改進人工蜂群算法優化SVM的電能表故障診斷研究

韓彤，楊正宇 ,，陳葉 ，趙振剛

(1.云南電網有限責任公司電力科學研究院,云南昆明 650217;2.昆明理工大學信息工程與自動化學院,云南昆明 650500)

0 前言

電力系統的穩定運行依賴于各種電力設備，其中電能表是電力系統運行中的重要計量設備，用于測量用電量以及傳輸數據。隨著電能表更新迭代越來越快，精密程度越來越高，其功能也更加多樣化、模塊化，倘若電能表故障得不到及時處理，將對電力系統穩定運行產生嚴重影響，因此準確快速識別電能表故障類型對維護電力系統正常運行、提高電表檢修效率有重要意義。

目前主要采用的分類預測算法包括決策樹、支持向量機、人工神經網絡和隨機森林等。文獻[4]中利用模型自適應選擇融合方法，通過分別取各類樣本分類精度的最大值，計算樣本精度閾值和差值，利用閾值和差值比較標記后選擇融合模型，但是融合過程中計算過于繁瑣，參量太多，計算工作量較大。文獻[5]中利用排列熵(PE)具有抗噪能力強、計算效率高等優點，通過提取故障信號的MPE作為特征向量輸入，將PSO與SVM結合起來建立模型，對SVM中參數進行優化選擇，有著搜索速度快、效率高、算法簡單的優點，但是對于離散的優化問題處理不佳，容易陷入局部最優。文獻[6]中研究基于膠囊網絡的診斷方法，特點是利用卷積神經網絡強大的特征學習能力提取故障特征，建立特征和故障類型之間的映射關系，建立訓練模型，結果表明診斷精度得到提高，但是編碼過程過于復雜。文獻[7]中充分分析特征與故障類型的相關性關系，基于實時數據與歷史數據的SVM相關性分類方法實現判別，得到高精度判別模型，但是此模型需要大量數據進行支持，提高了系統運行的復雜性。黃帥等人利用PSO-LSSVM模型進行鋼絲繩的故障診斷研究，相比于PSO-SVM速度明顯提升，但是測試精度上沒什么優勢，而且相比之下不具有稀疏性。田干等人利用支持向量機回歸(SVR)與最小二乘估計法相結合，建立了液體火箭發動機故障預測模型(LS-SVR),并分別將其應用于液體火箭發動機參數預測問題，但是分析選用的總樣本數量較少，不具有很強的說服力。

人工蜂群(Artificial Bee Colony，ABC)算法是基于蜜蜂采蜜機制的蜂群算法，具有算法參數少、易于實現、穩定性好的優點。作者針對傳統優化算法易于陷入局部最優的問題，利用Tent混沌搜索隨機、遍歷行的特點對ABC進行優化,有利于使其跳出局部最優解，通過不斷優化支持向量機懲罰因子與核函數，提高了分類器的性能。通過實驗仿真分析，驗證了CABC-SVM在電能表故障診斷方面的優越性。

1 改進人工蜂群算法研究

1.1 人工蜂群算法原理

人工蜂群算法中，蜜蜂種類包含引領蜂、跟隨蜂以及偵查蜂，蜜蜂對蜜源的搜索過程如下：(1)引領蜂負責發現蜜源，并記錄蜜源信息；(2)跟隨蜂通過識別引領蜂提供的蜜源信息，隨機選擇一個蜜源；(3)當一個蜜源被放棄后，相應的引領蜂變為偵查蜂，繼續尋找新的蜜源。

在ABC算法過程中，蜜源的位置代表優化問題的可行解，蜜源的質量(適應度值)代表可行解的質量。首先，ABC算法隨機生成含有個解的初始種群，每個解(=1,2,…,)用一個維向量=(1,2,…,)來表示，是待優化問題的特征參數的個數。初始解產生公式為

=+rand(0，1)(-)

(1)

其中：、分別為取值范圍的上、下限;rand(0,1)為0～1之間的隨機數。

跟隨蜂根據得到的蜜源信息按照概率進行選擇，質量越高的蜜源被選擇的概率越大。引領蜂和跟隨蜂按照下式搜索蜜源

(2)

其中:∈{1,2,…,},∈{1,2,…,}，和均為隨機選取，但是≠；為[-1,1]間的隨機數。

這里跟隨蜂選擇第個蜜源采蜜的概率為

fit=()

(3)

式中:為第個蜜源(解)被選擇的概率；fit為第個解的適應度值；()為適應度函數。

假定某個解未被更新的次數超過“limit”，則表示這個解連續經過有限次循環之后沒有得到改善，認為這個解陷入局部最優，那么這個解就要考慮被放棄，與這個解相對應的引領蜂也轉變為偵察蜂。計算公式如下

(4)

1.2 Tent混沌映射優化原理

Tent混沌映射(Chaos Optimization Algorithm)是利用混沌搜索的遍歷性特點，使混沌算法在計算過程中可以不重復地經歷一定范圍狀態，通過采用Tent映射模型系統產生混沌變量，并映射到相應取值區間進行混沌搜索。Tent混沌映射表達式如下

(5)

Tent混沌映射經貝努利變換后表達式如下

+1=(2)mod1

(6)

其中:表示(0,1)中隨機數。

傳統優化算法中，種群初始化的質量往往很大程度上決定著算法的尋優效果。在以往的研究內容中，通常采用隨機初始化來產生相應的初始解，這種方法導致解空間的范圍得不到充分的應用。通過Tent混沌映射初始化解，保證解在解空間內均勻分布。

在算法運算后期，各解運算結果相對較近，很難避免運算結果陷入局部最優，本文作者利用Tent混沌映射的思想，將所解蜜源利用Tent混沌搜索進行刷新，產生新一組混沌序列后代入算法內與現蜜源進行對比，保留最優適應度的解為最優解。

2 改進人工蜂群算法優化SVM模型建立

2.1 支持向量機

支持向量機(SVM)最初是為二值分類而設計的，原理思想是將特征映射到高維空間，在此高維空間內建立超平面，使得各特征向量距離次超平面距離最遠，也就是此時分類誤差越小。

文中電表故障一般屬于多分類非線性問題，成對分類方法(One-Against-One)是在每兩個類之間都構建一個二進制分類器，共構造(-1)/2個分類器，每個分類器根據兩個類的數據進行訓練，對于第類和第類數據，訓練一個SVM即求解二次規劃問題，給定含個樣本的訓練集=(,,…)(=1,2,…,)，其中為特征向量維數，(=1,2,…,)為標簽類數。

()()+≤-1,=

(7)

其中:上標表示是類和類之間SVM的參數；下標表示類和類的并集中樣本的索引；()表示輸入空間到特征空間的非線性映射。

第類和第類之間SVM決策函數為

()=sign[()()+]

(8)

徑向基核函數RBF是常用的核函數，其函數表達式為

(，)=exp(-‖-‖)

>0

(9)

2.2 基于改進人工蜂群算法優化SVM模型

針對改進人工蜂群算法優化SVM對電表故障分類問題，包括數據預處理、Tent混沌映射優化初始蜂群、SVM利用優化參數分類等過程，具體步驟如下：

(1)對獲取數據進行預處理，并對數據進行歸一化。

(2)設定算法初始值，包括種群數量，蜜源數量，更新限制次數limit，最大迭代次數，參數、取值范圍。

(3)以Tent混沌映射產生初始解，引領蜂根據式(2)進行領域搜索，以貪婪法選擇較好蜜源，以式(3)計算蜜源被跟隨蜂選擇的概率。

(4)跟隨蜂根據式(2)搜索選擇的蜜源，計算適應度值。

(5)若有蜜源(解)經limit次循環后沒有改善，將蜜源通過Tent混沌搜索產生新的蜜源來替代，計算其適應度值，保留最優解。

(5)達到最大迭代次數后，將最優解賦值于SVM模型。

(7)利用數據集劃分訓練集以及測試集，測試集代入通過最優、訓練好的模型，輸出分類結果。

改進人工蜂群算法優化SVM方法流程如圖1所示。

圖1 模型整體流程

3 算例分析

3.1 樣本數據整理

根據云南電網某公司監測到的電能表故障數據，以8∶2的比例劃分訓練集以及測試集。由于各影響特征之間數值范圍相差較大，為了避免系統精度低或損失函數不收斂等問題，對數據進行歸一化處理，采用Min-Max標準化將其歸化至(0,1)區間內。計算公式如下

(10)

對不同故障類別編號，由于終端上電、掉電等故障類型采集不到有效數據，所以先不予以討論。經數據研究整理，反映電能表故障的因素包括A相電壓、B相電壓、C相電壓、A相電流、B相電流、C相電流以及正向有功總功能。電能表故障類型與數據集樣本關系如表1所示，對優化算法設置初值，CABC-SVM各參數設定如表2所示。

表1 故障編號以及樣本信息

表2 系統初始化參數

3.2 實驗結果分析

為了驗證提出的CABC-SVM模型的有效性，對建立的CABC-SVM優化模型進行仿真實驗，利用MATLAB軟件建模和進行仿真實驗。圖2所示為系統迭代次數與適應度函數值的關系。

圖2 系統迭代次數與適應度函數值的關系

由圖2可知：隨著迭代次數的增加，當前解通過不斷更新獲得更優的適應度函數值，逐漸向最優解逼近。為了更好地體現出CABC-SVM的分類效果，引入ABC-SVM、PSO-SVM以及GA-SVM模型做分類效果對比。相比于上面3種模型，在算法中期CABC-SVM明顯具有更好跳出局部最優解的能力，獲得更優適應度并且CABC-SVM在第40代就完全收斂，而ABC-SVM、GA-SVM、PSO-SVM分別在89、70和79代才收斂，對比發現CABC-SVM模型具有更好的收斂能力。圖3為4種模型對測試集分類精度的情況。

如圖3所示:以50組數據作為測試數據進行分類，CABC-SVM出現了1個診斷錯誤，診斷精度達到98.0%;ABC-SVM在和CABC-SVM模型精度相同但運行時間更長；PSO-SVM與GA-SVM模型分別有3個和5個診斷錯誤，診斷精度分別為94.0%和90.0%。表3為各模型性能對比。

圖3 CABC-SVM、ABC-SVM、PSO-SVM和GA-SVM分類模型分類精度對比

表3 各模型性能對比

經MATLAB建模仿真分析發現無論在精度以及收斂迭代次數和運行時間上，CABC-SVM模型都具有一定優勢，尤其與傳統ABC-SVM算法相比運行時間縮短接近一倍。

4 結束語

提出一種基于改進人工蜂群算法優化SVM的電能表故障診斷方法，通過分析故障數據的類型和規模，對數據進行預處理；利用改進人工蜂群算法對SVM分類器的懲罰因子和核函數參數進行優化；最后將故障訓練集作為輸入建立模型，測試集驗證模型性能；通過實驗仿真分析，對比文中4類模型對于故障數據的分類效果，證實了CABC-SVM在電能表故障診斷方面具有快速收斂、高精度的診斷效果，為電能表故障診斷提供了一種參考。