基于支持向量機(jī)算法的輸電線路故障診斷研究

齊金定 孫濤 單巖 鄭少華 于振洪 孫靜

摘要：輸電線路具有距離長、覆蓋區(qū)域廣等特點(diǎn)，容易受天然環(huán)境及人為成分的影響較多，致使線路的運(yùn)作維護(hù)工作存在較大困難，如何從海量數(shù)據(jù)中挖掘出有效信息，實(shí)現(xiàn)對(duì)輸電線路的故障診斷，是急需要解決的問題。提出一種基于支持向量機(jī)（Support Vector Machine，SVM）算法的數(shù)據(jù)挖掘方法，將其應(yīng)用于輸電線路故障診斷方面，可以從輸電線路海量信息中找出潛藏的模式和其中的規(guī)則，成為調(diào)度人員處理事件的協(xié)助工具，起到降低事故處理耗時(shí)、防止事故擴(kuò)大的作用，提高輸電線路運(yùn)行和維護(hù)的質(zhì)量。

關(guān)鍵詞：大數(shù)據(jù)；數(shù)據(jù)挖掘；SVM算法；故障分析

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2019）23-68-4

0引言

輸電線路是電力系統(tǒng)的重要組成部分，將發(fā)電、變電、供配電的廠站設(shè)備和用戶有機(jī)地聯(lián)接成一個(gè)整體，具有線長、點(diǎn)多和面廣的特點(diǎn)。它的運(yùn)行狀態(tài)直接關(guān)系到電力系統(tǒng)的可靠運(yùn)行，影響著電力用戶的用電安全和良好的用電體驗(yàn)。并且，隨著現(xiàn)代電網(wǎng)的規(guī)模、容量和覆蓋范圍越來越大，輸電線路在國民經(jīng)濟(jì)和人民生活中占有重要地位，電網(wǎng)故障停電將會(huì)給社會(huì)生產(chǎn)和人民生活造成重大的經(jīng)濟(jì)損失。輸電線路因?yàn)榫哂羞\(yùn)送距離長、覆蓋區(qū)域廣等特點(diǎn)，容易受自然環(huán)境及人為因素的影響較多，致使線路的運(yùn)維工作存在較大困難[1]，同時(shí)隨著信息化的建設(shè)，輸電線路每年都會(huì)產(chǎn)生大量數(shù)據(jù)，因此，如何從海量數(shù)據(jù)中挖掘出所需要的知識(shí)，使現(xiàn)代電力系統(tǒng)在完成日常生產(chǎn)管理工作的基礎(chǔ)上，實(shí)現(xiàn)對(duì)電力系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)、故障診斷以及故障預(yù)測(cè)等功能，是現(xiàn)代智能電網(wǎng)需要解決的問題。數(shù)據(jù)挖掘技術(shù)是大數(shù)據(jù)分析中的關(guān)鍵技術(shù)，其實(shí)質(zhì)是從海量數(shù)據(jù)中挖掘出隱含的知識(shí)，并將發(fā)現(xiàn)的數(shù)據(jù)轉(zhuǎn)化為信息，信息轉(zhuǎn)化為知識(shí)，知識(shí)轉(zhuǎn)化為行動(dòng)，行動(dòng)轉(zhuǎn)化為價(jià)值。

1數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘（Data Mining，DM）的概念由美國計(jì)算機(jī)學(xué)會(huì)在1995年提出，是指從海量的、隨機(jī)的、不完整的、模糊的數(shù)據(jù)中，提取出人們所需信息的過程。與這一術(shù)語相近的有許多，例如從數(shù)據(jù)庫中發(fā)現(xiàn)知識(shí)、數(shù)據(jù)分析、知識(shí)抽取、模式分析、數(shù)據(jù)采集和信息收割等[2]?？偟膩碚f，DM可以被認(rèn)為是機(jī)器學(xué)習(xí)和數(shù)據(jù)庫衍生的產(chǎn)物，主要作用就是利用這二者對(duì)海量數(shù)據(jù)進(jìn)行分析和管理。本文選取SVM算法進(jìn)行研究。

1.1 SVM算法

SVM算法由Vapnik等學(xué)者提出，是近些年來機(jī)器學(xué)習(xí)、模式識(shí)別以及神經(jīng)網(wǎng)絡(luò)等學(xué)術(shù)界公認(rèn)的最有影響力的成就之一。SVM是統(tǒng)計(jì)學(xué)習(xí)理論中較新的理論，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性和高維數(shù)局部極小值等問題中表現(xiàn)出特有優(yōu)勢(shì)[3]。

SVM自提出以來，經(jīng)過近二十年的發(fā)展，已經(jīng)在許多領(lǐng)域取得了豐碩成果。現(xiàn)有SVM發(fā)展方向主要分為4個(gè)方面：

①改進(jìn)SVM的運(yùn)算速度，使其適應(yīng)大規(guī)模數(shù)據(jù)集的研究，例如序列最小化算法等；

②對(duì)原有的SVM的形式優(yōu)化，簡(jiǎn)化其中的計(jì)算過程；

③根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則以及SVM的一些原理而提出的新算法，例如廣義SVM等；

④根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小原則以及核函數(shù)思想，在傳統(tǒng)的線性算法上構(gòu)造出相應(yīng)的核形式，例如核主成分分析。

1.2 SVM基本原理

SVM的核心內(nèi)容就是升維、線性化和核函數(shù)，最終目的是尋找一個(gè)定義最優(yōu)線性超平面，使得訓(xùn)練樣本集中類型不同的點(diǎn)處于超平面的兩側(cè)，與此同時(shí)，超平面兩側(cè)的空白區(qū)域必須達(dá)到最大。SVM理論能完美地支持二維2類線性可分?jǐn)?shù)據(jù)。

1.3 SVM算法求解過程

SVM優(yōu)化的實(shí)質(zhì)是對(duì)其參數(shù)進(jìn)行優(yōu)化。SVM分類器的好壞判別標(biāo)準(zhǔn)，主要取決于其泛化能力和機(jī)器學(xué)習(xí)的復(fù)雜程度，簡(jiǎn)而言之就是所構(gòu)建模型對(duì)未知數(shù)據(jù)測(cè)試的精準(zhǔn)程度，SVM模型的確定主要在于懲罰系數(shù)與核函數(shù)參數(shù)的選擇。

傳統(tǒng)SVM參數(shù)分類問題尋優(yōu)需要對(duì)，（分別表示懲罰系數(shù)、核函數(shù)參數(shù)）組合在給定范圍（2個(gè)參數(shù)范圍）一般為lb =-1：1：14，lb =-8：-1：-23內(nèi)進(jìn)行窮盡搜索，搜索次數(shù)等于2個(gè)參數(shù)向量長度的乘積，搜索總耗時(shí)等于搜索次數(shù)與訓(xùn)練樣本個(gè)數(shù)的乘積。

SVM算法求解過程如圖2所示。

2輸變電系統(tǒng)大數(shù)據(jù)分析概述

電力系統(tǒng)的整個(gè)運(yùn)行過程中會(huì)產(chǎn)生海量多源異構(gòu)數(shù)據(jù)，也就是大數(shù)據(jù)，保證現(xiàn)代電網(wǎng)安全運(yùn)行的前提是能夠及時(shí)處理這些海量數(shù)據(jù)。其中，輸變電設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)占絕大部分，既包含設(shè)備的基本信息，也包含設(shè)備運(yùn)行中的在線狀況監(jiān)測(cè)信息，數(shù)據(jù)量十分巨大，這對(duì)數(shù)據(jù)處理能力的可靠性和實(shí)時(shí)性要求很高[5]。

2.1輸變電系統(tǒng)大數(shù)據(jù)特點(diǎn)

輸變電系統(tǒng)中的數(shù)據(jù)具備大數(shù)據(jù)標(biāo)志性的“4V”特征，即規(guī)模大、類型多、價(jià)值密度低和變化快[6]，具體特點(diǎn)如下。

①規(guī)模大

輸變電設(shè)備狀態(tài)數(shù)據(jù)規(guī)模很大，量級(jí)一般都是以TB，PB為單位。例如，數(shù)據(jù)采集與監(jiān)視控制SCADA系統(tǒng)，按10 000個(gè)遙測(cè)點(diǎn)，采樣間隔為3～4 s計(jì)算，每年將會(huì)產(chǎn)生1.03 TB數(shù)據(jù)（1.03 TB=12字節(jié)/幀* 0.3幀/s*10 000遙測(cè)點(diǎn)*86 400 s/d*365天）。

②類型多

輸變電設(shè)備狀態(tài)數(shù)據(jù)類型呈現(xiàn)多樣化的特點(diǎn)，包括各種歷史數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)、文本數(shù)據(jù)、多媒體數(shù)據(jù)等結(jié)構(gòu)化、半結(jié)構(gòu)化以及非結(jié)構(gòu)化數(shù)據(jù)。對(duì)于不同類型的數(shù)據(jù)處理方式以及處理要求也都是不一樣的。例如，輸電線路系統(tǒng)中線路的臺(tái)賬信息通常是以文本數(shù)據(jù)的形式被記錄，而線路的運(yùn)行狀況則往往是以圖片或者視頻的方式被記錄。

③價(jià)值密度低

輸變電設(shè)備狀態(tài)數(shù)據(jù)存在價(jià)值密度低的特點(diǎn)。輸變電設(shè)備運(yùn)行過程中記錄了海量數(shù)據(jù)，而其中絕大多數(shù)都屬于正常數(shù)據(jù)，僅有非常稀少的故障數(shù)據(jù)，然而這些極少量的故障數(shù)據(jù)比正常數(shù)據(jù)更具有價(jià)值，它能夠有助于操作者了解設(shè)備的真實(shí)狀況。例如，輸變電設(shè)備狀態(tài)監(jiān)測(cè)連續(xù)24 h的監(jiān)測(cè)數(shù)據(jù)中真正有價(jià)值的可能僅僅只有1～2 s。

④數(shù)據(jù)處理速度要求快

由于電力系統(tǒng)的特殊性，操作者往往需要在極短暫的時(shí)間內(nèi)做出正確的操作，這就需要系統(tǒng)能在數(shù)以ms的時(shí)間內(nèi)對(duì)海量數(shù)據(jù)進(jìn)行有效分析，以輔助操作者做出決策[7]。

3基于SVM算法的故障診斷分析

選取某地一條輸電線路的連續(xù)4個(gè)月的運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本，以第5個(gè)月的運(yùn)行數(shù)據(jù)作為基礎(chǔ)測(cè)試樣本，由于輸電線路實(shí)際運(yùn)行中出現(xiàn)的故障極少，而故障樣本數(shù)量較少將會(huì)使實(shí)驗(yàn)結(jié)果展現(xiàn)不夠直觀，因此在訓(xùn)練樣本以及測(cè)試樣本中添加了該等級(jí)線路歷史數(shù)據(jù)中的故障數(shù)據(jù)，擴(kuò)充了故障數(shù)據(jù)量，使實(shí)驗(yàn)展示的結(jié)果更加直觀，增強(qiáng)了實(shí)驗(yàn)的說服力。

實(shí)驗(yàn)選取輸電線路的有功功率、無功功率、電流和電壓4個(gè)指標(biāo)作為故障判斷依據(jù)。運(yùn)用SVM模型進(jìn)行實(shí)驗(yàn)。此外，實(shí)驗(yàn)過程中針對(duì)不同的故障類型，分別建立了訓(xùn)練模型，并利用測(cè)試樣本數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。將SVM模型的參數(shù)設(shè)定為lb =-1：1：14，lb =4：-1：-11能搜尋到最優(yōu)參數(shù)組合，以得到最優(yōu)的時(shí)間效率和精確度。

通過算法驗(yàn)證表明，訓(xùn)練樣本數(shù)據(jù)在經(jīng)過訓(xùn)練之后，使該模型實(shí)現(xiàn)智能故障診斷功能，用測(cè)試樣本數(shù)據(jù)進(jìn)行故障診斷時(shí)，測(cè)試樣本中的輸電線路故障類型已被檢測(cè)，基本實(shí)現(xiàn)了輸電線路智能化診斷功能，達(dá)到了實(shí)驗(yàn)預(yù)期效果，達(dá)到了將大數(shù)據(jù)技術(shù)運(yùn)用到輸電線路故障診斷的目的。

4結(jié)束語

通過介紹大數(shù)據(jù)分析中的DM、SVM算法等技術(shù)，輸變電系統(tǒng)大數(shù)據(jù)的特點(diǎn)和關(guān)鍵問題，提出的SVM算法在處理回歸和模式識(shí)別等問題上具有獨(dú)到的優(yōu)勢(shì)，使其非常適應(yīng)于輸電線路故障診斷研究，可以從輸電線路海量的信息中，找出潛藏的模式和其中的規(guī)則，成為調(diào)度人員處理事件的協(xié)助工具，能夠起到降低事故處理耗時(shí)、防止事故擴(kuò)大的作用，提高輸電線路運(yùn)行和維護(hù)的質(zhì)量，提高電力系統(tǒng)的運(yùn)行穩(wěn)定性，保障大電網(wǎng)穩(wěn)定安全運(yùn)行。

參考文獻(xiàn)

[1]張東霞，苗新，劉麗平，等.智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J].中國電機(jī)工程學(xué)報(bào)，2015，35（1）：2-12.

[2]邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：中國水利水電出版社，2003.

[3]芮璋現(xiàn)，肖海波.支持向量機(jī)（SVM）及其應(yīng)用[J].福建電腦， 2007（4）：110.

[4] Vapnik V N， Golowich S E， Smola A. Support Vector Method for Function Approximation， Regression Estimation， and Signal Processing [J]. Advances in Neural Information Processing Systems， 1997： 281-287.

[5]周志華.機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘[J].中國計(jì)算機(jī)學(xué)會(huì)通訊， 2007，3（12）：27-37.

[6]夏火松.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)[M].北京：科學(xué)出版社， 2004.

[7]宋亞奇，周國亮，朱永利.智能電網(wǎng)大數(shù)據(jù)處理技術(shù)現(xiàn)狀與挑戰(zhàn)[J].電網(wǎng)技術(shù)，2013，37（4）：927-935.

[8]金澈清，錢衛(wèi)寧，周傲英.流數(shù)據(jù)分析與管理綜述[J].軟件學(xué)報(bào)，2004，5（8）：1172-1181.