基于支持向量机的电气设备潜伏性缺陷诊断方法

杨轶婷, 陶为明, 曹小玲, 张久柱

(安徽电气工程职业技术学院, 安徽 合肥 230051)

0 引言

建设与发展智能电网，为我国电力行业带来了全新的机遇，但与此同时，行业在市场内也正面临着全新的挑战。为迎合市场需求，电力企业与电网规模不断壮大，多元化类型、集成数字化技术与信息化技术的电气设备被应用到电网建设工作中[1]。尽管这一趋势优化了面向电力用户的服务供给，但也在一定程度增加了电力企业设备管理工作实施的难度。根据市场不完全统计数据可知，现阶段电力市场内出现的大规模停电事故，大多是由于电气设备运行故障所导致，根据近年来市场反馈数据的统计可知，由于电气设备故障导致的企业运营经济损失正逐年呈现升高趋势[2]。因此，可以将诊断电气设备故障作为提高电力系统与市场供电服务工作可靠性的基础工作与核心环节[3]。在深入此项研究工作时发现，随着电气设备的智能化、数字化与功能多样化，其故障的表现方式也越来越多，一些潜伏性缺陷甚至难以通过较为直接的技术手段进行诊断与识别。尽管目前针对电气设备潜伏性缺陷诊断的技术较多，但大部分技术在实际应用中无法达到预期效果。为提供电力服务质量，保证电气设备安全稳定运行，本文将在此次研究中引进支持向量机技术，设计一种针对电气设备潜伏性缺陷的全新诊断方法，通过此种方式，为相关工作领域的可持续发展提供支持。

1 基于支持向量机的电气设备潜伏性缺陷诊断

1.1 电气设备运行数据采集

为实现对电气设备在运行中潜伏性缺陷的诊断，应在设计方法前，对电气设备运行状态数据进行采集。在此过程中，可引进基于范式推理的电气设备运行状态模型，将其与运行终端接口进行连接，通过此种方式，确保在电气设备运行过程中对其状态数据的共享[4]。其中状态模型表达式如下。

E=ΣB·F·G·P·M

(1)

公式(1)中：E表示电气设备运行状态模型；B表示电气设备本体结构固定属性参数，包括设备型号、设备生产日期、设备投入使用日期、设备编码、生产制造供应商等；F表示设备运行状态特征向量；G表示表征设备之间的关系参数集合，包括电阻值、电压值、电流值等；P表示由设备额定运行值构成的有序数据集合；M表示设备运行过程中的环境参数，包括设备运行环境温度、设备运行环境湿度等[5]。采集电气设备运行数据时，应对设备运行数据按照时间序列点进行采集，将监测点时刻表示为t，对t时刻下的电气设备运行状态进行描述，具体计算公式如下。

(2)

公式(2)中：A(t)表示时刻下的电气设备运行状态；W表示时间轴序列；ξ表示空间数据结构模型；C表示电气设备运行状态数据范例库；k表示状态类型。按照上述方式，对不同时刻下的电气设备运行状态数据进行主动获取，将获取的数据按照时间序列进行排序与整理，从而实现对电气设备运行数据的采集[6]。

1.2 电气设备运行数据特征提取

考虑到通过上述方式采集的电气设备运行数据中可能存在大量的冗余数据，此类数据会对电气设备潜伏性缺陷诊断结果造成影响。因此，需要通过对电气设备运行数据的处理，提取其中的特征性数据。在此过程中，引进ICA技术，通过抽取数据分量中的独立值，对采集数据进行负熵处理[7]。可将处理的过程作为样本数据集合中冗余数据的消除处理过程，此过程可表示为下述计算公式。

(3)

公式(3)中：D表示电气设备运行数据中冗余数据的消除处理过程；E表示运行数据中的分量数据；T表示批量处理算法；F表示线性逆变换处理过程。将完成处理后的数据进行训练，训练过程可表示为图1所示的流程[8]。

图1 电气设备运行数据训练处理

图1中，特征提取的过程可用下述计算公式表示。

(4)

公式(4)中：V表示电气设备运行数据特征提取；r表示观测值；i表示电气设备运行数据观测维度；j表示特征向量；n表示提取行为发生次数。按照上述方式，完成对电气设备在运行中特征数据的提取。

1.3 基于支持向量机的电气设备潜伏性缺陷辨识

完成上述研究后，引进支持向量机，进行电气设备潜伏性缺陷的辨识设计。首先，需要应明确基于支持向量机的故障决策过程，是对设备运行中不同参数相互依赖关系的分析过程[9]。以此为标准，对电气设备的运行状态进行决策与诊断，其本质就是寻求一个最优函数，进行电气设备在不同运行工况下的行为分类。利用线性可分函数，构造针对电气设备的工况状态描述函数，函数表达式如下。

g(x)=wx+b

(5)

公式(5)中：g表示线性可分函数；x表示电气设备的工况状态描述；w表示状态数据分量；b表示数据偏移量。利用上述构造函数，在电气设备潜伏性缺陷诊断阶段，对监控数据进行模型化，以此种方式，生成一个待测样品集合。同时，利用电气设备的不同状态鉴定分类器，对待测试数据进行检测[10]。通过与被检测数据的匹配，最大程度上识别电气设备中的异常数据，通过此种方式，得到电气设备潜伏性缺陷类型。此过程如以下计算公式所示。

f=a[y(α·LI)]

(6)

公式(6)中：f表示电气设备潜伏性缺陷类型；a表示鉴定分类标准；y表示待测试数据集合；α表示被检测数据的匹配程度；L表示异常数据导出量长度；I表示监控数据。通过上述计算公式，得到对电气设备在运行中工况数据的相应诊断结果。将诊断结果与SVM分类器中的数据进行适配，通过对各小波包进行重建，得到各频段的电气设备潜伏性缺陷信号，求取各波段的总能量。此过程如以下计算公式所示。

(7)

图2 电气设备潜伏性缺陷诊断流程图

公式(7)中：H表示反馈信号能量；h表示波段；β表示小波包重建处理过程；J表示信号中的白噪声；Q表示设备额定值；χ表示状态范例。预设电气设备在运行中不同波段的有效能量值，当计算结果超出预设阈值时，说明此时电气设备的运行存在潜伏性故障。可通过下述计算公式，对潜伏性故障进行辨识。

(8)

公式(8)中：R表示潜伏性故障辨识结果；ε表示阈值范围；γ表示训练目标；η表示训练次数；σ表示数据采集节点。按照上述方式，完成基于支持向量机的电气设备潜伏性缺陷诊断方法设计，具体的电气设备潜伏性缺陷诊断流程图如图2所示。

2 实验

2.1 实验设计

上文从三个方面，完成了基于支持向量机的电气设备潜伏性缺陷诊断方法设计，为实现对设计方法在实际应用中故障诊断效果的检验，以某地区大型电力企业为例，开展如下实验。

通过调研可知，在2021年5月，对某变电站中的变压器进行了大型检修，在对检修设备的深入研究中发现，此电气设备已经连续投入使用超过10年，根据企业记载的档案数据与检修记录，该设备更换过套管结构，且出口位置电路曾经遭受过短路冲击，加之设备散热片存在较为严重的渗漏问题，导致企业对外的供电服务一直处于滞后水平。而导致电气设备运行故障或异常的主要原因是该设备存在潜伏性缺陷，为实现对此类故障的诊断与精准处理，决定使用本文设计的方法，对此电气设备进行潜伏性缺陷诊断。

为确保对潜伏性缺陷分类的平衡性，提高对电气设备故障诊断的精度，避免在诊断过程中出现欠学习的问题，本次实验使用MatLab软件编制诊断程序，并根据相关工作实例与经验成果，将电气设备潜伏性缺陷划分为六种类型，将其表示为Q1～Q6，将此设备接入PMS系统与在线运行监测终端，共收集到2 789条设备运行数据。去除掉数据集合中的噪声数据与冗余数据后，其中共含有2 512条完整的设备运行数据，其中1 923条数据为设备在正常状态下的运行数据，589条数据为设备在潜伏性缺陷状态下的运行数据，即故障数据。将此部分数据作为电气设备潜伏性缺陷诊断样本数据，对样本数据进行整理，如表1所示。

表1 电气设备潜伏性缺陷诊断样本数据集合

在已知样本数据的条件下，使用本文方法对电气设备潜伏性缺陷进行诊断，诊断时，需要先进行电气设备运行数据的采集，整理采集结果，提取电气设备运行数据中的特征性数据。同时，引进支持向量机，对特征数据进行分类，以此种方式，实现对电气设备潜伏性缺陷的诊断。

在此基础上，引进基于Census变换技术的电气设备潜伏性缺陷诊断方法，将此方法作为传统方法。在使用传统方法进行缺陷诊断时，需要先进行电气设备运行状态图像的采集，通过反馈的红外图像，进行电气设备在运行中低温过热缺陷与高温过热缺陷的诊断。同时，使用改进Apriori算法，对电气设备的运行状态进行决策，根据决策结果，诊断设备的其他潜伏性缺陷。

通过上述方式，完成对比实验的设计工作。

2.2 实验结果

将样本数据作为参照，统计本文方法与Census变换方法对电气设备在运行中潜伏性缺陷的诊断结果，如图3所示。

图3 电气设备在运行中潜伏性缺陷诊断结果对比

从图3所示的实验结果可看出，本文方法对电气设备在运行中潜伏性缺陷的诊断结果与实际值的适配度更高。由此得出实验结论：本文设计的基于支持向量机的电气设备潜伏性缺陷诊断方法，对于故障的诊断更加精准。

3 结束语

随着科学技术和电力系统的发展，电力系统越来越复杂，如何保障电力系统的安全和稳定运行变得越来越重要，因此，本文从电气设备运行数据采集、电气设备运行数据特征提取、电气设备潜伏性缺陷辨识三个方面，设计一种基于支持向量机的电气设备潜伏性缺陷诊断方法。此方法在完成设计后通过对比实验检验，证明了该方法可以实现对故障的精准诊断。

此次设计的方法使操作人员、维修人员的工作压力得到了充分地缓解，并在具体操作中取得了良好的效果，在相关领域与行业内推广使用，为企业的发展提供更加优化的技术作为指导与帮助。