人工蜂群优化支持向量机的电气故障诊断方法研究

吴国诚，范良忠

（1.国网浙江省电力公司宁波供电公司，浙江宁波　315016；2.浙江大学宁波理工学院，浙江宁波　315100）

人工蜂群优化支持向量机的电气故障诊断方法研究

吴国诚1，范良忠2

（1.国网浙江省电力公司宁波供电公司，浙江宁波315016；2.浙江大学宁波理工学院，浙江宁波315100）

电气故障诊断具有重要的实际应用价值，针对电气故障诊断中的支持向量机（SVM）参数选择问题，提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声，并提取特征，然后采用人工蜂群优化算法确定SVM的最优参数，建立电气故障诊断模型，最后通过与其他电气故障诊断模型进行对比实验。结果表明，WA-ABC-SVM可以描述电气设备状态与特征间的变化关系，提高了电气故障的诊断正确率，诊断结果要高于对比模型。

电气设备；小波分析；故障诊断模型；噪声干扰；提取特征；人工蜂群优化算法

随着电气设备使用频率的增加，人们对电气设备的可靠性要求越来越高，电气设备的故障诊断成为电气领域研究中的重大课题［1-2］。

传统电气故障诊断模型包括：专家系统、粗糙集等［3-4］。它们对小型电气设备的诊断速度快，性能好。但传统模型属于线性的电气故障诊断模型，而大型电气设备受到众多因素的影响，工作状态具有时变性，故障与特征间具有非线性变化特点，传统模型的诊断正确率低，结果不可信［6］。现代电气故障诊断模型包括：神经网络、支持向量机（support vector machine，SVM）等［6-8］，不仅可以描述故障与特征间的非线性变化关系，而且故障速度快，成为电气故障诊断的主要研究方向［9］。神经网络根据经验风险最大化原理构建电气故障诊断模型，学习样本的规模要求大，但电气故障诊断是一个小样本问题［10］，因此神经网络的电气故障诊断结果会出现“过拟合”或“欠学习”现象。SVM是一种小样本的电气故障诊断模型，诊断正确率要高于神经网络，但其参数是一个待解决的难题［11］。人工蜂群优化（artificial bee colony optimizing）算法是一种模拟蜜蜂觅食行为的算法，具有参数少、速度快等优点［12］，为SVM参数优化提供了新的工具。

为了解决电气故障诊断中的支持向量机参数优化难题，以提高电气故障诊断的正确率，提出了ABC优化SVM的电气故障诊断模型（WA-ABCSVM），通过仿真实验对WA-ABC-SVM的电气故障诊断性能进行测试。

1　相关理论

1.1人工蜂群算法

人工蜂群算法将蜜蜂划分为雇佣蜂、观察蜂和侦察蜂，其中雇佣蜂与蜜源个数相等，蜜源代表待求解问题的可行解，蜜源好坏由适应度函数决定。设第i个蜜源xi=（xi1，xi2，…，xiD），i=1，2，…，N，N表示蜜源数。3种蜜蜂工作方式为：

1）在初始阶段，雇佣蜂根据局部信息找到新蜜源位置，并估计该位置的蜜量，如果蜜量更多，雇佣蜂记忆新蜜源的位置。

2）搜索完蜜源后，雇佣蜂将蜜源信息传递给观察蜂，观察蜜源附近搜索新的蜜源，并估计新蜜源的蜜量，如果蜜量更多，观察蜂记忆新蜜源的位置。SN表示种群个数，观察蜂概率计算公式为

式中：fiti为第i个蜜源的适应度值。

vij是候选蜜源，雇佣蜂和观察蜂的新蜜源位置更新方式为

式中：xij为第i个解的第j维分量；j为一个随机数；i∈｛1，2，…，SN｝；φij为［-1，1］间的随机数。

3）若蜜源改进次数大于预设“limit”值，那么该蜜源被抛弃，雇佣蜂成为侦察蜂，蜜源被侦察蜂找到的新蜜源所代替，具体为

在标准人工蜂群算法中，新蜜源的优劣由式（4）适应度函数评价。

式中：fi为目标函数值；abs（fi）为fi的绝对值。

为了分析人工蜂群优化（ABC）算法的性能，采用粒子群优化（PSO）算法进行对照实验，选择Sphere函数和Rosenbrock函数作为测试对象，它们具体为

设种群的数量为30，最大迭代次数为600，ABC算法和PSO算法的Sphere函数和Rosenbrock函数求解结果如图1所示。对图1的求解结果进行对比和分析可以发现，ABC算法的Sphere函数和Rosenbrock函数求解结果更优，求解速度更快，验证了ABC算法的优越性。

图1　ABC算法与PSO算法的性能比较Fig.1　Performance comparison of ABC algorithm and PSO algorithm

1.2小波分析

设有用信号和噪声分别为s（t）和n（t），那么含噪信号可以表示为

小波分析对信号进行分解后，有用信号s（t）的小波系数与分解尺度成正比；而噪声n（t）的小波系数与分解尺度成反比，根据该特点对小波系数进行不同处理后，有效去除信号中的噪声，具体如下：

1）收集电气设备信号，小波分析进行分解，产生小波分解值w（m，n）。

2）估计w（m，n）与其邻域w（m+1，n）的相关系数R（m，n），具体为

3）对R（m，n）进行归一化处理得到

4）如果|NR（m，n）|≥|w（m，n）|，那么w（m，n）为有用信号，否则w（m，n）为噪声。

式中：L为小波分解层数。

6）采用λ对w（m，n）进行处理，并通过小波分析对处理后的w（m，n）进行重构，得到去噪后的信号。

1.3支持向量机

设训练集｛（xi，yi）｝，i=1，2，…，m，m表示样本数，那么支持向量机（SVM）分类函数为

式中：ω和b分别为权值向量和偏置量。

对式（11）中的ω和b直接求解十分困难，为了简化运算，引入松弛变量ξi、ξ*i将式（11）变换为

式中：C为惩罚参数。

基于结构风险最小原理，在SVM中引入拉格朗日乘子（αi）得到对偶优化函数为

对于非线性分类问题，通常引入核函数K（xi，xj）转换成为线性分类问题，且有K（xi，xj）=φ（xi）Tφ（xj），那么SVM的非线性分类函数为

选择径向基函数作为核函数，其定义为

式中：σ为径向基核的宽度。

SVM仅能对两分类问题进行求解，而电气故障有多种类型，为此采用图2的方式构建电气故障诊断的分类器。

图2　电气故障诊断的多分类器Fig.2　Multiple classifiers for electrical fault diagnosis

2　WA-ABC-SVM的电气故障诊断模型

1）采用小波分析对原始电气信号进行分解和重构，得到有用的电气信号，从而抑制噪声对特征提取的干扰。

2）分别提取正常和故障状态信号的特征，根据特征对电气故障诊断样本进行处理。

3）将训练样本的特征作为SVM的输入，电气设备的工作状态作为SVM的输出，采用人工蜂群算法优化SVM进行训练，找到最优的参数C、σ，建立电气故障诊断模型。

4）用测试样本检验电气故障诊断模型的优劣，具体工作流程如图3所示。

图3　电气故障诊断模型的工作流程Fig.3　Working flow of electrical fault diagnosis model

3　实验结果与分析

在Matlab 2012仿真平台对WA-ABC-SVM的性能进行测试，电气故障类型有：低能放电、高能放电、中低温过热、高温过热，它们标签分别为1～4，正常状态的标签为5。各种状态的样本分布如表1所示。选择人工蜂群算法优化SVM（ABC-SVM）的电气故障诊断模型，小波分析和SVM（WA-SVM）的电气故障诊断模型进行对比实验，各模型找到的SVM参数C、σ，如表2所示。

表1　各种状态的样本分布Tab.1　Sample distribution of various states

表2　不同模型的参数设置Tab.2　Parameter settings for different models

WA-ABC-SVM与对比模型的电气故障诊断结果见图4—图6，对结果进行比较和分析可以知道：

图4　ABC-SVM的故障诊断结果Fig.4　Fault diagnosis results of ABC-SVM

1）ABC-SVM的电气故障识别正确率约83%左右，低于电气故障实际要求的正确率85%，主要是因为电气信号中有噪声，而ABC-SVM没有对噪声进行处理，无法获得高质量的特征，建立电气故障诊断模型不能准确反映电气设备工作状态。

图5　WA-SVM的故障诊断结果Fig.5　Fault diagnosis results of WA-SVM

图6　WA-ABC-SVM的故障诊断结果Fig.6　Fault diagnosis results of WA-ABC-SVM

2）WA-SVM的电气故障识别正确率要高于ABC-SVM的正确率，这说明噪声对故障诊断结果影响重要程度要优于SVM参数C、σ，而WA-SVM引入小波分析对噪声处理，消除了噪声对特征提取的干扰，提取了更优的电气状态特征，建立了更优电气故障诊断模型。

3）WA-ABC-SVM的电气故障识别正确率要高于WA-SVM和ABC-SVM的正确率，这是因为WAABC-SVM不仅消除了噪声对特征提取的不利影响，同时解决了SVM参数优化的难题，建立了理想的电气故障诊断模型，电气故障诊断效果更加可信，优越性也十分明显。

4　结语

电气故障诊断具有重要的实际应用价值，是电力领域的研究热点。本文利用小波分析和人工蜂群算法的优点，提出了WA-ABC-SVM的电气故障诊断模型，结果表明，小波分析可以消除电气信号中的噪声，获得了更优的电气故障诊断特征，并利用人工蜂群算法解决了SVM参数选择的难题，WA-ABCSVM能够反映电气设备工作状态与特征间联系的故障诊断模型，提高了电气故障诊断的正确率，具有广泛的应用前景。

［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.RUAN Xuefeng，HAN Shuisheng，XIONG Zhigang，et al.System analytic method of electric fault diagnosis［J］.Engineering Journal of Wuhan University，2002，35（2）：88-90（in Chinese）.

［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］.传感器与微系统，2003，22（5）：1-4.SHU Naiqiu，HU Fang，ZHOU Can.Application of ultrasonic transducer technology in fault diagnosis of electric equipment［J］.Transducer and Microsystem Technologies，2003，22（5）：1-4（in Chinese）.

［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］.仪表技术与传感器，2004（5）：46-48.LI Shu'e，DI Minyan，LÜ Feng.Technology of fault diagnosis in electricity equipments based on wavelet transformation［J］.Instrument Technique and Sensor，2004（5）：46-48（in Chinese）.

［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.LÜ Feng，DI Minyan，JU Xiyuan，et al.Discussion on fault diagnosis methods based on wavelet analysis for electric equipments［J］.Computer Measurement&Control，2012，10（12）：778-781（in Chinese）.

［5］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.PAN Liangliang，ZHAO Shutao，LI Baoshu.Electrical equipment fault diagnosis based on acoustic wave signal analysis［J］.Electric Power Automation Equipment，2009，29（8）：87-90（in Chinese）.

［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），2011，41（3）：697-701.KONG Fansen，WU Yafu，LI Cong.Assessment of fault diagnosis complexity about electrical fault diagnosis of equipment based on information entropy［J］.Journal of Jilin University（Engineering and Technology Edition），2011，41（3）：697-701（in Chinese）.

［7］陈彬强，张周锁，訾艳阳，等.机械故障诊断的衍生增强离散解析小波分析框架［J］.机械工程学报，2014，50（17）：77-86.CHEN Binqiang，ZHANG Zhousuo，ZI Yanyang，et al.Novel ensemble analytic discrete framelet expansion for machinery fault diagnosis［J］.Journal of Mechanical Engineering，2014，50（17）：77-86（in Chinese）.

［8］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.LI Ji，YAN Dongchao.Momentum BP algorithm application in electric system fault diagnosis［J］.Electric Power Science and Engineering，2005（1）：69-72（in Chinese）.

［9］王玉龙，崔玉，李鹏，等.基于小波分析改进的神经网络模型电力系统负荷预测［J］.电网与清洁能源，2015，31（2）：16-20.WANG Yulong，CUI Yu，LI Peng，et al.Load forecasting of power system based on wavelet analysis improved neural network model［J］.Power System and Clean Energy，2015，31（2）：16-20（in Chinese）.

［10］张锋利，陈文献，贾海英.支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用［J］.电网与清洁能源，2013，29（4）：627-66.ZHANG Fengli，CHEN Wenxian，JIA Haiying.Application of support vector machines and BP neural network in the rolling bearing of hydraulic turbine generator fault diagnosis［J］.Power System and Clean Energy，2013，29（4）：627-66（in Chinese）.

［11］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.LIU Xia，ZHANG Shanshan，HU Mingjian，et al.Artificial colony algorithm based on chaotic mechanism optimization of support vector machine classifier［J］.Computing Technology and Automation，2015，34（2）：11-14（in Chinese）.

［12］Bin Wu，Qian Cunhua，Ni Weihong，et al.Hybrid harmony search and artificial bee colony algorithm for global optimization problems［J］.Computers and Mathematics with Applications，2012，64（2）：2621-2634.

（编辑冯露）

Research on Electrical Fault Diagnosis Method Using WA-ABC-SVM

WU Guocheng1，FAN Liangzhong2
（1.Ningbo Power Supply Company，Grid State Zhejiang Electric Power Corporation，Ningbo 315016，Zhejiang，China；2.Ningbo Institute of Technology，Zhejiang University，Ningbo 315100，Zhejiang，China）

Electrical fault diagnosis has important practical application value.In this paper，an electrical fault diagnosis model based on artificial bee colony algorithm（ABC）optimizing support vector machine（SVM）is proposed to solve parameter selection problem of SVM in electrical fault diagnosis.Firstly，the noise in the signal is removed by wavelet analysis，and features are extracted，and secondly，ABC algorithm is used to determine the optimal parameters of SVM，and electrical fault diagnosis model is established，finally，experiments are carried out by comparing with other models.The results show that the proposed model can describe relationship between state and features of electrical equipment，the correct rate of diagnosis is improved，and the result is better than the contrast models.

electrical equipment；wavelet analysis；fault diagnosis model；noise interference；extraction feature；artificial bee colony optimization algorithm

1674-3814（2016）07-0087-05

TP181

A

国家自然科学基金资助项目（31302231）；浙江省教育厅科研项目（Y201226043）；宁波市自然科学基金资助项目（2012A610110）。

Project Supported by National Natural Science Foundation of China（31302231）；Science Research Program of Education Department of Zhejiang（Y201226043）；Natural Science Foundation of Ningbo（2012A610110）.

2015-09-11。

吴国诚（1963—），男，本科，高级工程师，主要研究领域为电网建设运行技术及其管理；

范良忠（1980—），男，博士，副教授，主要研究领域为计算机应用。