基于極限學習算法的HVCD電力故障檢測方法

李遠景

(中國南方電網(wǎng)有限責任公司，廣東 廣州 510623)

1 前言

高壓直流輸電(HVDC)已經(jīng)在現(xiàn)代電力輸送中得到廣泛應用［1］。然而，其故障的不可預測和嚴重損失是當前的難題。對于HVDC的診斷目前一個難點在于信號空間維度高，很難提取敏感的特性。如果可以在一個低維流形空間中進行處理將會對關鍵特征的提取非常有利［2］，這樣不僅可以保證故障檢測精度，更可以顯著提高分析計算的速度［3］。這個問題已經(jīng)得到領域學者的重視。為了實現(xiàn)這一目標，一個可能的解決方案是減少故障數(shù)據(jù)的空間維數(shù)。在近十年內(nèi)數(shù)據(jù)降維技術發(fā)展較快，其中最著名的技術是主成分分析(PCA)。PCA是非常強大的數(shù)據(jù)預處理技術，能夠將包含不同特性的原始數(shù)據(jù)投影到一個低維空間進行處理;然而，PCA的瓶頸主要限制于原始數(shù)據(jù)的非線性性質［4］。這是因為PCA是建立在線性模型的假設基礎上的。同樣的問題也存在于其他線性方法，包括多維標度(MDS)和線性判別分析(LDA)［5］。幸運的是，流形學習算法提供了一種新途徑來處理非線性降維問題。典型的算法如 Isomap［6］和局部線性嵌入(LLE)［5］等能夠處理底層數(shù)據(jù)的非線性行為。與線性方法相比，流形學習的目的是在低維特征空間保持原始數(shù)據(jù)的局部拓撲［7］。目前，流形學習研究被證明是有力的特征提取技術，但存在的問題是如何快速準確地識別所提取的特性［8］。為提高計算速度，一種新的機器學習智能方法，核極端學習機(KELM)被提出以提供快速而準確的模式識別能力［9］。KELM從理論上講是神經(jīng)網(wǎng)絡(ANN)和支持向量機(SVM)的集成，可以定義為具有回歸模型特性的單層前饋網(wǎng)絡(SLFNs)［9］。不同于ANN和SVM需要設置幾個結構參數(shù)，KELM只需要指定網(wǎng)絡的隱層節(jié)點數(shù)［10］，故而應用起來更加靈活。然而，現(xiàn)有的文獻資料顯示如何優(yōu)化KELM隱層節(jié)點的數(shù)量并沒有涉及到。如果KELM隱層節(jié)點的數(shù)量可以得到優(yōu)化，則能夠進一步提高模型的訓練速度和識別精度［11］。

為了解決上述問題，本文提出了一種基于LLEPSO-KELM的故障識別新方法。其創(chuàng)新點在于采用流行學習獲取故障特征的基礎上，應用PSO優(yōu)化后的KELM模型來識別故障，提高了識別效果與計算速度。實驗測試驗證了新方法有效性。

2 基于KELM的故障檢測方法

假設存在樣本{(xi，ti):i=1，2，…，N;xi∈Rp，ti∈Rq}(x為特征向量，t為類別向量)，可以利用如下單層網(wǎng)絡(SLFN)來識別樣本所屬的類別［7］:

式中，k是網(wǎng)絡隱含層數(shù)目;oi是第j個樣本的輸出;g(·)是激活函數(shù);bi是隱含層第i個神經(jīng)元的閾值;αi和βi分別為網(wǎng)絡輸入和輸出權值系數(shù)。如果網(wǎng)絡的輸出向量o能夠近似逼近分類目標向量t，則有:

式(2)可以改寫為矩陣形式:

其中，

式中，G?為G的廣義逆。由于激活函數(shù)g(·)一般是未知的，可以利用核函數(shù)來取代，即所謂的核極限學習機(KEML)［11］。核函數(shù)矩陣一般表示為 K=［K(x;x1) … K(x;xN)］T(K(·)核函數(shù))，將其帶人式(3)和(4)可以近似得到KELM的輸出:

本文采用如下高斯核函數(shù):

式中，參數(shù)λ是待定系數(shù)。

從KELM的理論介紹可見，其唯一需要人工調解的參數(shù)是隱含層神經(jīng)元數(shù)目k。但是，目前很少有相關的理論或者經(jīng)驗來設置該參數(shù);合理的設置在一定程度上直接影響KELM的識別精度和計算速度。因此，本文引入PSO來優(yōu)化參數(shù)k以提高KELM的總體性能，避免人為參數(shù)設置的不合理以及識別模型推廣能力不足的潛在缺點。

利用PSO的優(yōu)化過程主要有:首先隨機選擇k的初始值;其次PSO搜索得到k的優(yōu)化候選值并根據(jù)PSO的搜索迭代不斷更新候選最優(yōu)值，直到尋找得到滿足精度要求的最優(yōu)值。

綜上所述，本文所提出的故障識別新方法如圖1所示。

圖1 基于人工智能的故障識別新方法工作原理

3 實驗結果和分析

為了驗證本文方法的有效性，本文借助Matlab仿真軟件的功能開發(fā)了VSC-HVDC模擬仿真系統(tǒng)。該模型是HVDC的標準測試模型，眾多科研工作者和學者通過大量仿真實驗研究驗證該模型可以對實際VSC-HDVC工程項目系統(tǒng)的各種故障進行模擬仿真，仿真結果跟實際結果相同，其具體的工作原理在文獻［1］中被詳細介紹。本文也是基于該模型進行相關的VSC-HDVC系統(tǒng)故障的模擬仿真實驗。選取的幾個基本系統(tǒng)參數(shù)的值為110 kV，50 MW，50 Hz，利用這個模型對直流對地故障、整流側交流相對相故障、整流側交流相對相故障、逆變側交流三相對地故障都進行了測試仿真。

表1給出了診斷結果，實驗中重點考察了故障識別的精度和計算過程的速度。從表中可見，所提出的LLE-PSO-KELM方法能夠得到相對最優(yōu)的識別精度和計算速度;同時，LLE可以提高分類器的識別率;另外，基于PSO-KELM的故障識別模型在相同特征提取算法的情況下能夠獲得比KELM、BP網(wǎng)絡和SVM更好的性能。由此可見，本文方法能夠有效結合流形學習的非線性挖掘能力和KELM優(yōu)秀的模式識別效率，提高HVDC故障識別的精度與計算速度。

表1 故障診斷結果

4 結論

為了提高HVDC故障診斷的速度和精度，提出了一種基于LLE-PSO-KELM的新方法。其創(chuàng)新點在于，創(chuàng)新性地引入流形學習和核極限學習機到故障診斷領域以提供精確和快速的故障識別。實驗測試驗證了所提出的LLE-PSO-KELM方法的有效性。分析結果表明，LLE-PSO-KELM能夠快速而準確地識別系統(tǒng)不同故障。此外，通過比較不同的特征提取算法(如LLE、PCA、MDS和 LDA)和不同的故障分類器(如 PSOKELM，KELM、BP神經(jīng)網(wǎng)絡和 SVM)，結果表明，所提出的LLE-PSO-KELM方法在識別精度和訓練速度方面優(yōu)于其競爭對手。因此，本文方法具有較好的實際應用價值，可以作為一種新的故障診斷方法為工業(yè)提高理論與技術參考。

［1］張靜.VSC-HVDC控制策略研究［D］.浙江:浙江大學，2009.

［2］X.Wang，“Supervised manifold learning and kernel independent component analysis applied to the face image recognition，”in Proceedings of 2012 Fifth International Conference on Intelligent Computation Technology and Automation(ICICTA)，Zhangjiajie，China，2012(3):600 －603.

［3］N.Siddartha，M.Umar，N.Sen，and P.Prasad，“Feature extraction based face recognition using extreme learning machine(ELM)，”International Journal of Computer and Communication Technology，2012(3):10 －13.

［4］J.Zhang，“New face image recognition method based on Wavelet denoising and kernel principal component analysis，”Applied Mechanics and Materials，2012，235:74 – 77.

［5］J.Tenenbaum，V.Silva，and J.Langford，“A global geometric framework for nonlinear dimensionality reduction，”Science，2000，290:2319 －2323.

［6］S.Roweis and L.Saul，“Nonlinear dimensionality reduction by locally linear embedding，”Science，2000，290:2323 －2326.

［7］Z.Li，X.Yan，Z.Tain，C.Yuan，and Z.Peng，“Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis，”Measurement，2013，46:259－271.

［8］M.Paliwal and U.KumarA，“Neural networks and statistical techniques:A review of applications，”Expert Systems with Applications，2009，36:2－17.

［9］W.Zong，H.Zhou，G.Huang，and Z.Lin，“Face recognition based on kernelized extreme learning machine，”Lecture Notes in Computer Science，2001，6752:263 －272.

［10］G.Huang and L.Chen，“Enhanced random search based incremental extreme learning machine，”Neurocomputing，2008，77:16 －18.

［11］W.Deng，Q.Zheng，and K.Zhang，“Reduced kernel extreme learning machine，”Advances in Intelligent Systems and Computing，2013，226:63 －69.