李志華

（潞安集團(tuán)石圪節(jié)煤業(yè)公司， 山西 長(zhǎng)治 046032）

引言

智能技術(shù)的本質(zhì)是通過(guò)算法實(shí)現(xiàn)某種預(yù)期目標(biāo)，它在電氣自動(dòng)化中具有重要價(jià)值。電氣自動(dòng)化中通常應(yīng)用自主計(jì)算的智能技術(shù)，這就意味著電氣自動(dòng)化控制系統(tǒng)具備自適應(yīng)調(diào)節(jié)的能力。智能技術(shù)中的認(rèn)知信息也被應(yīng)用到部分電力故障檢測(cè)當(dāng)中，通過(guò)解決全局概率性等問(wèn)題，提出中心聚類(lèi)算法對(duì)部分故障的聚類(lèi)分析，以達(dá)到故障的自動(dòng)檢測(cè)目的。電氣自動(dòng)化涉及面廣、應(yīng)用領(lǐng)域廣，學(xué)習(xí)和研究成本較高，因此亟待通過(guò)智能技術(shù)的應(yīng)用來(lái)解決部分難題。智能化是電氣自動(dòng)化控制技術(shù)的發(fā)展方向，其發(fā)展水平正是評(píng)價(jià)電氣自動(dòng)化水平的標(biāo)準(zhǔn)。目前，智能技術(shù)已經(jīng)在電力控制系統(tǒng)、電機(jī)智能控制、電氣設(shè)備的狀態(tài)評(píng)估與檢測(cè)等領(lǐng)域應(yīng)用，大幅提高了電氣自動(dòng)化的智能程度。

1 智能技術(shù)算法及其應(yīng)用概述

1.1 支持向量機(jī)（SVM）及其應(yīng)用

支持向量機(jī)是一類(lèi)有監(jiān)督學(xué)習(xí)的方法，在數(shù)據(jù)歸類(lèi)和回歸領(lǐng)域被廣泛應(yīng)用，是一種基于統(tǒng)計(jì)的二分類(lèi)模型，在樣本量較少時(shí)也能做到數(shù)據(jù)的統(tǒng)計(jì)。該方法支持向量機(jī)定義核函數(shù)，將輸入通過(guò)非線(xiàn)性變換映射至高緯空間，并在這一空間尋求最優(yōu)分類(lèi)面。因此，它的分類(lèi)函數(shù)類(lèi)似于神經(jīng)網(wǎng)絡(luò)，中間節(jié)點(diǎn)通過(guò)線(xiàn)性組合讓節(jié)點(diǎn)的輸入樣本對(duì)應(yīng)支持向量進(jìn)行內(nèi)積。支持向量機(jī)用超平面將數(shù)據(jù)分類(lèi)，定義如下：

式中：ω為法向量；b為超平面相對(duì)原點(diǎn)的偏移量；x為樣本。

求解式中法向量ω是超平面的關(guān)鍵，傳統(tǒng)算法是根據(jù)最小二乘法選取任意隨機(jī)平面，直接通過(guò)網(wǎng)絡(luò)訓(xùn)練，得到錯(cuò)誤分類(lèi)結(jié)果，其中，對(duì) ω求導(dǎo)采用梯度下降法即可得到錯(cuò)誤分類(lèi)結(jié)果的極值，此時(shí)求解得到的為最佳超平面，這樣完成的分類(lèi)結(jié)果也最優(yōu)。圖1是支持向量機(jī)結(jié)構(gòu)，每個(gè)輸入向量均與內(nèi)核向量進(jìn)行卷積，其優(yōu)勢(shì)在于樣本量不足時(shí)可以獲得全局最優(yōu)解，而非大量樣本下迭代最優(yōu)，并且避免了局部極值的問(wèn)題。另一類(lèi)支持向量機(jī)常用于線(xiàn)性回歸的擬合，通過(guò)擬合求得最佳超平面（方差最?。?/p>

圖1 支持向量機(jī)網(wǎng)絡(luò)結(jié)構(gòu)

在電氣自動(dòng)化領(lǐng)域，支持向量機(jī)常被用于設(shè)備運(yùn)行的故障檢測(cè)。由于電氣設(shè)備故障具有隨機(jī)性，其特點(diǎn)表現(xiàn)為非線(xiàn)性、偶發(fā)性。常見(jiàn)的故障特征樣本有溫度、濕度、壓力、電磁輻射等，通過(guò)對(duì)這些樣本的采集作為支持向量機(jī)輸入，輸出為設(shè)備故障信息。

1.2 Kmeans聚類(lèi)算法及其應(yīng)用

Kmeans聚類(lèi)算法是一個(gè)迭代求解方法，它常被用于電力系統(tǒng)運(yùn)行數(shù)據(jù)的故障識(shí)別與檢測(cè)。通過(guò)創(chuàng)建初始樣本簇K，然后迭代地將樣本分門(mén)別類(lèi)，實(shí)現(xiàn)最終聚類(lèi)。K值的擬定是Kmeans算法的關(guān)鍵，例如：變壓器DGA數(shù)據(jù)是其故障診斷的參考數(shù)據(jù)，數(shù)據(jù)樣本采用Kmeans算法聚類(lèi)可以有效地判斷變壓器故障。Kmeans算法步驟一般為：選取初始K類(lèi)簇中心；將樣本按簇中心歐式距離最短進(jìn)行標(biāo)記分類(lèi)；樣本迭代，直至所有樣本均被歸類(lèi)。其中，標(biāo)記公式為：

公式（2）中，標(biāo)簽是以簇中心aj和樣本xi歐式距離最短確定的，迭代結(jié)束的判定是以歐式距離的最小平方誤差決定的：

式中：μi是簇的均值向量；Ci為樣本空間，因此每個(gè)樣本都屬于這一空間內(nèi)。在求解最小值的時(shí)候采用的是迭代，這類(lèi)算法對(duì)初始值K較為敏感，因此需要選擇最優(yōu)的構(gòu)造避免異常值出現(xiàn)。

Kmeans聚類(lèi)算法可被用于電氣設(shè)備速度控制、故障損耗統(tǒng)計(jì)、設(shè)備運(yùn)行圖像采集與故障診斷等。以圖像采集故障診斷為例，根據(jù)設(shè)備相對(duì)位置數(shù)據(jù)對(duì)設(shè)備磨損程度進(jìn)行聚類(lèi)，按照磨損程度等級(jí)進(jìn)行維修、更換、檢查等。

1.3 主成分分析及其應(yīng)用

主成分分析（PAC）是一種將多變量高維問(wèn)題進(jìn)行小失真降維簡(jiǎn)化的算法，目前被用于電力系統(tǒng)的短期荷載預(yù)測(cè)、系統(tǒng)狀態(tài)評(píng)估、電網(wǎng)規(guī)劃決策等。電氣自動(dòng)化部分測(cè)得的數(shù)據(jù)認(rèn)為是非線(xiàn)性的、高維度的，且評(píng)估、預(yù)測(cè)的模型也多為復(fù)雜高維的。因此，采用主成分分析法可以將模型進(jìn)行簡(jiǎn)化。衡量變量間相關(guān)程度采用皮爾遜相關(guān)系數(shù)或協(xié)方差，因此在進(jìn)行主成分分析時(shí)首先要對(duì)源數(shù)據(jù)進(jìn)行線(xiàn)性變換：

公式（4）建立了樣本空間X至新空間Y的映射關(guān)系，通過(guò)基本變換達(dá)到降維的效果。降維后要求損失的信息最少，因此可以通過(guò)計(jì)算方差得到：

式中：D為樣本集；ai為樣本，共m個(gè)；μ為樣本均值。在計(jì)算方差后還需對(duì)D進(jìn)行中心化：

通過(guò)求解方差和協(xié)方差矩陣從而得到主成分對(duì)應(yīng)的特征值，因此可以將數(shù)據(jù)的貢獻(xiàn)率作為評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)量化評(píng)估和管理，其構(gòu)建的矩陣形式如下：

公式（7）建立了主成分y與源數(shù)據(jù)x間的關(guān)系。根據(jù)方差貢獻(xiàn)率可以計(jì)算出源數(shù)據(jù)所占比建立評(píng)估管理模型對(duì)電氣自動(dòng)化相關(guān)設(shè)備進(jìn)行評(píng)價(jià)。通過(guò)主成分分析得到預(yù)測(cè)的主成分及占比，帶入模型進(jìn)行預(yù)測(cè)所得的結(jié)果往往比較準(zhǔn)確。

2 礦用變壓器故障檢測(cè)的應(yīng)用創(chuàng)新

礦用變壓器多年的運(yùn)行維護(hù)經(jīng)驗(yàn)表明：變壓器受井下環(huán)境影響容易造成故障潛伏，受條件限制不能實(shí)現(xiàn)全面的故障診斷。紅外診斷技術(shù)在針對(duì)變壓器套管故障、冷卻裝置故障、油路故障等方面已有較好的效果，用變壓器在運(yùn)行過(guò)程中產(chǎn)生的溫度特征參量參照診斷規(guī)范來(lái)判別故障類(lèi)型。但溫度受到環(huán)境因素影響，紅外診斷的準(zhǔn)確性有待提升。針對(duì)變壓器套管故障，紅外檢測(cè)能夠以熱成像形式展現(xiàn)給巡檢人員，根據(jù)經(jīng)驗(yàn)：以套管頂部柱頭為最熱熱像的一般是由電流致熱引起，而以整體發(fā)熱熱像的一般是由電壓致熱引起。根據(jù)測(cè)得結(jié)果，巡檢人員按照《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》（DL/T 664—2008），可對(duì)故障進(jìn)行排除。傳統(tǒng)的診斷判別采用了表面溫度判斷、同類(lèi)比較判斷、圖像特征判斷法等，由于在采用圖像特征判別時(shí)傳統(tǒng)的算法無(wú)法避免一些外部干擾，降低了診斷系統(tǒng)的可靠性。采用Kmeans聚類(lèi)算法對(duì)熱像圖像進(jìn)行聚類(lèi)，用圖像特征可以實(shí)現(xiàn)故障自動(dòng)診斷。簇1是以圖像過(guò)亮的像素個(gè)數(shù)作為統(tǒng)計(jì)信息的，在獲取套管坐標(biāo)后可以通過(guò)閾值（閾值設(shè)定參照《規(guī)范》）分割獲取套管過(guò)熱面積和位置信息。通過(guò)橢圓擬合得到過(guò)熱區(qū)域可以判斷是電流引起還是電壓引起的套管故障。

圖2為典型電流致熱型套管故障，將Kmeans聚類(lèi)的初始值設(shè)為K=3，當(dāng)溫差低于10 K（灰度級(jí)小于40，8 bit數(shù)字圖像灰度級(jí)為28=256）時(shí)作為簇1特征；熱點(diǎn)溫度在45～65℃時(shí)作為簇2特征；熱點(diǎn)溫度在70～90℃時(shí)作為簇3特征。考慮到溫度受環(huán)境影響，樣本需要在±10℃范圍內(nèi)誤差可接受。最終結(jié)果按照電流、電壓致熱進(jìn)行分類(lèi)，得到三類(lèi)故障等級(jí)，見(jiàn)圖3。按照設(shè)備缺陷診斷判據(jù)，其處理流程下頁(yè)圖4所示。

圖2 電流致熱型套管故障

圖3 電壓致熱型套管故障

圖4 套管故障診斷流程

根據(jù)Kmeans的迭代特點(diǎn)，不同溫度下的故障類(lèi)型能夠得到有效區(qū)分。由于故障類(lèi)型的細(xì)分需要提供大量樣本，因此本文將在后續(xù)對(duì)大量紅外成像樣本進(jìn)行分析，可以量化得到故障等級(jí)對(duì)應(yīng)的圖像灰度等信息。

3 結(jié)語(yǔ)

本文針對(duì)電氣自動(dòng)化中典型的智能技術(shù)，對(duì)常用算法進(jìn)行了理論分析和應(yīng)用分析，并用Kmeans算法實(shí)現(xiàn)紅外診斷變壓器套管故障過(guò)程，三個(gè)簇（K=3）可以有效區(qū)分故障類(lèi)型，對(duì)提高檢測(cè)效率有一定貢獻(xiàn)。下一步將對(duì)部分故障樣本進(jìn)行算法測(cè)試，并通過(guò)測(cè)試結(jié)果不斷改進(jìn)算法，實(shí)現(xiàn)智能技術(shù)在電氣自動(dòng)化中的應(yīng)用創(chuàng)新。