基于模糊環(huán)境AMPSO-SVM氧化鋅避雷器故障診斷研究

甘錫淞，傅成華，余 洋

（四川理工學(xué)院自動化與電子信息學(xué)院,四川自貢643000）

基于模糊環(huán)境AMPSO-SVM氧化鋅避雷器故障診斷研究

甘錫淞，傅成華，余 洋

（四川理工學(xué)院自動化與電子信息學(xué)院,四川自貢643000）

闡述了氧化鋅避雷器在線監(jiān)測系統(tǒng)中故障診斷的常規(guī)方法與不足，對此提出一種基于模糊環(huán)境AMPSO-SVM的氧化鋅避雷器故障診斷方法。首先將影響避雷器泄露電流的周圍環(huán)境部分模糊化，以此作為支持向量機(SVM)的訓(xùn)練樣本，在此基礎(chǔ)上通過運用自適應(yīng)變異粒子群算法(AMPSO)對支持向量機中的懲罰因子C和核函數(shù)參數(shù)g尋優(yōu)，以得到最佳的診斷模型。并將所得模型和BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型相比較，MATLAB仿真結(jié)果表明基于模糊環(huán)境AMPSO-SVM的診斷方法有更高的正確率和泛化能力，能夠較準確的判斷復(fù)雜環(huán)境下氧化鋅避雷器的運行狀況。

氧化鋅避雷器；故障診斷；模糊環(huán)境；自適應(yīng)變異粒子群；支持向量機

0 引言

氧化鋅避雷器是我國電力系統(tǒng)中主要采用的避雷器，是電力系統(tǒng)過電壓保護的重要設(shè)備。因此對避雷器的狀態(tài)進行有效的診斷，是電力系統(tǒng)人員與設(shè)備安全運行的重要保障。氧化鋅避雷器正常工作時只有微安級電流流過，但當(dāng)線路上的電壓超過避雷器參考電壓時，它的伏安曲線逐漸飽和趨于平坦。此時當(dāng)電壓過大時，通過避雷器的電流也迅速增大，當(dāng)泄流后系統(tǒng)電壓回到正常值時，避雷器又迅速進入高阻狀態(tài)，從而對電氣線路及設(shè)備起到過電壓保護的作用。

目前，氧化鋅避雷器進行診斷監(jiān)測的方法有全電流法、三次諧波法、基波法、補償法、紅外探測法、直流泄露試驗法等，這些方法理論上都能判斷氧化鋅避雷器的工作狀態(tài)。但避雷器的實際運行環(huán)境是十分復(fù)雜的，環(huán)境中的溫度、濕度、空氣污染產(chǎn)生的懸浮物、避雷器表面污穢及自身長期運行產(chǎn)生的缺陷等，都會對在線監(jiān)測系統(tǒng)測得的泄流電流共同產(chǎn)生影響。根據(jù)文獻[1]中觀點，傳統(tǒng)帶電測試及在線監(jiān)測容易受現(xiàn)場條件影響，不同時期測試數(shù)據(jù)可比性差，測試結(jié)果無法作為避雷器缺陷最終判斷依據(jù)。因此傳統(tǒng)的僅通過全電流法、基波法或三次諧波法來診斷避雷器故障與否，不能真實準確的反應(yīng)避雷器在多因素影響下的運行情況[1]。相比之下通過對氧化鋅避雷器進行直流泄漏試驗則更為準確[2-3]。但這種方法的缺點是進行避雷器直流泄漏試驗時需要停電，對電網(wǎng)的供電可靠性會造成一定影響，故此種方法往往作為故障避雷器進行定性診斷的一個方法。

為了解決以上矛盾，曾有人提出基于BP神經(jīng)網(wǎng)絡(luò)的避雷器故障診斷方法[4-7]，此種方法能一定程度上較好解決復(fù)雜環(huán)境下避雷器故障診斷問題。但是BP算法較之SVM算法存在低效、易陷入局部最優(yōu)、網(wǎng)絡(luò)結(jié)構(gòu)尚無完整的理論指導(dǎo)、隱含層選取具有經(jīng)驗隨機性等缺點。

為更好的提高避雷器故障診斷能力，筆者提出一種基于AMPSO-SVM的故障診斷方法，針對在線監(jiān)測得到的數(shù)據(jù)，通過結(jié)合各種環(huán)境因素進行綜合診斷，從而使故障診斷系統(tǒng)具有更好的魯棒性和泛化能力。

1 模糊環(huán)境

避雷器周圍的環(huán)境是復(fù)雜的、不易描述的，而不同環(huán)境影響避雷器泄露電流的程度往往也不一樣，因此在考慮影響避雷器泄露電流的因素時，對部分環(huán)境進行模糊化處理往往具有抗干擾性強、便捷、減少支持向量機核函數(shù)投射維度等優(yōu)點[8-10]。具體措施是將一些復(fù)雜的、不易精確描述的環(huán)境數(shù)值，根據(jù)人類經(jīng)驗定義為具體的幾個模糊集，或者是把一些精確的環(huán)境數(shù)值通過隸屬函數(shù)轉(zhuǎn)化為模糊集。

例如實際工程中降雨對避雷器狀態(tài)影響相對并不明顯，如果將實際降雨量直接放入支持向量機進行訓(xùn)練無疑會增加支持向量機不必要的運算量，這種情況下如果將降雨量通過隸屬函數(shù)模糊化為幾個具體的數(shù)值，將減弱噪聲數(shù)據(jù)對支持向量機分類的影響，提高支持向量機的工作效率。氣象業(yè)中定義無降水為晴，1小時內(nèi)的降水量x∈（0，2.5]毫米為小雨，1小時降水量x∈[8.1，16]毫米為大雨。本文中結(jié)合氣象經(jīng)驗根據(jù)三角隸屬函數(shù)直接將實際降雨量模糊化為晴、小雨、大雨三個集合，再用0、0.5、1分別代替這三個集合，從而達到了簡化數(shù)據(jù)維度的特點。三角隸屬函數(shù)如式（1）所示：

式中μA（x）表示對應(yīng)模糊集隸屬函數(shù)，a、b、c與模糊集合選取有關(guān)。

2 AMPSO-SVM算法

2.1 支持向量機

SVM是一個基于統(tǒng)計學(xué)習(xí)理論的一種無監(jiān)督學(xué)習(xí)方法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機泛化能力，從而在統(tǒng)計樣本數(shù)量較少的情景下，亦能獲得良好的統(tǒng)計規(guī)律，目前多將它運用于數(shù)據(jù)分類問題，它的核心思想是將低維度不可分的特征點通過核函數(shù)向更高維度空間映射，使其在高維度空間存在一個超平面將其分開[11-12]。

以二分類問題為例，令存在集合（xi，yi），其中i=1...m，xi是樣本，yi是樣本標簽，m是樣本數(shù)量，令yi屬于1或-1。這個分類超平面方程可表示如下：

式中：ω為超平面法向量；b為偏置量。在此方程下x映射到更高維度的空間，當(dāng)ωTx+b＞0，則x屬于一類；當(dāng)ωTx+b＜0，則x屬于另一類。即分類決策函數(shù)為

最優(yōu)分類面如圖1所示：

圖1 最優(yōu)分類面Fig.1 Optimal classification surface

一般來說尋找SVM的最佳分類超平面問題可以轉(zhuǎn)化為尋找最大間隔分類問題，可表示如下：

式中，C為懲罰因子，用于控制不同樣本項之間的權(quán)重。ξi為松弛項，表示誤差變量。

通過將問題轉(zhuǎn)化為對偶問題，可在約束條件下求解下列函數(shù)的最大值：

式中，αi為拉格朗日乘子。求解式（6）可得最優(yōu)分類函數(shù)：

式中，K(xi,xj)是支持向量機的核函數(shù)，常見的支持向量機核函數(shù)有線性核函數(shù)、復(fù)合核函數(shù)、sigmoid核函數(shù)、RBF核函數(shù)和多項式核函數(shù)，文中采用的是目前廣泛使用的RBF核函數(shù)。

2.2 自適應(yīng)變異粒子群參數(shù)尋優(yōu)

PSO算法是一種模擬鳥類捕食行為的方法，它將空間隨機分布的一些粒子位置當(dāng)作優(yōu)化問題的解，而食物在空間中所處的位置則是最優(yōu)解，每個粒子將通過跟蹤其個體最優(yōu)值和全局最優(yōu)值來不斷地更新自己[13-14]。其中的每一輪更新公式如下所示：

式中：v是粒子速度；w慣性權(quán)重；p是粒子當(dāng)前位置；pbest是粒子自身找到的最優(yōu)解；gbest是整個種群找到的最優(yōu)解；r是介于0到1之間的隨機數(shù)；c1、c2是學(xué)習(xí)系數(shù)一般在0到2間選取。

傳統(tǒng)粒子群算法具有算法結(jié)構(gòu)簡單、求解速度快等優(yōu)點，但同時也有早熟收斂、容易陷入局部最優(yōu)等缺點。對此本文引入自適應(yīng)變異操作[15-18]，其核心思想是在某個粒子陷入局部收斂時，對粒子的飛行速度進行變異，使它重新在空間區(qū)域內(nèi)進行搜索。其具體尋優(yōu)改進部分如下式所示：

式中，f c3vmax為速度變異部分，當(dāng)粒子陷入早熟收斂時f取值為1，c3為學(xué)習(xí)系數(shù)，fg為最優(yōu)解適應(yīng)度值，ft為理論最優(yōu)適應(yīng)度值。AMPSO算法示意圖如圖2所示。

在運用支持向量機進行故障診斷時，懲罰因子C和核函數(shù)參數(shù)g對支持向量機的性能有著顯著影響，將這兩個參數(shù)作為空間中的粒子，交叉驗證正確率作為適應(yīng)度，通過將AMPSO引入對支持向量機的這兩個參數(shù)進行尋優(yōu)，往往能得到一個較好的診斷模型。

圖2 AMPSO算法示意圖Fig.2 Schematic of AMPSO algorithm

3 氧化鋅避雷器故障診斷

由于在實際工程中氧化鋅避雷器在線監(jiān)測測得的泄露電流往往受溫度、濕度、降雨大小、系統(tǒng)電壓等因素影響。因此在判定一個氧化鋅避雷器是否故障時應(yīng)綜合考慮各種環(huán)境因素，筆者進行故障診斷時考慮了相對濕度、溫度、空氣質(zhì)量、降雨程度、系統(tǒng)電壓、全電流、阻性電流等七個參考因素，并以此建立七維的輸入樣本和一維的輸出樣本。

其中輸出樣本中類別標簽是根據(jù)DL/T596—1996《電力設(shè)備預(yù)防性試驗規(guī)程》和GB50150—2006《電氣裝置安裝工程電氣設(shè)備交接試驗標準》中標準確定的。按照規(guī)程標準進行避雷器直流泄漏試驗時，一個正常的避雷器常溫下在0.75倍直流參考電壓（泄漏電流達到1mA下的電壓）下的泄漏電流值不應(yīng)大于50 μA。然后將確定類別的避雷器放在系統(tǒng)電壓下進行試驗，并通過相關(guān)設(shè)備測得不同環(huán)境下的避雷器的輸入樣本。其中系統(tǒng)電壓由串聯(lián)諧振式升壓裝置手動調(diào)至接近工頻狀態(tài)下模擬產(chǎn)生。故障診斷相關(guān)示意圖如圖3所示。

以避雷器故障情況作為樣本類別標簽，其中定義避雷器故障時為0正常時為1。建立的實際訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)分別見表1，表2。

其中對空氣質(zhì)量和降雨程度這兩個量進行模糊化處理，定義空氣質(zhì)量為優(yōu)時為0，空氣質(zhì)量為良時為1；定義天晴為0，小雨為0.5，大雨為1。再將處理后的樣本數(shù)據(jù)組成新的模糊樣本矩陣。使用mat?lab2014a工具箱，首先將22組模糊訓(xùn)練樣本利用PSO尋優(yōu)找到最佳的懲罰因子C和核函數(shù)參數(shù)g，由圖4可知當(dāng)進化到10代左右時準確率趨于穩(wěn)定，最終交叉驗證分類準確率是100%，最佳參數(shù)C為23.2，g為1.03，將參數(shù)設(shè)定進SVM模型，再將12組測試樣本放入模型進行預(yù)測，測試樣本預(yù)測圖如圖5所示，測試樣本分類的正確率為100%。

圖3 故障診斷示意圖Fig.3 Schematic of fault diagnosis

表1 訓(xùn)練樣本數(shù)據(jù)Table 1 Training sample data

同時，為了檢驗AMPSO-SVM故障診斷方法的效率，在此引入基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法進行對比。將之前的訓(xùn)練數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，通過多次調(diào)整隱含層層數(shù)進行比較，最終發(fā)現(xiàn)當(dāng)隱含層設(shè)置為9時訓(xùn)練集能得到較高訓(xùn)練正確率，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，再將測試樣本放入BP模型內(nèi)進行驗證，結(jié)果如圖7所示，最終測試樣本分類正確率為82.3%。

表2 測試樣本數(shù)據(jù)Table 2 Test sample data

圖4 AMPSO適應(yīng)度Fig.4 AMPSO fitness

圖5 AMPSO-SVM測試樣本預(yù)測Fig.5 AMPSO-SVM test sample prediction

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 BP neural network structure

通過以上對比仿真實驗表明，基于AMPSOSVM故障診斷方法所建的故障模型能更好的預(yù)測復(fù)雜環(huán)境下的氧化鋅避雷器運行狀態(tài)。

圖7 BP神經(jīng)網(wǎng)絡(luò)測試樣本預(yù)測Fig.7 BP neural network test sample prediction

4 結(jié)論

通過結(jié)合濕度、溫度、空氣質(zhì)量、降雨、系統(tǒng)電壓、全電流、阻性電流等因素對氧化鋅避雷器監(jiān)測數(shù)據(jù)進行綜合分析，發(fā)現(xiàn)利用AMPSO-SVM方法建模能夠較好的利用現(xiàn)有數(shù)據(jù)進行故障診斷，從而得出避雷器實時的運行狀態(tài)。如果想要進一步提高系統(tǒng)的診斷能力可以適當(dāng)增加各種不同情況下的樣本數(shù)量，而且隨著電力系統(tǒng)自動化程度提高，遙測、遙信、遙調(diào)、遙控、遙視等技術(shù)的發(fā)展，越來越多的新技術(shù)運用到氧化鋅避雷器的在線監(jiān)測中，如紅外監(jiān)測、視覺監(jiān)測等[19-20]，也可以將這些新方法得出的數(shù)據(jù)都作為支持向量機樣本的特征向量，相信系統(tǒng)的診斷能力能進一步提高。

[1]李順堯.金屬氧化鋅避雷器測試方法對比與分析[J].高壓電器，2010，46（3）:94-97.LI Shunyao.Comparison and Analysis of MOA Test Meth?ods[J].High Voltage Apparatu，2010，46（3）:94-97.

[2]中華人民共和國電力工業(yè)部.DL/T596—1996電力設(shè)備預(yù)防性試驗規(guī)程[S].北京:中國電力出版社，1997.Ministry of Power Industry of the PRC.DL/T596—1996 Preventive test code for electric power equipment[S].Bei?jing:China Power Press，1997.

[3]中華人民共和國建設(shè)部.GB50150—2006電氣裝置安裝工程電氣設(shè)備交接試驗標準[S].北京:中國計劃出版社，2006.Ministry of Construction of the PRC.GB50150—2006 standard for hand-over testof electric equipment electric equipment installation engineering[S].Beijing:China Plan?ning Press.2006.

[4]張佩，王靈梅，趙興勇.基于BP神經(jīng)網(wǎng)絡(luò)氧化鋅避雷器的故障診斷研究[J].山西電力，2013（4）:22-25.ZHANG Pei，WANG Lingmei，ZHAO Xingyong.Applica?tion of BP neural network to MOA fault diagnosis[J].Shanxi Electric Power，2013（4）:22-25.

[5]方慶，陳柏超.BP神經(jīng)網(wǎng)絡(luò)MOA故障診斷中的應(yīng)用[J].電瓷避雷器，2006（1）:33-36.FANG Qing，CHEN Baicha.New Application of BP neu?ral-network to MOA faultDiagnosis[J].Insulators and Surge Arresters，2006（1）:33-36.

[6]黃新波.變電設(shè)備在線監(jiān)測和故障診斷[M].北京:中國電力出版社，2008:88-108.HUANG Xingbo.On line monitoring and fault diagnosis of substation equipment[M].Beijing:China Power Press.2008:88-108.

[7]王肖波.基于帶電檢測技術(shù)的金屬氧化物避雷器故障診斷與實例分析[J].電瓷避雷器，2015（3）:69-73.WANG Xiaobo.MOA Failure Diagnosis and practical case analysis based on live detection technology[J].Insulators and Surge Arresters，2015（3）:69-73.

[8]曾黃麟.智能計算[M].重慶:重慶大學(xué)出版社.2004:98-156.ZENG Huanglin.Intelligent computing[M].Chongqing:Chongqing University Press.2004:98-156.

[9]梁德翠.模糊環(huán)境下基于決策粗糙集的決策方法研究[D].成都:西南交通大學(xué).2014:50-73.LIANG Deicui.The Research of decision making method based on decision-theoretic rough sets under the fuzzy en?vironment[D].Chengdu:SouthwestJiaoTongUniversity.2014:50-73.

[10]張潔.模糊神經(jīng)網(wǎng)絡(luò)在MOA在線監(jiān)測中的應(yīng)用[J].技術(shù)與市場，2009，16（5）:48-49.ZHANG Jie.The application of fuzzy neural network in MOA on line monitoring[J].Technology and Market，2009，16（5）:48-49.

[11]仲亞飛，韋紅旗，姚衛(wèi)剛.基于粒子群算法和支持向量機的鍋爐排煙溫度建模[J].熱力發(fā)電，2016，45（1）:32-36.ZHONG Yafei，WEI Hongqi，YAO Wei-gang.Boiler ex?haust gas temperature modeling based on particle swarm algorithm and support vector machine[J].Thermal Power Generation，2016，45（1）:32-36.

[12]XIN Gao，JIAN Hou.An improved SVM integrated GSPCA fault diagnosis approach of tennessee eastman process[J].Neurocomputing，2016（174）:906-911.

[13]PJG Nieto，JRA Fernández，VMG Suárez，et al.A hybrid PSO optimized SVM-based method for predicting of the cyanotoxin content from experimental cyanobacteria con?centrations in the Trasona reservoir:A case study in North?ern Spain[J]. Applied Mathematics and Computation，2015，260（4）:170-187.

[14]PJG Nieto，E García-Gonzalo，F(xiàn)S Lasheras，et al.Hybrid PSO-SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliabili?ty[J].Reliability Engineering and System Safety，2015，138:219-231.

[15]鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進粒子群優(yōu)化算法的電力變壓器故障診斷方法[J].高電壓技術(shù)，2014，40（11）:3424-3429.ZHENG Han-bo，WANG Wei，LI Xiao-gang，et al.Fault diagnosis method of power transformers using multiclass LS-SVM and improved PSO[J].High Voltage Engi?neering，2014，40（11）:3424-3429.

[16]趙慧敏，房才華，鄧武.基于智能優(yōu)化方法的SVM電機故障診斷模型研究[J].大連交通大學(xué)學(xué)報，2016，37（1）:92-96.ZHAO Hui-min，F(xiàn)ANG Cai-hua，DENG Wu.Research on motor fault diagnosis model for support vector machine based on intelligent optimization methods[J].Journal of Da?lian Jiaotong University，2016，37（1）:92-96.

[17]曲健，陳紅巖，劉文貞，等.基于自適應(yīng)變異粒子群優(yōu)化的SVM在混合氣體分析中的應(yīng)用[J].傳感技術(shù)學(xué)報，2015，28（8）:1262-1268.QU Jian，CHEN Hongyan，LIU Wenzhen，et al.Applica?tion of support vector machine basedon adaptive mutation particle swarm optimization in analysis of gas mixture[J].ChineseJournal of Sensors and Actuators，2015，28（8）:1262-1268.

[18]張瀟瓏.基于自適應(yīng)粒子群優(yōu)化的SVM算法在建筑物沉降預(yù)測中的應(yīng)用[J].測繪工程，2015，24（11）:44-47.ZHANG Xiaolong.Application of SVM based on adaptive particle swarm optimization algorithm to building settle?ment prediction.Engineering of Surveying and Mapping，2015，24（11）:44-47.

[19]劉海龍，李海兵，曹澤曦，等.基于阻性電流檢測與紅外熱像技術(shù)的避雷器故障診斷[J].電瓷避雷器，2016（3）:75-78.LIU Hailong，LI Haibing，CAO Zexi，et al.Arrester fault diagnosis based on resistive current detection and infrared thermal imaging technology[J].Insulators and Surge Arrest?ers，2016（3）:75-78.

[20]唐明良，李佑光，曹洪亮.綜合消噪算法在金屬氧化物避雷器在線監(jiān)測中的應(yīng)用[J].電瓷避雷器，2015（2）:45-56.TANG Mingliang，LI Youguang，CAO Hongliang.Appli?cation of comprehensive de-noising algorithm to on-line monitoring of MOA[J].Insulators and Surge Arresters，2015（2）:45-56.

Study on Fault Diagnosis for Zinc Oxide Arrester Based on Hybridfuzzy Environment AMPSO-SVM

GAN Xisong,FU Chenghua，YU Yang
（College of Automation and Electronic Information，Sichuan University of Scienceamp;Engineering,Zigong 643000,China）

This work elaborates the conventional fault diagnosis application of Zinc Oxide surge ar?rester for online monitoring system and its shortcomings.Subsequently,an improved Zinc Oxide arrester fault diagnosis method based on fuzzy environment AMPSO-SVM is proposed.Firstly,the surrounding en?vironment is fuzzified that affects the leakage current of arrester,which could be taken as the support vec?tor machine(SVM)training samples.Then,the optimized values of SVM penalty factor C and kernel func?tion parameters g are acquired by the adaptive mutation particle swarm optimization algorithm(AMPSO)to obtain the optimum model.After that,this new model is compared with the fault diagnosis model of BP neural network and the MATLAB simulation results show that the AMPSO-SVM diagnostic method has higher accuracy and generalization ability,which thus can make a more accurate determine on the status ofZinc Oxide lightning arrester under complex working environment.

Zinc Oxide lightning arrester;fault diagnosis;fuzzy environment;adaptive mutation par?ticle swarm optimization;support vector machine

10.16188/j.isa.1003-8337.2017.05.008

2016-07-08

甘錫淞（1994—），男，碩士研究生，研究方向為電力系統(tǒng)智能診斷與控制。

四川理工學(xué)院研究生創(chuàng)新基金資助項目(編號：2016033)。