本发明属于变电站刀闸二次回路故障预测领域，涉及一种计及相关系数的变电站刀闸二次回路故障预测方法。
背景技术
刀闸即隔离开关是电力系统中重要的一次设备，其二次回路故障会影响刀闸的分合，不仅影响变电站运维人员停送电，增加检修人员的工作，严重时还可能使一次设备损坏，延长了停送电时间，增加人员损耗、影响电网运行。
然而,由于刀闸二次回路不像一次设备那样可以从外观判断出是否出现故障，通过定期的检修、维护并不能达到提前预测出刀闸二次回路存在故障的问题。目前，对于变电站中刀闸二次回路故障缺乏一种高效、可行的预测方法。
技术实现要素：
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种计及相关系数的变电站刀闸二次回路故障预测方法，其方法简单清晰，便于计算，易于实现。
本发明采用如下技术方案：
计及相关系数的变电站刀闸二次回路故障预测方法，其特征在于,包括如下步骤：
1)从pms台账系统中整理导出刀闸台账的安装厂家、运行年限、检修次数、运行环境、配电装置型式、承担负荷情况六大主要影响因素数据作为历史数据，并对安装厂家、运行环境、配电装置型式进行预处理获得一致的单调性，并归一化使数值范围处在[0,1]，再将运行年限、检修次数、承担负荷情况及归一化后的安装厂家、运行环境和配电装置型式作为训练样本；
2)将训练样本与待评价样本进行相关系数计算，根据相关系数设定阈值，将低于阈值的训练样本剔除，筛选出与待评价样本关联度较高的样本；
3)对于筛选出的训练样本，采用matlab工具的gridregression程序搜索确定支持向量机的容错惩罚系数c、不敏感系数ε及核宽度系统σ最优参数；
4)采用libsvm工具箱中函数train-svm进行计算，得到偏差b和拉格朗日系数α、α*，从而得出如下式的预测模型：
式中xi为筛选出的训练样本，i＝1,2,...,n,n为筛选出的训练样本的个数，x为待评价样本，k为核函数，
5)利用预测模型对待评价样本进行预测，输出为-1认为刀闸运行正常，若输出为+1则认为刀闸存在故障，即可结合停电计划提前进行故障排查。
优选的，在步骤1)中，对所述安装厂家的预处理如下：
依据该安装厂家在本辖区电网中实际故障数量gi，结合pms台账系统中相关安装厂家设备总数ci，定义该厂家健康度ηi
式中i＝1,2,...,m，m为设备出现过故障的安装厂家数量，并规定暂未出现过故障的安装厂家健康度为0。
优选的，在步骤1)中，对所述运行环境的预处理如下：规定设备运行在户外的情况为1，在户内的情况为0。
优选的，在步骤1)中，对所述配电装置型式的预处理如下：规定ais设备为1，gis设备为0。
优选的，在步骤1)中，所述归一化使数值范围处在[0,1]，参见如下：
式中i＝1,2,...,k，表示第i组数据，k为训练样本的总数，j＝1,2,...,6，表示第j维数据，minij、maxij分别表示所有训练样本第j维数据的最小值和最大值，iij、i′ij分别第i组样本的第j维数据表示经预处理后各影响因素数值及经归一化后数值。
优选的，在步骤2)中所述的相关系数ρ范围为[-1,+1]，所述阈值p＝|ρ|，相关系数ρ计算公式如下：
式中，xi为待评价样本中的第i个指标，yi为训练样本中的第i个指标，
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明的方法，计及相关系数的变电站刀闸二次回路故障预测方法，可以提前预测刀闸二次回路故障，提高预测的准确率。根据预测结果结合停电计划提前进行故障排除，减少刀闸二次回路突发性故障对人身、电网、设备带来的安全隐患，大大提高供电企业的安全运行水平，提高供电可靠率，具有巨大的社会效益和经济效益。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明的计及相关系数的变电站刀闸二次回路故障预测方法，包括如下：
1)从pms台账系统中整理导出刀闸台账的①安装厂家、②运行年限、③检修次数、④运行环境、⑤配电装置型式、⑥承担负荷情况六大主要影响因素作为训练及测试数据。
由于①安装厂家、④运行环境、⑤配电装置型式的数据存在特殊性，需进行如下预处理：
(1)安装厂家：依据该安装厂家在本辖区电网中实际故障数量gi，结合pms台账系统中相关安装厂家设备总数ci，定义该厂家健康度ηi
式中i＝1,2,...,m，m为设备出现过故障的安装厂家数量，并规定暂未出现过故障的安装厂家健康度为0。显然地，健康度越趋近于1，说明故障率越高；
(2)运行环境：本发明规定设备运行在户外的情况为1，在户内的情况为0，经不完全统计，运行在户外的设备故障率相对高；
(3)配电装置型式：本发明规定ais设备为1，gis设备为0，经不完全统计，ais设备故障率相对高；
经过上述预处理后获得了一致的单调性，数值越大，故障率越高，再根据公式(2)将各数据进行归一化使数值范围处在[0,1]；
式中i＝1,2,...,k，表示第i组数据，k为总的训练样本的个数，j＝1,2,...,6，表示第j维数据，minij、maxij分别表示所有训练样本第j维数据的最小值和最大值，iij、i′ij分别表示第i组样本的第j维数据经预处理后各影响因素数值及经归一化后数值。
2)以历史数据做为相对值标准化样本y，以待评价的刀闸标准化的指标量形成待评价样本x，用斯皮尔曼等级相关系数ρ(式3)来评价待评价样本与历史样本之间的相关性，相关系数越大，即表示待评价样本与历史样本之间的相关程度越大或称越相似。当变化趋势相同时，两个变量之间的相关系数ρ范围为[-1,+1]或。
式中，xi为待评价样本中的第i个指标，yi为训练样本中的第i个指标，
取p＝|ρ|,设p的阈值为0.5,p≥0.5表示样本对预测结果的相关程度为显著相关，p＜0.5表示样本对预测结果的相关程度为低相关。以相关系数p值作为判断样本好坏的标准，将低于阈值的样本剔除，筛选出与待评价样本关联度较高的n组训练样本。
3)采用matlab工具的gridregression程序搜索支持向量机容错惩罚系数c、不敏感系数ε及核宽度系统σ最优参数，确定模型参数。
4)支持向量机是基于统计学习理论构建的典型神经网络，它通过建立一个最优分类超平面，使得该平面两侧的两类样本之间的距离最大化，从而对分类问题提供很好的泛化能力。通过步骤3)得到与待评价样本关联度较高的训练样本构成训练集(xi,yi)，i＝1,2,...,n，表示第i组数据，n为筛选出来的训练样本的个数，其中xi表示第i组训练样本；其中yi∈{+1，-1}，yi∈{+1，-1}，yi＝+1代表第i组样本是存在刀闸二次回路故障的样本，yi＝-1代表第i组样本为刀闸二次回路正常的样本。接着，通过超平面方程w·x+b＝0，b是常数，x是训练样本中的x，w是系数，将样本分为两类：
支持向量机的最优超平面是一个使得分类边缘最大的超平面，即使得
但往往不是所有训练样本都可以在精度ε下无误差地进行线性函数拟合，因此，式(5)转化为下面的式子，即
式中引入非负的松弛变量ξi和ξi*以度量训练样本的偏离程度ε，构造容错惩罚系数c以控制超出误差的样本惩罚程度，上式约束条件
上面的优化函数是个典型的二次规划问题，引入拉格朗日乘子αi，
为了求上面的方程的解，将γ对每个变量求导，求出极值点，即求最优解有
根据拉格朗日对偶性原理，上述目标函数等效转换为
上式满足条件
对于非线性情况，通常采用适当的核函数k代替高维空间中的向量内积就可实现某一线性变换后的线性拟合，本发明通过gridregression确定了支持向量机容错惩罚系数c及核宽度系统σ最优参数，进而采用libsvm工具箱中函数train-svm的计算，即可得到偏差b和拉格朗日系数α，α*，从而得出如下式的预测模型：
式中xi为训练样本，i＝1,2,...,n,x为待评价样本，k为核函数，本发明
5)根据训练好的预测模型式(12)，将待评价样本数据输入svm工具箱中函数predict-svm进行计算，完成对待评价样本的预测，输出为-1认为刀闸运行正常，若输出为+1则认为刀闸存在故障，即可结合停电计划提前进行故障排查。
应用举例
根据某地市公司历史运行情况，整理导出300组训练样本，60组待评价样本。训练样本中正常状态260组,故障状态40组；待评价样本中正常状态45组，故障状态15组。
本发明首先根据步骤1)～3)将上述训练样本构成训练集为{(x1,y1),(x2,y2),...,(x300,y300)}，其中，xi∈r6,yi＝{1,-1}，当yi＝1时，表示第i个样本存在刀闸二次回路故障，当yi＝-1时，表示第i个样本刀闸二次回路正常。接着，通过步骤4)采用gridregression确定了支持向量机容错惩罚系数c、不敏感系数ε及核宽度系统σ最优参数，分别为65、0.032、7。然后根据步骤5)，通过svm工具箱中函数train-svm计算得到预测模型cctrain.model，最后，根据步骤6)结合预测模型，将待评价样本数据输入svm工具箱中函数predict-svm计算出预测结果，如下表1所示。
表1刀闸二次回路故障预测结果
上表中整体正确率为预测正确样本数与总预测样本数的比值。由表1可知，该发明在计及相关系数后对刀闸二次回路故障预测的正确率比直接用所有的样本进行预测准确率要高，表明对刀闸二次回路故障预测是可行、高效的。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。