一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法与流程

本发明属于气体绝缘组合电器的在线监测及故障诊断领域，具体涉及一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法。

背景技术：

随着电网的快速发展，sf6电气设备由于其优良的经济性、可靠性，近十年在输变电网络中大量装备，然而，在设备在制造和使用过程中产生的绝缘故障给电力系统的安全稳定运行造成不可忽视的影响。多年来国内外对sf6设备的在线监测与故障诊断技术开展了大量的研究，通过有效的监测手段获取sf6气体在不同故障形式下的分解成分，建立故障类型与分解气体之间特性关系，从而形成行之有效的故障诊断方法，用于故障监测。

目前工业界对于sf6设备的故障放电分解组份的检测，国际标准iec60480-2004给出了气相色谱法、离子色谱法、检测管法、红外吸收光谱法、气体传感器法、质谱法。而gb/t8905-1996则仅仅选定气相色谱法作为唯一标准。而这些传统的气体检测方法存在着对检测环境、检测设备、检测条件的高要求，并且在检测灵敏度、检测可靠性的局限性，在目前sf6设备监测领域并没有得到大力的推广使用。

本专利基于的sf6组份信息来源于光声光谱监测信息，光声光谱技术(photoacousticspectrometry,pas)是一种基于气体光声效应的直接检测技术，它通过测量待测气体对光的吸收量(具体表现为内能变化引起的压力变化)而得到气体的浓度信息，该方法可重复监测sf6分解气体，拥有较高的灵敏度。因此，本专利直接采用已开发完成的光声光谱法研制的气体组分在线监测系统所采集的组分信息实现气体绝缘组合电器内绝缘故障的有效识别。

目前，国内外在输变电装备的故障诊断方法研究较多开展于变压器、电力电缆等设备，而对于气体绝缘组合电器的故障诊断方面，在监测技术及故障定位的研究较多，如专利号为zl201020204616.8的“一种气体绝缘组合电器局部放电的在线监测定位装置”、专利号为zl201010156542.x的“检测气体绝缘组合电器设备内部局部放电的方法和检测定位装置”等，极少有如何根据监测的数据进一步挖掘分析构建有效的故障诊断方法的研究。

气体绝缘组合电器绝缘的一体式结构导致气体绝缘组合电器绝缘现场的故障诊断及检修十分困难，并且该设备离线检修耗时长，易带来更大的经济损失。因此，如何实时的监测设备内部的故障信息，及时发现设备内潜伏性故障的先期征兆，并对设备内部故障做有效甄别，以便制定合理高效的检修方案，从而提高设备的维护效率，避免设备故障带来的经济损失。

技术实现要素：

本发明的目的是针对已开发的光声光谱法研制的气体组分在线监测系统所获取的sf6气体组分信息，提供有效的气体绝缘组合电器绝缘故障识别方法，从而建立故障监测信息与最终检修方案之间的有效桥梁。基于光声光谱法检测到的组份信息相对于其他离线监测方法(气相色谱法、离子色谱法)相对较少，针对如何有效的构建故障识别的原始特征量，并且从构造的特征量中选取能有效的故障诊断量，本方案中提出了特征比值的特征构造方案、最大相关最小冗余的特征选择方案，并且利用支持向量机分类器训练输入的训练数据构建故障辨器，从而最终实现故障类型的识别，该方案为sf6气体绝缘电气设备的气体组分故障诊断模型提供了技术支撑，并为有效的设备故障维修方案提供科学基础，对于输变电设备的合理维护有较高的实际工程意义。

本发明的技术方案为：

一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法，其特征在于，包括：

步骤1，基于光声光谱检测组分信息构建故障特征原始集，具体是：定义所能获取的sf6设备故障特征监测组分分别为g1、g2、g3、g4……gn气体单位：μl/l，基于变压器设备故障诊断技术的故障特征构建方法，选取原始特征量、原始特征量的比值、原始特征量组合后进行特征比值的方式，从而形成本发明构建的sf6故障全故障原始特征量集合f；

步骤2，基于最大相关最小冗余准则进行故障特征优选，具体是：在构建的原始特征全集的基础之上，引入最大相关最小冗余的特征优选规则，构建最优的故障识别特征集。最大相关最小冗余的准则主要是通过计算特征与故障类别之间的相关性，获取最大的相关性衡量信息，此外计算特征与特征之间的冗余性，获取最小的冗余性衡量信息，最终进一步平衡最大相关于最小冗余信息，从而搜索出最优的故障识别特征量集。

步骤3，基于支持向量机,识别绝缘故障类型，具体是在数据组成的特征空间中，考虑寻找一个超平面，使得不同类别的训练样本正好位于超平面的两侧。svm算法在pd模式识别的大量应用证明了该算法的优越性能，本发明直接选用svm作为故障类型识别的分类器。

在上述的一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法所述步骤2中，具体包括以下子步骤：

步骤2.1，引入互信息的理论计算两个量之间的相关度，假设给定的两个随机变量x和y，它们的概率密度与联合概率密度定为p(x)，p(y)，p(x,y)，则两个变量之间的互信息公式定义为：因此可以从通过整理好的故障特征信息集中的样本数据代入到互信息公式中进行互信息的计算。

步骤2.2，利用公式计算特征变量fi与故障类别c之间的互信息d，s为原始特征量集，|s|为特征集中特征量个数，因为要甄选出与故障类别相关度最大的特征量，此处计算的特征量与类别之间的互信息预期获取最大的互信息maxd(s,c)。利用公式计算特征集中两两特征量之间的互信息，如此处公式中计算的特征量fi与fj的互信息，因为要甄选出特征量之间冗余度最小的特征量，此处计算特征量之间的互信息预期获取最小的互信息minr(s)。

步骤2.3，在以上的最大相关准则与最小冗余准则的基础上，通过算子φ1来衡量总的信息度：φ1：maxφ1(s,c),φ1＝αd-(1-α)r，该式子对最大相关与最小冗余作差，并引入权重系数α来平衡最大相关与最小冗余之间的相差量，从而可以适时地调整对这两个信息量的需求度。

步骤2.4，代入样本数据计算以上量。假设需要构建的最优特征集fm的特征个数为m个，而根据以上的准则已经选择了最优的n-1个特征，将之构建成特征子集sn-1，则剩余的需要寻找的m-n+1的特征集可以记为{fm-sn-1}＝{fk,k＝1,2,……,m-n+1}。因此要计算sn，则要从{fm-sn-1}中找出第n个特征量，使得选择的这第n个特征量与sn-1构成的特征集合sn满足上面制定的最大相关最小冗余准则，即将第n个特征量代入算子φ1中计算得到的φ1能保持最大，由此可以通过计算来获取第n个特征，从而得到原始特征量的优劣。

本发明具有如下优点：1.本发明提供了一种基于光声光谱信息的气体绝缘组合电器绝缘故障识别方法，完善了基于光声光谱信息的sf6气体绝缘电气设备故障诊断理论，为光声光谱技术在气体绝缘状态故障诊断及状态评估领域的推广应用奠定了基础。2.本发明在故障特征构建的过程中，充分参考了其他输变电设备故障特征构建经验，并且全面利用监测到的故障信息，确保原始的故障特征信息的完整度；3.本发明在故障特征选择的过程中，选用最大相关最小冗余的信息衡量准则，获取最优的故障特征集，最大限度的获取原始故障特征信息的有用信息，并且减少分类器的负担；4.本发明选用的支持向量机分类器适合sf6分解组分信息小样本的特征，能够发挥优良的分类特性，确保分类的准确性；5.本发明涉及的基于光声光谱信息的故障特征提取及故障识别方案可靠，以智能识别的方式辅助现场维修人员的故障判断，可在实际工程现场推广应用。本发明充分利用光声光谱的组分信息，引入特征比值的故障特征量构建、最大相关最小冗余的故障特征集构建、以及支持向量机分类器的故障识别方案，充分考虑到原始信息的局限性，整个故障诊断流程严谨可靠。

附图说明

图1为本发明基于最大相关最小冗余的故障特征量优选流程。

图2为本发明支持向量机分类器的实现结构体系。

图3为本发明气体绝缘组合电器绝缘故障识别方法的实现流程。

具体实施方式

下面结合具体实施方式，进一步说明本发明。

一、首先介绍一下本发明的方法原理。

在使用本方法之前需要gis气体组分光声光谱在线监测系统的先期数据准备。利用先期积累大量的光声光谱故障信息数据，构建原始的训练数据库，完成故障特征量的优选以及支持向量机分类器的训练，如图3所示。本发明所支撑的光声光谱检测组分信息数据库来源于先期开展了大量的试验数据。

本发明所能获取的sf6设备故障特征监测组分分别为co、cf4、co2(气体单位：μl/l)，借鉴变压器设备故障诊断技术的故障特征构建方法，本发明构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}。为了去除各特征参数物理单位干扰，仅从量值上来分析，将所有参量的数据规格化到[0，1]之间，本发明采取了以下的归一化预处理：式中xi与分xi*别为原数据与归一化数据，x与xi分别表示该特征量中所有样本数据的最小值与最大值。整理好全故障特征量集f9后，本发明确定特征集所有样本对应的故障类型有金属突出物、绝缘子表面污秽、金属微粒、气隙，对应的故障类别标签为c＝{1，2，3，4}。

在构建的原始数据库集基础上，然后使用本发明引入的最大相关最小冗余规则来搜索最优的故障特征量集合，如图1所示。

步骤1.1：此处设定需要构建的最优特征集fm的特征个数为9个，计算9个特征量对应的d为从中挑出相关度最高的特征量为初定的特征量定为最优的特征，构成特征子集s1。

步骤1.2：然后公式maxφ1(s1,c),φ1＝αd-(1-α)r来选择接下来的一个最优特征量，公式中最大相关量d为最小冗余量r为换算后即通过计算来获取第2个特征。

步骤1.3：用第一个特征和第二个特征构成构成特征子集s2，利用步骤2计算第三个最优特征，构成特征子集s3。

步骤1.4：重复步骤1.2和步骤1.3的过程，获取构建的原始特征量集合的所有最优特征的排序。

支持向量机分类识别过程中，通过以上过程对构建的原始故障特征量集合进行排序，然后依照该排序依次整理特征量集合的数据样本形成特征量样本数据集f-c，其中f为9个特征量构成的样本集，c为1、2、3、4即样本对应的故障类型个数。

步骤2.1：对应故障类型个数为4个，因此可以构建3个分类器实现支持向量机的四分类问题。将3/4样本代入公式求解这个优化解，约束条件为其中因此可以获取3个决策函数：((w¹)^tφ(f)+b¹)，((w²)^tφ(f)+b²)，((w³)^tφ(f)+b³)，然后用剩余的1/4样本测试分类器的分类准确率。

步骤2.2：依照最大相关最小冗余准则获取的最优故障特征排序，依次构建特征样本集f1，f2，f3，……，f9与对应的标签作为输入，依照步骤2.1的方法训练分类器并测试分类器的分类效果，对比分类器的分类准确率，选择最先达到分类准确率的特征集定为最优的故障特征集f最优。

步骤2.3：将最优特征集f最优的特征定为故障识别过程中最终选取的故障特征，将所采集到的所有历史数据构造该特征样本，通过步骤2.1的方式训练已有的分类器k。

步骤2.4：新采集到的故障信息样本，构建f最优样本代入分类器k中获取最终的故障识别样本。

二、下面介绍一下采用上述方法的实施的一个具体案例。

基于本申请人开发的光声光谱法研制的气体组分在线监测系统所获取的sf6气体组分信息，对gis内绝缘故障识别的的具体步骤如下：

(1)原始特征量全集及对应故障标签构建

本发明获取了各故障类型下sf6设备故障特征监测组分co、cf4、co2(气体单位：μl/l)样本数据，分别为金属突出物缺陷下故障样本数据52条，自由金属微粒缺陷下故障样本42条，绝缘子表面污秽下故障样本46条，绝缘子气隙缺陷下故障样本50条，共计故障样本190条，本发明构建的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)最优特征量集选取

计算190个样本的9维特征量对应的d为得到了最优的特征为co+cf4/co2，构成特征子集s1。然后通过计算来获取第2、3、4……个特征，因为原始的故障特征量集特征个数较少，因此更多的衡量最大相关性准则，此处α选0.7。依次计算得到的特征排序为{co+cf4/co2,cf4/co2,co,co/co2,cf4,co2,co+co2/cf4,cf4+co2/co,co/cf4}.

(3)支持向量机分类步骤

此处识别四个故障类型，可以构建3个分类器实现支持向量机的四分类问题。依次构建特征样本集f1，f2，f3，……，f9与对应的标签作为输入，将3/4样本代入公式求解这个优化解，约束条件为其中因此可以获取3个决策函数：((w¹)^tφ(f)+b¹)，((w²)^tφ(f)+b²)，((w³)^tφ(f)+b³)，然后用剩余的1/4样本测试分类器的分类准确率，依次计算得到的分类准确率为0.5，0.62，0.66，0.72，0.80，0.85，0.85，0.85，0.85。直接选取前六个为最优故障特征构造集{co+cf4/co2,cf4/co2,co,co/co2,cf4,co2}。将新测试的十个样本数据代入测试，通过本发明方法测试故障识别准确率达到90％

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。