山西昌和順機電設備安裝工程有限公司 侯建威

現(xiàn)階段，部分電力企業(yè)主要依靠專家分析設備的運行數(shù)據(jù)，據(jù)此評估設備的運行狀態(tài)，但此方法對專家的依賴性較強，若專家缺席將導致狀態(tài)評估無法正常進行，同時評估結果可能由于專家主觀因素的干擾而缺乏準確性。鑒于此，本文提出基于多目標算法的評估策略，以期依靠科學的方法準確評估輸變電設備的運行狀態(tài)。

1 狀態(tài)評價分析

一個完全健康的在運設備的滿分為100分，根據(jù)所選狀態(tài)量的裂化程度，基本扣分值和權重系數(shù)進行扣分[1]。狀態(tài)量劣化程度越高，基本扣分值越大，狀態(tài)量權重系數(shù)越高，扣分越多，得分越少，相應的健康狀況越差。根據(jù)現(xiàn)有的設備評價導則，我們依據(jù)設備的耗損程度將狀態(tài)量的裂化程度分成Ⅰ、Ⅱ、Ⅲ、Ⅳ4個等級，權重值分為一、二、三、四4個等級。狀態(tài)量的權重、劣化程度及對應扣分情況見表1。

表1 狀態(tài)量的權重、劣化程度及對應扣分表

得出狀態(tài)量的扣分值后，根據(jù)導則將該設備的健康狀況分成四類：正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴重狀態(tài)。

2 基于多目標優(yōu)化算法的輸變電設備狀態(tài)評估

2.1 目標函數(shù)

將最小化基分類器的數(shù)目和最大化決策分類器的泛化能力作為集成學習方法的主要優(yōu)化目標，但兩個目標相互矛盾，即決策分類器的精度會隨著基分類器數(shù)目的減少而降低，難以同時兼顧兩個優(yōu)化目標[2]?；诖?，本文采用多目標PSO 算法優(yōu)化目標函數(shù)，在減少基分類器數(shù)目的同時提高分類精度。

目標函數(shù)1，分類精度：分類器的分類精度通過各樣本的均方誤差進行反映，其中均方誤差最小則對應的是最大化分類精度。按照式（1）反映集成分類器的預測精度：

目標函數(shù)2，分類器數(shù)目：基本規(guī)律是基分類器的數(shù)量越少，則彼此間的多樣性越豐富，可通過式（2）反映決策分類器Hs的數(shù)目：

基于前述分析，提出多目標優(yōu)化函數(shù)：

2.2 D-S 組合規(guī)則

以貝葉斯推論擴展后的D-s 組合規(guī)則融合基分類器的輸出，若目標分類器組合方式合理，可以集各信息源的結果于一體，獲得良好的信息融合效果。

在D-s 組合下的組成函數(shù)中，以概率質量函數(shù)m最為重要，符合如下條件：

式中，X為融合目標結果。

置信度函數(shù)Bel和似真度函數(shù)Pl也是D-s 組合中的函數(shù)類型，分別作為概率質量函數(shù)的上限和下限，如下：

式中，A、B均為X的子集。

D-s 組合生成的最終決策結果由融合基分類器輸出m和Im2得到，具體按照式（6）的方式進行融合：

2.3 評估模型

將富有多樣性同時精度較高的基分類器作為研究對象，采用多目標優(yōu)化算法構建決策分類器，具體如下。

收集數(shù)據(jù)集：包含各類指標數(shù)據(jù)，用于表征輸變電設備的運行狀態(tài)。

歸一化處理：按照式（7），歸一化處理輸入數(shù)據(jù)，獲得零均值和單位標準差。

式中，xnew為歸一化的新樣本；xstd為樣本方差；xmean為樣本均值。

劃分數(shù)據(jù)集：隨機排列輸入數(shù)據(jù)，劃分為兩部分，第一，用于訓練分類器的訓練集。第二，用于測試分類器性能的測試集。

交叉驗證：為評估基分類器的誤差，采用10折交叉驗證。

練分類器：從數(shù)據(jù)集中劃分出訓練集后，用于訓練T個基分類器，確定各自的平均均方誤差。

調用算法：隨機初始化二值向量s，基分類器是否被選擇則取決于s中的每一位，采用前述提及的分類精度和分類器數(shù)目兩個目標函數(shù)使s的取值最優(yōu)。

測試和驗證非劣解：測試基于多目標優(yōu)化算法確定的非劣解的性能，再用驗證集評估。

選擇最優(yōu)解：從驗證完成后的非劣解中挑選精度最高的部位，將其作為最優(yōu)解。

D-s 組合：組合基分類產(chǎn)生的結果，此處完全遵循D-s 規(guī)則，以保證組合結果的有效性[3-4]。

測試：按照“選擇最優(yōu)解”確定最優(yōu)解后，采用從數(shù)據(jù)集中劃分出的測試集測試最優(yōu)解。

2.4 仿真實驗及結果分析

在不同的運行狀態(tài)下，變壓器產(chǎn)生的能量存在差異，發(fā)生的化學反應不盡相同，生成的氣體主要有H2、CH4、C2H2、CH2CH4、CH2CH6，由于化學反應過程中產(chǎn)生的氣體主要溶解在變壓器油中，因此在評估變壓器的故障類型時主要根據(jù)溶解氣體的成分進行。根據(jù)變壓器的運行狀態(tài)，將其故障類型分為局部放電、電能放電和過熱三大類，具體又可細分為六種故障，具體見表2。基于IEC 三比值法診斷變壓器的故障，即比較等比值。

表2 變壓器故障類型

2.4.1 數(shù)據(jù)集的獲取

以多種等級和多種容量的變壓器為實驗對象，確定各自的溶解氣體成分，按照變壓器運行狀態(tài)的不同，設定了90組訓練樣本和30組測試樣本用于研究，數(shù)據(jù)集總量為120組。

2.4.2 基分類器及參數(shù)

基分類器的構建基于RBF 核SVM 進行，計算公式如下：

式中，σ為帶寬，是影響特征空間樣本分布規(guī)律的關鍵因素，與懲罰系數(shù)C共同影響SVM 的性能?？紤]到SVM 為二分類器，在評估運行狀態(tài)時采用RBFSVM 組合成多分類器，在此基礎上做出相應的評估。

2.4.3 測試結果

訓練樣本的分類結果，如圖1所示，總量為90組，診斷錯誤的數(shù)量為6組，具體情況是：1組將PD分為ED；1組將ED 分為OHF；1組將正常分為OHF；1組 將ED 分 為PD；2組 將OHF 分 為PD。測試樣本的總量共計為30組，診斷錯誤的數(shù)量為2組，具體情況是：1組將ED 分為OHF；1組將正常分為OHF。根據(jù)兩類樣本的測試結果計算分類正確率，訓練樣本、測試樣本均在93.3%，總體上具有較高的準確率，采用基于多目標優(yōu)化算法評估變壓器的運行狀態(tài)是一種可行的方案。

圖1 訓練樣本診斷結果(黑色為實際類型；橘色為診斷類型)

2.4.4 比較試驗

對比對象為IEC 三比值法、BPNN、單SVM三種方法，各方法采用的訓練樣本和測試樣本相同，在此前提下將本文所提方法與前述三種方法進行對比，判斷各方法在輸變電設備故障評估中的準確性。BPNN 為反向傳播神經(jīng)網(wǎng)絡，含有雙隱層，通過反向傳播算法優(yōu)化網(wǎng)絡參數(shù)。單SVM在20次試驗后的參數(shù)結果為σ=0.05，C=20。按照不同的算法在樣本條件相同的前提下進行診斷，各自的分類精度見表3；部分測試實例結果見表4。

表3 不同算法的診斷結果

表4 變壓器故障診斷實例結果（其中錯誤診斷用粗體標出）

結合表3、表4數(shù)據(jù)做如下分析：IEC 三比值法，在狀態(tài)評估中容易遺漏某些故障，評估結果的準確率偏低，如實例2和7所示，變壓器故障類型的邊界不明確，在邊界比值附近時難以準確判斷變壓器的故障；相比之下，BPNN 的準確率有所提高，但在70%以內，仍未滿足高精度的檢測要求，只有在樣本量足夠大時才能夠提高準確率；單SVM 的準確率高于IEC 三比值法和BPNN，在輸變電設備狀態(tài)評估中的應用效果相對較好；本文提出的基于MOPSO的方法是本次對比分析中準確率最高的方法，達到93.3%，能夠進一步提高SVM 分類器的精度。

綜上所述，輸變電設備狀態(tài)評估結果需準確，根據(jù)此要求，本文提出基于多目標優(yōu)化算法的評估方法，訓練得到基SVM 分類器，從中篩選出多樣性良好且精度高的部分，基于此部分基SVM 分類器構建決策分類器，將變壓器的運行狀態(tài)分為正常、ED、PD、OHF 四類，根據(jù)變壓器數(shù)據(jù)進行實例分析，將本文所提方法與其他常規(guī)方法對比，結果表明本文所提方法可有效提高SVM 分類器的精度，適用于輸變電設備狀態(tài)評估，可推廣應用。