一种基于SVM的配电网装置设备故障分析方法

一种基于svm的配电网装置设备故障分析方法
技术领域
1.本发明涉及一种配电网终端装置设备故障风险分析的技术，具体是一 种基于svm的风险评估方法。


背景技术：

2.电网电气设备的运行状况对电力系统的安全可靠性影响重大，电气设 备故障往往会造成用户停电，导致直接的经济损失，且需要花费大量的时 间和费用进行维护和检修。因此，对于电气设备应采用科学合理的运维方 法，提高检修的针对性和有效性，发现问题于萌芽状态并及时解决，从而 保障系统的安全性和供电的可靠性，为电网创造更多的经济效益和社会效 益。随着智能电网的提出和发展，电网设备优化管理越来越得到国内外电 力部门的关注；多功能、多状态的在线监测技术和离线检测技术得到推广 和应用，为
3.对电网设备实现主动运维的前提条件是能够做出设备的状态评电网 设备状态检修工作提供了有效手段；高度信息化管理模式、远程可观可控 设备诊断技术将给电网设备状态检修策略的系统化提供越来越多的技术 支撑。尤其是在智能电网的发展趋势下，电网设备的主动运维技术显现更 为重要。价。以成套柱上开关为例，其状态评价涉及到众多状态量，包括 高低压进出线回路电流、电压、功率、电量、谐波、三相平衡度、短路故 障、高低压电缆温度、低压回路泄漏电流、雷击及接地电流、局放、周界 状态、环境温湿度、温湿度、烟感、渗水漏水状况等，各状态量变化情况 对其健康状态都有直接或间接影响。
4.电网设备故障概率取决于其运行的健康状态，直接影响到其运行风险， 是设备风险评估中最为重要基础数据之一，并在极大程度上决定了整个电 网风险水平。过去根据统计分析所得的电气设备故障概率存在可信度低、 应用滞后的问题。而随着物联网技术的不断发展，电气设备基础数据的准 确性和有效性得到进一步提升。因此，根据实时监测数据以及历史统计数 据推测成套柱上开关的故障概率情况是必不可少的工作，能够并为设备检 测安排提供科学、具体的参考。


技术实现要素：

5.本发明的目的是为了克服现有技术的不足，提供一种基于svm的配电 网装置设备故障分析方法，该方法利用机器学习的方法，学习设备在正常 和异常影响下的不同状态特点及后果，对10千伏配电线路的不同故障类 型进行综合的分析量化；本发明综合考虑了电压电流温度等多种状态量对 配电网的影响，并结合电网自身，以及线路在电网中的重要程度，综合分 析不同故障情况下的风险特征。本发明缓解了现有的电网线路故障风险预 警不及时，控制箱未配置远传通信接口，开关状态和正常遥测量无法上传 的问题。处于下游的分支线路故障时，开关跳闸将导致分支线路停电，因 为无法及时实现远方停电告警，停电抢修需要通过抢修电话报警通知才能 启动实施，造成停电时间过长，继而增加用户的停电损失。本发明以支持 向量机算法代替层次分析法，而且还考虑了线路在电网结构中的重要程度， 从作为电网防灾规划的参考来说，可以带来更好的经济效益。
6.实现上述目的的一种技术方案是：一种基于svm的配电网装置设备故 障分析方法，包括如下步骤：
7.步骤1，选取铁定的一条配电网线路，收集近一年时间里线路上的正 常或者故障情况下的电压电流温度参数；
8.步骤2，对所得数据进行预处理；
9.步骤3，根据训练样本，训练支持向量机分类模型，得到属性累加参 数和分类域值。
10.进一步的，步骤2中数据预处理的过程包括数据的清洗、转换、集成， 具体为以下步骤：
11.步骤2.1，从ftu终端采集装置收集正常运行状态下的训练数据；
12.步骤2.2，根据录波文件，利用matlab代码读取comtrade录波文件 里的故障数据；
13.步骤2.3，根据训练数据，提取各个属性值，成为属性累加参数，为 每个属性组添加类别标号，正常为1，异常为-1，组成各类别的训练样本。
14.进一步的，在收集了故障和正常数据后，存入数据仓库，根据svm的 原理流程编写算法程序，训练包括基于线性支持向量机和用核函数实现的 训练，选取典型日的正常与故障样本特征，对训练数据进行分类。
15.进一步的，属性累加参数为与各个传感器节点分别对应的所有属性累 加参数，对于一个支持向量机分类模型，分类域值为一个。
16.进一步的，在分类过程中，将所有的正常数据和异常数据分别全部录 入，并从头开始访问对比，当访问完所有节点，将n维数据累加在一起， 再加上误差值，求得训练数据所属的类别。
17.进一步的，故障等级按实测数据对于正常数据的偏离程度进行划分。
18.与现有技术成果相比，本发明充分考虑了温度，电压，电流等不同的 特征参数，在传统供配电网故障风险分析的基础上，通过理论筛选，采取 svm的机器算法，使得故障分类更准确，提高整个系统的风险评估能力， 进而能够及时排查故障信息，降低停电影响。
附图说明
19.图1为本发明的一种基于svm的配电网装置设备故障分析方法的实施 例流程图；
20.图2为本发明的一种基于svm的配电网装置设备故障分析方法的svm 算法原理图。
具体实施方式
21.为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例 进行详细地说明：
22.请参阅图1本发明的一种基于svm的配电网装置设备故障分析方法， 包括如下步骤：
23.步骤1，选取铁定的一条配电网线路，收集近一年时间里线路上的正 常或者故障情况下的电压电流温度参数；
24.步骤2，对所得数据进行预处理；
25.步骤3，根据训练样本，训练支持向量机分类模型，得到属性累加参 数和分类域
值。属性累加参数为与各个传感器节点分别对应的所有属性累 加参数，对于一个支持向量机分类模型，分类域值为一个。
26.步骤2中数据预处理的过程包括数据的清洗、转换、集成，具体为以 下步骤：
27.步骤2.1，从ftu终端采集装置收集正常运行状态下的训练数据；
28.步骤2.2，根据录波文件，利用matlab代码读取comtrade录波文件 里的故障数据；
29.步骤2.3，根据训练数据，提取各个属性值，成为属性累加参数，为 每个属性组添加类别标号，正常为1，异常为-1，组成各类别的训练样本。
30.在收集了故障和正常数据后，存入数据仓库，根据svm的原理流程编 写算法程序，训练包括基于线性支持向量机和用核函数实现的训练，选取 典型日的正常与故障样本特征，对训练数据进行分类。在分类过程中，将 所有的正常数据和异常数据分别全部录入，并从头开始访问对比，当访问 完所有节点，将n维数据累加在一起，再加上误差值，求得训练数据所属 的类别。
31.故障等级按实测数据对于正常数据的偏离程度进行划分。
32.在ftu控制箱中，安装一套物联网终端采集装置，实现开关电源侧供 电pt(ac220v，单相)电压测量，三相电流测量，零序电流测量，开关状 态检测。正常时，定时上送两遥信息，故障时，开关变位信息实时上传。 装置具备故障诊断功能，即如果是过流导致线路停电或柱上开关分开，装 置将主动上报短路跳闸。装置具备故障录波功能，任何情况发生开关分闸 或者电压跌落，均启动电压、电流有效值录波，以供后续事故分析。
33.在实际的操作过程中，根据ftu终端装置给出的数据，以及comtrade 文件读取出来的故障数据为例，选取当天的异常数据，正常数据以及发生 故障的前后两天的正常数据作对比。
34.选取了发生故障当天的异常数据，以及故障当天的其余正常数据和前 后两天运行的正常数据。将所有数据录入后，先按照正常数据和异常数据 的分类打上标签作为样本数据，然后分别将剩余的数据当成训练数据，利 用svm算法进行验证。
35.按照本发明中所述的方法，可以基本实现远程的故障数据分类，进而 实现故障风险的分析排查；提高整个系统的风险评估能力，进而能够及时 排查故障信息，降低停电影响
[0036][0037][0038][0039]
本发明的一种配电网终端装置设备故障风险分析的技术，主要是使用 了机器学习中的支持向量机分类方法。线性支持向量机方法是从线性可分 的情况下的最优分类面提出的。svm学习的基本想法是求解能够正确划分 训练数据集并且几何间隔最大的分离超平面。图2为现有技术中二维两类 线性可分情况下，最优分类面的示意图。图中实心点和空心点表示了两类 训练样本，这两类训练样本是线性可分的，中间虚线包围的区间为把两类 训练样本没有错误地分开的分类面。所谓最优分类面就是要求分类面不但 能将两类无错误的分开，且要使两类的分类间隔最大的直线。要得到最优 分类面也就是求解最优分类函数，下面介绍其求解过程。
[0040]
设线性可分的训练样本的集合为(xi，yi)，i＝1，2，
…
，n，i表示训 练样本的数目。
xi∈rd，rd表示d维实数空间；yi∈{+1，-1}是类别标号。 d维空间中线性判别函数的一般形式为g(x)＝w
·
x+b，分类面方程为：
[0041]w·
x+b＝0
ꢀꢀꢀ
(1)
[0042]
将判别函数归一化，使两类的所有训练样本都满足|g(x)≥1|，即离分 类面最近的样本的|g(x)＝1|，这样分类间隔就等于(等价于使||w||2最 小)。要求分类面对所有训练样本都能够正确分类，则需要满足下面(2)式 的约束条件：
[0043]
yi[ωxi)+b]-1≥0，i＝1，2，
…
，n
ꢀꢀꢀ
(2)
[0044]
因此，满足(2)式的约束条件且使||w||2最小的分类面就是最优分类面。 过两类训练样本中离分类面最近的点且平行于最优分类面的超平面上的 训练样本就是使(2)中等号成立的那些训练样本，它们叫做支持向量，如 图2中圆圈标出的点所示。
[0045]
求解最优分类面，也就是在(2)成立的条件下求解下面(3)式所示函数 的最小值：
[0046][0047]
s.t.yi(ω
·
xi+b)≥1，i＝1，2，...，n
ꢀꢀꢀ
(3)
[0048]
为求解(3)式，可以定义如下的拉格郎日(lagrange)函数：
[0049][0050]
其中，αi为lagrange系数，且αi＞0。要求解(3)式，也就是对w和b 求lagrange函数的极小值。
[0051]
设求解得到的αi的最优解为α
*i
，w的最优解为w
*
，b的最优解为b
*
， 则得到最优分类函数为：
[0052]
f(x)＝sign(ω
*
·
x+b
*
)
ꢀꢀꢀ
(5)
[0053]
(5)式即为线性可分的支持向量机分类方法。(5)式中，w
*
和b
*
为常数， xi、yi表示取值为i＝1，2，
…
，n的训练样本。x是测试样本，f(x)是测 试样本的类别标号。将测试样本x代入(5)，由于w
*
和b
*
为常数，xi和yi为已知数，便可计算得到测试样本的类别标号f(x)。
[0054]
2、近似线性支持向量机分类方法。
[0055]
当训练样本线性不可分时，不是所有的训练样本都能满足约束条件(2) 式，此时，可以对第i个训练样本引入松弛变量ξi≥0，把约束条件放松为 yi[(ω
·
xi)+b]+ξi≥1。这样，就会有两个目标：1)仍然希望间隔足够大； 2)同时希望错划程度尽可能小。为了把这两个目标综合为一个目标，可以 引入一个惩罚参数c作为综合两个目标的权重，即极小化目标函数。
[0056]
这样，求解得到近似线性可分的支持向量机分类方法，包括如下的过 程：
[0057]
1)设训练样本集为：(xi，yi)，其中，i＝1，2，
…
，n，xi∈rd，yi∈ {+1，-1}是类别标号；
[0058]
2)选择合适的惩罚参数c，且c＞0，构造并求解最优化问题：
[0059]
[0060][0061]
使得0≤αi≤c，i＝1，
…
，n，得到最优解α
*
[0062]
在上述的k函数中中，内积函数适用于训练样本为r维空间中线性可 分或近似线性可分的情况，对于训练样本为r维空间中线性不可分的情况， 可以设法通过非线性变换转化成另一个空间中的线性问题。在支持向量机 理论中，该转换采用核函数(或者正定核函数)来实现，其定义为：设x是 rd中的一个子集，称定义在x
×
x上的函数k(xi，x)是核函数。
[0063]
当需要利用核函数对样本空间进行变换时，需要利用核函数k(xi，x) 取代线性空间中使用的(xi·
x)。对于核函数，常用的有下面几种：线性核： k(xi，x)＝(xi·
x)；多项式核：k(xi，x)＝((xi·
x)+coef)deg；sigmoid核： k(xi，x)tan(gamma
×
(xi·
x)+coef其中，gamma和coef为核函数对应的参数。
[0064]
3)计算得到b的最优解b
*
：
[0065]
4)构造分划超平面w
*
·
x+b
*
＝0，由此求得最优分类函数：
[0066][0067]
(7)式即为近似线性可分的支持向量机分类方法。(7)式中，w
*
和b
*
为 常数，xi、yi表示取值为i＝1，2，
…
，n的训练样本。x是测试样本，f(x) 是测试样本的类别标号。将测试样本x代入(7)式，由于w
*
和b
*
为常数， xi、yi为已知数，通过(7)式便可计算得到测试样本的类别标号f(x)。上述 得到的(5)和(7)又称为决策函数。
[0068]
根据上面的分析，下面介绍本发明实施的分布式支持向量机分类方法。 从(5)和(7)可以看出，当训练样本线性可分或者近似线性可分时，求得的 决策函数具有相同的表达形式。因为xi和x都是d维向量，为了便于区分， 本发明实施例把它们分别表示为xi＝[xi(1)xi(2)
…
xi(d)]和x＝ [x(1)x(2)
…
x(d)]。
[0069]
当支持向量机分类方法训练完成后，由于b
*
均为已知的，而(xi，yi) 为训练样本，显然都是常数，这里将其称为属性累加参数，将b
*
称为分类 域值。因此，决策函数(5)和(7)都可以通过检测样本x的各个分量与对应 常数的乘积，也就是测试样本的各个属性值与对应属性累加参数的乘积， 再加上b
*
后求解符号函数得到，根据符号函数的结果得到对应的类别。
[0070]
根据前述的理论，下面介绍本发明实施例基于comtrade录波文件的 数据分类方法的具体方案的流程图。参见图1，为本发明实施例基于 comtrade录波文件的数据分类方法的示例性流程图。该方法包括以下步骤：
[0071]
首先选取了特定的一条配电网线路，收集近一年时间里线路上的正常 或者故障情况下的电压电流温度等重要参数；
[0072]
接着，对所得数据进行初始化。初始化的具体过程，包括以下步骤： 1)从ftu控制箱收集正常运行状态下的训练数据。2)根据录波文件，利 用matlab代码读取comtrade录波文件里的故障数据。3)根据训练数据， 提取各个属性值，为每个属性组添加类别标号，(正常为1，异常为-1)， 组成各类别的训练样本。
[0073]
然后，根据训练样本，训练支持向量机分类模型，得到属性累加参数 和分类域值。
所述属性累加参数为与各个传感器节点分别对应的所有属性 累加参数。对于一个支持向量机分类模型，所述分类域值为一个。所述训 练支持向量机分类模型的过程参见前述得到公式(5)、(7)的过程。所述训 练包括基于核函数实现的训练。
[0074]
在分类过程中，将所有的正常数据和异常数据分别全部录入，并从头 开始访问对比。当访问完所有节点，将n维数据累加在一起，再加上b
*
， 就可求得f(x)的值，进而求得x所属的类别。
[0075]
下面以具体实施案例为例。在ftu控制箱中，安装一套物联网终端采 集装置，实现开关电源侧供电pt(ac220v，单相)电压测量，三相电流测 量，零序电流测量，开关状态检测。正常时，定时上送两遥信息，故障时， 开关变位信息实时上传。装置具备故障诊断功能，即如果是过流导致线路 停电或柱上开关分开，装置将主动上报短路跳闸。装置具备故障录波功能， 任何情况发生开关分闸或者电压跌落，均启动电压、电流有效值录波，以 供后续事故分析。
[0076]
在实际的操作过程中，根据ftu终端装置给出的数据，以及comtrade 文件读取出来的故障数据为例，选取当天的异常数据，正常数据以及发生 故障的前后两天的正常数据作对比。
[0077]
选取了发生故障当天的异常数据，以及故障当天的其余正常数据和前 后两天运行的正常数据。将所有数据录入后，先按照正常数据和异常数据 的分类打上标签作为样本数据，然后分别将剩余的数据当成训练数据，利 用svm算法进行验证。接着，又将故障日前后两天的正常数据与训练数据 进行对比，对比数据可知，实现了正常数据的判定。再比对故障日的异常 数据与相邻两天的正常数据，可以发现故障数据与正常数据存在明显的差 别，训练效果显著。
[0078]
由以数据对比可得，按照本发明中所述的方法，可以基本实现远程的 故障数据分类，进而实现故障风险的分析排查；提高整个系统的风险评估 能力，进而能够及时排查故障信息，降低停电影响
[0079]
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说 明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围 内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。