崔強(qiáng)， 李迎龍， 李志紅

(南京工程學(xué)院 電力工程學(xué)院，江蘇 南京　211167)

0　引　言

電力變壓器作為整個(gè)電網(wǎng)的重要構(gòu)成部分，在能量的傳輸環(huán)節(jié)處于核心地位，也是電網(wǎng)安全穩(wěn)定運(yùn)行的重要部件，及時(shí)準(zhǔn)確地找到變壓器潛在的故障，可以有效避免重大事故的產(chǎn)生，所以，對(duì)電力變壓器進(jìn)行全面診斷，能夠有效促進(jìn)電力系統(tǒng)安全穩(wěn)定性的提升[1-2]。依托變壓器氣體分析(DGA)法可以對(duì)變壓器內(nèi)部的油浸狀況展開具體分析，這也是檢測(cè)其絕緣性的重要方式[3]。隨著計(jì)算機(jī)信息技術(shù)以及人工智能的發(fā)展，主體結(jié)合人工神經(jīng)網(wǎng)絡(luò)以及灰色系統(tǒng)等理論可以對(duì)變壓器故障進(jìn)行有效的診斷[4-7]。因此，本文結(jié)合改進(jìn)的魚群算法、油中溶解氣體分析法以及支持向量機(jī)來建立變壓器的診斷模型。

1　SVM理論

支持向量機(jī)[8](SVM)是以Vapnik為代表的研究者在20世紀(jì)90年代構(gòu)建的，因其結(jié)構(gòu)簡單、推廣能力強(qiáng)、學(xué)習(xí)和預(yù)測(cè)時(shí)間短等優(yōu)點(diǎn)被廣泛應(yīng)用于各個(gè)領(lǐng)域。主要目標(biāo)是構(gòu)建一個(gè)能有效將待分類輸入樣本分開的最優(yōu)分類面，且使距離平面兩側(cè)最近的兩類樣本間的分類間隔最大，從而實(shí)現(xiàn)樣本分類問題。

假設(shè)訓(xùn)練樣本集為(x1,y1)(x2,y2),…(xN,yN)xRn,y{-1,1}，其中{-1,1}表示兩類類別的標(biāo)志，它能被分類面ω·x+b=0正確無誤的分開，式中w是分類面的法向量，b是分類面的常數(shù)項(xiàng)。 可以通過以下不等式來描述分類面：

(1)

找出最優(yōu)分類面就是找出最優(yōu)的法向量w和常數(shù)項(xiàng)b，使其滿足公式(1)的同時(shí)，要求分類間隔也最大。對(duì)于線性可分問題，其最優(yōu)分類超平面所對(duì)于的二次規(guī)劃問題是：

s.t.yi(ωTxi+b)≥1,i≥0,i=1,2,…,N

(2)

對(duì)于線性不可分的情況下，支持向量機(jī)引入核函數(shù)，把數(shù)據(jù)集從低維空間進(jìn)行映射，從而在高維空間呈現(xiàn)出來，達(dá)到了線性可分的目的，常規(guī)的核函數(shù)主要涵蓋線性、多項(xiàng)式、兩層感知器以及動(dòng)態(tài)等核函數(shù)，采用不同的核函數(shù)，所得到的支持向量機(jī)的形式也不同，本文選擇高斯徑向基核函數(shù)建立分類模型。高斯徑向基核函數(shù)：

(3)

s.t.yi(ωTxi+b)≥1-ξi,ξi≥0,i=1,2,…,N

(4)

再引入相應(yīng)的Lagrange函數(shù)：

(5)

式中：λi≥0,i=1,2,…,N。所以公式(3)的對(duì)偶問題變?yōu)椋?/p>

(6)

式中：φxi×φxj=K(xi,xj) 即為核函數(shù)，最終得到?jīng)Q策函數(shù)(ai(i=1,2,…,N)為Lagrange系數(shù)):

(7)

2　魚群算法及改進(jìn)

2.1　基本魚群算法

人工魚群算法[9]是李曉江等人提出的一種仿生魚群行為的隨機(jī)智能優(yōu)化算法，主要通過種群間個(gè)體的覓食、聚群和追尾等三種行為進(jìn)行全局最優(yōu)解的搜索，具有收斂速度快，自適應(yīng)能力強(qiáng)的特點(diǎn)，其三種基本行為原理如下：

2.1.1覓食行為

設(shè)Step為移動(dòng)步長，Visual為人工魚的視野，人工魚當(dāng)前的狀態(tài)為X= (x1,x2,…xN)，其中N為全部魚群的數(shù)量，對(duì)應(yīng)的魚群食物濃度為Y=f(X) = (y1,y2,…yN)。第i條人工魚對(duì)應(yīng)的概況為xi，隨機(jī)在視野內(nèi)部選擇一個(gè)對(duì)應(yīng)的概況xnext，xnext對(duì)應(yīng)的食物濃度高出xi時(shí)，也能有效促進(jìn)其發(fā)展；否則，重新確立狀態(tài)xnext，判定其能夠滿足相應(yīng)的條件；經(jīng)過具體的循環(huán)后，如果仍不滿足前進(jìn)條件，則隨機(jī)移動(dòng)一步，即：

(8)

2.1.2聚群行為

搜索當(dāng)前人工魚xi視野內(nèi)的人工魚數(shù)量，記為nf，記錄視野內(nèi)魚群中心點(diǎn)的食物濃度，記為Yc，設(shè)b為擁擠因子，當(dāng)Yc/nf>byi時(shí)，當(dāng)前人工魚xi向中心位置移動(dòng)一步，否則，繼續(xù)執(zhí)行覓食行為，即：

(9)

2.1.3追尾行為

搜索當(dāng)前人工魚xi視野內(nèi)的人工魚，找出最優(yōu)食物濃度的人工魚xmax，食物濃度記為Ymax，當(dāng)Ymax/nf>byi時(shí)，當(dāng)前人工魚xi向最優(yōu)人工魚移動(dòng)，否則繼續(xù)執(zhí)行覓食行為，即：

2.2　改進(jìn)魚群算法

2.2.1人工魚群初始化改進(jìn)

引入Logistic函數(shù)映射產(chǎn)生混沌序列，即li+1=4li(1-l1)，其中l(wèi)i為(0,1)的隨機(jī)數(shù)，假設(shè)人工魚群的尋優(yōu)區(qū)域的取值范圍為(xmin,xmax)，并按式(11)的方法生成原始魚群，再經(jīng)過多次混沌迭代后，選擇一組作為最優(yōu)初始種群。

xi=xmin+li(xmax-xmin)

(11)

2.2.2步長和視野改進(jìn)

圖1　f1(x)、f2(x)分布函數(shù)圖

在算法的迭代過程中，步長和視野的大小直接影響著算法的收斂速度和準(zhǔn)確度，當(dāng)視野越小，覓食行為和隨機(jī)行為越突出，越有可能找到局部最優(yōu)解，視野越大，聚集和追尾行為較為突出，越有可能找到全局最優(yōu)解。步長越大，迭代次數(shù)減小，步長越小，解的精度會(huì)有所提高。因此在迭代過程中，適當(dāng)?shù)臏p小步長和視野有利于魚群在極值點(diǎn)周圍快速收斂。但視野減小的速度應(yīng)該小于步長減小的速度，有利于魚群跳出局部最優(yōu)解，因此本文引入柯西分布函數(shù)和高斯分布函數(shù)，即f1(x) = 3/(x2+3)和f2(x) =e-x，分布函數(shù)圖如圖1所示。

因此，最終步長和視野改進(jìn)如下：

Visualnext=Visuali·f1(gen/MAXGEN)

Stepnext=Stepi·f2(gen/MAXGEN)

(12)

2.2.3增加淘汰變異機(jī)制

人工魚群算法迭代一定次數(shù)后，魚群都聚集在各個(gè)極值點(diǎn)周圍，魚群的收斂速度會(huì)明顯變慢。針對(duì)這個(gè)問題，本文在算法迭代過程中加入一個(gè)魚群淘汰變異機(jī)制，當(dāng)?shù)螖?shù)達(dá)到設(shè)定值后，執(zhí)行淘汰變異。如果某條人工魚的食物濃度低于當(dāng)前最優(yōu)人工魚的食物濃度的m(m(0,1))倍時(shí)，那么對(duì)這條魚執(zhí)行高斯變異，即：

(13)

并算出相應(yīng)xi|next的食物濃度，如果大于n(n(1,2))倍時(shí)，則表明變異成功。變異嘗試次數(shù)設(shè)為6次，若達(dá)最大變異次數(shù)扔不成功就采用第6次的變異。

2.3　改進(jìn)人工魚群算法流程

Step1:設(shè)置人工魚群規(guī)模、視野范圍、移動(dòng)步長、最大嘗試次數(shù)、最大迭代次數(shù)、擁擠度因子等固定參數(shù)值，并利用Logistic映射序列和公式(11)生成初始魚群。

Step2:在人工魚群中找到適應(yīng)度值最大的人工魚xi，并將xi及其適應(yīng)度值記為Ymax更新至公告板上。

Step3:人工魚執(zhí)行聚群、追尾及覓食行為。視野范圍和移動(dòng)步長的更新如式(12),每次迭代完成后，得到的最大適應(yīng)度值ymax與公告板上的Ymax相比較，若大于公告板上的值，則用該人工魚及其適應(yīng)度值取代公告板上的值。

Step4:判斷迭代次數(shù)是否滿足淘汰變異條件，若滿足則進(jìn)行淘汰變異操作，從而產(chǎn)生滿足條件的新人工魚。

Step5:判斷是否達(dá)到最大迭代次數(shù)或其他終止條件。滿足一項(xiàng)終止條件就跳轉(zhuǎn)到Step6;否則跳轉(zhuǎn)到Step3,進(jìn)行下一次迭代。

Step6:返回最優(yōu)解。

2.4　改進(jìn)魚群算法測(cè)試

本文選擇以下三個(gè)典型函數(shù)對(duì)改進(jìn)人工魚群算法進(jìn)行性能測(cè)試：

測(cè)試函數(shù)1：

測(cè)試函數(shù)2：

f2(x1,x2)=x1sin(4πx1)+x2sin(20πx2),

-3.0≤x1≤12.1,4.1≤x2≤5.8。

該函數(shù)只有一個(gè)全局最大值，易陷入局部極值。

測(cè)試函數(shù)3：

-2.048≤xi≤2.048,i=1,2

Rosenbrock函數(shù)是一個(gè)非凸、病態(tài)單峰值函數(shù)，容易陷入局部極值。

本文采用基本人工魚群算法、改進(jìn)人工魚群算法和粒子群算法作比較，魚群參數(shù)設(shè)置為：人工魚數(shù)量100，迭代次數(shù)50，擁擠度因子0.618，最大嘗試次數(shù)100，步長設(shè)為1，視野設(shè)為0.1；粒子群算法參數(shù)設(shè)置為：局部搜索能力1.5，全局搜索能力1.7，最大進(jìn)化次數(shù)50，種群數(shù)量20。分別對(duì)三個(gè)函數(shù)進(jìn)行50次獨(dú)立試驗(yàn)，表1為測(cè)試統(tǒng)計(jì)數(shù)據(jù)。

表1　三種算法測(cè)試函數(shù)優(yōu)化中的對(duì)比統(tǒng)計(jì)結(jié)果

如圖2、3、4所示，三個(gè)函數(shù)的尋優(yōu)過程中，改進(jìn)后的人工魚群算法與基本魚群算法和粒子群算法相比，具有更好的收斂性和搜索效率，能以較少的迭代次數(shù)搜索到全局最優(yōu)解，并且通過表1所示，說明改進(jìn)后的人工魚群算法比另外二種算法尋優(yōu)得到的最優(yōu)解更接近理論最優(yōu)值。

圖2　CAFSA、AFSA和POS算法對(duì)f1(x)函數(shù)的優(yōu)化過程

圖3　CAFSA、AFSA和POS算法對(duì)f2(x)函數(shù)的優(yōu)化過程

圖4　CAFSA、AFSA和POS算法對(duì)f3(x)函數(shù)的優(yōu)化過程

3　基于改進(jìn)魚群算法SVM的變壓器故障診斷模型的構(gòu)建

3.1　故障特征量的選擇與故障分類

結(jié)合與油浸式變壓器相關(guān)的檢測(cè)準(zhǔn)則可知，在變壓器故障診斷環(huán)節(jié)主要溶解的物質(zhì)包括H2、CH4、C2H6、C2H4和C2H2。因此我們采用這五種氣體來判定變壓器的故障時(shí)，需要重點(diǎn)考慮這五種物質(zhì)對(duì)應(yīng)的含量。

變壓器故障可以分為內(nèi)部故障和外部故障[10]。由于內(nèi)部故障不易觀察且危害性極大，所以對(duì)變壓器內(nèi)部故障的診斷成為變壓器故障診斷的重點(diǎn)。根據(jù)變壓器油中溶解氣體判斷導(dǎo)則、我國推薦使用的改良三比值法以及內(nèi)部故障的分類，本文對(duì)應(yīng)的變壓器故障主要可以劃分為6種類型，分別為局部放電(PD)、低能放電(D1)、高能放電(D2)、中低溫過熱(T12)(T<700 ℃)、高溫過熱(T3)(T>700 ℃)和正常狀態(tài)(NC)。

3.2　數(shù)據(jù)的預(yù)處理

通過對(duì)收集的故障樣本分析，發(fā)現(xiàn)故障樣本中五種氣體含量的差異較大，為了減小誤差，對(duì)故障樣本(包含訓(xùn)練樣本和測(cè)試樣本)進(jìn)行歸一化處理，數(shù)據(jù)歸一化公式如下所示：

(14)

式中:xi為原始?xì)怏w的含量數(shù)據(jù)，xmin、xmax為同一樣本五種氣體含量的最小值和最大值，x′為歸一化后的數(shù)據(jù)。

3.3　SVM的多分類模型

支持向量機(jī)多用于處理二值分類問題，對(duì)于多值分類問題主要方法有：“一對(duì)一”、“一對(duì)多”、決策導(dǎo)向無環(huán)圖以及層次分類法[11-12]，其中“一對(duì)一”和“一對(duì)多”應(yīng)用最廣泛。“一對(duì)一”相比“一對(duì)多”，有更好的泛化能力和分類精度，因此本文利用“一對(duì)一”的模式進(jìn)行了具體分類。由于需要對(duì)變壓器的6種狀態(tài)展開具體診斷，所以采用“一對(duì)一”法需要構(gòu)造15個(gè)分類器。每兩個(gè)相關(guān)訓(xùn)練樣本得到一個(gè)二分類器，組合這些分類器，并使用投票法得出測(cè)試集數(shù)據(jù)的類別。

3.4　變壓器故障診斷模型的診斷流程

圖5　變壓器故障診斷算法的診斷流程圖

基于支持向量機(jī)變壓器故障診斷模型的診斷流程如圖5所示,具體步驟如下：

(1)收集DGA故障樣本并進(jìn)行樣本歸一化處理，把處理后數(shù)據(jù)分為訓(xùn)練集和測(cè)試

(2)利用改進(jìn)魚群算法對(duì)支持向量機(jī)的懲罰因子C及核函數(shù)參數(shù)g進(jìn)行優(yōu)化，找出使支持向量機(jī)具有最優(yōu)分類性能及泛化性能的參數(shù)。

(3)將優(yōu)化得到的參數(shù)代入SVM中得到多分類模型。

(4)輸入測(cè)試集，得出其故障類型。

4　實(shí)例分析

4.1　實(shí)驗(yàn)數(shù)據(jù)的收集與整理

本文從各種資料上搜集了具有明確故障結(jié)論的183組故障樣本，其中105組樣本作為訓(xùn)練集，剩余78組樣本作為測(cè)試集，訓(xùn)練集和測(cè)試集具體分布如表2所示。

表2　各狀態(tài)在樣本集中的分布

4.2　SVM參數(shù)尋優(yōu)

本文分別用改進(jìn)的人工魚魚群算法和粒子群算法對(duì)SVM的參數(shù)尋優(yōu)，懲罰因子C和核函數(shù)參數(shù)g的取值范圍都設(shè)為[0.003,256]。改進(jìn)人工魚群算法的參數(shù)設(shè)置：最大迭代100；人工魚群數(shù)50；視域距離12；步長1.5；最大嘗試次數(shù)100；CV折數(shù)7。粒子群算法的參數(shù)設(shè)置：局部搜索能力1；全局搜索能力1.3；最大進(jìn)化次數(shù)100；種群數(shù)量20；速率彈性系數(shù)1；種群更新彈性系數(shù)1.2；CV折數(shù)7。圖6顯示了兩種算法的尋優(yōu)過程，訓(xùn)練集的診斷準(zhǔn)確率分別為：89.79%和85.71%，可以看出改進(jìn)魚群算法具有更好的全局尋優(yōu)能力。

圖6　改進(jìn)魚群算法與粒子群算法尋優(yōu)圖

4.3　比較結(jié)果

將測(cè)試集數(shù)據(jù)代入兩種模型進(jìn)行驗(yàn)證，并與IEC改良三比值法得到的故障診斷結(jié)果作比較，表3給出了三種方法對(duì)應(yīng)的故障檢測(cè)結(jié)果，由表4可以看到部分變壓器對(duì)應(yīng)的故障檢測(cè)案例。綜合診斷結(jié)果可以清楚地看到，相對(duì)于粒子群算法而言，利用改進(jìn)魚群算法進(jìn)行故障檢測(cè)時(shí)能夠具備更高的準(zhǔn)確性，IEC改良三比值法得到的故障診斷準(zhǔn)確率最低。

表3　三種方法的變壓器故障診斷準(zhǔn)確率

表4　變壓器故障診斷實(shí)例表

5　結(jié)束語

(1)本文在基本人工魚群算法的基礎(chǔ)上提出一種改進(jìn)人工魚群算法。通過引入混沌序列初始化魚群,提高初始魚群適應(yīng)度；引入柯西分布函數(shù)和高斯分布函數(shù)作為自適應(yīng)變量，優(yōu)化視域和步長；增加淘汰變異機(jī)制，加快魚群尋優(yōu)速度。MATLAB仿真結(jié)果顯示，改進(jìn)人工魚群算法比基本人工魚群算法、粒子群算法具有更好的收斂速度及收斂精度。

(2)SVM對(duì)小樣本數(shù)據(jù)具有較好分類能力，本文以SVM為基礎(chǔ)構(gòu)建了相應(yīng)的診斷模型，對(duì)人工魚群算法進(jìn)行改進(jìn)之后，優(yōu)化了SVM參數(shù)的狀況。通過改進(jìn)人工魚群SVM故障診斷模型與粒子群SVM故障診斷模型、IEC改良三比值法實(shí)例比較，說明該方法的診斷準(zhǔn)確率更高。

參考文獻(xiàn)：

[ 1 ] 孫才新. 輸變電設(shè)備狀態(tài)在線監(jiān)測(cè)與診斷技術(shù)現(xiàn)狀和前景[J].中國電力，2005，38(2)：1-7.

[ 2 ] 董明，嚴(yán)璋，楊莉，等. 基于證據(jù)推理的電力變壓器故障診斷策略[J].中國電機(jī)工程學(xué)報(bào)，2006，26(1)：107-114.

[ 3 ] 陳偉根，潘翀，云玉新，等. 基于小波網(wǎng)絡(luò)及油中溶解氣體分析的電力變壓器故障診斷方法[J]. 中國電機(jī)工程學(xué)報(bào)，2008，28(7)：121-126.

[ 4 ] 禹建麗，卞帥. 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型[J].系統(tǒng)仿真學(xué)報(bào)，2014，26(6)：1343-1349.

[ 5 ] 謝可夫，羅安.遺傳算法在變壓器故障診斷中的應(yīng)用[J].電力自動(dòng)化設(shè)備，2005，25(4)：55-58.

[ 6 ] 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.

[ 7 ] 費(fèi)勝巍，孫宇.融合粗糙集與灰色理論的電力變壓器故障預(yù)測(cè)[J].中國電機(jī)工學(xué)報(bào)，2008，28(16)：154-160.

[ 8 ] VAPNIK V N. The nature of statistical learning theory[M].New York:Springer-Verlag，1995.

[ 9 ] 李曉磊，邵之江，錢積新. 一種基于動(dòng)物自治體的尋優(yōu)模式：魚群算法[J].系統(tǒng)工程理論與實(shí)踐，2002，22(11)：32-38.

[10] 畢建權(quán)，鹿鳴明，郭創(chuàng)新，等. 一種基于多分類概率輸出的變壓器故障診斷方法[J].電力系統(tǒng)自動(dòng)化，2015，39(5)：88-100.

[11] 茍博，黃賢武. 支持向量機(jī)多類分類方法[J].數(shù)據(jù)采集與處理，2006，21(3)：334-339.

[12] 王有元，陳壁君. 基于層次分析結(jié)構(gòu)的變壓器健康狀態(tài)與綜合壽命評(píng)估模型[J].電網(wǎng)技術(shù)，2014，38(10)：2845-2850.