支持向量机在高压电力计量系统故障诊断中的应用

陈文生

（广东电网公司阳江供电局，广东阳江 529500）

支持向量机在高压电力计量系统故障诊断中的应用

陈文生

（广东电网公司阳江供电局，广东阳江 529500）

将支持向量机应用于高压电力计量系统故障诊断中。对计量系统的运行参数提取故障信息作为网络的输入值，以4位二进制数表示正常情况和9种主要故障类型，用采集得到的样本对网络进行训练，并选取4种故障类型进行网络测试，结果表明，支持向量机模型对高压电力计量系统故障有很好的辨识和诊断效果。

高压电力计量系统；故障诊断；支持向量机；采集样本

0 引言

高压计量系统的故障检测和诊断是电力系统自动化研究的内容之一。文献[1]通过对高压计量系统网络的分析，得出计量系统网络阻抗与电流互感器一次、二次侧短路故障之间的关系；文献[2]得出电流互感器二次绕组端电压和通过电能表电流线圈的电流二者的比值与电能表电流线圈被短接故障有密切的关系，分析过程和仿真结果证明了其正确性。

针对高压电力计量系统一、二次侧出现的故障情况，本文选取了8个能够反映计量系统故障的运行参数进行检测，搭建测试环境平台采集样本数据，通过支持向量机可以对这些数据进行综合分析从而准确判断故障的类型。

1 支持向量机

SVM领域经典的算法是台湾大学林智仁(Chih-Jen Lin)博士等开发的LIBSVM软件包[1]，可以解决分类问题(包括C-SVC、n-SVC)、回归问题(包 括 e-SVR、 n-SVR)以 及 分 布 估 计(one-class-SVM)等问题，提供了linear、多项式、RBF和S-function四种核函数供选择。

支持向量机分类问题可由如下公式表述：假定训练样本为 Xi,i=1,…,n，期望输出为Yi∈{-1,1}，其中+1和-1分别为两类的类别标签，分类超平面方程为：

其中（·）表示向量点积。为使分类超平面能对所有样本正确分类，并且分类间隔足够大，应满足以下约束条件：

由式（2）可以得出分类间隔：

在约束条件下最大化分类间隔[4]。得出最优分类函数为：

由于非支持向量对应的αi=0，因此只对支持向量进行求和。最终的优化问题为[5]：

支持向量机由输入层、隐含层、承接层和输出层组成，是一种典型的动态支持向量机[3]，其结构如图1所示。

图1 支持向量机模型计算流程

2 系统故障分析

高压电力计量系统的原理如图2所示，图中“1”和“2”分别为电度表的两个计量单元，TV1和TV2是电压互感器，TA1和TA2是电流互感器，IA和IC分别是A和C相的电流，Ia和Ic分别是IA和IC经电流互感器后的二次侧电流。

图2 高压电力计量系统接线图

根据高压电力计量系统故障的特性，可以将它们分为直接诊断型故障和间接诊断型故障。前者是指在故障诊断过程中通过仪表的测量结果，可以直接得到是否发生故障。如电压互感器开路故障发生时，只需要检测二次侧电压值就可以准确地判断故障。电流互感器一次测短路是间接诊断型故障，根据文献[1]的结论可知发生故障时从P、Q两点看进去网络阻抗的变化很大，可以作为判断的依据，但是网络阻抗不能直接测量，需要通过外加激励信号进行检测，采样得到的检测信号是多个信号的叠加，必须通过频谱分析才能得到需要波段的信息进行判断。而电流互感器二次相间短路时，网络阻抗会随着负载的变化而变化，同样需要多个检测信息才能对故障进行判断。

分析发现，电力计量系统中出现的故障种类多，一些故障无法通过单一的信号进行辨别。所以根据高压电力计量系统的结构，对计量回路的多个参数进行检测并采集样本数据，再应用支持向量机模型对故障样本数据进行处理和分析。

3 故障样本处理和诊断测试

由计量系统的8个运行参数提取故障特征，归纳得到9种主要故障的样本特征模式。在对支持向量机模型的训练过程中需要大量的输入样本数据，这里仅列出一组，如表1所示。其中UAB是A相和B相两相之间的电压，IA是A相电流，计量单元“1”和“2”的电流和电压分别是Ia、Ib和Ua、Ub，ua’和ub’分别为电流互感器二次侧对应的检测信号[1]，TA1二次侧短路(后)指的是在TA1二次侧检查点后端短路，其他同理。计量系统实际输入和输出的数据往往不在[0，1]之间，但支持向量机的输入样本和目标样本常要求位于[0，1]之间，因此在对网络进行处理前，需要对获得的数据进行归一化处理[8]。对输入为x归一化输出为y的系统，常用的归一化公式有：

其对应的反归一化公式为：

故障诊断的基本思想是将故障征兆通过某种关系映射到故障的空间里，这样就能识别和诊断故障了。这里通过处理8种检测信号与故障对应信息，输入网络，继而用4位二进制数来表示正常情况和故障类型，作为网络的输出结果。如表2所示，训练样本对N为10，分别代表正常情况和9种常见故障类型。

表1 一组输入样本

表2 输入样本归一化

表3 故障诊断结果

在计量系统故障诊断中故障征兆参数为8，故输入向量维数为8，输出向量的维数为4。本实验中采用单隐层支持向量机，隐含层数目设定为17个。在隐含层利用tansig函数作为神经元的传递函数，将logsig函数作为输出层的传递函数，这两个函数都是S型的[9]，Elman网络采用的是优化的梯度下降学习算法[10]，训练次数设置为 1 000，误差为0.01，步长为0.1。对样本经过172次的训练，得到了如表3所示的结果，通过与对应的描述比较发现，可以成功的对故障进行分类，误差值较小。图3是对样本进行训练的误差曲线。

图3 训练的误差曲线

表4 故障测试样本

对于训练好的网络，通过改变计量系统负载值，选取4种故障对网络进行测试，测试数据如表4所示，测试结果如表5所示。以第一组输入样本为例，通过分析8个测量参数，ua’远远低于正常值，把该组样本输入训练好的网络，期望得到的诊断结果是TA1一次测短路，实际测试结果是0.048 5，0.023 1，0.962 4，0.034 2，其对应的4位二进制数描述是0010，对比表3故障类型的对应描述可以看出，实际诊断结果是TA1一次侧短路，与期望状态相一致，说明训练后的网络可以成功的诊断出故障种类，达到了预期的效果。

4 结束语

基于支持向量机模型在故障诊断中的优势，本文将其应用到高压电力计量系统故障诊断中。先对系统运行参数提取故障特征并对数据样本做归一化处理，然后选取合适的网络输入节点数和隐含层数，再用样本数据对网络进行训练和测试。系统经现场运行，效果良好，达到了设计要求。

［1］赵建军，张素君.高压电力计量系统故障分析与建模［J］.电测与仪表，2007，44（4）：5-8.

［2］秦春斌，赵建军，张磊，等.电力计量系统分流窃电分析与建模［J］.电测与仪表 ， 2009， 46（2）：39-42.

［3］王宏伟，孙志远.基于改进的支持向量机的网络流量预测［J］.计算机与数字工程 ， 2012， 40（9）：87-89.

［4］陈小明，洪军，阎海红，等.基于支持向量机的振镜扫描系统误差校正技术研究 ［J］.西安交通大学学报，2006，40（5）：587-590.

［5］汤宝平，习建民，李锋.基于支持向量机的旋转机械故障诊断［J］.计算机集成制造系统，2007，16（10）：2148-2152.

Application of Support Vector Machine in the Fault Diagnosis of High Voltage Electric Power Metering System

CHEN Wen-sheng
（Yangjiang Power Supply Bureau，Yangjiang529500，China）

Support vector machinerk will be able to adopt in the fault diagnosis of high voltage electric power metering system according to the advantage of the great adaptivity.Information in eight operation parameters of metering system will be extracted to be taken as the input values of the neural network，and a 4-bit binary number will be adopted to represent the normal circumstance and nine main fault types. Then the collected samples are used to train Elman network and 4 fault types will be selected to test the network.The results show that the Elman network model can effectively diagnose the fault of high voltage electric power metering system.

high voltage electric power metering system；fault diagnosis；support vector machinerk；collected samples

TM93

：B

：1009－9492(2014)12－0126－04

10.3969/j.issn.1009-9492.2014.12.031

陈文生，男，1967年生，广东阳江人，大学本科，工程师。研究领域：信息技术。

(编辑：向 飞)

2014－11－03