基于支持向量機的變電站過熱故障的在線監測

余彬，胡洛娜，王吉哲

（1.國網浙江杭州市蕭山區供電公司，杭州311200；2.國網重慶市電力公司信息通信分公司，重慶400014）

基于支持向量機的變電站過熱故障的在線監測

余彬1，胡洛娜2，王吉哲2

（1.國網浙江杭州市蕭山區供電公司，杭州311200；2.國網重慶市電力公司信息通信分公司，重慶400014）

作為電力傳輸的重要組成部分，變電站的安全運行對電網具有十分重要的意義。根據變電站設備過熱故障的特點，基于支持向量分類器的數學理論模型，建立了設備過熱故障的判斷機制。該方法利用核函數實現向高維空間的非線性映射，并通過最優超平面對特征空間進行劃分，進而完成對數據樣本的分類。以某變電站為例，驗證了支持向量分類器的強大功能，證明其能夠出色的完成故障診斷，完全滿足變電站設備過熱故障的在線監測要求。

變電站；過熱故障；在線監測；支持向量分類器

隨著電力工業的飛速發展，電力的傳輸對供電設備安全和可靠提出了更高的要求。作為電力傳輸過程中的一個重要組成部分，變電站的安全變得尤為重要。在變電站中，高壓開關柜內的母線接頭，裸露在室外的刀閘開關、線夾等重要設備數量繁多，在長期運行過程中，會因材質老化或者接觸電阻引起部件發熱。如果這些部位的溫度沒有得到及時監測，設備過熱故障不被及時發現，最終可能導致突發斷電甚至火災等嚴重的事故[1-5]。

傳統的變電站監測方法，主要依賴人工使用紅外熱像儀對設備進行定期巡檢。然而這種過熱故障監測手段存在著檢測不全面、效率低下、運行成本較為昂貴、容易受到監測人員主觀因素影響等缺點。由于變電站過熱故障不僅僅與設備自身溫度有關，而且還與環境溫度等外界因素相關，僅僅從設備溫度來判斷設備的過熱故障是不夠的。為了正確地判斷過熱故障是否發生，采用了SVM（基于支持向量機）的分類算法[6-7]，建立了一套設備過熱故障的判斷機制，以對變電站設備進行在線全自動溫度檢測。

1 變電站設備過熱監測

變電站一次設備主要有：電抗器、互感器、母線、避雷器、變壓器、接地裝置等[8]。

一次接線通常采用橋式和T型連接，這種連接方式需要由不同形狀的線夾進行固定、銜接。對關鍵電氣設備的監測，不僅僅是判斷其是否能正常工作，電壓、電流等是否在正常范圍內，還要監測設備的發熱和老化情況。變電站電氣設備易發熱、損壞的部位包括：高壓隔離開關、設備引出線、線夾和母排（銅排、鋁排）等，成為變電站監測的重點。

電氣設備在進行正常工作時會散發熱量，當散發的熱量與發熱量達到平衡的時候，設備的溫度將不再升高。如果設備溫度持續升高時，會對設備性能產生嚴重的影響，如：使機械強度下降；使接觸電阻增加產生更高的溫度；使一些橡膠絕緣材料出現老化的情況。

由于普通監測不能實時進行，并不能直觀地讀出溫度數據，而是通過經驗判斷設備的過熱故障或者通過設備不穩定運行而間接反映出來。這時候再進行監測，往往已經對設備造成了損壞。所以對電氣設備過熱故障在線監測系統的研究，對變電站的安全運行有著重要的意義。

2 過熱故障影響因子

變電站過熱故障診斷最直觀的影響因子，是環境溫度。根據經驗，正常溫度為變電站設備的實際溫度，而故障溫度，則采用報警值（比正常值高出10℃）以上的溫度。表1給出了某日變電站1號變壓器A相穿墻套管溫度的變化。該穿墻套管是復合干式穿墻套管，電氣性能穩定且溫升低。因此在此試驗中，排除材料影響，設備溫度僅與相對溫度有關。

短時間內可以近似地認為，變電站每小時的負荷是基本一樣的。從表中可以看出，白天設備的溫度要明顯高于夜晚，這表明設備所處的環境溫度，對設備有比較大的影響。在診斷故障時，大氣環境溫度是一個不可忽視的影響因子。但是在目前的報警系統中，并沒有考慮這個因素，報警值的設置在晝間和夜晚是相同的。同樣，隨著季節的變化，相應的報警值也應該有所改變。但是，如果靠人工去改變設定值的話，其作用是很有限的。

3 支持向量分類器

將環境溫度和設備溫度綜合考量作為判別設備故障與否的依據，以精確控制為目的，抽象為數學問題即是多變量分類問題。SVC（支持向量分類器）是一種可訓練的機器學習方法，由于在實際應用中表現出良好的學習性能，被廣泛應用于分類問題之中。

表1 變電站1號變壓器A相穿墻套管某日溫度

支持向量分類器的基本思想是：首先通過一個非線性映射，將輸入向量從原空間映射到高維特征空間。在此空間中，利用結構風險最小化原則，構造最優決策函數。利用原空間的核函數取代高維特征空間中的點積運算，降低了計算的復雜性。

設給定訓練集為（xi1，xi2，yi），其中i∈{1，…，l}，l為樣本總數；（xi1，xi2）為樣本的輸入，表示大氣溫度和設備溫度；yi∈{-1，1}為樣本的輸出，表示設備溫度是否正常，“1”表示溫度正常，“-1”表示溫度過高。用非線性映射φ（·）將樣本從原空間映射到高維特征空間，在此高維空間中構造最優線性決策函數y（x）=sgn[w·φ（x）+b]。其中，w為權向量；b為常數。

利用最小二乘法求解最優超平面：

定義Lagrange函數為：

對w，b分別求導：

將式（3）代入式（2）中，得：

約束條件為：

引入一個非負的松弛變量，及懲罰參數C（當C無窮大時，就是原始的超平面分類），即得到了C-SVC[9]。

利用Lagrange函數，可以得到該問題的對偶問題如下：

設定核函數K（xi，xj）=φ（xi）·φ（xj），若K是正定核，則對偶問題必定有解。求解最優化問題公式（6），應用最優解α*可以構造分類函數：

從而對未知樣本進行分類。

4 實例分析

采用支持向量機分類方法，利用已有的數據作為訓練集，進行最優分類面的選取。對于所提的故障檢測問題，所得出的最優分類面即是二維平面的一條線。這條線將整個數據空間分為2部分，一部分為無故障空間，無需進行預警；另一部分為故障空間，表明設備溫度超出預警界限，需進行預警。然后再將部分數據設為測試集，帶入已有的模型，檢驗模型的準確性。

為了驗證所提方法的有效性，利用MATLAB平臺，對所提出的分類機制進行實例分析。試驗選取RBF核函數完成原始數據向高維空間的非線性映射。試驗的數據采集于某變電站，這些樣本數據都事先由人工進行故障判定，如果樣本被判斷為設備溫度正常，則返回值為1；若樣本被判斷為設備溫度過高，即設備過熱故障，則返回值為-1。這樣便形成一組包含環境溫度，設備溫度和故障測定值的數據值。再從這些數據中拿出部分樣本組成訓練集和測試集。訓練集用來進行模型的建立，測試集用來測試模型的可靠性。

在試驗中，訓練集是由50個正常溫度樣本和50個過熱故障樣本組成，驗證集由3個正常溫度樣本和3個過熱故障樣本組成。將訓練集中的數據反映在二維空間中，即如圖1所示。橫坐標為設備溫度，縱坐標為大氣溫度，X型圖標表示該樣本為正常溫度，黑點表示該樣本為故障溫度。

圖1 訓練樣本

將訓練集中的樣本輸入到C-SVC，建立初始模型并進行訓練，即可得到支持向量和最優分類面。如圖2所示，圖中直線為最優分類面。

圖2 持向量和分類面

最后將驗證集樣本輸入已建立的模型CSVC之中，得到分類結果，可以驗證算法是否有效。設備過熱故障的最直接影響因子為大氣溫度和設備溫度（即相對溫度），每一個驗證集中樣本的最終返回值為1或者-1。

如圖3所示。五角星即為驗證集的樣本數據，其中X的返回值為1，即算法判斷為正常溫度；黑點的返回值為-1，即算法判斷為故障溫度。從圖中可以直觀看出，位于直線上方的樣本，經過模型的計算，均為正常溫度。位于直線下方的樣本，得出為故障溫度。由此可得驗證集中的3個正常溫度樣本和3個過熱故障樣本都得到了正確的分類處理。

圖3 分類結果

5 結語

針對變電站設備過熱故障與自身設備溫度、環境溫度相關的特點，基于支持向量分類器的數學理論模型，建立了設備過熱故障的判斷機制。該方法利用內積核函數實現向高維空間的非線性映射，并通過最優超平面對特征空間進行劃分，不但算法簡單，而且具有較好的魯棒性。以某變電站的溫度數據分析，驗證了支持向量分類器，能夠出色的完成故障診斷，完全滿足變電站設備過熱故障的在線監測要求。

[1]韓蓓，盛戈嗥，蔣秀臣，等．基于ZigBee無線傳感器網絡的導線接頭在線測溫系統[J]．電力系統自動化，2008，32（16）∶72-77.

[2]曹楠，李剛，王冬青.智能變電站關鍵技術及其構建方式的探討[J].電力系統保護與控制，2011，39（5）∶63-68.

[3]KAYANO PD，SILVA MS，MAGRINI LC.Distribution substation transformer and circuit breaker diagnoses with the assistance of real-timemonitoring[C].IEEE Transmission&Distribution Conference&Exposition，2004.

[4]梁湖輝，張峰，常沖，等.基于ZigBee的變電站監測報警系統[J].電力系統保護與控制，2010，38（12）∶121-124.

[5]鄔春明，程亮.變電站監測數據采集系統[J].電測與儀表，2014，51（3）∶64-67.

[6]李勇，劉哲.基于LS-SVM的汽輪機組加熱器運行經濟性評價方法[J].熱力發電，2014，43（2）∶9-15.

[7]FEDERICO SFORZA，VITTORIO LIPPI.Support vector machine classification on a biased training set∶Multijet background rejection at hadron colliders[J].Nuclear Instruments and Methods in Physics Research A，2013（722）∶11-19.

[8]余海濤．高壓變電站無線自動測溫控制系統研究[D]．天津：天津大學，2007.

[9]張濤，徐曉蘇.基于C-SVM的組合導航系統故障診斷算法[J].中國慣性技術學報，2011，19（2）∶239-242.

（本文編輯：楊勇）（本文編輯：楊勇）

On-line M onitoring of Substation Overheat Fault Based on Support Vector M achine

YU Bin1，HU Luona2，WANG Jizhe2
（1.State Grid Hangzhou Xiaoshan Power Supply Company，Hangzhou 311200，China；2.State Grid Chongqing Information&Telecommunication Company，Chongqing 400014，China）

As an important partof power transmission，the safe operation of substation is key to power grid.In this paper，according to the characteristics of the substation equipment overheat fault and mathematical theory model of support vector classifier，equipment overheat fault diagnosismechanism is established.Themethod uses kernel function to realize nonlinearmapping to high dimensional space and completes feature space division through optimal hyperplane to classify data sampling.The powerful functions of support vector classifier is proved by its application in a substation that it can well diagnose faults and meet the onlinemonitoring requirements of substation equipment overheat.

substation；overheat fault；onlinemonitoring；support vector classifier

TM732

A

1007-1881（2016）01-0031-04

2015-11-02

余彬（1987），男，助理工程師，主要從事電力信息數據網的研究。