一種基于模糊支持向量機的繼電保護狀態(tài)在線評價方法
【專利摘要】本發(fā)明涉及一種基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其包括：獲取智能變電站繼電保護裝置運行歷史數(shù)據(jù)；根據(jù)繼電保護歷史數(shù)據(jù)，對狀態(tài)評價因素進行預(yù)處理和模糊化；根據(jù)巡視及故障記錄計算百分比剩余壽命，生成訓(xùn)練樣本集；通過模糊支持向量機進行回歸訓(xùn)練，生成模型，并對在線監(jiān)視數(shù)據(jù)進行狀態(tài)評價；將結(jié)果與人工評價結(jié)果進行對比，調(diào)整評價結(jié)果有差別的樣本權(quán)重，重復(fù)流程，得到最終的狀態(tài)評價結(jié)果。本發(fā)明提供的方法避免了對主觀因素的依賴，利用了模糊支持向量機在處理不同權(quán)重樣本時的優(yōu)勢，有效解決了智能變電站繼電保護裝置狀態(tài)評價的難題。
【專利說明】
-種基于模糊支持向量機的繼電保護狀態(tài)在線評價方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種繼電保護狀態(tài)在線評價方法，具體設(shè)及一種基于模糊支持向量機 的繼電保護狀態(tài)在線評價方法。
【背景技術(shù)】
[0002] 隨著電力系統(tǒng)狀態(tài)監(jiān)測和故障診斷技術(shù)的發(fā)展，人們對設(shè)備故障模式有了更 為深入的認識和理解，運使根據(jù)設(shè)備的實時運行狀態(tài)檢修設(shè)備成為可能。狀態(tài)檢修 (Condition-based Maintenance)依據(jù)設(shè)備當前的運行狀態(tài)，通過對設(shè)備運行檢測信息的 分析和診斷，評判設(shè)備當前狀態(tài)下是否存在故障風險，并根據(jù)評判結(jié)果有針對性的展開預(yù) 防性檢修。運種檢修方式可W在故障發(fā)生前預(yù)先安排檢修，降低了檢修任務(wù)對電網(wǎng)穩(wěn)定運 行的影響，是今后電力設(shè)備檢修技術(shù)的發(fā)展趨勢。目前，在一次設(shè)備（Primary Equipment) 的狀態(tài)檢修的理論和實踐方面皆有較多成果，但在繼電保護等二次設(shè)備（Secondary Equipment)狀態(tài)檢修方面，相關(guān)的研究仍非常有限。雖然制定了相關(guān)狀態(tài)監(jiān)視規(guī)程（如： 國家電網(wǎng)公司《智能變電站二次設(shè)備在線監(jiān)視和智能診斷技術(shù)規(guī)范》草案，2014年），但如 何利用所采集到的設(shè)備狀態(tài)信息來評估設(shè)備狀態(tài)，仍存在盲目性。

【發(fā)明內(nèi)容】

[0003] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于模糊支持向量機的繼電保護狀態(tài)在線 評價方法，避免了對主觀因素的依賴，利用了模糊支持向量機在處理不同權(quán)重樣本時的優(yōu) 勢，有效解決了智能變電站繼電保護裝置狀態(tài)評價的難題。
[0004] 本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的： 陽〇化]一種基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，所述方法包括，獲取智 能變電站繼電保護裝置運行歷史數(shù)據(jù)；根據(jù)繼電保護歷史數(shù)據(jù)，對狀態(tài)評價因素進行預(yù)處 理和模糊化；根據(jù)巡視及故障記錄計算百分比剩余壽命，生成訓(xùn)練樣本集；通過模糊支持 向量機進行回歸訓(xùn)練，生成模型，并對在線監(jiān)視數(shù)據(jù)進行狀態(tài)評價；將結(jié)果與人工評價結(jié)果 進行對比，調(diào)整評價結(jié)果有差別的樣本權(quán)重，重復(fù)流程，得到最終的狀態(tài)評價結(jié)果。
[0006] 優(yōu)選的，所述狀態(tài)評價因素包括，裝置電源電壓、過程層端口發(fā)送/接收光強度、 裝置差流、裝置溫度、回路紅外溫度、絕緣電阻測量值、通道誤碼率、通道丟包率和環(huán)境濕 度。
[0007] 優(yōu)選的，所述預(yù)處理包括，計算其在一個巡視周期內(nèi)的平均值3、與正常值的偏離 Δ^· 程度"及變化率^其中，AT為巡視周期。 AA. :;
[000引優(yōu)選的，所述模糊化包括，將評價因素的狀態(tài)分為高、較高、中、較低和低5個等 級，建立模糊評判集V = {Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表較高，V 3代表中，V 4代表 較低，Ve代表低，利用模糊分布法建立各評價因素對模糊子集的隸屬函數(shù)；其中，用偏大型 半梯形分布和偏小型半梯形分布作為評判Vi和V e的分布函數(shù)，中間型梯形分布作為V 2、V3 和V4的分布函數(shù)；各分布函數(shù)如下：
[0009] 偏小型半梯形分布：
[0010]
[0011] 其中，A(X)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，曰1，曰2為偏小型半 梯形隸屬函數(shù)的邊界；
[0012] 偏大型半梯形分布：
[0013]
[0014] 其中，B(x)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，bi，b2為偏大型半 梯形隸屬函數(shù)的邊界；
[0015] 中間型梯形分布：
[0016]
[0017] 其中，C(X)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，Cl, C2, C3, C4為中 間型梯形隸屬函數(shù)的邊界。
[0018] 優(yōu)選的，所述生成訓(xùn)練樣本集的方法包括，W定檢周期T為單位，選取在一個定檢 周期內(nèi)存在故障事件的記錄，提取故障點Tf前所有巡視點t 1，t2, t3,獲得各巡視點的百分比 剩余壽命序列：
[0019]
[0020] 其中，Tf為故障發(fā)生的時間，t 1，t2, t3為巡視點距離故障點的時間，Θ 1，Θ 2, Θ 3為 各巡視點的百分比剩余壽命。
[0021] 優(yōu)選的，所述狀態(tài)評價的方法包括，訓(xùn)練樣本集為S = {(Xi, y;，μ i)，i = 其中，XiG R"為第i個輸入樣本，R為對應(yīng)于的目標值，μ 1為樣本Xi 的權(quán)重，1為訓(xùn)練樣本數(shù)目；使其依據(jù)給定訓(xùn)練數(shù)據(jù)尋找函數(shù)y = f (X) = ωΤφ (x)+b表示 y與X的依賴關(guān)系，并使估計值與樣本值的誤差最小，獲得優(yōu)化目標函數(shù)：
陽027] 式中，X為輸入樣本，y為對應(yīng)X的目標值，Φ (X)為X在高維空間中的映射，ω和 b為分界面函數(shù)的參數(shù)，C為懲罰因子，ε為估計值與樣本值的允許最大誤差，寫，簽為松弛 變量。
[0028] 與最接近的現(xiàn)有技術(shù)比，本發(fā)明提供的技術(shù)方具有W下優(yōu)異效果：
[0029] 1)現(xiàn)有的層次分析法[戴宇.電力系統(tǒng)二次回路狀態(tài)檢修巧].華南理工大 學，2013.][侯艾君，繼電保護狀態(tài)評價方法及其在檢修決策中的應(yīng)用巧].重慶大 學，2012]和模糊關(guān)系矩陣法[李佩琳.二次設(shè)備狀態(tài)評價模型與方法巧].華南理工大 學，2012.]計算狀態(tài)評價分值時，需要組織專家進行評分，實施比較困難，且過于依賴專家 經(jīng)驗，具有一定的主觀性。而本發(fā)明提出利用剩余壽命，說明本發(fā)明可W根據(jù)歷史數(shù)據(jù)自動 形成訓(xùn)練樣本，繼而生成狀態(tài)評價模型，從而使得評價結(jié)果更具客觀性和自動化。
[0030] 2)現(xiàn)有的基于支持向量機的保護裝置狀態(tài)評估方法[田有文，唐曉明.基于支持 向量機的微機保護裝置狀態(tài)評估的研究[J].電力系統(tǒng)保護與控制，2009, 37(4) :66-69]需 要由專家人為對保護裝置的運行狀態(tài)進行評級，存在較大主觀性，且沒有綜合考慮裝置的 個體缺陷和家族缺陷。
[0031] 3)本發(fā)明利用同類型設(shè)備的檢修記錄W及加速壽命試驗方法來擴大樣本，可在一 定程度上克服小樣本問題。通過模糊支持向量機算法，為擴大的樣本賦予不同的權(quán)重，防止 支持向量機等同對待訓(xùn)練樣本，從而W裝置自身檢修記錄為主導(dǎo)、W同型號為輔助，既充分 關(guān)注裝置的個性，又在一定程度上計及裝置的家族性共性。
[0032] 綜上，本發(fā)明避免了對主觀因素的依賴，利用了模糊支持向量機在處理不同權(quán)重 樣本時的優(yōu)勢，有效解決了智能變電站繼電保護裝置狀態(tài)評價的難題。
【附圖說明】
[0033] 圖1是本發(fā)明提供的總方法流程圖；
[0034] 圖2是本發(fā)明提供的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法的具體 流程圖；
[0035] 圖3是本發(fā)明提供的巡視及故障記錄計算百分比剩余壽命示意圖。
【具體實施方式】
[0036] 下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進一步的詳細說明。
[0037] 如圖1所示，一種基于模糊支持向量機（Suppod Vector Machine, SVM)的繼電保 護狀態(tài)在線評價方法，所述方法包括：獲取智能變電站（Smart Substation)繼電保護裝置 運行歷史數(shù)據(jù)；根據(jù)繼電保護歷史數(shù)據(jù)，對狀態(tài)評價因素進行預(yù)處理和模糊化；根據(jù)巡視 及故障記錄計算百分比剩余壽命，生成訓(xùn)練樣本集；通過模糊支持向量機（Suppcxrt Vector Machine, SVM)進行回歸訓(xùn)練，生成模型，并對在線監(jiān)視數(shù)據(jù)進行狀態(tài)評價；將結(jié)果與人工 評價結(jié)果進行對比，調(diào)整評價結(jié)果有差別的樣本權(quán)重，重復(fù)流程，得到最終的狀態(tài)評價結(jié) 果。
[0038] 本發(fā)明基本原理如圖2所示，分為狀態(tài)評價和閉環(huán)調(diào)整樣本權(quán)重兩個部分。
[0039] 為實現(xiàn)支持向量機（Suppcxrt Vector Machine, SVM)算法，需要為學習機提供反映 樣本特性的特征向量。繼電保護具有系統(tǒng)化特性，其故障分析包括保護裝置本體、二次回路 W及通訊系統(tǒng)等多個環(huán)節(jié)。根據(jù)國家電網(wǎng)公司《智能變電站二次設(shè)備在線監(jiān)視和智能診斷 技術(shù)規(guī)范》草案（2014年），故選擇W上評價因素作為支持向量機的輸入特征。
[0040] 所述狀態(tài)評價因素包括，裝置電源電壓、過程層端口發(fā)送/接收光強度、裝置差 流、裝置溫度、回路紅外溫度、絕緣電阻測量值、通道誤碼率、通道丟包率、環(huán)境濕度和端子 排誘蝕情況等。
[0041] 所述預(yù)處理包括，計算其在一個巡視周期內(nèi)的平均值3、與正常值的偏離程度Δ? 及變化率^其中，ΔΤ為巡視周期。
[0042] 所述模糊化包括，將評價因素的狀態(tài)分為5個等級，即高、較高、中、較低和低，建 立模糊評判集V = {Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表較高，V 3代表中，V 4代表較低， Ve代表低，利用模糊分布法建立各評價因素對模糊子集的隸屬函數(shù)；其中，用偏大型半梯形 分布和偏小型半梯形分布作為評判Vi和V g的分布函數(shù)，中間型梯形分布作為V 2、V3和V 4的 分布函數(shù)；各分布函數(shù)形式如下：
[0043] 偏小型半梯形分布：
[0044]
(1)
[0045] 式中，A(x)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，曰1，曰2為偏小型半 梯形隸屬函數(shù)的邊界，其取值針對不同的評價因素，根據(jù)裝置的技術(shù)指標參數(shù)確定。其中， 曰1為技術(shù)指標的低限，a 1~a 2為技術(shù)指標的偏低范圍，大于a 2則表示該技術(shù)指標在正常范 圍。
[0046] 偏大型半梯形分布：
[0047]
(2)
[0048] 式中，B(x)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，bi，b2為偏大型半 梯形隸屬函數(shù)的邊界，其取值針對不同的評價因素，根據(jù)裝置的技術(shù)指標參數(shù)確定；其中， b2為技術(shù)指標的高限，b 1~b 2為技術(shù)指標的偏高范圍，小于b 1則表示該技術(shù)指標在正常范 圍。
[0049] 中間型梯形分布：
[0050]
城
[0051] 式中，C(x)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，Cl, C2, C3, C4為中 間型梯形隸屬函數(shù)的邊界，其取值應(yīng)針對不同的評價因素，根據(jù)裝置的技術(shù)指標參數(shù)確定； W評判集V3 (代表中）為例，Cl為技術(shù)指標的低限，C 1~C 2為技術(shù)指標的偏低范圍，C 2~C 3 為技術(shù)指標的正常范圍，C3~C 4則為技術(shù)指標的偏高范圍，C 4為技術(shù)指標的高限。
[0052] 對于評價指標需要進行變換的評價因素，包括裝置溫度和絕緣電阻測量值，可利 用其變化值和變化率^，使數(shù)據(jù)同設(shè)備狀態(tài)近似滿足單調(diào)遞減的線性關(guān)系，再應(yīng)用Ξ M. AT 種梯形分布函數(shù)建立隸屬函數(shù)。
[0053] 根據(jù)各評價因素的特征，可歸納出需要使用的分布函數(shù)及其是否需要進行變換， 如表1所示。
[0054] 表 1 陽化引
[0056] 所述生成訓(xùn)練樣本集的方法包括，如圖3所示，W定檢周期Τ為單位，選取在一個 定檢周期內(nèi)存在故障事件的記錄，提取故障點Tf前所有巡視點t 1，t2, t3,獲得各巡視點的百 分比剩余壽命序列：
[0057]
知
[005引其中，Tf為故障發(fā)生的時間，t 1，t2, t3為巡視點距離故障點的時間，Θ 1，Θ 2, Θ 3為 各巡視點的百分比剩余壽命。
[0059] 所述的百分比剩余壽命，是指設(shè)備某時刻距離下一次故障的時間除W設(shè)備上一次 維修結(jié)束或投運到發(fā)生故障所經(jīng)歷的時間。延遲時間模型表明，百分比剩余壽命可W用于 反映設(shè)備當前時刻的狀態(tài)。
[0060] 所述延遲時間模型，是指設(shè)備在發(fā)生功能性故障之前，存在一個潛在故障階段，當 設(shè)備處于該階段時，可W通過檢測預(yù)知即將發(fā)生的功能性故障，從而提前做出檢修，避免故 障的發(fā)生。
[0061] 根據(jù)延遲時間模型，設(shè)備某時刻距離下一次故障的時間，即剩余壽命可W用于反 映設(shè)備當前時刻的狀態(tài)。因此，可利用有故障記錄的歷史數(shù)據(jù)，根據(jù)巡視點的百分比剩余壽 命信息，為樣本賦予狀態(tài)等級目標值。 陽06引所述狀態(tài)評價的方法包括，訓(xùn)練樣本集為S= Kxi，yi，μι)，? = 其 中，XiE R"為第i個輸入樣本，y lE R為對應(yīng)于X 1的目標值，μ 1為樣本X 1的權(quán)重，1為訓(xùn) 練樣本數(shù)目；使其依據(jù)給定訓(xùn)練數(shù)據(jù)尋找函數(shù)y = f (X) = ωΤφ (x)+b表示y與X的依賴 關(guān)系，并使估計值與樣本值的誤差最小，獲得優(yōu)化目標函數(shù)：
W側(cè)式中，X為輸入樣本，y為對應(yīng)X的目標值，Φ (X)為X在高維空間中的映射，ω和 b為分界面函數(shù)的參數(shù)，C為懲罰因子，ε為估計值與樣本值的允許最大誤差，如若為松弛 變量。 W例懲罰因子C為常數(shù)，因此權(quán)重系數(shù)μ 1決定了樣本在式中的重要性；利用模糊支 持向量機生成的模型，對在線監(jiān)視獲得的數(shù)據(jù)進行狀態(tài)評價，同時將其與人工評價結(jié)果進 行對比，對有差別的樣本權(quán)重采取減半處理，重復(fù)W上過程。
[0070] 根據(jù)W上方法將樣本權(quán)重調(diào)整到最佳值，從而實現(xiàn)繼電保護狀態(tài)在線評價功能。 陽〇7U 實施例1 :
[0072] 實例系統(tǒng)運行記錄如表2所示。保護每隔1年進行一次定期檢修，每隔1個月進 行一次狀態(tài)巡視，巡視時記錄裝置的實測電源電壓。 柳7引表2
[0074]
[0076] 根據(jù)表1，對裝置電源電壓進行模糊化處理，將其分為V3、V4和個評判集。對于 V3,設(shè) Ci= 4. 7, C 2= 4. 9, C 3= 5. 1，C 4= 5. 3 ;對于 V 4,設(shè) Ci = 4. 6, C 2= 4. 7, C 3= 4. 9, C 4 二5. 0 ;對于V5,巧曰1二4. 5,曰2二4. 9,結(jié)果如表3所不。
[0077] 表 3
[0078]
[0079] 根據(jù)公式（4)，計算各時刻對應(yīng)的百分比剩余壽命，結(jié)果如表4所示。
[0080] 表 4
[0081]
[0082] W上僅采集了 5個樣本。為了增大樣本，選擇同型號另一臺裝置的電源電壓監(jiān)測 信息，經(jīng)過類似的處理，形成了下表所示的樣本（有4條記錄）：
[0083] 表 5
[0084]
[0086] 將來自本裝置的5個樣本的權(quán)重置為1.0,將來自同型號裝置的4個樣本的權(quán)重置 為0. 3,形成擴大化的訓(xùn)練樣本集合，共含有9個樣本。根據(jù)上述步驟4中的方法，利用模糊 SVM對數(shù)據(jù)進行訓(xùn)練，形成裝置狀態(tài)的評價模型。為測試所獲得狀態(tài)評價模型的準確度，將 表2的在線監(jiān)視信息輸入該模型，得到狀態(tài)評價結(jié)果如下表所示。
[0087] 表 6
[0088]
[0089] 最后應(yīng)當說明的是：W上實施例僅用W說明本發(fā)明的技術(shù)方案而非對其限制，盡 管參照上述實施例對本發(fā)明進行了詳細的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當理解：依然 可W對本發(fā)明的【具體實施方式】進行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何 修改或者等同替換，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當中。
【主權(quán)項】
1. 一種基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征在于，所述方法包 括，獲取智能變電站繼電保護裝置運行歷史數(shù)據(jù)；對狀態(tài)評價因素進行預(yù)處理和模糊化； 根據(jù)巡視及故障記錄計算百分比剩余壽命，生成訓(xùn)練樣本集；通過模糊支持向量機進行回 歸訓(xùn)練，生成模型，并對在線監(jiān)視數(shù)據(jù)進行狀態(tài)評價；將結(jié)果與人工評價結(jié)果進行對比，調(diào) 整評價結(jié)果有差別的樣本權(quán)重，重復(fù)流程，得到最終的狀態(tài)評價結(jié)果。2. 如權(quán)利要求1所述的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征在 于，所述狀態(tài)評價因素包括，裝置電源電壓、過程層端口發(fā)送/接收光強度、裝置差流、裝置 溫度、回路紅外溫度、絕緣電阻測量值、通道誤碼率、通道丟包率和環(huán)境濕度。3. 如權(quán)利要求1-2所述的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征 在于，所述預(yù)處理包括，計算其在一個巡視周期內(nèi)的平均值3、與正常值的偏離程度Al及 AA 變化率^其中，AT為巡視周期。4. 如權(quán)利要求1所述的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征在 于，所述模糊化包括，將評價因素的狀態(tài)分為高、較高、中、較低和低5個等級，建立模糊評 判集V = (Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表較高，V 3代表中，V 4代表較低，V 5代表低， 利用模糊分布法建立各評價因素對模糊子集的隸屬函數(shù)；其中，用偏大型半梯形分布和偏 小型半梯形分布作為評判Vi和V g的分布函數(shù)，中間型梯形分布作為V 2、V3和V 4的分布函 數(shù)；各分布函數(shù)如下： 偏小型半梯形分布：(1) 其中，A(X)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，曰1，曰2為偏小型半梯形 隸屬函數(shù)的邊界； 偏大型半梯形分布：巧） 其中，B (X)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，bi，b2為偏大型半梯形 隸屬函數(shù)的邊界； 中間型梯形分布：斌。 其中，C(X)為評價因素對模糊子集的隸屬函數(shù)，X為評價因素值，Cl, C2, C3, C4為中間型 梯形隸屬函數(shù)的邊界。5. 如權(quán)利要求1所述的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征在 于，所述生成訓(xùn)練樣本集的方法包括，W定檢周期T為單位，選取在一個定檢周期內(nèi)存在故 障事件的記錄，提取故障點Tf前所有巡視點t 1，t2, t3,獲得各巡視點的百分比剩余壽命序 列：的)。 其中，Tf為故障發(fā)生的時間，ti，t2，t3為巡視點距離故障點的時間，0 1，0 2, 0 3為各巡 視點的百分比剩余壽命。6. 如權(quán)利要求1所述的基于模糊支持向量機的繼電保護狀態(tài)在線評價方法，其特征在 于，所述狀態(tài)評價的方法包括，所述訓(xùn)練樣本集為S = {(Xi, y;，Ji i)，i = 1，2, . . .，1}，其中， XiG R"為第i個輸入樣本，yiG R為對應(yīng)于Xi的目標值，y 1為樣本Xi的權(quán)重，1為訓(xùn)練樣 本數(shù)目；使其依據(jù)給定訓(xùn)練數(shù)據(jù)尋找函數(shù)Y = f (X) = ?T4 (X)+b表示y與X的依賴關(guān)系， 并使估計值與樣本值的誤差最小，獲得優(yōu)化目標函數(shù)：結(jié);)： (6) 式中，X為輸入樣本，y為對應(yīng)X的目標值，d) (X)為X在高維空間中的映射，《和b為 分界面函數(shù)的參數(shù)，C為懲罰因子，e為估計值與樣本值的允許最大誤差，《，夢為松弛變 量。
【文檔編號】G06Q50/06GK105989542SQ201510051867
【公開日】2016年10月5日
【申請日】2015年1月30日
【發(fā)明人】李仲青, 張沛超, 姜憲國, 何旭, 高翔, 李偉
【申請人】國家電網(wǎng)公司, 中國電力科學研究院, 上海交通大學, 上海毅昊自動化有限公司, 國網(wǎng)天津市電力公司