基于SVM算法的局部放電模式識別

任永恒

摘 要：氣體絕緣組合電器（Gas Insulated Switchgear）局部放電檢測對于保證其安全可靠運行具有重要的意義。為了對變壓器故障進行有效診斷，試驗設計了4種典型缺陷模型。用超聲波法提取局部放電信號，得到局放分布圖譜，獲得了局放特征參數(shù)。根據(jù)所提取的特征參數(shù)的特點，通過支持向量機（SVM）分類算法對典型缺陷信號進行了模式識別。

關(guān)鍵詞：超聲波法；特征參數(shù)；SVM算法；模式識別

引言

變壓器作為電力系統(tǒng)中重要的電力設備，是輸電網(wǎng)中重要的組成部分，及時的發(fā)現(xiàn)其內(nèi)部故障，對于電網(wǎng)的安全供電，減少經(jīng)濟損失是至關(guān)重要的。以前，主要是通過檢測絕緣電阻、局部放電等來進行變壓器內(nèi)部的故障診斷情況，這種方法具有局限性，會受到周圍環(huán)境的影響。超聲波法是一種較好的故障檢測方法，能夠及時準確的對變壓器內(nèi)部的故障進行監(jiān)測。

用超聲波法對變壓器缺陷故障引起的局部放電進行檢測，得到的信號圖譜中含有豐富的局放信息，可以從中提取能充分反映局放信號特征的偏斜度Sk、陡峭度Ku、局部峰點數(shù)Pe、互相關(guān)系數(shù)Cc和放電量Q等特征參數(shù)。對統(tǒng)計特征參數(shù)進行分析，能夠較好的進行典型絕緣缺陷故障的診斷。

基于此，本文通過對變壓器內(nèi)部設置典型絕緣缺陷模型，對其故障進行局放試驗，提取出能反映典型缺陷局放信號的特征參數(shù)。用SVM算法對典型絕緣缺陷局放信號進行分類，結(jié)果表明：SVM分類算法對于GIS內(nèi)典型缺陷類型具有較高的識別率。

1 SVM算法的原理

1.1 分類器設計

SVM是Vapnik提出的一種建立在統(tǒng)計學習基礎上的非線性數(shù)據(jù)處理方法，其基于“結(jié)構(gòu)風險最小化原理”的獨特決策規(guī)則能較好的克服傳統(tǒng)分類算法“維數(shù)災”和“過擬合”等問題，并且具有很強的泛化能力，在處理二分類和多分類模式識別問題上有著優(yōu)異表現(xiàn)，因而備受研究人員青睞，目前已開發(fā)出LIBSVM、LS-SVMLAB、OSU SVM等諸多軟件包。然而，SVM模型參數(shù)的選取沒有既定的標準，需要很強的經(jīng)驗與技巧。

1.2 SVM算法原理

SVM算法是一種基于數(shù)據(jù)挖掘技巧的機器學習技術(shù)。將SVM應用到分類中去的核心思想陳述如下：

給出訓練樣本集{xi，yi}，其中，i=1，2，…，n，x∈p，y∈{+1，-1}能夠被超平面？棕Tx+b=0分離，其中？棕是權(quán)重矢量，b是偏移量。如果超平面使得邊距最大化，那么下列不等式對所有輸入變量成立：

對于所有的xi，當我們固定硬邊距為1時，超平面的幾何間隔為 。那么，問題變成了t通過在式（1）的約束下最小化 來求得最大化的邊距。這是一個凸次編程問題。使用拉格朗日乘子（LM）（？琢i>0，i=1，…，n）以解決下式：

最大化邊距是一個很重要的概念，但是它不能用于解決現(xiàn)實中的很多問題，原因是，如果數(shù)據(jù)有很多噪點，除非我們準備使用非常復雜的核，否則，通常在特征空間內(nèi)不能進行線性分類。主要的原因在于，最大化邊距分類器總是完美而沒有誤差的將訓練樣本分類。為了解決這一問題，SVM使用接下來要介紹的軟邊距，并引入非負的松弛變量

對于一個線性的不可分類問題，SVM利用核函數(shù)k（x，y）將在輸入空間內(nèi)的樣本映射到高維的特征空間中去，其中徑向基核函數(shù)

其中C和？滓需要基于全部的訓練樣本迭代選出最優(yōu)的值。參數(shù)的選取對于SVM的表示起到了至關(guān)重要的作用。

1.3 算法流程

1.3.1 設已知樣本集合P={x1，x2，…xn}，其中n為已知分類的樣本數(shù)，c代表分類數(shù)；

1.3.2 為了建立分類函數(shù)，對訓練樣本集進行從0到1的線性縮放并且計算各種參數(shù)；

1.3.3 利用k折交叉驗證估計和網(wǎng)格尋找算法結(jié)合估計最優(yōu)模型參數(shù)（C，g）；

1.3.4 利用最優(yōu)的參數(shù)建立SVM模型；

1.3.5 估計SVM模型的可靠性。

2 變壓器缺陷類型

變壓器的內(nèi)部主要采用的是油紙絕緣結(jié)構(gòu)，內(nèi)部發(fā)生的局部放電常常造成絕緣故障。在變壓器安裝、制造、運行中常常會由于缺陷的存在造成局部放電。而其局放常常位于油間隙、空氣隙、金屬導體毛刺以及固體表面。所以，可以將變壓器局放歸為：空氣間隙造成的放電；油中的氣泡造成的放電；雜質(zhì)導致的放電；沿面放電。本文將根據(jù)放電類型，進行試驗研究。

3 識別結(jié)果

通過局放檢測裝置連續(xù)采集多周期的局放數(shù)據(jù)，對于統(tǒng)計特征指紋，每種缺陷選取50組作為訓練組，測試組共選取100組特征數(shù)據(jù)來研究缺陷類型的識別正確率。運用SVM分類算法對典型變壓器缺陷局放類型識別，采用獨立樣本作為測試樣本檢驗該算法的正確率。識別結(jié)果如表1所示。

從表1可以看出，針板放電缺陷和內(nèi)部放電缺陷通過SVM算法進行分類正確率為91%和93%，沿面放電達到78%，沿面放電缺陷由于局放信息復雜，使得此缺陷的識別率較低?？傮w而言，支持向量分類算法對變壓器各種模擬缺陷識別率較高，效果較好。

4 結(jié)束語

對變壓器設計了3種典型絕緣缺陷模型，通過超聲波法對故障引起的局放信號采集了大量樣本，提取了局部放電信號特征參數(shù)。用SVM算法識別變壓器局部放電類型，結(jié)果顯示出較高的識別正確率。