支持向量機在高壓電力計量系統故障診斷中的應用

陳文生

（廣東電網公司陽江供電局，廣東陽江 529500）

支持向量機在高壓電力計量系統故障診斷中的應用

陳文生

（廣東電網公司陽江供電局，廣東陽江 529500）

將支持向量機應用于高壓電力計量系統故障診斷中。對計量系統的運行參數提取故障信息作為網絡的輸入值，以4位二進制數表示正常情況和9種主要故障類型，用采集得到的樣本對網絡進行訓練，并選取4種故障類型進行網絡測試，結果表明，支持向量機模型對高壓電力計量系統故障有很好的辨識和診斷效果。

高壓電力計量系統；故障診斷；支持向量機；采集樣本

0 引言

高壓計量系統的故障檢測和診斷是電力系統自動化研究的內容之一。文獻[1]通過對高壓計量系統網絡的分析，得出計量系統網絡阻抗與電流互感器一次、二次側短路故障之間的關系；文獻[2]得出電流互感器二次繞組端電壓和通過電能表電流線圈的電流二者的比值與電能表電流線圈被短接故障有密切的關系，分析過程和仿真結果證明了其正確性。

針對高壓電力計量系統一、二次側出現的故障情況，本文選取了8個能夠反映計量系統故障的運行參數進行檢測，搭建測試環境平臺采集樣本數據，通過支持向量機可以對這些數據進行綜合分析從而準確判斷故障的類型。

1 支持向量機

SVM領域經典的算法是臺灣大學林智仁(Chih-Jen Lin)博士等開發的LIBSVM軟件包[1]，可以解決分類問題(包括C-SVC、n-SVC)、回歸問題(包 括 e-SVR、 n-SVR)以 及 分 布 估 計(one-class-SVM)等問題，提供了linear、多項式、RBF和S-function四種核函數供選擇。

支持向量機分類問題可由如下公式表述：假定訓練樣本為 Xi,i=1,…,n，期望輸出為Yi∈{-1,1}，其中+1和-1分別為兩類的類別標簽，分類超平面方程為：

其中（·）表示向量點積。為使分類超平面能對所有樣本正確分類，并且分類間隔足夠大，應滿足以下約束條件：

由式（2）可以得出分類間隔：

在約束條件下最大化分類間隔[4]。得出最優分類函數為：

由于非支持向量對應的αi=0，因此只對支持向量進行求和。最終的優化問題為[5]：

支持向量機由輸入層、隱含層、承接層和輸出層組成，是一種典型的動態支持向量機[3]，其結構如圖1所示。

圖1 支持向量機模型計算流程

2 系統故障分析

高壓電力計量系統的原理如圖2所示，圖中“1”和“2”分別為電度表的兩個計量單元，TV1和TV2是電壓互感器，TA1和TA2是電流互感器，IA和IC分別是A和C相的電流，Ia和Ic分別是IA和IC經電流互感器后的二次側電流。

圖2 高壓電力計量系統接線圖

根據高壓電力計量系統故障的特性，可以將它們分為直接診斷型故障和間接診斷型故障。前者是指在故障診斷過程中通過儀表的測量結果，可以直接得到是否發生故障。如電壓互感器開路故障發生時，只需要檢測二次側電壓值就可以準確地判斷故障。電流互感器一次測短路是間接診斷型故障，根據文獻[1]的結論可知發生故障時從P、Q兩點看進去網絡阻抗的變化很大，可以作為判斷的依據，但是網絡阻抗不能直接測量，需要通過外加激勵信號進行檢測，采樣得到的檢測信號是多個信號的疊加，必須通過頻譜分析才能得到需要波段的信息進行判斷。而電流互感器二次相間短路時，網絡阻抗會隨著負載的變化而變化，同樣需要多個檢測信息才能對故障進行判斷。

分析發現，電力計量系統中出現的故障種類多，一些故障無法通過單一的信號進行辨別。所以根據高壓電力計量系統的結構，對計量回路的多個參數進行檢測并采集樣本數據，再應用支持向量機模型對故障樣本數據進行處理和分析。

3 故障樣本處理和診斷測試

由計量系統的8個運行參數提取故障特征，歸納得到9種主要故障的樣本特征模式。在對支持向量機模型的訓練過程中需要大量的輸入樣本數據，這里僅列出一組，如表1所示。其中UAB是A相和B相兩相之間的電壓，IA是A相電流，計量單元“1”和“2”的電流和電壓分別是Ia、Ib和Ua、Ub，ua’和ub’分別為電流互感器二次側對應的檢測信號[1]，TA1二次側短路(后)指的是在TA1二次側檢查點后端短路，其他同理。計量系統實際輸入和輸出的數據往往不在[0，1]之間，但支持向量機的輸入樣本和目標樣本常要求位于[0，1]之間，因此在對網絡進行處理前，需要對獲得的數據進行歸一化處理[8]。對輸入為x歸一化輸出為y的系統，常用的歸一化公式有：

其對應的反歸一化公式為：

故障診斷的基本思想是將故障征兆通過某種關系映射到故障的空間里，這樣就能識別和診斷故障了。這里通過處理8種檢測信號與故障對應信息，輸入網絡，繼而用4位二進制數來表示正常情況和故障類型，作為網絡的輸出結果。如表2所示，訓練樣本對N為10，分別代表正常情況和9種常見故障類型。

表1 一組輸入樣本

表2 輸入樣本歸一化

表3 故障診斷結果

在計量系統故障診斷中故障征兆參數為8，故輸入向量維數為8，輸出向量的維數為4。本實驗中采用單隱層支持向量機，隱含層數目設定為17個。在隱含層利用tansig函數作為神經元的傳遞函數，將logsig函數作為輸出層的傳遞函數，這兩個函數都是S型的[9]，Elman網絡采用的是優化的梯度下降學習算法[10]，訓練次數設置為 1 000，誤差為0.01，步長為0.1。對樣本經過172次的訓練，得到了如表3所示的結果，通過與對應的描述比較發現，可以成功的對故障進行分類，誤差值較小。圖3是對樣本進行訓練的誤差曲線。

圖3 訓練的誤差曲線

表4 故障測試樣本

對于訓練好的網絡，通過改變計量系統負載值，選取4種故障對網絡進行測試，測試數據如表4所示，測試結果如表5所示。以第一組輸入樣本為例，通過分析8個測量參數，ua’遠遠低于正常值，把該組樣本輸入訓練好的網絡，期望得到的診斷結果是TA1一次測短路，實際測試結果是0.048 5，0.023 1，0.962 4，0.034 2，其對應的4位二進制數描述是0010，對比表3故障類型的對應描述可以看出，實際診斷結果是TA1一次側短路，與期望狀態相一致，說明訓練后的網絡可以成功的診斷出故障種類，達到了預期的效果。

4 結束語

基于支持向量機模型在故障診斷中的優勢，本文將其應用到高壓電力計量系統故障診斷中。先對系統運行參數提取故障特征并對數據樣本做歸一化處理，然后選取合適的網絡輸入節點數和隱含層數，再用樣本數據對網絡進行訓練和測試。系統經現場運行，效果良好，達到了設計要求。

［1］趙建軍，張素君.高壓電力計量系統故障分析與建模［J］.電測與儀表，2007，44（4）：5-8.

［2］秦春斌，趙建軍，張磊，等.電力計量系統分流竊電分析與建模［J］.電測與儀表 ， 2009， 46（2）：39-42.

［3］王宏偉，孫志遠.基于改進的支持向量機的網絡流量預測［J］.計算機與數字工程 ， 2012， 40（9）：87-89.

［4］陳小明，洪軍，閻海紅，等.基于支持向量機的振鏡掃描系統誤差校正技術研究 ［J］.西安交通大學學報，2006，40（5）：587-590.

［5］湯寶平，習建民，李鋒.基于支持向量機的旋轉機械故障診斷［J］.計算機集成制造系統，2007，16（10）：2148-2152.

Application of Support Vector Machine in the Fault Diagnosis of High Voltage Electric Power Metering System

CHEN Wen-sheng
（Yangjiang Power Supply Bureau，Yangjiang529500，China）

Support vector machinerk will be able to adopt in the fault diagnosis of high voltage electric power metering system according to the advantage of the great adaptivity.Information in eight operation parameters of metering system will be extracted to be taken as the input values of the neural network，and a 4-bit binary number will be adopted to represent the normal circumstance and nine main fault types. Then the collected samples are used to train Elman network and 4 fault types will be selected to test the network.The results show that the Elman network model can effectively diagnose the fault of high voltage electric power metering system.

high voltage electric power metering system；fault diagnosis；support vector machinerk；collected samples

TM93

：B

：1009－9492(2014)12－0126－04

10.3969/j.issn.1009-9492.2014.12.031

陳文生，男，1967年生，廣東陽江人，大學本科，工程師。研究領域：信息技術。

(編輯：向 飛)

2014－11－03