智能技术在电气自动化中的应用创新

2018-11-28李志华

机械管理开发 2018年11期

李志华

（潞安集团石圪节煤业公司，山西长治 046032）

引言

智能技术的本质是通过算法实现某种预期目标，它在电气自动化中具有重要价值。电气自动化中通常应用自主计算的智能技术，这就意味着电气自动化控制系统具备自适应调节的能力。智能技术中的认知信息也被应用到部分电力故障检测当中，通过解决全局概率性等问题，提出中心聚类算法对部分故障的聚类分析，以达到故障的自动检测目的。电气自动化涉及面广、应用领域广，学习和研究成本较高，因此亟待通过智能技术的应用来解决部分难题。智能化是电气自动化控制技术的发展方向，其发展水平正是评价电气自动化水平的标准。目前，智能技术已经在电力控制系统、电机智能控制、电气设备的状态评估与检测等领域应用，大幅提高了电气自动化的智能程度。

1 智能技术算法及其应用概述

1.1 支持向量机（SVM）及其应用

支持向量机是一类有监督学习的方法，在数据归类和回归领域被广泛应用，是一种基于统计的二分类模型，在样本量较少时也能做到数据的统计。该方法支持向量机定义核函数，将输入通过非线性变换映射至高纬空间，并在这一空间寻求最优分类面。因此，它的分类函数类似于神经网络，中间节点通过线性组合让节点的输入样本对应支持向量进行内积。支持向量机用超平面将数据分类，定义如下：

式中：ω为法向量；b为超平面相对原点的偏移量；x为样本。

求解式中法向量ω是超平面的关键，传统算法是根据最小二乘法选取任意随机平面，直接通过网络训练，得到错误分类结果，其中，对 ω求导采用梯度下降法即可得到错误分类结果的极值，此时求解得到的为最佳超平面，这样完成的分类结果也最优。图1是支持向量机结构，每个输入向量均与内核向量进行卷积，其优势在于样本量不足时可以获得全局最优解，而非大量样本下迭代最优，并且避免了局部极值的问题。另一类支持向量机常用于线性回归的拟合，通过拟合求得最佳超平面（方差最小）。

图1 支持向量机网络结构

在电气自动化领域，支持向量机常被用于设备运行的故障检测。由于电气设备故障具有随机性，其特点表现为非线性、偶发性。常见的故障特征样本有温度、湿度、压力、电磁辐射等，通过对这些样本的采集作为支持向量机输入，输出为设备故障信息。

1.2 Kmeans聚类算法及其应用

Kmeans聚类算法是一个迭代求解方法，它常被用于电力系统运行数据的故障识别与检测。通过创建初始样本簇K，然后迭代地将样本分门别类，实现最终聚类。K值的拟定是Kmeans算法的关键，例如：变压器DGA数据是其故障诊断的参考数据，数据样本采用Kmeans算法聚类可以有效地判断变压器故障。Kmeans算法步骤一般为：选取初始K类簇中心；将样本按簇中心欧式距离最短进行标记分类；样本迭代，直至所有样本均被归类。其中，标记公式为：

公式（2）中，标签是以簇中心aj和样本xi欧式距离最短确定的，迭代结束的判定是以欧式距离的最小平方误差决定的：

式中：μi是簇的均值向量；Ci为样本空间，因此每个样本都属于这一空间内。在求解最小值的时候采用的是迭代，这类算法对初始值K较为敏感，因此需要选择最优的构造避免异常值出现。

Kmeans聚类算法可被用于电气设备速度控制、故障损耗统计、设备运行图像采集与故障诊断等。以图像采集故障诊断为例，根据设备相对位置数据对设备磨损程度进行聚类，按照磨损程度等级进行维修、更换、检查等。

1.3 主成分分析及其应用

主成分分析（PAC）是一种将多变量高维问题进行小失真降维简化的算法，目前被用于电力系统的短期荷载预测、系统状态评估、电网规划决策等。电气自动化部分测得的数据认为是非线性的、高维度的，且评估、预测的模型也多为复杂高维的。因此，采用主成分分析法可以将模型进行简化。衡量变量间相关程度采用皮尔逊相关系数或协方差，因此在进行主成分分析时首先要对源数据进行线性变换：

公式（4）建立了样本空间X至新空间Y的映射关系，通过基本变换达到降维的效果。降维后要求损失的信息最少，因此可以通过计算方差得到：

式中：D为样本集；ai为样本，共m个；μ为样本均值。在计算方差后还需对D进行中心化：

通过求解方差和协方差矩阵从而得到主成分对应的特征值，因此可以将数据的贡献率作为评价指标，实现量化评估和管理，其构建的矩阵形式如下：

公式（7）建立了主成分y与源数据x间的关系。根据方差贡献率可以计算出源数据所占比建立评估管理模型对电气自动化相关设备进行评价。通过主成分分析得到预测的主成分及占比，带入模型进行预测所得的结果往往比较准确。

2 矿用变压器故障检测的应用创新

矿用变压器多年的运行维护经验表明：变压器受井下环境影响容易造成故障潜伏，受条件限制不能实现全面的故障诊断。红外诊断技术在针对变压器套管故障、冷却装置故障、油路故障等方面已有较好的效果，用变压器在运行过程中产生的温度特征参量参照诊断规范来判别故障类型。但温度受到环境因素影响，红外诊断的准确性有待提升。针对变压器套管故障，红外检测能够以热成像形式展现给巡检人员，根据经验：以套管顶部柱头为最热热像的一般是由电流致热引起，而以整体发热热像的一般是由电压致热引起。根据测得结果，巡检人员按照《带电设备红外诊断应用规范》（DL/T 664—2008），可对故障进行排除。传统的诊断判别采用了表面温度判断、同类比较判断、图像特征判断法等，由于在采用图像特征判别时传统的算法无法避免一些外部干扰，降低了诊断系统的可靠性。采用Kmeans聚类算法对热像图像进行聚类，用图像特征可以实现故障自动诊断。簇1是以图像过亮的像素个数作为统计信息的，在获取套管坐标后可以通过阈值（阈值设定参照《规范》）分割获取套管过热面积和位置信息。通过椭圆拟合得到过热区域可以判断是电流引起还是电压引起的套管故障。

图2为典型电流致热型套管故障，将Kmeans聚类的初始值设为K=3，当温差低于10 K（灰度级小于40，8 bit数字图像灰度级为28=256）时作为簇1特征；热点温度在45～65℃时作为簇2特征；热点温度在70～90℃时作为簇3特征。考虑到温度受环境影响，样本需要在±10℃范围内误差可接受。最终结果按照电流、电压致热进行分类，得到三类故障等级，见图3。按照设备缺陷诊断判据，其处理流程下页图4所示。