基于混合算法与支持向量机的电力变压器故障诊断

(广东电网有限责任公司清远清城供电局,广东 清远 511500)

基于混合算法与支持向量机的电力变压器故障诊断

贾立敬

(广东电网有限责任公司清远清城供电局,广东 清远 511500)

为了改进、优化支持向量机的核函数参数σ以及惩罚因子C，提出了基于粒子群与差分进化相结合的混合优化算法(PSODE)，从而获得最优的故障诊断模型。通过引入四种基准测试函数：Sphere函数、Rosenbrock函数、Rastrigin函数、Griewank函数对PSO、DE、PSODE的性能进行测试，仿真结果表明PSODE是一种具有较强优化性能的算法。为了进一步验证该方法的有效性，通过对油中溶解的H2、CH4、C2H6、C2H4、C2H2的含量进行分析，可以较准确地识别低温过热、中温过热、高温过热、局部放电、火花放电、电弧放电以及正常状态。

支持向量机;粒子群 差分进化

1 引言

油浸式电力变压器作为电力系统的关键设备，一旦出现故障可能造成长时间的供电中断，因此及时、准确地发现变压器故障对于电网安全运行意义重大。

针对变压器所出现的故障，诊断方法多种多样，其中检测变压器内部故障最有效的手段之一为油中溶解气体分析法[1]，这种方法能及时较早地发现电力变压器内部出现的故障，在变压器运行维护过程中发现并排除了多次故障隐患[2]。由于变压器故障类型的多样性、模糊性，采用传统的故障诊断方法已无法满足变压器故障诊断高可靠性的要求。随着计算机和人工智能技术的迅速发展，引入专家系统[3-4]、人工神经网络[5]、模糊数学[6]等智能方法对变压器出现的故障进行判别，在一定程度上取得了进展[7]。但是这些理论的提出大多数存在一定缺陷，专家系统过分依赖知识库结构的好坏，而实际中获取的某些专家知识是不完整的，严重影响专家系统的准确性；模糊数学中人为干预的因素较多，使得该理论无法得到广泛应用；人工神经网络存在网络结构不易确定，网络参数求解相对复杂等缺陷，影响复杂系统的收敛速度，使得该方法的推广受到一定的限制。鉴于工程实际中变压器故障样本数据有限，不确定性因素多的现状，以上智能故障诊断方法无法取得最佳效果，而支持向量机是应用统计学习理论，专门解决具有非线性、样本少及维数高特性的模式识别问题的学习机器，更适用于解决有限的小样本数据。

本文通过PSO、DE以及PSODE的性能测试，将PSODE混合算法应用在支持向量机中，对支持向量机的参数σ以及惩罚因子C进行改进、优化，从而获得最优的故障诊断模型。将溶解在油浸式电力变压器油中的H2、C2H4、C2H6、CH4、C2H2五种气体的体积含量作为特征量，以变压器常见的7种故障状态作为故障诊断模型的输出。仿真结果表明，经PSODE混合算法优化的SVM相对经不同算法优化的SVM比较，发现此方法可较准确地识别变压器所出现的故障。

2 基于粒子群与差分进化相结合的混合优化算法

2.1 粒子群优化算法

粒子群优化算法(Particle Swarm Optimization，PSO)最早是在1995年由Eberhart和Kennedy[8]共同提出的，是一种以个体的竞争与合作为基础对复杂搜索空间中最优解进行搜索的过程，类似于遗传算法，但二者又有一定的区别，此算法未对种群使用交叉、变异等操作，是通过群体中个体之间信息的协作与共享来寻优，其每发生一次迭代过程，“个体极值”和“全局极值”都要进行一次更新，所有微粒的飞行轨迹调整均依赖于局部最优值pi以及全局最优值pg。粒子位置更新过程的示意图如图1所示。

图1 粒子位置更新示意图

2.2 差分进化算法

差分进化算法最早是由Storn和Price[9]提出的，作为一种优化方法最初是用于解决切比雪夫多项式拟合问题。是一种以群体智能为基础的全局优化算法，可用于解决连续领域的优化问题，通过种群内个体之间存在的竞争与协作关系，产生优势个体来对种群的进化过程进行指导。在优化求解过程中，该算法采用结构简单的差分变异和交叉算子以及“贪婪”的选择操作，该算法并不依赖问题的特征信息，而是依据种群的动态改变来对搜索策略进行调整，利用优势个体更新种群，使在种群迭代完成时接近或达到最优解。其具体的操作过程如图2所示。

图2 差分进化算法的具体操作过程

2.3 混合优化算法

由于DE算法中交叉算子可以提高局部搜索能力，加速其收敛进程，但在进化过程的后期阶段，容易出现陷入局部最优的情况；PSO优化算法中全局最优值陷入局部最优区域时，群体会在该区域迅速收敛，使得种群失去多样性的特点，导致早熟停滞现象的发生[10]。

为了弥补DE以及PSO优化算法同时具有的易陷入局部最优的缺陷，提出了一种混合算法，其个体的运动方式如图3所示。

图3 PSODE模型中个体的运动方式

该算法中，当PSO算法中种群个体入局部最优时，此时粒子在进化过程中位置的选取不仅要参考自身经验还要借鉴DE算法中最优个体的信息，通过DE算法获得种群中优秀个体的信息，使得陷入局部最优的粒子个体偏离之前的局部最优位置，从而快速逼近全局最优位置。同理，DE算法同样会以较大的概率由局部最优点逼近全局最优点。

3 测试函数与仿真分析

为了对PSODE的性能进行测试，引入一系列的基准测试函数如：Sphere函数、Rosenbrock函数、Rastrigin函数、Griewank函数对PSO、DE、PSODE算法的性能进行测试。对DE算法的参数进行设置，其中缩放因子F=0.5，交叉概率CR=0.5，对PSO算法的参数进行设置：学习因子C1=1.5，C2=1.7，对于PSODE中的参数设置如同PSO、DE，控制因子λ为3，这三种算法的种群个体规模为50，最大进化代数取1500，维数为30，其进化曲线图如图4～图7所示。

图4 Sphere函数进行测试的进化曲线图

图5 Rosenbrock函数进行测试的进化曲线图

通过对以上进化曲线图分析，将两者结合的混合算法可以充分发挥各自的优点，避免缺陷，较单一的DE算法和PSO算法在收敛性方面有很大改善。仿真结果表明PSODE是一种具有较强优化性能的算法。

4 变压器故障诊断模型的提出

采用支持向量机对变压器故障进行分类时，为了较准确地识别变压器运行过程中的故障，需要对支持向量机中核函数参数和惩罚因子C进行优化。鉴于PSODE混合优化算法相对PSO、DE具有较好的优化性能，因此将PSODE算法与支持向量机相结合对变压器进行故障诊断。

图7 Griewank函数进行测试的进化曲线图

本文在对油浸式变压器进行故障诊断时，其数据来源为油中溶解的H2、CH4、C2H6、C2H4、C2H2这5种气体的含量。

基于混合算法与支持向量机相结合的变压器故障诊断具体步骤如下:

步骤1 将油中溶解的5种气体含量的数据样本分为两部分，分别为训练集和测试集，并对其做归一化处理；

步骤2 对粒子群和差分进化模型参数进行初始化，并设置SVM参数σ和C 的取值范围；

步骤3 对每一组参数的训练样本等分为POPPSO和POPDE两个种群，其初始化的位置处于不同区域；

步骤4 利用粒子群优化算法对POPPSO中个体的位置和速度进行更新，利用差分进化算法对POPDE的个体进行变异、交叉、选择；

其流程图如图8所示。

图8 基于混合算法与支持向量机的变压器故障诊断模型

5 油浸式电力变压器故障诊断实例分析

为了验证上述故障诊断模型的有效性，本文从现场运行的故障变压器DGA数据库中随机选取了56组，训练集28组，测试集28组，其故障类型主要包括：低温过热、中温过热、高温过热、局部放电、火花放电、电弧放电以及正常状态。

5.1 参数优化

根据上述混合算法对支持向量机参数进行优化的流程，其主要参数设置为：F=CR=0.5，C1=1.5，C2=1.7，控制因子λ为3，算法中种群规模为20，最大进化代数取200，支持向量机中惩罚因子C的取值范围为(0.1，100]，核函数中参数σ的取值范围为(0.01，1000]。经过多次实验比较，得到如图8所示的适应度曲线。由图9可知，整个寻优过程在第50代时找到最佳适应度值为90.71，此时的适应度最佳，并一直保持平稳。

5.2 仿真结果与分析

将寻优得到的(c，g)进行验证，其结果为Accuracy=92.857%(26/28)(classification)。为了能直观了解SVM对于各个故障类别的判断准确性，将分类结果可视化，如图10所示。

图9 准确分类率适应度曲线

图10 基于混合算法优化的SVM测试集分类图

图中类别标签1～7分别代表低温过热、中温过热、高温过热、局部放电、火花放电、电弧放电以及正常状态，测试集样本数目为28个。从图中可以发现，测试集中的预测样本分类与实际样本分布几乎一致，只有测试集中的第22和24两个判断有误，均错误地将电弧放电诊断为中温过热故障。

为了验证该方法的有效性，将其与经各种不同算法优化的SVM进行对比分析，如图11～14所示。

图11 未经优化的SVM测试集分类图

比较结果如表1所示。

通过对比分析，发现经过优化的SVM与未经优化的SVM相比，其分类准确率都得到不同程度的提高。但是网格法进行优化所需时间长，搜索范围需要事先设定，其准确性也有待于提高；遗传算法没有记忆功能，进行优化时以前的知识随着种群的改变遭到破坏；粒子群算法与遗传算法相比，不需要编码，无需进行交叉和变异操作，粒子只是通过迭代过程对最优解进行搜索，因此原理比较简单、需要设置的参数较少，实现过程相对比较容易，但是由于其容易陷入局部最优，导致种群多样性消失，因此其识别率低于经PSODE优化的SVM，综合考虑选择经PSODE优化的SVM对油浸式电力变压器常见的7 种故障进行分类识别。

图12 基于GRID优化的SVM测试集分类图

图13 基于GA优化的SVM测试集分类图

图14 基于PSO优化的SVM测试集分类图

第一类正确个数第二类正确个数第三类正确个数第四类正确个数第五类正确个数第六类正确个数第七类正确个数识别率/%分类时间/sSVM441222467.860.31GRID-SVM443332482.140.58GA-SVM443432485.710.21PSO-SVM444432489.280.18PSODE-SVM444442492.860.20

6 结论

本文提出基于PSO与DE相结合的混合算法对SVM的核函数进行优化，以选出最优的参数(c，σ)，对油浸式电力变压器常见的7种故障状态进行分类识别，可以较准确地识别变压器的故障类型，该方法与经不同算法优化的SVM相比较，具有较高的识别精度。

[1] Kennedy J,Eberhart R.Particle swarm optimization[C].Proceedings of the IEEE conference on neural networks.New York,USA:IEEE,1995:1942-48.

[2] 林蔚天.改进的粒子群优化算法研究及其若干应用[D].广州：华东理工大学，2014.

[3] 张晓庆.基于改进粒子群算法的电力系统经济调度计算研究[D].哈尔滨：哈尔滨理工大学，2014.

[4] 宋刚.基于粒子群和差分进化算法的新型混合算法在配电网重构中的应用[D].杭州：浙江大学， 2008.

[5] 王凌，刘波.粒子群优化与调度算法[M].北京：清华大学出版社，2008.

[6] Shi Y,Eberhart R C.A modified particle swarm optimizer.Proceedings of IEEE International Conference on Evolutionary Computation,Anchorage,1998,69-73.

[7] Storn R M，Price K V.Differential evolution-a simple and efficient adaptive scheme for global optimization over continuous spaces

[R] .Technical Report TR95-012,Berkley,USA:International Computer Science Institute,1995.

[8] Lin C E,Ling J M,Huang C L.Expert system for transformer diagnosis usingdissolved gas analysis[J].IEEE Transaction on Power Delivery,1993,8(1):231-238.

[9] 栾丽君，谭立静，牛奔.一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法[J].信息与控制，2007，6(36):708-714.

[10] MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

FaultDiagnosisofPowerTransformerBasedonHybrid

In order to improve and optimize the kernel function of support vector machines(SVM)is a parameter sigma and penalty factor C,proposing a hybrid optimization algorithm(PSODE)which based on the combination with differential evolution and support vector machine,obtaining the optimal model of fault diagnosis.By introducing four benchmark functions:sphere function,rosenbrock function and rastrigin function,griewank function to test the performance of the PSO,DE,PSODE,the simulation results show that performance of PSODE is a kind of strong optimization algorithm.In order to further verify the effectiveness of the method,analysing the content of H2,CH4,C2H6,C2H4,C2H2,which dissolved in oil can accurately identify low overheating,medium temperature overheating,high temperature overheating,partial discharge,spark discharge and arc discharge and normal state.

EMD;PSO;DE

1004-289X(2017)03-0030-05

TM411

B

AlgorithmandSupportVectorMachine

JIALi-jing

(Qingcheng Power Supply Bureau,Guangdong Power Grid Corporation,Qingyuan 511500,China)

2016-04-11

贾立敬(1986-)，女，汉族，河北衡水人，助理工程师，硕士研究生，主要研究方向从事电气设备状态监测与故障诊断技术方向研究工作。