任永恒
摘 要:氣體絕緣組合電器(Gas Insulated Switchgear)局部放電檢測(cè)對(duì)于保證其安全可靠運(yùn)行具有重要的意義。為了對(duì)變壓器故障進(jìn)行有效診斷,試驗(yàn)設(shè)計(jì)了4種典型缺陷模型。用超聲波法提取局部放電信號(hào),得到局放分布圖譜,獲得了局放特征參數(shù)。根據(jù)所提取的特征參數(shù)的特點(diǎn),通過(guò)支持向量機(jī)(SVM)分類算法對(duì)典型缺陷信號(hào)進(jìn)行了模式識(shí)別。
關(guān)鍵詞:超聲波法;特征參數(shù);SVM算法;模式識(shí)別
引言
變壓器作為電力系統(tǒng)中重要的電力設(shè)備,是輸電網(wǎng)中重要的組成部分,及時(shí)的發(fā)現(xiàn)其內(nèi)部故障,對(duì)于電網(wǎng)的安全供電,減少經(jīng)濟(jì)損失是至關(guān)重要的。以前,主要是通過(guò)檢測(cè)絕緣電阻、局部放電等來(lái)進(jìn)行變壓器內(nèi)部的故障診斷情況,這種方法具有局限性,會(huì)受到周圍環(huán)境的影響。超聲波法是一種較好的故障檢測(cè)方法,能夠及時(shí)準(zhǔn)確的對(duì)變壓器內(nèi)部的故障進(jìn)行監(jiān)測(cè)。
用超聲波法對(duì)變壓器缺陷故障引起的局部放電進(jìn)行檢測(cè),得到的信號(hào)圖譜中含有豐富的局放信息,可以從中提取能充分反映局放信號(hào)特征的偏斜度Sk、陡峭度Ku、局部峰點(diǎn)數(shù)Pe、互相關(guān)系數(shù)Cc和放電量Q等特征參數(shù)。對(duì)統(tǒng)計(jì)特征參數(shù)進(jìn)行分析,能夠較好的進(jìn)行典型絕緣缺陷故障的診斷。
基于此,本文通過(guò)對(duì)變壓器內(nèi)部設(shè)置典型絕緣缺陷模型,對(duì)其故障進(jìn)行局放試驗(yàn),提取出能反映典型缺陷局放信號(hào)的特征參數(shù)。用SVM算法對(duì)典型絕緣缺陷局放信號(hào)進(jìn)行分類,結(jié)果表明:SVM分類算法對(duì)于GIS內(nèi)典型缺陷類型具有較高的識(shí)別率。
1 SVM算法的原理
1.1 分類器設(shè)計(jì)
SVM是Vapnik提出的一種建立在統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)上的非線性數(shù)據(jù)處理方法,其基于“結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理”的獨(dú)特決策規(guī)則能較好的克服傳統(tǒng)分類算法“維數(shù)災(zāi)”和“過(guò)擬合”等問(wèn)題,并且具有很強(qiáng)的泛化能力,在處理二分類和多分類模式識(shí)別問(wèn)題上有著優(yōu)異表現(xiàn),因而備受研究人員青睞,目前已開發(fā)出LIBSVM、LS-SVMLAB、OSU SVM等諸多軟件包。然而,SVM模型參數(shù)的選取沒(méi)有既定的標(biāo)準(zhǔn),需要很強(qiáng)的經(jīng)驗(yàn)與技巧。
1.2 SVM算法原理
SVM算法是一種基于數(shù)據(jù)挖掘技巧的機(jī)器學(xué)習(xí)技術(shù)。將SVM應(yīng)用到分類中去的核心思想陳述如下:
給出訓(xùn)練樣本集{xi,yi},其中,i=1,2,…,n,x∈p,y∈{+1,-1}能夠被超平面?棕Tx+b=0分離,其中?棕是權(quán)重矢量,b是偏移量。如果超平面使得邊距最大化,那么下列不等式對(duì)所有輸入變量成立:
對(duì)于所有的xi,當(dāng)我們固定硬邊距為1時(shí),超平面的幾何間隔為 。那么,問(wèn)題變成了t通過(guò)在式(1)的約束下最小化 來(lái)求得最大化的邊距。這是一個(gè)凸次編程問(wèn)題。使用拉格朗日乘子(LM)(?琢i>0,i=1,…,n)以解決下式:
最大化邊距是一個(gè)很重要的概念,但是它不能用于解決現(xiàn)實(shí)中的很多問(wèn)題,原因是,如果數(shù)據(jù)有很多噪點(diǎn),除非我們準(zhǔn)備使用非常復(fù)雜的核,否則,通常在特征空間內(nèi)不能進(jìn)行線性分類。主要的原因在于,最大化邊距分類器總是完美而沒(méi)有誤差的將訓(xùn)練樣本分類。為了解決這一問(wèn)題,SVM使用接下來(lái)要介紹的軟邊距,并引入非負(fù)的松弛變量
對(duì)于一個(gè)線性的不可分類問(wèn)題,SVM利用核函數(shù)k(x,y)將在輸入空間內(nèi)的樣本映射到高維的特征空間中去,其中徑向基核函數(shù)
其中C和?滓需要基于全部的訓(xùn)練樣本迭代選出最優(yōu)的值。參數(shù)的選取對(duì)于SVM的表示起到了至關(guān)重要的作用。
1.3 算法流程
1.3.1 設(shè)已知樣本集合P={x1,x2,…xn},其中n為已知分類的樣本數(shù),c代表分類數(shù);
1.3.2 為了建立分類函數(shù),對(duì)訓(xùn)練樣本集進(jìn)行從0到1的線性縮放并且計(jì)算各種參數(shù);
1.3.3 利用k折交叉驗(yàn)證估計(jì)和網(wǎng)格尋找算法結(jié)合估計(jì)最優(yōu)模型參數(shù)(C,g);
1.3.4 利用最優(yōu)的參數(shù)建立SVM模型;
1.3.5 估計(jì)SVM模型的可靠性。
2 變壓器缺陷類型
變壓器的內(nèi)部主要采用的是油紙絕緣結(jié)構(gòu),內(nèi)部發(fā)生的局部放電常常造成絕緣故障。在變壓器安裝、制造、運(yùn)行中常常會(huì)由于缺陷的存在造成局部放電。而其局放常常位于油間隙、空氣隙、金屬導(dǎo)體毛刺以及固體表面。所以,可以將變壓器局放歸為:空氣間隙造成的放電;油中的氣泡造成的放電;雜質(zhì)導(dǎo)致的放電;沿面放電。本文將根據(jù)放電類型,進(jìn)行試驗(yàn)研究。
3 識(shí)別結(jié)果
通過(guò)局放檢測(cè)裝置連續(xù)采集多周期的局放數(shù)據(jù),對(duì)于統(tǒng)計(jì)特征指紋,每種缺陷選取50組作為訓(xùn)練組,測(cè)試組共選取100組特征數(shù)據(jù)來(lái)研究缺陷類型的識(shí)別正確率。運(yùn)用SVM分類算法對(duì)典型變壓器缺陷局放類型識(shí)別,采用獨(dú)立樣本作為測(cè)試樣本檢驗(yàn)該算法的正確率。識(shí)別結(jié)果如表1所示。
從表1可以看出,針板放電缺陷和內(nèi)部放電缺陷通過(guò)SVM算法進(jìn)行分類正確率為91%和93%,沿面放電達(dá)到78%,沿面放電缺陷由于局放信息復(fù)雜,使得此缺陷的識(shí)別率較低??傮w而言,支持向量分類算法對(duì)變壓器各種模擬缺陷識(shí)別率較高,效果較好。
4 結(jié)束語(yǔ)
對(duì)變壓器設(shè)計(jì)了3種典型絕緣缺陷模型,通過(guò)超聲波法對(duì)故障引起的局放信號(hào)采集了大量樣本,提取了局部放電信號(hào)特征參數(shù)。用SVM算法識(shí)別變壓器局部放電類型,結(jié)果顯示出較高的識(shí)別正確率。