(廣東電網(wǎng)有限責(zé)任公司清遠(yuǎn)清城供電局,廣東 清遠(yuǎn) 511500)

基于混合算法與支持向量機(jī)的電力變壓器故障診斷

賈立敬

(廣東電網(wǎng)有限責(zé)任公司清遠(yuǎn)清城供電局,廣東 清遠(yuǎn) 511500)

為了改進(jìn)、優(yōu)化支持向量機(jī)的核函數(shù)參數(shù)σ以及懲罰因子C，提出了基于粒子群與差分進(jìn)化相結(jié)合的混合優(yōu)化算法(PSODE)，從而獲得最優(yōu)的故障診斷模型。通過引入四種基準(zhǔn)測試函數(shù)：Sphere函數(shù)、Rosenbrock函數(shù)、Rastrigin函數(shù)、Griewank函數(shù)對PSO、DE、PSODE的性能進(jìn)行測試，仿真結(jié)果表明PSODE是一種具有較強(qiáng)優(yōu)化性能的算法。為了進(jìn)一步驗證該方法的有效性，通過對油中溶解的H2、CH4、C2H6、C2H4、C2H2的含量進(jìn)行分析，可以較準(zhǔn)確地識別低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態(tài)。

支持向量機(jī);粒子群 差分進(jìn)化

1 引言

油浸式電力變壓器作為電力系統(tǒng)的關(guān)鍵設(shè)備，一旦出現(xiàn)故障可能造成長時間的供電中斷，因此及時、準(zhǔn)確地發(fā)現(xiàn)變壓器故障對于電網(wǎng)安全運(yùn)行意義重大。

針對變壓器所出現(xiàn)的故障，診斷方法多種多樣，其中檢測變壓器內(nèi)部故障最有效的手段之一為油中溶解氣體分析法[1]，這種方法能及時較早地發(fā)現(xiàn)電力變壓器內(nèi)部出現(xiàn)的故障，在變壓器運(yùn)行維護(hù)過程中發(fā)現(xiàn)并排除了多次故障隱患[2]。由于變壓器故障類型的多樣性、模糊性，采用傳統(tǒng)的故障診斷方法已無法滿足變壓器故障診斷高可靠性的要求。隨著計算機(jī)和人工智能技術(shù)的迅速發(fā)展，引入專家系統(tǒng)[3-4]、人工神經(jīng)網(wǎng)絡(luò)[5]、模糊數(shù)學(xué)[6]等智能方法對變壓器出現(xiàn)的故障進(jìn)行判別，在一定程度上取得了進(jìn)展[7]。但是這些理論的提出大多數(shù)存在一定缺陷，專家系統(tǒng)過分依賴知識庫結(jié)構(gòu)的好壞，而實際中獲取的某些專家知識是不完整的，嚴(yán)重影響專家系統(tǒng)的準(zhǔn)確性；模糊數(shù)學(xué)中人為干預(yù)的因素較多，使得該理論無法得到廣泛應(yīng)用；人工神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)結(jié)構(gòu)不易確定，網(wǎng)絡(luò)參數(shù)求解相對復(fù)雜等缺陷，影響復(fù)雜系統(tǒng)的收斂速度，使得該方法的推廣受到一定的限制。鑒于工程實際中變壓器故障樣本數(shù)據(jù)有限，不確定性因素多的現(xiàn)狀，以上智能故障診斷方法無法取得最佳效果，而支持向量機(jī)是應(yīng)用統(tǒng)計學(xué)習(xí)理論，專門解決具有非線性、樣本少及維數(shù)高特性的模式識別問題的學(xué)習(xí)機(jī)器，更適用于解決有限的小樣本數(shù)據(jù)。

本文通過PSO、DE以及PSODE的性能測試，將PSODE混合算法應(yīng)用在支持向量機(jī)中，對支持向量機(jī)的參數(shù)σ以及懲罰因子C進(jìn)行改進(jìn)、優(yōu)化，從而獲得最優(yōu)的故障診斷模型。將溶解在油浸式電力變壓器油中的H2、C2H4、C2H6、CH4、C2H2五種氣體的體積含量作為特征量，以變壓器常見的7種故障狀態(tài)作為故障診斷模型的輸出。仿真結(jié)果表明，經(jīng)PSODE混合算法優(yōu)化的SVM相對經(jīng)不同算法優(yōu)化的SVM比較，發(fā)現(xiàn)此方法可較準(zhǔn)確地識別變壓器所出現(xiàn)的故障。

2 基于粒子群與差分進(jìn)化相結(jié)合的混合優(yōu)化算法

2.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)最早是在1995年由Eberhart和Kennedy[8]共同提出的，是一種以個體的競爭與合作為基礎(chǔ)對復(fù)雜搜索空間中最優(yōu)解進(jìn)行搜索的過程，類似于遺傳算法，但二者又有一定的區(qū)別，此算法未對種群使用交叉、變異等操作，是通過群體中個體之間信息的協(xié)作與共享來尋優(yōu)，其每發(fā)生一次迭代過程，“個體極值”和“全局極值”都要進(jìn)行一次更新，所有微粒的飛行軌跡調(diào)整均依賴于局部最優(yōu)值pi以及全局最優(yōu)值pg。粒子位置更新過程的示意圖如圖1所示。

圖1 粒子位置更新示意圖

2.2 差分進(jìn)化算法

差分進(jìn)化算法最早是由Storn和Price[9]提出的，作為一種優(yōu)化方法最初是用于解決切比雪夫多項式擬合問題。是一種以群體智能為基礎(chǔ)的全局優(yōu)化算法，可用于解決連續(xù)領(lǐng)域的優(yōu)化問題，通過種群內(nèi)個體之間存在的競爭與協(xié)作關(guān)系，產(chǎn)生優(yōu)勢個體來對種群的進(jìn)化過程進(jìn)行指導(dǎo)。在優(yōu)化求解過程中，該算法采用結(jié)構(gòu)簡單的差分變異和交叉算子以及“貪婪”的選擇操作，該算法并不依賴問題的特征信息，而是依據(jù)種群的動態(tài)改變來對搜索策略進(jìn)行調(diào)整，利用優(yōu)勢個體更新種群，使在種群迭代完成時接近或達(dá)到最優(yōu)解。其具體的操作過程如圖2所示。

圖2 差分進(jìn)化算法的具體操作過程

2.3 混合優(yōu)化算法

由于DE算法中交叉算子可以提高局部搜索能力，加速其收斂進(jìn)程，但在進(jìn)化過程的后期階段，容易出現(xiàn)陷入局部最優(yōu)的情況；PSO優(yōu)化算法中全局最優(yōu)值陷入局部最優(yōu)區(qū)域時，群體會在該區(qū)域迅速收斂，使得種群失去多樣性的特點，導(dǎo)致早熟停滯現(xiàn)象的發(fā)生[10]。

為了彌補(bǔ)DE以及PSO優(yōu)化算法同時具有的易陷入局部最優(yōu)的缺陷，提出了一種混合算法，其個體的運(yùn)動方式如圖3所示。

圖3 PSODE模型中個體的運(yùn)動方式

該算法中，當(dāng)PSO算法中種群個體入局部最優(yōu)時，此時粒子在進(jìn)化過程中位置的選取不僅要參考自身經(jīng)驗還要借鑒DE算法中最優(yōu)個體的信息，通過DE算法獲得種群中優(yōu)秀個體的信息，使得陷入局部最優(yōu)的粒子個體偏離之前的局部最優(yōu)位置，從而快速逼近全局最優(yōu)位置。同理，DE算法同樣會以較大的概率由局部最優(yōu)點逼近全局最優(yōu)點。

3 測試函數(shù)與仿真分析

為了對PSODE的性能進(jìn)行測試，引入一系列的基準(zhǔn)測試函數(shù)如：Sphere函數(shù)、Rosenbrock函數(shù)、Rastrigin函數(shù)、Griewank函數(shù)對PSO、DE、PSODE算法的性能進(jìn)行測試。對DE算法的參數(shù)進(jìn)行設(shè)置，其中縮放因子F=0.5，交叉概率CR=0.5，對PSO算法的參數(shù)進(jìn)行設(shè)置：學(xué)習(xí)因子C1=1.5，C2=1.7，對于PSODE中的參數(shù)設(shè)置如同PSO、DE，控制因子λ為3，這三種算法的種群個體規(guī)模為50，最大進(jìn)化代數(shù)取1500，維數(shù)為30，其進(jìn)化曲線圖如圖4～圖7所示。

圖4 Sphere函數(shù)進(jìn)行測試的進(jìn)化曲線圖

圖5 Rosenbrock函數(shù)進(jìn)行測試的進(jìn)化曲線圖

通過對以上進(jìn)化曲線圖分析，將兩者結(jié)合的混合算法可以充分發(fā)揮各自的優(yōu)點，避免缺陷，較單一的DE算法和PSO算法在收斂性方面有很大改善。仿真結(jié)果表明PSODE是一種具有較強(qiáng)優(yōu)化性能的算法。

4 變壓器故障診斷模型的提出

采用支持向量機(jī)對變壓器故障進(jìn)行分類時，為了較準(zhǔn)確地識別變壓器運(yùn)行過程中的故障，需要對支持向量機(jī)中核函數(shù)參數(shù)和懲罰因子C進(jìn)行優(yōu)化。鑒于PSODE混合優(yōu)化算法相對PSO、DE具有較好的優(yōu)化性能，因此將PSODE算法與支持向量機(jī)相結(jié)合對變壓器進(jìn)行故障診斷。

圖7 Griewank函數(shù)進(jìn)行測試的進(jìn)化曲線圖

本文在對油浸式變壓器進(jìn)行故障診斷時，其數(shù)據(jù)來源為油中溶解的H2、CH4、C2H6、C2H4、C2H2這5種氣體的含量。

基于混合算法與支持向量機(jī)相結(jié)合的變壓器故障診斷具體步驟如下:

步驟1 將油中溶解的5種氣體含量的數(shù)據(jù)樣本分為兩部分，分別為訓(xùn)練集和測試集，并對其做歸一化處理；

步驟2 對粒子群和差分進(jìn)化模型參數(shù)進(jìn)行初始化，并設(shè)置SVM參數(shù)σ和C 的取值范圍；

步驟3 對每一組參數(shù)的訓(xùn)練樣本等分為POPPSO和POPDE兩個種群，其初始化的位置處于不同區(qū)域；

步驟4 利用粒子群優(yōu)化算法對POPPSO中個體的位置和速度進(jìn)行更新，利用差分進(jìn)化算法對POPDE的個體進(jìn)行變異、交叉、選擇；

其流程圖如圖8所示。

圖8 基于混合算法與支持向量機(jī)的變壓器故障診斷模型

5 油浸式電力變壓器故障診斷實例分析

為了驗證上述故障診斷模型的有效性，本文從現(xiàn)場運(yùn)行的故障變壓器DGA數(shù)據(jù)庫中隨機(jī)選取了56組，訓(xùn)練集28組，測試集28組，其故障類型主要包括：低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態(tài)。

5.1 參數(shù)優(yōu)化

根據(jù)上述混合算法對支持向量機(jī)參數(shù)進(jìn)行優(yōu)化的流程，其主要參數(shù)設(shè)置為：F=CR=0.5，C1=1.5，C2=1.7，控制因子λ為3，算法中種群規(guī)模為20，最大進(jìn)化代數(shù)取200，支持向量機(jī)中懲罰因子C的取值范圍為(0.1，100]，核函數(shù)中參數(shù)σ的取值范圍為(0.01，1000]。經(jīng)過多次實驗比較，得到如圖8所示的適應(yīng)度曲線。由圖9可知，整個尋優(yōu)過程在第50代時找到最佳適應(yīng)度值為90.71，此時的適應(yīng)度最佳，并一直保持平穩(wěn)。

5.2 仿真結(jié)果與分析

將尋優(yōu)得到的(c，g)進(jìn)行驗證，其結(jié)果為Accuracy=92.857%(26/28)(classification)。為了能直觀了解SVM對于各個故障類別的判斷準(zhǔn)確性，將分類結(jié)果可視化，如圖10所示。

圖9 準(zhǔn)確分類率適應(yīng)度曲線

圖10 基于混合算法優(yōu)化的SVM測試集分類圖

圖中類別標(biāo)簽1～7分別代表低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態(tài)，測試集樣本數(shù)目為28個。從圖中可以發(fā)現(xiàn)，測試集中的預(yù)測樣本分類與實際樣本分布幾乎一致，只有測試集中的第22和24兩個判斷有誤，均錯誤地將電弧放電診斷為中溫過熱故障。

為了驗證該方法的有效性，將其與經(jīng)各種不同算法優(yōu)化的SVM進(jìn)行對比分析，如圖11～14所示。

圖11 未經(jīng)優(yōu)化的SVM測試集分類圖

比較結(jié)果如表1所示。

通過對比分析，發(fā)現(xiàn)經(jīng)過優(yōu)化的SVM與未經(jīng)優(yōu)化的SVM相比，其分類準(zhǔn)確率都得到不同程度的提高。但是網(wǎng)格法進(jìn)行優(yōu)化所需時間長，搜索范圍需要事先設(shè)定，其準(zhǔn)確性也有待于提高；遺傳算法沒有記憶功能，進(jìn)行優(yōu)化時以前的知識隨著種群的改變遭到破壞；粒子群算法與遺傳算法相比，不需要編碼，無需進(jìn)行交叉和變異操作，粒子只是通過迭代過程對最優(yōu)解進(jìn)行搜索，因此原理比較簡單、需要設(shè)置的參數(shù)較少，實現(xiàn)過程相對比較容易，但是由于其容易陷入局部最優(yōu)，導(dǎo)致種群多樣性消失，因此其識別率低于經(jīng)PSODE優(yōu)化的SVM，綜合考慮選擇經(jīng)PSODE優(yōu)化的SVM對油浸式電力變壓器常見的7 種故障進(jìn)行分類識別。

圖12 基于GRID優(yōu)化的SVM測試集分類圖

圖13 基于GA優(yōu)化的SVM測試集分類圖

圖14 基于PSO優(yōu)化的SVM測試集分類圖

第一類正確個數(shù)第二類正確個數(shù)第三類正確個數(shù)第四類正確個數(shù)第五類正確個數(shù)第六類正確個數(shù)第七類正確個數(shù)識別率/%分類時間/sSVM441222467.860.31GRID-SVM443332482.140.58GA-SVM443432485.710.21PSO-SVM444432489.280.18PSODE-SVM444442492.860.20

6 結(jié)論

本文提出基于PSO與DE相結(jié)合的混合算法對SVM的核函數(shù)進(jìn)行優(yōu)化，以選出最優(yōu)的參數(shù)(c，σ)，對油浸式電力變壓器常見的7種故障狀態(tài)進(jìn)行分類識別，可以較準(zhǔn)確地識別變壓器的故障類型，該方法與經(jīng)不同算法優(yōu)化的SVM相比較，具有較高的識別精度。

[1] Kennedy J,Eberhart R.Particle swarm optimization[C].Proceedings of the IEEE conference on neural networks.New York,USA:IEEE,1995:1942-48.

[2] 林蔚天.改進(jìn)的粒子群優(yōu)化算法研究及其若干應(yīng)用[D].廣州：華東理工大學(xué)，2014.

[3] 張曉慶.基于改進(jìn)粒子群算法的電力系統(tǒng)經(jīng)濟(jì)調(diào)度計算研究[D].哈爾濱：哈爾濱理工大學(xué)，2014.

[4] 宋剛.基于粒子群和差分進(jìn)化算法的新型混合算法在配電網(wǎng)重構(gòu)中的應(yīng)用[D].杭州：浙江大學(xué)， 2008.

[5] 王凌，劉波.粒子群優(yōu)化與調(diào)度算法[M].北京：清華大學(xué)出版社，2008.

[6] Shi Y,Eberhart R C.A modified particle swarm optimizer.Proceedings of IEEE International Conference on Evolutionary Computation,Anchorage,1998,69-73.

[7] Storn R M，Price K V.Differential evolution-a simple and efficient adaptive scheme for global optimization over continuous spaces

[R] .Technical Report TR95-012,Berkley,USA:International Computer Science Institute,1995.

[8] Lin C E,Ling J M,Huang C L.Expert system for transformer diagnosis usingdissolved gas analysis[J].IEEE Transaction on Power Delivery,1993,8(1):231-238.

[9] 欒麗君，譚立靜，牛奔.一種基于粒子群優(yōu)化算法和差分進(jìn)化算法的新型混合全局優(yōu)化算法[J].信息與控制，2007，6(36):708-714.

[10] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

FaultDiagnosisofPowerTransformerBasedonHybrid

In order to improve and optimize the kernel function of support vector machines(SVM)is a parameter sigma and penalty factor C,proposing a hybrid optimization algorithm(PSODE)which based on the combination with differential evolution and support vector machine,obtaining the optimal model of fault diagnosis.By introducing four benchmark functions:sphere function,rosenbrock function and rastrigin function,griewank function to test the performance of the PSO,DE,PSODE,the simulation results show that performance of PSODE is a kind of strong optimization algorithm.In order to further verify the effectiveness of the method,analysing the content of H2,CH4,C2H6,C2H4,C2H2,which dissolved in oil can accurately identify low overheating,medium temperature overheating,high temperature overheating,partial discharge,spark discharge and arc discharge and normal state.

EMD;PSO;DE

1004-289X(2017)03-0030-05

TM411

B

AlgorithmandSupportVectorMachine

JIALi-jing

(Qingcheng Power Supply Bureau,Guangdong Power Grid Corporation,Qingyuan 511500,China)

2016-04-11

賈立敬(1986-)，女，漢族，河北衡水人，助理工程師，碩士研究生，主要研究方向從事電氣設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)方向研究工作。