龔健

(1.三峽大學(xué)，湖北　宜昌　443002;2.中國葛洲壩集團(tuán)電力有限責(zé)任公司，湖北　宜昌　443002)

?

基于支持向量機(jī)的變壓器故障診斷研究

龔健1,2

(1.三峽大學(xué)，湖北宜昌443002;2.中國葛洲壩集團(tuán)電力有限責(zé)任公司，湖北宜昌443002)

在變壓器故障診斷方法的研究進(jìn)程中，以油中氣體分析技術(shù)(DGA)運(yùn)用的最早而且最為廣泛，它在變壓器的預(yù)防保護(hù)試驗(yàn)中有著重要的意義。但是DGA技術(shù)存在許多缺點(diǎn)：不能準(zhǔn)確的診斷多重故障、診斷準(zhǔn)確率不高等。針對以上缺點(diǎn)，提出基于支持向量機(jī)的變壓器故障診斷方法。通過變壓器故障診斷仿真證明，該方法能診斷出多重故障，準(zhǔn)確率也很高。

支持向量機(jī)；變壓器；故障診斷

1　引言

變壓器的安全、穩(wěn)定運(yùn)行對電力系統(tǒng)至關(guān)重要，它是電網(wǎng)的核心設(shè)備，它能否正常運(yùn)作對電網(wǎng)有著決定性作用。因此，定時(shí)對變壓器進(jìn)行故障診斷分析是十分必要的。變壓器經(jīng)過長期的運(yùn)行必然會產(chǎn)生一些故障。有些故障很明顯的表現(xiàn)出來，但還有一些故障不容易顯露出來，這些不容易顯露出來的故障叫做隱形故障[2]。經(jīng)過長期積累這些隱形故障可能會損害變壓器的性能和壽命，甚至?xí)﹄娋W(wǎng)的經(jīng)濟(jì)運(yùn)行產(chǎn)生嚴(yán)重影響。根據(jù)研究表明，油中溶解氣體H2、CH4、C2H6、C2H4、C2H2與變壓器的故障有著直接的聯(lián)系，通過分析這些氣體的含量可以發(fā)現(xiàn)變壓器的隱形故障。

支持向量機(jī)[4](SVM)是由Vipnik等人依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，它包括兩種：分類和回歸(本文運(yùn)用分類)，具有很好的泛化能力。而且SVM算法是一個(gè)凸二次優(yōu)化問題，其最終得到極限解就是全局最優(yōu)解。

2　DGA技術(shù)

DGA技術(shù)[10]以前在變壓器故障診斷中運(yùn)用很普遍而且認(rèn)可度很高。主要有：二比值法、IEC三比值法、羅杰斯法等。由于每種編碼只能對應(yīng)一種故障，所以多重故障就無法表現(xiàn)出。以下是IEC三比值法的編碼規(guī)則和故障類型判別方法。

表2　故障類型判別方法

3　支持向量機(jī)

支持向量機(jī)最初是研究線性可分問題而提出的，以下二維圖能夠清楚的表示出來。

圖1　支持向量機(jī)線性最優(yōu)分類面

(1)

數(shù)據(jù)集中大多數(shù)樣本是可分的，只有少數(shù)幾個(gè)樣本(可能是異常點(diǎn))導(dǎo)致找不到最優(yōu)分類超平面。針對這種情況，可以引入松弛變量以及懲罰因子，并對式(6)進(jìn)行修正，即

(2)

式中，ζi為松弛變量，C為懲罰因子。

圖2　原始空間向高維特征空間映射

在實(shí)際應(yīng)用中，絕大多數(shù)問題都是非線性的，這時(shí)候?qū)τ诰€性可分SVM(支持向量機(jī))是無法解決的。而常用的解決方法是非線性映射φ:Rd→H，將原輸入空間的樣本映射到高維的特征空間H中，再在高維特征空間H中構(gòu)造最優(yōu)分類超平面，如圖2所示。

在求解對偶問題時(shí)，需要計(jì)算樣本點(diǎn)向量的點(diǎn)積。同理，當(dāng)通過非線性映射到高維特征空間時(shí)，也需要計(jì)算點(diǎn)積，從而導(dǎo)致計(jì)算增加。Vapnik等人提出采用滿足Mercer條件[12]的核函數(shù)K(xi,xj)來代替點(diǎn)積運(yùn)算，即：

K(xi,xj)=Φ(xi)Φ(xj)

(3)

在高維特征空間中尋求最優(yōu)分類超平面的過程及方法與線性可分SVM情況類似，只是以核函數(shù)取代高維特征空間中的點(diǎn)積，從而大大減少了計(jì)算量與復(fù)雜度。

映射到高維特征空間后對應(yīng)的對偶問題變?yōu)椋?/p>

(4)

從而最終最優(yōu)分類函數(shù)[13]為：

(5)

4　基于SVM的變壓器故障診斷

4.1樣本的選取

樣本選取H2、CH4、C2H6、C2H4、C2H2五種油中氣體最為故障診斷的輸入樣本。而故障類型選取以下幾種：高溫過熱、高能放電、中溫過熱、正常、低溫過熱、低能放電、局部放電。故障的對應(yīng)編碼如表3。

表3　故障的對應(yīng)編碼

4.2數(shù)據(jù)歸一化

由于樣本數(shù)據(jù)可能相差比較大，不做任何處理直接導(dǎo)入仿真結(jié)果誤差很大，如圖3。因此將數(shù)據(jù)進(jìn)行歸一化處理可以大大較小仿真誤差，歸一化公式[15]如下：

(6)

式中mi為一種氣體的體積。

圖3　無歸一化診斷結(jié)果

4.3核函數(shù)選取

目前比較常用的核函數(shù)有：n階多項(xiàng)式核函數(shù)、線性核函數(shù)、sigmoid核函數(shù)、徑向基核函數(shù)(RBF)。本文選用徑向基核函數(shù)，因?yàn)镽BF只有一個(gè)參數(shù)需要優(yōu)化而且將數(shù)值限制在0和1之間。

4.4診斷結(jié)果

本文選取了150組數(shù)據(jù)進(jìn)行仿真，其中訓(xùn)練樣本110組，測試樣本40組。測試結(jié)果表明用支持向量機(jī)算法對變壓器進(jìn)行故障診斷正確率很高，可達(dá)到92.5%，而且對多從故障也能檢測出來。

圖4　SVM診斷結(jié)果

5　結(jié)論與展望

用SVM對變壓器進(jìn)行故障診斷的確有很高的真確率，對多重故障也能檢測出。在仿真過程中發(fā)現(xiàn)懲罰因子和核函數(shù)參數(shù)對結(jié)果影響比較大，如果可以將它們進(jìn)行優(yōu)化得到最優(yōu)參數(shù)，診斷結(jié)果會更加準(zhǔn)確。

[1]李中,苑津莎,張利偉.基于自組織抗體網(wǎng)絡(luò)的電力變壓器故障診斷[J].電工技術(shù)學(xué)報(bào),2010,25(10):200-206.

[2]潘超,馬成廉,鄭玲峰,等.一種結(jié)合模糊 TOPSIS 法和 BP 神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].電力系統(tǒng)保護(hù)與控制，2009,37(9):20-24.

[3]ZHANG Ge-xiang,JIN Wei-dong,HU Lai-zhao.Application of generalized adaptive wavelet neural network based on resemblance coefficient to signal recognitionp[C].//Proceedings of 2004 IEEE International Symposium on Intelligent Control.Taipei(China),Piscataway(USA)： 2004：443-447.

[4]尹金良,朱永利,俞國情,等.基于高斯過程分類器的變壓器故障診斷[J].電工技術(shù)學(xué)報(bào),2013,28(1):158-164.

[5]孫才新,郭俊峰,廖瑞金,等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究[J].中國電機(jī)工程學(xué)報(bào),2001,21(2):37-41.[6]PATI Y C，KRISHNAPRASAD P S.Analysis and synthesis of feed forward and neural networks using discrete affine wavelet[J].IEEE Trans on Neural Networks，1993，4(1)：73-75.

[7]趙笑笑,云玉新,陳偉根.變壓器油中溶解氣體的在線監(jiān)測技術(shù)評述[J].電力系統(tǒng)保護(hù)與控制，2009,37(23):187- 191.

[8]曹永剛，周玲，丁曉群，等.基于概率神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].繼電器，2006，34(3)：9-11.

[9]Ze Zhao,Li Cui,EasiMed.A remote health care solution[C].// Proceeding of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference.Shanghai(China):2005:2145-2148.

[10]陳新崗，李太福.基于DGA特征量的變壓器絕緣故障診斷專家系統(tǒng)的研究[J].變器,2005.42(1)：33-36.

[11]鄭偉，童懷,等.基于DGA及AGAWNN的電力變壓器故障診斷[J].變壓器，2009，4(46)：66-69.

[12]呂干云,程浩忠,董立新,等.基于多級支持向量機(jī)分類器的電力變壓器故障識別[J].電力系統(tǒng)及其自動化學(xué)報(bào),2005(1).

[13]李良敏，屈梁生.基于遺傳編程和支持向量機(jī)的故障診斷模型[J].西安交通大學(xué)學(xué)報(bào)，2008，38(3):239-242.

[14]鄭建柏.支持向量機(jī)的變壓器故障診斷應(yīng)用研究[D].保定：華北電力大學(xué)，2007.

[15]翟永杰.基于支持向量機(jī)的故障智能診斷方法研究[D].保定：華北電力大學(xué),2004.

Research Transformer Fault Diagnosis Based on Supporting Vector Machines

GONGJian1,2

(1.China Three Gorges University,Yichang 443002,China; 2.China Gezhouba Group Electric Power Co.,Ltd,Yichang 443002,China)

In the research process of transformer fault diagnosis,Data analysis technology of gas oil(DGA)is currently the most common method and is also the most widely used,it has a very important role in the prevention of transformer′s test.However,DGA has many shortcomings:can′t accurately diagnose multiple faults,the diagnostic accuracy is not high.For the above shortcomings,it proposes to diagnose transformer fault based on support vector machine.Through the Simulation results of transformer fault show that this method can diagnose multiple failures and the accuracy is also very good.

support vector machine;transformer;fault diagnosis

1004-289X(2016)02-0054-04

TM41

B

2015-05-21

龔健(1990-)，男，湖北枝江人，葛洲壩集團(tuán)電力有限責(zé)任公司現(xiàn)場技術(shù)員，葛洲壩集團(tuán)電力有限責(zé)任公司機(jī)電分公司團(tuán)委書記。