基于支持向量機的電力系統(tǒng)自動化設(shè)備狀態(tài)檢修策略研究

摘 要：隨著電力系統(tǒng)自動化程度的提高，電力系統(tǒng)的安全運行、調(diào)度運行工作等都對這些自動化設(shè)備的依賴程度越來越大。為了給電力系統(tǒng)自動化設(shè)備的狀態(tài)檢修提供科學的決策依據(jù)，該文提出了一種基于支持向量機的電力系統(tǒng)自動化設(shè)備狀態(tài)檢修策略。

關(guān)鍵詞：自動化設(shè)備 狀態(tài)檢修 基于支持向量機

中圖分類號：TM76文獻標識碼：A 文章編號：1674-098X（2014）05（b）-0031-01

隨著電力系統(tǒng)自動化程度的提高，電力系統(tǒng)的安全運行、調(diào)度運行工作等都對這些自動化設(shè)備的依賴程度越來越大。一般情況下，電力系統(tǒng)自動化設(shè)備的檢修（或維護、調(diào)試、試驗）都是有制定期限的，但是自動化設(shè)備在電力系統(tǒng)中所承擔的任務(wù)是不同，某些設(shè)備會在定期檢修中造成損害，無法正常運行，還有某些設(shè)備會出現(xiàn)過度檢修，增大了檢修的成本和費用。

該文首先采用自動化設(shè)備的運行工況、定檢信息作為支持向量機的輸入特征向量，通過核函數(shù)將輸入特征向量映射到高維特征空間，用支持向量機的模式識別方法來識別電力系統(tǒng)自動化設(shè)備狀態(tài)，使得結(jié)果有較高的評估正確率和較好的穩(wěn)定性。這種方法實現(xiàn)了對電力系統(tǒng)自動化設(shè)備的狀態(tài)監(jiān)測，并依據(jù)監(jiān)測數(shù)據(jù)及設(shè)備運行狀態(tài)，確定系統(tǒng)自動化設(shè)備的運行狀態(tài)，從而依據(jù)狀態(tài)進行檢修，完善了電力系統(tǒng)自動化設(shè)備狀態(tài)檢修機制。

1 自動化設(shè)備狀態(tài)檢修策略

建立電力系統(tǒng)自動化設(shè)備狀態(tài)檢修策略的目的就是要借助現(xiàn)代化管理手段進行設(shè)備管理、資料管理和信息處理。該系統(tǒng)的建設(shè)是以數(shù)據(jù)庫、判據(jù)庫、專家系統(tǒng)為核心內(nèi)容，實現(xiàn)與生產(chǎn)管理系統(tǒng)信息資源共享，保證信息源的唯一性，并確定合理的信息傳遞流程。

以檢修策略為目的對自動化裝置的運行狀態(tài)進行評價，主要過程如下。

（1）計算平均無故障間隔時間（MTBF）。根據(jù)設(shè)備生產(chǎn)廠家提供的資料，結(jié)合運行資料（主要指驗收記錄、檢驗記錄、運行環(huán)境記錄等），運用電子裝置可靠性預(yù)計方法，評估裝置的使用壽命。

（2）考慮環(huán)境因子的影響。根據(jù)本地區(qū)環(huán)境規(guī)律以及設(shè)備運行和儲存的溫度、濕度和電磁場情況，形成環(huán)境因子E。

（3）考慮設(shè)備品質(zhì)因子的影響。根據(jù)對設(shè)備設(shè)計制造情況的了解和運行中收集的資料選擇品質(zhì)因子Q。

（4）考慮應(yīng)用因子的影響。分析設(shè)備或系統(tǒng)本身的工作特性，比照工廠驗收、現(xiàn)場驗收和歷次檢定結(jié)果中的各項功能技術(shù)指標，獲取指標劣化的數(shù)據(jù)，形成應(yīng)用因子F，修正失效率和MTBF。

（5）綜合上述各種影響，計算檢修時間節(jié)點，根據(jù)分析結(jié)果制定檢修安排。根據(jù)運行經(jīng)驗，MT B F/實際運行時間=0.9時安排檢修或校驗是比較合理的。

（6）其它因素作用。裝置或系統(tǒng)中失效率最高的部分直接影響裝置整體的健康水平，評價裝置健康水平時。

2 支持向量機法

2.1 方法介紹

支持向量機方法（SVM）其基本思想是：首先通過非線性變換將輸入向量映射到高維特征空間，在這個空間中構(gòu)造最優(yōu)決策函數(shù)，在構(gòu)造最優(yōu)決策函數(shù)時應(yīng)用結(jié)構(gòu)風險最小化原則，并巧妙地利用原空間的核函數(shù)取代高維特征空間中的點積運算。

2.2 樣本模型的建立

以服務(wù)器為例，考慮以下四種因素作為支持向量機訓練樣本的輸入變量：

（1）CPU占用率：是指訓練日前幾日的CPU平均占用率和最高占用率。

（2）溫度因素：是指訓練日前幾日的最高溫度和最低溫度。

（3）硬盤占用因素：是指訓練日前幾日的硬盤的讀寫率及硬盤的存儲率。

（4）內(nèi)存使用因素：是指訓練日前幾日的內(nèi)存最大占用率及平均占用率。

2.3 核函數(shù)的選取以及參數(shù)的確定

核函數(shù)的參數(shù)應(yīng)仔細選取，精確定義了高維特征空間的結(jié)構(gòu)，因而控制了最終解的復(fù)雜程度。

用SVM算法進行服務(wù)器健康度預(yù)測時，通過對不同的σ2和C參數(shù)的試驗，核參數(shù)σ2和C對SVM算法的表現(xiàn)起著非常重要的作用。如果σ2的值太小，會對訓練集造成過學習現(xiàn)象，σ2的值太大，會對訓練集造成欠學習現(xiàn)象。C的適應(yīng)值應(yīng)在1～200之間，如果C的值太小會對訓練數(shù)據(jù)造成欠學習現(xiàn)象，C值太大容易對訓練數(shù)據(jù)造成過學習現(xiàn)象而導致泛化性能惡化。當分別把σ2和C都固定在150和10時，訓練集和測試集的標準均方差非常穩(wěn)定，因而不受值ε變化的影響。這表明SVM的性能對ε不敏感。

3 狀態(tài)評估結(jié)果

根據(jù)電力系統(tǒng)自動化設(shè)備的運行工況、定檢情況等重要的狀態(tài)信息，分為5個等級：狀態(tài)A：接近或達到注意值，或劣化趨勢明顯，與同類設(shè)備比有較顯著的差異；狀態(tài)B：接近但沒超過注意值，劣化一般，與同類設(shè)備比差異明顯；狀態(tài)C：介于最優(yōu)（行業(yè)認可）與注意值之間，劣化不明顯，與同類比相當；狀態(tài)D：遠未到注意值，沒有明顯的劣化趨勢，與同類設(shè)備比偏好；狀態(tài)E：接近出廠值或交接試驗值，且連續(xù)數(shù)次試驗數(shù)據(jù)穩(wěn)定。輸出值電力系統(tǒng)自動化設(shè)備的運行狀態(tài)。狀態(tài)類5表示劣化狀態(tài)轉(zhuǎn)到故障狀態(tài)，應(yīng)立即安排維修；狀態(tài)類4表示偏離正常狀態(tài)，劣化中等，盡快維修；狀態(tài)類3表示狀態(tài)一般，加強監(jiān)視定期預(yù)試；狀態(tài)類2表示狀態(tài)良好，延期/計劃定期預(yù)試；狀態(tài)類1 表示接近出廠狀態(tài)，延期定期預(yù)試。通過以上內(nèi)容可以判斷自動化設(shè)備此時的狀態(tài)是否需要檢修。

4 結(jié)語

該文提出了運用支持向量機法，首先采用自動化設(shè)備的運行工況、定檢信息作為支持向量機的輸入特征向量，通過核函數(shù)將輸入特征向量映射到高維特征空間，用支持向量機的模式識別方法來識別電力系統(tǒng)自動化設(shè)備狀態(tài)檢修有較高的評估正確率和較好的穩(wěn)定性。這種方法對于提高電網(wǎng)自動化設(shè)備的運行安全性和檢修效率將可以發(fā)揮非常重要的作用，同時對于電網(wǎng)的安全運行也有著非常重要的現(xiàn)實意義。

參考文獻

[1]孫嘉.自動化設(shè)備運行自動監(jiān)視系統(tǒng)開發(fā)與應(yīng)用[J].電力系統(tǒng)自動化，2001（1）：66-67.

[2]蔡志穎.淺談自動化設(shè)備數(shù)據(jù)采集系統(tǒng)的開發(fā)與應(yīng)用[J].科技創(chuàng)新導報，2010（21）：120.

[3]秦杰，馬韜韜.調(diào)度自動化設(shè)備狀態(tài)在線報警系統(tǒng)的設(shè)計與應(yīng)用[J].電力系統(tǒng)自動化，2009，33（6）：95-98.

[4]丁世飛.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011， 40（1）：2-10.