基于WA-ABC-LSSVM的电气故障诊断*

2016-08-18 01:46史增芳姜岩蕾
电子器件 2016年3期
关键词:小波分类器电气设备

史增芳,姜岩蕾

(河南工业职业技术学院机电工程学院,河南南阳473009)

基于WA-ABC-LSSVM的电气故障诊断*

史增芳*,姜岩蕾

(河南工业职业技术学院机电工程学院,河南南阳473009)

为了改善当前电气故障诊断的效果,提出一种基于小波消噪和人工蜂群优化最小二乘支持向量机的电气故障诊断方法(WA-ABC-LSSVM)。首先收集电气状态信息,并采用小波变换对其进行去噪处理,消除噪声的干扰,然后提取电气状态中的特征,并且进行归一化处理,最后采用训练样本对最小二乘支持向量机进行训练,采用人工蜂群算法优化最小二乘支持向量机参数,建立电气故障诊断分类器。仿真实验结果表明,本文方法可以较好描述电气系统的工作状态,诊断性能要明显优于其它的电气故障诊断方法。

电气系统;故障分类;小波去噪;状态特征;故障分类器

随着电力系统的应用日益广泛,人们对电力系统的可靠性、安全性提出更高的要求[1]。电气设备在工作过程不可避免会出现故障,因此,对电气故障进行快速、准确地诊断,提高设备的可靠性显得十分重要[2-3]。

国内外学者对电气设备故障诊断技术进行了一系列探索和研究,提出了许多有效的电气故障诊断方法[4],当前电气故障方法分为两类:传统方法和现代方法,传统方法主要有:专家系统、灰色理论、线性判别分析等[5],它们是一类线性的故障分析方法,对小规模电力系统的故障诊断率高,然而随着电力系统规模的不断扩大,电气设备系统结构日益复杂,电气设备工作状态与特征之间是一种复杂的非线性关系,这样传统方法的故障诊断率急剧下降,诊断结果的可靠性降低,难以满足现代电力系统故障诊断的实际应用要求[6]。现代方法是基于非线性理论进行建模的电气故障诊断方法,主要有神经网络、支持向量机等方法[7],它们可以很好地拟合电气设备工作状态与特征之间的非线性关系,在电气故障诊断中得到了广泛的应用。在实际应用中,神经网络是一种基于大数定理的建模方法,要求电气故障诊断的学习数量比较大,要收集大量电气故障诊断学习样本,导致电气故障诊断的成本增加,而且实际很难收集到大量的学习样本,这样神经网络易出现训练过程中电气故障诊断率高,测试过程中电气故障诊断却很低的现象,即所谓的“过拟合”缺陷。支持向量机要求的电气故障诊断学习样本比较小,分类性能要优于神经网络,不存在“过拟合”缺陷,但是其训练过程相当耗时,这样难以满足电气故障诊断效率要求高的领域,应用范围爱到一定的限制[8]。

项目来源:河南省科技攻关重点项目(122102210497).

收稿日期:2015-09-20修改日期:2015-10-27

最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)比支持向量机的训练要快,而且不存在“过拟合”现象[9],为此,本文提出一种基于人工蜂群[10]优化最小二乘支持向量机的电气故障诊断方法(WA-ABC-LSSVM)。首先采用小波变换对其进行去噪处理,提取电气状态中的特征,然后采用人工蜂群算法优化最小二乘支持向量机建立电气故障诊断分类器,最后实验结果表明,WA-WA-ABC-LSSVM可以较好地描述电气系统的工作状态,诊断性能要明显优于其它的电气故障诊断方法。

1 相关理论

1.1小波变换

设收集到的电气设备工作状态信息为s(t),受到外界条件的作用,工作状态信息难免包含有一定的噪声e(t),e(t)对电气故障诊断产生干扰,影响后续特征提取和故障诊断结果,s(t)可以表示为:

s(t)=f(t)+δ·e(t)(1)

式中,f(t)表示有用的信息;δ为噪声水平。

对有噪声的电气设备工作状态信息s(t),可以利用小波变换对其进行分解,得到不同大小的小波系数,其中噪声e(t)与值较小的小波系数对应,这样可以选择一个较适应的阈值滤掉值较小的小波系数,保留值较大的小波系数,即得到有用的信息f(t)。本文设计的阈值数为:

式中,wj,k表示小波系数较小的值。

图1 小波去噪的流程

1.2LSSVM

LSSVM是一种训练速度快、分类效率高的机器学习算法,最优分类平面可以描述为:

式中,ω和b为相关值向量。

基于结构风险最小化准则,可以得到:

式中,l表示训练样本数量;γ表示正则化参数。

由于式(4)通常很难直接获得最优解,因此常引入拉格朗日乘子(αi)对其进行变换,得到:

根据KKT条件,提高了求解速率,可得到:

且有

采用RBF函数构建LSSVM的类函数,即有:

式中,σ为RBF参数。

1.3ABC算法

人工蜂群(ABC)算法起源于蜂群采蜜行为,在许多领域得到了成功的应用,能够对LSSVM参数进行优化,蜂群分为采蜜蜂、侦查蜂和观察蜂,它们都有自己的职责,通过相互交流和协作找到最优LSSVM参数,ABC算法的工作过程如下:

(1)初始化ABC算法的参数,主要包括人工蜂数量,食物源个数,解的维数,最大迭代次数;

(2)采蜜蜂在自己的周围搜索新的食物源,即问题的新解:

式中,vij为食物源位置;

(3)根据新、旧食物源的优劣,采蜜蜂选择较优者;

(4)根据式(10),观察蜂选择一个采蜜蜂,同时对其邻域更优位置进行更新,

(5)保存当前蜂群找到最优适应度值以及问题的解;

(6)如果食物源搜索次数大于预先设定的阈值,但是仍然没有找到更优的食物源,那么此时采蜜蜂转换为侦查蜂,并随机产生新解,

(7)当执行次数超过了最大迭代次数,那么算法就终止,不然转到(2)重复执行。

2 WA-ABC-LSSVM的电气故障诊断

(1)收集电气设备的工作状态信号,并采用小波变换对其进行预处理,消除噪声的不利影响;

(2)从工作状态信号分别提取电气正常和各种故障状态下的特征,并对特征进行归一化处理;

(3)收集的样本分为两部分:训练集和验证集,其训练样本用于LSSVM的学习,建立电气故障诊断的分类器,验证集用于分析WA-ABC-LSSVM的故障诊断性能;

(4)将训练集输入到LSSVM进行学习,ABC算法寻找LSSVM的参数(γ,σ)值,从而建立电气故障分类器;

(5)用验证集测试电气故障分类器的性能。

WA-ABC-LSSVM的电气故障诊断流程见图2。

图2 WA-ABC-LSSV电气故障诊断流程

3 仿真实验

3.1仿真平台

为了分析WA-ABC-LSSVM的电气故障诊断性能,选择Matlab 2014工具箱进行仿真测试,LSSVM来自http://www.esat.kuleuven.be/sista/lssvmlab/工具箱。本文以电力系统的变压器作为实验对象,当前变压器故障的多种多样,常见的有:低能放电、高能放电、中低温过热、高温过热,对变压器的每一种状态进行测试,得到不同状态的信号,它们的样本数据见表1。

表1 电气故障诊断的样本数据

ABC算法的参数设置为:食物源的数量SN为20,食物源位置为二维向量,即代表了参数(γ,σ)的个数,最大迭代次数为500。采用ABC算法优化LSSVM参数(γ,σ),得到γ=0.094,σ=10.193。选择没有小波消噪的ABC优化LSSVM(ABC-LSSVM)、小波去噪和交叉验证优化LSSVM(LSSVM)的电气故障诊断方法进行对比实验。

3.2结果与分析

采用WA-ABC-LSSVM、ABC-LSSVM、LSSVM对测试样本进行分类,得到的分类结果如图3~图5所示,它们的平均识别率见表2。

图3 WA-ABC-LSSVM的电气故障结果

图4 ABC-LSSVM的电气故障结果

图5 LSSVM的电气故障结果

表2 不同方法的电气故障诊断结果比较

从表2可以得到如下结论:

(1)相对于LSSVM,ABC-LSSVM的识别率相对较高,主要是由于采用ABC算法对LSSVM进行优化,可以找到比交叉验证更优的参数,构建了更优的电气故障分类器,对比结果证明了本文采用ABC算法优化LSSVM参数的有效性。

(2)相对于ABC-LSSVM,WA-ABC-LSSVM的电气故障诊断结果更加理想,主要是由于采用小波变换对电气工作状态信号进行预见处理,较好的消除了噪声对后续特征提取和分类器建立的干扰,有效提高了电气故障诊断的识别率,误诊率和错诊率得以下降,而且训练的时间明显减少,减少了支持向量的数量,加快了分类的速度,对比结果证明引入小波变换可以改善电气故障诊断效果,电气故障诊断结果的可靠性好。

4 结论

电气故障诊断一直是电力系统研究中的重点,针对当前电气故障诊断研究过程中存在的一些难题,提出一种WA-ABC-LSSVM的电气故障的诊断方法,仿真实验可以得到如下结论:

(1)采用小波变换对电气工作状态信息进行预处理,可以很好的消除噪声对电气故障诊断特征提取的干扰,有利于后续的电气故障诊断,可以获得更加理想的电气故障诊断效果。

(2)采用LSSVM对电气故障类型与特征之间的映射关系进行建模,较好的描述了电气故障诊断的变化,提高了电气故障诊断的诊断率,降低了错诊率和误诊率。

(3)采用ABC算法对LSSVM的相关参数进行优化,解决了LSSVM参数盲目选择的难题,加快了对电气故障诊断建模的速度,可以较好的满足电气故障诊断的实时性,拓宽了应用范围。

(4)对比实验结果中,WA-ABC-LSSVM的电气故障诊断正确率最高,说明WA-ABC-LSSVM的有效性和优越性,在电气故障诊断中具有十分广泛的应用前景。

[1] 阮学峰,韩水生,熊志刚,等.电气故障诊断的系统方法[J].武汉大学学报(工学版),2002,35(2):88-90.

[2] 舒乃秋,胡芳,周粲.超声传感技术在电气设备故障诊断中的应用[J].仪表技术与传感器,2003,22(5):1-4.

[3] 李淑娥,邸敏艳,吕锋.基于小波变换的电气设备故障诊断技术[J].传感器技术,2004,27(5):46-48..

[4] 吕锋,邸敏艳,句希元,等.小波分析在电气设备故障诊断中的应用浅析[J].计算机测量与控制,2012,10(12):778-781.

[5] 李季,严东超.BP神经网络改进算法在电气故障诊断系统中的应用[J].电力科学与工程,2005(1):69-72.

[6] 孔繁森,吴雅夫,李聪.基于信息熵的设备电气故障诊断复杂性评价[J].吉林大学学报(工学版),2011,43(3):697-701.

[7] 潘亮亮,赵书涛,李宝树.基于声波信号分析的电气设备故障诊断新方法[J].电力自动化设备,2009,29(8):87-90.

[8] 李晓静,李杰.改进的小波神经网络在变压器故障诊断中的应用[J].电子器件,2013,36(3):404-407.

[9] 洪洲.最小二乘支持向量机在线建模在预测控制中的应用[J].电子器件,2014,37(1):154-156.

[10]刘霞,张姗姗,胡铭鉴,等.基于混沌机制的人工蜂群算法优化的支持向量机分类器[J].计算技术与自动化,2015,34(2):11-14.

史增芳,(1973-),男,汉,河南焦作人,副教授,博士研究生,主要研究方向为机械电子工程,zengfang2514@126.com;

姜岩蕾,(1974-),汉,女,河南南阳人,副教授,硕士,主要研究方向为控制理论与控制工程,hnnyjyl@126.com。

Electrical Fault Diagnosis Based on WA-ABC-LSSVM*

SHI Zengfang*,JIANG Yanlei
(Mechanical and Electrical Engineering College,Henan Polytechnic Institute,Nanyang He'nan 473009,China)

In order to improve the effect of current electrical fault diagnosis,a method of electrical fault diagnosis is presented based on artificial bee colony optimizing least squares support vector machine.Firstly,the electrical status information is collected,and wavelet transform is used to eliminate the noise,and then extract the features of the electrical state is extracted,and the normalized processing is carried out,finally,the training samples are used to train the least squares support vector machine which artificial bee colony algorithm is used to optimize the parameters to establish electrical fault diagnosis classifier.Simulation results show that the proposed method can better describe the working state of the electrical system,and the diagnostic performance is better than the other methods of electric fault diagnosis.

electrical system;fault classification;wavelet denoising;state feature;fault classifier

TP181

A

1005-9490(2016)03-0728-04

EEACC:811010.3969/j.issn.1005-9490.2016.03.044

猜你喜欢
小波分类器电气设备
基于多小波变换和奇异值分解的声发射信号降噪方法
PLC技术在电气设备自动化控制中的应用研究
构造Daubechies小波的一些注记
隧道电气设备养护维修和管理探讨
水力发电厂电气设备安全运行及维护
基于MATLAB的小波降噪研究
基于改进的G-SVS LMS 与冗余提升小波的滚动轴承故障诊断
基于实例的强分类器快速集成方法
PLC技术在电气设备自动化控制中的应用
加权空-谱与最近邻分类器相结合的高光谱图像分类