基于支持向量機的高壓斷路器故障診斷方法的研究

付超，李奎

（1.河北師范大學職業(yè)技術(shù)學院，河北石家莊 050024；2.河北工業(yè)大學電氣工程學院，天津 300130）

基于支持向量機的高壓斷路器故障診斷方法的研究

付超1,2，李奎2

（1.河北師范大學職業(yè)技術(shù)學院，河北石家莊 050024；2.河北工業(yè)大學電氣工程學院，天津 300130）

基于支持向量機的故障診斷技術(shù)逐漸成為當前故障診斷領(lǐng)域研究的熱點問題，而高壓斷路器作為關(guān)系電力系統(tǒng)可靠性的重要設(shè)備，其故障與否直接關(guān)系到整個電力系統(tǒng)的穩(wěn)定．本文通過比較多種核函數(shù)的多重參量，最終選擇適合高壓斷路器的核函數(shù)；通過分析傳統(tǒng)交叉驗證法，提出改進型交叉驗證（K-CV）法，最后利用高壓斷路器現(xiàn)場實際數(shù)據(jù)作為樣本，采用Libsvm工具箱，通過不斷地參數(shù)尋優(yōu)，最終得出故障分類結(jié)果．實驗結(jié)果表明，采用的基于徑向基核函數(shù)改進型10-CV交叉驗證法支持向量機能更快速、準確的判斷高壓斷路器故障類型．

支持向量機；故障診斷；核函數(shù)；交叉驗證

0 引言

隨著我國各行業(yè)的不斷發(fā)展，人們對電力系統(tǒng)可靠性要求也越來越高，作為電力系統(tǒng)中最為重要的開關(guān)電器之一——高壓斷路器的可靠性直接關(guān)系到整個電力系統(tǒng)的穩(wěn)定．傳統(tǒng)判斷高壓斷路器的方法有閾值診斷法、BP神經(jīng)網(wǎng)絡(luò)法和專家系統(tǒng)診斷法等，其中支持向量機（Support Vector Machine，SVM）作為一種基于統(tǒng)計學習的方法，以其依托小數(shù)據(jù)樣本分析及識別準確率高等優(yōu)點逐步應(yīng)用起來．本文以高壓斷路器故障診斷系統(tǒng)框架設(shè)計入手，通過比較多種核函數(shù)的支持向量個數(shù)、訓練時間等參量來確定適合高壓斷路器的核函數(shù)類型，以實際采集的特征樣本數(shù)據(jù)通過改進型交叉驗證（K-CV）的方法進行故障診斷，分析結(jié)果表明，跟傳統(tǒng)方法相比，基于徑向基核函數(shù)改進型10-CV交叉驗證法能更快速、準確的判斷高壓斷路器機械故障類型．

1 系統(tǒng)架構(gòu)

根據(jù)支持向量機的原理和高壓斷路器故障診斷的特點，提出了高壓斷路器的支持向量機故障診斷方法，系統(tǒng)結(jié)構(gòu)如圖1所示．

圖1 基于SVM的高壓斷路器故障診斷結(jié)構(gòu)Fig.1The structure of high voltage circuit breaker fault diagnosis based on SVM

首先采集被測斷路器的故障特征量（觸頭行程、斷路器振動信號等），為了獲得優(yōu)異的支持向量機結(jié)構(gòu)和分類能力，需要對訓練的數(shù)據(jù)進行預處理，一般是將數(shù)據(jù)做歸一化處理到[-1,1]或者[0,1]．然后進行樣本集構(gòu)造，對經(jīng)過數(shù)據(jù)預處理后的故障特征，與相應(yīng)故障類標號構(gòu)成支持向量機訓練集和測試集．最后輸入支持向量機，其在高壓斷路器故障診斷中有效地實現(xiàn)了特征空間到故障空間的映射，支持向量機的實現(xiàn)包括了核函數(shù)的選擇、支持向量機的訓練和支持向量機的參數(shù)優(yōu)化．

支持向量機工具為Libsvm-3.1，其核心函數(shù)為建立函數(shù)模型的svmtrain和進行函數(shù)預測的svmpredict，本文在官方版本基礎(chǔ)上添加了一些參數(shù)尋優(yōu)等輔助函數(shù)：

Libsvm的原始版本采用Microsoft Visual C++編寫，本文通過Microsoft Visual C++2010編譯器進行轉(zhuǎn)錄，進行.mexw32文件中轉(zhuǎn)，在Matlab 2012a平臺下使用libsvm進行數(shù)據(jù)訓練與分類．

2 核函數(shù)及其參數(shù)的選擇

核函數(shù)的作用是把輸入空間映射到高維的特征空間，這意味著采用不同的核函數(shù)可以得到不同的高維特征空間，核函數(shù)參數(shù)的變化影響了樣本數(shù)據(jù)在高維特征空間分布的復雜程度，從而影響了在特征空間獲得的最優(yōu)分類超平面的泛化能力．對線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)（RBF）、多層感知機核函數(shù)（MLP），采用一對一法訓練多分類支持向量機，表1至表4分別比較了各種核函數(shù)選擇不同的核參數(shù)的支持向量（Support Vector，SV）的個數(shù)和分類精度，訓練時間和測試時間．

表1 多項式核函數(shù)SVM診斷結(jié)果（=10）Tab.1The diagnosis results of polynomial kernel function SVM

表1 多項式核函數(shù)SVM診斷結(jié)果（=10）Tab.1The diagnosis results of polynomial kernel function SVM

核參數(shù)SV個數(shù)SV所占比例訓練時間/s測試時間/s分類精度2 59733.17%2.730.5190.31% 4 38721.47%3.060.4693.25% 6 44824.87%4.360.5987.58%

實驗結(jié)果表明采用徑向基核函數(shù)和多項式核函數(shù)的支持向量機比其他核函數(shù)能獲得更好的診斷結(jié)果．其中，采用多項式核的支持向量機個數(shù)最少，采用多層感知機核的支持向量個數(shù)最多，訓練和測試時間最長，而采用高斯核的訓練時間最短．

表2 高斯核函數(shù)SVM診斷結(jié)果（=10）Tab.2The diagnosis results of gauss kernel function SVM

表2 高斯核函數(shù)SVM診斷結(jié)果（=10）Tab.2The diagnosis results of gauss kernel function SVM

核參數(shù)SV個數(shù)SV所占比例訓練時間/s測試時間/s分類精度0.583346.27%2.810.4880.13% 1 76542.47%1.830.8294.37% 2 75041.67%2.080.3988.46%

表3 徑向基核函數(shù)SVM診斷結(jié)果（=10）Tab.3The diagnosis results of radial basis kernel function SVM

表3 徑向基核函數(shù)SVM診斷結(jié)果（=10）Tab.3The diagnosis results of radial basis kernel function SVM

核參數(shù)SV個數(shù)SV所占比例訓練時間/s測試時間/s分類精度0.583346.27%2.560.9896.53% 1 76542.47%3.471.0397.85% 2 75041.67%1.300.7892.34%

表4 多層感知機核函數(shù)SVM診斷結(jié)果（=10）Tab.4The diagnosis results of multilayer perceptron kernel function SVM

表4 多層感知機核函數(shù)SVM診斷結(jié)果（=10）Tab.4The diagnosis results of multilayer perceptron kernel function SVM

核參數(shù),bSV個數(shù)SV所占比例訓練時間/s測試時間/s分類精度0.1，-1117565.3%5.781.9884.78% 0.1，-1.5139777.6%5.331.3393.21% 0.1，-2131673.12%4.982.0384.36%

樣本集中訓練集和測試集的構(gòu)造也影響著核函數(shù)選擇，結(jié)合前面提到的樣本集的構(gòu)造方法——改進型Hold-Out Method方法（K-CV法），將原始數(shù)據(jù)分成10組（均分），將每個子集數(shù)據(jù)分別做一次驗證集，其余的9組子集數(shù)據(jù)作為訓練集．表5為采用10-CV法針對不同核函數(shù)識別率與分類時間比較結(jié)果．

表510 -CV法下不同核函數(shù)對比Tab.5Comparison of different kernel function 10-CV method

3 高壓斷路器故障診斷實例

3.1 試驗數(shù)據(jù)集描述及數(shù)據(jù)可視化

本文選用數(shù)據(jù)來自河北省電力公司超高壓輸變電分公司石西變電站3組西安西電高壓開關(guān)有限責任公司LW25-252/ T4000-50型SF6斷路器．在空載情況下采集正常（用N表示）和模擬故障狀態(tài)信號．模擬故障類型為：基座螺釘松動、減震器有多余撞擊、機構(gòu)運動零件脫落（故障代碼分別用P1、P2、P3表示）每種故障類型依次檢測斷路器觸頭行程、斷路器振動信號、斷路器動作線圈電流、主回路電流4個屬性（維數(shù)分別用x1、x2、x3、x4表示）．數(shù)據(jù)如表6所示．

圖24 維故障樣本箱式圖Fig.2Four dimensional fault sample box diagram

為了對數(shù)據(jù)統(tǒng)計特性進行概覽，對預處理后的數(shù)據(jù)，進行數(shù)據(jù)可視化操作，其數(shù)據(jù)“盒圖（boxplot）”如圖2所示．隨后將120組數(shù)據(jù)按照前文所述10-CV交叉檢驗?zāi)Ｐ蛣澐钟柧毤蜏y試集，劃分結(jié)果如圖3所示．

然后將C的范圍縮小到22～24，的范圍縮小到24～24，這樣在上面的粗略參數(shù)選擇的基礎(chǔ)上可以進行精細的參數(shù)選擇，可以看到在10-CV的方法下，最佳的參數(shù)是C=1.141 21，=1，如圖4所示．

表6 高壓斷路器特征樣本數(shù)據(jù)Tab.6Characteristics of the sample data of high voltage circuit breaker(Part)

圖3 故障樣本的分維可視化圖Fig.3Visualization of fault samples by dimension

圖4 參數(shù)尋優(yōu)結(jié)果圖（精細尋優(yōu)）Fig.4Parameter optimization results(Fine optimization)

3.2 基于RBF核函數(shù)10-CV交叉驗證法參數(shù)尋優(yōu)

將原始數(shù)據(jù)分成10組（均分）構(gòu)成10-CV交叉驗證法進行參數(shù)尋優(yōu)．本文采用逐步逼近的方法進行參數(shù)尋優(yōu)，首先在大的范圍粗略的尋找最佳的參數(shù)C和，讓C和的取值變化都為210,29,,210，程序略，仿真結(jié)果如圖5所示．

圖5 參數(shù)尋優(yōu)結(jié)果圖（粗略尋優(yōu)）Fig.5Parameter optimization results(Rough optimization)

3.3 結(jié)果分析

通過參數(shù)尋優(yōu)的最佳參數(shù)，進而可以對現(xiàn)場采集數(shù)據(jù)進行SVM故障分類．測試分類準確率達到98.319 3%．從圖6可以看到，盡管分類效果優(yōu)異，但是仍然出現(xiàn)離群點．這個與懲罰參數(shù)的選取有關(guān)，盡管分類的準確率并不是100%，但是參數(shù)尋優(yōu)的目的是尋找最好的泛化特性，通過大量現(xiàn)場數(shù)據(jù)驗證，該方法具有良好的分類特性，能夠用于高壓斷路器的故障診斷中．

4 結(jié)論

本文從支持向量機的基礎(chǔ)理論入手，通過比較多項式核函數(shù)、高斯核函數(shù)、徑向基核函數(shù)、多層感知機核函數(shù)的診斷結(jié)果，最終確定采用徑向基核函數(shù)方法．然后針對以往SVM參數(shù)優(yōu)化選取的辦法，提出改進型交叉驗證法，通過基于RBF核函數(shù)10-CV交叉驗證法進行參數(shù)優(yōu)化．在參數(shù)尋優(yōu)的過程中，先進行粗略尋優(yōu)再進行精細尋優(yōu)，使參數(shù)尋優(yōu)的過程大大加快．

圖6 測試集分類結(jié)果圖Fig.6The test set classification results

最后以LW25-252/T4000-50型SF6斷路器故障診斷為例，利用前文采集的特征信號，以正常狀態(tài)及基座螺釘松動、減震器有多余撞擊、機構(gòu)運動零件脫落三種故障下的斷路器觸頭行程、斷路器振動信號、斷路器動作線圈電流、主回路電流4個屬性的120組信號作為樣本集進行輸入．通過“一對一”（OAO）策略方式對樣本進行訓練，利用改進型10-CV交叉檢驗優(yōu)化支持向量機模型參數(shù)，以ROC曲線及分類準確率作為判據(jù)，最終取得了良好的診斷效果．分析結(jié)果表明，該特征提取方法能有效提取故障信號特征，跟傳統(tǒng)的方法相比，基于RBF核函數(shù)改進型10-CV交叉驗證法支持向量機能更快速、準確的判斷高壓斷路器機械故障類型．

[1]王小華，榮命哲，吳翊．高壓斷路器故障診斷專家系統(tǒng)中快速診斷及新知識獲取方法[J]．中國電機工程學報，2007，27（3）：96-99．

[2]李凌均，張周鎖，何正嘉．支持向量機在機械故障診斷中的應(yīng)用研究[J]．計算機工程與應(yīng)用，2012，38（19）：19-21．

[3]郭慶琳，鄭玲．基于模糊粗糙集數(shù)據(jù)挖掘的汽輪機組故障診斷研究[J]．中國電機工程學報，2009，27（8）：81-87．

[4]Farooq T，Guergachi A，Krishnan S．Knowledge-based green's jernel for support vector regression[C]//Mathematical Problems in Engineering．2010：87-89．

[5]周利軍，吳廣寧，湯浩．基于級聯(lián)闌值決策的變壓器故障模糊診斷法[J]．高電壓技術(shù)，2007，33（4）：80-82．

[6]馮雙磊，王偉勝，劉純，等．風電場功率預測物理方法研究[J]．中國電機工程學報，2010，30（2）：56-58．

[7]王麗婕，冬雷，廖曉鐘，等．基于小波分析的風電場短期發(fā)電功率預測[J]．中國電機工程學報，2013，33（28）：70-76．

[8]Lei Gu，Hui-zhong Wu．Applying a novel decision rule to the sphere-structured support vector machines algorithm[J]．Neural Computing and Applications，October，2013，18（7）：675-679．

[9]Gammermann A．Support vector machine learning algorithm and transduction[J]．Computational Statistics，2010，15（1）：31-39．

[10]王書舟，傘冶．支持向量機的訓練算法綜述[J]．智能系統(tǒng)學報，2011（6）：22-31．

[11]范高鋒，王偉勝，劉純，等．基于人工神經(jīng)網(wǎng)絡(luò)的風電功率預測[J]．中國電機工程學報，2008，28（34）：118-123．

[12]邵璠，孫育河，梁嵐珍．基于時間序列法的風電場風速預測研究[J]．電力環(huán)境保護，2008（4）：33-35．

[13]韓萌，丁劍．基于交叉驗證的BP算法的改進與實現(xiàn)[J]．計算機工程與設(shè)計，2008（14）：25-29．

[14]吳景龍，楊淑霞，劉承水．基于遺傳算法優(yōu)化參數(shù)的支持向量機短期負荷預測方法[J]．中南大學學報（自然科學版），2009，40（1）：180-184．

[15]李瑾，劉金朋，王建軍．采用支持向量機和模擬退火算法的中長期負荷預測方法[J]．中國電機工程學報，2011，31（16）：22-25．

[責任編輯 代俊秋]

Research on fault diagnosis method of high voltage circuit breaker based on support vector machine

FU Chao1,2，LI Kui1

(1.Career Technical College,Hebei Normal University,Hebei Shijiazhuang 050024,China;2.School of Electrical Engineering, Hebei University of Technology,Tianjin 300130,China)

Fault diagnosis technology based on support vector machine has become a hot research issue in the field of fault diagnosis of high voltage circuit breaker,and as an important equipment of power system reliability,it is directly related to the stability of the entire power system.In this paper,with the comparison of multiple parameters of the linear kernel function,polynomial kernel function,radial basis kernel function and multi layer perceptron kernel function,the final choice is the function forhigh voltagecircuit breaker.Throughthe analysisofthe traditionalcross validation method,this paper presents an improved cross validation(K-CV)method,the use of high voltage circuit breaker field actual data as the sample,usingthe throughthe Libsvmtoolbox,andconstantlysearchparameters,finally obtains the faultclassification results.Theexperimental results showthatthe improved10-CVcrossvalidation method based on radial basiskernelfunction support vector machine prove to be more rapid and more accurate in judging the fault of high voltage circuit breaker type.

support vector machine;fault diagnosis;kernel function;cross validation

TP391.41

A

1007-2373(2015)04-0012-06

10.14081/j.cnki.hgdxb.2015.04.003

2015-04-15

國家自然科學基金（60974063）；河北省教育廳項目（QN2015160）

付超（1983-），男（漢族），講師，博士生．

數(shù)字出版日期：2015-09-06

數(shù)字出版網(wǎng)址：http://www.cnki.net/kcms/detail/13.1208.T.20150906.1531.002.html