一種基于svm分類技術(shù)的電網(wǎng)故障原因診斷方法
【專利摘要】一種基于SVM(Support Vector Machine,支持向量機(jī))分類技術(shù)的故障原因診斷方法，利用電網(wǎng)中大量的歷史錄波數(shù)據(jù)，采用小波變換方法把原始信號分解為表達(dá)不同層次不同頻帶的特征向量，并通過實驗的結(jié)果選取最優(yōu)的核函數(shù)，進(jìn)而對歷史錄波數(shù)據(jù)進(jìn)行SVM分類模型訓(xùn)練，形成支持在線自動化故障原因預(yù)測模型。從而輔助電力專業(yè)人員結(jié)合實時錄波數(shù)據(jù)，在線對電網(wǎng)故障的原因進(jìn)行提前預(yù)測，以便及時采取對應(yīng)的保護(hù)措施，具有較強的實用價值。
【專利說明】
一種基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法
技術(shù)領(lǐng)域
[00011本發(fā)明屬于電力系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種針對電力系統(tǒng)的基于SVM(Support Vector Machine,支持向量機(jī))分類技術(shù)的故障原因診斷方法。
【背景技術(shù)】
[0002] 當(dāng)前，電網(wǎng)中存在大量的錄波裝置，實時記錄電網(wǎng)發(fā)生故障前后的電氣變量的時 序數(shù)據(jù)。目前對于此類數(shù)據(jù)，都是為了事后分析電網(wǎng)故障原因，分析手段一般也是以手動分 析為主，缺乏在線、大規(guī)模、自動化分析的手段。錄波器啟動記錄的條件往往是單一指標(biāo)的 超限，而且為了能夠在分析事故原因時提供充分證據(jù)，越限門檻值一般都設(shè)定得比較低。這 樣形成的結(jié)果是，很多錄波對應(yīng)的時刻，系統(tǒng)并沒有發(fā)生明顯異常，而個別故障時刻的重要 錄波，也只在事后分析時才發(fā)揮作用。長年積累下來大量的錄波文件，除了用于歷史備案且 占據(jù)大量的硬盤空間，卻沒有形成能幫助運行人員理解電網(wǎng)狀態(tài)的知識，以便能及時識別 故障原因及采取相應(yīng)的措施進(jìn)行應(yīng)對，甚至進(jìn)行預(yù)測以便制定必要的預(yù)防措施。
[0003] 在此背景下，本申請?zhí)岢鲆环N基于SVM分類技術(shù)的故障原因診斷方法，該方法屬于 一種數(shù)據(jù)驅(qū)動的方法，根據(jù)歷史上收集的設(shè)備監(jiān)測數(shù)據(jù)，自動訓(xùn)練、建立故障原因診斷模 型，探索大量錄波數(shù)據(jù)中蘊含的規(guī)律與模式，并將此規(guī)律和模式形成預(yù)測模型，結(jié)合實時錄 波數(shù)據(jù)在線電網(wǎng)故障的原因進(jìn)行及時判斷。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了解決當(dāng)前存在的問題:對錄波數(shù)據(jù)分析較為獨立、對大規(guī)模 的錄波數(shù)據(jù)并沒有綜合進(jìn)行利用，分析的自動化程度不高，一般都以手動分析為主，而且分 析的結(jié)果一般用于事后分析電網(wǎng)故障，不能將其中規(guī)律性的知識進(jìn)行挖掘和提煉，發(fā)揮其 更大價值。
[0005] 為解決上述技術(shù)問題，本發(fā)明具體采用以下技術(shù)方案：
[0006] 一種基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，其特征在于：
[0007] 利用電網(wǎng)中大量的歷史錄波數(shù)據(jù)，采用小波變換方法把原始數(shù)據(jù)信號分解為表達(dá) 不同層次不同頻帶的特征向量，對歷史錄波數(shù)據(jù)進(jìn)行SVM分類模型訓(xùn)練，獲得分類決策函 數(shù)，最后基于該分類決策函數(shù)對故障時的實時錄波數(shù)據(jù)進(jìn)行分析從而實現(xiàn)對電網(wǎng)故障原因 的診斷。
[0008] 所述診斷方法包括以下步驟：
[0009] 步驟1:從電網(wǎng)業(yè)務(wù)系統(tǒng)的原始錄波數(shù)據(jù)庫中獲取歷史錄波數(shù)據(jù)及故障信息形成 原始數(shù)據(jù)樣本集；
[0010] 步驟2:對步驟1中形成原始數(shù)據(jù)樣本集進(jìn)行預(yù)處理并通過插值形成規(guī)范的電壓/ 電流信號數(shù)據(jù)樣本；
[0011] 步驟3:將步驟2所得到的規(guī)范的電壓/電流信號數(shù)據(jù)樣本分解為表達(dá)不同層次不 同頻帶信息的數(shù)據(jù)序列即各階小波系數(shù)，對各階小波系數(shù)進(jìn)行能量計算，完成對規(guī)范的電 壓/電流信號數(shù)據(jù)樣本的特征提取，形成特征向量，并按照故障相別字母序的順序重新排列 組合，形成一個組合特征向量;
[0012] 步驟4:構(gòu)造訓(xùn)練樣本Di:
[0013] D, = [F^ /, FTypet]
[0014] 其中i為訓(xùn)練樣本序號，為步驟3最后形成的組合特征向量，F(xiàn)Typei是分類標(biāo)記 即為故障原因字段的值，故障原因包括山火、雷電、異物、樹木放電，每一故障原因字段的值 映射為一個數(shù)字；
[0015] 通過支持向量機(jī)(SVM)對訓(xùn)練樣本按照類別進(jìn)行分類訓(xùn)練，
[0016] 得到以下分類決策函數(shù)：
[0017] f'(X) = {prob(X,Ci) 11 = 1. .m},
[0018] 其中，X為待預(yù)測樣本，probKCO為待預(yù)測樣本X屬于某個類別&的概率，1為類別 的下標(biāo)，一共有m個類別；
[0019] 步驟5:采集實時錄波數(shù)據(jù)，將所采集的實時錄波數(shù)據(jù)用步驟2、3中同樣的特征提 取方法，將提取的實時故障錄波數(shù)據(jù)中的電流/電壓信號的特征向量根據(jù)按照故障相別字 母序的順序重新排列組合形成組合特征向量€",，其中P表示待預(yù)測樣本的序號；
[0020] 根據(jù)步驟4中訓(xùn)練得到的多分類決策函數(shù)：
[0021] f' (X) = {prob(X,Ci) 11 = 1. .m}
[0022] 將代替X，將所有的故障原因類別任選一個標(biāo)識為FType替換Ci，計算得到該預(yù) 測樣本屬于各個故障原因類別的概率。
[0023] 本發(fā)明具有以下有益的技術(shù)效果：
[0024] 本發(fā)明基于大數(shù)據(jù)技術(shù)的故障預(yù)測方法，克服了之前基于模型方法的建模復(fù)雜、 先驗參數(shù)確定的困難。不是針對單個錄波文件獨立進(jìn)行分析，而是將所有錄波數(shù)據(jù)整體上 進(jìn)行考慮，深度洞察隱藏于海量錄波文件中確定性的規(guī)律和模式。本發(fā)明便于輔助電力專 業(yè)人員快速對實時產(chǎn)生的錄波數(shù)據(jù)進(jìn)行分析并預(yù)判引起電網(wǎng)故障原因，以便及時采取對應(yīng) 的保護(hù)措施，具有較強的實用價值。
【附圖說明】
[0025]圖1為基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法流程圖；
[0026]圖2為從錄波中提取與挖掘相關(guān)的電壓電流信號。
【具體實施方式】
[0027]下面結(jié)合說明書附圖對本發(fā)明的技術(shù)方案做進(jìn)一步詳細(xì)介紹。
[0028] 本申請以一個基于某個電網(wǎng)的變電站的故障錄波數(shù)據(jù)來預(yù)測故障原因的實驗為 例，說明如何基于歷史數(shù)據(jù)預(yù)測電網(wǎng)故障。
[0029] 如附圖1所示，本申請公開的基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法具體包括 以下步驟：
[0030] 步驟1:從電網(wǎng)業(yè)務(wù)系統(tǒng)的原始錄波數(shù)據(jù)庫中獲取歷史錄波數(shù)據(jù)及故障信息形成 原始數(shù)據(jù)樣本集，其中，所述歷史錄波數(shù)據(jù)為故障錄波器或集中錄波器產(chǎn)生的錄波文件，所 述故障信息包括廠站、錄波產(chǎn)生時間、數(shù)據(jù)采樣頻率、故障時間、故障相別、故障通道號、故 障原因；
[0031]本發(fā)明以某電網(wǎng)為實施例，收集某電網(wǎng)的歷史故障錄波數(shù)據(jù)，如下表所示，樣本數(shù) 為200個，電流頻率為50HZ。
[0032]表1原始錄波信息表
[0033]
[0034]
[0035] 共中）站id列為）站的綱虧，時|日」為故障求汲數(shù)據(jù)的升妬生成時|日」。求汲數(shù)據(jù)中， 其內(nèi)容為發(fā)生故障前、后一段時間的狀態(tài)檢測數(shù)據(jù)，應(yīng)包含了故障的全過程監(jiān)測數(shù)據(jù)，表1 中，列舉了錄波文件相關(guān)的參數(shù)，錄波參數(shù)不限于表中所列。故障點是故障發(fā)生時刻所在的 數(shù)據(jù)點序號。故障原因為事后確認(rèn)的故障原因。
[0036] 步驟2:對步驟1中形成原始數(shù)據(jù)樣本集進(jìn)行預(yù)處理并通過插值形成規(guī)范電壓/電 流信號數(shù)據(jù)樣本。
[0037] 2.1首先對關(guān)鍵字段缺失的數(shù)據(jù)進(jìn)行篩除。這里關(guān)鍵字段為故障通道號、故障原 因。因為如果沒有此字段，將導(dǎo)致故障相關(guān)的電壓電流信號無法提取，訓(xùn)練樣本類別無法確 定。
[0038] 2.2其次，根據(jù)算法對數(shù)據(jù)質(zhì)量的要求，對原始的歷史錄波數(shù)據(jù)進(jìn)行判定，篩除質(zhì) 量不滿足要求的原始錄波數(shù)據(jù)。在這里，選取故障點前2個周波和故障后10個周波的數(shù)據(jù)作 為感興趣的區(qū)間。數(shù)據(jù)長度達(dá)不到此最小條件的樣本予以篩除。
[0039] 2.3之后將故障點前后12個周波數(shù)據(jù)，從原始數(shù)據(jù)中提取出來，作為數(shù)據(jù)樣本。因 小波變換后每層對應(yīng)的信號頻率為原始頻率的一半，因此為了保證樣本的一致性，按照統(tǒng) 一的頻率對提取出的樣本進(jìn)行插值。設(shè)定統(tǒng)一的頻率為5000,則其他頻率的樣本數(shù)據(jù)根據(jù) 此頻率進(jìn)行降采樣或插值，如圖2所示。
[0040] 2.4按照統(tǒng)一的頻率對提取出的電壓/電流信號數(shù)據(jù)樣本進(jìn)行插值，最終形成統(tǒng)一 采樣頻率的規(guī)范的電壓/電流信號數(shù)據(jù)樣本，此樣本中包含1^、1^、1](：、13、113、1(3對應(yīng)的數(shù)據(jù) 序列：〇11 3、0仙、〇11。、〇13、0心〇1。，其中，1^、1]13、1^、1&、113、1(3分別為所提取的三相提取出的電 壓/電流信號數(shù)據(jù)，〇^、〇此、〇 11。、〇13^1。為三相電壓/電流信號數(shù)據(jù)樣本所分別對應(yīng)的數(shù) 據(jù)序列。
[0041] 步驟3:將步驟2所得到的規(guī)范的電壓/電流信號數(shù)據(jù)樣本分解為表達(dá)不同層次不 同頻帶信息的數(shù)據(jù)序列即各階小波系數(shù)，對各階小波系數(shù)進(jìn)行能量計算，完成對規(guī)范的電 壓/電流信號數(shù)據(jù)樣本的特征提取，形成特征向量，并按照故障相別字母序的順序重新排列 組合，形成一個組合特征向量;
[0042] 具體方法是依次對規(guī)范電壓/電流信號數(shù)據(jù)樣本中的數(shù)據(jù)序列f(t)進(jìn)行小波變 換，表不為：
[0043]
[0044] 其中f(t)為電壓/電流信號數(shù)據(jù)序列，為〇113、0_、〇11。、013、0 1^1。，、為第如介的近似 信號即進(jìn)行小波變換分解的j階近似信號，Dk為第k階的細(xì)節(jié)信號，j表示設(shè)定的進(jìn)行小波變 換分解最大階數(shù)；
[0045] C〇fAq為小波變換第q階近似信號對應(yīng)的系數(shù)數(shù)組，cofDi-cofDq分別為小波變換 第q階細(xì)節(jié)信號對應(yīng)的系數(shù)數(shù)組；將cofA q和cofDi-cofDq組合成一個小波系數(shù)向量為 C〇fAll = [C0fAq，C0fDl, . . .cofDq]，進(jìn)而分別計算小波系數(shù)能量，小波近似系數(shù)的能量E (COfAq)為：
[0046]
[0047] 其中f為數(shù)組C〇fAq每個元素的下標(biāo)，lenq為數(shù)組cofA q的長度，g為數(shù)組cofAll的每 個元素下標(biāo)，lenaii為cofAll的長度；
[0048]細(xì)節(jié)系數(shù)的能量E(cofDk)為：
[0049]
[0050] 其中cofDk表示第k階小波細(xì)節(jié)系數(shù)數(shù)組，s為數(shù)組cofDk的下標(biāo)，lenk為數(shù)組cofDk 的長度，g為cof Al 1的下標(biāo)，lenaii為數(shù)組cof Al 1的長度；
[0051]將E(cofAj)、E(cofDk)進(jìn)行組合，形成欲提取的子特征向量Fu/i:
[0052] Fu/i = [E(cofAj)，E(cofDi)，E(cofD2)，· · .E(cofDj)]
[0053] 依次對于步驟2中的〇113、0仙、〇11。、〇13、〇1^〇1。分別進(jìn)行特征向量提取，形成6個子特 征向量而^1 1^11。、？1^1^1^將這6個子特征向量，按照故障相別字母序的順序重新排列 組合，形成一個組合特征向量。
[0054]因為狀態(tài)檢測數(shù)據(jù)一種生數(shù)據(jù)，在進(jìn)行模型訓(xùn)練前，需要將生數(shù)據(jù)轉(zhuǎn)換為熟數(shù)據(jù) 即特征數(shù)據(jù)，因此該過程根據(jù)設(shè)備類型的不同而不同。采用小波分析，對故障點前后12個周 波進(jìn)行信號分解，首先需要根據(jù)原始信號的特點選擇小波基，考慮到原始信號是電壓電流 信號，為正弦信號疊加異常信號，因此本實施例選擇db4小波基作為基函數(shù)。
[0055]利用小波變換可以對時間序列信號進(jìn)行特征提取，提取出可以代表時間序列信號 的向量數(shù)據(jù) FU/I=[E(C0fAj)，E(C0fDl)，E(C0fD2)，...E( C0fDj)]，完成從原始信號到特征 向量數(shù)據(jù)的變換。在本實施例中，用小波變換將原始信號分解到第5層。得到各個錄波數(shù)據(jù) 對應(yīng)的樣本如下表所示：
[0056] 表2錄波數(shù)據(jù)信號分解處理后形成的樣本
[0057]
[0058] 步驟4:構(gòu)造訓(xùn)練樣本Di:
[0059]
[0060] 其中i為訓(xùn)練樣本序號，/?為步驟3最后形成的組合特征向量，F(xiàn)Typei是分類標(biāo)記 即為故障原因字段的值，故障原因包括山火、雷電、異物、樹木放電等，每一故障原因字段的 值映射為一個數(shù)字；
[0061] 通過支持向量機(jī)(SVM)對訓(xùn)練樣本按照類別進(jìn)行分類訓(xùn)練：
[0062]支持向量機(jī)（SVM)是一種經(jīng)典二分類模型，通過在原特征空間或經(jīng)投影后的高維 空間上構(gòu)造最優(yōu)分類面，將給定的屬于兩個類別的訓(xùn)練樣本分開。支持向量機(jī)模型訓(xùn)練的 過程是構(gòu)造超平面的過程，其依據(jù)是兩類樣本離超平面的距離最大化，在訓(xùn)練中通過利用 已知樣本與類別，在本發(fā)明中已知樣本為和類別FTyp ei，可得到分離超平面：
[0063] ω* · x+b* = 0
[0064] 其中為超平面參數(shù)，x為訓(xùn)練樣本，最終得到二分類決策函數(shù)為
[0065] f(X) =sgn( ω* · X+b*)
[0066] 為訓(xùn)練得到的超平面參數(shù)，X為輸入的測試樣本，sgn函數(shù)根據(jù)樣本X距離超 平面的距離，返回+1或-1，表示該樣本屬于二類中的哪一類。
[0067]由于SVM解決的是二分類問題，而本發(fā)明處理的情況是多分類的情況，因此采用通 常的一對一法(one-versus-one，簡稱0V0)處理多分類問題，分類決策函數(shù)變?yōu)椋?br>[0068]得到以下分類決策函數(shù)：
[0069] f'(X) = {prob(X,Ci) 11 = 1. .m},
[0070] 其中，X為待預(yù)測樣本，ρΓ〇ΜΧ，ω為待預(yù)測樣本X屬于某個類別(^的概率，1為類別 的下標(biāo)，一共有m個類別。
[0071 ] prob(X，Cu)定義如下：
[0072
[0073] 其中，右式上部表示判定X類別為Cu的總次數(shù)，表示類別為CU，CV時二分 類超平面參數(shù)，sgn函數(shù)為二分類決策函數(shù)，當(dāng)sgn函數(shù)返回值為1表示樣本X屬于Cu類別，計 數(shù)值加 1;右式下部為判定的總次數(shù)，設(shè)定類別的數(shù)目為m，則共有2mX(m-l)個二分類別對； 訓(xùn)練中將故障原因類別相同的樣本進(jìn)行歸集，依次取出兩個類別C U，CV的樣本，進(jìn)行訓(xùn)練得 到其對應(yīng)的超平面參數(shù)^￡_^、，循環(huán)這個過程直到遍歷完畢所有的類別對，得到所有 的超平面參數(shù)，進(jìn)而分類決策函數(shù)f'（X)的參數(shù)得到確定。
[0074] 以一個樣本的特征向量生成作為例子，比如樣本1的故障相別為B，經(jīng)過之前步驟 提出來各個電壓電流的子特征向量為?113{_、？11。{ 13、？1^?1^那么最終形成的該樣本對應(yīng) 的組合特征向量為：
[0075] <Fub,Fuc,Fua,Fib,Fic,Fia>
[0076] 另外，進(jìn)行訓(xùn)練時，需要將樣本類別進(jìn)行數(shù)值化處理，建立如下映射表：
[0077]表3故障類別映射表
[0078] '[0079]最終的訓(xùn)練樣本數(shù)據(jù)集為:
' '
[0080] 表4訓(xùn)練樣本數(shù)據(jù)集
[0081]
[0082] 將得到的訓(xùn)練數(shù)據(jù)集輸入訓(xùn)練模型，得到多類別預(yù)測函數(shù)即分類預(yù)測模型。
[0083] 步驟5:步驟5:采集實時錄波數(shù)據(jù)，將所采集的實時錄波數(shù)據(jù)用步驟2、3中同樣的 特征提取方法，將提取的實時錄波數(shù)據(jù)中的電流/電壓信號的特征向量根據(jù)按照故障相別 字母序的順序重新排列組合形成組合特征向量€;\其中P表示待預(yù)測樣本的序號；
[0084] 根據(jù)步驟4中訓(xùn)練得到的多分類決策函數(shù)：
[0085] f' (X) = {prob(X,Ck) | k = 1. .m}
[0086] 將代替X，將所有的故障原因類別任選一個標(biāo)識為FType替換Ck，計算得到該預(yù) 測樣本屬于各個故障原因類別的概率。
[0087] 分類預(yù)測模型訓(xùn)練完成后，需結(jié)合實時錄波數(shù)據(jù)進(jìn)行故障原因診斷。實時錄波數(shù) 據(jù)從保護(hù)裝置條件觸發(fā)產(chǎn)生上送到上位機(jī)，或者由上位機(jī)定時召喚采集。實時錄波數(shù)據(jù)及 相關(guān)信息類似表1，但其沒有故障原因這一列的信息，此列正是這一步驟需要計算給出的結(jié) 果。將一批用于測試的實時錄波數(shù)據(jù)，按照步驟2)至4)的處理過程，將原始數(shù)據(jù)轉(zhuǎn)換為模型 的輸入向量，對故障原因進(jìn)行預(yù)測和驗證，預(yù)測結(jié)果如表5所示：
[0088] 表5預(yù)測結(jié)果
[0089]
[0090]由表的結(jié)果可以看出，對于測試的8個實時錄波數(shù)據(jù)，除了6和7號數(shù)據(jù)樣本，其他 樣本的預(yù)測結(jié)果與樣本的實際所屬類別是一致的。同時在6和7號數(shù)據(jù)樣本中，數(shù)據(jù)樣本的 預(yù)測結(jié)果與實際類別較為接近，如6號數(shù)據(jù)樣本實際類別為"外力破壞"，預(yù)測結(jié)果中，類別 為"外力破壞"和"異物"的概率分別為18.8 3 %和5 0.64 %，分別為概率最大的前兩位；同樣7 號數(shù)據(jù)樣本實際類別為"異物"，而預(yù)測結(jié)果中，類別為"雷電"和"異物"的概率分別為 39.93%和 25.98%。
[0091]
【申請人】結(jié)合說明書附圖對本發(fā)明的實施例做了詳細(xì)的說明與描述，但是本領(lǐng)域技 術(shù)人員應(yīng)該理解，以上實施例僅為本發(fā)明的優(yōu)選實施方案，詳盡的說明只是為了幫助讀者 更好地理解本發(fā)明精神，而并非對本發(fā)明保護(hù)范圍的限制，相反，任何基于本發(fā)明的發(fā)明精 神所作的任何改進(jìn)或修飾都應(yīng)當(dāng)落在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，其特征在于： 利用電網(wǎng)中大量的歷史錄波數(shù)據(jù)，采用小波變換方法把原始數(shù)據(jù)信號分解為表達(dá)不同 層次不同頻帶的特征向量，對歷史錄波數(shù)據(jù)進(jìn)行SVM分類模型訓(xùn)練，獲得分類決策函數(shù)，最 后基于該分類決策函數(shù)對故障時的實時錄波數(shù)據(jù)進(jìn)行分析從而實現(xiàn)對電網(wǎng)故障原因的診 斷。2. -種基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，其特征在于，所述診斷方法包括W 下步驟： 步驟1:從電網(wǎng)業(yè)務(wù)系統(tǒng)的原始錄波數(shù)據(jù)庫中獲取歷史錄波數(shù)據(jù)及故障信息形成原始 數(shù)據(jù)樣本集； 步驟2:對步驟1中形成原始數(shù)據(jù)樣本集進(jìn)行預(yù)處理并通過插值形成規(guī)范的電壓/電流 信號數(shù)據(jù)樣本； 步驟3:將步驟2所得到的規(guī)范的電壓/電流信號數(shù)據(jù)樣本分解為表達(dá)不同層次不同頻 帶信息的數(shù)據(jù)序列即各階小波系數(shù)，對各階小波系數(shù)進(jìn)行能量計算，完成對規(guī)范的電壓/電 流信號數(shù)據(jù)樣本的特征提取，形成特征向量，并按照故障相別字母序的順序重新排列組合， 形成一個組合特征向量巧 步驟4:構(gòu)造訓(xùn)練樣本化：其中i為訓(xùn)練樣本序號，巧,,為步驟3最后形成的組合特征向量，F(xiàn)Typei是分類標(biāo)記即為 故障原因字段的值，故障原因包括山火、雷電、異物、樹木放電，每一故障原因字段的值映射 為一個數(shù)字； 通過支持向量機(jī)(SVM)對訓(xùn)練樣本按照類別進(jìn)行分類訓(xùn)練， 得到W下分類決策函數(shù)： f' (X) = {prob(X,Ci) 11 = 1. .m}, 其中，X為待預(yù)測樣本，prob(X，Ci)為待預(yù)測樣本X屬于某個類別Cl的概率，1為類別的下 標(biāo)，一共有m個類別； 步驟5:采集實時錄波數(shù)據(jù)，將所采集的實時錄波數(shù)據(jù)用步驟2、3中同樣的特征提取方 法，將提取的實時故障錄波數(shù)據(jù)中的電流/電壓信號的特征向量根據(jù)按照故障相別字母序 的順序重新排列組合形成組合特征向量巧自，其中P表示待預(yù)測樣本的序號； 根據(jù)步驟4中訓(xùn)練得到的多分類決策函數(shù)： f' (X) = {prob(X,Ci) 11 = 1. .m} 將f/',代替X，將所有的故障原因類別任選一個標(biāo)識為FType替換Ci，計算得到該預(yù)測樣 本屬于各個故障原因類別的概率。3. 根據(jù)權(quán)利要求2所述的基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，其特征在于： 在步驟1中，所述歷史錄波數(shù)據(jù)為故障錄波器或集中錄波器產(chǎn)生的錄波文件，所述故障 信息包括廠站、錄波產(chǎn)生時間、數(shù)據(jù)采樣頻率、故障時間、故障相別、故障通道號、故障原因。4. 根據(jù)權(quán)利要求2或3所述的基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，其特征在于： 在步驟2中，對原始數(shù)據(jù)樣本集的預(yù)處理和插值包括W下內(nèi)容： 2.1篩除關(guān)鍵字段缺失的原始數(shù)據(jù)樣本，所述關(guān)鍵字段包括故障通道號、故障原因； 2.2篩除數(shù)據(jù)長度小于設(shè)定值的原始數(shù)據(jù)樣本，所述設(shè)定值是指故障前2個周波和故障 后10個周波共12個周波的數(shù)據(jù)長度； 2.3針對故障通道號所指向的電壓/電流信號數(shù)據(jù)，將故障點前后12個周波的電壓/電 流信號數(shù)據(jù)，從原始錄波文件中提取出來； 2.4按照統(tǒng)一的頻率對提取出的電壓/電流信號數(shù)據(jù)樣本進(jìn)行插值，最終形成統(tǒng)一采樣 頻率的規(guī)范的電壓/電流信號數(shù)據(jù)樣本，此樣本中包含化、師、Uc、la、Ib、Ic對應(yīng)的數(shù)據(jù)序 列：〇113、0化、0化、〇13、0比、〇1。，其中，11日、化、恥、1日、化、1〇分別為所提取的；相提取出的電壓/ 電流信號數(shù)據(jù)，Dua、Dub、Duc、Dia、Dib、〇1。為；相電壓/電流信號數(shù)據(jù)樣本所分別對應(yīng)的數(shù)據(jù)序 列。
【文檔編號】G01R31/08GK105974265SQ201610279840
【公開日】2016年9月28日
【申請日】2016年4月29日
【發(fā)明人】徐延明, 丁柏玲, 張利強
【申請人】北京四方繼保自動化股份有限公司