CN114034966A - 一种基于支持向量机的输电线路故障识别方法和装置 - Google Patents

一种基于支持向量机的输电线路故障识别方法和装置 Download PDF

Info

Publication number
CN114034966A
CN114034966A CN202111195179.7A CN202111195179A CN114034966A CN 114034966 A CN114034966 A CN 114034966A CN 202111195179 A CN202111195179 A CN 202111195179A CN 114034966 A CN114034966 A CN 114034966A
Authority
CN
China
Prior art keywords
support vector
vector machine
machine model
fault
traveling wave
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
CN202111195179.7A
Other languages
English (en)
Inventor
王应瑞
安林
王小红
周华良
滕贤亮
吴通华
戴魏
沈桂鹏
侯启林
何昭辉
曹锐
梁臣
饶丹
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.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System 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 Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202111195179.7A priority Critical patent/CN114034966A/zh
Publication of CN114034966A publication Critical patent/CN114034966A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/088—Aspects of digital computing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于支持向量机的输电线路故障识别方法和装置，包括：采集输电线路故障行波数据，对行波数据提取特征值，包含平均过零率、近似熵值、小波能量谱；数据归一化并确定训练集；对训练集数据进行训练得到各单一特征量模型文件；对测试数据集采用各特征量模型分析得到故障结果，并计算各模型的准确度；按各模型的准确度分配权重比例重新计算结果。选取平均过零率、近似熵值、小波能量谱等特征量，很好的区分输电线路的雷击非雷击故障的特征，提高了支持向量机算法的准确率。

Description

一种基于支持向量机的输电线路故障识别方法和装置
技术领域
本发明属于输电线路故障识别领域，涉及针对输电线路中雷击与非雷击、绕击与反击的识别方法，尤其是一种基于支持向量机的输电线路故障识别方法。
背景技术
在当前电网发展越来越开，无论是由于输电线路上的雷击或电气工程设备的开发而引起的雷击，还是由于雷击而被迫退出电网运行，都会使电网退出运行。将对设备和传输系统的稳定性造成毁灭性的打击，有可能引发连锁反应，导致管理系统崩溃，影响企业的正常工作，甚至影响生产包括日常生产和工业社会的生活。因此模拟雷电的干扰，从近处看，它可以精准输电线路故障类型判断，帮助现场工作人员采取必要的线路故障处理，从长远看，可以对检测到的信号可以形成数据库，进行地区分析，以帮助相关人员更有针对性地进行线路防雷保护设计，进而区域供电可靠性，推进智能电网中差异化防雷的发展。因此对于输电线路故障的识别为输电线路安全稳定运行的提供重要支撑。
发明内容
本发明旨在提高目前输电线路故障的识别率，提供一种基于支持向量机的输电线路故障识别方法。
本发明采用以下技术方案。提供一种基于支持向量机的输电线路故障识别方法。
一种基于支持向量机的输电线路故障识别方法，包括：采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
根据各支持向量机模型的准确度确定各支持向量机模型的权重；
根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
进一步地，平均过零率的计算公式如下：
Figure BDA0003301555290000021
Figure BDA0003301555290000022
其中N为行波数据长度，X(i)为行波第i个数值，sgn[x]为符号函数。进一步地，所述电流行波近似熵值的计算方法如下：
确定两个参数m和r，其中m为模式维数，r为相似容限值；
1.原始数据为X(1),X(2)……X(N)，共N个点；
2.将序列X(N)按顺序组成m维的矢量Y(i)，即Y(i)＝[X(i),X(i+1),…X(i+m-1)],i＝1～N-m+1；
3.定义矢量Y(i)与Y(j)之间的距离为d(i,j)＝max[|X(i+k)-X(j+k)|],其中k＝0～m-1；
4.对于每个i≤N-m+1,统计距离d(i,j)小于r的数目Nr及此数目与总数的比值
Figure BDA0003301555290000031
Figure BDA0003301555290000032
5.将
Figure BDA0003301555290000033
取对数，在对所有的
Figure BDA0003301555290000034
的对数求平均值得到
Figure BDA0003301555290000035
Figure BDA0003301555290000036
6.维数变为m+1时重复2-5，得到
Figure BDA0003301555290000037
最终电流行波近似熵值ApEn(m,r,N)，
Figure BDA0003301555290000038
再进一步地，模式维数m取值为2，相似容限值r的取值为0.2STD，STD为原始序列的标准差。
进一步地，还包括对训练数据集进行归一化。
进一步地，所述根据各支持向量机模型的准确度确定各支持向量机模型的权重，包括：
根据平均过零率训练的支持向量机模型的权重为：
Figure BDA0003301555290000039
根据电流行波近似熵值训练的支持向量机模型的权重为：
Figure BDA00033015552900000310
根据小波能量谱训练的支持向量机模型的权重为：
Figure BDA00033015552900000311
其中P1为根据平均过零率训练的支持向量机模型的准确率，P2为根据
电流行波近似熵值训练的支持向量机模型的准确率，P3为根据小波能量谱训练的支持向量机模型的准确率。
第二方面，本发明还提供了一种基于支持向量机的输电线路故障识别装置，包括：
数据采集模块，用于采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
模型训练模块：用于根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
准确度计算模块，用于基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
权重计算模块，用于根据各支持向量机模型的准确度确定各支持向量机模型的权重；
故障识别结果确定模块，用于根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
本发明所取得的有益技术效果：
1、选取平均过零率、近似熵值、小波能量谱等特征量，很好的区分输电线路的雷击非雷击故障的特征，提高了支持向量机算法的准确率。
2、能较好的解决小样本、非线性等实际问题，算法的效率以及准确率高，能够很好的实现输电线路故障分类。
附图说明
图1为本发明的识别方法流程图；
图2为小波分解示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于支持向量机的输电线路故障识别方法，流程如图1所示，包括：
步骤1、采集故障行波信号，对于行波数据提取特征值，包含平均过零率、近似熵值、小波能量谱。
步骤1.1、提取平均过零率，过零率表示行波经过0值线的频率，表征了一个行波信号的振荡频率，若X(n)为行波信号，N为行波信号个数，其计算公式如下。
Figure BDA0003301555290000051
Figure BDA0003301555290000052
步骤1.2、电流行波近似熵值，计算近似熵时，需要输入两个参数m、r(其中m称为模式维数，r称为相似容限)。M可认为是比较序列的长度，r可认为是一个有效的阈值。
1、设原始数据为X(1),X(2)……X(N)，共N个点。
2、将序列X(N)按顺序组成m维的矢量Y(i)，即Y(i)＝[X(i),X(i+1),…X(i+m-1)],i＝1～N-m+1
3、定义矢量Y(i)与Y(j)之间的距离为d(i,j)＝max[|X(i+k)-X(j+k)|],其中k＝0～m-1
4、给定阈值r，对于每个i≤N-m+1,统计d(i,j)小于r的数目及此数目与总数的比值，记作
Figure BDA0003301555290000061
Figure BDA0003301555290000062
5、将
Figure BDA0003301555290000063
取对数，然后在对所有的i求平均值得到
Figure BDA0003301555290000064
Figure BDA0003301555290000065
6、维数变为m+1时重复2-5，得到
Figure BDA0003301555290000066
最终
Figure BDA0003301555290000067
取m＝2，r＝0.2STD(STD为原始序列的标准差)
步骤1.3、小波能量谱，首先对行波信号进行多分辨率的分解，如图2所示，对信号分解出来的低频分量进行再一次的分解，而高频分量不进行分解，信号f(k)可以表示为f＝d1+d2+...+dj+cj
小波变换后得到各个尺度上的小波系数，该尺度上的能量可用小波系数的平方和来表示，第i层的小波能量表示为：
Figure BDA0003301555290000068
低频近似系数能量表示为
Figure BDA0003301555290000069
用
Figure BDA00033015552900000610
来表示高频和低频能量比。
步骤2确定训练数据集，并对数据归一化。归一化采用0均值标准化(Z-scorestandardization)方法：
Figure BDA00033015552900000611
其中，x代表输入样本，y代表分类结果，mean为所有样本的均值，std为所有样本的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
步骤3.将单一特征的训练集送入支持向量机中，经过训练集的多次迭代后完成训练，以此类推，完成所有单一特征的向量机的训练过程。在训练过后保存新的训练参数。
步骤4.根据步骤3得到的特征量模型分析测试数据集得到故障结果，并计算各模型的准确度，若平均过零率的准确度为P1，近似熵值的准确度为P2，小波能量谱准确度为P3。
步骤5.根据步骤4得到各模型的准确度，计算各模型的权重，平均过零率权重比例
Figure BDA0003301555290000071
近似熵值的权重比例
Figure BDA0003301555290000072
小波能量谱的权重比例为
Figure BDA0003301555290000073
对于某一测试数据，平均过零率得到的计算值为V1，近似熵值计算值为V2，小波能量谱的计算值为V3，其中V1、V2、V3∈(1,-1)，1代表雷击，-1代表非雷击。重新构造判据W＝Q1*V1+Q2*V2+Q3*V3，若W≥0，则结果为雷击，若W＜0，则结果为非雷击。
本发明选取平均过零率、近似熵值、小波能量谱等特征量，很好的区分输电线路的雷击非雷击故障的特征，为支持向量机算法的准确率提供很好的支撑。
与以上实施例相对应地，本发明具体实施例还提供了一种基于支持向量机的输电线路故障识别装置，包括：
数据采集模块，用于采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
模型训练模块：用于根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
准确度计算模块，用于基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
权重计算模块，用于根据各支持向量机模型的准确度确定各支持向量机模型的权重；
故障识别结果确定模块，用于根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种基于支持向量机的输电线路故障识别方法，其特征在于，包括：采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
根据各支持向量机模型的准确度确定各支持向量机模型的权重；
根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
2.根据权利要求1所述的一种基于支持向量机的输电线路故障识别方法，其特征在于，平均过零率的计算公式如下：
Figure FDA0003301555280000011
Figure FDA0003301555280000012
其中N为行波数据长度，X(i)为行波第i个数值，sgn[x]为符号函数。
3.根据权利要求1所述的一种基于支持向量机的输电线路故障识别方法，其特征在于，所述电流行波近似熵值的计算方法如下：
确定两个参数m和r，其中m为模式维数，r为相似容限值；
步骤1.原始数据为X(1)，X(2)......X(N)，共N个点；
步骤2.将序列X(N)按顺序组成m维的矢量Y(i)，即Y(i)＝[X(i)，X(i+1)，...X(i+m-1)]，i＝1～N-m+1；
步骤3.定义矢量Y(i)与Y(j)之间的距离为d(i，j)＝max[|X(i+k)-X(j+k)|]，其中k＝0～m-1；
步骤4.对于每个i≤N-m+1，统计距离d(i，j)小于r的数目Nr及此数目与总数的比值
Figure FDA0003301555280000021
Figure FDA0003301555280000022
步骤5.将
Figure FDA0003301555280000023
取对数，在对所有的
Figure FDA0003301555280000024
的对数求平均值得到
Figure FDA0003301555280000025
Figure FDA0003301555280000026
步骤6.维数变为m+1时重复步骤2-5，得到
Figure FDA0003301555280000027
最终电流行波近似熵值ApEn(m，r，N)，
Figure FDA0003301555280000028
4.根据权利要求3所述的一种基于支持向量机的输电线路故障识别方法，其特征在于，模式维数m取值为2，相似容限值r的取值为0.2STD，STD为原始序列的标准差。
5.根据权利要求1所述的一种基于支持向量机的输电线路故障识别方法，其特征在于，还包括对训练数据集进行归一化。
6.根据权利要求1所述的一种基于支持向量机的输电线路故障识别方法，其特征在于，所述根据各支持向量机模型的准确度确定各支持向量机模型的权重，包括：
根据平均过零率训练的支持向量机模型的权重为：
Figure FDA0003301555280000029
根据电流行波近似熵值训练的支持向量机模型的权重为：
Figure FDA00033015552800000210
根据小波能量谱训练的支持向量机模型的权重为：
Figure FDA0003301555280000031
其中P1为根据平均过零率训练的支持向量机模型的准确率，P2为根据电流行波近似熵值训练的支持向量机模型的准确率，P3为根据小波能量谱训练的支持向量机模型的准确率。
7.一种基于支持向量机的输电线路故障识别装置，其特征在于，包括：
数据采集模块，用于采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
模型训练模块：用于根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
准确度计算模块，用于基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
权重计算模块，用于根据各支持向量机模型的准确度确定各支持向量机模型的权重；
故障识别结果确定模块，用于根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
CN202111195179.7A 2021-10-13 2021-10-13 一种基于支持向量机的输电线路故障识别方法和装置 Pending CN114034966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111195179.7A CN114034966A (zh) 2021-10-13 2021-10-13 一种基于支持向量机的输电线路故障识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111195179.7A CN114034966A (zh) 2021-10-13 2021-10-13 一种基于支持向量机的输电线路故障识别方法和装置

Publications (1)

Publication Number Publication Date
CN114034966A true CN114034966A (zh) 2022-02-11

Family

ID=80134889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111195179.7A Pending CN114034966A (zh) 2021-10-13 2021-10-13 一种基于支持向量机的输电线路故障识别方法和装置

Country Status (1)

Country Link
CN (1) CN114034966A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
CN107255743A (zh) * 2017-05-03 2017-10-17 昆明理工大学 一种基于能谱相似度的特高压直流输电线路雷击故障识别方法
CN107451557A (zh) * 2017-07-29 2017-12-08 吉林化工学院 基于经验小波变换与局部能量的输电线路短路故障诊断方法
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN112633733A (zh) * 2020-12-30 2021-04-09 武汉轻工大学 基于可信度的随机森林土壤重金属风险评价方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
CN107255743A (zh) * 2017-05-03 2017-10-17 昆明理工大学 一种基于能谱相似度的特高压直流输电线路雷击故障识别方法
CN107451557A (zh) * 2017-07-29 2017-12-08 吉林化工学院 基于经验小波变换与局部能量的输电线路短路故障诊断方法
CN109284777A (zh) * 2018-08-28 2019-01-29 内蒙古大学 基于信号时频特征和支持向量机的供水管道泄漏识别方法
CN112633733A (zh) * 2020-12-30 2021-04-09 武汉轻工大学 基于可信度的随机森林土壤重金属风险评价方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫红伟: "输电线路雷击故障的仿真与识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 05, 15 May 2016 (2016-05-15), pages 042 - 918 *

Similar Documents

Publication Publication Date Title
CN109711609B (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN110596530B (zh) 一种小电流接地故障选线方法
CN111426905B (zh) 一种配电网同母线变关系异常诊断方法、装置及系统
CN111428201B (zh) 基于经验模态分解和前馈神经网络对时序数据的预测方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN104966161A (zh) 一种基于高斯混合模型的电能质量录波数据计算分析方法
CN111915449B (zh) 基于vmd与omp的电力负荷数据降维重构处理方法
CN112559963A (zh) 一种配电网动态参数辨识方法及装置
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN112881942A (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
CN110766215B (zh) 基于特征自适应选择和wdnn的风电爬坡事件预测方法
CN114720764A (zh) 一种基于电表实时监测数据的谐波分析方法及系统
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
CN114139820A (zh) 一种用于非侵入式电能负荷预测的改进模态分解方法
CN115983507B (zh) 送端源电网断面宽频振荡风险预测方法及系统
CN117131022A (zh) 一种电力信息系统的异构数据迁移方法
CN117054803A (zh) 一种含分布式光伏配电网接地故障辨识方法及系统
CN114034966A (zh) 一种基于支持向量机的输电线路故障识别方法和装置
CN105404973A (zh) 输变电设备状态预测方法和系统
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN114417918A (zh) 一种风电场信号特征提取及去噪优化数据的方法
CN114780609A (zh) 基于电力大数据与时间序列的区域碳排放量计算方法
CN110705373A (zh) 一种基于小波包分析和残差网络的槽电压信号分类方法

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