基于WA-ABC-LSSVM的電氣故障診斷*

史增芳，姜巖蕾

（河南工業(yè)職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院，河南南陽473009）

基于WA-ABC-LSSVM的電氣故障診斷*

史增芳*，姜巖蕾

（河南工業(yè)職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院，河南南陽473009）

為了改善當(dāng)前電氣故障診斷的效果，提出一種基于小波消噪和人工蜂群優(yōu)化最小二乘支持向量機(jī)的電氣故障診斷方法（WA-ABC-LSSVM）。首先收集電氣狀態(tài)信息，并采用小波變換對其進(jìn)行去噪處理，消除噪聲的干擾，然后提取電氣狀態(tài)中的特征，并且進(jìn)行歸一化處理，最后采用訓(xùn)練樣本對最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，采用人工蜂群算法優(yōu)化最小二乘支持向量機(jī)參數(shù)，建立電氣故障診斷分類器。仿真實驗結(jié)果表明，本文方法可以較好描述電氣系統(tǒng)的工作狀態(tài)，診斷性能要明顯優(yōu)于其它的電氣故障診斷方法。

電氣系統(tǒng)；故障分類；小波去噪；狀態(tài)特征；故障分類器

隨著電力系統(tǒng)的應(yīng)用日益廣泛，人們對電力系統(tǒng)的可靠性、安全性提出更高的要求［1］。電氣設(shè)備在工作過程不可避免會出現(xiàn)故障，因此，對電氣故障進(jìn)行快速、準(zhǔn)確地診斷，提高設(shè)備的可靠性顯得十分重要［2-3］。

國內(nèi)外學(xué)者對電氣設(shè)備故障診斷技術(shù)進(jìn)行了一系列探索和研究，提出了許多有效的電氣故障診斷方法［4］，當(dāng)前電氣故障方法分為兩類：傳統(tǒng)方法和現(xiàn)代方法，傳統(tǒng)方法主要有：專家系統(tǒng)、灰色理論、線性判別分析等［5］，它們是一類線性的故障分析方法，對小規(guī)模電力系統(tǒng)的故障診斷率高，然而隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大，電氣設(shè)備系統(tǒng)結(jié)構(gòu)日益復(fù)雜，電氣設(shè)備工作狀態(tài)與特征之間是一種復(fù)雜的非線性關(guān)系，這樣傳統(tǒng)方法的故障診斷率急劇下降，診斷結(jié)果的可靠性降低，難以滿足現(xiàn)代電力系統(tǒng)故障診斷的實際應(yīng)用要求［6］?，F(xiàn)代方法是基于非線性理論進(jìn)行建模的電氣故障診斷方法，主要有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法［7］，它們可以很好地擬合電氣設(shè)備工作狀態(tài)與特征之間的非線性關(guān)系，在電氣故障診斷中得到了廣泛的應(yīng)用。在實際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)是一種基于大數(shù)定理的建模方法，要求電氣故障診斷的學(xué)習(xí)數(shù)量比較大，要收集大量電氣故障診斷學(xué)習(xí)樣本，導(dǎo)致電氣故障診斷的成本增加，而且實際很難收集到大量的學(xué)習(xí)樣本，這樣神經(jīng)網(wǎng)絡(luò)易出現(xiàn)訓(xùn)練過程中電氣故障診斷率高，測試過程中電氣故障診斷卻很低的現(xiàn)象，即所謂的“過擬合”缺陷。支持向量機(jī)要求的電氣故障診斷學(xué)習(xí)樣本比較小，分類性能要優(yōu)于神經(jīng)網(wǎng)絡(luò)，不存在“過擬合”缺陷，但是其訓(xùn)練過程相當(dāng)耗時，這樣難以滿足電氣故障診斷效率要求高的領(lǐng)域，應(yīng)用范圍愛到一定的限制［8］。

項目來源：河南省科技攻關(guān)重點項目（122102210497）.

收稿日期：2015-09-20修改日期：2015-10-27

最小二乘支持向量機(jī)LSSVM（Least Squares Support Vector Machine）比支持向量機(jī)的訓(xùn)練要快，而且不存在“過擬合”現(xiàn)象［9］，為此，本文提出一種基于人工蜂群［10］優(yōu)化最小二乘支持向量機(jī)的電氣故障診斷方法（WA-ABC-LSSVM）。首先采用小波變換對其進(jìn)行去噪處理，提取電氣狀態(tài)中的特征，然后采用人工蜂群算法優(yōu)化最小二乘支持向量機(jī)建立電氣故障診斷分類器，最后實驗結(jié)果表明，WA-WA-ABC-LSSVM可以較好地描述電氣系統(tǒng)的工作狀態(tài)，診斷性能要明顯優(yōu)于其它的電氣故障診斷方法。

1　相關(guān)理論

1.1小波變換

設(shè)收集到的電氣設(shè)備工作狀態(tài)信息為s（t），受到外界條件的作用，工作狀態(tài)信息難免包含有一定的噪聲e（t），e（t）對電氣故障診斷產(chǎn)生干擾，影響后續(xù)特征提取和故障診斷結(jié)果，s（t）可以表示為：

s（t）=f（t）+δ·e（t）（1）

式中，f（t）表示有用的信息；δ為噪聲水平。

對有噪聲的電氣設(shè)備工作狀態(tài)信息s（t），可以利用小波變換對其進(jìn)行分解，得到不同大小的小波系數(shù)，其中噪聲e（t）與值較小的小波系數(shù)對應(yīng)，這樣可以選擇一個較適應(yīng)的閾值濾掉值較小的小波系數(shù)，保留值較大的小波系數(shù)，即得到有用的信息f（t）。本文設(shè)計的閾值數(shù)為：

式中，wj，k表示小波系數(shù)較小的值。

圖1　小波去噪的流程

1.2LSSVM

LSSVM是一種訓(xùn)練速度快、分類效率高的機(jī)器學(xué)習(xí)算法，最優(yōu)分類平面可以描述為：

式中，ω和b為相關(guān)值向量。

基于結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，可以得到：

式中，l表示訓(xùn)練樣本數(shù)量；γ表示正則化參數(shù)。

由于式（4）通常很難直接獲得最優(yōu)解，因此常引入拉格朗日乘子（αi）對其進(jìn)行變換，得到：

根據(jù)KKT條件，提高了求解速率，可得到：

且有

采用RBF函數(shù)構(gòu)建LSSVM的類函數(shù)，即有：

式中，σ為RBF參數(shù)。

1.3ABC算法

人工蜂群（ABC）算法起源于蜂群采蜜行為，在許多領(lǐng)域得到了成功的應(yīng)用，能夠?qū)SSVM參數(shù)進(jìn)行優(yōu)化，蜂群分為采蜜蜂、偵查蜂和觀察蜂，它們都有自己的職責(zé)，通過相互交流和協(xié)作找到最優(yōu)LSSVM參數(shù)，ABC算法的工作過程如下：

（1）初始化ABC算法的參數(shù)，主要包括人工蜂數(shù)量，食物源個數(shù)，解的維數(shù)，最大迭代次數(shù)；

（2）采蜜蜂在自己的周圍搜索新的食物源，即問題的新解：

式中，vij為食物源位置；

（3）根據(jù)新、舊食物源的優(yōu)劣，采蜜蜂選擇較優(yōu)者；

（4）根據(jù)式（10），觀察蜂選擇一個采蜜蜂，同時對其鄰域更優(yōu)位置進(jìn)行更新，

（5）保存當(dāng)前蜂群找到最優(yōu)適應(yīng)度值以及問題的解；

（6）如果食物源搜索次數(shù)大于預(yù)先設(shè)定的閾值，但是仍然沒有找到更優(yōu)的食物源，那么此時采蜜蜂轉(zhuǎn)換為偵查蜂，并隨機(jī)產(chǎn)生新解，

（7）當(dāng)執(zhí)行次數(shù)超過了最大迭代次數(shù)，那么算法就終止，不然轉(zhuǎn)到（2）重復(fù)執(zhí)行。

2　WA-ABC-LSSVM的電氣故障診斷

（1）收集電氣設(shè)備的工作狀態(tài)信號，并采用小波變換對其進(jìn)行預(yù)處理，消除噪聲的不利影響；

（2）從工作狀態(tài)信號分別提取電氣正常和各種故障狀態(tài)下的特征，并對特征進(jìn)行歸一化處理；

（3）收集的樣本分為兩部分：訓(xùn)練集和驗證集，其訓(xùn)練樣本用于LSSVM的學(xué)習(xí)，建立電氣故障診斷的分類器，驗證集用于分析WA-ABC-LSSVM的故障診斷性能；

（4）將訓(xùn)練集輸入到LSSVM進(jìn)行學(xué)習(xí)，ABC算法尋找LSSVM的參數(shù)（γ，σ）值，從而建立電氣故障分類器；

（5）用驗證集測試電氣故障分類器的性能。

WA-ABC-LSSVM的電氣故障診斷流程見圖2。

圖2　WA-ABC-LSSV電氣故障診斷流程

3　仿真實驗

3.1仿真平臺

為了分析WA-ABC-LSSVM的電氣故障診斷性能，選擇Matlab 2014工具箱進(jìn)行仿真測試，LSSVM來自http：//www.esat.kuleuven.be/sista/lssvmlab/工具箱。本文以電力系統(tǒng)的變壓器作為實驗對象，當(dāng)前變壓器故障的多種多樣，常見的有：低能放電、高能放電、中低溫過熱、高溫過熱，對變壓器的每一種狀態(tài)進(jìn)行測試，得到不同狀態(tài)的信號，它們的樣本數(shù)據(jù)見表1。

表1　電氣故障診斷的樣本數(shù)據(jù)

ABC算法的參數(shù)設(shè)置為：食物源的數(shù)量SN為20，食物源位置為二維向量，即代表了參數(shù)（γ，σ）的個數(shù)，最大迭代次數(shù)為500。采用ABC算法優(yōu)化LSSVM參數(shù)（γ，σ），得到γ=0.094，σ=10.193。選擇沒有小波消噪的ABC優(yōu)化LSSVM（ABC-LSSVM）、小波去噪和交叉驗證優(yōu)化LSSVM（LSSVM）的電氣故障診斷方法進(jìn)行對比實驗。

3.2結(jié)果與分析

采用WA-ABC-LSSVM、ABC-LSSVM、LSSVM對測試樣本進(jìn)行分類，得到的分類結(jié)果如圖3～圖5所示，它們的平均識別率見表2。

圖3　WA-ABC-LSSVM的電氣故障結(jié)果

圖4　ABC-LSSVM的電氣故障結(jié)果

圖5　LSSVM的電氣故障結(jié)果

表2　不同方法的電氣故障診斷結(jié)果比較

從表2可以得到如下結(jié)論：

（1）相對于LSSVM，ABC-LSSVM的識別率相對較高，主要是由于采用ABC算法對LSSVM進(jìn)行優(yōu)化，可以找到比交叉驗證更優(yōu)的參數(shù)，構(gòu)建了更優(yōu)的電氣故障分類器，對比結(jié)果證明了本文采用ABC算法優(yōu)化LSSVM參數(shù)的有效性。

（2）相對于ABC-LSSVM，WA-ABC-LSSVM的電氣故障診斷結(jié)果更加理想，主要是由于采用小波變換對電氣工作狀態(tài)信號進(jìn)行預(yù)見處理，較好的消除了噪聲對后續(xù)特征提取和分類器建立的干擾，有效提高了電氣故障診斷的識別率，誤診率和錯診率得以下降，而且訓(xùn)練的時間明顯減少，減少了支持向量的數(shù)量，加快了分類的速度，對比結(jié)果證明引入小波變換可以改善電氣故障診斷效果，電氣故障診斷結(jié)果的可靠性好。

4　結(jié)論

電氣故障診斷一直是電力系統(tǒng)研究中的重點，針對當(dāng)前電氣故障診斷研究過程中存在的一些難題，提出一種WA-ABC-LSSVM的電氣故障的診斷方法，仿真實驗可以得到如下結(jié)論：

（1）采用小波變換對電氣工作狀態(tài)信息進(jìn)行預(yù)處理，可以很好的消除噪聲對電氣故障診斷特征提取的干擾，有利于后續(xù)的電氣故障診斷，可以獲得更加理想的電氣故障診斷效果。

（2）采用LSSVM對電氣故障類型與特征之間的映射關(guān)系進(jìn)行建模，較好的描述了電氣故障診斷的變化，提高了電氣故障診斷的診斷率，降低了錯診率和誤診率。

（3）采用ABC算法對LSSVM的相關(guān)參數(shù)進(jìn)行優(yōu)化，解決了LSSVM參數(shù)盲目選擇的難題，加快了對電氣故障診斷建模的速度，可以較好的滿足電氣故障診斷的實時性，拓寬了應(yīng)用范圍。

（4）對比實驗結(jié)果中，WA-ABC-LSSVM的電氣故障診斷正確率最高，說明WA-ABC-LSSVM的有效性和優(yōu)越性，在電氣故障診斷中具有十分廣泛的應(yīng)用前景。

［1］ 阮學(xué)峰，韓水生，熊志剛，等.電氣故障診斷的系統(tǒng)方法［J］.武漢大學(xué)學(xué)報（工學(xué)版），2002，35（2）：88-90.

［2］ 舒乃秋，胡芳，周粲.超聲傳感技術(shù)在電氣設(shè)備故障診斷中的應(yīng)用［J］.儀表技術(shù)與傳感器，2003，22（5）：1-4.

［3］ 李淑娥，邸敏艷，呂鋒.基于小波變換的電氣設(shè)備故障診斷技術(shù)［J］.傳感器技術(shù)，2004，27（5）：46-48..

［4］ 呂鋒，邸敏艷，句希元，等.小波分析在電氣設(shè)備故障診斷中的應(yīng)用淺析［J］.計算機(jī)測量與控制，2012，10（12）：778-781.

［5］ 李季，嚴(yán)東超.BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在電氣故障診斷系統(tǒng)中的應(yīng)用［J］.電力科學(xué)與工程，2005（1）：69-72.

［6］ 孔繁森，吳雅夫，李聰.基于信息熵的設(shè)備電氣故障診斷復(fù)雜性評價［J］.吉林大學(xué)學(xué)報（工學(xué)版），2011，43（3）：697-701.

［7］ 潘亮亮，趙書濤，李寶樹.基于聲波信號分析的電氣設(shè)備故障診斷新方法［J］.電力自動化設(shè)備，2009，29（8）：87-90.

［8］ 李曉靜，李杰.改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用［J］.電子器件，2013，36（3）：404-407.

［9］ 洪洲.最小二乘支持向量機(jī)在線建模在預(yù)測控制中的應(yīng)用［J］.電子器件，2014，37（1）：154-156.

［10］劉霞，張姍姍，胡銘鑒，等.基于混沌機(jī)制的人工蜂群算法優(yōu)化的支持向量機(jī)分類器［J］.計算技術(shù)與自動化，2015，34（2）：11-14.

史增芳，（1973-），男，漢，河南焦作人，副教授，博士研究生，主要研究方向為機(jī)械電子工程，zengfang2514@126.com；

姜巖蕾，（1974-），漢，女，河南南陽人，副教授，碩士，主要研究方向為控制理論與控制工程，hnnyjyl@126.com。

Electrical Fault Diagnosis Based on WA-ABC-LSSVM*

SHI Zengfang*，JIANG Yanlei
（Mechanical and Electrical Engineering College，Henan Polytechnic Institute，Nanyang He'nan 473009，China）

In order to improve the effect of current electrical fault diagnosis，a method of electrical fault diagnosis is presented based on artificial bee colony optimizing least squares support vector machine.Firstly，the electrical status information is collected，and wavelet transform is used to eliminate the noise，and then extract the features of the electrical state is extracted，and the normalized processing is carried out，finally，the training samples are used to train the least squares support vector machine which artificial bee colony algorithm is used to optimize the parameters to establish electrical fault diagnosis classifier.Simulation results show that the proposed method can better describe the working state of the electrical system，and the diagnostic performance is better than the other methods of electric fault diagnosis.

electrical system；fault classification；wavelet denoising；state feature；fault classifier

TP181

A

1005-9490（2016）03-0728-04

EEACC：811010.3969/j.issn.1005-9490.2016.03.044