本發(fā)明屬于氣體絕緣組合電器的在線(xiàn)監(jiān)測(cè)及故障診斷領(lǐng)域，具體涉及一種基于光聲光譜信息的氣體絕緣組合電器絕緣故障識(shí)別方法。

背景技術(shù)：

隨著電網(wǎng)的快速發(fā)展，sf6電氣設(shè)備由于其優(yōu)良的經(jīng)濟(jì)性、可靠性，近十年在輸變電網(wǎng)絡(luò)中大量裝備，然而，在設(shè)備在制造和使用過(guò)程中產(chǎn)生的絕緣故障給電力系統(tǒng)的安全穩(wěn)定運(yùn)行造成不可忽視的影響。多年來(lái)國(guó)內(nèi)外對(duì)sf6設(shè)備的在線(xiàn)監(jiān)測(cè)與故障診斷技術(shù)開(kāi)展了大量的研究，通過(guò)有效的監(jiān)測(cè)手段獲取sf6氣體在不同故障形式下的分解成分，建立故障類(lèi)型與分解氣體之間特性關(guān)系，從而形成行之有效的故障診斷方法，用于故障監(jiān)測(cè)。

目前工業(yè)界對(duì)于sf6設(shè)備的故障放電分解組份的檢測(cè)，國(guó)際標(biāo)準(zhǔn)iec60480-2004給出了氣相色譜法、離子色譜法、檢測(cè)管法、紅外吸收光譜法、氣體傳感器法、質(zhì)譜法。而gb/t8905-1996則僅僅選定氣相色譜法作為唯一標(biāo)準(zhǔn)。而這些傳統(tǒng)的氣體檢測(cè)方法存在著對(duì)檢測(cè)環(huán)境、檢測(cè)設(shè)備、檢測(cè)條件的高要求，并且在檢測(cè)靈敏度、檢測(cè)可靠性的局限性，在目前sf6設(shè)備監(jiān)測(cè)領(lǐng)域并沒(méi)有得到大力的推廣使用。

本專(zhuān)利基于的sf6組份信息來(lái)源于光聲光譜監(jiān)測(cè)信息，光聲光譜技術(shù)(photoacousticspectrometry,pas)是一種基于氣體光聲效應(yīng)的直接檢測(cè)技術(shù)，它通過(guò)測(cè)量待測(cè)氣體對(duì)光的吸收量(具體表現(xiàn)為內(nèi)能變化引起的壓力變化)而得到氣體的濃度信息，該方法可重復(fù)監(jiān)測(cè)sf6分解氣體，擁有較高的靈敏度。因此，本專(zhuān)利直接采用已開(kāi)發(fā)完成的光聲光譜法研制的氣體組分在線(xiàn)監(jiān)測(cè)系統(tǒng)所采集的組分信息實(shí)現(xiàn)氣體絕緣組合電器內(nèi)絕緣故障的有效識(shí)別。

目前，國(guó)內(nèi)外在輸變電裝備的故障診斷方法研究較多開(kāi)展于變壓器、電力電纜等設(shè)備，而對(duì)于氣體絕緣組合電器的故障診斷方面，在監(jiān)測(cè)技術(shù)及故障定位的研究較多，如專(zhuān)利號(hào)為zl201020204616.8的“一種氣體絕緣組合電器局部放電的在線(xiàn)監(jiān)測(cè)定位裝置”、專(zhuān)利號(hào)為zl201010156542.x的“檢測(cè)氣體絕緣組合電器設(shè)備內(nèi)部局部放電的方法和檢測(cè)定位裝置”等，極少有如何根據(jù)監(jiān)測(cè)的數(shù)據(jù)進(jìn)一步挖掘分析構(gòu)建有效的故障診斷方法的研究。

氣體絕緣組合電器絕緣的一體式結(jié)構(gòu)導(dǎo)致氣體絕緣組合電器絕緣現(xiàn)場(chǎng)的故障診斷及檢修十分困難，并且該設(shè)備離線(xiàn)檢修耗時(shí)長(zhǎng)，易帶來(lái)更大的經(jīng)濟(jì)損失。因此，如何實(shí)時(shí)的監(jiān)測(cè)設(shè)備內(nèi)部的故障信息，及時(shí)發(fā)現(xiàn)設(shè)備內(nèi)潛伏性故障的先期征兆，并對(duì)設(shè)備內(nèi)部故障做有效甄別，以便制定合理高效的檢修方案，從而提高設(shè)備的維護(hù)效率，避免設(shè)備故障帶來(lái)的經(jīng)濟(jì)損失。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)已開(kāi)發(fā)的光聲光譜法研制的氣體組分在線(xiàn)監(jiān)測(cè)系統(tǒng)所獲取的sf6氣體組分信息，提供有效的氣體絕緣組合電器絕緣故障識(shí)別方法，從而建立故障監(jiān)測(cè)信息與最終檢修方案之間的有效橋梁?；诠饴暪庾V法檢測(cè)到的組份信息相對(duì)于其他離線(xiàn)監(jiān)測(cè)方法(氣相色譜法、離子色譜法)相對(duì)較少，針對(duì)如何有效的構(gòu)建故障識(shí)別的原始特征量，并且從構(gòu)造的特征量中選取能有效的故障診斷量，本方案中提出了特征比值的特征構(gòu)造方案、最大相關(guān)最小冗余的特征選擇方案，并且利用支持向量機(jī)分類(lèi)器訓(xùn)練輸入的訓(xùn)練數(shù)據(jù)構(gòu)建故障辨器，從而最終實(shí)現(xiàn)故障類(lèi)型的識(shí)別，該方案為sf6氣體絕緣電氣設(shè)備的氣體組分故障診斷模型提供了技術(shù)支撐，并為有效的設(shè)備故障維修方案提供科學(xué)基礎(chǔ)，對(duì)于輸變電設(shè)備的合理維護(hù)有較高的實(shí)際工程意義。

本發(fā)明的技術(shù)方案為：

一種基于光聲光譜信息的氣體絕緣組合電器絕緣故障識(shí)別方法，其特征在于，包括：

步驟1，基于光聲光譜檢測(cè)組分信息構(gòu)建故障特征原始集，具體是：定義所能獲取的sf6設(shè)備故障特征監(jiān)測(cè)組分分別為g1、g2、g3、g4……gn氣體單位：μl/l，基于變壓器設(shè)備故障診斷技術(shù)的故障特征構(gòu)建方法，選取原始特征量、原始特征量的比值、原始特征量組合后進(jìn)行特征比值的方式，從而形成本發(fā)明構(gòu)建的sf6故障全故障原始特征量集合f；

步驟2，基于最大相關(guān)最小冗余準(zhǔn)則進(jìn)行故障特征優(yōu)選，具體是：在構(gòu)建的原始特征全集的基礎(chǔ)之上，引入最大相關(guān)最小冗余的特征優(yōu)選規(guī)則，構(gòu)建最優(yōu)的故障識(shí)別特征集。最大相關(guān)最小冗余的準(zhǔn)則主要是通過(guò)計(jì)算特征與故障類(lèi)別之間的相關(guān)性，獲取最大的相關(guān)性衡量信息，此外計(jì)算特征與特征之間的冗余性，獲取最小的冗余性衡量信息，最終進(jìn)一步平衡最大相關(guān)于最小冗余信息，從而搜索出最優(yōu)的故障識(shí)別特征量集。

步驟3，基于支持向量機(jī),識(shí)別絕緣故障類(lèi)型，具體是在數(shù)據(jù)組成的特征空間中，考慮尋找一個(gè)超平面，使得不同類(lèi)別的訓(xùn)練樣本正好位于超平面的兩側(cè)。svm算法在pd模式識(shí)別的大量應(yīng)用證明了該算法的優(yōu)越性能，本發(fā)明直接選用svm作為故障類(lèi)型識(shí)別的分類(lèi)器。

在上述的一種基于光聲光譜信息的氣體絕緣組合電器絕緣故障識(shí)別方法所述步驟2中，具體包括以下子步驟：

步驟2.1，引入互信息的理論計(jì)算兩個(gè)量之間的相關(guān)度，假設(shè)給定的兩個(gè)隨機(jī)變量x和y，它們的概率密度與聯(lián)合概率密度定為p(x)，p(y)，p(x,y)，則兩個(gè)變量之間的互信息公式定義為：因此可以從通過(guò)整理好的故障特征信息集中的樣本數(shù)據(jù)代入到互信息公式中進(jìn)行互信息的計(jì)算。

步驟2.2，利用公式計(jì)算特征變量fi與故障類(lèi)別c之間的互信息d，s為原始特征量集，|s|為特征集中特征量個(gè)數(shù)，因?yàn)橐邕x出與故障類(lèi)別相關(guān)度最大的特征量，此處計(jì)算的特征量與類(lèi)別之間的互信息預(yù)期獲取最大的互信息maxd(s,c)。利用公式計(jì)算特征集中兩兩特征量之間的互信息，如此處公式中計(jì)算的特征量fi與fj的互信息，因?yàn)橐邕x出特征量之間冗余度最小的特征量，此處計(jì)算特征量之間的互信息預(yù)期獲取最小的互信息minr(s)。

步驟2.3，在以上的最大相關(guān)準(zhǔn)則與最小冗余準(zhǔn)則的基礎(chǔ)上，通過(guò)算子φ1來(lái)衡量總的信息度：φ1：maxφ1(s,c),φ1＝αd-(1-α)r，該式子對(duì)最大相關(guān)與最小冗余作差，并引入權(quán)重系數(shù)α來(lái)平衡最大相關(guān)與最小冗余之間的相差量，從而可以適時(shí)地調(diào)整對(duì)這兩個(gè)信息量的需求度。

步驟2.4，代入樣本數(shù)據(jù)計(jì)算以上量。假設(shè)需要構(gòu)建的最優(yōu)特征集fm的特征個(gè)數(shù)為m個(gè)，而根據(jù)以上的準(zhǔn)則已經(jīng)選擇了最優(yōu)的n-1個(gè)特征，將之構(gòu)建成特征子集sn-1，則剩余的需要尋找的m-n+1的特征集可以記為{fm-sn-1}＝{fk,k＝1,2,……,m-n+1}。因此要計(jì)算sn，則要從{fm-sn-1}中找出第n個(gè)特征量，使得選擇的這第n個(gè)特征量與sn-1構(gòu)成的特征集合sn滿(mǎn)足上面制定的最大相關(guān)最小冗余準(zhǔn)則，即將第n個(gè)特征量代入算子φ1中計(jì)算得到的φ1能保持最大，由此可以通過(guò)計(jì)算來(lái)獲取第n個(gè)特征，從而得到原始特征量的優(yōu)劣。

本發(fā)明具有如下優(yōu)點(diǎn)：1.本發(fā)明提供了一種基于光聲光譜信息的氣體絕緣組合電器絕緣故障識(shí)別方法，完善了基于光聲光譜信息的sf6氣體絕緣電氣設(shè)備故障診斷理論，為光聲光譜技術(shù)在氣體絕緣狀態(tài)故障診斷及狀態(tài)評(píng)估領(lǐng)域的推廣應(yīng)用奠定了基礎(chǔ)。2.本發(fā)明在故障特征構(gòu)建的過(guò)程中，充分參考了其他輸變電設(shè)備故障特征構(gòu)建經(jīng)驗(yàn)，并且全面利用監(jiān)測(cè)到的故障信息，確保原始的故障特征信息的完整度；3.本發(fā)明在故障特征選擇的過(guò)程中，選用最大相關(guān)最小冗余的信息衡量準(zhǔn)則，獲取最優(yōu)的故障特征集，最大限度的獲取原始故障特征信息的有用信息，并且減少分類(lèi)器的負(fù)擔(dān)；4.本發(fā)明選用的支持向量機(jī)分類(lèi)器適合sf6分解組分信息小樣本的特征，能夠發(fā)揮優(yōu)良的分類(lèi)特性，確保分類(lèi)的準(zhǔn)確性；5.本發(fā)明涉及的基于光聲光譜信息的故障特征提取及故障識(shí)別方案可靠，以智能識(shí)別的方式輔助現(xiàn)場(chǎng)維修人員的故障判斷，可在實(shí)際工程現(xiàn)場(chǎng)推廣應(yīng)用。本發(fā)明充分利用光聲光譜的組分信息，引入特征比值的故障特征量構(gòu)建、最大相關(guān)最小冗余的故障特征集構(gòu)建、以及支持向量機(jī)分類(lèi)器的故障識(shí)別方案，充分考慮到原始信息的局限性，整個(gè)故障診斷流程嚴(yán)謹(jǐn)可靠。

附圖說(shuō)明

圖1為本發(fā)明基于最大相關(guān)最小冗余的故障特征量?jī)?yōu)選流程。

圖2為本發(fā)明支持向量機(jī)分類(lèi)器的實(shí)現(xiàn)結(jié)構(gòu)體系。

圖3為本發(fā)明氣體絕緣組合電器絕緣故障識(shí)別方法的實(shí)現(xiàn)流程。

具體實(shí)施方式

下面結(jié)合具體實(shí)施方式，進(jìn)一步說(shuō)明本發(fā)明。

一、首先介紹一下本發(fā)明的方法原理。

在使用本方法之前需要gis氣體組分光聲光譜在線(xiàn)監(jiān)測(cè)系統(tǒng)的先期數(shù)據(jù)準(zhǔn)備。利用先期積累大量的光聲光譜故障信息數(shù)據(jù)，構(gòu)建原始的訓(xùn)練數(shù)據(jù)庫(kù)，完成故障特征量的優(yōu)選以及支持向量機(jī)分類(lèi)器的訓(xùn)練，如圖3所示。本發(fā)明所支撐的光聲光譜檢測(cè)組分信息數(shù)據(jù)庫(kù)來(lái)源于先期開(kāi)展了大量的試驗(yàn)數(shù)據(jù)。

本發(fā)明所能獲取的sf6設(shè)備故障特征監(jiān)測(cè)組分分別為co、cf4、co2(氣體單位：μl/l)，借鑒變壓器設(shè)備故障診斷技術(shù)的故障特征構(gòu)建方法，本發(fā)明構(gòu)建的全故障特征量集合f9＝{co,cf4,co2,co/cf4,co/co2,cf4/co2,co+cf4/co2,co+co2/cf4,cf4+co2/co}。為了去除各特征參數(shù)物理單位干擾，僅從量值上來(lái)分析，將所有參量的數(shù)據(jù)規(guī)格化到[0，1]之間，本發(fā)明采取了以下的歸一化預(yù)處理：式中xi與分xi*別為原數(shù)據(jù)與歸一化數(shù)據(jù)，x與xi分別表示該特征量中所有樣本數(shù)據(jù)的最小值與最大值。整理好全故障特征量集f9后，本發(fā)明確定特征集所有樣本對(duì)應(yīng)的故障類(lèi)型有金屬突出物、絕緣子表面污穢、金屬微粒、氣隙，對(duì)應(yīng)的故障類(lèi)別標(biāo)簽為c＝{1，2，3，4}。

在構(gòu)建的原始數(shù)據(jù)庫(kù)集基礎(chǔ)上，然后使用本發(fā)明引入的最大相關(guān)最小冗余規(guī)則來(lái)搜索最優(yōu)的故障特征量集合，如圖1所示。

步驟1.1：此處設(shè)定需要構(gòu)建的最優(yōu)特征集fm的特征個(gè)數(shù)為9個(gè)，計(jì)算9個(gè)特征量對(duì)應(yīng)的d為從中挑出相關(guān)度最高的特征量為初定的特征量定為最優(yōu)的特征，構(gòu)成特征子集s1。

步驟1.2：然后公式maxφ1(s1,c),φ1＝αd-(1-α)r來(lái)選擇接下來(lái)的一個(gè)最優(yōu)特征量，公式中最大相關(guān)量d為最小冗余量r為換算后即通過(guò)計(jì)算來(lái)獲取第2個(gè)特征。

步驟1.3：用第一個(gè)特征和第二個(gè)特征構(gòu)成構(gòu)成特征子集s2，利用步驟2計(jì)算第三個(gè)最優(yōu)特征，構(gòu)成特征子集s3。

步驟1.4：重復(fù)步驟1.2和步驟1.3的過(guò)程，獲取構(gòu)建的原始特征量集合的所有最優(yōu)特征的排序。

支持向量機(jī)分類(lèi)識(shí)別過(guò)程中，通過(guò)以上過(guò)程對(duì)構(gòu)建的原始故障特征量集合進(jìn)行排序，然后依照該排序依次整理特征量集合的數(shù)據(jù)樣本形成特征量樣本數(shù)據(jù)集f-c，其中f為9個(gè)特征量構(gòu)成的樣本集，c為1、2、3、4即樣本對(duì)應(yīng)的故障類(lèi)型個(gè)數(shù)。

步驟2.1：對(duì)應(yīng)故障類(lèi)型個(gè)數(shù)為4個(gè)，因此可以構(gòu)建3個(gè)分類(lèi)器實(shí)現(xiàn)支持向量機(jī)的四分類(lèi)問(wèn)題。將3/4樣本代入公式求解這個(gè)優(yōu)化解，約束條件為其中因此可以獲取3個(gè)決策函數(shù)：((w¹)^tφ(f)+b¹)，((w²)^tφ(f)+b²)，((w³)^tφ(f)+b³)，然后用剩余的1/4樣本測(cè)試分類(lèi)器的分類(lèi)準(zhǔn)確率。

步驟2.2：依照最大相關(guān)最小冗余準(zhǔn)則獲取的最優(yōu)故障特征排序，依次構(gòu)建特征樣本集f1，f2，f3，……，f9與對(duì)應(yīng)的標(biāo)簽作為輸入，依照步驟2.1的方法訓(xùn)練分類(lèi)器并測(cè)試分類(lèi)器的分類(lèi)效果，對(duì)比分類(lèi)器的分類(lèi)準(zhǔn)確率，選擇最先達(dá)到分類(lèi)準(zhǔn)確率的特征集定為最優(yōu)的故障特征集f最優(yōu)。

步驟2.3：將最優(yōu)特征集f最優(yōu)的特征定為故障識(shí)別過(guò)程中最終選取的故障特征，將所采集到的所有歷史數(shù)據(jù)構(gòu)造該特征樣本，通過(guò)步驟2.1的方式訓(xùn)練已有的分類(lèi)器k。

步驟2.4：新采集到的故障信息樣本，構(gòu)建f最優(yōu)樣本代入分類(lèi)器k中獲取最終的故障識(shí)別樣本。

二、下面介紹一下采用上述方法的實(shí)施的一個(gè)具體案例。

基于本申請(qǐng)人開(kāi)發(fā)的光聲光譜法研制的氣體組分在線(xiàn)監(jiān)測(cè)系統(tǒng)所獲取的sf6氣體組分信息，對(duì)gis內(nèi)絕緣故障識(shí)別的的具體步驟如下：

(1)原始特征量全集及對(duì)應(yīng)故障標(biāo)簽構(gòu)建

本發(fā)明獲取了各故障類(lèi)型下sf6設(shè)備故障特征監(jiān)測(cè)組分co、cf4、co2(氣體單位：μl/l)樣本數(shù)據(jù)，分別為金屬突出物缺陷下故障樣本數(shù)據(jù)52條，自由金屬微粒缺陷下故障樣本42條，絕緣子表面污穢下故障樣本46條，絕緣子氣隙缺陷下故障樣本50條，共計(jì)故障樣本190條，本發(fā)明構(gòu)建的sf6故障全故障原始特征量集合f＝{co,cf4,co2,co/cf4,co/co2,cf4/co2,co+cf4/co2,co+co2/cf4,cf4+co2/co}，形成原始的故障特征量集合。

(2)最優(yōu)特征量集選取

計(jì)算190個(gè)樣本的9維特征量對(duì)應(yīng)的d為得到了最優(yōu)的特征為co+cf4/co2，構(gòu)成特征子集s1。然后通過(guò)計(jì)算來(lái)獲取第2、3、4……個(gè)特征，因?yàn)樵嫉墓收咸卣髁考卣鱾€(gè)數(shù)較少，因此更多的衡量最大相關(guān)性準(zhǔn)則，此處α選0.7。依次計(jì)算得到的特征排序?yàn)閧co+cf4/co2,cf4/co2,co,co/co2,cf4,co2,co+co2/cf4,cf4+co2/co,co/cf4}.

(3)支持向量機(jī)分類(lèi)步驟

此處識(shí)別四個(gè)故障類(lèi)型，可以構(gòu)建3個(gè)分類(lèi)器實(shí)現(xiàn)支持向量機(jī)的四分類(lèi)問(wèn)題。依次構(gòu)建特征樣本集f1，f2，f3，……，f9與對(duì)應(yīng)的標(biāo)簽作為輸入，將3/4樣本代入公式求解這個(gè)優(yōu)化解，約束條件為其中因此可以獲取3個(gè)決策函數(shù)：((w¹)^tφ(f)+b¹)，((w²)^tφ(f)+b²)，((w³)^tφ(f)+b³)，然后用剩余的1/4樣本測(cè)試分類(lèi)器的分類(lèi)準(zhǔn)確率，依次計(jì)算得到的分類(lèi)準(zhǔn)確率為0.5，0.62，0.66，0.72，0.80，0.85，0.85，0.85，0.85。直接選取前六個(gè)為最優(yōu)故障特征構(gòu)造集{co+cf4/co2,cf4/co2,co,co/co2,cf4,co2}。將新測(cè)試的十個(gè)樣本數(shù)據(jù)代入測(cè)試，通過(guò)本發(fā)明方法測(cè)試故障識(shí)別準(zhǔn)確率達(dá)到90％

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類(lèi)似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。