林繁濤，盧 達，段永賢，張建良，齊冬蓮，*

(1.中國電力科學研究院有限公司, 北京 100192;2．浙江大學 電氣工程學院, 杭州 310027)

隨著電力系統(tǒng)數(shù)字化建設與信息化改造的進一步推進，電網(wǎng)設備狀態(tài)的智能監(jiān)控和有效分析成為實現(xiàn)電力系統(tǒng)智能化的迫切要求。由于新能源發(fā)電和微電網(wǎng)技術的快速發(fā)展和部署，電力系統(tǒng)尤其是配電網(wǎng)領域中電力二次設備的狀態(tài)分析成為保證電網(wǎng)安全穩(wěn)定運行的重要因素。

近年來，基于機器學習的電力設備狀態(tài)分析技術發(fā)展極大地提升了通用物體的定位及識別能力,并逐漸應用于電力系統(tǒng)的安全可靠運行中，并取得了一系列的研究和應用成果。目前，電力系統(tǒng)設備狀態(tài)的分析識別技術主要包括以特征匹配為特點的粗略分析方法[1-2]、以水平集為代表的精細分析法[3-4]和以支持向量機(Support Vector Machine，SVM)為代表的機器學習算法[5-6]。

在特征匹配方法方面，文獻[1]基于尺度不變特征變換(SIFT)與霍夫(Hough)變換等算法，在變電站機器人上實現(xiàn)了斷路器和各種隔離開關的位置狀態(tài)的自動識別；文獻[2]提出利用SURF算法對待測圖像和數(shù)據(jù)庫中的模板圖像分別進行特征點檢測并求出其描述子，通過特征點粗匹配與基于歐式距離的特征點精匹配實現(xiàn)對變電站開關分合狀態(tài)識別。然而，以特征匹配的方法需要通過機器學習算法學習大量的訓練樣本才能生成目標模型，在訓練樣本數(shù)量較少的情況下識別效果不佳，同時計算量較大，結果受環(huán)境影響大。在水平集方法方面，文獻[3]基于簡化的Mumford-Sha水平集(Level Set)圖像分割模型，提出一種紫外圖像放電區(qū)域分割方法，可在不進行濾波預處理的情況下，有效地抑制泊松噪聲和高斯噪聲引起的干擾；文獻[4]提出一種改進的Chan-Vese模型并采用二值函數(shù)代替距離函數(shù)初始化水平集函數(shù)，同時對Chan-Vese模型的梯度下降流提出改進，實現(xiàn)對含強噪聲和邊緣模糊的電力設備圖像的有效分割。相比基于特征匹配的方法，基于水平集的方法可以有效地獲取電力設備及邊緣在內(nèi)的精細狀態(tài)信息，通過精確定位能夠?qū)崿F(xiàn)目標設備在整幅圖像中的精確分割和連續(xù)跟蹤，但是此類算法在處理目標設備出現(xiàn)形變和對齊問題上效果欠佳。支持向量機是建立在統(tǒng)計學習理論上的第一個成功算法，通過選擇函數(shù)子集及子集中的判別函數(shù)，利用有限樣本信息在模型復雜性和分類能力之間尋求最佳折衷，使得機器學習結果的實際風險達到最小，獲得了較好的分類性能。單分類支持向量機(one-class Support Vector Machine，1-SVM)算法是對傳統(tǒng)SVM算法的重要擴展，其中1-SVM將統(tǒng)計學習理論擴展到無指導學習領域，并在圖像分析、模式識別和狀態(tài)判斷等領域得到了良好的應用[5-6]，然而在SVM方法中，支持向量模型中參數(shù)的選取是一個關鍵的問題，這對分類識別的結果有著至關重要的影響。

針對1-SVM在狀態(tài)分類中存在的參數(shù)選取問題，本文提出基于粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)的一種擴展算法——線性粒子群優(yōu)化算法(Linear Particle Swarm Optimization，LPSO)，該方法可以尋求1-SVM模型的最優(yōu)參數(shù)[7-11]，以實現(xiàn)對目前電力系統(tǒng)中關鍵設備的運行狀態(tài)進行分析和識別，并通過匯集電網(wǎng)運行和設備檢測或監(jiān)測數(shù)據(jù)，實現(xiàn)對采集的電力大數(shù)據(jù)進行系統(tǒng)的處理和分析，以有效降低值班人員的勞動強度，同時對電網(wǎng)運行進行進一步的診斷、優(yōu)化和預測，從而為系統(tǒng)的安全穩(wěn)定有效運行提供技術支持和保障。

1 基于收斂性線性粒子群優(yōu)化算法的1-SVM學習方法

針對傳統(tǒng)1-SVM模型在電力設備狀態(tài)分類中的參數(shù)選擇問題，提出基于粒子群優(yōu)化算法的一種擴展算法——線性粒子群優(yōu)化算法，應用到單分類支持向量機的訓練模型中；同時，針對粒子群優(yōu)化算法中固有的收斂性和最優(yōu)性問題，通過改變?nèi)肿顑?yōu)粒子的運動軌跡，解決了LPSO中存在的過早收斂和局部最優(yōu)現(xiàn)象，該方法稱之為收斂性粒子群優(yōu)化算法(Convergent Linear Particle Swarm Optimization，CLPSO)[5-6,10-12]。因此，CLPSO在訓練1-SVM模型用來狀態(tài)分類時具有明顯優(yōu)越性。

1.1 線性粒子群優(yōu)化算法

粒子群優(yōu)化算法是對每一個粒子的每一個維進行速度和位置的更新:

(1)

(2)

而線性粒子群優(yōu)化算法是通過以下的公式對每一個粒子所有維進行更新：

(3)

(4)

其中，相同的隨機數(shù)r1和r2被應用到更新每一個速度向量。線性粒子群優(yōu)化算法要求粒子的初始速度為0，且粒子的初始位置滿足約束條件AP=b，其中A為矩陣，b為向量，即通過向量的線性關系定義粒子的運動軌跡。

1.2 收斂性線性粒子群優(yōu)化算法

為了避免粒子運行到群體最優(yōu)而陷入停滯狀態(tài)，避免算法限于局部最優(yōu)而過早收斂的問題，需要改變?nèi)后w最優(yōu)粒子的速度更新方式。設τ是當前整體最優(yōu)粒子的指標，則:

pbestτ=pg

(5)

則群體最優(yōu)粒子τ的速度更新方程變?yōu)?

(6)

其中，ρt為收縮系數(shù)，?t∈UNIF(-1,1)n是區(qū)間(-1,1)上均勻分布的隨機數(shù)，并且滿足A?t=0，即υ(t)在矩陣A的零空間中。因此:

(7)

群體最優(yōu)離子的新位置是其個體最優(yōu)位置與一個隨機向量的和值。僅群體最優(yōu)粒子通過以上的方式更新，其他所有粒子的速度和位置更新方式不改變。

1.3 基于收斂線性粒子群優(yōu)化算法的1-SVM學習方法

針對單分類支持向量機的對偶優(yōu)化問題，支持向量的系數(shù)需要被求解出來。粒子可以編碼為p=(α1,…，αn)，適應度函數(shù)選取為:

(8)

因此，求解1-SVM模型中的系數(shù)選取問題，本質(zhì)上是一個具有線性約束條件的二次規(guī)劃問題。利用收斂性線性粒子群優(yōu)化算法優(yōu)化1-SVM，粒子的位置必須滿足1-SVM的約束條件:

(9)

因此，在每一步迭代中需要調(diào)整粒子運動后的位置，具體方法見算法1。

算法1粒子位置的調(diào)整算法：

delta=d-1;

while|delta|>ε

{ifdelta>ε

{s=delta/n;

ifpin+s0

{pij=pij-s;}

}

else

{s=-delta/n;

ifpij-s0

{pij=pij-s;}

}

delta=d-1;

}

具體做法為：利用收斂性線性粒子群優(yōu)化算法實現(xiàn)1-SVM的參數(shù)選取，詳細步驟如下：

利用CLPSO實現(xiàn)1-SVM模型的參數(shù)選擇，改變了群體最優(yōu)的粒子位置變化方式，避免了粒子僅僅在群體最優(yōu)位置附近運動的缺陷，促使粒子在附近領域搜索最佳位置。因此，CLPSO至少能夠保證找到一個領域內(nèi)的最優(yōu)值，即CLPSO優(yōu)于LPSO。

2 基于收斂性線性粒子群優(yōu)化算法的1-SVM電力設備狀態(tài)分析方法

在充分借鑒國內(nèi)外現(xiàn)有研究成果的基礎上，綜合運用計算機視覺、機器學習、信息處理技術等領域的相關理論和技術，采用理論分析和實驗研究相結合的方法，根據(jù)電力系統(tǒng)中關鍵設備(主要指隔離開關等)的狀態(tài)分析類工程項目實施經(jīng)驗，提出包括模型學習、設備粗定位及對齊分割在內(nèi)的電力設備狀態(tài)識別主要技術框架，同時利用基于收斂性線性粒子群優(yōu)化算法實現(xiàn)1-SVM分類模型中參數(shù)的選取，完成對電力設備狀態(tài)精確對齊及分割，解決相應的關鍵技術和系統(tǒng)集成等問題。

圖1 系統(tǒng)整體流程Fig.1 Flowchart of the designed system

本文提出的主要技術框架分為3大部分，分別為模型學習、設備粗定位及對齊分割，見圖1。其中，模型學習對輸入的幾組表征不同開關狀態(tài)的圖像進行前期學習；開關定位部分主要利用模型中的特征匹配并應用廣義Hough變換對開關設備進行粗定位；對齊分割部分應用本文基于收斂性線性粒子群優(yōu)化算法的1-SVM方法，根據(jù)模型中的形狀約束、顏色約束和前期粗定位獲得的空間約束綜合完成精確對齊及分割過程；最后通過精確對齊的結果即可分析出當前開關的狀態(tài)信息。

2.1 模型學習

對于某一特定類型的開關設備(圖2(a))，假定可以獲得一組由原始設備為基礎，并由較少圖像構成的擴充模板圖像樣本組(圖2(b))中3個灰度圖像。其中的每張圖像提供了不同狀態(tài)下的開關形態(tài)，通過對這組圖像進行模板圖像的擴充，即對少量的樣本組進行變換生成豐富的訓練樣本，為模型的進一步學習過程做好準備。然后，對于包含特定開關設備的前景圖像部分，在每個學習樣本上提取局部特征點，由于變換算法已知，通過計算相同特征點的方差，即可計算出每個特征點的穩(wěn)定性匹配概率，該概率用于改善下一步的Hough投票過程，其中不穩(wěn)定的特征點被直接剔除以降低系統(tǒng)計算量；對于背景圖像部分，考慮綜合利用顏色直方圖和水平集方法提取開關所在圖像的輪廓圖像特征和直方圖特征，以便進行進一步的分割處理，具體見圖3。

圖2 模板圖像的擴充Fig.2 Expansion for template images

2.2 開關定位

在開關定位過程中，通過對全圖部分進行密集特征點提取來獲得特征點集合，見圖4，并將該集合與模型組擴充圖像特征點集合進行匹配。使用匹配相似度和模型組特征的穩(wěn)定性概率進行定位投票，利用廣義Hough變換獲得多組目標區(qū)域，具體流程見圖5。

圖3 模型學習過程Fig.3 Learning process for the image model

圖4 穩(wěn)定特征點提取Fig.4 Extraction of stable feature points

2.3 對齊分割

通過模型學習階段(圖3)提取開關的輪廓特征和顏色直方圖特征，在對齊分割階段，將位置區(qū)域特征、輪廓特征和顏色直方圖特征組成的特征向量映射到1-SVM中的初始分類平面上。通過基于幾何特征實現(xiàn)對原圖像(圖6)的粗定位結果(圖7)，獲得矩形框初始化仿射變換矩陣，利用基于收斂性線性粒子群優(yōu)化算法的移動1-SVM中的分類平面，實現(xiàn)最優(yōu)分類參數(shù)的選取，以獲得最終的精確對齊及分割結果。具體的對齊分割流程見圖8。

圖5 開關定位過程Fig.5 Location process for disconnecting switches

圖6 實拍原物Fig.6 Original picture

圖7 粗定位結果Fig.7 Result of coarse location

圖8 對齊分割流程Fig.8 Process of alignment and segmentation

3 仿真實驗

為了驗證本文所提出方法針對電力系統(tǒng)設備狀態(tài)分析的有效性，同時考慮到研究對象的重要性和代表性，仿真實驗中的數(shù)據(jù)集對象選取來自在電力系統(tǒng)中占重要地位的變電站隔離開關，以此為主要對象對本文的方法進行進一步的驗證分析。選取數(shù)據(jù)集是在不同環(huán)境下變電站隔離開關的圖像數(shù)據(jù)集(圖9)。

為了方便比較單分類支持向量機學習方法，實驗統(tǒng)一選取核函數(shù)為高斯核函數(shù):

K(xi,xj)=exp(-‖xi-xj‖2/σ2)

定義進行比較的分類算法正確率(Correct Rate，CR)為：

CR=correctlyclassified/TotalTesting

選取1-SVM的參數(shù)C=1，核函數(shù)參數(shù)σ=0.1。CLPSO的參數(shù)選取c1=2.8，c2=1.3，c=c1+c2=4.1，Vmax=0.5，Vmin=-0.5。此外，選取群體規(guī)模為s=50。

將CLPSO與基于序列最小化優(yōu)化算法(Sequential minimal optimization，SMO)[13-14]和LPSO[15]的1-SVM模型學習方法的實驗結果進行比較。

實驗結果見表1，其中CLPSO能夠得到與SVM的理想算法SMO相似的分類準確率，而比LPSO優(yōu)越。LPSO使用了最少的支持向量，但是分類準確率最差，這也證明了LPSO容易陷入局部最優(yōu)解，因此LPSO對精度要求高的分類問題并不適合。CLPSO避免了LPSO的缺陷，使用了較多的支持向量，提高了分類精度，而且訓練時間并沒有增加，提高了效率。CLPSO與SMO方法相比，分類精度優(yōu)越性不明顯，訓練時間略有提高，但是卻使用了少量的支持向量。對于SVM而言，少量的支持向量表示分類決策函數(shù)的復雜程度低，能夠節(jié)省存儲空間和降低計算量。出現(xiàn)這種情況的主要原因在于SMO需要復雜的分解機制和解決子問題的數(shù)值QP優(yōu)化算法，隨著分解步驟的增加，支持向量的個數(shù)也會隨之增加?？傊疚奶岢龅腃LPSO方法是可行的，并且比SMO訓練1-SVM更具有優(yōu)越性?；诒疚奶岢龅腃LPSO方法，針對圖9的數(shù)據(jù)集對象，相應的隔離開關開關定位識別結果見圖10。

表1 隔離開關圖像數(shù)據(jù)集實驗結果比較

圖9 變電站隔離開關數(shù)據(jù)集Fig.9 Tested dataset of disconnecting switches in substation

圖10 基于本文方法的隔離開關數(shù)據(jù)集分析定位結果Fig.10 Analysis and location results for disconnectingswitches by using the proposed method

4 結 論

針對目前電力系統(tǒng)中關鍵設備運行狀態(tài)的分析問題，提出了包括模型學習、設備粗定位及對齊分割在內(nèi)的設備狀態(tài)分析基本技術框架，同時提出了基于收斂性線性粒子群優(yōu)化算法，解決了1-SVM學習方法在狀態(tài)分類中的參數(shù)選取問題，實現(xiàn)對齊分割過程中準確性和快速性的良好平衡。通過仿真實驗可見，提出的方法在以隔離開關為對象的設備分類識別中能夠獲得較快的處理速度，同時具備較好的分類性能。

[1] 陳安偉, 樂全明, 張宗益,等. 基于機器人的變電站開關狀態(tài)圖像識別方法[J]. 電力系統(tǒng)自動化, 2012, 36(6):101-105.

[2] 楊艷召, 王建平, 王庫,等. 一種基于SURF的變電站開關分合儀表識別算法[J]. 自動化應用, 2015(8):21-23.

[3] 律方成, 馬國明, 劉云鵬,等. 基于水平集模型的電氣設備紫外圖像放電區(qū)域分割[J]. 中國電機工程學報, 2008, 28(19):20-24.

[4] 顧鵬程, 黃福珍. 基于改進Chan-Vese模型的電力設備紅外圖像分割[J]. 計算機工程與應用, 2017(10):193-196.

[5] 王洪波. 單分類支持向量機的學習方法研究[D]. 杭州：浙江大學, 2012.

[6] Gu H, Zhao G, Zhang J. MMSVC: An efficient unsupervised learning approach for large-scale datasets[J]. Neurocomputing, 2012, 98(18):114-122.

[7] 陸寧, 武本令, 劉穎. 基于自適應粒子群優(yōu)化的SVM模型在負荷預測中的應用[J]. 電力系統(tǒng)保護與控制, 2011, 39(15):43-46.

[8] 李磊, 高雷阜, 趙世杰. 基于神經(jīng)網(wǎng)絡的粒子群算法優(yōu)化SVM參數(shù)問題[J]. 計算機工程與應用, 2015, 51(4):162-164.

[9] 韋忠善, 明鑫. 改進粒子群算法選擇特征和神經(jīng)網(wǎng)絡參數(shù)的模擬電路故障診斷[J]. 內(nèi)蒙古師大學報：自然漢文版, 2016, 45(1):55-59.

[10] 徐磊, 趙光宙, 顧弘. 基于作用集的一類支持向量機遞推式訓練算法[J]. 浙江大學學報：工學版, 2009, 43(1):42-46.

[11] 徐磊, 趙光宙, 顧弘,等. 成對耦合分類器的多球體預處理方法[J]. 浙江大學學報：工學版, 2010, 44(2):237-242.

[12] 楊帆，于鳴，李丹，等.基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的CO2通量預測[J].黑龍江大學自然科學學報，2017，34(4)：481-485.

[13] 徐圖, 羅瑜, 何大可.超球體單類支持向量機的SMO訓練算法[J]. 計算機科學, 2008, 35(6):178-180.

[14] 翟永杰, 王子杰, 黃寶海,等. 基于PSO優(yōu)化的SMO算法研究及應用[J]. 華北電力大學學報：自然科學版, 2008, 35(1):57-61.

[15] 周濤, 張艷寧, 袁和金,等. 基于改進粒子群算法的支持向量機[J]. 計算機工程與應用, 2007, 43(15):44-46.