國(guó)網(wǎng)江蘇省電力有限公司檢修分公司 劉永康 江蘇科能電力工程咨詢(xún)有限公司 王 慧

高壓隔離開(kāi)關(guān)在電力系統(tǒng)中起著隔離電源及調(diào)整系統(tǒng)運(yùn)行方式的作用，在高壓設(shè)備檢修工作時(shí)保障人身、電網(wǎng)及設(shè)備的安全。由于操作原理和結(jié)構(gòu)相對(duì)簡(jiǎn)單，隔離開(kāi)關(guān)的日常運(yùn)維與檢修工作并沒(méi)有引起人們的足夠重視，且隨著變電站的改造及變電設(shè)備由定期檢修制向狀態(tài)檢修制的逐步過(guò)渡，其檢修周期也在逐漸延長(zhǎng)。由于日常操作隔離開(kāi)關(guān)次數(shù)較少，隔離開(kāi)關(guān)易出現(xiàn)傳動(dòng)部位變形、卡澀以及隔離開(kāi)關(guān)分、合閘不到位的問(wèn)題。目前隔離開(kāi)關(guān)狀態(tài)檢測(cè)主要依賴(lài)紅外測(cè)溫或回路電阻測(cè)量等手段對(duì)觸頭或線(xiàn)夾位置的發(fā)熱情況進(jìn)行監(jiān)測(cè)。隔離開(kāi)關(guān)操作機(jī)構(gòu)的狀態(tài)監(jiān)測(cè)還沒(méi)有成熟的方法，僅依賴(lài)運(yùn)維人員現(xiàn)場(chǎng)巡視難以發(fā)現(xiàn)操作機(jī)構(gòu)早期存在的問(wèn)題，一旦發(fā)現(xiàn)操作機(jī)構(gòu)存在問(wèn)題時(shí)往往都需安排應(yīng)急搶修，影響送電時(shí)間及供電可靠性。

隨著大數(shù)據(jù)時(shí)代的到來(lái)，基于在線(xiàn)監(jiān)測(cè)與故障診斷技術(shù)電網(wǎng)設(shè)備狀態(tài)維修策略能有效預(yù)警設(shè)備故障，現(xiàn)有國(guó)內(nèi)、外的實(shí)際運(yùn)行情況表明，電網(wǎng)設(shè)備在線(xiàn)監(jiān)測(cè)技術(shù)具有良好的應(yīng)用前景，是智能電網(wǎng)發(fā)展的必然趨勢(shì)。目前電力設(shè)備狀態(tài)檢修的研究和應(yīng)用主要集中在變壓器、斷路器等部分主設(shè)備上，關(guān)于高壓隔離開(kāi)關(guān)在線(xiàn)監(jiān)測(cè)的研究還十分欠缺。其中，基于驅(qū)動(dòng)電機(jī)電流信號(hào)的監(jiān)測(cè)方法是一種利用驅(qū)動(dòng)電機(jī)電流時(shí)間特性來(lái)診斷設(shè)備機(jī)械故障的在線(xiàn)監(jiān)測(cè)方法，已在高壓斷路器、變壓器有載分接開(kāi)關(guān)等開(kāi)關(guān)設(shè)備上開(kāi)展了相關(guān)研究及應(yīng)用，但在高壓隔離開(kāi)關(guān)機(jī)械故障診斷中尚無(wú)實(shí)際應(yīng)用。高壓隔離開(kāi)關(guān)操作不靈活時(shí)操作力矩增大，驅(qū)動(dòng)電機(jī)電流也將增大并超過(guò)正常工作電流。因此，通過(guò)合理選擇算法對(duì)驅(qū)動(dòng)電機(jī)電流進(jìn)行分析同樣可用于高壓隔離開(kāi)關(guān)的故障診斷中。

最小二乘支持向量機(jī)(LS-SVM)算法已成功運(yùn)用到高壓斷路器、變壓器等設(shè)備故障診斷。但最小二乘支持向量機(jī)參數(shù)的確定一直是難點(diǎn)，采用網(wǎng)格搜索或十倍交叉驗(yàn)證等方法效率慢且參數(shù)無(wú)法達(dá)到最優(yōu)。粒子群優(yōu)化(PSO)算法是一種群智能方法的進(jìn)化技術(shù)，速度快、局部搜索能力強(qiáng)，相比于遺傳算法、蟻群算法，PSO 算法具有算法簡(jiǎn)單、容易實(shí)現(xiàn)、調(diào)節(jié)參數(shù)少等特點(diǎn)。

1 LS-SVM 基本原理

SVM（支持向量機(jī)）算法可對(duì)小樣本進(jìn)行高維非線(xiàn)性系統(tǒng)擬合[1]。LS-SVM 是向量機(jī)的擴(kuò)展算法，將向量機(jī)算法二次規(guī)劃問(wèn)題轉(zhuǎn)為線(xiàn)性方程組問(wèn)題，降低計(jì)算的難度[2]。LS-SVM 演算流程如下。設(shè)訓(xùn)練數(shù)據(jù)樣本集為：S={(xi,yi)|(xi ∈{-1,+1} yi∈{-1,+1},i=1,2,…,l,xi為l 維的輸入，yi為輸出，l為樣本數(shù)。算法的目標(biāo)函數(shù)為：

ψ(x)是核空間映射函數(shù)，w是權(quán)矢量，b是偏置量，ei是誤差變量，γ 是可調(diào)參數(shù)。加入Lagrange 乘子，將上述優(yōu)化問(wèn)題轉(zhuǎn)化為：，ai為L(zhǎng)agrange乘子。分別對(duì)w，b，e，a 求偏微分：

求解式(4)，LS-SVM 模型表述為式(5)，K(x,xi)為核函數(shù)， 徑向基核函數(shù)作為核函數(shù)時(shí)為式(6)，σ＞0，γ為懲罰因子，σ2為核函數(shù)：

2 粒子群優(yōu)化算法(PSO)優(yōu)化LS-SVM

2.1 粒子群優(yōu)化算法(PSO)算法原理

粒子群優(yōu)化算法(PSO)源于對(duì)鳥(niǎo)群捕食行為的學(xué)習(xí)研究，通過(guò)模擬鳥(niǎo)兒運(yùn)動(dòng)尋找全局最優(yōu)解[3]。PSO 初始化為一群隨機(jī)粒子，通過(guò)不斷迭代尋找最優(yōu)解。粒子采用兩個(gè)“極值”來(lái)不斷更新，一個(gè)是粒子個(gè)體查到過(guò)的最優(yōu)解，另一個(gè)是所有粒子中已經(jīng)查到的最優(yōu)解。若m 維空間中有n 個(gè)粒子正在尋優(yōu)，第j 個(gè)粒子當(dāng)前解設(shè)為Xj(t)=[xj,1(t),xj,2(t),…xj,m(t)]，其運(yùn)動(dòng)速度設(shè)為Vj(t)=[vj,1(t),vj,2(t),…vj,m(t)]單個(gè)粒子歷史最優(yōu)解設(shè)為Pj,best(t)=[vj,best，1(t),vj，best,2(t)…vj,best，m(t) ]，所有粒子最優(yōu)解設(shè)為gbest(t)=[gbest，1(t),gbest,2(t)…gbest，m(t)]。

那么，下一代的粒子解和運(yùn)動(dòng)速度為Xj(t+1)=Xj(t)+Vj(t)，Vj(t+1)=wVj(t)+c1R1[pj,best(t)-Xj(t)]+c2R2[gbest(t)-Xj(t)]式中j=1,2,…,n；c1和c2為加速因子，一般取值為2；w 為慣性因子，R1和R2為[0,1]之間的隨機(jī)數(shù)，每次迭代過(guò)程中每個(gè)粒子都將隨機(jī)生成一組R1和R2。Vj(t)∈(-Vmax,Vmax)，Vmax為運(yùn)動(dòng)速度上限，設(shè)置為常數(shù)。

2.2 優(yōu)化算法

LS-SVM 參數(shù)選擇：以使用范圍最廣的高斯徑向基函數(shù)作為L(zhǎng)S-SVM 算法的核函數(shù)，需確定懲罰因子γ 和核函數(shù)σ2。一般通過(guò)網(wǎng)格遍歷的方法不斷實(shí)驗(yàn)確定最優(yōu)參數(shù)，但是該方法效率十分低下。

將采集到的樣本數(shù)據(jù)分為兩部分，一部分作為訓(xùn)練數(shù)據(jù)、一部分作為測(cè)試數(shù)據(jù)。用訓(xùn)練樣本數(shù)據(jù)用于訓(xùn)練LS-SVM 得到了LS-SVM 模型。用測(cè)試數(shù)據(jù)輸入模型得到的分類(lèi)結(jié)果與實(shí)際結(jié)果進(jìn)行比對(duì)，分析模型的優(yōu)劣。以分類(lèi)的正確率作為模型目標(biāo)函數(shù)：f=m/n×100%，式中：f 為適應(yīng)度值；n 為訓(xùn)練數(shù)據(jù)個(gè)數(shù)；m 為測(cè)試結(jié)果正確的個(gè)數(shù)。

在基于PSO 優(yōu)化LS-SVM 的算法中，每個(gè)粒子有兩個(gè)參數(shù)，表示LS-SVM 的核函數(shù)參數(shù)懲罰因子γ 和核參數(shù)σ2。優(yōu)化流程為：粒子位置進(jìn)行初始化，生成初始參數(shù){γ，σ2}；采用訓(xùn)練數(shù)據(jù)基于{γ，σ2}參數(shù)訓(xùn)練向量機(jī)模型，采用測(cè)試數(shù)據(jù)比對(duì)實(shí)際結(jié)果判斷準(zhǔn)確性；以測(cè)試數(shù)據(jù)的分類(lèi)正確性作為目標(biāo)函數(shù)，更新粒子的最優(yōu)值pbest和gbest，然后利用PSO 算法迭代更新粒子數(shù)據(jù){γ，σ2}；重復(fù)第二、三步驟，直到迭代次數(shù)到達(dá)設(shè)定值或目標(biāo)函數(shù)要求后結(jié)束迭代。

3 基于PSO 優(yōu)化LS-SVM 高壓隔離開(kāi)關(guān)故障診斷

3.1 高壓隔離開(kāi)關(guān)故障診斷樣本集的建立

隔離開(kāi)關(guān)操動(dòng)機(jī)構(gòu)的電機(jī)定子相電流包絡(luò)與隔離開(kāi)關(guān)傳動(dòng)機(jī)構(gòu)受到的阻力大小有直接關(guān)系，通過(guò)分析電流波形可分析隔離開(kāi)關(guān)操作機(jī)構(gòu)的卡澀故障情況[4]。驅(qū)動(dòng)電機(jī)的電流波形如圖1。圖中：t0～t1為電機(jī)啟動(dòng)階段，此時(shí)有較大的脈沖信號(hào)；t1～t2為轉(zhuǎn)子轉(zhuǎn)動(dòng)階段，電機(jī)產(chǎn)生反電勢(shì)，電流下降；t2～t3為電動(dòng)機(jī)平穩(wěn)轉(zhuǎn)動(dòng)階段；t3隔離開(kāi)關(guān)動(dòng)靜觸頭開(kāi)始接觸，電機(jī)受到的阻力增加、電流增加，并在t4出現(xiàn)最大值。t5隔離開(kāi)關(guān)合閘到位，行程開(kāi)關(guān)動(dòng)作將電機(jī)電流切斷。

圖1 隔離開(kāi)關(guān)驅(qū)動(dòng)電機(jī)的電流波形

圖2 檢驗(yàn)樣本分類(lèi)正確率

隔離開(kāi)關(guān)出現(xiàn)操作機(jī)構(gòu)卡澀或平衡彈簧失效等情況時(shí)電機(jī)阻力增加、電流會(huì)變大。通過(guò)電機(jī)電流最大值可分析操作機(jī)構(gòu)卡澀的嚴(yán)重程度，根據(jù)最大值的位置及電流曲線(xiàn)轉(zhuǎn)折點(diǎn)可分析卡澀的位置。通過(guò)對(duì)合閘電流波形的分析，選取i1～i3和t1～t5為特征量，建立隔離開(kāi)關(guān)故障診斷樣本。

3.2 粒子群優(yōu)化LS-SVM 的高壓隔離開(kāi)關(guān)故障診斷

采用粒子群算法對(duì)LS-SVM 進(jìn)行優(yōu)化，粒子群的參數(shù)設(shè)置如下：學(xué)習(xí)因子c1=c2=2，慣性權(quán)重ωmax=0.9，ωmin=0.2，種群規(guī)模取30，最大迭代數(shù)取200；LS-SVM 待優(yōu)化的參數(shù)為懲罰因子γ 和σ2核函數(shù)兩個(gè)參數(shù)，因此PSO 的粒子大小為2。γ 的優(yōu)化范圍取[0.1,1000],σ2的優(yōu)化范圍取[0.01,1000]。LS-SVM 算法的輸入向量為i1,i2,i3和t1,t2,t3,t4,t5，輸出量為隔離開(kāi)關(guān)機(jī)構(gòu)正常、操作傳動(dòng)機(jī)構(gòu)卡澀兩類(lèi)故障的分類(lèi)。其中操作傳動(dòng)機(jī)構(gòu)卡澀通過(guò)在隔離開(kāi)關(guān)導(dǎo)電臂、拐臂等位置施加不同大小的拉力來(lái)模擬。LS-SVM 算法采用K.DeBrabanter 等編寫(xiě)的MATLAB LS-SVM 工具箱實(shí)現(xiàn)。

隔離開(kāi)關(guān)實(shí)驗(yàn)對(duì)象為GW6-126W 型，通過(guò)實(shí)驗(yàn)?zāi)M50個(gè)隔離開(kāi)關(guān)正常樣本、50個(gè)操作卡澀故障樣本；然后選取30個(gè)正常樣本及30個(gè)故障樣本作為學(xué)習(xí)樣本，其余樣本作為檢驗(yàn)樣本，檢驗(yàn)的正確率作為粒子群算法的適應(yīng)度，通過(guò)粒子群算法優(yōu)化LS-SVM的懲罰因子γ 和σ2核函數(shù) 。粒子群適應(yīng)度在迭代過(guò)程的優(yōu)化曲線(xiàn)如圖2，可看出經(jīng)PSO 優(yōu)化后樣本分類(lèi)正確率穩(wěn)步提高，經(jīng)過(guò)優(yōu)化后 γ=12.08， σ2=6.92。重新選取100個(gè)樣本，利用優(yōu)化后的LS-SVM 對(duì)樣本進(jìn)行分類(lèi)檢驗(yàn)。檢驗(yàn)結(jié)果正確率為92%。