摘要：電力變壓器故障高精度檢測是保障電力系統(tǒng)穩(wěn)定運行的基本條件?，F(xiàn)結(jié)合最小二乘法與支持向量機，構(gòu)建了最小二乘支持向量機分類模型，通過參數(shù)優(yōu)化與樣本分類的方式，實時檢測變壓器運行故障。首先設(shè)計了油色譜在線監(jiān)測系統(tǒng)，獲取變壓器故障特征樣本信息;然后采用粒子群算法優(yōu)化分類模型的兩個參數(shù)，粒子群算法優(yōu)化參數(shù)過程中將分類誤差作為適應(yīng)度值，直到其符合迭代終止條件，輸出參數(shù)優(yōu)化結(jié)果;最后將優(yōu)化后的參數(shù)帶入分類模型，將油色譜在線監(jiān)測數(shù)據(jù)作為測試樣本，模型輸出結(jié)果即為變壓器故障類型，以此實現(xiàn)電力變壓器故障檢測的目的。

關(guān)鍵詞：電力變壓器;故障;支持向量機;分類模型;實時檢測

0 引言

變壓器是電力系統(tǒng)運行的核心設(shè)備，變壓器一旦出現(xiàn)故障將影響整個系統(tǒng)電力傳輸?shù)姆€(wěn)定性。為了降低各種外界因素及不確定因素對電力變壓器運行的干擾，相關(guān)人員需要實時掌握電力變壓器運行狀態(tài)。油色譜數(shù)據(jù)是反映變壓器運行故障的有效介質(zhì)，在變壓器故障識別領(lǐng)域中得到了廣泛應(yīng)用[1]。本文以電力變壓器的油色譜數(shù)據(jù)為基礎(chǔ)，采用粒子群算法優(yōu)化最小二乘支持向量機參數(shù)，構(gòu)建高精度的分類模型，將油色譜數(shù)據(jù)作為預(yù)測樣本，模型輸出結(jié)果即為變壓器運行狀態(tài)，以此判斷變壓器是否處于故障狀態(tài)。

1 變壓器油色譜數(shù)據(jù)在線采集

本文采用變壓器油色譜在線監(jiān)測系統(tǒng)采集油色譜數(shù)據(jù)，將其作為變壓器故障檢測的樣本數(shù)據(jù)。變壓器油色譜數(shù)據(jù)采集系統(tǒng)架構(gòu)如圖1所示，其主要由油氣分離模塊、氣敏傳感器、色譜柱模塊、通信模塊、監(jiān)測端構(gòu)成，結(jié)合圖1分析系統(tǒng)采集數(shù)據(jù)的思路：（1）油氣分離模塊負(fù)責(zé)分離樣本狀態(tài)，得到氣體樣本[2];（2）利用色譜柱進一步分離多種混合氣體，由氣敏傳感器接收分離完成的氣體;（3）成功識別經(jīng)過氣敏傳感器的氣體類型，以電信號的形式描述氣體信號;（4）在計算機監(jiān)測端進行數(shù)據(jù)存儲、運算、分析，獲取故障氣體各組分及總烴含量，利用支持向量機分類器判斷監(jiān)測對象是否存在故障。

放電故障及過熱故障是變壓器故障的主要形式，包括內(nèi)部致因、外部致因引起的變壓器故障，所以，綜合考量變壓器目前存在的故障狀態(tài)，劃分的變壓器故障類型如表1所示。

2 最小二乘支持向量機的構(gòu)建

目前用于解決分類問題的算法種類繁多，其中，支持向量機在處理非線性問題方面性能突出，運算場主要為向量空間，大大減小了計算量，并且通過核函數(shù)解決了高維空間的維數(shù)缺陷問題。支持向量機進行數(shù)據(jù)樣本分類的原理如下：（1）高維空間映射?；诤瘮?shù)完成輸入空間的非線性映射，將原始輸入空間轉(zhuǎn)換為高維特征空間[3]。（2）最優(yōu)超平面分類。最優(yōu)線性超平面通過空間結(jié)構(gòu)風(fēng)險最小原則確定，非線性分類面與此超平面為對應(yīng)關(guān)系，最后要得到原始空間的非線性分類面，還需對分類完成的高維空間中的最優(yōu)線性超平面進行逆映射，至此完成數(shù)據(jù)樣本的分類[4]?；谥С窒蛄繖C分類原理，對電力變壓器的油色譜數(shù)據(jù)進行智能分類，可據(jù)此判斷變壓器是否處于故障狀態(tài)以及處于何種故障狀態(tài)。

傳統(tǒng)的支持向量機求解速度不盡如人意，為優(yōu)化故障檢測效率，支持向量機的損失函數(shù)由最小二乘線性法的誤差平方和代替，在減少計算量的同時，可起到優(yōu)化分類效率的作用。式（1）和式（2）描述了原始空間中的最小支持向量機分類狀態(tài)。

綜上可知，μ為式（5）中待優(yōu)化的參數(shù)，σ為式（9）中需要優(yōu)化的參數(shù)，通過優(yōu)化這兩個參數(shù)可提高最小支持向量機的分類精度。

3 基于粒子群算法優(yōu)化核函數(shù)參數(shù)

最小支持向量機參數(shù)優(yōu)化通過粒子群優(yōu)化算法完成，以構(gòu)建高精度的變壓器故障檢測模型。粒子群算法優(yōu)化最小二乘支持向量機參數(shù)的步驟如圖2所示。

步驟1：還原粒子群。在隨機環(huán)境下生成原始粒子群，包括速度參數(shù)、位置參數(shù)的生成，同時確定粒子本身經(jīng)歷過的最優(yōu)位置和粒子群經(jīng)歷過的最優(yōu)位置[5]，分別用pbest與gbest表示。

步驟2：基于各個粒子向量對應(yīng)的最小二乘支持向量機模型，預(yù)測采集的變壓器樣本，基于實際值與預(yù)測值計算粒子預(yù)測誤差;誤差即為粒子適應(yīng)度值，繼續(xù)尋優(yōu)過程中對比當(dāng)前適應(yīng)度值與歷史最優(yōu)適應(yīng)度值，將較差者淘汰，將較優(yōu)者留下作為gbest進行下一次迭代。

步驟3：基于文獻(xiàn)[6]方法，計算粒子當(dāng)前速度參數(shù)與位置參數(shù)，實現(xiàn)參數(shù)更新。

步驟4：粒子群算法迭代終止條件。當(dāng)符合參數(shù)優(yōu)化精度標(biāo)準(zhǔn)時或者達(dá)到迭代次數(shù)上限時，終止算法運算，輸出最優(yōu)參數(shù)。反之，則繼續(xù)重復(fù)步驟2。

采用粒子群算法輸出最優(yōu)σ參數(shù)、γ參數(shù)后，利用優(yōu)化后的參數(shù)構(gòu)建最小二乘支持向量機分類模型，將實時采集的電力變壓器油色譜信息作為實驗樣本，模型輸出結(jié)果即為變壓器故障分類結(jié)果，由此實現(xiàn)電力變壓器故障的實時自動檢測。

4 結(jié)語

本文介紹的電力變壓器故障檢測方法突破了傳統(tǒng)支持向量機分類模型的性能限制，一方面，引入最小二乘線性法的誤差平方和，減少了數(shù)據(jù)計算量，提高了故障分類的速度;另一方面，基于粒子群算法優(yōu)化了分類模型的兩個參數(shù)，使分類模型處于高精度分類狀態(tài)，大幅降低了變壓器故障檢測的誤差，為電力系統(tǒng)的平穩(wěn)運行提供了可靠保障。

[參考文獻(xiàn)]

[1] 韓賽賽，劉寶柱，艾欣，等.考慮絕緣老化和油色譜監(jiān)測數(shù)據(jù)的變壓器動態(tài)故障率模型[J].電網(wǎng)技術(shù)，2018，42（10）：3275-3281.

[2] 郭亮，武崗.電力變壓器油色譜在線監(jiān)測系統(tǒng)[J].農(nóng)村電氣化，2018（3）：45-47.

[3] 楊梅.一種用于電力變壓器故障識別的理論方法研究[J].電氣傳動自動化，2017，39（4）：17-20.

[4] 朱超巖，姚曉東.基于遺傳算法優(yōu)化的支持向量機在變壓器故障診斷中應(yīng)用[J].儀表技術(shù)，2019（3）：21-32.

[5] 馬松齡，郭小艷，張清敏，等.基于改進粒子群優(yōu)化RBF網(wǎng)絡(luò)的變壓器故障診斷[J].水電能源科學(xué)，2019，37（4）：184-186.

[6] 劉益岑，袁海滿，范松海，等.基于粒子群與多分類相關(guān)向量機的變壓器故障診斷[J].高壓電器，2018，54（5）：236-241.

收稿日期：2020-06-29

作者簡介：張瑞芯（1999—），女，遼寧開原人，研究方向：電氣工程及其自動化。