[发明专利]基于相关向量机的输电线路故障原因智能辨识方法

权利要求书

1.一种基于相关向量机的输电线路故障原因智能辨识方法，其特征在于，包括以下步骤：

对故障样本集重采样得到含有虚拟样本的扩容样本集；其中，所述故障样本集包括输电线路故障原因类型及每一故障原因类型对应的故障样本数据；

基于所述扩容样本集的样本本征维数和对所述扩容样本集划分子集，对所述扩容样本集进行特征选择，获取特征子集和基于所述特征子集的新样本集；

基于所述新样本集，划分训练样本集和测试样本集，对构建的基于相关向量机单元的故障原因识别模块进行训练和测试，得到训练后的故障原因识别模块及其故障原因辨识准确率；

利用所述训练后的故障原因识别模块对未明故障原因的单次故障样本数据进行识别，得到故障原因的辨识结果；

所述对所述扩容样本集进行特征选择，获取特征子集和基于所述特征子集的新样本集，包括：

S6-1.设置特征子集W为空集，启动样本特征搜索；

S6-2.在未加入特征子集W的样本特征x₁至x_j中，按照样本特征搜索顺序，滑动选择1个特征x_g，g为特征序号，将x_g加入W，将样本数据从包含j维特征值的向量删减为只含特征子集W的向量，进而形成新的样本集；

S6-3.获取当前W下的子集划分正确率然后将x_g从W中删除；

其中，＝正确归位样本点的总数÷样本总量；其中，获得所述正确归位样本点的总数包括，对步骤S6-2获得的新的样本集进行子集划分，获得每个样本的新的集合序号，若该样本新的集合序号与该样本原集合序号相同，则该样本点为正确归位样本点，统计得到所述正确归位样本点的总数；

S6-4.重复S6-1至S6-3步骤，直至获得x_g＝x_j时的子集划分正确率；经比较得出本轮搜索获得的子集划分最大正确率

S6-5.选取本轮搜索获得的子集划分最大正确率所对应的x_g，将该x_g加入W作为本轮搜索获得的特征子集W；

S6-6.在特征子集W中滑动选择一个特征x_g’，使得只含特征子集(W-x_g’)的新样本集在状态空间中达到子集划分最大正确率若从W中剔除该x_g’，作为本轮特征删除获得的特征子集W；

S6-7.若W所含维度未达到所述本征维数L，则重复步骤S6-2至S6-6，直至所述特征子集W所含特征数量等于所述本征维数；

基于所述特征子集对所述扩容样本集的样本数据进行特征数据提取，获得基于所述特征子集的新样本集。

2.根据权利要求1所述的基于相关向量机的输电线路故障原因智能辨识方法，其特征在于，所述故障样本数据表示为x(i)，包含153维特征向量：

其中，

i为样本编号；

x₁为发生故障时的季节特征值，取值范围为1、2、3、4；

x₂至x₁₄₅为输电线路电流和电压信号的144个暂态特征值，包括：对8路原波信号波段分别进行6层小波分解，对每层的小波细节系数提取的3个信号暂态特征；

所述8路原波信号波段包括：故障前后，输电线路的三相线路及零序线路的电压信号波段U_A、U_B、U_C和U₀，及电流信号波段I_A、I_B、I_C和I₀；

所述信号暂态特征包括能量指标均值、方差和熵；

x₁₄₆至x₁₄₉为所述电压信号波段U_A、U_B、U_C和U₀分别在故障前后的电压幅值比值；

x₁₅₀至x₁₅₃为所述电流信号波段I_A、I_B、I_C和I₀分别在故障前后的电流幅值比值。