基于改进SVM 算法的电力工程异常数据检测方法设计

王楠，周鑫，周云浩，苏世凯，王增亮

（国网北京市电力公司电力建设工程咨询分公司，北京 100021）

随着我国电力工程规模的不断扩大，完整的电力工程建设周期所花费的时间差异较大。而在时间跨度较长的工程项目中，电力设备会受到环境影响，不可避免地会出现设备老化、材质受损等现象[1-2]。以变压器设备为例，现行方案仅从外观及少数指标对设备进行验收，故无法反映设备的真实状态[3-6]，一旦发生事故将会造成难以估量的经济损失。因此，需要基于数据分析方法设计一种电力工程异常检测算法。

传统电力工程异常检测验收主要依靠工程师根据检验指标进行判断。故该文从设备状态入手，通过对设备工作时状态数据的分析来判断电力设备的状况。而电力设备异常状态数据样本具有容量小、数据多及非线性的特点。文中基于改进支持向量机（Support Vector Machines，SVM）算法提出一种电力设备的数据异常分析模型，以支撑电力工程项目的验收工作。

1 电力工程异常数据检测算法

1.1 多分类支持向量机

支持向量机[7-9]是一种二分类算法，其将线性或非线性数据作为核函数的输入，而核函数再将数据映射至高维平面，并通过全局搜索算法对最优平面进行轮询和搜索。

假定样本训练集合为K={(x1,y1),(x2,y2),…,(xi,yi)}，其中xi为输入数据特征，yi为数据特征数量，则超平面的求解可表示为：

式中，w为权重因子，C为惩罚项，ξi为松弛因子，b为截距值。

SVM 通常仅能解决二分类问题，但电力工程异常数据则具有多项特征，故可抽象为多分类问题。求解多分类问题一般有两种方法：1）构造多分类函数，也被称为全局多类SVM；2）使用多个分类器，即组合多类SVM。其中，组合多类SVM 算法的运行与识别速度均较快，因此文中使用组合多分类SVM 算法中的树结构算法（tree structure）来对电力工程中的异常数据加以检测。

树结构算法根据二叉树的结构对每个二分类器进行排列，最终组成多分类结构。假定树结构共有K个节点，则需K-1 个分类器。算法执行首先把所有数据按特征进行排序，再根据树结构判定样本的正负情况。该算法结构如图1 所示。

图1 树结构算法

对于多分类SVM 模型而言，核函数的选择也较为关键，不同核函数的性能也有所不同。该文选择了当前常用且误差较小的径向基函数（Radial Basis Function，RBF），其可表征为：

其中，γ是径向权重。

1.2 AdaBoost弱特征分类器

SVM 具备较强的数据强特征分类能力，但当数据特征较为接近时，对特征的区分度便会降低。因此，文中还将利用AdaBoost 弱特征分类器辅助SVM进行分类。

AdaBoost 算法[10-12]可将多个弱特征分类器加以集合。在该算法中，首先对所有样本数据进行平均权重分配；然后在迭代时，权重值均会随着数据特征的改变而变化；最终算法会先挑选出强特征数据，且越往后数据之间的特征性能越弱。AdaBoost 算法结构如图2 所示。

图2 AdaBoost算法结构

算法按照比例将数据分为两种集合，分别为训练集和验证集。其中，训练样本权重值F可表示为：

式中，φ表示每项数据的权重值，N为样本数量。迭代时，计算分类器的分类错误率，如下所示：

式中，m为算法迭代次数，Gm为第m个弱分类器。根据式（5）中的错误率公式，可计算出弱分类器在算法执行完集合中的比例为：

迭代完毕后的分类器权重如下：

式中，Zm为归一化常数，可表示为：

最后根据弱分类器权重组合得到最终的分类器，则有：

1.3 基于WOA的参数优化算法

虽然AdaBoost-SVM 算法可以提升模型整体的分类性能，但由于模型参数众多，若初始化参数选择不合理，模型分类性能便会有较大损失。因此，使用启发式优化算法（Heuristic Optimization Algorithm）对迭代次数、惩罚项C以及核函数中的参数进行寻优。

文中选择的优化算法为鲸鱼算法（Whale Optimization Algorithm，WOA）[13-16]，其是根据鲸鱼的捕食规则发展而来的，具有结构简单且准确率高的优点。该算法可分为随机觅食、包围目标与螺旋捕食三个步骤。

1）随机觅食。在不确定目标位置时，整个种群会随机指定某一个体位置为目标所在位置，其他个体便会向此处靠近。这一步骤可表示为：

式中，t为种群迭代次数；X(t)为种群中个体所处位置；Xr(t)为种群随机选取的个体位置；Dr表示个体与目标之间的距离；A、B则表示公式系数，且二者的计算公式为：

其中，random1 和random2 均为0～1 之间的随机数，tmax指的是算法最大迭代次数。

2）包围目标。当种群找寻到食物后，个体会逐渐缩小包围圈，并不断向该目标位置靠近。此时种群同目标间的距离可表示为：

式中，Xb(t)为种群中与目标最为接近的个体，Db为最优距离。

3）螺旋捕食。当种群靠近目标后，个体朝着目标发动捕食，此时距离可更新为：

式（16）中，k为目标常数；w为随机数，取值范围为-1～1。当w为-1 时，表示个体与目标的距离最为接近；而当w为1 时，则表示个体和目标距离最远。

由此，WOA 算法的流程如图3 所示。

图3 WOA算法流程

SVM 算法中，惩罚项C与核函数的参数对结果均存在影响。文中指定惩罚项C的优化范围为[0.05,300]，核函数参数g优化范围选择[0.02,50]，使用WOA 算法对其进行寻优。在寻优过程中，同时观察AdaBoost 的初始化迭代次数，并以该迭代次数作为另一项优化参数，最终获得优化值。

1.4 电力工程异常数据检测模型

文中AdaBoost-WOA-SVM 算法流程如图4 所示。可见该算法首先抽取电力工程异常数据，并将其分为样本集和数据集，再利用AdaBoost 算法进行弱分类器分类；同时设置WOA 算法的迭代次数与参数寻优范围，且对参数加以优化；最终，在优化完毕后输出最优结果。

图4 AdaBoost-WOA-SVM算法流程

2 实验测试

2.1 实验平台介绍

文中以电力工程中的重要电力设备变压器为例验证算法。变压器的验收通过H2、CH4、C2H6、C2H4以及C2H2五种气体在变压器油中的体积分数进行判定。根据组合体积分数的不同，判断变压器状态为正常或损坏。而数据集合则采用某地区电网变压器验收数据。验收数据集与具体状态如表1 所示。

表1 数据集信息

同时，还使用Matlab R2016a 作为算法实现平台。实验配置信息如表2 所示。

表2 实验配置信息

2.2 仿真结果分析与对比

利用优化算法根据数据情况对参数进行优化，使用WOA 算法后，每个分类器的精度均较优。而不同参数下的训练结果如表3 所示。

表3 训练结果

可以看到，当C取79.56 且g取0.98 时，该文算法的分类精度最优，因此将该参数作为分类器参数。为了减少计算量，对AdaBoost 迭代次数进行观察，结果如图5 所示。

图5 AdaBoost迭代次数

从图中可看出，当AdaBoost 算法迭代至10 次以上时，算法的分类精确度不会有大的波动，因此AdaBoost 的迭代次数取10 次。

在对比实验测试中，验证算法对数据集中变压器状态判断的准确性。对比算法使用遗传优化算法（Genetic Algorithm-SVM，GA-SVM）、麻雀搜索算法（Sparrow Search Algorithm-SVM，SSA-SVM）及粒子群优化算法（Particle Swarm Optimization-SVM，PSOSVM）。测试时首先利用各自模型所具有的优化算法完成参数优化，之后再使用分类器进行分类。算法测试结果，如表4 所示。

由表4 可知，GA-SVM 与PSO-SVM 算法异常数据检测准确率较差，故在验收时出现误判的可能性最大。而该文算法对变压器异常数据的检测准确率最高，且与其他算法相比，分别提升了5.35%、2.17%和5.35%，由此说明，该文算法的性能最优。

3 结束语

施工周期长的电力工程项目，设备易受到环境等因素影响而发生内部损坏，依靠传统方法检测通常难以发现异常。文中基于改进的SVM 算法提出了一种异常数据检测方法，其利用二叉树结构增强模型的多特征分类能力，使用AdaBoost算法提高模型弱特征分类性能，同时还采用鲸鱼算法对模型参数进行优化。实验结果表明，该文算法在对比算法中具有最优的精确度，可为电力基建工程提供有效的数据支撑。