基于极限学习算法的HVCD电力故障检测方法

李远景

(中国南方电网有限责任公司，广东 广州 510623)

1 前言

高压直流输电(HVDC)已经在现代电力输送中得到广泛应用［1］。然而，其故障的不可预测和严重损失是当前的难题。对于HVDC的诊断目前一个难点在于信号空间维度高，很难提取敏感的特性。如果可以在一个低维流形空间中进行处理将会对关键特征的提取非常有利［2］，这样不仅可以保证故障检测精度，更可以显著提高分析计算的速度［3］。这个问题已经得到领域学者的重视。为了实现这一目标，一个可能的解决方案是减少故障数据的空间维数。在近十年内数据降维技术发展较快，其中最著名的技术是主成分分析(PCA)。PCA是非常强大的数据预处理技术，能够将包含不同特性的原始数据投影到一个低维空间进行处理;然而，PCA的瓶颈主要限制于原始数据的非线性性质［4］。这是因为PCA是建立在线性模型的假设基础上的。同样的问题也存在于其他线性方法，包括多维标度(MDS)和线性判别分析(LDA)［5］。幸运的是，流形学习算法提供了一种新途径来处理非线性降维问题。典型的算法如 Isomap［6］和局部线性嵌入(LLE)［5］等能够处理底层数据的非线性行为。与线性方法相比，流形学习的目的是在低维特征空间保持原始数据的局部拓扑［7］。目前，流形学习研究被证明是有力的特征提取技术，但存在的问题是如何快速准确地识别所提取的特性［8］。为提高计算速度，一种新的机器学习智能方法，核极端学习机(KELM)被提出以提供快速而准确的模式识别能力［9］。KELM从理论上讲是神经网络(ANN)和支持向量机(SVM)的集成，可以定义为具有回归模型特性的单层前馈网络(SLFNs)［9］。不同于ANN和SVM需要设置几个结构参数，KELM只需要指定网络的隐层节点数［10］，故而应用起来更加灵活。然而，现有的文献资料显示如何优化KELM隐层节点的数量并没有涉及到。如果KELM隐层节点的数量可以得到优化，则能够进一步提高模型的训练速度和识别精度［11］。

为了解决上述问题，本文提出了一种基于LLEPSO-KELM的故障识别新方法。其创新点在于采用流行学习获取故障特征的基础上，应用PSO优化后的KELM模型来识别故障，提高了识别效果与计算速度。实验测试验证了新方法有效性。

2 基于KELM的故障检测方法

假设存在样本{(xi，ti):i=1，2，…，N;xi∈Rp，ti∈Rq}(x为特征向量，t为类别向量)，可以利用如下单层网络(SLFN)来识别样本所属的类别［7］:

式中，k是网络隐含层数目;oi是第j个样本的输出;g(·)是激活函数;bi是隐含层第i个神经元的阈值;αi和βi分别为网络输入和输出权值系数。如果网络的输出向量o能够近似逼近分类目标向量t，则有:

式(2)可以改写为矩阵形式:

其中，

式中，G†为G的广义逆。由于激活函数g(·)一般是未知的，可以利用核函数来取代，即所谓的核极限学习机(KEML)［11］。核函数矩阵一般表示为 K=［K(x;x1) … K(x;xN)］T(K(·)核函数)，将其带人式(3)和(4)可以近似得到KELM的输出:

本文采用如下高斯核函数:

式中，参数λ是待定系数。

从KELM的理论介绍可见，其唯一需要人工调解的参数是隐含层神经元数目k。但是，目前很少有相关的理论或者经验来设置该参数;合理的设置在一定程度上直接影响KELM的识别精度和计算速度。因此，本文引入PSO来优化参数k以提高KELM的总体性能，避免人为参数设置的不合理以及识别模型推广能力不足的潜在缺点。

利用PSO的优化过程主要有:首先随机选择k的初始值;其次PSO搜索得到k的优化候选值并根据PSO的搜索迭代不断更新候选最优值，直到寻找得到满足精度要求的最优值。

综上所述，本文所提出的故障识别新方法如图1所示。

图1 基于人工智能的故障识别新方法工作原理

3 实验结果和分析

为了验证本文方法的有效性，本文借助Matlab仿真软件的功能开发了VSC-HVDC模拟仿真系统。该模型是HVDC的标准测试模型，众多科研工作者和学者通过大量仿真实验研究验证该模型可以对实际VSC-HDVC工程项目系统的各种故障进行模拟仿真，仿真结果跟实际结果相同，其具体的工作原理在文献［1］中被详细介绍。本文也是基于该模型进行相关的VSC-HDVC系统故障的模拟仿真实验。选取的几个基本系统参数的值为110 kV，50 MW，50 Hz，利用这个模型对直流对地故障、整流侧交流相对相故障、整流侧交流相对相故障、逆变侧交流三相对地故障都进行了测试仿真。

表1给出了诊断结果，实验中重点考察了故障识别的精度和计算过程的速度。从表中可见，所提出的LLE-PSO-KELM方法能够得到相对最优的识别精度和计算速度;同时，LLE可以提高分类器的识别率;另外，基于PSO-KELM的故障识别模型在相同特征提取算法的情况下能够获得比KELM、BP网络和SVM更好的性能。由此可见，本文方法能够有效结合流形学习的非线性挖掘能力和KELM优秀的模式识别效率，提高HVDC故障识别的精度与计算速度。

表1 故障诊断结果

4 结论

为了提高HVDC故障诊断的速度和精度，提出了一种基于LLE-PSO-KELM的新方法。其创新点在于，创新性地引入流形学习和核极限学习机到故障诊断领域以提供精确和快速的故障识别。实验测试验证了所提出的LLE-PSO-KELM方法的有效性。分析结果表明，LLE-PSO-KELM能够快速而准确地识别系统不同故障。此外，通过比较不同的特征提取算法(如LLE、PCA、MDS和 LDA)和不同的故障分类器(如 PSOKELM，KELM、BP神经网络和 SVM)，结果表明，所提出的LLE-PSO-KELM方法在识别精度和训练速度方面优于其竞争对手。因此，本文方法具有较好的实际应用价值，可以作为一种新的故障诊断方法为工业提高理论与技术参考。

［1］张静.VSC-HVDC控制策略研究［D］.浙江:浙江大学，2009.

［2］X.Wang，“Supervised manifold learning and kernel independent component analysis applied to the face image recognition，”in Proceedings of 2012 Fifth International Conference on Intelligent Computation Technology and Automation(ICICTA)，Zhangjiajie，China，2012(3):600 －603.

［3］N.Siddartha，M.Umar，N.Sen，and P.Prasad，“Feature extraction based face recognition using extreme learning machine(ELM)，”International Journal of Computer and Communication Technology，2012(3):10 －13.

［4］J.Zhang，“New face image recognition method based on Wavelet denoising and kernel principal component analysis，”Applied Mechanics and Materials，2012，235:74 – 77.

［5］J.Tenenbaum，V.Silva，and J.Langford，“A global geometric framework for nonlinear dimensionality reduction，”Science，2000，290:2319 －2323.

［6］S.Roweis and L.Saul，“Nonlinear dimensionality reduction by locally linear embedding，”Science，2000，290:2323 －2326.

［7］Z.Li，X.Yan，Z.Tain，C.Yuan，and Z.Peng，“Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis，”Measurement，2013，46:259－271.

［8］M.Paliwal and U.KumarA，“Neural networks and statistical techniques:A review of applications，”Expert Systems with Applications，2009，36:2－17.

［9］W.Zong，H.Zhou，G.Huang，and Z.Lin，“Face recognition based on kernelized extreme learning machine，”Lecture Notes in Computer Science，2001，6752:263 －272.

［10］G.Huang and L.Chen，“Enhanced random search based incremental extreme learning machine，”Neurocomputing，2008，77:16 －18.

［11］W.Deng，Q.Zheng，and K.Zhang，“Reduced kernel extreme learning machine，”Advances in Intelligent Systems and Computing，2013，226:63 －69.