本发明涉及一种电力设备故障检测方法，特别是一种基于最小二乘向量机的电力设备故障检测方法。
背景技术：
电力系统中高压输变电设备在大气环境中工作，在某些情况下由于绝缘性能的降低，会产生电晕和表面局部放电现象，使设备绝缘能力下降而引起闪络事故，造成供电中断，给工农业生产和人民生活带来不便和损失，严重时甚至影响人身和设备安全。因此及时准确地对高压电力设备外绝缘放电进行检测，对于保证电力系统的可靠运行具有重要的意义。
传统的电晕放电检测方法主要有：观察法、超声波检测、泄漏电流在线监测和红外成像仪观测等，这些方法在实际应用中都有一定的缺陷：肉眼观察是最常用的方法之一，但大量的电力设备事故是在没有可见光出现的情况下就发生的，人们常常只能听到“嗞嗞”的电晕放电声，而看不到放电情况；超声波检测法很难直观准确地定位远距离的放电点，特别是有多个点同时放电的时候，定位更加困难；泄漏电流在线监测法需要预先安装相应的测量设备，不适合大面积推广使用；红外成像观测法可检测到放电积累或设备内部故障引起的温度升高，但这是一种间接的测量方法，不能直接的看到放电。
判断电力设备是否放电，需要定量分析放电参量，除直接使用仪器测量的局放量外，常用放电区域的光子数来间接估算局放量。紫外成像检测技术是近几年新兴的一种远距离检测交流高压线路、输变电设备外部绝缘状态的新技术，它能够发现引起电场异常的设备缺陷，通过紫外成像检测光子数进而估算局放量来定位放电位置、观察放电情况，再通过分析来判断电晕放电对电力设备外绝缘造成的危害。该项技术因其具有简单高效、直观形象、且不影响设备运行、安全方便的诸多优点，在电力系统中逐渐得到了广泛的推广和应用。然而紫外设备检测到的光子数实际上受到仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度等多个因素影响，如何获得这些影响因素与光子数和局放量的关系，准确诊断电力设备的健康状况，就成为我们急需解决的问题。
技术实现要素：
本发明针对现有技术的不足，提供一种建立了一种电力设备局放量检测模型，采用网格搜索和交叉验证算法优化模型相关参数，可有效检测出故障设备，避免财产损失的一种基于最小二乘向量机的电力设备故障检测方法。
一种基于最小二乘支持向量机的电力设备故障判断方法，该方法包括以下步骤：
(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集d＝{a、b、c、d、e、f、g、h、k}，其中a-h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；d={(x1,y1),(x2,y2)…(xi,yi)…(xn,yn),}，其中，xi＝{ai,bi,ci,di,ei,fi,gi,hi,}，yi＝{ki}；
(2)建立用于电力设备故障检测的最小二乘支持向量机模型
1)选取初始化参数选择范围,令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n；
2)将训练数据分为k个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余k-1个子集作为训练集，利用训练集训练模型后对k-1个测试集进行预测，统计该组参数下测试结果的mse,均方误差的公式表示为：
3)将下一组子集作为测试集，剩下的k-1个子集作为训练集，统计改组参数下测试结果的均方mse,直至k个子集都被作为一次测试集后，取k组mse的平均值σmse作为该组参数的预测误差,
4)更换参数组合(θ,γ)，重复步骤2)、3)，分别计算出网格中各参数组合下模型的均方差平均值σmse，对其进行排序，选出σmse最小时对应的组合参数(θ,γ)即为网格区间内最优的参数组合；
(3)参数θ和γ确定后，利用训练样本d对lssvm回归模型进行训练，求解公式
中的拉格朗日乘子α和偏置值b，其中，e是单位列向量，i是单位矩阵，α是拉格朗日乘子，h＝(hij)n×n,hij＝k(xi,xj)并将其带入公式
，得到回归模型f(x)；
(4)记录某个时间段t，选取该时段内的j组数值{{xt1},{xt2},{xt3}…{xtj},}，分别将其代入步骤(3)，得到多组局放量数值{yt1,yt2,yt3,ytj}，电力设备的实际局放量即为上述j组局放量数值的平均值
仪器增益指紫外成像仪对检测光子数信号衰减或放大的比例；
测量距离指拍摄图像时紫外成像仪与电力设备间的距离；
设备电压指拍摄图像时刻的电力设备电压值；
污秽程度指电力设备的污秽等级，本文将其分为无、轻微、一般、严重四个等级，训练模型时分别用1、2、3、4来表示各污秽等级；
环境气压、环境温度、环境湿度分别对应拍摄图像时刻电力设备周围环境的气压、温度、湿度值；
光子数指紫外成像仪在一定增益下单位时间内观测到的光子数量；
电力设备局放量指脉冲电流法测得的电力设备释放的电荷量。
附图说明
图1为本发明方法流程图。
图2为本发明实验系统接线原理图。
图3为10折交叉验证示意图。
图4为局放量检测效果图。
具体实施方式
本发明提供了一种基于最小二乘支持向量机的电力设备故障检测方法，该方法包括以下步骤：
一种基于最小二乘支持向量机的电力设备故障判断方法，该方法包括以下步骤：
(1)选取训练样本集，包括仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度、光子数、电力设备局放量等因素作为训练样本集d＝{a、b、c、d、e、f、g、h、k}，其中a-h分别对应仪器增益至光子数等8个影响检测到的局放量大小的因素，将其作为输入，k为电力设备局放量，将其作为输出，由此n组训练样本转化为；d＝{(x1,y1),(x2,y2)…(xi,yi)…(xn,yn),}，其中，xi＝{ai,bi,ci,di,ei,fi,gi,hi,}，yi＝{ki}；
(2)建立用于电力设备故障检测的最小二乘支持向量机模型
1)选取初始化参数选择范围,令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n；
2)将训练数据分为k个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余k-1个子集作为训练集，利用训练集训练模型后对k-1个测试集进行预测，统计该组参数下测试结果的mse,均方误差的公式表示为：
3)将下一组子集作为测试集，剩下的k-1个子集作为训练集，统计改组参数下测试结果的均方mse,直至k个子集都被作为一次测试集后，取k组mse的平均值σmse作为该组参数的预测误差,
4)更换参数组合(θ,γ)，重复步骤2)、3)，分别计算出网格中各参数组合下模型的均方差平均值σmse，对其进行排序，选出σmse最小时对应的组合参数(θ,γ)即为网格区间内最优的参数组合；
(3)参数θ和γ确定后，利用训练样本d对lssvm回归模型进行训练，求解公式
中的拉格朗日乘子α和偏置值b，其中，e是单位列向量，i是单位矩阵，α是拉格朗日乘子，h＝(hij)n×n,hij＝k(xi,xj)并将其带入公式
，得到回归模型f(x)；
(4)记录某个时间段t，选取该时段内的j组数值{{xt1},{xt2},{xt3}…{xtj},}，分别将其代入步骤(3)，得到多组局放量数值{yt1,yt2,yt3,…ytj}，电力设备的实际局放量即为上述j组局放量数值的平均值
仪器增益指紫外成像仪对检测光子数信号衰减或放大的比例；
测量距离指拍摄图像时紫外成像仪与电力设备间的距离；
设备电压指拍摄图像时刻的电力设备电压值；
污秽程度指电力设备的污秽等级，本文将其分为无、轻微、一般、严重四个等级，训练模型时分别用1、2、3、4来表示各污秽等级；
环境气压、环境温度、环境湿度分别对应拍摄图像时刻电力设备周围环境的气压、温度、湿度值；
光子数指紫外成像仪在一定增益下单位时间内观测到的光子数量；
电力设备局放量指脉冲电流法测得的电力设备释放的电荷量。
本发明主要包括以下几个方面：
a、建立lssvm函数模型。
最小二乘支持向量机(leastsquaresupportvectormachine,lssvm)是标准svm(supportvectormachine)的一种扩展。与支持向量机的其它版本相比，lssvm的待选参数少，采用最小二乘线性系统作为损失函数，将不等式约束条件转化为等式约束，大大提高算法的运算速度。lssvm可描述为如下优化问题：
其中，ω∈h，l是一组数据点的总数，γ为正则化参数，控制对误差的惩罚程度，ξi为误差，yi是预测量的值,
其中，e是单位列向量，i是单位矩阵，a是拉格朗日乘子，h＝（hij)n×n,ｈij＝k(xi,xj)。求解方程组得到α和b，所得函数模型为：
其中，
b、利用网格搜索和交叉验证优化lssvm模型参数。
本发明的lssvm模型参数优化通过估计最小化均方误差(mmse)来实现，在参数空间内寻优，找到均方误差最小的参数取值。均方误差的公式表示为：
其中，yi为实际值，
1)交叉验证(crossvalidation,cv)方法是用来验证训练器性能的一种统计方法，基本思想是在一定条件下将原始数据(dataset)进行分组,一部分作为训练集(trainset)，另一部分作为验证集(validationset)。交叉验证法可以在样本固定的前提下得到比较稳定的误差指标，尽量避免因随机选择训练集和测试集导致测试误差的随机变化。
本发明采用k折交叉验证，在训练过程中将训练样本随机等分成k组大小相同的子集，选取其中k-1个子集作为训练集训练lssvm模型，剩余的一个子集作为测试集，把测试集中样本的输入xi带入式(3)，得出样本的输出估计值
2)网格搜索法(gridsearch)是一种穷举法，在参数空间的每个维度上取若干分格，遍历输入空间中所有网格交叉点得到最优解。lssvm有两个待定参数，可根据试验分别确定θ和γ的可能区间范围。针对每个参数组合通过交叉验证法分别其估计模型的mse，mse最小的组合即为最优参数。如果该最优参数组合的预测效果不理想，还可以对上次网格搜索中mse比较小的若干参数组合进行特征分解，提取出有用的特征值和特征向量，从而定义一个更精细的网格用于搜索并验证，直到找出一个比较令人满意的参数组合。
c、通过检测设备局放量判断设备是否发生故障及所发生故障的相应等级。
记录影响待检测电力设备局放量的8个因素的j组数值{{xt1},{xt2},{xt3}…{xtj},}，分别将其代入步骤(4)，得到多组局放量数值{yt1,yt2,yt3,…ytj}，电力设备的实际局放量y即为上述多组局放量数值的平均值，根据该实际局放量y判断电力设备的故障等级。
当0≤y＜50，设备故障等级为无，当50≤y＜3000，设备故障等级为一般，当3000≤y＜5000，设备故障等级为重大，当5000≤y，设备故障等级为紧急。
本发明设计的电力设备故障检测方法是基于电力设备局放量信息，通过检测设备局放量来判断设备是否发生故障及相应的故障等级。电力设备故障检测流程如图2所示。首先，选取合适的电力设备数据用于模型训练。本发明通过在人工气候实验室搭建实验系统，系统接线原理如图3所示，通过人为调节实验室内仪器增益、测量距离、设备电压、污秽程度、环境气压、环境温度、环境湿度等各种因素，记录不同因素下的光子数和局放量，获得大量实验数据。选取其中具有代表性的n组实验数据作为训练样本集d＝{(x1,y1),(x2,y2)…(xi,yi)…(xn,yn),}，其中，xi＝{ai,bi,ci,di,ei,fi,gi,hi,}，yi＝{ki}。
优化的过程从这里开始，那前面那一段都讲的是什么，训练样本准备完成后，训练lssvm模型。通过网格搜索和交叉验证优化lssvm模型中的θ和γ，基本过程为：
1)选取初始化参数选择范围。令m＝[-m1,m2]、n＝[-n1,n2],步长为1，取网格参数的节点为θ＝2m、γ＝2n。
2)将训练数据分为k个子集，对网格中每一组参数(θ,γ)，首先任意选择一个子集作为测试集，其余k-1个子集作为训练集，利用训练集训练模型后对k-1个测试集进行预测，统计该组参数下测试结果的mse。
3)将下一组子集作为测试集，剩下的k-1个子集作为训练集，统计改组参数下测试结果的均方mse,直至k个子集都被作为一次测试集后，取k组mse的平均值σmse作为该组参数的预测误差。
4)更换参数组合(θ,γ)，重复步骤2)、3)，分别计算出网格中各参数组合下模型的均方差平均值σmse，对其进行排序，选出σmse最小时对应的组合参数(θ,γ)即为网格区间内最优的参数组合。
参数θ和γ确定后，利用训练样本d对lssvm回归模型进行训练，求解公式(2)中的拉格朗日乘子α和偏置值b，并将其带入公式(3)，得到回归模型f(x)。
记录某个时间段t，选取该时段内的j组数值{{xt1},{xt2},{xt3}…{xtj},}，分别将其代入回归模型f(x)，得到多组局放量数值{yt1,yt2,yt3,ytj}，电力设备的实际局放量y即为上述多组局放量数值的平均值，根据该实际局放量y判断电力设备的故障等级。测试120组电力设备数据，本模型预测效果如图4所示。