基于粒子群优化算法的LS-SVM高压隔离开关故障诊断

国网江苏省电力有限公司检修分公司 刘永康 江苏科能电力工程咨询有限公司 王 慧

高压隔离开关在电力系统中起着隔离电源及调整系统运行方式的作用，在高压设备检修工作时保障人身、电网及设备的安全。由于操作原理和结构相对简单，隔离开关的日常运维与检修工作并没有引起人们的足够重视，且随着变电站的改造及变电设备由定期检修制向状态检修制的逐步过渡，其检修周期也在逐渐延长。由于日常操作隔离开关次数较少，隔离开关易出现传动部位变形、卡涩以及隔离开关分、合闸不到位的问题。目前隔离开关状态检测主要依赖红外测温或回路电阻测量等手段对触头或线夹位置的发热情况进行监测。隔离开关操作机构的状态监测还没有成熟的方法，仅依赖运维人员现场巡视难以发现操作机构早期存在的问题，一旦发现操作机构存在问题时往往都需安排应急抢修，影响送电时间及供电可靠性。

随着大数据时代的到来，基于在线监测与故障诊断技术电网设备状态维修策略能有效预警设备故障，现有国内、外的实际运行情况表明，电网设备在线监测技术具有良好的应用前景，是智能电网发展的必然趋势。目前电力设备状态检修的研究和应用主要集中在变压器、断路器等部分主设备上，关于高压隔离开关在线监测的研究还十分欠缺。其中，基于驱动电机电流信号的监测方法是一种利用驱动电机电流时间特性来诊断设备机械故障的在线监测方法，已在高压断路器、变压器有载分接开关等开关设备上开展了相关研究及应用，但在高压隔离开关机械故障诊断中尚无实际应用。高压隔离开关操作不灵活时操作力矩增大，驱动电机电流也将增大并超过正常工作电流。因此，通过合理选择算法对驱动电机电流进行分析同样可用于高压隔离开关的故障诊断中。

最小二乘支持向量机(LS-SVM)算法已成功运用到高压断路器、变压器等设备故障诊断。但最小二乘支持向量机参数的确定一直是难点，采用网格搜索或十倍交叉验证等方法效率慢且参数无法达到最优。粒子群优化(PSO)算法是一种群智能方法的进化技术，速度快、局部搜索能力强，相比于遗传算法、蚁群算法，PSO 算法具有算法简单、容易实现、调节参数少等特点。

1 LS-SVM 基本原理

SVM（支持向量机）算法可对小样本进行高维非线性系统拟合[1]。LS-SVM 是向量机的扩展算法，将向量机算法二次规划问题转为线性方程组问题，降低计算的难度[2]。LS-SVM 演算流程如下。设训练数据样本集为：S={(xi,yi)|(xi ∈{-1,+1} yi∈{-1,+1},i=1,2,…,l,xi为l 维的输入，yi为输出，l为样本数。算法的目标函数为：

ψ(x)是核空间映射函数，w是权矢量，b是偏置量，ei是误差变量，γ 是可调参数。加入Lagrange 乘子，将上述优化问题转化为：，ai为Lagrange乘子。分别对w，b，e，a 求偏微分：

求解式(4)，LS-SVM 模型表述为式(5)，K(x,xi)为核函数， 径向基核函数作为核函数时为式(6)，σ＞0，γ为惩罚因子，σ2为核函数：

2 粒子群优化算法(PSO)优化LS-SVM

2.1 粒子群优化算法(PSO)算法原理

粒子群优化算法(PSO)源于对鸟群捕食行为的学习研究，通过模拟鸟儿运动寻找全局最优解[3]。PSO 初始化为一群随机粒子，通过不断迭代寻找最优解。粒子采用两个“极值”来不断更新，一个是粒子个体查到过的最优解，另一个是所有粒子中已经查到的最优解。若m 维空间中有n 个粒子正在寻优，第j 个粒子当前解设为Xj(t)=[xj,1(t),xj,2(t),…xj,m(t)]，其运动速度设为Vj(t)=[vj,1(t),vj,2(t),…vj,m(t)]单个粒子历史最优解设为Pj,best(t)=[vj,best，1(t),vj，best,2(t)…vj,best，m(t) ]，所有粒子最优解设为gbest(t)=[gbest，1(t),gbest,2(t)…gbest，m(t)]。

那么，下一代的粒子解和运动速度为Xj(t+1)=Xj(t)+Vj(t)，Vj(t+1)=wVj(t)+c1R1[pj,best(t)-Xj(t)]+c2R2[gbest(t)-Xj(t)]式中j=1,2,…,n；c1和c2为加速因子，一般取值为2；w 为惯性因子，R1和R2为[0,1]之间的随机数，每次迭代过程中每个粒子都将随机生成一组R1和R2。Vj(t)∈(-Vmax,Vmax)，Vmax为运动速度上限，设置为常数。

2.2 优化算法

LS-SVM 参数选择：以使用范围最广的高斯径向基函数作为LS-SVM 算法的核函数，需确定惩罚因子γ 和核函数σ2。一般通过网格遍历的方法不断实验确定最优参数，但是该方法效率十分低下。

将采集到的样本数据分为两部分，一部分作为训练数据、一部分作为测试数据。用训练样本数据用于训练LS-SVM 得到了LS-SVM 模型。用测试数据输入模型得到的分类结果与实际结果进行比对，分析模型的优劣。以分类的正确率作为模型目标函数：f=m/n×100%，式中：f 为适应度值；n 为训练数据个数；m 为测试结果正确的个数。

在基于PSO 优化LS-SVM 的算法中，每个粒子有两个参数，表示LS-SVM 的核函数参数惩罚因子γ 和核参数σ2。优化流程为：粒子位置进行初始化，生成初始参数{γ，σ2}；采用训练数据基于{γ，σ2}参数训练向量机模型，采用测试数据比对实际结果判断准确性；以测试数据的分类正确性作为目标函数，更新粒子的最优值pbest和gbest，然后利用PSO 算法迭代更新粒子数据{γ，σ2}；重复第二、三步骤，直到迭代次数到达设定值或目标函数要求后结束迭代。

3 基于PSO 优化LS-SVM 高压隔离开关故障诊断

3.1 高压隔离开关故障诊断样本集的建立

隔离开关操动机构的电机定子相电流包络与隔离开关传动机构受到的阻力大小有直接关系，通过分析电流波形可分析隔离开关操作机构的卡涩故障情况[4]。驱动电机的电流波形如图1。图中：t0～t1为电机启动阶段，此时有较大的脉冲信号；t1～t2为转子转动阶段，电机产生反电势，电流下降；t2～t3为电动机平稳转动阶段；t3隔离开关动静触头开始接触，电机受到的阻力增加、电流增加，并在t4出现最大值。t5隔离开关合闸到位，行程开关动作将电机电流切断。

图1 隔离开关驱动电机的电流波形

图2 检验样本分类正确率

隔离开关出现操作机构卡涩或平衡弹簧失效等情况时电机阻力增加、电流会变大。通过电机电流最大值可分析操作机构卡涩的严重程度，根据最大值的位置及电流曲线转折点可分析卡涩的位置。通过对合闸电流波形的分析，选取i1～i3和t1～t5为特征量，建立隔离开关故障诊断样本。

3.2 粒子群优化LS-SVM 的高压隔离开关故障诊断

采用粒子群算法对LS-SVM 进行优化，粒子群的参数设置如下：学习因子c1=c2=2，惯性权重ωmax=0.9，ωmin=0.2，种群规模取30，最大迭代数取200；LS-SVM 待优化的参数为惩罚因子γ 和σ2核函数两个参数，因此PSO 的粒子大小为2。γ 的优化范围取[0.1,1000],σ2的优化范围取[0.01,1000]。LS-SVM 算法的输入向量为i1,i2,i3和t1,t2,t3,t4,t5，输出量为隔离开关机构正常、操作传动机构卡涩两类故障的分类。其中操作传动机构卡涩通过在隔离开关导电臂、拐臂等位置施加不同大小的拉力来模拟。LS-SVM 算法采用K.DeBrabanter 等编写的MATLAB LS-SVM 工具箱实现。

隔离开关实验对象为GW6-126W 型，通过实验模拟50个隔离开关正常样本、50个操作卡涩故障样本；然后选取30个正常样本及30个故障样本作为学习样本，其余样本作为检验样本，检验的正确率作为粒子群算法的适应度，通过粒子群算法优化LS-SVM的惩罚因子γ 和σ2核函数 。粒子群适应度在迭代过程的优化曲线如图2，可看出经PSO 优化后样本分类正确率稳步提高，经过优化后 γ=12.08， σ2=6.92。重新选取100个样本，利用优化后的LS-SVM 对样本进行分类检验。检验结果正确率为92%。