基于支持向量机的高压断路器故障诊断方法的研究

付超，李奎

（1.河北师范大学职业技术学院，河北石家庄 050024；2.河北工业大学电气工程学院，天津 300130）

基于支持向量机的高压断路器故障诊断方法的研究

付超1,2，李奎2

（1.河北师范大学职业技术学院，河北石家庄 050024；2.河北工业大学电气工程学院，天津 300130）

基于支持向量机的故障诊断技术逐渐成为当前故障诊断领域研究的热点问题，而高压断路器作为关系电力系统可靠性的重要设备，其故障与否直接关系到整个电力系统的稳定．本文通过比较多种核函数的多重参量，最终选择适合高压断路器的核函数；通过分析传统交叉验证法，提出改进型交叉验证（K-CV）法，最后利用高压断路器现场实际数据作为样本，采用Libsvm工具箱，通过不断地参数寻优，最终得出故障分类结果．实验结果表明，采用的基于径向基核函数改进型10-CV交叉验证法支持向量机能更快速、准确的判断高压断路器故障类型．

支持向量机；故障诊断；核函数；交叉验证

0 引言

随着我国各行业的不断发展，人们对电力系统可靠性要求也越来越高，作为电力系统中最为重要的开关电器之一——高压断路器的可靠性直接关系到整个电力系统的稳定．传统判断高压断路器的方法有阈值诊断法、BP神经网络法和专家系统诊断法等，其中支持向量机（Support Vector Machine，SVM）作为一种基于统计学习的方法，以其依托小数据样本分析及识别准确率高等优点逐步应用起来．本文以高压断路器故障诊断系统框架设计入手，通过比较多种核函数的支持向量个数、训练时间等参量来确定适合高压断路器的核函数类型，以实际采集的特征样本数据通过改进型交叉验证（K-CV）的方法进行故障诊断，分析结果表明，跟传统方法相比，基于径向基核函数改进型10-CV交叉验证法能更快速、准确的判断高压断路器机械故障类型．

1 系统架构

根据支持向量机的原理和高压断路器故障诊断的特点，提出了高压断路器的支持向量机故障诊断方法，系统结构如图1所示．

图1 基于SVM的高压断路器故障诊断结构Fig.1The structure of high voltage circuit breaker fault diagnosis based on SVM

首先采集被测断路器的故障特征量（触头行程、断路器振动信号等），为了获得优异的支持向量机结构和分类能力，需要对训练的数据进行预处理，一般是将数据做归一化处理到[-1,1]或者[0,1]．然后进行样本集构造，对经过数据预处理后的故障特征，与相应故障类标号构成支持向量机训练集和测试集．最后输入支持向量机，其在高压断路器故障诊断中有效地实现了特征空间到故障空间的映射，支持向量机的实现包括了核函数的选择、支持向量机的训练和支持向量机的参数优化．

支持向量机工具为Libsvm-3.1，其核心函数为建立函数模型的svmtrain和进行函数预测的svmpredict，本文在官方版本基础上添加了一些参数寻优等辅助函数：

Libsvm的原始版本采用Microsoft Visual C++编写，本文通过Microsoft Visual C++2010编译器进行转录，进行.mexw32文件中转，在Matlab 2012a平台下使用libsvm进行数据训练与分类．

2 核函数及其参数的选择

核函数的作用是把输入空间映射到高维的特征空间，这意味着采用不同的核函数可以得到不同的高维特征空间，核函数参数的变化影响了样本数据在高维特征空间分布的复杂程度，从而影响了在特征空间获得的最优分类超平面的泛化能力．对线性核函数、多项式核函数、径向基核函数（RBF）、多层感知机核函数（MLP），采用一对一法训练多分类支持向量机，表1至表4分别比较了各种核函数选择不同的核参数的支持向量（Support Vector，SV）的个数和分类精度，训练时间和测试时间．

表1 多项式核函数SVM诊断结果（=10）Tab.1The diagnosis results of polynomial kernel function SVM

表1 多项式核函数SVM诊断结果（=10）Tab.1The diagnosis results of polynomial kernel function SVM

核参数SV个数SV所占比例训练时间/s测试时间/s分类精度2 59733.17%2.730.5190.31% 4 38721.47%3.060.4693.25% 6 44824.87%4.360.5987.58%

实验结果表明采用径向基核函数和多项式核函数的支持向量机比其他核函数能获得更好的诊断结果．其中，采用多项式核的支持向量机个数最少，采用多层感知机核的支持向量个数最多，训练和测试时间最长，而采用高斯核的训练时间最短．

表2 高斯核函数SVM诊断结果（=10）Tab.2The diagnosis results of gauss kernel function SVM

表2 高斯核函数SVM诊断结果（=10）Tab.2The diagnosis results of gauss kernel function SVM

核参数SV个数SV所占比例训练时间/s测试时间/s分类精度0.583346.27%2.810.4880.13% 1 76542.47%1.830.8294.37% 2 75041.67%2.080.3988.46%

表3 径向基核函数SVM诊断结果（=10）Tab.3The diagnosis results of radial basis kernel function SVM

表3 径向基核函数SVM诊断结果（=10）Tab.3The diagnosis results of radial basis kernel function SVM

核参数SV个数SV所占比例训练时间/s测试时间/s分类精度0.583346.27%2.560.9896.53% 1 76542.47%3.471.0397.85% 2 75041.67%1.300.7892.34%

表4 多层感知机核函数SVM诊断结果（=10）Tab.4The diagnosis results of multilayer perceptron kernel function SVM

表4 多层感知机核函数SVM诊断结果（=10）Tab.4The diagnosis results of multilayer perceptron kernel function SVM

核参数,bSV个数SV所占比例训练时间/s测试时间/s分类精度0.1，-1117565.3%5.781.9884.78% 0.1，-1.5139777.6%5.331.3393.21% 0.1，-2131673.12%4.982.0384.36%

样本集中训练集和测试集的构造也影响着核函数选择，结合前面提到的样本集的构造方法——改进型Hold-Out Method方法（K-CV法），将原始数据分成10组（均分），将每个子集数据分别做一次验证集，其余的9组子集数据作为训练集．表5为采用10-CV法针对不同核函数识别率与分类时间比较结果．

表510 -CV法下不同核函数对比Tab.5Comparison of different kernel function 10-CV method

3 高压断路器故障诊断实例

3.1 试验数据集描述及数据可视化

本文选用数据来自河北省电力公司超高压输变电分公司石西变电站3组西安西电高压开关有限责任公司LW25-252/ T4000-50型SF6断路器．在空载情况下采集正常（用N表示）和模拟故障状态信号．模拟故障类型为：基座螺钉松动、减震器有多余撞击、机构运动零件脱落（故障代码分别用P1、P2、P3表示）每种故障类型依次检测断路器触头行程、断路器振动信号、断路器动作线圈电流、主回路电流4个属性（维数分别用x1、x2、x3、x4表示）．数据如表6所示．

图24 维故障样本箱式图Fig.2Four dimensional fault sample box diagram

为了对数据统计特性进行概览，对预处理后的数据，进行数据可视化操作，其数据“盒图（boxplot）”如图2所示．随后将120组数据按照前文所述10-CV交叉检验模型划分训练集和测试集，划分结果如图3所示．

然后将C的范围缩小到22～24，的范围缩小到24～24，这样在上面的粗略参数选择的基础上可以进行精细的参数选择，可以看到在10-CV的方法下，最佳的参数是C=1.141 21，=1，如图4所示．

表6 高压断路器特征样本数据Tab.6Characteristics of the sample data of high voltage circuit breaker(Part)

图3 故障样本的分维可视化图Fig.3Visualization of fault samples by dimension

图4 参数寻优结果图（精细寻优）Fig.4Parameter optimization results(Fine optimization)

3.2 基于RBF核函数10-CV交叉验证法参数寻优

将原始数据分成10组（均分）构成10-CV交叉验证法进行参数寻优．本文采用逐步逼近的方法进行参数寻优，首先在大的范围粗略的寻找最佳的参数C和，让C和的取值变化都为210,29,,210，程序略，仿真结果如图5所示．

图5 参数寻优结果图（粗略寻优）Fig.5Parameter optimization results(Rough optimization)

3.3 结果分析

通过参数寻优的最佳参数，进而可以对现场采集数据进行SVM故障分类．测试分类准确率达到98.319 3%．从图6可以看到，尽管分类效果优异，但是仍然出现离群点．这个与惩罚参数的选取有关，尽管分类的准确率并不是100%，但是参数寻优的目的是寻找最好的泛化特性，通过大量现场数据验证，该方法具有良好的分类特性，能够用于高压断路器的故障诊断中．

4 结论

本文从支持向量机的基础理论入手，通过比较多项式核函数、高斯核函数、径向基核函数、多层感知机核函数的诊断结果，最终确定采用径向基核函数方法．然后针对以往SVM参数优化选取的办法，提出改进型交叉验证法，通过基于RBF核函数10-CV交叉验证法进行参数优化．在参数寻优的过程中，先进行粗略寻优再进行精细寻优，使参数寻优的过程大大加快．

图6 测试集分类结果图Fig.6The test set classification results

最后以LW25-252/T4000-50型SF6断路器故障诊断为例，利用前文采集的特征信号，以正常状态及基座螺钉松动、减震器有多余撞击、机构运动零件脱落三种故障下的断路器触头行程、断路器振动信号、断路器动作线圈电流、主回路电流4个属性的120组信号作为样本集进行输入．通过“一对一”（OAO）策略方式对样本进行训练，利用改进型10-CV交叉检验优化支持向量机模型参数，以ROC曲线及分类准确率作为判据，最终取得了良好的诊断效果．分析结果表明，该特征提取方法能有效提取故障信号特征，跟传统的方法相比，基于RBF核函数改进型10-CV交叉验证法支持向量机能更快速、准确的判断高压断路器机械故障类型．

[1]王小华，荣命哲，吴翊．高压断路器故障诊断专家系统中快速诊断及新知识获取方法[J]．中国电机工程学报，2007，27（3）：96-99．

[2]李凌均，张周锁，何正嘉．支持向量机在机械故障诊断中的应用研究[J]．计算机工程与应用，2012，38（19）：19-21．

[3]郭庆琳，郑玲．基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究[J]．中国电机工程学报，2009，27（8）：81-87．

[4]Farooq T，Guergachi A，Krishnan S．Knowledge-based green's jernel for support vector regression[C]//Mathematical Problems in Engineering．2010：87-89．

[5]周利军，吴广宁，汤浩．基于级联阑值决策的变压器故障模糊诊断法[J]．高电压技术，2007，33（4）：80-82．

[6]冯双磊，王伟胜，刘纯，等．风电场功率预测物理方法研究[J]．中国电机工程学报，2010，30（2）：56-58．

[7]王丽婕，冬雷，廖晓钟，等．基于小波分析的风电场短期发电功率预测[J]．中国电机工程学报，2013，33（28）：70-76．

[8]Lei Gu，Hui-zhong Wu．Applying a novel decision rule to the sphere-structured support vector machines algorithm[J]．Neural Computing and Applications，October，2013，18（7）：675-679．

[9]Gammermann A．Support vector machine learning algorithm and transduction[J]．Computational Statistics，2010，15（1）：31-39．

[10]王书舟，伞冶．支持向量机的训练算法综述[J]．智能系统学报，2011（6）：22-31．

[11]范高锋，王伟胜，刘纯，等．基于人工神经网络的风电功率预测[J]．中国电机工程学报，2008，28（34）：118-123．

[12]邵璠，孙育河，梁岚珍．基于时间序列法的风电场风速预测研究[J]．电力环境保护，2008（4）：33-35．

[13]韩萌，丁剑．基于交叉验证的BP算法的改进与实现[J]．计算机工程与设计，2008（14）：25-29．

[14]吴景龙，杨淑霞，刘承水．基于遗传算法优化参数的支持向量机短期负荷预测方法[J]．中南大学学报（自然科学版），2009，40（1）：180-184．

[15]李瑾，刘金朋，王建军．采用支持向量机和模拟退火算法的中长期负荷预测方法[J]．中国电机工程学报，2011，31（16）：22-25．

[责任编辑 代俊秋]

Research on fault diagnosis method of high voltage circuit breaker based on support vector machine

FU Chao1,2，LI Kui1

(1.Career Technical College,Hebei Normal University,Hebei Shijiazhuang 050024,China;2.School of Electrical Engineering, Hebei University of Technology,Tianjin 300130,China)

Fault diagnosis technology based on support vector machine has become a hot research issue in the field of fault diagnosis of high voltage circuit breaker,and as an important equipment of power system reliability,it is directly related to the stability of the entire power system.In this paper,with the comparison of multiple parameters of the linear kernel function,polynomial kernel function,radial basis kernel function and multi layer perceptron kernel function,the final choice is the function forhigh voltagecircuit breaker.Throughthe analysisofthe traditionalcross validation method,this paper presents an improved cross validation(K-CV)method,the use of high voltage circuit breaker field actual data as the sample,usingthe throughthe Libsvmtoolbox,andconstantlysearchparameters,finally obtains the faultclassification results.Theexperimental results showthatthe improved10-CVcrossvalidation method based on radial basiskernelfunction support vector machine prove to be more rapid and more accurate in judging the fault of high voltage circuit breaker type.

support vector machine;fault diagnosis;kernel function;cross validation

TP391.41

A

1007-2373(2015)04-0012-06

10.14081/j.cnki.hgdxb.2015.04.003

2015-04-15

国家自然科学基金（60974063）；河北省教育厅项目（QN2015160）

付超（1983-），男（汉族），讲师，博士生．

数字出版日期：2015-09-06

数字出版网址：http://www.cnki.net/kcms/detail/13.1208.T.20150906.1531.002.html