蔡建峰, 劉明輝, 魯杰, 李威, 鐘磊, 張清敏

(1.國網(wǎng)冀北電力有限公司承德供電公司, 河北, 承德 067000;2.智洋創(chuàng)新科技股份有限公司, 山東, 淄博 255086)

0 引言

電力輸電線路按照結(jié)構(gòu)可分為兩種結(jié)構(gòu),一是架空輸電線路、二是電纜線路。輸電線路在運(yùn)行使用過程中,受到多種因素的影響和作用后,會(huì)形成隱患故障[1-4]。由于隱患故障的風(fēng)險(xiǎn)識(shí)別和判定標(biāo)準(zhǔn)無法統(tǒng)一,因此隱患故障識(shí)別結(jié)果的可靠性存在一定偏差。沈曉枉[5]為識(shí)別線路故障,以空間故障樹理論為基礎(chǔ),提出了相應(yīng)的故障識(shí)別方法;王橋梅等[6]為保證線路故障識(shí)別的精準(zhǔn)性,依據(jù)VMD多尺度模糊熵,提出了相關(guān)的故障識(shí)別方法。上述方法均能夠完成電力線路故障識(shí)別,但是對(duì)于處于隱患階段以及早期階段的線路故障的識(shí)別可靠性仍需進(jìn)一步驗(yàn)證。

本文針對(duì)電力輸電線路的隱患故障展開詳細(xì)分析后,針對(duì)隱患故障的特點(diǎn)提出基于IPSO-SVM算法的電力輸電線路隱患故障識(shí)別方法,改進(jìn)粒子群算法(IPSO)是一種尋優(yōu)算法,其在基礎(chǔ)粒子群算法的基礎(chǔ)上,實(shí)現(xiàn)算法擴(kuò)展性的優(yōu)化,提升算法自身的尋優(yōu)效果和性能;支持向量機(jī)(SVM)作為一種典型且應(yīng)用較普遍的機(jī)器學(xué)習(xí)方法,其能夠以及決策邊界的計(jì)算結(jié)果完成目標(biāo)的分類,以此完成電力輸電線路隱患故障識(shí)別。

1 電力輸電線路隱患故障識(shí)別

1.1 電力輸電線路隱患故障多特征提取

1.1.1 隱患故障能量特征向量計(jì)算

采用峭度、偏斜度、方差、裕度指標(biāo)等多種特征量表示時(shí)域特征參數(shù),如表1所示。

表1 特征量參數(shù)詳情

但是上述特征參數(shù)存在一定局限性,因此為準(zhǔn)確獲取電力輸電線路隱患故障特征頻帶濾波信號(hào)[7],采用均勻劃分手段對(duì)所有的時(shí)域特征參數(shù)實(shí)行劃分處理,其采用小波分解完成,且為正交小波。頻域特征參數(shù)則采用劃分后獲取子帶頻率濾波信號(hào)描述,則基于Parseval恒等式可得出:

(1)

如果原始電力輸電線路隱患故障特征經(jīng)過小波包分解后形成的頻帶數(shù)量用M表示,則各個(gè)頻帶對(duì)應(yīng)的能量計(jì)算公式為

(2)

式中,Ni表示數(shù)據(jù)長度,對(duì)應(yīng)第i個(gè)子頻帶。

在式(2)的基礎(chǔ)上,計(jì)算能量φi的均方根,其公式為

(3)

采用歸一化的方式對(duì)能量值實(shí)行處理后可得出能量特征向量,其公式為

(4)

1.2 隱患故障多特征提取

完成Ri值的獲取后,采用Hilbert包絡(luò)譜奇異值對(duì)Ri的分量φ1,φ2,…,φM實(shí)行變換處理,其公式為

(5)

在式(5)的基礎(chǔ)上,計(jì)算電力輸電線路隱患故障的本征模式分量(IMF)的包絡(luò)譜,其計(jì)算公式為

(6)

將式(6)的各個(gè)結(jié)果組成矩陣B,其大小為m×n,依據(jù)奇異值分解,得出存在2種正交矩陣,其分別為U=[u1,u2,…,um]∈Rm×m和V=[v1,v2,…,vm]∈Rm×n,2種矩陣均為奇異向量矩陣,且均屬于B,基于此可確定:

UTBV=diag[β1,β2,…,βl]=S

(7)

式中,βi表示奇異值,其中i=1,2,…,l?；谏鲜龉降贸鯞的奇異值分解公式:

B=UVTSζ

(8)

獲取其對(duì)應(yīng)的包絡(luò)譜奇異值矩陣B,將B作為電力輸電線路隱患故障識(shí)別的特征向量,輸入至經(jīng)IPSO優(yōu)化的SVM的故障識(shí)別模型中,完成電力輸電線路隱患故障分類識(shí)別。

1.3 電力輸電線路隱患故障識(shí)別

1.3.1 隱患故障識(shí)別結(jié)果尋優(yōu)的IPSO算法

確定其在隱患故障分類識(shí)別結(jié)果尋優(yōu)過程中,慣性權(quán)值ω對(duì)其全局搜索能力存在直接關(guān)聯(lián),因此,對(duì)實(shí)行優(yōu)化,形成動(dòng)態(tài)慣性權(quán)值ω′,其公式為

(9)

式中,k和L均表示迭代次數(shù),前者對(duì)應(yīng)當(dāng)前,后者對(duì)應(yīng)最大,ωmax和ωmin均表示權(quán)值,前者為最大,后者為最小。

提升粒子群算法的全局搜索能力后,完成粒子群算法的自身優(yōu)化后,為使粒子能夠較快地完成全局自由隱患故障分類識(shí)別結(jié)果的搜索,對(duì)LS-SVM模型的參數(shù)實(shí)行優(yōu)化,優(yōu)化的參數(shù)為懲罰因子和核參數(shù),分別用c和g表示。則IPSO對(duì)LS-SVM模型實(shí)行優(yōu)化的適應(yīng)度函數(shù)γ(x)的計(jì)算公式為

(10)

式中,f(x|c,g)和f0(x|c,g)均表示輸出結(jié)果,前者對(duì)應(yīng)實(shí)際,后者對(duì)應(yīng)期望,n表示數(shù)量對(duì)應(yīng)校驗(yàn)集樣本。

如果X=[c,g]表示變量,γ(X)對(duì)X的偏導(dǎo)數(shù)公式為

(11)

如果電力輸電線路隱患故障中各個(gè)變量呈線性,γ(X)對(duì)X的偏導(dǎo)數(shù)公式為

(12)

(13)

式中,粒子速度用υ(t)表示,且在t時(shí)刻,x(k|t+1)和x(k|t)均表示粒子位置,屬于第k個(gè)變量,且位于個(gè)體向量中,前者對(duì)應(yīng)t+1時(shí)刻,后者對(duì)應(yīng)t時(shí)刻,則用于描述電力輸電線路隱患故障分類識(shí)別結(jié)果更新位置。優(yōu)化流程如圖1所示。

1.3.2 基于IPSO-LS-SVM算法的隱患故障分類識(shí)別

通過1.3.1小節(jié)完成優(yōu)化后,采用優(yōu)化后的基于IPSO-LS-SVM算法完成輸電力線路隱患故障分類識(shí)別。其識(shí)別分類步驟如下所述。

(1) 設(shè)c1和c2均表示初始學(xué)習(xí)因子,維數(shù)和規(guī)模分別用D和E表示,前者對(duì)應(yīng)粒子搜索空間,后者對(duì)應(yīng)粒子種群,對(duì)上述IPSO的參數(shù)實(shí)行初始化處理,且設(shè)定初始迭代次數(shù)為0。

(2) 對(duì)LS-SVM的待優(yōu)化參數(shù)c、g以及核函數(shù)權(quán)重系數(shù)λ的取值范圍進(jìn)行設(shè)定,生成隨機(jī)一組參數(shù),用(c,g,λ)表示,并采用該參數(shù)表示粒子的初始位置。

(3) 求解γ(X),并將該求解結(jié)果與粒子的個(gè)體最優(yōu)位置γ(pbest)進(jìn)行對(duì)比,如果前者小于后者,采用xi替換上一輪的粒子位置,此時(shí)適應(yīng)度函數(shù)為

γ(xi)=1-γ(p)

(14)

式中,γ(X)表示隱患故障的分類精度。

(4) 獲取全局最優(yōu)解。將γ(pbest)和全局最優(yōu)適應(yīng)度值γ(qbest)進(jìn)行對(duì)比,如果前者小于后者,則采用pbest替換qbest。

(5) 完成粒子的位置、υ(t)、ω′以及c1和c2的更新。

(6) 結(jié)果輸出。當(dāng)γ(xi)結(jié)果滿足一定精度或者迭代滿足最大次數(shù)時(shí),完成參數(shù)值輸出,反之,回步驟(3)。

(7) 依據(jù)上述步驟完成基于IPSO-LS-SVM模型的構(gòu)建,獲取模型的最佳參數(shù),并完成電力輸電線路隱患故障分類識(shí)別。

本文在識(shí)別過程中,采用多分類器組合的方式完成隱患故障的分類診斷,多分類器的組合診斷結(jié)構(gòu)如圖2所示。

圖2 多分類器隱患故障分類識(shí)別結(jié)構(gòu)

2 測(cè)試分析

為驗(yàn)證本文隱患故障識(shí)別方法的應(yīng)用性能和效果,將某電力企業(yè)20 km線路作為研究對(duì)象,獲取線路的相關(guān)數(shù)據(jù),數(shù)據(jù)采集過程中,為保證采集數(shù)據(jù)準(zhǔn)確性以及全面性,結(jié)合該電力企業(yè)電力輸電線線路的地理環(huán)境以及輸電線路類別,設(shè)定采集線路步長為2 km,采集時(shí)間為1個(gè)月,共獲取10組數(shù)據(jù)。采集的數(shù)據(jù)中包含4種電力輸電線路隱患故障類別,分別為雷擊、覆冰、懸掛物以及山火,分別用故障1～4表示。4類隱患故障數(shù)量分別為12個(gè)、15個(gè)、18個(gè)以及7個(gè)。上述4種隱患故障均存在發(fā)展特性,容易造成輸電線路絕緣損壞、桿塔傾斜、漏電、電力運(yùn)行故障等。

設(shè)最大迭代次數(shù)為180,粒子種群規(guī)模為25,學(xué)習(xí)因子c1和c2的取值分別為1.4和1.6,核參數(shù)g取15.5。

為測(cè)試本文方法優(yōu)化后隱患識(shí)別的優(yōu)勢(shì),獲取在不同迭代次數(shù)下,對(duì)初始特征個(gè)數(shù)與特征分類后的個(gè)數(shù)進(jìn)行對(duì)比分析,即驗(yàn)證隱患故障特征識(shí)別過程的有效性。在優(yōu)化前、后,按照梯度方向,在固定維數(shù)和規(guī)模下計(jì)算t+1時(shí)刻和t時(shí)刻的個(gè)數(shù)差,獲得對(duì)電力輸電線路4種隱患故障識(shí)別誤差結(jié)果,以此衡量本文方法優(yōu)化優(yōu)勢(shì)。結(jié)果如圖3所示。

圖3 優(yōu)化前后的隱患故障識(shí)別誤差測(cè)試結(jié)果

由圖3結(jié)果可知,本文方法經(jīng)過優(yōu)化后的隱患故障特征識(shí)別效果更佳,誤差值均在0.06以下。

本文方法在進(jìn)行輸電線路隱患分類識(shí)別過程前,需先在取值范圍內(nèi)確定懲罰因子c的最佳取值。以隱患故障識(shí)別精度作為衡量標(biāo)準(zhǔn),測(cè)試2種參數(shù)在不同取值下的識(shí)別精度,結(jié)果如圖4所示。

圖4 最優(yōu)參數(shù)取值測(cè)試結(jié)果

由圖4結(jié)果可得,隨著c取值的逐漸增加,隱患故障識(shí)別精度發(fā)生不同波動(dòng)變化,與優(yōu)化前的取值測(cè)試結(jié)果相比,c取值為0.002時(shí),隱患故障識(shí)別精度最佳,達(dá)到0.96。因此,確定本文方法的c的最佳取值為0.002,并用于后續(xù)隱患故障識(shí)別測(cè)試中。

為測(cè)試本文方法的電力輸電線路隱患故障特征提取性能,以時(shí)域特征參數(shù)結(jié)果為衡量標(biāo)準(zhǔn),4種電力輸電線路隱患故障為例,采用本文方法獲取表1中的時(shí)域特征參數(shù),并計(jì)算該參數(shù)對(duì)于不同類別隱患故障的影響水平,結(jié)果取3次計(jì)算結(jié)果的平均值,如表2所示。

表2 時(shí)域特征參數(shù)計(jì)算結(jié)果

由表2結(jié)果可得,本文方法具備良好的隱患故障特征提取性能。

為測(cè)試本文方法對(duì)電力輸電線路隱患故障識(shí)別性能和效果,應(yīng)用本文方法在不同樣本數(shù)量下,對(duì)4種電力輸電線路隱患故障進(jìn)行分類識(shí)別,獲取識(shí)別結(jié)果,并將識(shí)別結(jié)果與實(shí)際結(jié)果進(jìn)行對(duì)比,分析本文方法的識(shí)別效果,如圖5所示。

圖5 電力輸電線路隱患故障分類結(jié)果

由圖5結(jié)果可得,隨著樣本數(shù)量的逐漸增加,本文方法依舊能夠較好地完成隱患故障分類,并且分類結(jié)果與實(shí)際極為吻合。

電力輸電線路在運(yùn)行過程中會(huì)受到電磁以及自然環(huán)境中的聲音干擾,導(dǎo)致采集的電力輸電線路數(shù)據(jù)中存在一定程度的噪聲。因此,為進(jìn)一步衡量本文方法的隱患故障識(shí)別效果,獲取本文方法在不同信噪比噪聲下,對(duì)于電力輸電線路隱患故障的識(shí)別結(jié)果,如圖6所示。

圖6 電力輸電線路隱患故障的識(shí)別結(jié)果

由圖6結(jié)果可得,隨著不同信噪比噪聲的逐漸增加,4種電力輸電線路隱患故障的識(shí)別結(jié)果均與實(shí)際結(jié)果數(shù)量一致,表示本文方法能夠可靠完成電力輸電線路隱患故障的識(shí)別,為電力系統(tǒng)的運(yùn)行管理提供可信度較高的隱患故障情況結(jié)果,為電力系統(tǒng)的安全運(yùn)行提供可靠依據(jù)。

3 總結(jié)

本文為準(zhǔn)確識(shí)別輸電線路的隱患故障,提出基于IPSO-SVM算法的電力輸電線路隱患故障識(shí)別方法,經(jīng)過雙重優(yōu)化后,具備更佳的隱患故障識(shí)別性能,能夠準(zhǔn)確完成隱患故障中的多特征提取,保證隱患故障的識(shí)別效果,為電力系統(tǒng)的安全運(yùn)行提供了可靠依據(jù)。