多特征量融合的电缆中间头故障识别方法与流程

本发明涉及一种电力故障识别方法，尤其涉及一种多特征量融合的电缆中间头故障识别方法。

背景技术：

1、电缆中间头广泛应用于电力系统中，其可靠性关系到电力系统的运行稳定性，电缆中间头其具有非常复杂的结构，很容易在安装过程中造成缺陷。

2、现有技术中，对于电缆中间头的故障往往是对单一的放电信号进行检测，并对其进行特征量分析和提取，但是受到了检测环境和人为影响的因素，其检测和识别的效率底下并且识别率不高。

3、因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

1、有鉴于此，本发明的目的是提供一种多特征量融合的电缆中间头故障识别方法，在故障识别过程中将电缆中间头的温度、放电波形的时域特征以及电缆中间头的电场分布特征这三个尺度的特征融合进行电缆中间头的故障识别，能够有效确保电缆中间头故障识别精度，而且算法过程简单，效率更高。

2、本发明提供的一种多特征量融合的电缆中间头故障识别方法，包括以下步骤：

3、s1.获取具有故障标识的电缆中间头故障信号，故障信号包括电缆中间头的温度信号和放电信号；

4、s2.提取故障信号的特征信息，包括从温度信号中提取出温度特征、放电信号的时域特征以及电场分布特征；

5、s3.构建支持向量机预测模型，将特征信息输入至支持向量机预测模型中并对支持向量机预测模型进行训练；

6、s4.构建贝叶斯预测模型，并基于样本数据确定故障概率p(cj/xi)，xi表示第i个特征信息，cj为故障类型，故障概率p(cj/xi)表示第i个特征信息为故障类型cj的条件概率；

7、s5.获取待测电缆中间头的故障信号，并从故障信号中提取出特征信息；将待测电缆中间头的特征信息输入至训练完成的支持向量机预测模型中进行处理得到第i个特征信息的概率p(xi)

8、s6.构建多特征融合判决模型omap:

9、根据判决模型的计算结果确定电缆中间头的故障类型。

10、进一步，步骤s3中，支持向量机预测模型参数模型包括分类平面模型、最优分类决策函数以及径向基核函数rbf核函数，其中：

11、分类平面模型为：

12、y(x)＝w·x+b＝0；w表示超平面的法向量，b表示截距；

13、最优分类决策函数为：

14、

15、其中：为拉格朗日乘子，b*为最优偏置；

16、径向基核函数rbf核函数为：

17、k(xi,xj)＝exp(-γ||xi-xj||2)；其中，γ为核参数。

18、进一步，故障概率p(cj/xi)通过如下公式确定：

19、

20、其中：ncj为样本数据为故障类型cj的数量，n为样本总量；

21、其中，为样本数据中故障类型cj中属于特征信息xi的数量，当时：为样本中特征xi的数量。

22、本发明的有益效果：通过本发明，在故障识别过程中将电缆中间头的温度、放电波形的时域特征以及电缆中间头的电场分布特征这三个尺度的特征融合进行电缆中间头的故障识别，能够有效确保电缆中间头故障识别精度，而且算法过程简单，效率更高。

技术特征：

1.一种多特征量融合的电缆中间头故障识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述多特征量融合的电缆中间头故障识别方法，其特征在于：步骤s3中，支持向量机预测模型参数模型包括分类平面模型、最优分类决策函数以及径向基核函数rbf核函数，其中：

3.根据权利要求1所述多特征量融合的电缆中间头故障识别方法，其特征在于：故障概率p(cj/xi)通过如下公式确定：

技术总结
本发明提供的一种多特征量融合的电缆中间头故障识别方法，包括以下步骤：S1.获取具有故障标识的电缆中间头故障信号，故障信号包括电缆中间头的温度信号和放电信号；S2.提取故障信号的特征信息；S3.构建支持向量机预测模型，将特征信息输入至支持向量机预测模型中并对支持向量机预测模型进行训练；S4.构建贝叶斯预测模型，并基于样本数据确定故障概率P(c<subgt;j</subgt;/x<subgt;i</subgt;)，S5.获取待测电缆中间头的故障信号，并从故障信号中提取出特征信息；将待测电缆中间头的特征信息输入至训练完成的支持向量机预测模型中进行处理得到第i个特征信息的概率P(x<subgt;i</subgt;)，S6.构建多特征融合判决模型根据判决模型的计算结果确定电缆中间头的故障类型。

技术研发人员：杨孝华,杨廷志,杜金其,赵迎新,万俊,杨军,甘怡红,杨志航,周良浩,任露,谢一,张起忠
受保护的技术使用者：国家电网有限公司
技术研发日：
技术公布日：2024/2/6