基于模糊环境AMPSO-SVM氧化锌避雷器故障诊断研究

甘锡淞，傅成华，余 洋

（四川理工学院自动化与电子信息学院,四川自贡643000）

基于模糊环境AMPSO-SVM氧化锌避雷器故障诊断研究

甘锡淞，傅成华，余 洋

（四川理工学院自动化与电子信息学院,四川自贡643000）

阐述了氧化锌避雷器在线监测系统中故障诊断的常规方法与不足，对此提出一种基于模糊环境AMPSO-SVM的氧化锌避雷器故障诊断方法。首先将影响避雷器泄露电流的周围环境部分模糊化，以此作为支持向量机(SVM)的训练样本，在此基础上通过运用自适应变异粒子群算法(AMPSO)对支持向量机中的惩罚因子C和核函数参数g寻优，以得到最佳的诊断模型。并将所得模型和BP神经网络的故障诊断模型相比较，MATLAB仿真结果表明基于模糊环境AMPSO-SVM的诊断方法有更高的正确率和泛化能力，能够较准确的判断复杂环境下氧化锌避雷器的运行状况。

氧化锌避雷器；故障诊断；模糊环境；自适应变异粒子群；支持向量机

0 引言

氧化锌避雷器是我国电力系统中主要采用的避雷器，是电力系统过电压保护的重要设备。因此对避雷器的状态进行有效的诊断，是电力系统人员与设备安全运行的重要保障。氧化锌避雷器正常工作时只有微安级电流流过，但当线路上的电压超过避雷器参考电压时，它的伏安曲线逐渐饱和趋于平坦。此时当电压过大时，通过避雷器的电流也迅速增大，当泄流后系统电压回到正常值时，避雷器又迅速进入高阻状态，从而对电气线路及设备起到过电压保护的作用。

目前，氧化锌避雷器进行诊断监测的方法有全电流法、三次谐波法、基波法、补偿法、红外探测法、直流泄露试验法等，这些方法理论上都能判断氧化锌避雷器的工作状态。但避雷器的实际运行环境是十分复杂的，环境中的温度、湿度、空气污染产生的悬浮物、避雷器表面污秽及自身长期运行产生的缺陷等，都会对在线监测系统测得的泄流电流共同产生影响。根据文献[1]中观点，传统带电测试及在线监测容易受现场条件影响，不同时期测试数据可比性差，测试结果无法作为避雷器缺陷最终判断依据。因此传统的仅通过全电流法、基波法或三次谐波法来诊断避雷器故障与否，不能真实准确的反应避雷器在多因素影响下的运行情况[1]。相比之下通过对氧化锌避雷器进行直流泄漏试验则更为准确[2-3]。但这种方法的缺点是进行避雷器直流泄漏试验时需要停电，对电网的供电可靠性会造成一定影响，故此种方法往往作为故障避雷器进行定性诊断的一个方法。

为了解决以上矛盾，曾有人提出基于BP神经网络的避雷器故障诊断方法[4-7]，此种方法能一定程度上较好解决复杂环境下避雷器故障诊断问题。但是BP算法较之SVM算法存在低效、易陷入局部最优、网络结构尚无完整的理论指导、隐含层选取具有经验随机性等缺点。

为更好的提高避雷器故障诊断能力，笔者提出一种基于AMPSO-SVM的故障诊断方法，针对在线监测得到的数据，通过结合各种环境因素进行综合诊断，从而使故障诊断系统具有更好的鲁棒性和泛化能力。

1 模糊环境

避雷器周围的环境是复杂的、不易描述的，而不同环境影响避雷器泄露电流的程度往往也不一样，因此在考虑影响避雷器泄露电流的因素时，对部分环境进行模糊化处理往往具有抗干扰性强、便捷、减少支持向量机核函数投射维度等优点[8-10]。具体措施是将一些复杂的、不易精确描述的环境数值，根据人类经验定义为具体的几个模糊集，或者是把一些精确的环境数值通过隶属函数转化为模糊集。

例如实际工程中降雨对避雷器状态影响相对并不明显，如果将实际降雨量直接放入支持向量机进行训练无疑会增加支持向量机不必要的运算量，这种情况下如果将降雨量通过隶属函数模糊化为几个具体的数值，将减弱噪声数据对支持向量机分类的影响，提高支持向量机的工作效率。气象业中定义无降水为晴，1小时内的降水量x∈（0，2.5]毫米为小雨，1小时降水量x∈[8.1，16]毫米为大雨。本文中结合气象经验根据三角隶属函数直接将实际降雨量模糊化为晴、小雨、大雨三个集合，再用0、0.5、1分别代替这三个集合，从而达到了简化数据维度的特点。三角隶属函数如式（1）所示：

式中μA（x）表示对应模糊集隶属函数，a、b、c与模糊集合选取有关。

2 AMPSO-SVM算法

2.1 支持向量机

SVM是一个基于统计学习理论的一种无监督学习方法，通过寻求结构化风险最小来提高学习机泛化能力，从而在统计样本数量较少的情景下，亦能获得良好的统计规律，目前多将它运用于数据分类问题，它的核心思想是将低维度不可分的特征点通过核函数向更高维度空间映射，使其在高维度空间存在一个超平面将其分开[11-12]。

以二分类问题为例，令存在集合（xi，yi），其中i=1...m，xi是样本，yi是样本标签，m是样本数量，令yi属于1或-1。这个分类超平面方程可表示如下：

式中：ω为超平面法向量；b为偏置量。在此方程下x映射到更高维度的空间，当ωTx+b＞0，则x属于一类；当ωTx+b＜0，则x属于另一类。即分类决策函数为

最优分类面如图1所示：

图1 最优分类面Fig.1 Optimal classification surface

一般来说寻找SVM的最佳分类超平面问题可以转化为寻找最大间隔分类问题，可表示如下：

式中，C为惩罚因子，用于控制不同样本项之间的权重。ξi为松弛项，表示误差变量。

通过将问题转化为对偶问题，可在约束条件下求解下列函数的最大值：

式中，αi为拉格朗日乘子。求解式（6）可得最优分类函数：

式中，K(xi,xj)是支持向量机的核函数，常见的支持向量机核函数有线性核函数、复合核函数、sigmoid核函数、RBF核函数和多项式核函数，文中采用的是目前广泛使用的RBF核函数。

2.2 自适应变异粒子群参数寻优

PSO算法是一种模拟鸟类捕食行为的方法，它将空间随机分布的一些粒子位置当作优化问题的解，而食物在空间中所处的位置则是最优解，每个粒子将通过跟踪其个体最优值和全局最优值来不断地更新自己[13-14]。其中的每一轮更新公式如下所示：

式中：v是粒子速度；w惯性权重；p是粒子当前位置；pbest是粒子自身找到的最优解；gbest是整个种群找到的最优解；r是介于0到1之间的随机数；c1、c2是学习系数一般在0到2间选取。

传统粒子群算法具有算法结构简单、求解速度快等优点，但同时也有早熟收敛、容易陷入局部最优等缺点。对此本文引入自适应变异操作[15-18]，其核心思想是在某个粒子陷入局部收敛时，对粒子的飞行速度进行变异，使它重新在空间区域内进行搜索。其具体寻优改进部分如下式所示：

式中，f c3vmax为速度变异部分，当粒子陷入早熟收敛时f取值为1，c3为学习系数，fg为最优解适应度值，ft为理论最优适应度值。AMPSO算法示意图如图2所示。

在运用支持向量机进行故障诊断时，惩罚因子C和核函数参数g对支持向量机的性能有着显著影响，将这两个参数作为空间中的粒子，交叉验证正确率作为适应度，通过将AMPSO引入对支持向量机的这两个参数进行寻优，往往能得到一个较好的诊断模型。

图2 AMPSO算法示意图Fig.2 Schematic of AMPSO algorithm

3 氧化锌避雷器故障诊断

由于在实际工程中氧化锌避雷器在线监测测得的泄露电流往往受温度、湿度、降雨大小、系统电压等因素影响。因此在判定一个氧化锌避雷器是否故障时应综合考虑各种环境因素，笔者进行故障诊断时考虑了相对湿度、温度、空气质量、降雨程度、系统电压、全电流、阻性电流等七个参考因素，并以此建立七维的输入样本和一维的输出样本。

其中输出样本中类别标签是根据DL/T596—1996《电力设备预防性试验规程》和GB50150—2006《电气装置安装工程电气设备交接试验标准》中标准确定的。按照规程标准进行避雷器直流泄漏试验时，一个正常的避雷器常温下在0.75倍直流参考电压（泄漏电流达到1mA下的电压）下的泄漏电流值不应大于50 μA。然后将确定类别的避雷器放在系统电压下进行试验，并通过相关设备测得不同环境下的避雷器的输入样本。其中系统电压由串联谐振式升压装置手动调至接近工频状态下模拟产生。故障诊断相关示意图如图3所示。

以避雷器故障情况作为样本类别标签，其中定义避雷器故障时为0正常时为1。建立的实际训练样本数据和测试样本数据分别见表1，表2。

其中对空气质量和降雨程度这两个量进行模糊化处理，定义空气质量为优时为0，空气质量为良时为1；定义天晴为0，小雨为0.5，大雨为1。再将处理后的样本数据组成新的模糊样本矩阵。使用mat⁃lab2014a工具箱，首先将22组模糊训练样本利用PSO寻优找到最佳的惩罚因子C和核函数参数g，由图4可知当进化到10代左右时准确率趋于稳定，最终交叉验证分类准确率是100%，最佳参数C为23.2，g为1.03，将参数设定进SVM模型，再将12组测试样本放入模型进行预测，测试样本预测图如图5所示，测试样本分类的正确率为100%。

图3 故障诊断示意图Fig.3 Schematic of fault diagnosis

表1 训练样本数据Table 1 Training sample data

同时，为了检验AMPSO-SVM故障诊断方法的效率，在此引入基于BP神经网络的故障诊断方法进行对比。将之前的训练数据放入BP神经网络进行训练，通过多次调整隐含层层数进行比较，最终发现当隐含层设置为9时训练集能得到较高训练正确率，BP神经网络结构如图6所示，再将测试样本放入BP模型内进行验证，结果如图7所示，最终测试样本分类正确率为82.3%。

表2 测试样本数据Table 2 Test sample data

图4 AMPSO适应度Fig.4 AMPSO fitness

图5 AMPSO-SVM测试样本预测Fig.5 AMPSO-SVM test sample prediction

图6 BP神经网络结构Fig.6 BP neural network structure

通过以上对比仿真实验表明，基于AMPSOSVM故障诊断方法所建的故障模型能更好的预测复杂环境下的氧化锌避雷器运行状态。

图7 BP神经网络测试样本预测Fig.7 BP neural network test sample prediction

4 结论

通过结合湿度、温度、空气质量、降雨、系统电压、全电流、阻性电流等因素对氧化锌避雷器监测数据进行综合分析，发现利用AMPSO-SVM方法建模能够较好的利用现有数据进行故障诊断，从而得出避雷器实时的运行状态。如果想要进一步提高系统的诊断能力可以适当增加各种不同情况下的样本数量，而且随着电力系统自动化程度提高，遥测、遥信、遥调、遥控、遥视等技术的发展，越来越多的新技术运用到氧化锌避雷器的在线监测中，如红外监测、视觉监测等[19-20]，也可以将这些新方法得出的数据都作为支持向量机样本的特征向量，相信系统的诊断能力能进一步提高。

[1]李顺尧.金属氧化锌避雷器测试方法对比与分析[J].高压电器，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]中华人民共和国电力工业部.DL/T596—1996电力设备预防性试验规程[S].北京:中国电力出版社，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]中华人民共和国建设部.GB50150—2006电气装置安装工程电气设备交接试验标准[S].北京:中国计划出版社，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]张佩，王灵梅，赵兴勇.基于BP神经网络氧化锌避雷器的故障诊断研究[J].山西电力，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]方庆，陈柏超.BP神经网络MOA故障诊断中的应用[J].电瓷避雷器，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]黄新波.变电设备在线监测和故障诊断[M].北京:中国电力出版社，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.基于带电检测技术的金属氧化物避雷器故障诊断与实例分析[J].电瓷避雷器，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]曾黄麟.智能计算[M].重庆:重庆大学出版社.2004:98-156.ZENG Huanglin.Intelligent computing[M].Chongqing:Chongqing University Press.2004:98-156.

[9]梁德翠.模糊环境下基于决策粗糙集的决策方法研究[D].成都:西南交通大学.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]张洁.模糊神经网络在MOA在线监测中的应用[J].技术与市场，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]仲亚飞，韦红旗，姚卫刚.基于粒子群算法和支持向量机的锅炉排烟温度建模[J].热力发电，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，FS 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]郑含博，王伟，李晓纲，等.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J].高电压技术，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]赵慧敏，房才华，邓武.基于智能优化方法的SVM电机故障诊断模型研究[J].大连交通大学学报，2016，37（1）:92-96.ZHAO Hui-min，FANG 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，陈红岩，刘文贞，等.基于自适应变异粒子群优化的SVM在混合气体分析中的应用[J].传感技术学报，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]张潇珑.基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用[J].测绘工程，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]刘海龙，李海兵，曹泽曦，等.基于阻性电流检测与红外热像技术的避雷器故障诊断[J].电瓷避雷器，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.综合消噪算法在金属氧化物避雷器在线监测中的应用[J].电瓷避雷器，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

甘锡淞（1994—），男，硕士研究生，研究方向为电力系统智能诊断与控制。

四川理工学院研究生创新基金资助项目(编号：2016033)。