邱海楓，蘇寧，田松林

(1.深圳供電局有限公司， 廣東 深圳 518048；2. 南方電網(wǎng)深圳數(shù)字電網(wǎng)研究院有限公司， 廣東 深圳 518034)

0 引 言

隨著全球環(huán)保意識的普及，我國力爭到2030年實現(xiàn)碳峰值，到2060年實現(xiàn)碳中和，這一目標促進了智能電網(wǎng)的發(fā)展。智能變電站是智能電網(wǎng)的基礎，而變壓器作為變電站的核心部件，其所處的環(huán)境和獨特負荷往往導致故障較多[1]。故障不僅會影響供電的可靠性，而且會造成嚴重的經(jīng)濟損失[2]。對變壓器進行故障診斷，可以及時發(fā)現(xiàn)潛在的故障，早期進行維護，具有十分重要的意義[3]。因此，對變壓器故障進行準確的判斷是保證電力變壓器穩(wěn)定、安全運行的關鍵。

目前，國內(nèi)外許多研究者對電力變壓器故障診斷方法進行了大量的研究，提出了主要氣體法[4]、IEC 三比值法[5]和大衛(wèi)三角法[6]等經(jīng)典變壓器故障診斷方法。隨著機器學習的不斷發(fā)展，支持向量機[7]、貝葉斯網(wǎng)絡[8]、極限學習機[9]等一些智能算法在智能變壓器故障診斷成為主流方法。在文獻[10]中，提出了一種基于分步機器學習的電力變壓器故障診斷模型。結果表明，與單一學習模型相比，該模型不僅具有更高的精度，而且具有更高的效率，可以有效地彌補單一學習的不足。在文獻[11]中，提出了一種經(jīng)驗小波變換與改進卷積神經(jīng)網(wǎng)絡相結合的變壓器故障智能診斷方法。結果表明，該診斷模型能有效地識別變壓器的故障狀態(tài)，對110 kV變壓器五種典型故障的平均診斷準確率均在94 %以上。在文獻[12]中，提出了一種結合蝗蟲優(yōu)化算法和BP神經(jīng)網(wǎng)絡的變壓器故障智能診斷方法。結果表明，相比于傳統(tǒng)故障診斷方法，改進后的方法不僅保持了網(wǎng)絡的學習速度和全局搜索能力，而且在訓練時間和診斷準確率方面都有一定的提升。在文獻[13]中，提出了一種變壓器故障診斷方法，該方法將深度置信網(wǎng)絡與改進的模糊C-均值聚類相結合。結果表明，與現(xiàn)有的變壓器故障診斷方法相比，該方法具有更高的診斷準確率，診斷準確率為93.3 %，能夠較準確地識別各種變壓器故障。在實際應用中，上述方法可以解決傳統(tǒng)方法繁瑣的步驟和診斷絕對化問題，但需要進一步優(yōu)化訓練精度和提高適應性。

在此基礎上，提出了一種結合SVM[14]和BFA[15]用于電力變壓器故障診斷。通過BFA的尋優(yōu)能力找到最優(yōu)的SVM的懲罰因子和核參數(shù)，提高SVM的故障診斷能力。通過仿真和實例進行了對比分析。

1 電力變壓器故障分類

由于電力變壓器結構的復雜性，在運行過程發(fā)生故障時，涉及的部位不同，具體故障類型的分類也不同[16]。常用的分類方法包括按回路分類、按變壓器主體結構分類、按故障位置分類、按故障易發(fā)區(qū)分類等，具體分類方法如圖1所示。

根據(jù)故障的機理和性質，可將內(nèi)部故障分為兩類：熱性故障和電性故障，這是文中采用的主要故障分類方法。熱性故障是由變壓器內(nèi)部局部過熱引起的，根據(jù)程度的不同，過熱分為低溫(小于300 ℃)、中溫(介于300 ℃和700 ℃)、高溫(大于700 ℃)。電性故障是指絕緣材料在強電場力作用下分解產(chǎn)生各種特征氣體或直接引起介質擊穿的高能量密度故障[17]。根據(jù)程度的不同，分為局部放電、低能放電、高能放電。

圖1 電力變壓器故障

在現(xiàn)場運行條件下，熱性故障和電性故障基本上是由變壓器絕緣劣化引起的，故障進一步加劇了絕緣材料的劣化。因此，相關人員應采取科學有效的管理方法對運行中的變壓器進行維護，及時準確地發(fā)現(xiàn)各種潛在障礙，延長變壓器的使用壽命。

2 故障診斷模型

2.1 建立診斷模型

電力變壓器通常有單一放電或熱故障，對350例電力變壓器故障情況進行統(tǒng)計分析，發(fā)現(xiàn)有過熱和放電同時發(fā)生的情況，約占總故障量的10 %左右。因此，設置7 種故障代碼，1表示正常狀態(tài)，故障編碼見表1。

表1 故障編碼

內(nèi)部故障與油中氣體含量相關，以C2H2、C2H4、C2H6、H2和CH4為特征量，作為輸入，對輸入數(shù)據(jù)進行處理，如式(1)所示[18]:

(1)

文中的SVM故障模型核函數(shù)采用RBF徑向基函數(shù)，通過式(1)進行歸一化為評價指標輸入，以表1中的故障代碼為輸出,圖2為診斷模型。

圖2 診斷模型

2.2 支持向量機

支持向量機是由Vapnik等為解決小樣本、非線性問題提出的機器學習方法，得到了廣泛的應用(狀態(tài)評估、故障診斷等)[19]。

設置一個可分樣本X={xi,yi}，i=1,2,...l， 其中xi∈Rn，n為樣本空間的維數(shù)；yi∈{-l,+l}為樣本類別標記。如果存在最優(yōu)超平面，可以將兩類樣本區(qū)分開，間隔達到最大。最優(yōu)超平面如式(2)所示[20]:

ωx+b=0

(2)

式中ω為權重向量；b為偏差值。

通過式(3)所示約束條件進行求解。

(3)

對于線性不可分樣本，最優(yōu)超平面通過式(4)中的約束進行求解[21]:

(4)

式中C為控制誤差的懲罰程度；ξi為松弛變量。

引入拉格朗日函數(shù)和拉格朗日乘子αi，式(4)轉化為對偶問題，如式(5)所示[22]:

(5)

由KKT條件求解式(5)得到最優(yōu)解，如式(6)所示[23]：

(6)

通過定義核函數(shù)K(xi,xj)，最優(yōu)分類函數(shù)如式(7)所示：

(7)

主要將RBF核函數(shù)用于支持向量機的研究。RBF核函數(shù)如式(8)所示[24]：

K(xi,xj)=exp(-g‖xi-xj‖)2

(8)

式中g為核參數(shù)。

支持向量機模型的性能依賴于懲罰參數(shù)C和核函數(shù)的參數(shù)g的選擇，參數(shù)的質量對算法的準確性有著顯著的影響[25]。因此，選擇BFA對SVM進行優(yōu)化，以保證算法選擇的參數(shù)是模型的最優(yōu)參數(shù)。

2.3 改進支持向量機

BFA算法是由K.M.Passino等人提出的一種新的仿生算法[26]。通過趨化性、復制性和遷徙性三個動作實現(xiàn)優(yōu)化。該算法由于具有群智能算法的并行搜索和易跳出局部極值等優(yōu)點，應用廣泛。

通過BFA的尋優(yōu)能力找到最優(yōu)的SVM的懲罰因子C和核參數(shù)g，使模型具有最強大的診斷能力。優(yōu)化過程如下：

步驟1：對樣本進行預處理，劃分訓練集和測試集；

步驟2：對BFA算法進行初始化，設置遷徙概率、遷徙操作次數(shù)、趨化操作次數(shù)等參數(shù)[27]；

步驟3：將{C,g}作為個體的位置坐標。初始種群細菌s個，單個細菌的位置是隨機的；

(9)

如式(10)所示，目標函數(shù)為k-交叉驗證準確性最大，約束條件為{C,g}的取值范圍[29]。

(10)

步驟5：求解目標函數(shù)，進行BFA操作，得到目標函數(shù)最優(yōu)值，即最優(yōu)的{C,g}。

步驟6：對測試樣本進行故障診斷，輸出診斷結果。

基于BFA-SVM的故障診斷流程圖如圖3所示。

圖3 故障診斷流程

3 結果與分析

3.1 仿真參數(shù)

為了保證模型的效率和準確性，利用MATLAB r2018a計算并優(yōu)化支持向量機的參數(shù)[30]。在對樣本進行預處理后，使用libsvm 3.22工具箱對樣本進行訓練和測試，以獲得模型的最優(yōu)參數(shù)。最后，利用IBM SPSS modeler 14.1建立了支持向量機分類模型，并利用訓練參數(shù)和優(yōu)化參數(shù)進行分類。電力變壓器故障診斷與驗證。

細菌覓食算法的參數(shù)為：種群50、趨化操作次數(shù)10、遷移操作次數(shù)2、遷移概率0.25、復制操作次數(shù)44、折疊數(shù)k=10。從南方電網(wǎng)公司故障統(tǒng)計數(shù)據(jù)庫中收集了320 組電力變壓器故障數(shù)據(jù)。240 組訓練數(shù)據(jù)(每個類別30 組)和80 組測試數(shù)據(jù)(每個類別10 組)。

3.2 仿真分析

為了證明BFA算法具有較好的優(yōu)化能力，在同一樣本下分別采用BFA算法和PSO算法優(yōu)化SVM參數(shù)。優(yōu)化過程如圖4和圖5所示，參數(shù)優(yōu)化結果如表2所示。

圖4 PSO-SVM尋優(yōu)方法

圖5 BFA-SVM尋優(yōu)方法

表2 不同算法參數(shù)優(yōu)化結果

從圖4、圖5和表2可以看出，BFA的收斂速度比PSO快得多。文中模型對測試集進行診斷準確率為96.25 %。PSO-SVM模型對測試集進行診斷準確率為88.75 %。因此，BFA算法相比于PSO算法具有一定的優(yōu)勢。

由圖5的優(yōu)化過程可以看出。由于算法開始時初始菌群較大，可以快速找到最優(yōu)適應度，但在優(yōu)化過程中初始菌群分布較廣，且菌群個體間存在明顯差異，平均適應度差異很大，在首次復制(10 次迭代前)，50 %的不相容個體死亡，剩余適應度較好的被復制。因此，菌群的適應度得到了顯著提高。使波動不那么明顯，慢慢趨于平緩。遷徙操作， 40 次迭代后，細菌位置發(fā)生變化，跳出局部極值。在經(jīng)過趨化和復制操作，達到最優(yōu)適應度。

為了證明基于BFA-SVM的電力變壓器故障診斷模型比未改進前的SVM電力變壓器故障診斷模型具有更好的分類性能，圖6所示優(yōu)化前模型的診斷結果。圖7所示優(yōu)化后模型的診斷結果。

圖6 SVM模型測試集診斷結果

圖7 文中模型測試集診斷結果

由圖6可以看出，未改進前SVM模型參數(shù)C和g是系統(tǒng)設置的默認值。結果表明，該診斷模型在測試集的分類結果中有17 個錯誤，準確率為78.75 %。

由圖7可以看出，基于BFA-SVM診斷模型，測試集的診斷結果表明，該模型分類結果僅錯誤了3 個，準確率為96.25 %。

以上仿真結果表明，基于BFA-SVM的故障診斷模型相比于改進前具有更好的分類功能、準確性、魯棒性和尋優(yōu)能力等。

3.3 實例分析

變電站中電力變壓器發(fā)生短路故障(型號為sfz11-31500/110)，對變壓器油進行色譜分析。采用本文故障診斷模型判斷，診斷故障代碼為4(高能放電)，色譜數(shù)據(jù)見表3。

為了確保變壓器的安全運行，將變壓器送回工廠進行維護。研究發(fā)現(xiàn)，短路沖擊會造成變壓器內(nèi)產(chǎn)生高能放電，導致銅外露和絕緣燒損。在低壓C相存在繞組和鐵心融化現(xiàn)象。表明繞組在鐵心處有高能放電。文中建立模型診斷結果與變壓器的實際情況相符。

表3 色譜數(shù)據(jù)

4 結束語

文章提出將SVM和BFA結合用于電力變壓器故障診斷。采用BFA優(yōu)化SVM的懲罰因子和核參數(shù)，提高了SVM的故障診斷能力。結果表明，BFA在選擇SVM的最優(yōu)參數(shù)方面優(yōu)于PSO，故障診斷從優(yōu)化前的88.75 %提高到優(yōu)化后的96.25 %。所提模型具有優(yōu)良的分類能力、良好的魯棒性和較強的尋優(yōu)能力。由于目前實驗室硬件和數(shù)據(jù)規(guī)模的影響，故障診斷模型還處于初級階段?；诖耍Ｐ偷某掷m(xù)改進將是下一步的重點。