基于PSO－SVM的变压器故障诊断研究

2015-12-31赵德鑫

机械工程与自动化 2015年4期

赵德鑫

（保利能源控股有限公司，北京 100010）

0 引言

对于大型电力变压器来说，大多数都是用油来绝缘和散热，当变压器油与油中的有机绝缘材料发生异常时就会逐渐变质，裂解成低分子气体，通过检测其产生的气体组分和含量就能够反映出变压器故障的程度。目前溶解气体分析（DGA）技术已经成为油浸式变压器故障诊断的主要手段［1］，通过智能算法分析油中溶解气体的数据进行诊断已经在实践中收到良好的效果。其中支持向量机（SVM）因为具有可靠的全局性及良好的泛化能力［2］，在变压器故障诊断中得到广泛的应用。支持向量机的诊断精度主要取决于其参数的选取，如何获得最优的参数就成为影响诊断效果的关键因素［3］。粒子群（PSO）算法是一种基于群体智能的优化算法，能够有效地搜索空间中的最优解。本文提出了采用粒子群优化支持向量机的变压器故障诊断方法。

1 支持向量机原理

支持向量机的主要思想是：通过非线性映射函数将输入向量映射到高维特征空间，然后在这个新空间中构造最优决策函数。

假定得到一个训练样本集为（xi，yi），x∈Rn为输入矢量，y∈｛＋1，－1｝为对应的期望输出矢量。将输入数据通过非线性映射函数Φ（x）映射到高维空间后，在新空间中构造一个函数，寻找到最优的分类超平面wTΦ（x）＋b＝0。其中，w为权重，b为偏置项，w和b共同确定分类面的位置。

对于线性不可分的情况，引入非负松弛变量ξi，寻找最优分类面的问题就转化为求解下面的最优化问题：

其中：c为惩罚因子，用来控制对错分样本的惩罚程度。

约束条件为：

2 基于PSO的支持向量机算法优化

2.1 粒子群算法

粒子群算法（PSO）［4］是一种基于集群智能的随机优化算法，它假定每个粒子都是一个具有一定速度的点，不同的粒子对应于目标函数都有一个个体适应度，在每一次的迭代中，粒子通过追踪个体最优值Pbest和全局最优值Pgbest来不断调整自己的速度，迭代更新公式如下：

其中：Vij为粒子i在j维上的速度；Xij为粒子i在j维上的位置；w＊为惯性权重；k为迭代次数；Pij为个体粒子当前最优值；Pgj为当前全局极值；c1和c2为非负常数，表示学习因子；r1和r2为介于0到1的随机数。

2.2 PSO对SVM参数的优化

在支持向量机中，惩罚因子c和核参数g对分类精度有重要的影响，鉴于粒子群算法强大的全局搜素能力，可采用粒子群算法优化支持向量机的样本训练。粒子群优化参数流程如图1所示。

图1 粒子群优化参数流程图

3 PSO－SVM故障诊断模型的建立

变压器的故障类型可以粗略地分成以下4类：中低温过热、高温过热、低能放电和高能放电。依据变压器油中溶解气体分析技术的原理，可以把 H2、CH4、C2H6、C2H2和C2H4这5种特征气体的含量作为输入数据样本进行故障诊断［5］。为了提高诊断的准确性，以减小输入数据的量级差异性，需要将样本数据进行归一化［6］，归一化公式为：

其中：xi为各个指标第i个样本数据；xmin和xmax分别为各个指标的最小值和最大值。

目前，支持向量机的多分类方法有“一对多”、“一对一”、“二叉树”等。本文采用“二叉树”法建立变压器故障诊断模型，如图2所示。

图2 二叉树变压器故障诊断模型

4 变压器故障诊断实例

本文选取了210例已知故障类型的数据作为输入样本进行训练诊断，其中低能放电52例，高能放电49例，中低温过热55例，高温过热54例。本文以PSO－SVM2为例来分析粒子群对支持向量机参数的寻优效果。在这个诊断模型中，设定的参数为：学习因子c1＝1.5，c2＝1.7，种群规模为20，最大迭代次数为200。所得参数寻优结果如图3所示。

由图3可知，随着迭代次数增加，适应度逐渐增大，最终在第120次迭代达到最优，此时对应的cbest＝8.21，ggbest＝20.55。寻优后的分类器故障诊断率达到98%，只有两例低能放电诊断错误。

为了直观地了解粒子群优化后的支持向量机诊断分类效果，我们把所有的数据分别用PSO－SVM与传统SVM诊断并比较所得结果，见表1。