基于混合遗传算法的10 kV避雷器劣化状态识别仿真

贺政, 曹宏斌, 赵富强

(国网甘肃省电力公司庆阳供电公司, 甘肃, 庆阳 745000)

0 引言

电力系统主要包括发电、输电、变电、配电等多个过程[1]。这些过程又离不开各种电力设备的参与,如变压器、输电线路、发电机、电表等。其中,有些设备长期处在室外环境中,难以避免地会发生故障问题,因此在电力系统中会布设很多保护装置,保护电力设备[2]。10 kV避雷器是主要的电网保护装置,其功能是当电网遭遇雷击时能够释放过电压能量,保护电网免受击穿、闪络等问题,提高了电网的稳定性和安全性。然而,10 kV避雷器同样长期处在室外恶劣环境中,随着时间的推移,会逐渐劣化。其中,10 kV避雷器劣化状态是指电气特性和物理状态发生变化,这些变化使其伏安特性漂移、热稳定破坏、非线性系数改变、电阻片局部劣化等,逐渐失去保护作用。因此电力公司会对10 kV避雷器进行定期更换和维修,以延长其使用寿命。在此背景下,为提高10 kV避雷器检修效率,进行10 kV避雷器劣化状态识别研究具有重要的现实意义。

沙胜等[3]通过光纤电流传感器采集避雷器的阻性泄漏电流信号,然后基于这些信号分析不同故障下的阻性泄漏电流信号变化特征,最后根据检测避雷器的故障类型。王燕等[4]提出了一种评估方法,从带电检测信息、在线监测信息、现场运检信息、投运前信息中提取特征指标,组成避雷器运行状态特征量数据库,最后通过随机森林算法得出输出避雷器故障类别,完成避雷器运行状态评估。李艳鹏等[5]提出了一种红外检测方法,该方法主要以通过采集关于避雷器的红外图像为基础,通过图像判断避雷器运行温度是否正常,从而实现避雷器绝缘缺陷检测。

虽然前人在研究中都取得了一定的成果,但是劣化状态并不代表一定已经发生了故障,它有可能是故障发生的前一阶段运行状态。因此与已经发生的故障相比,劣化状态所展示的特征表现得不明显,往往是故障征兆。因此在特征提取阶段提取特征的准确性就至关重要,直接关系到最后劣化状态识别精度。基于此,本文提出一种基于混合遗传算法的10 kV避雷器劣化状态识别方法,以期为10 kV避雷器检修工作提供辅助,提高检修工作的效率和质量。

1 基于混合遗传算法的10 kV避雷器劣化状态识别方法

1.1 10 kV避雷器状态信息采集

从设备开始出现异常到发生故障这一阶段被称为劣化过程,即使还没完全发展成为故障,一旦10 kV避雷器开始劣化,10 kV避雷器某些运行数据也就开始发生变化,有别于正常状态下的运行数据,但是这些变化与已经发生故障的10 kV避雷器相比,并不明显,这也是现在10 kV避雷器检修工作面临的难题,往往是当10 kV避雷器发生故障后才能发现。为此,若是能有效识别劣化状态下的10 kV避雷器故障,就能提前进行故障预警,在发生故障前及时规避故障,减小故障带来的损失[6-7]。

在10 kV避雷器劣化状态识别过程中,首要环节就是采集10 kV避雷器运行状态数据,在这里主要是采集其电流信号,因为无论是发生何种劣化,都会引起电流的变化,因此就以电流信号作为劣化识别的基础数据[8]。电流信号采集设备为一款套管式全光纤电流互感器。光纤电流互感器采集10 kV避雷器电流后,以电流信号的形式输出。由此建立电流与电流信号之间的转换公式:

(1)

其中,

(2)

式中,Y代表电流信号,A代表电流,B代表菲尔德常数,CL代表光纤长度,α代表偏振面的旋转角度,R代表导线半径。

1.2 电流信号去噪处理

10 kV避雷器劣化状态下的电流信号特征不明显,再加上采集过程噪声的存在,使得特征更加不明显,因此需要对采集到的电流信号进行去噪处理,提高电流信号质量[9]。具体过程如图1所示。

图1 电流信号去噪处理流程

去噪后的电流信号表示如下:

Y′=Dx′

(3)

式中,Y′代表去噪后的电流信号,D代表过完备小波字典,x′代表估计树型系数向量。

去噪后,电流信号特征在一定程度上得到增强,提高了信号质量。

1.3 基于混合遗传算法选取10 kV避雷器劣化状态特征

接着上述去噪后的电流信号,本节利用混合遗传算法,进行10 kV避雷器劣化状态特征优化,即从纷繁复杂的原始特征中选出对10 kV避雷器劣化状态识别有意义的特征[10]。

描述电流信号的特征从时域与频域两个方面来说,具有多个原始特征[11],具体如表1所示。

表1 10 kV避雷器劣化状态的原始特征

由于采集到的是10 kV避雷器劣化状态时的电流信号,因此以上这些状态特征中在10 kV避雷器电流信号中并不都是明显的。若将所有特征都用于后期状态识别,不仅会增大计算量,还会降低识别准确性,因此需要从这些特征选出明显的有意义的特征[12]。基于此,利用一种混合遗传算法的寻优能力来选取。

混合遗传算法指在基础遗传算法的基础上加入其他算法,以弥补基础遗传算法的缺点,提高基础遗传算法的全局寻优能力,这2种混合了其他算法的遗传算法被称为混合遗传算法[13]。将表1中的特征作为输入,通过寻优,寻找最佳特征。在遗传算法中,混入模拟退火算法来组成混合遗传算法。该算法选取10 kV避雷器劣化状态特征具体过程如下。

步骤1:设置算法相关参数,如给定算法的参数种群规模、变异概率 、交叉概率,迭代次数等。

步骤2:确定个体的编码方法,产生遗传算法的初始解(初始种群),确定初始温度。

步骤3:根据下述适应度函数评价初始种群的适用度值,

(4)

式中,f(X) 代表适应度函数,X代表10 kV避雷器劣化状态的原始特征集合,K1代表训练准确率,φ、φ代表2个常数参数,取值(0,1),xj代表原始特征集合中第j个特征,K2代表包含全部特征时候的训练准确率,n代表特征数量。

表2 仿真样本数量

步骤4:判断是否满足终止条件,若不满足进入下一步骤,否则输出最优特征。

步骤5:执行选择、交叉、变异等遗传操作。

步骤6:将遗传操作后得出的结果作为模拟退火算法的初始输入。

步骤7:利用模拟退火算法的Metropolis 接受准则产生新的个体。

步骤8:对新的个体执行退火操作。

步骤9:回到步骤3,重复上述步骤。

步骤10:判断是否满足终止条件,若不满足进入下一步骤,否则输出最优特征。

1.4 10 kV避雷器劣化状态识别

基于上述混合遗传算法选出的10 kV避雷器劣化状态特征,利用一种AdaBoost 算法组成分类器来进行10 kV避雷器劣化状态识别。

步骤1:给定一组带有分类标记的N个训练样本。

步骤2:设置弱分类器个数。分类器表达式为

(5)

式中,ζ(x)代表弱分类器,R代表偏置位,f(x)代表10 kV避雷器劣化状态特征,ψ代表阈值,取值为0.5。

步骤3:给每一个训练样本都赋予权重。权重计算式如下:

(6)

式中,wi代表第i个样本的权重,C代表分类的错误率,由步骤5计算所得。

步骤4:通过式(5)对训练样本进行分类。

步骤5:根据分类结果计算分类的错误率C。

(2) 计算加权分类错误率C';

(3) 更新样本权重,更新公式

(7)

其中,

(8)

步骤7:重复上述过程,得到由M个弱分类器组成的强分类器。

上述过程为分类器训练过程。基于上述训练得到的强分类器,输入测试样本,完成10 kV避雷器劣化状态识别。

2 仿真测试与分析

为了测试本文方法在10 kV避雷器劣化状态识别中的应用效果,在MATLAB平台上进行仿真测试与分析。

2.1 仿真电流信号样本准备

仿真测试需要准备两类样本,即训练样本和测试样本。前者用于训练分类器,后者用于测试识别性能。这两类样本均来自电力公司数据库。样本数量如表2所示。

2.2 电流信号去噪处理

以某一个样本为例,对电流信号执行去噪操作。去噪前后波形变化和信噪比如图2所示。

图2 电流信号去噪

从图2可以看出,去噪后较去噪前信号波形更加平稳,其信噪比更大,说明达到了去噪效果。

2.3 混合遗传算法参数设置与特征选取

混合遗传算法相关参数设置如表3所示。

表3 混合遗传算法相关参数设置

利用混合算法从表1中选择10 kV避雷器劣化状态特征,最终获得明显有意义的时域特征和频域特征各5个。

(1) 时域特征:峰值、波形有效值、峭度、偏度、裕度因子。

(2) 频域特征:频率重心、均方根频率、频率带宽、频率变换率、幅频特性。

将上述时域特征和频域特征代入式(4),输出最优特征,以此更新样本权重,判断样本是否被正确分类,将没有被分类的样本设为第i类样本。

2.4 评价指标

选取kapaa系数作为识别方法的评价指标。计算式如下:

(9)

其中,

(10)

(11)

通常kappa是落在 0～1 间,可分为5个等级来判断识别方法的准确性:

(1) 0～0.20:极低一致性,准确性低;

(2) 0.21～0.40:一般一致性,准确性较低;

(3) 0.41～0.60:中等一致性,准确性一般;

(4) 0.61～0.80:高度一致性,准确性较高;

(5) 0.81～1:几乎完全一致,准确性高。

2.5 识别准确性分析

利用给出的训练样本进行弱分类器训练,得到一组强分类器。利用强分类器对测试样本进行10 kV避雷器劣化状态识别,结果如图3所示。

图3 识别准确性

从图3可以看出,本文方法应用下,kappa系数均在0.61～0.80,说明本文方法的识别准确性较高,这是因为本文方法应用模拟退火算法改进混合遗传算法,从纷繁复杂的原始特征中选出对10 kV避雷器劣化状态识别有意义的时域特征和频域特征,保证分类过程的正确性,进一步提升状态识别过程的识别准确率。

3 总结

避雷器在电网当中起到了重要的保护作用,能帮助电网免受雷击伤害,因此一旦该设备出现问题,电网在雷雨天极易受到损伤。针对上述问题,本文提出了一种基于混合遗传算法的10 kV避雷器劣化状态识别方法,并进行仿真测试,通过kappa系数证明了本文方法的准确性。然而,本文仅进行了仿真实验,并没有将方法应用到实际中,因此有待进一步的实际测试。