【技术实现步骤摘要】
本专利技术涉及一种电力故障检测方法，尤其涉及局部放电故障检测方法。
技术介绍
气体绝缘组合开关电器(GAS INSULATED SWITCHGEAR，以下简称GIS)以其结构紧凑、免维护和对环境影响小等突出的优点，在电力系统中得到越来越广泛的应用。然而，尽管GIS运行可靠性非常高，但在制造、安装和运行过程中的缺陷也常导致事故的发生。因此对GIS进行局部放电检测对保证GIS安全可靠运行、评估GIS的绝缘状况和制定合理的维修策略具有十分重要的意义。GIS内部可能存在的绝缘缺陷类型有多种，不同缺陷所表现出来的局部放电特征并不相同，对GIS运行的危害程度也相差较大，要准确地评估GIS内部缺陷类型的性质及其严重程度，必须对获得的局部放电信号进行模式识别。目前应用最广泛的局部放电的模式识别方法是神经网络识别法。神经网络是一种遵循经验风险最小化原理的机器学习方法。根据Vapnik&Chervonenkis的统计学习理论，如果数据服从某个固定但未知的分布，要使机器的实际输出与理想输出之间的偏差尽可能的小，则机器应当遵循结构风险最小化原理，就是使错误概率的上界最小化。这就使得神经网络出现学习问题，即训练误差小并不总能导致好的预测效果，某些情况下，训练误差过小，反而会导致泛化能力的下降，即真实风险的增加。因此，目前的神经网络识别法是具有一定缺陷的。
技术实现思路
本专利技术的目的是提供一种基于支持向量机的GIS局部放电故障类型模式识别方法，其对GIS局部放电典型缺陷具有良好的识别效果。支持向量机(Support Vector Machine,简称SVM)是在统计学习理论...
【技术保护点】
一种基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，包括下列步骤：（1）提取若干个周期的M种局部放电故障类型对应的局部放电信号构建M个样本数据，将其作为原始数据；（2）分别构建各样本数据的特征图谱，提取各样本数据的统计特征参数；（3）采用一对一算法在任意两个样本数据之间构建支持向量机分类器，得到M×（M?1）/2个支持向量机分类器；（4）采用提取出的统计特征参数训练支持向量机分类器，得到支持向量机分类器模型；（5）采用支持向量机分类器模型对待识别的局部放电信号进行局部放电故障类型模式识别。
【技术特征摘要】
1.一种基于支持向量机的Gis局部放电故障类型模式识别方法,其特征在于,包括下列步骤: (1)提取若干个周期的M种局部放电故障类型对应的局部放电信号构建M个样本数据，将其作为原始数据； (2)分别构建各样本数据的特征图谱，提取各样本数据的统计特征参数； (3)采用一对一算法在任意两个样本数据之间构建支持向量机分类器，得到MX(M-1)/2个支持向量机分类器； (4)采用提取出的统计特征参数训练支持向量机分类器，得到支持向量机分类器模型； (5)采用支持向量机分类器模型对待识别的局部放电信号进行局部放电故障类型模式识别。2.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，在步骤(I)和步骤(2)之间还包括步骤(Ia):对原始数据进行去噪处理。3.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，在步骤(2)中，按照下述步骤提取Emag，Smag, Nmag, Eint, Nint, Δ Tmean, r和NMg作为统计特征参数: 将一个工频周期分为正半周期和负半周期，正半周期和负半周期的放电幅值构成两个放电幅值序列，正半周期和负半周期的放电时间间隔构成序列△、口和At_n，每一个样本中的所有放电间歇AT构成序列ATW，将工频周期平均分为若干个区间，如果一个区间内出现放电，则将该区间视为放电区间，将两个放电幅值序列中的放电幅值按照式(I)进行归一化处理:4.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，M值为4，四种局部放电故障类型分别对应高压导体表面针尖放电、固体绝缘内部气隙放电、自由金属微粒放电和悬浮电极放电。5.如权利要求1所述的基于支持向量机的GIS局部放电故障类型模式识别方法，其特征在于，在步骤(4)中按照下述步...
【专利技术属性】
技术研发人员：王吉文，高峻，刘昌界，李燕，戴明明，肖拥东，国伟辉，
申请(专利权)人：安徽省电力公司亳州供电公司，国家电网公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。