一种基于主成分分析‑支持向量机的单永故障识别方法与流程

本发明涉及一种基于主成分分析-支持向量机的单永故障识别方法，属于电力系统继电保护技术领域。

背景技术：

随着输电线路自适应重合闸技术的不断发展，其关键问题——如何快速地、可靠地识别永久性故障的研究得到了众多科学工作者的密切关注。永久性故障性质的判别方法的准确性和可行性直接决定着自适应重合闸技术的应用前景。而自适应重合闸技术的应用与发展，对提高输电线路传输效率，以至于整个电力系统的安全、可靠、稳定运行有着不可忽视的意义。

现有的永久性故障判别原理主要基于瞬时故障电弧特性和线路断开相恢复电压特性。由于故障电弧是一个十分复杂的物理化学过程，造成电弧的许多因素又是非线性的，要建立准确的电弧模型很困难，且不同类型的电弧特性亦存在差异，因此基于瞬时性电弧特性的判别方法难以实用化；现有基于瞬时性故障恢复电压的方法在电容电压小于线路耦合电压时会造成误判，存在死区。根据单永故障(slg)时,其断开相残余电压表现为很小的稳定幅值的工频正弦，而瞬时性故障则不然，其断开相恢复电压工频幅值存在显著差异的两个阶段，依此可构建基于恢复电压的单永故障自适应判据。

电力科研工作者针对于现有的带并联电抗器或是不带并联电抗器的输电线路均提出了若干永久性故障性质判别方法，根据输电线路上发生不同性质的故障情况下，断路器断开之后的电压、电流量不同阶段的行波特征，提出了基于二次电弧电压特性、瞬时性故障恢复电压特性、频率特性等多种判别方法。但这些方法中仍存在测量误差大、判别时间长、缺乏实测数据验证、缺乏普适性等欠缺，亟待进一步研究与验证。

技术实现要素：

本发明要解决的技术问题是提供一种基于主成分分析-支持向量机的单永故障识别方法，用以解决上述问题。

本发明的技术方案是：一种基于主成分分析-支持向量机的单永故障识别方法，当输电线路上发生故障时，断路器断开后，对量测端获得的断开相电压数据进行主成分分析，并建立主成分分析-支持向量机模型，根据样本数据在第一主成分(pc1)轴上的投影q1和第二主成分(pc2)轴上的投影q2的坐标(q1,q2)的分布，对应支持向量机输出值的不同来判别故障性质，若输出值为0，则判为瞬时性故障，若输出值为1，则判为永久性故障。

具体步骤为：

第一步、利用仿真数据形成历史样本：在故障初始相角为90°，过渡电阻分别为0ω和50ω的情况下，沿输电线路每隔5km设置一个故障位置，分别设置118条瞬时性单相故障，118条永久性单相故障；

第二步、对量测端m获得的236条故障电压样本数据进行截取，取断路器断开时刻后100ms到600ms时窗的数据进行归一化处理；

第三步、对第二步获得的归一化后数据进行主成分分析，构建由第一主成分(pc1)和第二主成分(pc2)为轴形成的主成分聚类空间，样本数据在该空间中以点(q1k，q2k)的形式分布(k＝1,2，…，236)；

第四步、对第三步中的主成分聚类空间中的样本点簇构建支持向量机模型，支持向量机中的径向基函数为核函数实现pca-svm学习判别机制；

第五步、根据第三步中所得的投影值(q1k，q2k)对应的支持向量机输出值进行单永故障识别，判别式如下：

若svm输出值为0，则判为瞬时性故障(1)

若svm输出值为1，则判为永久性故障。(2)

本发明的原来是：当输电线路上发生故障时，断路器断开后，对量测端获得的断开相电压数据进行主成分分析，并建立主成分分析-支持向量机模型，根据样本数据在第一主成分(pc1)轴上的投影q1和第二主成分(pc2)轴上的投影q2的坐标(q1,q2)的分布，对应支持向量机输出值的不同来判别故障性质。若输出值为0，则判为瞬时性故障，若输出值为1，则判为永久性故障。

本发明的有益效果是：提取不同性质故障情况下恢复电压、残余电压主要特征，将其样本投影在pca聚类空间中，将瞬时性故障和永久性故障进行分类，通过svm判别机制，可有效识别永久性故障。经仿真数据和实测数据验证，本发明不受故障条件影响，适应于带或不带并联电抗器的输电线路，以及不同电压等级的输电线路，是一种普适性的永久性故障判别方法。

附图说明

图1是本发明500kv输电线路仿真系统模型图；

图2是本发明示例1量测端m获得的故障相电压波形图；

图3是本发明故障初始相角为90°，过渡电阻分别为0ω和50ω的故障样本曲线簇图；

图4是本发明主成分聚类空间图；

图5是本发明示例1以径向基函数为核函数的pca-svm学习判别机制图；

图6是本发明示例2量测端m获得的故障相电压波形图；

图7是本发明示例2以径向基函数为核函数的pca-svm学习判别机制图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

一种基于主成分分析-支持向量机的单永故障识别方法，当输电线路上发生故障时，断路器断开后，对量测端获得的断开相电压数据进行主成分分析，并建立主成分分析-支持向量机模型，根据样本数据在第一主成分(pc1)轴上的投影q1和第二主成分(pc2)轴上的投影q2的坐标(q1,q2)的分布，对应支持向量机输出值的不同来判别故障性质，若输出值为0，则判为瞬时性故障，若输出值为1，则判为永久性故障。

具体步骤为：

第一步、利用仿真数据形成历史样本：在故障初始相角为90°，过渡电阻分别为0ω和50ω的情况下，沿输电线路每隔5km设置一个故障位置，分别设置118条瞬时性单相故障，118条永久性单相故障；

第二步、对量测端m获得的236条故障电压样本数据进行截取，取断路器断开时刻后100ms到600ms时窗的数据进行归一化处理；

第三步、对第二步获得的归一化后数据进行主成分分析，构建由第一主成分(pc1)和第二主成分(pc2)为轴形成的主成分聚类空间，样本数据在该空间中以点(q1k，q2k)的形式分布(k＝1,2，…，236)；

第四步、对第三步中的主成分聚类空间中的样本点簇构建支持向量机模型，支持向量机中的径向基函数为核函数实现pca-svm学习判别机制；

第五步、根据第三步中所得的投影值(q1k，q2k)对应的支持向量机输出值进行单永故障识别，判别式如下：

若svm输出值为0，则判为瞬时性故障(1)

若svm输出值为1，则判为永久性故障。(2)

实施例1：获取的南网广东某500kv交流输电线路在2013年7月1日14:21分发生了a相接地故障，南网广东500kv贤令山变故障录波装置获得的电压波形如图2所示；

利用仿真数据形成历史样本：在故障初始相角为90°，过渡电阻分别为0ω和50ω的情况下，沿线路mn每隔5km设置一个故障位置，分别设置118条瞬时性单相故障，118条永久性单相故障，故障样本曲线簇如图3所示。

对量测端m获得的236条故障电压样本数据进行截取，取断路器断开时刻后100ms到600ms时窗的数据，对其进行归一化处理。

对获得的归一化后数据进行主成分分析，构建由第一主成分(pc1)和第二主成分(pc2)为轴形成的主成分聚类空间如图4所示，样本数据在该空间中以点(q1k，q2k)的形式分布(k＝1,2，…，236)。

对构建的主成分聚类空间中的样本点簇构建支持向量机模型，支持向量机中的径向基函数为核函数实现pca-svm学习判别机制。形成的pca-svm学习判别机制如图5所示。

根据式(2)可知，测试数据svm输出为0，判定故障类型为瞬时性故障。

实施例2：已知某500kv交流输电线路全长300km，2012年8月3日14:39发生了c相接地故障，线路单端变电站获得的电压波形如图6所示；

利用仿真数据形成历史样本：在故障初始相角为90°，过渡电阻分别为0ω和50ω的情况下，沿线路mn每隔5km设置一个故障位置，分别设置118条瞬时性单相故障，118条永久性单相故障，故障样本曲线簇如图3所示。

对量测端m获得的236条故障电压样本数据进行截取，取断路器断开时刻后100ms到600ms时窗的数据，对其进行归一化处理。

对获得的归一化后数据进行主成分分析，构建由第一主成分(pc1)和第二主成分(pc2)为轴形成的主成分聚类空间如图4所示，样本数据在该空间中以点(q1k，q2k)的形式分布(k＝1,2，…，236)。

对构建的主成分聚类空间中的样本点簇构建支持向量机模型，支持向量机中的径向基函数为核函数实现pca-svm学习判别机制。形成的pca-svm学习判别机制如图7所示。

根据式(2)可知，测试数据svm输出为0，判定故障类型为瞬时性故障。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。