基于混合算法與支持向量機的電力變壓器故障診斷

(廣東電網有限責任公司清遠清城供電局,廣東 清遠 511500)

基于混合算法與支持向量機的電力變壓器故障診斷

賈立敬

(廣東電網有限責任公司清遠清城供電局,廣東 清遠 511500)

為了改進、優化支持向量機的核函數參數σ以及懲罰因子C，提出了基于粒子群與差分進化相結合的混合優化算法(PSODE)，從而獲得最優的故障診斷模型。通過引入四種基準測試函數：Sphere函數、Rosenbrock函數、Rastrigin函數、Griewank函數對PSO、DE、PSODE的性能進行測試，仿真結果表明PSODE是一種具有較強優化性能的算法。為了進一步驗證該方法的有效性，通過對油中溶解的H2、CH4、C2H6、C2H4、C2H2的含量進行分析，可以較準確地識別低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態。

支持向量機;粒子群 差分進化

1 引言

油浸式電力變壓器作為電力系統的關鍵設備，一旦出現故障可能造成長時間的供電中斷，因此及時、準確地發現變壓器故障對于電網安全運行意義重大。

針對變壓器所出現的故障，診斷方法多種多樣，其中檢測變壓器內部故障最有效的手段之一為油中溶解氣體分析法[1]，這種方法能及時較早地發現電力變壓器內部出現的故障，在變壓器運行維護過程中發現并排除了多次故障隱患[2]。由于變壓器故障類型的多樣性、模糊性，采用傳統的故障診斷方法已無法滿足變壓器故障診斷高可靠性的要求。隨著計算機和人工智能技術的迅速發展，引入專家系統[3-4]、人工神經網絡[5]、模糊數學[6]等智能方法對變壓器出現的故障進行判別，在一定程度上取得了進展[7]。但是這些理論的提出大多數存在一定缺陷，專家系統過分依賴知識庫結構的好壞，而實際中獲取的某些專家知識是不完整的，嚴重影響專家系統的準確性；模糊數學中人為干預的因素較多，使得該理論無法得到廣泛應用；人工神經網絡存在網絡結構不易確定，網絡參數求解相對復雜等缺陷，影響復雜系統的收斂速度，使得該方法的推廣受到一定的限制。鑒于工程實際中變壓器故障樣本數據有限，不確定性因素多的現狀，以上智能故障診斷方法無法取得最佳效果，而支持向量機是應用統計學習理論，專門解決具有非線性、樣本少及維數高特性的模式識別問題的學習機器，更適用于解決有限的小樣本數據。

本文通過PSO、DE以及PSODE的性能測試，將PSODE混合算法應用在支持向量機中，對支持向量機的參數σ以及懲罰因子C進行改進、優化，從而獲得最優的故障診斷模型。將溶解在油浸式電力變壓器油中的H2、C2H4、C2H6、CH4、C2H2五種氣體的體積含量作為特征量，以變壓器常見的7種故障狀態作為故障診斷模型的輸出。仿真結果表明，經PSODE混合算法優化的SVM相對經不同算法優化的SVM比較，發現此方法可較準確地識別變壓器所出現的故障。

2 基于粒子群與差分進化相結合的混合優化算法

2.1 粒子群優化算法

粒子群優化算法(Particle Swarm Optimization，PSO)最早是在1995年由Eberhart和Kennedy[8]共同提出的，是一種以個體的競爭與合作為基礎對復雜搜索空間中最優解進行搜索的過程，類似于遺傳算法，但二者又有一定的區別，此算法未對種群使用交叉、變異等操作，是通過群體中個體之間信息的協作與共享來尋優，其每發生一次迭代過程，“個體極值”和“全局極值”都要進行一次更新，所有微粒的飛行軌跡調整均依賴于局部最優值pi以及全局最優值pg。粒子位置更新過程的示意圖如圖1所示。

圖1 粒子位置更新示意圖

2.2 差分進化算法

差分進化算法最早是由Storn和Price[9]提出的，作為一種優化方法最初是用于解決切比雪夫多項式擬合問題。是一種以群體智能為基礎的全局優化算法，可用于解決連續領域的優化問題，通過種群內個體之間存在的競爭與協作關系，產生優勢個體來對種群的進化過程進行指導。在優化求解過程中，該算法采用結構簡單的差分變異和交叉算子以及“貪婪”的選擇操作，該算法并不依賴問題的特征信息，而是依據種群的動態改變來對搜索策略進行調整，利用優勢個體更新種群，使在種群迭代完成時接近或達到最優解。其具體的操作過程如圖2所示。

圖2 差分進化算法的具體操作過程

2.3 混合優化算法

由于DE算法中交叉算子可以提高局部搜索能力，加速其收斂進程，但在進化過程的后期階段，容易出現陷入局部最優的情況；PSO優化算法中全局最優值陷入局部最優區域時，群體會在該區域迅速收斂，使得種群失去多樣性的特點，導致早熟停滯現象的發生[10]。

為了彌補DE以及PSO優化算法同時具有的易陷入局部最優的缺陷，提出了一種混合算法，其個體的運動方式如圖3所示。

圖3 PSODE模型中個體的運動方式

該算法中，當PSO算法中種群個體入局部最優時，此時粒子在進化過程中位置的選取不僅要參考自身經驗還要借鑒DE算法中最優個體的信息，通過DE算法獲得種群中優秀個體的信息，使得陷入局部最優的粒子個體偏離之前的局部最優位置，從而快速逼近全局最優位置。同理，DE算法同樣會以較大的概率由局部最優點逼近全局最優點。

3 測試函數與仿真分析

為了對PSODE的性能進行測試，引入一系列的基準測試函數如：Sphere函數、Rosenbrock函數、Rastrigin函數、Griewank函數對PSO、DE、PSODE算法的性能進行測試。對DE算法的參數進行設置，其中縮放因子F=0.5，交叉概率CR=0.5，對PSO算法的參數進行設置：學習因子C1=1.5，C2=1.7，對于PSODE中的參數設置如同PSO、DE，控制因子λ為3，這三種算法的種群個體規模為50，最大進化代數取1500，維數為30，其進化曲線圖如圖4～圖7所示。

圖4 Sphere函數進行測試的進化曲線圖

圖5 Rosenbrock函數進行測試的進化曲線圖

通過對以上進化曲線圖分析，將兩者結合的混合算法可以充分發揮各自的優點，避免缺陷，較單一的DE算法和PSO算法在收斂性方面有很大改善。仿真結果表明PSODE是一種具有較強優化性能的算法。

4 變壓器故障診斷模型的提出

采用支持向量機對變壓器故障進行分類時，為了較準確地識別變壓器運行過程中的故障，需要對支持向量機中核函數參數和懲罰因子C進行優化。鑒于PSODE混合優化算法相對PSO、DE具有較好的優化性能，因此將PSODE算法與支持向量機相結合對變壓器進行故障診斷。

圖7 Griewank函數進行測試的進化曲線圖

本文在對油浸式變壓器進行故障診斷時，其數據來源為油中溶解的H2、CH4、C2H6、C2H4、C2H2這5種氣體的含量。

基于混合算法與支持向量機相結合的變壓器故障診斷具體步驟如下:

步驟1 將油中溶解的5種氣體含量的數據樣本分為兩部分，分別為訓練集和測試集，并對其做歸一化處理；

步驟2 對粒子群和差分進化模型參數進行初始化，并設置SVM參數σ和C 的取值范圍；

步驟3 對每一組參數的訓練樣本等分為POPPSO和POPDE兩個種群，其初始化的位置處于不同區域；

步驟4 利用粒子群優化算法對POPPSO中個體的位置和速度進行更新，利用差分進化算法對POPDE的個體進行變異、交叉、選擇；

其流程圖如圖8所示。

圖8 基于混合算法與支持向量機的變壓器故障診斷模型

5 油浸式電力變壓器故障診斷實例分析

為了驗證上述故障診斷模型的有效性，本文從現場運行的故障變壓器DGA數據庫中隨機選取了56組，訓練集28組，測試集28組，其故障類型主要包括：低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態。

5.1 參數優化

根據上述混合算法對支持向量機參數進行優化的流程，其主要參數設置為：F=CR=0.5，C1=1.5，C2=1.7，控制因子λ為3，算法中種群規模為20，最大進化代數取200，支持向量機中懲罰因子C的取值范圍為(0.1，100]，核函數中參數σ的取值范圍為(0.01，1000]。經過多次實驗比較，得到如圖8所示的適應度曲線。由圖9可知，整個尋優過程在第50代時找到最佳適應度值為90.71，此時的適應度最佳，并一直保持平穩。

5.2 仿真結果與分析

將尋優得到的(c，g)進行驗證，其結果為Accuracy=92.857%(26/28)(classification)。為了能直觀了解SVM對于各個故障類別的判斷準確性，將分類結果可視化，如圖10所示。

圖9 準確分類率適應度曲線

圖10 基于混合算法優化的SVM測試集分類圖

圖中類別標簽1～7分別代表低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電以及正常狀態，測試集樣本數目為28個。從圖中可以發現，測試集中的預測樣本分類與實際樣本分布幾乎一致，只有測試集中的第22和24兩個判斷有誤，均錯誤地將電弧放電診斷為中溫過熱故障。

為了驗證該方法的有效性，將其與經各種不同算法優化的SVM進行對比分析，如圖11～14所示。

圖11 未經優化的SVM測試集分類圖

比較結果如表1所示。

通過對比分析，發現經過優化的SVM與未經優化的SVM相比，其分類準確率都得到不同程度的提高。但是網格法進行優化所需時間長，搜索范圍需要事先設定，其準確性也有待于提高；遺傳算法沒有記憶功能，進行優化時以前的知識隨著種群的改變遭到破壞；粒子群算法與遺傳算法相比，不需要編碼，無需進行交叉和變異操作，粒子只是通過迭代過程對最優解進行搜索，因此原理比較簡單、需要設置的參數較少，實現過程相對比較容易，但是由于其容易陷入局部最優，導致種群多樣性消失，因此其識別率低于經PSODE優化的SVM，綜合考慮選擇經PSODE優化的SVM對油浸式電力變壓器常見的7 種故障進行分類識別。

圖12 基于GRID優化的SVM測試集分類圖

圖13 基于GA優化的SVM測試集分類圖

圖14 基于PSO優化的SVM測試集分類圖

第一類正確個數第二類正確個數第三類正確個數第四類正確個數第五類正確個數第六類正確個數第七類正確個數識別率/%分類時間/sSVM441222467.860.31GRID-SVM443332482.140.58GA-SVM443432485.710.21PSO-SVM444432489.280.18PSODE-SVM444442492.860.20

6 結論

本文提出基于PSO與DE相結合的混合算法對SVM的核函數進行優化，以選出最優的參數(c，σ)，對油浸式電力變壓器常見的7種故障狀態進行分類識別，可以較準確地識別變壓器的故障類型，該方法與經不同算法優化的SVM相比較，具有較高的識別精度。

[1] Kennedy J,Eberhart R.Particle swarm optimization[C].Proceedings of the IEEE conference on neural networks.New York,USA:IEEE,1995:1942-48.

[2] 林蔚天.改進的粒子群優化算法研究及其若干應用[D].廣州：華東理工大學，2014.

[3] 張曉慶.基于改進粒子群算法的電力系統經濟調度計算研究[D].哈爾濱：哈爾濱理工大學，2014.

[4] 宋剛.基于粒子群和差分進化算法的新型混合算法在配電網重構中的應用[D].杭州：浙江大學， 2008.

[5] 王凌，劉波.粒子群優化與調度算法[M].北京：清華大學出版社，2008.

[6] Shi Y,Eberhart R C.A modified particle swarm optimizer.Proceedings of IEEE International Conference on Evolutionary Computation,Anchorage,1998,69-73.

[7] Storn R M，Price K V.Differential evolution-a simple and efficient adaptive scheme for global optimization over continuous spaces

[R] .Technical Report TR95-012,Berkley,USA:International Computer Science Institute,1995.

[8] Lin C E,Ling J M,Huang C L.Expert system for transformer diagnosis usingdissolved gas analysis[J].IEEE Transaction on Power Delivery,1993,8(1):231-238.

[9] 欒麗君，譚立靜，牛奔.一種基于粒子群優化算法和差分進化算法的新型混合全局優化算法[J].信息與控制，2007，6(36):708-714.

[10] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

FaultDiagnosisofPowerTransformerBasedonHybrid

In order to improve and optimize the kernel function of support vector machines(SVM)is a parameter sigma and penalty factor C,proposing a hybrid optimization algorithm(PSODE)which based on the combination with differential evolution and support vector machine,obtaining the optimal model of fault diagnosis.By introducing four benchmark functions:sphere function,rosenbrock function and rastrigin function,griewank function to test the performance of the PSO,DE,PSODE,the simulation results show that performance of PSODE is a kind of strong optimization algorithm.In order to further verify the effectiveness of the method,analysing the content of H2,CH4,C2H6,C2H4,C2H2,which dissolved in oil can accurately identify low overheating,medium temperature overheating,high temperature overheating,partial discharge,spark discharge and arc discharge and normal state.

EMD;PSO;DE

1004-289X(2017)03-0030-05

TM411

B

AlgorithmandSupportVectorMachine

JIALi-jing

(Qingcheng Power Supply Bureau,Guangdong Power Grid Corporation,Qingyuan 511500,China)

2016-04-11

賈立敬(1986-)，女，漢族，河北衡水人，助理工程師，碩士研究生，主要研究方向從事電氣設備狀態監測與故障診斷技術方向研究工作。