基于改進SVM 算法的電力工程異常數據檢測方法設計

王楠，周鑫，周云浩，蘇世凱，王增亮

（國網北京市電力公司電力建設工程咨詢分公司，北京 100021）

隨著我國電力工程規模的不斷擴大，完整的電力工程建設周期所花費的時間差異較大。而在時間跨度較長的工程項目中，電力設備會受到環境影響，不可避免地會出現設備老化、材質受損等現象[1-2]。以變壓器設備為例，現行方案僅從外觀及少數指標對設備進行驗收，故無法反映設備的真實狀態[3-6]，一旦發生事故將會造成難以估量的經濟損失。因此，需要基于數據分析方法設計一種電力工程異常檢測算法。

傳統電力工程異常檢測驗收主要依靠工程師根據檢驗指標進行判斷。故該文從設備狀態入手，通過對設備工作時狀態數據的分析來判斷電力設備的狀況。而電力設備異常狀態數據樣本具有容量小、數據多及非線性的特點。文中基于改進支持向量機（Support Vector Machines，SVM）算法提出一種電力設備的數據異常分析模型，以支撐電力工程項目的驗收工作。

1 電力工程異常數據檢測算法

1.1 多分類支持向量機

支持向量機[7-9]是一種二分類算法，其將線性或非線性數據作為核函數的輸入，而核函數再將數據映射至高維平面，并通過全局搜索算法對最優平面進行輪詢和搜索。

假定樣本訓練集合為K={(x1,y1),(x2,y2),…,(xi,yi)}，其中xi為輸入數據特征，yi為數據特征數量，則超平面的求解可表示為：

式中，w為權重因子，C為懲罰項，ξi為松弛因子，b為截距值。

SVM 通常僅能解決二分類問題，但電力工程異常數據則具有多項特征，故可抽象為多分類問題。求解多分類問題一般有兩種方法：1）構造多分類函數，也被稱為全局多類SVM；2）使用多個分類器，即組合多類SVM。其中，組合多類SVM 算法的運行與識別速度均較快，因此文中使用組合多分類SVM 算法中的樹結構算法（tree structure）來對電力工程中的異常數據加以檢測。

樹結構算法根據二叉樹的結構對每個二分類器進行排列，最終組成多分類結構。假定樹結構共有K個節點，則需K-1 個分類器。算法執行首先把所有數據按特征進行排序，再根據樹結構判定樣本的正負情況。該算法結構如圖1 所示。

圖1 樹結構算法

對于多分類SVM 模型而言，核函數的選擇也較為關鍵，不同核函數的性能也有所不同。該文選擇了當前常用且誤差較小的徑向基函數（Radial Basis Function，RBF），其可表征為：

其中，γ是徑向權重。

1.2 AdaBoost弱特征分類器

SVM 具備較強的數據強特征分類能力，但當數據特征較為接近時，對特征的區分度便會降低。因此，文中還將利用AdaBoost 弱特征分類器輔助SVM進行分類。

AdaBoost 算法[10-12]可將多個弱特征分類器加以集合。在該算法中，首先對所有樣本數據進行平均權重分配；然后在迭代時，權重值均會隨著數據特征的改變而變化；最終算法會先挑選出強特征數據，且越往后數據之間的特征性能越弱。AdaBoost 算法結構如圖2 所示。

圖2 AdaBoost算法結構

算法按照比例將數據分為兩種集合，分別為訓練集和驗證集。其中，訓練樣本權重值F可表示為：

式中，φ表示每項數據的權重值，N為樣本數量。迭代時，計算分類器的分類錯誤率，如下所示：

式中，m為算法迭代次數，Gm為第m個弱分類器。根據式（5）中的錯誤率公式，可計算出弱分類器在算法執行完集合中的比例為：

迭代完畢后的分類器權重如下：

式中，Zm為歸一化常數，可表示為：

最后根據弱分類器權重組合得到最終的分類器，則有：

1.3 基于WOA的參數優化算法

雖然AdaBoost-SVM 算法可以提升模型整體的分類性能，但由于模型參數眾多，若初始化參數選擇不合理，模型分類性能便會有較大損失。因此，使用啟發式優化算法（Heuristic Optimization Algorithm）對迭代次數、懲罰項C以及核函數中的參數進行尋優。

文中選擇的優化算法為鯨魚算法（Whale Optimization Algorithm，WOA）[13-16]，其是根據鯨魚的捕食規則發展而來的，具有結構簡單且準確率高的優點。該算法可分為隨機覓食、包圍目標與螺旋捕食三個步驟。

1）隨機覓食。在不確定目標位置時，整個種群會隨機指定某一個體位置為目標所在位置，其他個體便會向此處靠近。這一步驟可表示為：

式中，t為種群迭代次數；X(t)為種群中個體所處位置；Xr(t)為種群隨機選取的個體位置；Dr表示個體與目標之間的距離；A、B則表示公式系數，且二者的計算公式為：

其中，random1 和random2 均為0～1 之間的隨機數，tmax指的是算法最大迭代次數。

2）包圍目標。當種群找尋到食物后，個體會逐漸縮小包圍圈，并不斷向該目標位置靠近。此時種群同目標間的距離可表示為：

式中，Xb(t)為種群中與目標最為接近的個體，Db為最優距離。

3）螺旋捕食。當種群靠近目標后，個體朝著目標發動捕食，此時距離可更新為：

式（16）中，k為目標常數；w為隨機數，取值范圍為-1～1。當w為-1 時，表示個體與目標的距離最為接近；而當w為1 時，則表示個體和目標距離最遠。

由此，WOA 算法的流程如圖3 所示。

圖3 WOA算法流程

SVM 算法中，懲罰項C與核函數的參數對結果均存在影響。文中指定懲罰項C的優化范圍為[0.05,300]，核函數參數g優化范圍選擇[0.02,50]，使用WOA 算法對其進行尋優。在尋優過程中，同時觀察AdaBoost 的初始化迭代次數，并以該迭代次數作為另一項優化參數，最終獲得優化值。

1.4 電力工程異常數據檢測模型

文中AdaBoost-WOA-SVM 算法流程如圖4 所示?？梢娫撍惴ㄊ紫瘸槿‰娏こ坍惓祿?，并將其分為樣本集和數據集，再利用AdaBoost 算法進行弱分類器分類；同時設置WOA 算法的迭代次數與參數尋優范圍，且對參數加以優化；最終，在優化完畢后輸出最優結果。

圖4 AdaBoost-WOA-SVM算法流程

2 實驗測試

2.1 實驗平臺介紹

文中以電力工程中的重要電力設備變壓器為例驗證算法。變壓器的驗收通過H2、CH4、C2H6、C2H4以及C2H2五種氣體在變壓器油中的體積分數進行判定。根據組合體積分數的不同，判斷變壓器狀態為正常或損壞。而數據集合則采用某地區電網變壓器驗收數據。驗收數據集與具體狀態如表1 所示。

表1 數據集信息

同時，還使用Matlab R2016a 作為算法實現平臺。實驗配置信息如表2 所示。

表2 實驗配置信息

2.2 仿真結果分析與對比

利用優化算法根據數據情況對參數進行優化，使用WOA 算法后，每個分類器的精度均較優。而不同參數下的訓練結果如表3 所示。

表3 訓練結果

可以看到，當C取79.56 且g取0.98 時，該文算法的分類精度最優，因此將該參數作為分類器參數。為了減少計算量，對AdaBoost 迭代次數進行觀察，結果如圖5 所示。

圖5 AdaBoost迭代次數

從圖中可看出，當AdaBoost 算法迭代至10 次以上時，算法的分類精確度不會有大的波動，因此AdaBoost 的迭代次數取10 次。

在對比實驗測試中，驗證算法對數據集中變壓器狀態判斷的準確性。對比算法使用遺傳優化算法（Genetic Algorithm-SVM，GA-SVM）、麻雀搜索算法（Sparrow Search Algorithm-SVM，SSA-SVM）及粒子群優化算法（Particle Swarm Optimization-SVM，PSOSVM）。測試時首先利用各自模型所具有的優化算法完成參數優化，之后再使用分類器進行分類。算法測試結果，如表4 所示。

由表4 可知，GA-SVM 與PSO-SVM 算法異常數據檢測準確率較差，故在驗收時出現誤判的可能性最大。而該文算法對變壓器異常數據的檢測準確率最高，且與其他算法相比，分別提升了5.35%、2.17%和5.35%，由此說明，該文算法的性能最優。

3 結束語

施工周期長的電力工程項目，設備易受到環境等因素影響而發生內部損壞，依靠傳統方法檢測通常難以發現異常。文中基于改進的SVM 算法提出了一種異常數據檢測方法，其利用二叉樹結構增強模型的多特征分類能力，使用AdaBoost算法提高模型弱特征分類性能，同時還采用鯨魚算法對模型參數進行優化。實驗結果表明，該文算法在對比算法中具有最優的精確度，可為電力基建工程提供有效的數據支撐。