一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息技術(shù)領(lǐng)域，具體講涉及一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法。
【背景技術(shù)】
[0002] 在電力行業(yè)中，數(shù)字化技術(shù)近年來(lái)得到廣泛的應(yīng)用，各系統(tǒng)每天采集和實(shí)時(shí)記錄 的電網(wǎng)信息量呈爆炸式增長(zhǎng)，許多大型電網(wǎng)系統(tǒng)單日數(shù)據(jù)量已達(dá)到幾十GB，甚至幾百GB左 右，因此如何充分利用數(shù)據(jù)，快速有效的分析、加工、提煉，以發(fā)掘有用知識(shí)，已成為電力行 業(yè)所面臨的關(guān)鍵問(wèn)題之一。
[0003] 電力系統(tǒng)運(yùn)行的基本要求是：⑴保證安全可靠的供電；（2)要有合格的電能質(zhì) 量；（3)要有良好的經(jīng)濟(jì)性。要滿(mǎn)足這些基本要求，離不開(kāi)變壓器的正常工作。電力變壓器 是電力系統(tǒng)重要的變電設(shè)備，監(jiān)測(cè)并識(shí)別變壓器的故障類(lèi)型具有重要的意義。早期，人們利 用貝葉斯分類(lèi)方法將變壓器的故障分類(lèi)為內(nèi)部或外部的接地和短路故障。后來(lái)有些學(xué)者采 用神經(jīng)網(wǎng)絡(luò)識(shí)別故障，故障類(lèi)型包括內(nèi)部短路故障和涌入電流，分類(lèi)準(zhǔn)確率達(dá)92%。也有通 過(guò)對(duì)油中溶解氣體分析，提出人工免疫網(wǎng)絡(luò)分類(lèi)算法，實(shí)現(xiàn)變壓器低溫、中溫、高溫過(guò)熱和 局部、低能、高能放電燈6種故障診斷。還有些基于粗糙集理論對(duì)變壓器進(jìn)行正常、高溫、低 能和高能狀態(tài)的識(shí)別。但當(dāng)下需要理論結(jié)合實(shí)踐用于提高電力在線(xiàn)采集數(shù)據(jù)挖掘效率的方 案。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，支持 向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，該方法可以有效解決有限樣本、非線(xiàn)性 及高維模式的識(shí)別問(wèn)題，現(xiàn)已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的標(biāo)準(zhǔn)工具，然后傳統(tǒng)的SVM 并不適用于實(shí)測(cè)數(shù)據(jù)的在線(xiàn)處理。本發(fā)明利用隨機(jī)梯度下降算法求解支持向量機(jī)最優(yōu)分類(lèi) 超平面，對(duì)實(shí)時(shí)采集的電力觀(guān)測(cè)數(shù)據(jù)進(jìn)行在線(xiàn)學(xué)習(xí)，使得能夠快速收斂到最優(yōu)解，實(shí)現(xiàn)變壓 器故障事件等電力在線(xiàn)采集數(shù)據(jù)的快速分類(lèi)。
[0005] 本發(fā)明的目的是采用下述技術(shù)方案實(shí)現(xiàn)的：
[0006] 一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其改進(jìn)之處在于，所述方法包括以下步 驟：
[0007] (1)收集數(shù)據(jù)并構(gòu)建數(shù)據(jù)庫(kù)；
[0008] (2)從原始數(shù)據(jù)庫(kù)中選取數(shù)據(jù)和樣本；
[0009] (3)利用已整理好的數(shù)據(jù)訓(xùn)練線(xiàn)性SVM，并將訓(xùn)練結(jié)果保存；
[0010] (4)通過(guò)訓(xùn)練好的模型判斷事件是否為變壓器故障事件；
[0011] (5)解釋分類(lèi)結(jié)果，并調(diào)整電能質(zhì)量。
[0012] 優(yōu)選的，所述步驟（1)中，針對(duì)變壓器故障事件分類(lèi)識(shí)別的目標(biāo)，以及相關(guān)背景知 識(shí)，收集數(shù)據(jù)構(gòu)建相應(yīng)的數(shù)據(jù)庫(kù)。
[0013] 優(yōu)選的，所述步驟（2)中，確定目標(biāo)數(shù)據(jù)，根據(jù)需求從原始數(shù)據(jù)庫(kù)中選取相關(guān)數(shù)據(jù) 和樣本；采用常見(jiàn)的電能特性提取方法獲取電力數(shù)據(jù)特征矩陣。
[0014] 進(jìn)一步地，所述步驟（2)中，還利用相空間重構(gòu)進(jìn)行電能擾動(dòng)特性提取，首先采集 的電能擾動(dòng)信號(hào)以時(shí)間序列的形式進(jìn)行記錄。
[0015] 優(yōu)選的，所述步驟（3)中，采用隨機(jī)梯度下降法求解線(xiàn)性SVM模型：
【主權(quán)項(xiàng)】
1. 一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述方法包括以下步驟： (1) 收集數(shù)據(jù)并構(gòu)建數(shù)據(jù)庫(kù)； (2) 從原始數(shù)據(jù)庫(kù)中選取數(shù)據(jù)和樣本； (3) 利用已整理好的數(shù)據(jù)訓(xùn)練線(xiàn)性SVM，并將訓(xùn)練結(jié)果保存； (4) 通過(guò)訓(xùn)練好的模型判斷事件是否為變壓器故障事件； (5) 解釋分類(lèi)結(jié)果，并調(diào)整電能質(zhì)量。
2. 如權(quán)利要求1所述的一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述步 驟（1)中，針對(duì)變壓器故障事件分類(lèi)識(shí)別的目標(biāo)，以及相關(guān)背景知識(shí)，收集數(shù)據(jù)構(gòu)建相應(yīng)的 數(shù)據(jù)庫(kù)。
3. 如權(quán)利要求1所述的一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述步 驟（2)中，確定目標(biāo)數(shù)據(jù)，根據(jù)需求從原始數(shù)據(jù)庫(kù)中選取相關(guān)數(shù)據(jù)和樣本；采用常見(jiàn)的電能 特性提取方法獲取電力數(shù)據(jù)特征矩陣。
4. 如權(quán)利要求1或3所述的一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述 步驟（2)中，還利用相空間重構(gòu)進(jìn)行電能擾動(dòng)特性提取，首先采集的電能擾動(dòng)信號(hào)以時(shí)間 序列的形式進(jìn)行記錄。
5. 如權(quán)利要求1所述的一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述步 驟（3)中，采用隨機(jī)梯度下降法求解線(xiàn)性SVM模型：
s.t. li= 1? 2. . .n； 用梯度無(wú)偏估計(jì)來(lái)代替梯度，每次更新過(guò)程為： g(wt) =Awt+ytwTxt; wt+i=wt-ntg(wt)； 其中，包含i個(gè)樣本的集合（Xpy)，（x2,y2)，. ..，（Xpy)，其中k維的輸入向量， 代表某樣本的所有特征值，yi為樣本的基本屬性，可以取值1或者-1，參數(shù)A表示最優(yōu)分 類(lèi)間隔，nt表示下降速率。
6. 如權(quán)利要求1所述的一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，其特征在于，所述步 驟（4)中，從變壓器附近電網(wǎng)采集相關(guān)數(shù)據(jù)和樣本，該采集樣本特征維數(shù)與訓(xùn)練所用樣本 的維數(shù)一致，利用已訓(xùn)練好的模型進(jìn)行測(cè)試，根據(jù)模型的預(yù)測(cè)輸出判斷該事件是否為變壓 器故障事件。
【專(zhuān)利摘要】本發(fā)明提供一種面向電力在線(xiàn)采集數(shù)據(jù)的分類(lèi)方法，所述方法包括以下步驟：(1)收集數(shù)據(jù)并構(gòu)建數(shù)據(jù)庫(kù)；(2)從原始數(shù)據(jù)庫(kù)中選取數(shù)據(jù)和樣本；(3)利用已整理好的數(shù)據(jù)訓(xùn)練線(xiàn)性SVM，并將訓(xùn)練結(jié)果保存；(4)通過(guò)訓(xùn)練好的模型判斷事件是否為變壓器故障事件；(5)解釋分類(lèi)結(jié)果，并調(diào)整電能質(zhì)量。本發(fā)明將基于隨機(jī)梯度下降算法的SVM分類(lèi)器應(yīng)用到變壓器故障事件的分類(lèi)識(shí)別中，可以有效解決電力系統(tǒng)實(shí)測(cè)數(shù)據(jù)的在線(xiàn)采分類(lèi)問(wèn)題。本發(fā)明采用隨機(jī)梯度下降算法，通過(guò)每個(gè)樣本來(lái)迭代更新一次，即使在樣本量很大的情況，也可能只用其中幾萬(wàn)條或者幾千條的樣本，就可以迭代到最優(yōu)解。因此更適用于如今日益增長(zhǎng)的電力在線(xiàn)采集數(shù)據(jù)處理的要求。
【IPC分類(lèi)】G06Q50-06, G06K9-62
【公開(kāi)號(hào)】CN104809473
【申請(qǐng)?zhí)枴緾N201510218676
【發(fā)明人】饒瑋, 丁杰, 周愛(ài)華, 戴江鵬
【申請(qǐng)人】國(guó)網(wǎng)智能電網(wǎng)研究院, 國(guó)網(wǎng)山東省電力公司, 國(guó)家電網(wǎng)公司
【公開(kāi)日】2015年7月29日
【申請(qǐng)日】2015年4月30日