關(guān)鍵詞：烏鴉搜索算法；支持向量機(jī)；變壓器；故障檢測(cè)

中圖分類號(hào)：TM407；TP399 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

變壓器作為電力系統(tǒng)中的關(guān)鍵設(shè)備，其運(yùn)行狀態(tài)決定了電力系統(tǒng)是否安全與穩(wěn)定。因此，研究變壓器故障檢測(cè)技術(shù)尤為重要。變壓器故障檢測(cè)的方法多種多樣，包括傳統(tǒng)的物理檢測(cè)法[1]、化學(xué)檢測(cè)法[2] 以及基于人工智能技術(shù)[3] 的檢測(cè)方法等。然而，這些方法在實(shí)際應(yīng)用中往往存在一定的局限性，存在檢測(cè)效率低下、誤判率高等問(wèn)題。因此，研究一種高效、準(zhǔn)確的變壓器故障檢測(cè)方法具有重要的實(shí)際意義。

近年來(lái)，機(jī)器學(xué)習(xí)算法在故障檢測(cè)領(lǐng)域得到了廣泛應(yīng)用。其中，支持向量機(jī)（support vectormachine，SVM）因其良好的分類性能和泛化能力而受到廣泛關(guān)注[4]。然而，SVM 性能的優(yōu)劣取決于其參數(shù)的選擇。傳統(tǒng)的參數(shù)選擇方法往往依賴于經(jīng)驗(yàn)或試錯(cuò)法，難以獲得最優(yōu)解。因此，如何有效地優(yōu)化SVM 參數(shù)，提高其在變壓器故障檢測(cè)中的性能，成為一個(gè)亟待解決的問(wèn)題。

針對(duì)上述問(wèn)題，本文提出一種基于改進(jìn)烏鴉搜索算法（crow search algorithm，CSA）[5] 優(yōu)化SVM的變壓器故障檢測(cè)方法。該方法通過(guò)引入烏鴉搜索算法對(duì)SVM 參數(shù)進(jìn)行優(yōu)化，旨在提高SVM 在變壓器故障檢測(cè)中的分類精度和效率。本文闡述了基于改進(jìn)烏鴉搜索算法優(yōu)化SVM 的變壓器故障檢測(cè)方法的實(shí)現(xiàn)過(guò)程，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

1.4 改進(jìn)烏鴉搜索算法優(yōu)化SVM參數(shù)

在變壓器故障檢測(cè)任務(wù)中，SVM 性能與其設(shè)置的參數(shù)息息相關(guān)。為了更好地發(fā)揮SVM 在故障檢測(cè)中的優(yōu)勢(shì)，需要對(duì)其參數(shù)進(jìn)行精確優(yōu)化。SVM的主要參數(shù)包括懲罰因子C 和核函數(shù)參數(shù)，其中，C 控制對(duì)誤差（過(guò)擬合誤差和泛化誤差）的懲罰程度，而核函數(shù)參數(shù)則決定了數(shù)據(jù)在高維空間中的映射方式。

本文針對(duì)RBF 核的SVM 進(jìn)行參數(shù)優(yōu)化，而RBF 核函數(shù)的主要參數(shù)是γ，它決定RBF 的寬度，影響SVM 分類邊界的形狀和位置。為了優(yōu)化SVM的參數(shù)C 和γ，即得到最佳的C 和γ，本文將其建模為一個(gè)優(yōu)化問(wèn)題。該問(wèn)題的目標(biāo)是在給定的參數(shù)空間內(nèi)找到一組最優(yōu)的C 和γ，使得SVM 在變壓器故障數(shù)據(jù)集中的分類準(zhǔn)確率最高。

為解決這個(gè)問(wèn)題，本文采用基于改進(jìn)烏鴉搜索算法的優(yōu)化SVM 參數(shù)選擇。圖1 為改進(jìn)烏鴉搜索算法優(yōu)化SVM 參數(shù)流程。

2 基于改進(jìn)烏鴉搜索算法優(yōu)化SVM的變壓器故障檢測(cè)

在電力dcj6dkQvaJZNpxJ4ACcqLg==系統(tǒng)中，變壓器的穩(wěn)定運(yùn)行對(duì)于保障整個(gè)系統(tǒng)的可靠性至關(guān)重要。因此，實(shí)現(xiàn)準(zhǔn)確的變壓器故障檢測(cè)對(duì)于預(yù)防潛在的安全風(fēng)險(xiǎn)、提高系統(tǒng)維護(hù)效率具有重要意義。

故障檢測(cè)的首要任務(wù)是收集全面、準(zhǔn)確的數(shù)據(jù)。在變壓器故障檢測(cè)中，需要收集包括正常運(yùn)行狀態(tài)以及多種故障狀態(tài)下的數(shù)據(jù)。這些數(shù)據(jù)可能來(lái)自傳感器的實(shí)時(shí)監(jiān)測(cè)、歷史記錄或人工巡檢等，因此需要進(jìn)行清洗和篩選。同時(shí)，從清洗后的數(shù)據(jù)中提取出對(duì)故障檢測(cè)有用的特征。通過(guò)特征提取，將原始數(shù)據(jù)轉(zhuǎn)化為能夠反映變壓器運(yùn)行狀態(tài)的特征集。為了消除不同特征之間的差異，提高模型的訓(xùn)練效果，還需要對(duì)特征進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理后，不同特征之間將具有相同的權(quán)重，使模型更好地學(xué)習(xí)數(shù)據(jù)的內(nèi)在規(guī)律。

在得到最優(yōu)的SVM 參數(shù)后，本文利用這些參數(shù)訓(xùn)練SVM 模型。將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練SVM 模型，使其能夠?qū)W習(xí)到數(shù)據(jù)的內(nèi)在規(guī)律和特征；測(cè)試集則用于評(píng)估模型的性能，驗(yàn)證其在實(shí)際應(yīng)用中的有效性。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于改進(jìn)烏鴉搜索算法優(yōu)化SVM 的變壓器故障檢測(cè)方法的性能，本文使用了真實(shí)變壓器故障數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)集包含了變壓器在6 種故障狀態(tài)下的5 種絕緣油中溶解氣體含量，變壓器故障數(shù)據(jù)如表1 所示。為了方便計(jì)算，本文也將變壓器故障類型進(jìn)行了編碼處理，變壓器故障類型編碼如表2 所示。此外，本文還設(shè)置了合適的實(shí)驗(yàn)參數(shù)，如烏鴉搜索算法的感知概率、最大飛行步長(zhǎng)和最小飛行步長(zhǎng)等。同時(shí)，本文將該數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，測(cè)試集和訓(xùn)練集各占50%。

在MATLAB 2019b 中模擬仿真，利用訓(xùn)練集數(shù)據(jù)進(jìn)行SVM 模型訓(xùn)練。為了驗(yàn)證改進(jìn)烏鴉搜索算法對(duì)SVM 核函數(shù)參數(shù)和懲罰因子的優(yōu)化，是否能提高故障檢測(cè)的準(zhǔn)確率，分別訓(xùn)練了SVM 分類器和加入改進(jìn)烏鴉搜索算法后的SVM 分類器。本文將數(shù)據(jù)集進(jìn)行歸一化處理后，分別輸入到兩個(gè)分類中進(jìn)行實(shí)驗(yàn)。由圖2 可知，仿真實(shí)驗(yàn)后的分類結(jié)果以及改進(jìn)烏鴉搜索算法優(yōu)化SVM 后的方法的分類效果更加明顯和可靠。

由圖2 和表3 中的實(shí)驗(yàn)結(jié)果可知，改進(jìn)烏鴉搜索算法優(yōu)化SVM 的方法彌補(bǔ)了SVM 在求解問(wèn)題時(shí)準(zhǔn)確度不高、不適合多分類等不足，提高了變壓器故障檢測(cè)的準(zhǔn)確率。

4 結(jié)論

本文針對(duì)變壓器故障檢測(cè)問(wèn)題，提出了一種基于改進(jìn)烏鴉搜索算法優(yōu)化SVM 的新方法。通過(guò)新方法與SVM 檢測(cè)方法的對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)改進(jìn)后的方法在提高故障檢測(cè)準(zhǔn)確率方面具有明顯優(yōu)勢(shì)。同時(shí)，實(shí)驗(yàn)還表明，改進(jìn)烏鴉搜索算法在參數(shù)優(yōu)化過(guò)程中表現(xiàn)出了良好的搜索性能和收斂速度，為SVM 模型的性能提升提供了有力支持。盡管本文在變壓器故障檢測(cè)方面取得了一定成果，但仍存在一些值得進(jìn)一步研究和改進(jìn)的方向，未來(lái)可以考慮將故障檢測(cè)與故障預(yù)測(cè)相結(jié)合，實(shí)現(xiàn)故障的早期預(yù)警和預(yù)防。