CN105137238A - 一种气体绝缘组合电器故障诊断*** - Google Patents

Abstract

本发明公开了一种气体绝缘组合电器故障诊断***，包括训练单元、测试单元和诊断单元，训练单元，载入训练数据，训练支持向量数据描述分类器，并且通过网格搜索方法对支持向量数据描述的核参数和惩罚参数进行自动寻优，确定最优超球体，诊断多种故障类型时需要构造多个超球体；测试单元，载入测试数据，通过数据点距各个超球体球心的距离判断其属于哪个超球体，从而判断出其所属类别，统计分类正确的样本点个数，自动计算出此分类器的分类准确率；诊断单元：载入待诊断数据，将每个数据样本距超球体球心的距离与超球体半径作比较，判断出该样本属于何种故障类别，得出诊断结果。本诊断方法具有良好的拒识能力，能够准确拒识干扰样本。

Description

一种气体绝缘组合电器故障诊断***

技术领域

本发明涉及电器故障诊断方法，尤其涉及一种气体绝缘组合电器故障诊断***。

背景技术

气体绝缘组合电器中运用SF6作为绝缘介质，其拥有优良的理化特性和绝缘灭弧性能。气体绝缘组合电器的安全、可靠运行，直接关系到电力***的安全可靠运行。

长期的运行经验表明组合电器内部可能存在一些缺陷，这些缺陷最初不易发现，但是可能会逐渐发展为事故隐患，影响***的安全可靠运行，导致设备故障。发生故障时将对电力***安全构成巨大的威胁，严重影响供电的连续性和稳定性。

通过分析可以得知，现有技术已经研究了组合电器的运行状态与SF6气体分解产物之间的对应关系，因此可以利用检测气体分解产物对气体绝缘组合电器进行故障诊断。但是对于大量的待诊断设备来说，利用经验人工判断故障缺乏相应的科学依据，而且大多数现有诊断方法效率较低，耗时过长。

发明内容

本发明是为了解决上述不足，提供了一种气体绝缘组合电器故障诊断***。

本发明的上述目的通过以下的技术方案来实现：一种气体绝缘组合电器故障诊断***，其特征在于：包括训练单元、测试单元和诊断单元；

所述训练单元：载入训练数据，训练支持向量数据描述分类器，并且通过网格搜索方法对支持向量数据描述的核参数和惩罚参数进行自动寻优，确定最优超球体；诊断多种故障类型需要构造多个超球体，以满足多类分类的要求；

所述测试单元：载入测试数据，通过数据点距各个超球体球心的距离判断其属于哪个超球体，从而判断出其所属类别；统计分类正确的样本点个数，自动计算出此分类器的分类准确率；

所述诊断单元：载入待诊断数据，将每个数据样本距超球体球心的距离与超球体半径作比较，判断出该样本属于何种故障类别，得出诊断结果。

其中，所述训练数据和测试数据为SF6气体分解组分分析与气体绝缘组合电器状态之间的历史关联数据，所述待诊断数据为气体绝缘组合电器的分解气体组分。

其中，所述多类故障诊断，由于支持向量数据描述只能用于处理二分类的问题，很多故障诊断问题是多分类问题；因此需要将算法延伸到多分类识别，构造多个支持向量数据描述二分类器，将它们组合起来实现多分类；该多分类方法采用“一对多”分类方法。当需要诊断电气设备中存在的m种故障缺陷时，该算法将其中一个缺陷样本作为一类，其他不属于该缺陷的样本作为另一类，依次进行训练，需要m个分类器；对于未知样本依次使用上述分类器，通过判别函数寻找对应的分类器，诊断故障类型。

其中，所述支持向量数据描述算法是一种基于核的学习机制，其参数通过人为选择需要大量的尝试性工作，一方面效率低，另一方面如果参数选择不当，会大大影响算法诊断故障的性能。

其中，所述网格搜索法是一种性能优越的参数寻优方法，运用网格搜索方法可以快速地自动得到最优参数，提高诊断效率，同时可以提高参数寻优效率、节省时间。

因此将所述网格搜索方法（GS）与支持向量数据描述方法(SVDD)结合起来诊断气体绝缘组合电器故障的方法称为GS-SVDD方法。此方法具有良好的拒识能力，能够识别出干扰样本、避免错分，识别率较高。

根据SF6气体分解组分分析与气体绝缘组合电器状态之间的历史关联数据，可以通过支持向量数据描述算法形成多类分类器，为之后的故障诊断提供分类依据基础。

所述根据数据点距各个超球体球心的距离，其接受条件为：；当待测样本z离球心距离小于超球半径时，则为目标样本；大于超球半径时，则为非目标样本。

所述网格搜索方法根据经验设定出适当的待搜索范围，将参数值网格离散化，然后设置搜索步长、生成网格，网格的节点即相对应的参数对；在待搜索范围内，分别取两个参数的所有可能组合进行训练，选择训练时效果最好的参数组合作为最优参数。

本发明与现有技术相比的优点是：本发明能够根据已有的气体绝缘组合电器的运行状态与SF6气体分解产物之间的对应关系，基于支持向量数据描述算法进行故障诊断。另外，还可以用已知的分解气体成分含量及对应的故障类型测试故障诊断的准确率，利用本***和本方法只需要载入数据，就可以自动得到诊断结果，可以大大降低对操作人员的专业技能的要求，而且该诊断方法需要确定的参数只有两个，较容易实现参数训练，利用网格搜索方法寻优时耗时较少，可以自动、快速地寻求最优参数并应用到支持向量数据描述分类器的构造当中，经验证可知本故障诊断方法识别准确率较高，且较其他方法而言耗时短，可以快速得到诊断结果，无需长时间等待。

附图说明

图1为本发明实施例中支持向量数据描述的原理示意图。

图2为本发明实施例的原理示意图。

图3为本发明实施例中构造四个分类器的原理示意图。

图4为本发明实施例的故障诊断结果示意图。

具体实施方式

下面结合附图对本发明进一步详述。

如图1所示，支持向量数据描述（SupportVectorDataDescription），简称SVDD；支持向量数据描述是通过在多维特征空间中寻找一个体积最小的超球体1，让目标样本2尽可能的被包围在超球体1中，而将非目标样本3排除在外。其算法原理是把训练样本中的目标样本2作为研究对象，通过优化处理、寻找支持向量4，然后通过最小化超球体对目标样本进行描述。

假设给定一个特征空间上的训练集:

建立最优超球体转化为结构风险最小化问题：

为了增强最小超球的鲁棒性，特引入惩罚因子C和松弛变量，上述问题转化为：

引入Lagrange乘子，将优化问题转化为极值问题：

根据KKT条件求函数极值，分别对求偏导并令其分别等于零，即可得到对偶问题表达式：

计算可得到最优解，超球体球心。其接受条件为：。当待测样本z离球心距离小于超球半径时，则为目标样本；大于超球半径时，则为非目标样本。

支持向量数据描述由在最小包围球理论和支持向量机理论基础上提出，只需要目标样本参加训练，理论上比支持向量机节省一半左右的运算时间，且能有效地解决零点漏分问题。

网格搜索算法的基本原理为:根据经验设定出适当的待搜索范围，将参数值网格离散化，然后设置搜索步长、生成网格，网格的节点即相对应的参数对；在待搜索范围内，分别取两个参数的所有可能组合进行训练，选择训练时效果最好的参数组合作为最优参数。其优点在于:1)可以同时搜索多个参数值、参数对；2)两个参数的情况下消耗时间少；3)搜索得到的解是全局最优解，不会陷入局部最优解的困扰。

本发明提供了一种气体绝缘组合电器故障诊断***（GS-SVDD），包括：

训练单元：载入训练数据，训练支持向量数据描述分类器，并且通过网格搜索方法对支持向量数据描述的核参数和惩罚参数进行自动寻优，确定最优超球体。诊断多种故障类型需要构造多个超球体，以满足多类分类的要求。

测试单元：载入测试数据，通过数据点距各个超球体球心的距离判断其属于哪个超球体，从而判断出其所属类别。统计分类正确的样本点个数，自动计算出此分类器的分类准确率。

诊断单元：载入待诊断数据，将每个数据样本距超球体球心的距离与超球体半径作比较，判断出该样本属于何种故障类别，得出诊断结果。

其中所述训练数据和测试数据为SF6气体分解组分分析与气体绝缘组合电器状态之间的历史关联数据，所述待诊断数据为气体绝缘组合电器的分解气体组分。

其中所述多类故障诊断，由于支持向量数据描述只能用于处理二分类的问题，很多气体绝缘组合电器故障诊断问题是多分类问题。因此需要将算法延伸到多分类识别，构造多个支持向量数据描述二分类器，将它们组合起来实现多分类。本诊断方法中采用“一对多”思想来构造多分类器。

其中所述“一对多”，当需要诊断电气设备中存在的m种故障缺陷时，该算法将其中一个缺陷样本作为一类，其他不属于该缺陷的样本作为另一类，依次进行训练，需要m个分类器。对于未知样本依次使用上述分类器，通过判别函数寻找对应的分类器，诊断故障类型。该算法的优点是有较快的分类速度。

其中所述支持向量数据描述算法是一种基于核的学习机制，其参数通过人为选择需要大量的尝试性工作，一方面效率低，另一方面如果参数选择不当，会大大影响算法诊断故障的性能。

其中所述网格搜索法是一种性能优越的参数寻优方法，运用网格搜索方法可以快速地自动得到最优参数，提高诊断效率，同时可以提高参数寻优效率、节省时间。

因此将所述网格搜索方法（GS）与支持向量数据描述方法(SVDD)结合起来诊断气体绝缘组合电器故障的方法称为GS-SVDD方法。此方法具有良好的拒识能力，能够识别出干扰样本、避免错分，识别率较高。

根据SF6气体分解组分分析与气体绝缘组合电器状态之间的历史关联数据，可以通过支持向量数据描述算法形成N类分类器，为之后的故障诊断提供分类依据基础。故障诊断流程如图2所示。

例如在识别气体绝缘组合电器中存在的4种绝缘缺陷时，将其中某一个缺陷样本作为目标样本，其他所有缺陷样本作为非目标样本，依次进行训练，共需4个分类器。对于未知的待识别样本依次使用上述分类器，通过判别函数寻找出与其相对应的分类器，进而识别出该样本故障类型。

本实施例中GS-SVDD故障诊断流程如图3所示：

载入训练数据，转换数据格式，并给数据设置类别名，四类缺陷的特征参数分别设置为1、2、3、4类。

针对数据类别构造四个GS-SVDD分类器。将第1类作为目标样本、其他三类作为非目标样本时构造的超球体记为GS-SVDD1、GS-SVDD2、GS-SVDD3、GS-SVDD4。

对于每个分类器，采用网格搜索方法进行参数优化，得到最优C和g。

1)设定网格搜索中的C值和g值的范围及对应的搜索步长。设定参数C、g的取值范围（2-10，210），步长为0.5。这样在C和g的坐标系上构造了一个二维网格；

2)将数据中的样本随机分为4组训练样本和1组测试样本，在构造的C和g的坐标系中选择一个参数对(C，g)，使用SVDD对训练样本进行训练，然后对测试样本进行预测，记录预测准确率，通过5次交叉验证，得到5组预测值；

3)重复步骤2)，直到将二维网格中的所有参数训练一遍；

4)最后将与各组(C，g)相对应的预测准确平均值作为当前分类器的性能指标，根据性能指标选择确定最佳的(C，g)值。

载入待识别数据，分别计算它们到GS-SVDD1、GS-SVDD2、GS-SVDD3、GS-SVDD4球心的距离，再根据决策函数判断其类别，实现故障识别。故障诊断结果如图4所示，此方法的识别准确率较高，且人为加入的两个干扰样本被准确划分为outlier，未被错分到已知的四个类别当中，表明SVDD具有良好的拒识能力。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种气体绝缘组合电器故障诊断***，其特征在于：包括训练单元、测试单元和诊断单元；

所述训练单元：载入训练数据，训练支持向量数据描述分类器，并且通过网格搜索方法对支持向量数据描述的核参数和惩罚参数进行自动寻优，确定最优超球体；诊断多种故障类型需要构造多个超球体，以满足多类分类的要求；

所述测试单元：载入测试数据，通过数据点距各个超球体球心的距离判断其属于哪个超球体，从而判断出其所属类别；统计分类正确的样本点个数，自动计算出此分类器的分类准确率；

所述诊断单元：载入待诊断数据，将每个数据样本距超球体球心的距离与超球体半径作比较，判断出该样本属于何种故障类别，得出诊断结果。

2.根据权利要求1所述的一种气体绝缘组合电器故障诊断***，其特征在于：所述训练数据和测试数据为SF6气体分解组分分析与气体绝缘组合电器状态之间的历史关联数据，所述待诊断数据为气体绝缘组合电器的分解气体组分。

3.根据权利要求1所述的一种气体绝缘组合电器故障诊断***，其特征在于：所述多类故障诊断，由于支持向量数据描述只能用于处理二分类的问题，很多故障诊断问题是多分类问题；因此需要将算法延伸到多分类识别，构造多个支持向量数据描述二分类器，将它们组合起来实现多分类；该多分类方法采用“一对多”分类方法；当需要诊断电气设备中存在的m种故障缺陷时，该算法将其中一个缺陷样本作为一类，其他不属于该缺陷的样本作为另一类，依次进行训练，需要m个分类器；对于未知样本依次使用上述分类器，通过判别函数寻找对应的分类器，诊断故障类型。

4.根据权利要求1所述的一种气体绝缘组合电器故障诊断***，其特征在于：所述数据点距各个超球体球心的距离，其接受条件为：；当待测样本z离球心距离小于超球半径时，则为目标样本；大于超球半径时，则为非目标样本。

5.根据权利要求1所述的一种气体绝缘组合电器故障诊断***，其特征在于：所述网格搜索方法设定出适当的待搜索范围，将参数值网格离散化，然后设置搜索步长、生成网格，网格的节点即相对应的参数对；在待搜索范围内，分别取两个参数的所有可能组合进行训练，选择训练时效果最好的参数组合作为最优参数。