劉濱,劉春,邵必飛,楊郭明,茍軍,黃貴武

(國(guó)網(wǎng)蘭州供電公司,甘肅 蘭州 730030)

隨著社會(huì)的進(jìn)步,電力與人們的生活日漸密切,電纜作為一種傳輸裝置,被用于電力及其信號(hào)的傳送,因此對(duì)于電纜的保護(hù)是十分必要的,而電力隧道的作用就在于此,它可以將設(shè)置在支架上的眾多電纜容納其中,能較好地保護(hù)電纜,使電力傳輸能夠正常運(yùn)行[1-3]。但受到自然因素及其他因素的影響,電力隧道內(nèi)會(huì)出現(xiàn)一些異常的情況,如電纜導(dǎo)體溫度過(guò)高、護(hù)層電流異常、積水過(guò)多、有異物入侵以及圍巖發(fā)生變化等。為了能夠盡早地發(fā)現(xiàn)異常現(xiàn)象,使損失降到最低,就需要對(duì)電力隧道多種狀態(tài)進(jìn)行全過(guò)程的監(jiān)控[4-5]。

文獻(xiàn)[6]針對(duì)電纜隧道內(nèi)積水的問(wèn)題,提出了一種改進(jìn)的基于區(qū)域建議的卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)方法,并利用其進(jìn)行電纜隧道積水定位識(shí)別,利用支持向量機(jī)(SVM)進(jìn)行圖像分類(lèi),增強(qiáng)分類(lèi)的置信度,使用區(qū)域建議網(wǎng)絡(luò)(RPN)提取隧道積水原圖中的區(qū)域建議,然后用Fast R-CNN檢測(cè)網(wǎng)絡(luò)在建議框中進(jìn)行圖像識(shí)別、SVM分類(lèi)和位置精修。文獻(xiàn)[7]針對(duì)電力隧道運(yùn)維存在著信息化水平低、防災(zāi)害能力弱、運(yùn)維成本高和缺乏統(tǒng)一技術(shù)標(biāo)準(zhǔn)的問(wèn)題,建立了電力隧道在線監(jiān)控和智能巡檢模式,運(yùn)行人員可實(shí)時(shí)監(jiān)測(cè)隧道溫濕度、水位、有毒有害氣體等核心運(yùn)行數(shù)據(jù)。上述方法雖然對(duì)電力隧道異常狀態(tài)起到了一定的檢測(cè)作用,但是在檢測(cè)的效率、準(zhǔn)確率上表現(xiàn)略有不足。

支持向量機(jī)可以處理高維、小樣本及非線性特征的問(wèn)題,不需要依賴(lài)整個(gè)數(shù)據(jù),而且有較強(qiáng)的泛化能力。因此本文提出的基于增強(qiáng)支持向量機(jī)的電力隧道多狀態(tài)全過(guò)程監(jiān)控方法,是在對(duì)支持向量機(jī)增強(qiáng)后,又對(duì)其參變量求優(yōu),從而更加準(zhǔn)確地對(duì)電力隧道多種狀態(tài)的全過(guò)程進(jìn)行監(jiān)控。

1 電力隧道多狀態(tài)全過(guò)程監(jiān)控方法

1.1 電力隧道多狀態(tài)描述

電力隧道狀態(tài)的監(jiān)控就是根據(jù)其運(yùn)轉(zhuǎn)的狀態(tài)是否正常來(lái)進(jìn)行判斷,是一個(gè)動(dòng)態(tài)的過(guò)程。電力隧道運(yùn)行狀態(tài)模式通常分成正常和異常狀態(tài)兩種模式,其中異常狀態(tài)又可劃分為上升趨勢(shì)狀態(tài)、下降趨勢(shì)狀態(tài)、向上階躍狀態(tài)與向下階躍狀態(tài)。如果電力隧道存在異常因素,那么通過(guò)電纜隧道狀態(tài)智能監(jiān)測(cè)系統(tǒng)獲取的電力隧道狀態(tài)的實(shí)測(cè)動(dòng)態(tài)數(shù)據(jù)流就會(huì)發(fā)生變化,反映出不同的變化特征,從而說(shuō)明此時(shí)電力隧道處于非正常狀態(tài)。

由于通常情況下電力隧道都為正常運(yùn)行狀態(tài),且狀態(tài)特性觀測(cè)數(shù)據(jù)近似正態(tài)排列,這樣大量的異常狀態(tài)數(shù)據(jù)就不容易被獲取,因此可運(yùn)用Monte Carlo(蒙特卡羅)方法模擬電力隧道多狀態(tài)模式數(shù)據(jù)[9],其函數(shù)可以描述為:

S(t)=Y(t)×σ+O(t)+M,t=1,2,…,L

(1)

式中,處于時(shí)間點(diǎn)t的電力隧道多狀態(tài)特性實(shí)測(cè)數(shù)值用S(t)描述,設(shè)計(jì)目標(biāo)數(shù)值用M描述,電力隧道運(yùn)行過(guò)程中因偶然性因素而產(chǎn)生的隨機(jī)波動(dòng)用Y(t)描述,因異常性因素產(chǎn)生的波動(dòng)用O(t)描述,平穩(wěn)時(shí)候的標(biāo)準(zhǔn)差用σ描述,電力隧道動(dòng)態(tài)數(shù)據(jù)流的大小用L描述。

1.2 電力隧道多狀態(tài)特征混合

為了準(zhǔn)確地提取電力隧道多狀態(tài)混合特征,可以對(duì)電力隧道動(dòng)態(tài)數(shù)據(jù)流S(t)進(jìn)行分解與重組,這一過(guò)程可通過(guò)一維離散小波分解來(lái)實(shí)現(xiàn)[10,11]。

一維離散小波分解可以把電力隧道動(dòng)態(tài)數(shù)據(jù)流分化成低頻近似與高頻細(xì)節(jié)兩個(gè)部分,并運(yùn)用高通與低通濾波器來(lái)完成分解,設(shè)定P0S=S,層級(jí)為j的小波分解可以描述成:

Pj-1S=QjS+PjS=

(2)

式中:趨勢(shì)變化斜率用a描述,Pj、Qj表示低高頻分解,它們的因數(shù)分別用cFj和cMj描述,j=1,2,…,G,a=0,1,…,L/2j-1。S(t)的大小用L描述,分解層的數(shù)量用G描述,小波函數(shù)ψ(t)的系數(shù)用ψja描述,尺度函數(shù)φ(t)的系數(shù)用φja描述。如果小波分解在G層完成,那么S(t)的“噪聲”則大部分會(huì)保留在cMj里,而低頻近似部分則會(huì)保留大量的有價(jià)值信息,cFj與cMj用公式描述為:

(3)

(4)

式中,高通濾波器用w(v)描述,低通濾波器用g(v)描述。根據(jù)式(3)可以獲取層級(jí)是G的低頻近似因數(shù)cFG,并將其作為電力隧道狀態(tài)的主要特征,然后通過(guò)cFG與每個(gè)層級(jí)的cMj,對(duì)電力隧道動(dòng)態(tài)數(shù)據(jù)流S(t)實(shí)行一維離散小波重組,數(shù)據(jù)序列重組后描述為:

(5)

要想使各類(lèi)狀態(tài)之間的細(xì)節(jié)信息區(qū)分得更加細(xì)致,并且使電力隧道狀態(tài)特征數(shù)據(jù)的維度降到最低,那么可以運(yùn)用仿真實(shí)驗(yàn)再次篩選出3類(lèi)形狀特征,即BRANGE、REAE、ABDPE。在重組數(shù)據(jù)序列Sc(t)中對(duì)這3類(lèi)特征進(jìn)行提取,分別用BRANGEc、REAEc、ABDPEc描述。

(1)將Sc(t)平均劃分成固定的4段,可得出BRANGEc特征與REAEc特征,函數(shù)可以描述為:

BRANGEc=max(qur)-min(qur)

(6)

(7)

式中,u=1,2,3,r=2,3,4,u

(2)將Sc(t)劃分成不固定的2段,可得出ABDPEc特征,而分劃點(diǎn)的位置是當(dāng)2段中數(shù)據(jù)序列最小二乘估計(jì)的合并均方誤差的值最小時(shí)所在的區(qū)域,其函數(shù)可以描述為:

(8)

式中,整體與分割后數(shù)據(jù)序列的最小二乘擬合直線的斜率分別用Al和A描述。

按順序?qū)μ卣鲗?shí)行組合操作,也就是將已獲取的BRANGEc、REAEc、ABDPEc特征分別添加至每種電力隧道運(yùn)行狀態(tài)模式提取出的低頻近似系數(shù)特征向量cFG的后面,從而獲取到電力隧道多狀態(tài)混合特征向量D,描述為:

D=[cFGRANGEcREAEcABDPEc]T

(9)

1.3 電力隧道多狀態(tài)混合特征的PSO-SVM識(shí)別方法

1.3.1 增強(qiáng)支持向量機(jī)

將電力隧道運(yùn)行異常狀態(tài)的檢測(cè)轉(zhuǎn)化成非線性、小樣本、多種類(lèi)的分類(lèi)問(wèn)題,可通過(guò)支持向量機(jī)(SVM)來(lái)解決。

(1)支持向量機(jī)

支持向量機(jī)利用分類(lèi)平面來(lái)處理有關(guān)二分類(lèi)的問(wèn)題,而該平面則需要能使二種數(shù)據(jù)最小距離最大化[12,13]。

設(shè)定支持向量機(jī)的數(shù)據(jù)樣本用{xi,yi},i=1,2,…,n,xi∈Rn,yi∈{+1,-1}描述,輸入是xi,目標(biāo)輸出是yi。支持向量機(jī)經(jīng)過(guò)數(shù)據(jù)樣本學(xué)習(xí),可以得到一個(gè)分類(lèi)平面,這個(gè)平面可以將數(shù)據(jù)分為兩類(lèi),描述為:

f(x)=ωδ(x)+b

(10)

式中,權(quán)向量用ω描述,且ω∈Z,δ:Rn→Z,偏置向量用b描述,δ(x)表示數(shù)據(jù)樣本分布,另外,如果其中一類(lèi)數(shù)據(jù)每個(gè)數(shù)據(jù)點(diǎn)都分布于超平面一邊,那么:

ωδ(xi)+b≥yi

(11)

設(shè)定二種數(shù)據(jù)間隔用d來(lái)描述,根據(jù)SVM幾何定義得出,d=2/‖o‖,‖o‖是歐幾里得范數(shù),那么可將分類(lèi)問(wèn)題變成優(yōu)化問(wèn)題來(lái)處理:

(12)

如果出現(xiàn)線性不可分的情形,那么就可以引進(jìn)松弛變量ζ來(lái)減少對(duì)超平面的要求,另外還需要添加懲罰參數(shù)C來(lái)懲罰由于錯(cuò)誤分類(lèi)產(chǎn)生的損失,由此可將式(16)調(diào)整為:

(13)

將拉格朗日乘子引入上面的優(yōu)化問(wèn)題并進(jìn)行求解,獲取SVM最優(yōu)超平面分類(lèi)函數(shù)為:

(14)

核函數(shù)采用的是高斯核函數(shù),描述為:

k(xi,x)=exp(-‖xi-x‖/2g2)

(15)

式中,g是核函數(shù)半徑參數(shù)。

電力隧道多狀態(tài)的多類(lèi)問(wèn)題,可以通過(guò)構(gòu)建多個(gè)兩類(lèi)支持向量機(jī),運(yùn)用一對(duì)多的方式來(lái)處理,另外對(duì)于H類(lèi)分類(lèi)問(wèn)題,分類(lèi)超平面的數(shù)量也應(yīng)為H。

(2)訪問(wèn)策略

對(duì)下一步要訪問(wèn)的點(diǎn)進(jìn)行選取,也就是選取訪問(wèn)與H個(gè)超平面最近的點(diǎn)x′,描述為:

x′=argmin|fi(x′)|,i=1,2,…,h

(16)

(3)標(biāo)記新點(diǎn)類(lèi)別與更新分類(lèi)器

運(yùn)用現(xiàn)有的SVM分類(lèi)器對(duì)x′進(jìn)行分類(lèi),設(shè)定運(yùn)行至第h類(lèi),獲取的分類(lèi)結(jié)果為“對(duì)”“錯(cuò)”兩種。若分類(lèi)結(jié)果為“對(duì)”,那么h標(biāo)記為x′的類(lèi)別,同時(shí)在第h類(lèi)里添加x′,對(duì)第h類(lèi)支持向量機(jī)進(jìn)行再次訓(xùn)練,從而獲取新的第h個(gè)分類(lèi)超平面。若分類(lèi)結(jié)果為“錯(cuò)”,那么可分為以下兩種情況:

情況1:當(dāng)fh(x′)<0時(shí),依據(jù)從小至大的順序?qū)′與H個(gè)超平面的間距進(jìn)行設(shè)置,同時(shí)調(diào)整x′至與其相應(yīng)的類(lèi)別里,該類(lèi)別應(yīng)歸屬于與x′較近的超平面,直至正確,從而得到更新后的標(biāo)記點(diǎn),同時(shí)把該點(diǎn)添入正確類(lèi)別E的訓(xùn)練集內(nèi),進(jìn)而更新超平面E。

情況2:當(dāng)fh(x′)>0時(shí),依據(jù)從小至大的順序?qū)′與其他H-1個(gè)超平面的間距進(jìn)行設(shè)置,剩下步驟按情況1操作,最后得到更新的超平面E和h。

如果持續(xù)N次對(duì)待標(biāo)記電力隧道多狀態(tài)樣本分類(lèi)結(jié)果均是正確時(shí),那么就可終止更新樣本集與分類(lèi)器。此時(shí)N越大,則說(shuō)明訪問(wèn)的點(diǎn)越多,輸出結(jié)果的準(zhǔn)確率就越高。

1.3.2 PSO參數(shù)求優(yōu)

設(shè)置PSO中的粒子分別是SVM的懲罰參數(shù)C與核函數(shù)半徑參數(shù)g,其適應(yīng)度選取的是SVM分類(lèi)正確率[14,15],描述為:

W=識(shí)別正確數(shù)目/(識(shí)別正確數(shù)目+識(shí)別錯(cuò)誤數(shù)目)

(17)

更新粒子的速度與位置,描述為:

(18)

1.3.3 電力隧道多狀態(tài)識(shí)別

基于PSO-SVM電力隧道多狀態(tài)識(shí)別模型,見(jiàn)圖1。

2 實(shí)驗(yàn)分析

以某地區(qū)的電力隧道為實(shí)驗(yàn)對(duì)象,該電力隧道全長(zhǎng)約1.5 km,通過(guò)頂管施工技術(shù),將直徑為2.7 m的水泥管道置于約20 m深的地下。

為了衡量本文方法提出的增強(qiáng)支持向量機(jī)的分類(lèi)性能,與文獻(xiàn)[6]方法進(jìn)行對(duì)比實(shí)驗(yàn),選取存儲(chǔ)于UCI數(shù)據(jù)庫(kù)中該電力隧道的部分?jǐn)?shù)據(jù)進(jìn)行了分類(lèi)檢測(cè)。設(shè)定分類(lèi)結(jié)果持續(xù)正確的點(diǎn)數(shù)量用N描述,訪問(wèn)的點(diǎn)數(shù)量用J描述,樣本類(lèi)別的數(shù)量用M描述,且M=3,分類(lèi)結(jié)果正確的次數(shù)(實(shí)際實(shí)驗(yàn)次數(shù))用T描述,計(jì)劃實(shí)驗(yàn)次數(shù)用Ω描述,且Ω=2M2J,利用本文方法得出的測(cè)試結(jié)果如表1所示。

圖1 基于PSO-SVM的電力隧道多狀態(tài)識(shí)別模型

表1 本文方法增強(qiáng)支持向量機(jī)的分類(lèi)效果

由表1所知,利用本文方法訪問(wèn)較少數(shù)量的點(diǎn),即可達(dá)到較高的準(zhǔn)確率,當(dāng)訪問(wèn)4個(gè)點(diǎn)時(shí),準(zhǔn)確率已達(dá)90%以上;訪問(wèn)7個(gè)點(diǎn)時(shí),準(zhǔn)確率已接近100%。從實(shí)驗(yàn)次數(shù)來(lái)看,當(dāng)M=5,計(jì)劃實(shí)驗(yàn)次數(shù)分別為36、90、144、234、378、450、558,而實(shí)際實(shí)驗(yàn)次數(shù)則分別為7、16、27、39、51、63、78,實(shí)際實(shí)驗(yàn)次數(shù)遠(yuǎn)低于計(jì)劃實(shí)驗(yàn)次數(shù),而文獻(xiàn)[6]方法計(jì)劃實(shí)驗(yàn)次數(shù)均高于本文方法,且準(zhǔn)確率較低,由此可見(jiàn),利用本文方法增強(qiáng)的支持向量機(jī)具有較好的分類(lèi)效果。

表2 文獻(xiàn)[6]方法增強(qiáng)支持向量機(jī)的分類(lèi)效果

為了驗(yàn)證本文方法的性能,實(shí)驗(yàn)設(shè)定種群數(shù)量為12,懲罰參數(shù)取值為[0,10],核函數(shù)取值為[0,10],最大迭代次數(shù)是120,與文獻(xiàn)[7]方法進(jìn)行對(duì)比測(cè)試,得到的粒子群優(yōu)化適應(yīng)度走勢(shì)圖,見(jiàn)圖2。

圖2 粒子群優(yōu)化適應(yīng)度走勢(shì)圖

由圖2可知,本文方法明顯優(yōu)于文獻(xiàn)[7]方法,隨著迭代代數(shù)的增加,適應(yīng)度快速接近最佳適應(yīng)度水平,迭代次數(shù)為30次時(shí),適應(yīng)度達(dá)到99%左右,當(dāng)?shù)螖?shù)為50次時(shí),已完全達(dá)到最佳適應(yīng)度標(biāo)準(zhǔn)并收斂。由此說(shuō)明,通過(guò)PSO尋找最佳參數(shù)速度快、適應(yīng)度高,進(jìn)而驗(yàn)證本文方法性能好。

為了驗(yàn)證本文方法對(duì)于電力隧道多狀態(tài)全過(guò)程監(jiān)控的有效性,實(shí)驗(yàn)對(duì)該電力隧道中01-05號(hào)電纜的導(dǎo)體溫度進(jìn)行了監(jiān)控。正常情況下,電纜導(dǎo)體最高額定工作溫度為90℃,短時(shí)間過(guò)載溫度不能高于130℃,短路時(shí)最高溫度不能高于250℃時(shí)且持續(xù)時(shí)間不能超過(guò)5 s。利用本文方法得到的監(jiān)測(cè)結(jié)果,如圖3所示。

圖3 電力隧道多狀態(tài)全過(guò)程監(jiān)控結(jié)果

由圖3所知,截至當(dāng)日20時(shí),01-03號(hào)電纜的導(dǎo)體溫度均在60℃-70℃之間浮動(dòng),在允許的范圍之內(nèi),屬于正常狀態(tài)。04號(hào)電纜在0時(shí)至18時(shí)的導(dǎo)體溫度處于正常范圍,但是在20時(shí),導(dǎo)體溫度則迅速上升至118.27℃,出現(xiàn)了向上階躍的態(tài)勢(shì),另外對(duì)比昨日同期數(shù)據(jù),昨日此時(shí)04號(hào)電纜的導(dǎo)體溫度也超過(guò)了正常工作溫度,達(dá)到115.39℃,屬于異常狀態(tài),提示報(bào)警信息為1級(jí)。05號(hào)電纜在18時(shí)導(dǎo)體溫度已達(dá)90℃左右,之后快速階躍至127.35℃,接近短時(shí)間最高過(guò)載溫度,應(yīng)立即給予處理,提示報(bào)警信息為2級(jí)。由此可見(jiàn),利用本文方法對(duì)電力隧道內(nèi)電纜導(dǎo)體溫度做到了實(shí)時(shí)監(jiān)控,對(duì)出現(xiàn)的正常狀態(tài)、異常階躍狀態(tài)都能及時(shí)、準(zhǔn)確地反映出來(lái),并給出相應(yīng)的預(yù)警信息,說(shuō)明本文方法對(duì)電力隧道多狀態(tài)全過(guò)程的監(jiān)控有效且準(zhǔn)確。

為了進(jìn)一步呈現(xiàn)本文方法的應(yīng)用性,實(shí)驗(yàn)對(duì)該電力隧道內(nèi)濕度情況進(jìn)行了實(shí)時(shí)監(jiān)控,得到的結(jié)果如圖4所示。

圖4 電力隧道內(nèi)濕度情況監(jiān)控結(jié)果

由圖4可知,運(yùn)用本文方法可以有效地對(duì)電力隧道內(nèi)濕度情況進(jìn)行監(jiān)控,得出的監(jiān)控結(jié)果為濕度呈上升趨勢(shì),并提示存在低級(jí)風(fēng)險(xiǎn),建議除濕處理,由此可見(jiàn),本文方法具有較強(qiáng)的應(yīng)用性。

3 結(jié) 論

為了及時(shí)掌握電力隧道運(yùn)行狀態(tài),保證電力的正常供應(yīng),提出了一種基于增強(qiáng)支持向量機(jī)的電力隧道多狀態(tài)全過(guò)程監(jiān)控的方法。該方法利用粒子群優(yōu)化算法對(duì)增強(qiáng)后的支持向量機(jī)進(jìn)行優(yōu)化,以達(dá)到較好的分類(lèi)效果,進(jìn)而實(shí)現(xiàn)電力隧道多狀態(tài)全過(guò)程監(jiān)控方法。通過(guò)實(shí)驗(yàn)證該方法能有效、準(zhǔn)確地監(jiān)控電力隧道多狀態(tài)的全過(guò)程,具有較好的應(yīng)用性。