基于IFOA-SVM的变压器故障诊断与定位研究.pdf

基于I F O A S VM的变压器故障诊断与定位研究申文强,王宗琳,樊尚旭,郭永吉(国网甘肃省电力公司超高压公司,甘肃 兰州 ;兰州理工大学电气工程与信息工程学院,甘肃 兰州 )摘要:为了充分发掘变压器油中溶解气体所蕴含的故障信息,实现变压器故障性质和故障位置的准确判断,利用邻域粗糙集(N e i g h b o r h o o dR o u g hS e t,N R S)和强化型果蝇算法(I m p r o v e dF r u i tF l yO p t i m i z a t i o nA l g o r i t h m,I F OA)优化的支持向量机(S u p p o r tV e c t o rM a c h i n e,S VM)构建变压器故障诊断与定位多层分类模型.首先,利用邻域粗糙集按照条件属性重要度对变压器故障样本特征值进行约简.其次,为了提升变压器故障诊断与定位模型的分类精度,设计一种强化型果蝇算法对S VM的核函数参数和惩罚因子选取进行优化.利用T e n t l o g i s t i c混沌映射产生的混沌序列生成果蝇种群的初始位置信息,减少随机过程带来的不可控性;利用动态自适应步长参数调节个体的搜索范围,增强F OA的寻优效率.仿真分析结果表明,基于改进模型的方法不仅可以实现变压器故障位置的判定,而且能提升变压器故障诊断的精度.关键词:变压器;故障诊断;故障定位;果蝇优化算法;支持向量机中图分类号:TM D O I:/j c n k i d g j s S t u d yo fT r a n s f o r m e rF a u l tD i a g n o s i sa n dL o c a t i o nB a s e do nI F O A S VMS HE N W e n q i a n g,WAN GZ o n g l i n,F ANS h a n g x u,GUOY o n g j i(S t a t eG r i dG a n s uE l e c t r i cP o w e rE x t r aH i g hV o l t a g eC o m p a n y,L a n z h o u ,C h i n a;C o l l e g eo fE l e c t r i c a l a n dI n f o r m a t i o nE n g i n e e r i n g,L a n z h o uU n i v e r s i t yo fT e c h n o l o g y,L a n z h o u ,C h i n a)A b s t r a c t:I no r d e r t o f u l l ye x p l o r e t h e f a u l t i n f o r m a t i o nc o n t a i n e d i n t h ed i s s o l v e dg a s i n t r a n s f o r m e r o i l a n d r e a l i z e t h e a c c u r a t e j u d g m e n t o f t r a n s f o r m e r f a u l t n a t u r e a n d f a u l t l o c a t i o n,am u l t i l a y e r c l a s s i f i c a t i o nm o d e l f o r t r a n s f o r m e r f a u l t d i a g n o s i sa n d l o c a t i o n i sc o n s t r u c t e du s i n gt h es u p p o r tv e c t o rm a c h i n e(S VM)o p t i m i z e db yn e i g h b o r h o o dr o u g hs e t(N R S)a n de n h a n c e d f r u i t f l yo p t i m i z a t i o na l g o r i t h m(I F OA)F i r s t l y,t h en e i g h b o r h o o d r o u g hs e tw a su s e d t o r e d u c e t h e c h a r a c t e r i s t i cv a l u e so f t r a n s f o r m e r f a u l t s a m p l e s a c c o r d i n g t o t h e i m p o r t a n c eo f c o n d i t i o n a l a t t r i b u t e s S e c o n d l y,i no r d e r t o i m p r o v e t h e c l a s s i f i c a t i o na c c u r a c yo f t r a n s f o r m e r f a u l t d i a g n o s i s a n dp o s i t i o n i n gm o d e l,a ne n h a n c e d f r u i t f l ya l g o r i t h mi s d e s i g n e dt oo p t i m i z e t h ek e r n e l f u n c t i o np a r a m e t e r sa n dp e n a l t y f a c t o r s e l e c t i o no fS VM T h e i n i t i a l p o s i t i o n i n f o r m a t i o no fc h a o t i cs e q u e n c e f r u i t f l yp o p u l a t i o n sg e n e r a t e db yT e n t l o g i s t i cc h a o sm a p p i n gw a su s e dt or e d u c et h eu n c o n t r o l l a b i l i t yc a u s e db yr a n d o mp r o c e s s e s T h ed y n a m i ca d a p t i v es t e pp a r a m e t e rw a su s e dt oa d j u s t t h es e a r c hr a n g eo f i n d i v i d u a l st oe n h a n c e t h eo p t i m i z a t i o ne f f i c i e n c yo fF OA S i m u l a t i o na n a l y s i ss h o w s t h a t t h em e t h o db a s e do nt h e i m p r o v e dm o d e l c a nn o to n l yd e t e r m i n e t h e f a u l t l o c a t i o no f t r a n s f o r m e r s,b u t a l s o i m p r o v e t h ea c c u r a c yo f t r a n s f o r m e r f a u l td i a g n o s i s K e yw o r d s:t r a n s f o r m e r;f a u l td i a g n o s i s;f a u l t l o c a t i o n;F OA;S VM收稿日期:作者简介:申文强(),从事变电设备运维、验收、倒闸操作及异常处理工作.引言变压器是电力系统能量转换与传输的关键设备.变压器运行状态的好坏与电力系统的稳定水平息息相关.变压器运行环境复杂,结构部件繁多,长期负载情况下不可避免地会出现各种故障.如果变压器出现异常状况时只进行定性诊断,而不能确定故障发生的位置,盲目对变压器进行吊罩检查,那么故障诊断效率往往极低.为此,在确定变压器故障性质的基础上进行变压器的故障定位有利于快速排除变压器故障,保证电力系统的供电可靠性.油中 溶 解 气 体 分 析 技 术(D i s s o l v e d G a s A n a l y s i s,D G A)是油浸式变压器常用的故障诊断方法,但其往往只适用于变压器故障性质的诊断,如果能利用数据挖掘技术充分发掘油中溶解气体所蕴含的故障信息,再通过人工智能方法分析变压器故障特征与故障源之间的非线性映射关系,那么对于变压器的故障定位有着十分重要的意义.文献 利用信息融合技术分析D G A数据和变压器电气试验数据所蕴含的故障信息,通过B P神经网络和证据推理技术实现了变压器故障初步定位.文献 利用蚁群算法将变压器故障检测方法、故障重要度、故障概率等因素与蚁群算法中的种群初始信息素浓度、启发式因子、启发信息电工技术人工智能与传感技术 等分别对应,从而实现变压器故障定位检测次序的最优化.文献 对D G A数据进行泛化处理后,利用多分类支持向量机能较好地解决小样本下非线性问题的优点,实现变压器故障分层定位.根据上述分析,本文首先利用N R S发掘油中溶解气体所蕴含的故障信息,结合变压器的不同故障属性,约简出基于样本数据的最优输入特征,然后利用S VM处理非线性问题能力强的特点,构建变压器故障性质诊断和变压器故障定位多层分类模型,同时设计一种强化型果蝇优化算法对S VM的核函数参数和惩罚参数选取进行优化以提升该模型的分类性能.算例分析结果表明,基于改进模型的方法在实现变压器故障定位的同时具有较高的故障诊断精度,更适用于变压器故障诊断与定位实时性强的应用背景.基于强化型果蝇算法的支持向量机参数选取优化 支持向量机理论S VM是一种基于统计学原理的机器学习方法,常用于处理小样本下的分类问题.S VM处理分类问题的思想是通过构造最优超平面,进而使超平面与不同样本下的分界面距离最大,其表达式为:m i n(Cnii)s t yi(xi)bi()式中,i为线性不可分情况下的松弛变量,i;i,n;为超平面法向量;xi为样本值;yi为标签值;b为设定阈值;C为惩罚参数.通过引入拉格朗日乘子将目标函数转化为:L(,b,)miiyi(Txib)()对式()中和b求偏导为可得其对偶形式为:m a x(m a x niini,jyiyjijxTixj)s t iC;niiyi()在非线性情况下,引入核函数映射可得:K(xTi,xj)(xi),(xj)()由此推导出决策函数为:f(x)s g nniiyiK(xi,xj)b()式中,yi为期望输出;xi为输入样本向量;n为样本总数;(x)为映射函数;K(xi,xj)为核函数,一般采用径向基函数.K(xi,xj)的具体表达式为:K(xi,xj)e x p(gxixj)()从式()()可以看出,影响S VM分类性能的参数为惩罚参数C和核参数g.果蝇优化算法及其改进果蝇 优 化 算 法(F r u i tF l y O p t i m i z a t i o n A l g o r i t h m,F OA)是一种基于果蝇群体觅食行为的群体智能优化算法,具有控制参数简单、优化速度快等优点,但基础F OA采用随机生成果蝇位置坐标和固定搜索步长的寻优方式,一定程度上限制了F OA的寻优精度和搜索效率 .针对此问题,利用T e n t l o g i s t i c混沌映射和动态自适应步长参数对果蝇优化算法进行改进.利用T e n t l o g i s t i c混沌映射产生的混沌序列代替原始的伪随机过程生成的果蝇种群初始位置信息,减少随机过程带来的不可控性.利用改进自适应步长参数调节F OA个体的搜索范围,增强F OA寻优效率.T e n t l o g i s t i c混沌映射表达式为:xnr xn(xn)(r)xnm o d,xn r xn(xn)(r)(xn)xnm o d,o t h e r s()T e n t l o g i s t i c混沌映射在解空间内分布较为均匀,可有效减少计算机“伪随机”过程带来的不确定性.利用T e n t l o g i s t i c混沌序列生成I F OA个体的初始位置信息,为I F OA后期的目标值寻优奠定基础.原始F OA采取固定搜索步长的位置更新机制,不利于个体的充分探索.为了更全面地开发F OA的搜索性能,在迭代前期将动态自适应权重调大,有利于个体进行全局范围内的探索,增加F OA的寻优效率,在迭代后期将动态自适应权重调小,有利于个体进行局部开掘,提升F OA的寻优精度.引入动态自适应步长参数后F OA个体第i次迭代的位置更新公式为:XiXYiY()式()中的表达式为:i n i n i a l(i n i n i a lf i n i a l)e(et/Ti t e r a t i o n)()式中,为,内均匀分布的随机数;i n i t i a l和f i n i a l分别为权重的初始值和终值;t为当前迭代次数;Ti t e r a t i o n为最大迭代次数.基于I F O A的S VM参数选取优化利用S VM处理非线性问题时,惩罚参数C和核参数g的选取直接影响了模型的最终分类结果.为了提高S VM的分类精度,利用I F OA选取基于样本数据的最优S VM参数,具体流程 如下.步骤,设置种群数量M、最大迭代次数Ti t e r a t i o n,利用T e n t l o g i s t i c混沌映射生成果蝇个体的初始位置信息(X,Y);由于待优化变量的个数为,因此果蝇个体的位置更新公式为:X(i,)XX(i,)XY(i,)YY(i,)Y()人工智能与传感技术电工技术式中,i为当前迭代次数;为动态自适应步长参数.步骤,计算个体位置与原点间的距离D,求倒数后得到味道浓度判定值P.D(i,)X(i,)Y(i,)/P(i,)/D(i,)D(i,)X(i,)Y(i,)/P(i,)/D(i,)()步骤,将待优化变量惩罚参数C和核参数g设置为味道浓度判定值P的函数.C P(i,)gP(i,)()步骤,将适应度函数设置为S VM的分类错误率.将味道浓度判定值P确定的优化参数输入S VM后得到适应度函数值即果蝇个体所在位置的食物味道浓度S m e l li.记录每次迭代过程中的最小适应度值及对应个体位置.S m e l lif u n c t i o n(pi)S m e l lb e s tS m e l lm i ni n d e xb e s ti n d e x(S m e l lb e s t)()式中,i n d e x为基于当前食物味道浓度的位置索引.步骤,将F OA种群进行迭代,判断S m e l li是否小于S m e l li,若满足该条件,则更新全局最优食物味道浓度S m e l lb e s t和对应全局最优位置,否则继续迭代.步骤,迭代直到最大迭代次数,记录此时的S m e l lb e s t和对应个体位置信息,输出最优惩罚参数C和核参数g.基于N R S的变压器故障特征值筛选传统的三比值法及其衍生改良方法大多使用固定气体比值作为变压器故障诊断模型的输入特征,但这种方法在实际应用中存在诸多不足,如故障边界判据模糊,存在特征气体浓度注意值的限制等.N R S作为一种处理模糊性和不精确性问题的方法,对数据降维的同时可以获取数据特征的最小表达.为了进一步发掘变压器油中溶解气体比值与变压器故障信息之间的内在联系,利用N R S按照条件属性重要度对D G A气体比值进行约简.利用N R S约简条件属性的基本流程 如下.步骤,对原始数据进行归一化处理,消除不同属性数据量纲上的差异,公式为:f(xi)xixm i nxm a xxm i n(i,n)()式中,xm a x、xm i n分别为样本数组的最大值和最小值.步骤,根据邻域半径计算各样本在不同条件属性子集下的邻域,邻域半径的计算公式为:(ai)S t d(ai)/()式中,S t d(ai)为各个样本条件属性ai的标准差;依据数据分类精度调整邻域大小,.步骤,计算决策属性关于条件属性子集的上近似和下近似,公式为:NBXxi|B(xi)X,xiU()NBXxi|B(xi)X,xiU()式中,B(xi)为样本子集xi在条件属性B下的邻域.上近似即求邻域半径确定的子集和样本子集之间的交集不为空集所确定的集合;下近似即求邻域半径确定的子集和样本子集之间的真子集.步骤,计算决策属性关于所有条件属性的下近似和删去某一条件属性后决策属性关于其他条件属性的下近似,两者做差后即可求得某一条件属性对于决策属性的重要度.属性重要度公式为:S i g(a,B,D)B(D)B a(D)()式中,B(D)为条件属性子集B对决策属性D的依赖度,其值为下近似所确定的对象集合占全体对象集合的比例.总结变压器故障诊断领域常用气体比值共 组作为N R S的输入特征.以高温过热、低温过热、局部放电、低能放电、高能放电作为变压器故障诊断层的输出特征.N R S的 组输入特征气体比值见表.表输入特征气体比值编号气体比值CH/HCH/CHC O/C OC O/HC O/CHC O/C HC O/CHCH/C H编号气体比值C H/H CH/TH H/TH CH/TH C H/TH CH/TH(C HCH)/TH H/(THH)整理I E CT C 故障数据共 组.将 组特征气体比值作为N R S条件属性,种变压器故障类型作为N R S决策属性,N R S分类精度参数设置为,N R S按照条件属性重要度输出的特征气体比值编号分别为、.根据气体编号可以看出,当决策属性设置为变压器故障类型时,重要度最高的种气体比值分别为CH/CH、CH/CH、CH/TH、CH/TH.这种特征气体比值 对 于 变 压 器 故 障 类 型 的 重 要 度 分 别 为 、.基于I F O A S VM的变压器故障诊断与定位变压器异常状态下产生气体的种类和浓度与故障点的材质和故障性质相关.例如,由线圈匝绝缘损伤引起的绕组局部放电会引起围屏爬电现象,此时变压器绝缘油中H、CH、C O含量明显增大.当变压器围屏纸板因过热发生损坏时,绝缘纸板纤维的分解会导致溶解于油中的C O和C O含量发生明显异常 .变压器故障位置的不同会导致绝缘油中异常气体的差异,变压器故障定位层的 样 本 应 按 照 故 障 位 置 进 行 分 类.利 用I F OA对S VM的核函数参数和惩罚参数进行选取,构造基于I F OA S VM的变压 器 故 障 诊 断 与 定 位 模 型.诊 断 流 程 如图所示.电工技术人工智能与传感技术 图变压器故障诊断与定位流程变压器故障诊断与定位模型首先利用I F OA S VM将故障样本按照种基本故障类型进行分类,接下来将过热性故障和放电性故障进行区分.对于过热性故障,首先要进行电路和磁路的划分.过热性故障是变压器的常见故障,在变压器停电的情况下一般能够通过绕组直流电阻的测量予以判断,但是现场往往停电不易,如果能在变压器运行时了解故障涉及电路还是磁路,就会对后续故障点的定位具有重要的意义.对于放电性故障而言,首先要确定故障是否涉及固体绝缘.由于 k V及以上电压等级变压器普遍采用油纸绝缘结构,且故障涉及固体绝缘时极有可能直接导致变压器主绝缘和纵绝缘的破坏,因此有必要对放电性故障是否涉及固体绝缘进行判断.变压器故障具体位置划分见表,N R S针对不同决策属性的特征值约简结果见表.表变压器故障位置划分过热性故障放电性故障T 铁芯局部短路或多点接地D 线圈匝间绝缘损伤,匝间短路T 结构件及磁屏蔽体中漏磁引起过热D 铁芯和线圈间围屏绝缘放电T 绕组引线接触不良D 分接开关飞弧T 分接开关接触不良D 绝缘油中悬浮体放电表N R S约简结果决策属性r e d S e tw e i g h t故障涉及磁路/电路 是否涉及固体绝缘 T,T T,T D,D D,D 将 组变压器故障样本按照故障性质分为低能放电 个、高能放电 个、低温过热 个、高温过热 个、局部放电 个.其中,过热性故障包含T 型 个、T 型 个、T 型 个、T 型个.放电性故障包含D 型 个、D 型 个、D 型 个、D 型 个.将故障样本按照划分训练集和测试集,为了综合验证I F OA S VM的分类性能,选取F OA S VM、G A S VM、P S O S VM进行对比验证,故障诊断层种算法的输出最优参数见表,故障诊断层的测试集分类结果如图所示.表故障诊断层输出最优参数算法惩罚参数C核函数参数gF O A S VM P S O S VM G A S VM I F O A S VM 图变压器故障诊断层F O A S V M样本预测效果图变压器故障诊断层G A S V M样本预测效果图变压器故障诊断层P S O S V M样本预测效果图变压器故障诊断层I F O A S V M样本预测效果在对测试集 个变压器故障样本进行预测分类中,P S O S VM的分类正确率为,F OA S VM的分类正确人工智能与传感技术电工技术率为 ,G A S VM的 分 类 正 确 率 为,I F OA S VM的分类正确率为 .由分类结果可以看出I F OA S VM在变压器故障分类正确率上相对于F OA S VM、P S O S VM、G A S VM有着明显的优势.对变压器故障进行性质划分后,利用I F OA S VM依据N R S针对故障定位属性约简的特征气体比值进行故障逐层定位.种算法最终的测试集故障定位结果见表.表故障定位层预测结果算法过热性故障预测正确率放电性故障预测正确率F O A S VM G A S VM P S O S VM I F O A S VM 从表可以看出I F OA S VM的故障定位准确率明显高于其他种算法.在样本数量相对较多的放电性故障定位结果中,I F OA S VM在测试集共 个样本中分类错误数为,而F OA S VM、G A S VM、P S O S VM的分类错误数分别为、.对于过热性故障而言,I F OA S VM在测试集共 个样本中分类错误数为,而F OA S VM、G A S VM、P S O S VM的 分 类 错 误 数 分 别 为、.从仿真结果可以看出I F OA S VM无论在故障定位层还是故障分类层相较于其他算法都更有优势,具有更高的分类精度.为了更全面地验证I F OA S VM的性能,对种算法进行适应度函数对比.种算法故障诊断层的适应度收敛曲线如图所示,其中F OA在迭代初期种群搜索就处于停滞状态,适应度值不再变化,陷入局部最优且无法跳出;I F OA S VM经过多次迭代后逐渐收敛,无论是收敛速度还是最终的寻优精度都要优于G A S VM和P S O S VM.以上分析验证了优化种群初始位置信息和改进个体步长更新机制对I F OA跃出局部最优能力、全局探索能力以及寻优速度的提升作用.图故障诊断层适应度函数收敛曲线结语本文利用强化型果蝇算法优化的支持向量机构建变压器故障诊断与定位多层分类模型;通过引入T e n t l o g i s t i c混沌映射和动态自适应步长参数对F OA的种群初始化方式和步长更新机制进行改进,提升了F OA的寻优精度和收敛速度;利用邻域粗糙集发掘变压器油中溶解气体与故障源之间的非线性映射关系,约简针对不同故障属性的特征气体比值,提高了变压故障定位的效率.由仿真结果可知,该改进模型不仅可以实现变压故障位置的判定而且具有较高的诊断精度.参考文献 韩赛赛,刘宝柱,艾欣,等考虑绝缘老化和油色谱监测数据的变压器动态故障率模型J电网技术,():蒲天骄,乔骥,韩笑,等人工智能技术在电力设备运维检修中的研究及应用J高电压技术,():尚勇,闫春江,严璋,等基于信息融合的大型油浸电力变压器故障诊断J中国电机工程学报,():魏鲁原基于多蚁群算法的电力变压器故障定位方法研究D徐州:中国矿业大学,周光宇,马松龄基于机器学习与D G A的变压器故障诊断及定位研究J高压电器,():李春茂,周妺末,刘亚婕,等基于邻域粗糙集与多核支持向量机的变压器多级故障诊断J高电压技术,():王福忠,陶新坤,田广强基于改进果蝇算法优化的微电网逆变器恒功 率 控制 算法 J电力 系 统保 护与 控 制,():谭晶晶基于混沌步长果蝇算法优化支持向量机的齿轮故障诊断J机械设计与研究,():彭业飞,杨露菁,黄璜基于L o g i s t i c和T e n t双重映射的混沌粒子群算法J数字技术与应用,():司刚全,李水旺,石建全,等采用改进果蝇优化算法的最小二乘支持向量机参数优化方法J西 安 交通 大学 学 报,():谢国民,蔺晓雨基于改进S S A优化MD S S VM的变压器故障诊断方法J控制与决策,():胡清华,于达仁,谢宗霞基于邻域粒化和粗糙逼近的数值属性约简J软件学报,():汪可,李金忠,张书琦,等变压器故障诊断用油中溶解气体新特征参量J中国电机工程学报,():,M i c h e lD u v a l,A l f o n s oD e P a b l o I n t e r p r e t a t i o no fg a s i n o i la n a l y s i su s i n gn e wI E Cp u b l i c a t i o n a n dI E C T C d a t a b a s e sJ I E E EE l e c t r i c a l I n s u l a t i o nM a g a z i n e,():王昌长,李福祺,高胜友电力设备的在线监测与故障诊断M北京:清华大学出版社,高文胜,钱政,严璋电力变压器固体绝缘故障的诊断方法J高电压技术,():,施竹君变压器故障诊断与定位研究D南京:南京理工大学,电工技术人工智能与传感技术