115282B (zh) | 一种高电压台区电力系统数据分析方法 | |
CN106770652A (zh) | 基于声波特征的高压变压器健康状态监测装置及监测方法 | |
CN109188197A (zh) | 一种用于高压电缆健康指数的评估系统及方法 | |
Qu et al. | PSO–SOM neural network algorithm for series arc fault detection | |
CN105891684A (zh) | 一种气体绝缘组合电器绝缘状态评估指标体系构建方法 | |
CN115542099A (zh) | 一种在线gis局部放电检测方法和装置 | |
CN115096366A (zh) | 一种sf6环网柜运行状态监测系统及其状态评估方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN105629144B (zh) | 基于指纹库的高压开关设备局部放电诊断方法及系统 | |
CN108872807A (zh) | 一种基于多源数据的高压交流gis的状态评价方法及系统 | |
CN110501154B (zh) | 一种基于mosvr与箱形图分析的gis设备故障检测与定位方法 | |
Hou et al. | Discriminant approach to the GIS mechanical fault diagnosis based on the KL divergence of vibration signals | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
Cai et al. | Reviews of research on mechanical fault diagnosis in GIS | |
CN113159411B (zh) | 一种电网气象风险预警模型的检验方法及系统 | |
Shafiullah | Fault diagnosis in distribution grids under load and renewable energy uncertainties |
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 |