电力设备内部绝缘缺陷发展往往会因环境条件的改变而变化,加之采集到的局部放电(PD)数据具有分散性和复杂性,导致传统绝缘故障识别方法效果不佳。为此,提出了一种用于气体绝缘组合电器(GIS)设备PD类型识别的支持向量数据描述(SVDD)算法。借鉴支持向量机(SVM)算法中最大化"间隔"的思想,建立了这种优化的支持向量数据描述(OR-SVDD)算法。局部放电类型识别-电动折弯机数控滚圆机弯管机滚弧机张家港滚圆机滚弧机该算法采用多分类方法中的"一对多"原理,用以解决对传统绝缘故障出现的识别率低、误识别、漏识别以及识别时间长等问题。通过仿真与实验结果表明,OR-SVDD算法能够对所有的数据进行正确描述,自动辨识拒识对象,训练时间低于传统的SVM算法,并具有较高的识别率,在电力设备在线监测与局部放电模式识别领域有良好的应用前景。算法对ＰＤ样本进行描述，得到识别针板放电模型样本和其余３类放电模型样本的最优超球体Θ１；ａ１和Ｒ１分别为超球体的球心和半径。此时，通过公式（５）判断得到，其余放电模型样本在超球体Θ１外。然后运用公式（５）计算所有其余放电模型样本到超球体球心ａ１的距离，选择距离超球体Θ１最近的ＰＤ样本作为ＳＶ２，并以ａ１为球心， 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com以支持向量ＳＶ２到球心ａ１的距离为半径Ｒ２＞Ｒ１，建立一个与超球体Θ１同心的图３ＯＲ－ＳＶＤＤ算法的原理示意图超球体Θ２，则同心最优超球体Θ０的半径从图３中可以看出，在对ＳＶＤＤ构造的超球体Θ１进行优化之前，Θ１所包含的样本全是针板放电模型样本，有２个针板放电模型样本和其他放电模型样本全部在Θ１外，说明此算法能够精确地识别其他放电模型样本，而位于Θ１外的针板放电模型样本点虽紧靠Θ１，但最终被识别为其他放电模型样本，影响识别结果。通过上述优化处理以后，ＯＲ－ＳＶＤＤ算法构造了新的超球体Θ０，充分考虑了针板放电模型的分类裕度，克服了因ＰＤ数据分散而对辨识放电模型造成的影响。２．２多分类识别ＳＶＤＤ算法本质上是２分类算法，而ＰＤ类型识别是典型的多分类问题。按照上文所述，该算法只能识别测试样本是否为针板放电模型样本，不能识别其余３类放电模型样本。因此需要将算法延伸到多分类识别。目前，用于识局部放电类型识别-电动折弯机数控滚圆机弯管机滚弧机张家港滚圆机滚弧机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com