一种基于支持向量机的输电线路故障识别方法和装置与流程

1.本发明属于输电线路故障识别领域，涉及针对输电线路中雷击与非雷击、绕击与反击的识别方法，尤其是一种基于支持向量机的输电线路故障识别方法。


背景技术：

2.在当前电网发展越来越开，无论是由于输电线路上的雷击或电气工程设备的开发而引起的雷击，还是由于雷击而被迫退出电网运行，都会使电网退出运行。将对设备和传输系统的稳定性造成毁灭性的打击，有可能引发连锁反应，导致管理系统崩溃，影响企业的正常工作，甚至影响生产包括日常生产和工业社会的生活。因此模拟雷电的干扰，从近处看，它可以精准输电线路故障类型判断，帮助现场工作人员采取必要的线路故障处理，从长远看，可以对检测到的信号可以形成数据库，进行地区分析，以帮助相关人员更有针对性地进行线路防雷保护设计，进而区域供电可靠性，推进智能电网中差异化防雷的发展。因此对于输电线路故障的识别为输电线路安全稳定运行的提供重要支撑。


技术实现要素：

3.本发明旨在提高目前输电线路故障的识别率，提供一种基于支持向量机的输电线路故障识别方法。
4.本发明采用以下技术方案。提供一种基于支持向量机的输电线路故障识别方法。
5.一种基于支持向量机的输电线路故障识别方法，包括：采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
6.根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
7.基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
8.根据各支持向量机模型的准确度确定各支持向量机模型的权重；
9.根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
10.进一步地，平均过零率的计算公式如下：
[0011][0012][0013]
其中n为行波数据长度，x(i)为行波第i个数值，sgn[x]为符号函数。进一步地，所述电流行波近似熵值的计算方法如下：
[0014]
确定两个参数m和r，其中m为模式维数，r为相似容限值；
[0015]
1.原始数据为x(1),x(2)
……
x(n)，共n个点；
[0016]
2.将序列x(n)按顺序组成m维的矢量y(i)，即y(i)＝[x(i),x(i+1),
…
x(i+m-1)],i＝1～n-m+1；
[0017]
3.定义矢量y(i)与y(j)之间的距离为d(i,j)＝max[|x(i+k)-x(j+k)|],其中k＝0～m-1；
[0018]
4.对于每个i≤n-m+1,统计距离d(i,j)小于r的数目nr及此数目与总数的比值及此数目与总数的比值
[0019]
5.将取对数，在对所有的的对数求平均值得到
[0020][0021]
6.维数变为m+1时重复2-5，得到最终电流行波近似熵值apen(m,r,n)，
[0022]
再进一步地，模式维数m取值为2，相似容限值r的取值为0.2std，std为原始序列的标准差。
[0023]
进一步地，还包括对训练数据集进行归一化。
[0024]
进一步地，所述根据各支持向量机模型的准确度确定各支持向量机模型的权重，包括：
[0025]
根据平均过零率训练的支持向量机模型的权重为：
[0026][0027]
根据电流行波近似熵值训练的支持向量机模型的权重为：
[0028][0029]
根据小波能量谱训练的支持向量机模型的权重为：
[0030][0031]
其中p1为根据平均过零率训练的支持向量机模型的准确率，p2为根据
[0032]
电流行波近似熵值训练的支持向量机模型的准确率，p3为根据小波能量谱训练的支持向量机模型的准确率。
[0033]
第二方面，本发明还提供了一种基于支持向量机的输电线路故障识别装置，包括：
[0034]
数据采集模块，用于采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
[0035]
模型训练模块：用于根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
[0036]
准确度计算模块，用于基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
[0037]
权重计算模块，用于根据各支持向量机模型的准确度确定各支持向量机模型的权
重；
[0038]
故障识别结果确定模块，用于根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
[0039]
本发明所取得的有益技术效果：
[0040]
1、选取平均过零率、近似熵值、小波能量谱等特征量，很好的区分输电线路的雷击非雷击故障的特征，提高了支持向量机算法的准确率。
[0041]
2、能较好的解决小样本、非线性等实际问题，算法的效率以及准确率高，能够很好的实现输电线路故障分类。
附图说明
[0042]
图1为本发明的识别方法流程图；
[0043]
图2为小波分解示意图。
具体实施方式
[0044]
下面通过实施例，并结合附图，对本发明的技术方案作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0045]
一种基于支持向量机的输电线路故障识别方法，流程如图1所示，包括：
[0046]
步骤1、采集故障行波信号，对于行波数据提取特征值，包含平均过零率、近似熵值、小波能量谱。
[0047]
步骤1.1、提取平均过零率，过零率表示行波经过0值线的频率，表征了一个行波信号的振荡频率，若x(n)为行波信号，n为行波信号个数，其计算公式如下。
[0048][0049][0050]
步骤1.2、电流行波近似熵值，计算近似熵时，需要输入两个参数m、r(其中m称为模式维数，r称为相似容限)。m可认为是比较序列的长度，r可认为是一个有效的阈值。
[0051]
1、设原始数据为x(1),x(2)
……
x(n)，共n个点。
[0052]
2、将序列x(n)按顺序组成m维的矢量y(i)，即y(i)＝[x(i),x(i+1),
…
x(i+m-1)],i＝1～n-m+1
[0053]
3、定义矢量y(i)与y(j)之间的距离为d(i,j)＝max[|x(i+k)-x(j+k)|],其中k＝0～m-1
[0054]
4、给定阈值r，对于每个i≤n-m+1,统计d(i,j)小于r的数目及此数目与总数的比值，记作值，记作
[0055]
5、将取对数，然后在对所有的i求平均值得到取对数，然后在对所有的i求平均值得到
[0056]
6、维数变为m+1时重复2-5，得到最终
取m＝2，r＝0.2std(std为原始序列的标准差)
[0057]
步骤1.3、小波能量谱，首先对行波信号进行多分辨率的分解，如图2所示，对信号分解出来的低频分量进行再一次的分解，而高频分量不进行分解，信号f(k)可以表示为f＝d1+d2+...+dj+cj[0058]
小波变换后得到各个尺度上的小波系数，该尺度上的能量可用小波系数的平方和来表示，第i层的小波能量表示为：低频近似系数能量表示为用来表示高频和低频能量比。
[0059]
步骤2确定训练数据集，并对数据归一化。归一化采用0均值标准化(z-score standardization)方法：其中，x代表输入样本，y代表分类结果，mean为所有样本的均值，std为所有样本的标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
[0060]
步骤3.将单一特征的训练集送入支持向量机中，经过训练集的多次迭代后完成训练，以此类推，完成所有单一特征的向量机的训练过程。在训练过后保存新的训练参数。
[0061]
步骤4.根据步骤3得到的特征量模型分析测试数据集得到故障结果，并计算各模型的准确度，若平均过零率的准确度为p1，近似熵值的准确度为p2，小波能量谱准确度为p3。
[0062]
步骤5.根据步骤4得到各模型的准确度，计算各模型的权重，平均过零率权重比例近似熵值的权重比例小波能量谱的权重比例为对于某一测试数据，平均过零率得到的计算值为v1，近似熵值计算值为v2，小波能量谱的计算值为v3，其中v1、v2、v3∈(1,-1)，1代表雷击，-1代表非雷击。重新构造判据w＝q1*v1+q2*v2+q3*v3，若w≥0，则结果为雷击，若w＜0，则结果为非雷击。
[0063]
本发明选取平均过零率、近似熵值、小波能量谱等特征量，很好的区分输电线路的雷击非雷击故障的特征，为支持向量机算法的准确率提供很好的支撑。
[0064]
与以上实施例相对应地，本发明具体实施例还提供了一种基于支持向量机的输电线路故障识别装置，包括：
[0065]
数据采集模块，用于采集历史故障行波数据，对于行波数据提取选定类别的特征值，所选定类别的述特征值包括平均过零率、电流行波近似熵值和小波能量谱；
[0066]
模型训练模块：用于根据提取的各类特征值确定训练数据集；利用各类特征值的训练数据分别训练支持向量机模型；
[0067]
准确度计算模块，用于基于各类特征值训练的支持向量机模型分析测试数据得到故障结果，并计算各支持向量机模型的准确度；
[0068]
权重计算模块，用于根据各支持向量机模型的准确度确定各支持向量机模型的权重；
[0069]
故障识别结果确定模块，用于根据各支持向量机模型的权重和各支持向量机模型分析待故障识别的输电线路行波数据得到的故障结果确定最终的故障识别结果。
[0070]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0071]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0072]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0073]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0074]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0075]
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。