一种基于振动信号支持向量机的GIL故障在线监测系统的制作方法

本发明涉及高压输电线路与在线监测技术领域，具体涉及一种基于振动信号支持向量机的GIL故障在线监测系统。

背景技术：

气体绝缘金属封闭输电线路GIL)是一种采用SF6或其他气体绝缘、外壳与导体同轴布置的高电压、大电流、长距离电力传输设备，具有输电容量大、占地少、布置灵活、可靠性高、维护量小、寿命长、环境影响的显著优点。随着近年来城市化建设的大力推进和特高压电网建设的不断发展，城市电网负荷增长、西电东输工程应用GIL在我国的使用逐渐增多。

作为传统地下电缆输电在极限容量场合和架空线在某些特殊使用场合的有效补充，以其输送容量大、损耗低、电磁辐射低、空间利用率高等优点逐渐取代传统架空输电线路与高压电缆。然而在其大规模应用过程中，作为其稳定运行的保障，GIL故障监测的方式逐渐成为了人们关注的焦点。传统的检测方式存在安全风险高，需要停电作业等问题急需解决。

在GIL的制造、运输、装配、调试和运行的过程中均有可能产生故障如局部放电、绝缘设备故障、贯穿性放电等。在排查故障与日常检修监测时由于GIL的长度较长，无法对故障位置进行及时准确定位，检修时需要将设备解体，耗费大量的人力、物力、财力，同时会耽误检修进程，造成不必要的经济损失。

目前在GIL的监测试验中，有采用振动或超声信号监测的方法来定位故障位置。然而，现有的检测装置在实际应用中还存在以下一些技术问题：

1)目前针对GIL的故障诊断研究，主要集中在放电性故障的检测技术研究上，对于基于振动信号的机械故障检测方法的相关研究还不够深入。

2)系统的各监测装置与终端之间通过光纤电缆等有线方式进行数据传输，这种方式可实现数据实时传输以及各装置之间的时间同步，但由于GIL线路过长，有线传输信号成本过高，且检修难度增大。

3)系统的各监测装置与终端之间通过无线设备进行通讯，其优点是无需光纤等特定传输线路，降低成本。检修过程中，只需对监测装置经行维护，无需对线路进行保养检修。装置故障时，更换检修容易。体积小，安装使用方便。缺点是无法实现各检测装置之间的时间同步。

4)对GIL常见故障的诊断缺乏有力的手段，无法实现在线监测与诊断，基于监测信号对GIL故障的类型及发生故障的大致位置进行判断。

发明专利内容

本发明的目的在于提供一种基于振动信号支持向量机的GIL故障在线监测系统，具有结构简易、体积小、安装及使用方式简单等特点。

为实现以上目的，本发明提出了以下的技术方案：

一种基于振动信号支持向量机的GIL故障在线监测系统，包括固定于被测GIL的支柱绝缘子处外壳上的振动传感器、与所述振动传感器的输出端连接的数据采集器，所述数据采集器通过无线方式连接无线网关，经由所述无线网关连接至终端计算机，所述终端计算机可通过基于支持向量机的故障识别模型来判断GIL是否存在故障，确定故障类型及进行故障定位，所述支持向量机对GIL故障进行诊断的主要步骤如下：

1)获取振动加速度信号：获取不同GIL状态下的振动加速度信号，以GIL的状态类型作为标签进行分类，相应的振动加速度信号数据作为对应的数据样本；

2)提取特征参数：提取振动加速度信号在时域、频域和时频域三个方面的特征参数；

3)建立并训练SVM故障诊断模型：对GIL不同状态下的振动加速度信号进行特征提取，借助LIBSVM工具箱进行SVM故障诊断模型的建立与训练，

所述故障诊断模型的数学表达式如下：

其中，σ为核宽度参数；

4)根据故障诊断模型诊断故障，确定故障类型及进行故障定位。

所述数据采集器包括依次连接的放大器、滤波器、模数转换器、微控制器MCU、无线通讯模块，所述放大器连接于所述振动传感器的输出端，所述无线通讯模块通过无线电信号与所述无线网关连接。

所述振动传感器为加速度传感器，其+3dB频率覆盖50Hz～15kHz。

所述振动传感器贴设于绝缘子外壳上，其大小与曲度可根据绝缘子外壳尺寸而调整。

通过终端计算机发送含有时间信息的无线电信号，实现各个数据采集器与终端计算机的时间同步，具体步骤如下：

a)将终端计算机时间设为基准；

b)通过无线信号发射时间信号至数据采集装置；

c)各个数据采集器同时接收到时间信号，根据信号实现所有数据采集器的时间同步。

所述步骤2)中特征参数的提取，具体步骤为：

A、提取时域内的有量纲特征向量A＝[A1、A2、...、A10]和无量纲特征向量B＝[B1、B2、...、B6]；

B、提取频域特征向量E＝[E1、E2、...、E5]；

C、提取时频域特征向量：

D、筛选出包含13个特征值的特征向量：

T＝[A6,A7,A8,A9,B5,B2,B3,p2,p1,p4,E1,E3,E5]；

E、从上述13个特征值的特征向量中，根据90％的贡献度进行维数的改变，进而生成最终的维数较低的特征向量T＝[E1、A9、E3、E5、p2]。

本发明的有益效果为：

本发明故障在线监测系统不需要GIL停电，也不需要解体GIL即可进行，是实施可行性高、经济方便且有效的排查方式；同时能够实时监测GIL运行状态，并通过无线设备将信息发送至地面监测站，确保GIL的稳定运行。解决了GIL通道检测与故障分析时，带电作业风险高，断电作业过程复杂，影响能量传输等问题。且具有结构简易、体积小、安装及使用方式简单等特点。

附图说明

图1为实施例中数据采集与传输示意图。

图2为实施例中数据采集器方框图。

图3为实施例中基于振动信号的GIL故障诊断流程示意图。

图4为实施例中故障状态2下的振动加速度信号图。

图5为实施例中故障状态2下的振动加速度信号小波包分解结果图。

图6为实施例中各特征值对应不同样本类型的变化情况图。

图7为实施例中PCA主成分贡献图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

一种基于振动信号支持向量机的GIL故障在线监测系统，主要包括贴于各个被测GIL的支柱绝缘子处外壳上的振动传感器、与振动传感器的输出端连接的数据采集器，数据采集器通过无线方式连接无线网关，经由无线网关连接至终端计算机。

通过安装于GIL三相绝缘子处外表面，通过贴片式振动传感器采集通道的震动信息，将之通过信号发射装置发射至地面基站，地面基站利用接收到的信号通过软件与特定数据进行比较分析从而断定GIL线路运行状态和故障部位及原因。

特定数据是通过实验室进行相关模拟实验，绘制GIL不同状态下所对应的不同震动波形图，建立相关数据库，用以对比分析。

还包括电源部分，使用小型太阳能电池板与微型锂电池相结合的方式进行供电。阳光充足时使用太阳能电池板进行供电，富余电量储存于锂电池中。阳光不充足时使用锂电池进行补偿。太阳能电池功率:约1W，锂电池容量：2000mAH。

系统的检测部分分为240度双导轨圆弧支架(支架顶部为一平面防水盒，内部用以安装微型芯片与电池，表面用以固定太阳能电池板)、曲面贴片式振动传感器、条状防滑固定装置。

检测部分的安装方式及安装部位：本产品通过组装，将支架与贴片式传感器连接后，将微型芯片与锂电池固定于支架顶部防水绝缘盒中后在其表面固定安装光伏发电板，连接线路后，安装于GIL线路中的三相绝缘子处。

通过基于支持向量机的故障识别模型来判断GIL是否存在故障，确定故障类型及进行故障定位。

支持向量机即为Support Vector Machine，简记为SVM，这种方法以统计学习理论为基础，是一种主要针对小样本的机器学习理论，基本思想之一是结构化风险最小化原则。在机械故障诊断领域中支持向量机是一种性能良好的识别方法，它比神经网络具有更优的泛化能力。核函数的引入则使很多传统的统计方法在从线性空间映射到高维非线性空间时，不必在高维空间进行内积计算，并且是对样本个数求和，与特征空间的维数无关，规避了维数灾难，有助于提高判别的准确性。支持向量机的算法将问题最终转化为一个二次型规划问题，在理论上可以得到全局最优解，以此避免像神经网络算法一样陷入局部极小值的问题。

采用支持向量机构建故障分类模型，通过对不同类型数据进行数据处理，得到用于故障诊断的特征向量，利用LIBSVM工具箱完成故障诊断模型的训练与验证。通过支持向量机对GIL故障进行诊断的主要步骤如图5所示。

具体诊断步骤如下：

1、振动加速度信号的获取。在故障诊断过程中需要获取不同GIL状态下的振动加速度信号，以GIL的状态类型作为标签进行分类，相应的振动加速度信号数据作为对应的数据样本。

2、提取特征参数。本文对振动加速度信号从时域、频域和时频域三个方面进行特征参数的提取，筛选出包含13个特征值的特征向量，并经过主成分分析得到最终的5维特征向量T＝[E1、A9、E3、E5、p2]。

特征参数的提取如下步骤：

(1)提取时域内的信号特征参数

时域内的信号特征参数主要包括有量纲和无量纲两部分，其中有量纲的特征参数会受到GIL的电压等级、结构尺寸、运行参数等因素的影响，并且需进行与历史数据的对比才能够更好的进行故障诊断；而无量纲的参数部分则与GIL的运行状态关系较为紧密，对负荷大小和运行参数的变化比较不敏感。两类参数在使用上各有优势，因此有量纲统计参数和无量纲统计参数需配合的使用，如表1所示。

表1时域统计的特征参数

表1中，A1-A9为时域有量纲参数指标，B1-B6为无量纲参数指标。

对于时域有量纲参数和无量纲参数，两者在数值大小上相差较大且总体参数数量较多，因此将时域内的信号特征参数分为两组进行特征向量的构建，即：时域内的有量纲特征向量A＝[A1、A2、...、A10]和无量纲特征向量B＝[B1、B2、...、B6]。

(2)提取时域内的信号特征参数频域特征参数

振动加速度信号的频域中包含大量的特征频率信息，能够反映结构状态的改变，因此有必要提取频域中的特征参数。根据GIL振动加速度信号的频率分布特征，信号能量主要分布在100Hz-500Hz范围内，且仅分布在100Hz及其整数倍的频率值处，综合频域特征参数类型和GIL结构本身信号的频率分布特征，经快速傅里叶变换得到振动加速度信号在100Hz、200Hz、300Hz、400Hz和500Hz五个频率点处对应的幅值，以此作为一组特征向量，即E＝[E1、E2、...、E5]。

(3)提取时频域特征参数

对于非平稳信号，传统的频谱分析方法并不能够全面地反映振动信号所包含的信号特征。处理非平稳信号的方法主要是对时间-频率进行分析，下面介绍小波变换的基础理论。

设函数x(t)∈L²(R)，将x(t)的连续小波变换定义为：

其中为母小波，a≠0为尺度因子，b为时移因子。可以用不同的a和b构成不同的小波基函数：

小波包变换提高了小波变换对于信号的时频局部细化能力，主要通过一系列低通及高通滤波器对分析信号进行滤波处理，把原始信号经滤波器逐步分解成独立的结点子信号，各子信号以二叉树形式分布。令Ω0,0为对应二叉树结点0的向量空间，则每一层每一个结点的小波子向量空间可以细分成两个相互正交的子空间：

其中j为分界层数，(j,n)为对应第j层的节点，其中n＝0,...,2^j-1。

给定正交尺度函数un(t)和小波函数u2n(t)递推关系为：

其中g(k)和h(k)为分析中低、高通滤波器系数。以上定义的集合{un(t)}即为政教小波包。信号x(t)在其中一个子空间Ωj,n上的分界信号可由下式计算：

其中，为对应结点(j,n)的小波包系数。对于信号x(t)的小波包分界可定义为：

其中uj,n(t)为正交小波基，子频带信号的能量可由下式计算：

则(j,n)结点的归一化能量为：

一般经过3次小波包变换将得到8个节点，即特征向量内包含有8个特征值，将某一特点频率段的小波系数的平方和定义为该段的小波能量：

总能量的表达式为：

定义某频段的相对小波包能量：

得到如下特征向量：

当GIL设备发生机械故障后，其结构本身发生改变，对于各频段振动信号的响应表现出不同程度的变化，因此将经小波包变换得到的特征向量用于GIL机械故障检测将具有较好的效果。

经仿真得到三种不同状态下的GIL振动加速度信号样本，每个类型的振动加速度信号从模型上的各节点提取140个观测点的振动波形，共计420个振动加速度信号样本。对每个振动加速度信号进行特征向量提取得到四组特征向量，即得到：A＝[A1、A2、...、A10]、B＝[B1、B2、...、B6]、E＝[E1、E2、E3、E4、E5]和K＝[p0、p1、...、p2j-1]。

7、以小波包能量组成的特征向量K为例说明样本数据特征参数提取的操作过程，将三类样本数据依次导入在MATLAB内编写的小波包分析程序内。在此次特征值提取过程中样本数据的采样频率是1024Hz，根据采样定理，奈奎斯特采样频率为512Hz，使用meyr小波进行3层小波包分解，形成2³＝8个频率段，每个频率段的频率区间为64Hz。

图4和图5中所示的Tree decomposition为小波包数，其中(0,0)为原始分解信号，其各自的时域信号如右侧的data for node：0or(0,0)所示，最下层的(3,0)、(3,1)、...、(3,7)依次为第三层分解后的频域划分，在小波包分解过程中，对于经过高频滤波的分量，其频谱顺序会发生一次翻转，最终的频谱顺序形成格雷码的顺序，即：(3,0)、(3,1)、(3,3)、(3,2)、(3,6)、(3,7)、(3,5)、(3,4)依次对应的即为按照频带由小到大顺序排列的：0-64Hz、65Hz-128Hz、...、449Hz-512Hz，对应的节点编号为7、8、10、9、13、14、12、11。x轴对应的为1024个采样点，对应1秒的时间长度，每个点对应1/1024秒。每个频带中的颜色深浅代表信号在该频带的能量大小，颜色越深表示振动幅值越大。

不同状态下的振动信号经小波包分解，主要频率成分都是分布在8号(65Hz-128Hz)、10号(129Hz-256Hz)频带处，在其他的频带处也包含有相应幅值较小的高频成分；而故障状态2的振动信号中在t＝0.52s时刻的脉冲信号也在小波包分析图谱中有所体现，在多个频带处的t＝0.52s时刻都能观察到脉冲幅值的出现。将以上进行的小波包分析的结果提取出相对小波包能量特征值向量如表2所示。以上每组特征值向量的提取工作对所有样本都进行相同的处理，由于篇幅有限，本文仅列出每个类型的四个样本所对应的四组特征值向量的处理结果。其中：S-A-1至S-A-4为第一种类型(正常状态)的四个数据样本，S-B-1至S-B-4为第二种类型(故障状态1)的四个数据样本，S-C-1至S-C-4为第三种类型(故障状态2)的四个数据样本，如表2。

表2三种样本类型小波包能量组成的特征向量K

根据上节所述对所有样本参数进行四组特征值向量的提取，由于篇幅所限，本文仅列出相对小波包能量特征向量K的具体数据提取步骤。经由以上数据处理所得到的为基础的特征值向量数据库，共有三种类型的样本数据，每种类型数据为120组，每个具体的数据样本提取出四组特征值向量，依次进行后续的筛选及故障分类器训练及测试。对于典型频率幅值组成的特征向量E和小波包能量组成的特征向量K，其中的特征值组成均在同一单位量纲下，为了筛选出最具辨识度的特征值，将同时考虑对应特征值差异的绝对值大小与相对变化幅度大小两个因素，计算各特征值在三种样本类型之间的差值x(i)，计算方法为：

其中(I＝B、C，i＝1、...、5)

或

其中(I＝B、C，i＝1、...、8)

表3三种样本类型特征向量E

表3反映出对于三个样本类型，同量纲下的特征值中E1的幅值最大，E3、E5次之；特征值差值中以E1对应的S-A与S-B之间的差值119.128％最大，E3、E5对应的差值次之，均超过20％。由此可见，在该组特征值向量中，E1、E3、E5能从绝对值与相对值两个方面全面地反映出S-A与S-B两个样本之间的区别，由此选择这三个特征值为新的特征向量组成元素。

表4三种样本类型特征向量K

由表4反映的结果：对于三个样本类型，同量纲下的特征值中p2的幅值最大，p1、p4次之；特征值差值中以p1对应的S-A与S-C之间的差值80.072％最大，p1、p4对应的差值次之。由此可见，在该组特征值向量中，p2、p1、p4能从绝对值与相对值两个方面全面地反映出S-A与S-C样本之间的区别，由此选择这三个特征值为新的特征向量组成元素。

表5三种样本类型特征向量B

由于表5所列的特征向量B、A内的各个特征值所代表的指标都各不相同，其数值范围差异较大，计算差值的公式为：

其中(I＝B、C，i＝1、...、5)

或

其中(I＝B、C，i＝1、...、9)

由表5反映的结果：对于三种样本类型，特征值差值中以B5对应的S-A与S-C之间的差值964.1％最大，B2、B3对应的差异值大小次之。由此可见，在该组特征值向量中，B5、B2、B3能清晰地反映出三个不同样本之间的区别，由此选择这三个特征值为新的特征向量组成元素。

表6三种样本类型特征向量A

由表6反映的结果：对于三个样本类型，特征值差值x(i)中以A6对应的各数据之间的差值116.6％最大，A7、A8、A9对应的差值大小次之。由此可见，在该组特征值向量中，A6、A7、A8和A9能清晰地反映出三个不同样本之间的区别，由此选择这四个特征值为新的特征向量组成元素。

综上所述，通过对四组特征值向量中有效参数的筛选，得到最终的特征向量：

T＝[A6,A7,A8,A9,B5,B2,B3,p2,p1,p4,E1,E3,E5]

由于以上所提取出的特征参量组由不同的物理量共同构成，不同物理量在数值上差别较大，为了便于不同物理量之间的比较和SVM算法计算的收敛，接下来需要对特征参量进行归一化处理，这样不仅可以提升模型的收敛速度还可以提升模型的精度。常用归一化方法为线性归一化，线性归一化把输入数据都转换到0～1的范围内，公式如下：

式中：Xmax为最大值；Xmin为原始数据的最小值；Xnorm为归一化后数值，X为原始数据。

将向量T＝[A6,A7,A8,A9,B5,B2,B3,p2,p1,p4,E1,E3,E5]中的特征值进行归一化处理，得到的每个特征向量由13个处于[0 1]范围内的特征值构成，共420个样本。根据表1～表6中的数据，以三种状态下各一个数据样本的特征向量为例进行说明，其中每个特征向量由13个特征值组成，如表7。

表7三种样本数据对应的特征向量

为观察特征向量的中各个特征值对应不同GIL状态类型的变化情况，将表7中数据绘制成折线图，如图6。

对于三种不同类型的样本数据，13个特征值代表的是不同的信号特征。这些特征值能够明显的反映出样本数据的所属状态类型，由图6可知：

(1)原特征向量中的1号、2号、3号、4号、6号、7号和11号这七个特征值经过归一化处理后的幅值在0～1之间，三种状态类型呈现出三种不同的幅值分布，以此能够判断出其相对应的GIL状态。以1号特征值为例，正常状态下该特征值归一化后的幅值为0.0，故障状态1下该特征值的归一化幅值为0.31，故障状态2下该特征值的归一化幅值为1.0，可见由不同状态的数据提取得到的1号特征值能够区分出数据所对应的状态类型。

(2)5号、8号、9号和10号这四个特征值在正常状态和故障状态1两种情况下的幅值分布在同一个区域，在故障状态2的特征值幅值与另外两种状态不同，因而，可以通过这四个特征值的幅值区分出正常状态和故障状态。

(3)12号和13号这两个特征值，归一化后幅值在0～1之间也仅呈现出两种主要的幅值分布，正常状态和故障状态2的幅值分布在一个区域，故障状态1的幅值分布在另一个区域，因此这两个特征值能够用来区分故障状态1的状态类型。

综上所述，向量T＝[A6、A7、A8、A9、B5、B2、B3、p2、p1、p4、E1、E3、E5]中各特征值能够对不同的状态类型进行表征，通过特征值幅值大小的分布可以进行故障类型的判断。由于提取的特征向量维数较大，表4-7所分析的仅是对三个样本数据的分析，结果所表述的特征值对于不同状态类型的幅值分布差异明显，判断边界清晰，但是在样本数据增加后，数据幅值会在一定范围内分布，判断边界将产生一定程度的模糊，此时如果以人工经验的方式进行判断容易进行误判，难以保证故障诊断结果的准确性。本文引入智能故障识别算法，利用支持向量机建立故障识别模型进行故障诊断方法的研究。

(4)特征值的优化

在上述的特征提取过程中，提取的特征值维数太多会导致计算难度大，结果准确度降低等不良后果，为了提高故障判断的准确性以及降低运算对配置的过高要求，本节将讨论特征向量的降维分析方法。PCA是常用的降维方法，PCA的实质是在尽可能完整的代表原始特征的情况下，将原特征向量经线性变换后映射到低维空间中。

该方法的主要应用步骤为：首先把原始数据中所有样本的特征向量组合成一个矩阵，然后进行标准化处理；然后计算该矩阵的协方差矩阵和协方差矩阵的特征值和特征向量；接着将求出的特征向量按照特征值的大小进行组合形成映射矩阵，并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；最后用映射矩阵对原始数据进行映射，得到降维后的结果。

此方法实现了信息从高维到低维空间的降维处理，并且最大程度地保存了原始数据的信息特征。将提取到的特征量进行降维处理之后得到新的特征向量。在MATLAB中通过princomp(x)函数进行特征向量的降维，一般通过计算特征向量的贡献率来确定经降维处理后的特征向量数目。经过主成分分析，将计算得到的特征向量方差贡献率按照从高到低的顺序排列，如图7所示为累计方差贡献率阈值设置为100％时的主成分贡献图，其中上方实线为贡献率累计数值。由图7可知，原特征向量中的12号(E1)、4号(A9)、11号(E3)、13号(E5)和8号(p2)这5个特征值的累计方差贡献率达到92％，这说明在只用新产生的前5维新特征值代替原始数据的13维特征值时，能够很大程度上(90％以上)的表达原始信息，降维效果显著。根据90％的贡献度进行维数的改变，进而生成新的维数较低的特征向量T＝[E1、A9、E3、E5、p2]。

3、建立并训练SVM故障诊断模型。对GIL不同状态下的振动加速度信号进行特征提取，借助LIBSVM工具箱进行SVM故障诊断模型的建立与训练。

本专利使用径向基函数进行故障诊断模型的建立，其数学表达式如下：

其中，σ为核宽度参数。

LIBSVM工具箱里面包含了参数的优化函数，以经过参数优化的参数组合进行基于SVM的故障诊断模型的建立。

4、根据故障诊断模型诊断故障，确定故障类型及进行故障定位。

上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。