基于介电谱测试的高压套管绝缘状态评估方法

2021-09-23马旭斌杨勇马鹏

电气自动化 2021年4期

马旭斌，杨勇，马鹏

〔内蒙古电力(集团)有限责任公司阿拉善电业局，内蒙古阿拉善 750306〕

0 引言

高压套管是变电站的关键设备，起到绝缘与支撑的作用。高压套管受到热、电和机械等应力作用发生绝缘老化，性能发生不可逆下降，微水加速绝缘老化进程，使得高压套管运行产生极大的安全隐患[1]1。因此对高压套管绝缘的老化与受潮状态进行有效评估十分重要。

频域介电谱测试作为一种新型电方法受到广泛关注与研究。国内外相关学者开展了各方面研究，如：西安交通大学学者修正了Havriliak-Negami模型来表征绝缘油的介电谱测试结果[2]；昆士兰大学学者研究分析老化、温度和水分对油浸纸介电谱测试结果的影响规律[3]；重庆大学学者在相关研究中基于“时温叠加”的思想提出并证明了一种消除温度对油浸纸频域介电谱影响的方法[4]。上述成果为研究高压套管绝缘状态评估奠定了扎实基础，然而介电谱受到老化与水分共同影响，因此如何识别评估高压套管具体的绝缘缺陷是亟需解决的问题。

近年来，人工智能技术逐渐成为故障诊断的重要组成部分[5]，如神经网络、K近邻和支持向量机等。因此，针对高压套管老化与受潮状态评估，本文提出了一种基于布谷鸟寻优算法优化多分类最小二乘支持向量机( least square support vector machines,LS-SVM)的高压套管绝缘状态评估方法。

1 基于LS-SVM的多分类模型设计

1.1 LS-SVM分类模型

(1)

式中:w为超平面的法向量；b为偏置量。分类决策函数为：

f(xi)=sgn(wTxi+b)

(2)

通过求解优化函数Φmin(w,ei)来表示LS-SVM的非线性分类模型。

(3)

式中:A为规则化系数；ei(i=1,2,3,…,l)为误差变量。构建拉格朗日方程式：

(4)

式中:ai(i=1,2,3,…,l)为拉格朗日乘子，最优条件：

(5)

得到线性方程

(6)

式中:yT=[y1,…,yl];I为单位矩阵;Il=[1,…，1]T;a=[a1,…,a2]T;Ω=yiyjφT(xi)φ(xj)=yiyjK(xi,xj);K(xi,xj)为SVM的核函数；j=1，2，…，l。分类决策函数为：

(7)

1.2 多分类设计

本文将多类问题分解为若干较小的二分类问题，在最小输出编码(MOC)的基础上，利用多个二分类器实现多分类，将K0类的多类问题转化为一组n个二元分类问题，解决了多类分类问题。对于每个类Ck，k=1，…，K0，分配一个唯一的编码ck=[yk1,…,ykn,…,ykNm]，n=1，2，…，Nm，ykn∈{-1，1}，其中每个二进制分类器在相应的输出位ykn之间进行区分。

2 基于布谷鸟算法优化多分类LS-SVM的高压套管绝缘状态评估方法

2.1 LS-SVM核函数与参数

LS-SVM分类器采用Gauss径向基核函数：

(8)

式中:σ为Gauss径向基核函数内核参数。应用过程中需要优化σ和LS-SVM模型中的参数A。

2.2 布谷鸟算法

布谷鸟算法随机步长由Lévy分布得到[7]：

(9)

式中:μ为随机步长；χ为常数;u和v为随机参数且都服从正态分布。

(10)

(11)

式中:Γ()为伽马函数。

针对第h个解，迭代时解的第一步更新

(12)

(13)

2.3 特诊量选取与处理

高压套管介电谱可以用优化后的Havriliak-Negami方程表征[1]2。

(14)

图1 绝缘状态评估流程

式中:ε′(ω)与ε″(ω)分别为相对复介电常数的实部与虚部；ω为角频率；ε0为真空介电常数；Δε为静态低频介电常数εs与高频极限下的介电常数ε∞的差;τ为弛豫时间；α和β为弛豫时间分布参数，在0和1之间；σDC为直流电导率。式(14)参数中Δε、β、τ与σDC能够有效反映高压套管绝缘状态变化。本文通过数据分析得到各样本的Δε、β、τ与σDC对应的数据，最后对τ与σDC进行如下无量纲处理，得到作为输入多分类器的特征参量。

2.4 状态评估方法

本文提出了一种高压套管绝缘状态评估方法，绝缘状态评估流程如图1所示。

3 试验结果与分析

3.1 训练与测试样本获取

表1所示为样本绝缘状态及对应数量。表1中老化状态依据聚合度(DP，单位：个)划分为4种：①未老化(NA)，DP>900；②轻微老化(LA)，6004%。可知480组样本用于训练，160组样本用于测试。

表1 样本绝缘状态及对应数量

3.2 参数寻优结果

本文多分类LS-SVM模型中的参数A和σ的搜索范围分别设置为[0.1,100]和[0.1,10]。采用粒子群算法(PSO)和遗传算法(GA)对参数进行优化。图2显示了参数优化的适应度曲线。分类器中LS-SVM模型的最佳参数分别为A=86.58和σ2=0.79。好的寻优过程有更高的最佳适应度和平均适应度值，平均适应度和最佳适应度之间的差异小，通过图2可知布谷鸟算法对参数的优化效果明显优于GA算法和PSO算法。