改進支持向量機在電力變壓器故障診斷中的應用研究

邱海楓，蘇寧，田松林

(1.深圳供電局有限公司， 廣東 深圳 518048；2. 南方電網深圳數字電網研究院有限公司， 廣東 深圳 518034)

0 引 言

隨著全球環保意識的普及，我國力爭到2030年實現碳峰值，到2060年實現碳中和，這一目標促進了智能電網的發展。智能變電站是智能電網的基礎，而變壓器作為變電站的核心部件，其所處的環境和獨特負荷往往導致故障較多[1]。故障不僅會影響供電的可靠性，而且會造成嚴重的經濟損失[2]。對變壓器進行故障診斷，可以及時發現潛在的故障，早期進行維護，具有十分重要的意義[3]。因此，對變壓器故障進行準確的判斷是保證電力變壓器穩定、安全運行的關鍵。

目前，國內外許多研究者對電力變壓器故障診斷方法進行了大量的研究，提出了主要氣體法[4]、IEC 三比值法[5]和大衛三角法[6]等經典變壓器故障診斷方法。隨著機器學習的不斷發展，支持向量機[7]、貝葉斯網絡[8]、極限學習機[9]等一些智能算法在智能變壓器故障診斷成為主流方法。在文獻[10]中，提出了一種基于分步機器學習的電力變壓器故障診斷模型。結果表明，與單一學習模型相比，該模型不僅具有更高的精度，而且具有更高的效率，可以有效地彌補單一學習的不足。在文獻[11]中，提出了一種經驗小波變換與改進卷積神經網絡相結合的變壓器故障智能診斷方法。結果表明，該診斷模型能有效地識別變壓器的故障狀態，對110 kV變壓器五種典型故障的平均診斷準確率均在94 %以上。在文獻[12]中，提出了一種結合蝗蟲優化算法和BP神經網絡的變壓器故障智能診斷方法。結果表明，相比于傳統故障診斷方法，改進后的方法不僅保持了網絡的學習速度和全局搜索能力，而且在訓練時間和診斷準確率方面都有一定的提升。在文獻[13]中，提出了一種變壓器故障診斷方法，該方法將深度置信網絡與改進的模糊C-均值聚類相結合。結果表明，與現有的變壓器故障診斷方法相比，該方法具有更高的診斷準確率，診斷準確率為93.3 %，能夠較準確地識別各種變壓器故障。在實際應用中，上述方法可以解決傳統方法繁瑣的步驟和診斷絕對化問題，但需要進一步優化訓練精度和提高適應性。

在此基礎上，提出了一種結合SVM[14]和BFA[15]用于電力變壓器故障診斷。通過BFA的尋優能力找到最優的SVM的懲罰因子和核參數，提高SVM的故障診斷能力。通過仿真和實例進行了對比分析。

1 電力變壓器故障分類

由于電力變壓器結構的復雜性，在運行過程發生故障時，涉及的部位不同，具體故障類型的分類也不同[16]。常用的分類方法包括按回路分類、按變壓器主體結構分類、按故障位置分類、按故障易發區分類等，具體分類方法如圖1所示。

根據故障的機理和性質，可將內部故障分為兩類：熱性故障和電性故障，這是文中采用的主要故障分類方法。熱性故障是由變壓器內部局部過熱引起的，根據程度的不同，過熱分為低溫(小于300 ℃)、中溫(介于300 ℃和700 ℃)、高溫(大于700 ℃)。電性故障是指絕緣材料在強電場力作用下分解產生各種特征氣體或直接引起介質擊穿的高能量密度故障[17]。根據程度的不同，分為局部放電、低能放電、高能放電。

圖1 電力變壓器故障

在現場運行條件下，熱性故障和電性故障基本上是由變壓器絕緣劣化引起的，故障進一步加劇了絕緣材料的劣化。因此，相關人員應采取科學有效的管理方法對運行中的變壓器進行維護，及時準確地發現各種潛在障礙，延長變壓器的使用壽命。

2 故障診斷模型

2.1 建立診斷模型

電力變壓器通常有單一放電或熱故障，對350例電力變壓器故障情況進行統計分析，發現有過熱和放電同時發生的情況，約占總故障量的10 %左右。因此，設置7 種故障代碼，1表示正常狀態，故障編碼見表1。

表1 故障編碼

內部故障與油中氣體含量相關，以C2H2、C2H4、C2H6、H2和CH4為特征量，作為輸入，對輸入數據進行處理，如式(1)所示[18]:

(1)

文中的SVM故障模型核函數采用RBF徑向基函數，通過式(1)進行歸一化為評價指標輸入，以表1中的故障代碼為輸出,圖2為診斷模型。

圖2 診斷模型

2.2 支持向量機

支持向量機是由Vapnik等為解決小樣本、非線性問題提出的機器學習方法，得到了廣泛的應用(狀態評估、故障診斷等)[19]。

設置一個可分樣本X={xi,yi}，i=1,2,...l， 其中xi∈Rn，n為樣本空間的維數；yi∈{-l,+l}為樣本類別標記。如果存在最優超平面，可以將兩類樣本區分開，間隔達到最大。最優超平面如式(2)所示[20]:

ωx+b=0

(2)

式中ω為權重向量；b為偏差值。

通過式(3)所示約束條件進行求解。

(3)

對于線性不可分樣本，最優超平面通過式(4)中的約束進行求解[21]:

(4)

式中C為控制誤差的懲罰程度；ξi為松弛變量。

引入拉格朗日函數和拉格朗日乘子αi，式(4)轉化為對偶問題，如式(5)所示[22]:

(5)

由KKT條件求解式(5)得到最優解，如式(6)所示[23]：

(6)

通過定義核函數K(xi,xj)，最優分類函數如式(7)所示：

(7)

主要將RBF核函數用于支持向量機的研究。RBF核函數如式(8)所示[24]：

K(xi,xj)=exp(-g‖xi-xj‖)2

(8)

式中g為核參數。

支持向量機模型的性能依賴于懲罰參數C和核函數的參數g的選擇，參數的質量對算法的準確性有著顯著的影響[25]。因此，選擇BFA對SVM進行優化，以保證算法選擇的參數是模型的最優參數。

2.3 改進支持向量機

BFA算法是由K.M.Passino等人提出的一種新的仿生算法[26]。通過趨化性、復制性和遷徙性三個動作實現優化。該算法由于具有群智能算法的并行搜索和易跳出局部極值等優點，應用廣泛。

通過BFA的尋優能力找到最優的SVM的懲罰因子C和核參數g，使模型具有最強大的診斷能力。優化過程如下：

步驟1：對樣本進行預處理，劃分訓練集和測試集；

步驟2：對BFA算法進行初始化，設置遷徙概率、遷徙操作次數、趨化操作次數等參數[27]；

步驟3：將{C,g}作為個體的位置坐標。初始種群細菌s個，單個細菌的位置是隨機的；

(9)

如式(10)所示，目標函數為k-交叉驗證準確性最大，約束條件為{C,g}的取值范圍[29]。

(10)

步驟5：求解目標函數，進行BFA操作，得到目標函數最優值，即最優的{C,g}。

步驟6：對測試樣本進行故障診斷，輸出診斷結果。

基于BFA-SVM的故障診斷流程圖如圖3所示。

圖3 故障診斷流程

3 結果與分析

3.1 仿真參數

為了保證模型的效率和準確性，利用MATLAB r2018a計算并優化支持向量機的參數[30]。在對樣本進行預處理后，使用libsvm 3.22工具箱對樣本進行訓練和測試，以獲得模型的最優參數。最后，利用IBM SPSS modeler 14.1建立了支持向量機分類模型，并利用訓練參數和優化參數進行分類。電力變壓器故障診斷與驗證。

細菌覓食算法的參數為：種群50、趨化操作次數10、遷移操作次數2、遷移概率0.25、復制操作次數44、折疊數k=10。從南方電網公司故障統計數據庫中收集了320 組電力變壓器故障數據。240 組訓練數據(每個類別30 組)和80 組測試數據(每個類別10 組)。

3.2 仿真分析

為了證明BFA算法具有較好的優化能力，在同一樣本下分別采用BFA算法和PSO算法優化SVM參數。優化過程如圖4和圖5所示，參數優化結果如表2所示。

圖4 PSO-SVM尋優方法

圖5 BFA-SVM尋優方法

表2 不同算法參數優化結果

從圖4、圖5和表2可以看出，BFA的收斂速度比PSO快得多。文中模型對測試集進行診斷準確率為96.25 %。PSO-SVM模型對測試集進行診斷準確率為88.75 %。因此，BFA算法相比于PSO算法具有一定的優勢。

由圖5的優化過程可以看出。由于算法開始時初始菌群較大，可以快速找到最優適應度，但在優化過程中初始菌群分布較廣，且菌群個體間存在明顯差異，平均適應度差異很大，在首次復制(10 次迭代前)，50 %的不相容個體死亡，剩余適應度較好的被復制。因此，菌群的適應度得到了顯著提高。使波動不那么明顯，慢慢趨于平緩。遷徙操作， 40 次迭代后，細菌位置發生變化，跳出局部極值。在經過趨化和復制操作，達到最優適應度。

為了證明基于BFA-SVM的電力變壓器故障診斷模型比未改進前的SVM電力變壓器故障診斷模型具有更好的分類性能，圖6所示優化前模型的診斷結果。圖7所示優化后模型的診斷結果。

圖6 SVM模型測試集診斷結果

圖7 文中模型測試集診斷結果

由圖6可以看出，未改進前SVM模型參數C和g是系統設置的默認值。結果表明，該診斷模型在測試集的分類結果中有17 個錯誤，準確率為78.75 %。

由圖7可以看出，基于BFA-SVM診斷模型，測試集的診斷結果表明，該模型分類結果僅錯誤了3 個，準確率為96.25 %。

以上仿真結果表明，基于BFA-SVM的故障診斷模型相比于改進前具有更好的分類功能、準確性、魯棒性和尋優能力等。

3.3 實例分析

變電站中電力變壓器發生短路故障(型號為sfz11-31500/110)，對變壓器油進行色譜分析。采用本文故障診斷模型判斷，診斷故障代碼為4(高能放電)，色譜數據見表3。

為了確保變壓器的安全運行，將變壓器送回工廠進行維護。研究發現，短路沖擊會造成變壓器內產生高能放電，導致銅外露和絕緣燒損。在低壓C相存在繞組和鐵心融化現象。表明繞組在鐵心處有高能放電。文中建立模型診斷結果與變壓器的實際情況相符。

表3 色譜數據

4 結束語

文章提出將SVM和BFA結合用于電力變壓器故障診斷。采用BFA優化SVM的懲罰因子和核參數，提高了SVM的故障診斷能力。結果表明，BFA在選擇SVM的最優參數方面優于PSO，故障診斷從優化前的88.75 %提高到優化后的96.25 %。所提模型具有優良的分類能力、良好的魯棒性和較強的尋優能力。由于目前實驗室硬件和數據規模的影響，故障診斷模型還處于初級階段?；诖?，模型的持續改進將是下一步的重點。