一种基于模糊支持向量机的继电保护状态在线评价方法
【专利摘要】本发明涉及一种基于模糊支持向量机的继电保护状态在线评价方法，其包括：获取智能变电站继电保护装置运行历史数据；根据继电保护历史数据，对状态评价因素进行预处理和模糊化；根据巡视及故障记录计算百分比剩余寿命，生成训练样本集；通过模糊支持向量机进行回归训练，生成模型，并对在线监视数据进行状态评价；将结果与人工评价结果进行对比，调整评价结果有差别的样本权重，重复流程，得到最终的状态评价结果。本发明提供的方法避免了对主观因素的依赖，利用了模糊支持向量机在处理不同权重样本时的优势，有效解决了智能变电站继电保护装置状态评价的难题。
【专利说明】
-种基于模糊支持向量机的继电保护状态在线评价方法
技术领域
[0001] 本发明设及一种继电保护状态在线评价方法，具体设及一种基于模糊支持向量机 的继电保护状态在线评价方法。
【背景技术】
[0002] 随着电力系统状态监测和故障诊断技术的发展，人们对设备故障模式有了更 为深入的认识和理解，运使根据设备的实时运行状态检修设备成为可能。状态检修 (Condition-based Maintenance)依据设备当前的运行状态，通过对设备运行检测信息的 分析和诊断，评判设备当前状态下是否存在故障风险，并根据评判结果有针对性的展开预 防性检修。运种检修方式可W在故障发生前预先安排检修，降低了检修任务对电网稳定运 行的影响，是今后电力设备检修技术的发展趋势。目前，在一次设备（Primary Equipment) 的状态检修的理论和实践方面皆有较多成果，但在继电保护等二次设备（Secondary Equipment)状态检修方面，相关的研究仍非常有限。虽然制定了相关状态监视规程（如： 国家电网公司《智能变电站二次设备在线监视和智能诊断技术规范》草案，2014年），但如 何利用所采集到的设备状态信息来评估设备状态，仍存在盲目性。
【发明内容】
[0003] 针对现有技术的不足，本发明提供一种基于模糊支持向量机的继电保护状态在线 评价方法，避免了对主观因素的依赖，利用了模糊支持向量机在处理不同权重样本时的优 势，有效解决了智能变电站继电保护装置状态评价的难题。
[0004] 本发明的目的是采用下述技术方案实现的： 阳〇化]一种基于模糊支持向量机的继电保护状态在线评价方法，所述方法包括，获取智 能变电站继电保护装置运行历史数据；根据继电保护历史数据，对状态评价因素进行预处 理和模糊化；根据巡视及故障记录计算百分比剩余寿命，生成训练样本集；通过模糊支持 向量机进行回归训练，生成模型，并对在线监视数据进行状态评价；将结果与人工评价结果 进行对比，调整评价结果有差别的样本权重，重复流程，得到最终的状态评价结果。
[0006] 优选的，所述状态评价因素包括，装置电源电压、过程层端口发送/接收光强度、 装置差流、装置溫度、回路红外溫度、绝缘电阻测量值、通道误码率、通道丢包率和环境湿 度。
[0007] 优选的，所述预处理包括，计算其在一个巡视周期内的平均值3、与正常值的偏离 Δ^· 程度"及变化率^其中，AT为巡视周期。 AA. :;
[000引优选的，所述模糊化包括，将评价因素的状态分为高、较高、中、较低和低5个等 级，建立模糊评判集V = {Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表较高，V 3代表中，V 4代表 较低，Ve代表低，利用模糊分布法建立各评价因素对模糊子集的隶属函数；其中，用偏大型 半梯形分布和偏小型半梯形分布作为评判Vi和V e的分布函数，中间型梯形分布作为V 2、V3 和V4的分布函数；各分布函数如下：
[0009] 偏小型半梯形分布：
[0010]
[0011] 其中，A(X)为评价因素对模糊子集的隶属函数，X为评价因素值，曰1，曰2为偏小型半 梯形隶属函数的边界；
[0012] 偏大型半梯形分布：
[0013]
[0014] 其中，B(x)为评价因素对模糊子集的隶属函数，X为评价因素值，bi，b2为偏大型半 梯形隶属函数的边界；
[0015] 中间型梯形分布：
[0016]
[0017] 其中，C(X)为评价因素对模糊子集的隶属函数，X为评价因素值，Cl, C2, C3, C4为中 间型梯形隶属函数的边界。
[0018] 优选的，所述生成训练样本集的方法包括，W定检周期T为单位，选取在一个定检 周期内存在故障事件的记录，提取故障点Tf前所有巡视点t 1，t2, t3,获得各巡视点的百分比 剩余寿命序列：
[0019]
[0020] 其中，Tf为故障发生的时间，t 1，t2, t3为巡视点距离故障点的时间，Θ 1，Θ 2, Θ 3为 各巡视点的百分比剩余寿命。
[0021] 优选的，所述状态评价的方法包括，训练样本集为S = {(Xi, y;，μ i)，i = 其中，XiG R"为第i个输入样本，R为对应于的目标值，μ 1为样本Xi 的权重，1为训练样本数目；使其依据给定训练数据寻找函数y = f (X) = ωΤφ (x)+b表示 y与X的依赖关系，并使估计值与样本值的误差最小，获得优化目标函数：
阳027] 式中，X为输入样本，y为对应X的目标值，Φ (X)为X在高维空间中的映射，ω和 b为分界面函数的参数，C为惩罚因子，ε为估计值与样本值的允许最大误差，写，簽为松弛 变量。
[0028] 与最接近的现有技术比，本发明提供的技术方具有W下优异效果：
[0029] 1)现有的层次分析法[戴宇.电力系统二次回路状态检修巧].华南理工大 学，2013.][侯艾君，继电保护状态评价方法及其在检修决策中的应用巧].重庆大 学，2012]和模糊关系矩阵法[李佩琳.二次设备状态评价模型与方法巧].华南理工大 学，2012.]计算状态评价分值时，需要组织专家进行评分，实施比较困难，且过于依赖专家 经验，具有一定的主观性。而本发明提出利用剩余寿命，说明本发明可W根据历史数据自动 形成训练样本，继而生成状态评价模型，从而使得评价结果更具客观性和自动化。
[0030] 2)现有的基于支持向量机的保护装置状态评估方法[田有文，唐晓明.基于支持 向量机的微机保护装置状态评估的研究[J].电力系统保护与控制，2009, 37(4) :66-69]需 要由专家人为对保护装置的运行状态进行评级，存在较大主观性，且没有综合考虑装置的 个体缺陷和家族缺陷。
[0031] 3)本发明利用同类型设备的检修记录W及加速寿命试验方法来扩大样本，可在一 定程度上克服小样本问题。通过模糊支持向量机算法，为扩大的样本赋予不同的权重，防止 支持向量机等同对待训练样本，从而W装置自身检修记录为主导、W同型号为辅助，既充分 关注装置的个性，又在一定程度上计及装置的家族性共性。
[0032] 综上，本发明避免了对主观因素的依赖，利用了模糊支持向量机在处理不同权重 样本时的优势，有效解决了智能变电站继电保护装置状态评价的难题。
【附图说明】
[0033] 图1是本发明提供的总方法流程图；
[0034] 图2是本发明提供的基于模糊支持向量机的继电保护状态在线评价方法的具体 流程图；
[0035] 图3是本发明提供的巡视及故障记录计算百分比剩余寿命示意图。
【具体实施方式】
[0036] 下面结合附图对本发明的【具体实施方式】作进一步的详细说明。
[0037] 如图1所示，一种基于模糊支持向量机（Suppod Vector Machine, SVM)的继电保 护状态在线评价方法，所述方法包括：获取智能变电站（Smart Substation)继电保护装置 运行历史数据；根据继电保护历史数据，对状态评价因素进行预处理和模糊化；根据巡视 及故障记录计算百分比剩余寿命，生成训练样本集；通过模糊支持向量机（Suppcxrt Vector Machine, SVM)进行回归训练，生成模型，并对在线监视数据进行状态评价；将结果与人工 评价结果进行对比，调整评价结果有差别的样本权重，重复流程，得到最终的状态评价结 果。
[0038] 本发明基本原理如图2所示，分为状态评价和闭环调整样本权重两个部分。
[0039] 为实现支持向量机（Suppcxrt Vector Machine, SVM)算法，需要为学习机提供反映 样本特性的特征向量。继电保护具有系统化特性，其故障分析包括保护装置本体、二次回路 W及通讯系统等多个环节。根据国家电网公司《智能变电站二次设备在线监视和智能诊断 技术规范》草案（2014年），故选择W上评价因素作为支持向量机的输入特征。
[0040] 所述状态评价因素包括，装置电源电压、过程层端口发送/接收光强度、装置差 流、装置溫度、回路红外溫度、绝缘电阻测量值、通道误码率、通道丢包率、环境湿度和端子 排诱蚀情况等。
[0041] 所述预处理包括，计算其在一个巡视周期内的平均值3、与正常值的偏离程度Δ? 及变化率^其中，ΔΤ为巡视周期。
[0042] 所述模糊化包括，将评价因素的状态分为5个等级，即高、较高、中、较低和低，建 立模糊评判集V = {Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表较高，V 3代表中，V 4代表较低， Ve代表低，利用模糊分布法建立各评价因素对模糊子集的隶属函数；其中，用偏大型半梯形 分布和偏小型半梯形分布作为评判Vi和V g的分布函数，中间型梯形分布作为V 2、V3和V 4的 分布函数；各分布函数形式如下：
[0043] 偏小型半梯形分布：
[0044]
(1)
[0045] 式中，A(x)为评价因素对模糊子集的隶属函数，X为评价因素值，曰1，曰2为偏小型半 梯形隶属函数的边界，其取值针对不同的评价因素，根据装置的技术指标参数确定。其中， 曰1为技术指标的低限，a 1~a 2为技术指标的偏低范围，大于a 2则表示该技术指标在正常范 围。
[0046] 偏大型半梯形分布：
[0047]
(2)
[0048] 式中，B(x)为评价因素对模糊子集的隶属函数，X为评价因素值，bi，b2为偏大型半 梯形隶属函数的边界，其取值针对不同的评价因素，根据装置的技术指标参数确定；其中， b2为技术指标的高限，b 1~b 2为技术指标的偏高范围，小于b 1则表示该技术指标在正常范 围。
[0049] 中间型梯形分布：
[0050]
城
[0051] 式中，C(x)为评价因素对模糊子集的隶属函数，X为评价因素值，Cl, C2, C3, C4为中 间型梯形隶属函数的边界，其取值应针对不同的评价因素，根据装置的技术指标参数确定； W评判集V3 (代表中）为例，Cl为技术指标的低限，C 1~C 2为技术指标的偏低范围，C 2~C 3 为技术指标的正常范围，C3~C 4则为技术指标的偏高范围，C 4为技术指标的高限。
[0052] 对于评价指标需要进行变换的评价因素，包括装置溫度和绝缘电阻测量值，可利 用其变化值和变化率^，使数据同设备状态近似满足单调递减的线性关系，再应用Ξ M. AT 种梯形分布函数建立隶属函数。
[0053] 根据各评价因素的特征，可归纳出需要使用的分布函数及其是否需要进行变换， 如表1所示。
[0054] 表 1 阳化引
[0056] 所述生成训练样本集的方法包括，如图3所示，W定检周期Τ为单位，选取在一个 定检周期内存在故障事件的记录，提取故障点Tf前所有巡视点t 1，t2, t3,获得各巡视点的百 分比剩余寿命序列：
[0057]
知
[005引其中，Tf为故障发生的时间，t 1，t2, t3为巡视点距离故障点的时间，Θ 1，Θ 2, Θ 3为 各巡视点的百分比剩余寿命。
[0059] 所述的百分比剩余寿命，是指设备某时刻距离下一次故障的时间除W设备上一次 维修结束或投运到发生故障所经历的时间。延迟时间模型表明，百分比剩余寿命可W用于 反映设备当前时刻的状态。
[0060] 所述延迟时间模型，是指设备在发生功能性故障之前，存在一个潜在故障阶段，当 设备处于该阶段时，可W通过检测预知即将发生的功能性故障，从而提前做出检修，避免故 障的发生。
[0061] 根据延迟时间模型，设备某时刻距离下一次故障的时间，即剩余寿命可W用于反 映设备当前时刻的状态。因此，可利用有故障记录的历史数据，根据巡视点的百分比剩余寿 命信息，为样本赋予状态等级目标值。 阳06引所述状态评价的方法包括，训练样本集为S= Kxi，yi，μι)，? = 其 中，XiE R"为第i个输入样本，y lE R为对应于X 1的目标值，μ 1为样本X 1的权重，1为训 练样本数目；使其依据给定训练数据寻找函数y = f (X) = ωΤφ (x)+b表示y与X的依赖 关系，并使估计值与样本值的误差最小，获得优化目标函数：
W側式中，X为输入样本，y为对应X的目标值，Φ (X)为X在高维空间中的映射，ω和 b为分界面函数的参数，C为惩罚因子，ε为估计值与样本值的允许最大误差，如若为松弛 变量。 W例惩罚因子C为常数，因此权重系数μ 1决定了样本在式中的重要性；利用模糊支 持向量机生成的模型，对在线监视获得的数据进行状态评价，同时将其与人工评价结果进 行对比，对有差别的样本权重采取减半处理，重复W上过程。
[0070] 根据W上方法将样本权重调整到最佳值，从而实现继电保护状态在线评价功能。 阳〇7U 实施例1 :
[0072] 实例系统运行记录如表2所示。保护每隔1年进行一次定期检修，每隔1个月进 行一次状态巡视，巡视时记录装置的实测电源电压。 柳7引表2
[0074]
[0076] 根据表1，对装置电源电压进行模糊化处理，将其分为V3、V4和个评判集。对于 V3,设 Ci= 4. 7, C 2= 4. 9, C 3= 5. 1，C 4= 5. 3 ;对于 V 4,设 Ci = 4. 6, C 2= 4. 7, C 3= 4. 9, C 4 二5. 0 ;对于V5,巧曰1二4. 5,曰2二4. 9,结果如表3所不。
[0077] 表 3
[0078]
[0079] 根据公式（4)，计算各时刻对应的百分比剩余寿命，结果如表4所示。
[0080] 表 4
[0081]
[0082] W上仅采集了 5个样本。为了增大样本，选择同型号另一台装置的电源电压监测 信息，经过类似的处理，形成了下表所示的样本（有4条记录）：
[0083] 表 5
[0084]
[0086] 将来自本装置的5个样本的权重置为1.0,将来自同型号装置的4个样本的权重置 为0. 3,形成扩大化的训练样本集合，共含有9个样本。根据上述步骤4中的方法，利用模糊 SVM对数据进行训练，形成装置状态的评价模型。为测试所获得状态评价模型的准确度，将 表2的在线监视信息输入该模型，得到状态评价结果如下表所示。
[0087] 表 6
[0088]
[0089] 最后应当说明的是：W上实施例仅用W说明本发明的技术方案而非对其限制，尽 管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然 可W对本发明的【具体实施方式】进行修改或者等同替换，而未脱离本发明精神和范围的任何 修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。
【主权项】
1. 一种基于模糊支持向量机的继电保护状态在线评价方法，其特征在于，所述方法包 括，获取智能变电站继电保护装置运行历史数据；对状态评价因素进行预处理和模糊化； 根据巡视及故障记录计算百分比剩余寿命，生成训练样本集；通过模糊支持向量机进行回 归训练，生成模型，并对在线监视数据进行状态评价；将结果与人工评价结果进行对比，调 整评价结果有差别的样本权重，重复流程，得到最终的状态评价结果。2. 如权利要求1所述的基于模糊支持向量机的继电保护状态在线评价方法，其特征在 于，所述状态评价因素包括，装置电源电压、过程层端口发送/接收光强度、装置差流、装置 溫度、回路红外溫度、绝缘电阻测量值、通道误码率、通道丢包率和环境湿度。3. 如权利要求1-2所述的基于模糊支持向量机的继电保护状态在线评价方法，其特征 在于，所述预处理包括，计算其在一个巡视周期内的平均值3、与正常值的偏离程度Al及 AA 变化率^其中，AT为巡视周期。4. 如权利要求1所述的基于模糊支持向量机的继电保护状态在线评价方法，其特征在 于，所述模糊化包括，将评价因素的状态分为高、较高、中、较低和低5个等级，建立模糊评 判集V = (Vi, V2, V3, V4, Vg}，其中Vi代表高，V 2代表较高，V 3代表中，V 4代表较低，V 5代表低， 利用模糊分布法建立各评价因素对模糊子集的隶属函数；其中，用偏大型半梯形分布和偏 小型半梯形分布作为评判Vi和V g的分布函数，中间型梯形分布作为V 2、V3和V 4的分布函 数；各分布函数如下： 偏小型半梯形分布：(1) 其中，A(X)为评价因素对模糊子集的隶属函数，X为评价因素值，曰1，曰2为偏小型半梯形 隶属函数的边界； 偏大型半梯形分布：巧） 其中，B (X)为评价因素对模糊子集的隶属函数，X为评价因素值，bi，b2为偏大型半梯形 隶属函数的边界； 中间型梯形分布：斌。 其中，C(X)为评价因素对模糊子集的隶属函数，X为评价因素值，Cl, C2, C3, C4为中间型 梯形隶属函数的边界。5. 如权利要求1所述的基于模糊支持向量机的继电保护状态在线评价方法，其特征在 于，所述生成训练样本集的方法包括，W定检周期T为单位，选取在一个定检周期内存在故 障事件的记录，提取故障点Tf前所有巡视点t 1，t2, t3,获得各巡视点的百分比剩余寿命序 列：的)。 其中，Tf为故障发生的时间，ti，t2，t3为巡视点距离故障点的时间，0 1，0 2, 0 3为各巡 视点的百分比剩余寿命。6. 如权利要求1所述的基于模糊支持向量机的继电保护状态在线评价方法，其特征在 于，所述状态评价的方法包括，所述训练样本集为S = {(Xi, y;，Ji i)，i = 1，2, . . .，1}，其中， XiG R"为第i个输入样本，yiG R为对应于Xi的目标值，y 1为样本Xi的权重，1为训练样 本数目；使其依据给定训练数据寻找函数Y = f (X) = ?T4 (X)+b表示y与X的依赖关系， 并使估计值与样本值的误差最小，获得优化目标函数：結;)： (6) 式中，X为输入样本，y为对应X的目标值，d) (X)为X在高维空间中的映射，《和b为 分界面函数的参数，C为惩罚因子，e为估计值与样本值的允许最大误差，《，梦为松弛变 量。
【文档编号】G06Q50/06GK105989542SQ201510051867
【公开日】2016年10月5日
【申请日】2015年1月30日
【发明人】李仲青, 张沛超, 姜宪国, 何旭, 高翔, 李伟
【申请人】国家电网公司, 中国电力科学研究院, 上海交通大学, 上海毅昊自动化有限公司, 国网天津市电力公司