基于介電譜測試的高壓套管絕緣狀態(tài)評估方法

馬旭斌， 楊勇， 馬鵬

〔內蒙古電力(集團)有限責任公司 阿拉善電業(yè)局，內蒙古 阿拉善 750306〕

0 引 言

高壓套管是變電站的關鍵設備，起到絕緣與支撐的作用。高壓套管受到熱、電和機械等應力作用發(fā)生絕緣老化，性能發(fā)生不可逆下降，微水加速絕緣老化進程，使得高壓套管運行產生極大的安全隱患[1]1。因此對高壓套管絕緣的老化與受潮狀態(tài)進行有效評估十分重要。

頻域介電譜測試作為一種新型電方法受到廣泛關注與研究。國內外相關學者開展了各方面研究，如：西安交通大學學者修正了Havriliak-Negami模型來表征絕緣油的介電譜測試結果[2]；昆士蘭大學學者研究分析老化、溫度和水分對油浸紙介電譜測試結果的影響規(guī)律[3]；重慶大學學者在相關研究中基于“時溫疊加”的思想提出并證明了一種消除溫度對油浸紙頻域介電譜影響的方法[4]。上述成果為研究高壓套管絕緣狀態(tài)評估奠定了扎實基礎，然而介電譜受到老化與水分共同影響，因此如何識別評估高壓套管具體的絕緣缺陷是亟需解決的問題。

近年來，人工智能技術逐漸成為故障診斷的重要組成部分[5]，如神經網絡、K近鄰和支持向量機等。因此，針對高壓套管老化與受潮狀態(tài)評估，本文提出了一種基于布谷鳥尋優(yōu)算法優(yōu)化多分類最小二乘支持向量機( least square support vector machines,LS-SVM)的高壓套管絕緣狀態(tài)評估方法。

1 基于LS-SVM的多分類模型設計

1.1 LS-SVM分類模型

(1)

式中:w為超平面的法向量；b為偏置量。分類決策函數為：

f(xi)=sgn(wTxi+b)

(2)

通過求解優(yōu)化函數Φmin(w,ei)來表示LS-SVM的非線性分類模型。

(3)

式中:A為規(guī)則化系數；ei(i=1,2,3,…,l)為誤差變量。構建拉格朗日方程式：

(4)

式中:ai(i=1,2,3,…,l)為拉格朗日乘子，最優(yōu)條件：

(5)

得到線性方程

(6)

式中:yT=[y1,…,yl];I為單位矩陣;Il=[1,…，1]T;a=[a1,…,a2]T;Ω=yiyjφT(xi)φ(xj)=yiyjK(xi,xj);K(xi,xj)為SVM的核函數；j=1，2，…，l。分類決策函數為：

(7)

1.2 多分類設計

本文將多類問題分解為若干較小的二分類問題，在最小輸出編碼(MOC)的基礎上，利用多個二分類器實現多分類，將K0類的多類問題轉化為一組n個二元分類問題，解決了多類分類問題。對于每個類Ck，k=1，…，K0，分配一個唯一的編碼ck=[yk1,…,ykn,…,ykNm]，n=1，2，…，Nm，ykn∈{-1，1}，其中每個二進制分類器在相應的輸出位ykn之間進行區(qū)分。

2 基于布谷鳥算法優(yōu)化多分類LS-SVM的高壓套管絕緣狀態(tài)評估方法

2.1 LS-SVM核函數與參數

LS-SVM分類器采用Gauss徑向基核函數：

(8)

式中:σ為Gauss徑向基核函數內核參數。應用過程中需要優(yōu)化σ和LS-SVM模型中的參數A。

2.2 布谷鳥算法

布谷鳥算法隨機步長由Lévy分布得到[7]：

(9)

式中:μ為隨機步長；χ為常數;u和v為隨機參數且都服從正態(tài)分布。

(10)

(11)

式中:Γ()為伽馬函數。

針對第h個解，迭代時解的第一步更新

(12)

(13)

2.3 特診量選取與處理

高壓套管介電譜可以用優(yōu)化后的Havriliak-Negami方程表征[1]2。

(14)

圖1 絕緣狀態(tài)評估流程

式中:ε′(ω)與ε″(ω)分別為相對復介電常數的實部與虛部；ω為角頻率；ε0為真空介電常數；Δε為靜態(tài)低頻介電常數εs與高頻極限下的介電常數ε∞的差;τ為弛豫時間；α和β為弛豫時間分布參數，在0和1之間；σDC為直流電導率。式(14)參數中Δε、β、τ與σDC能夠有效反映高壓套管絕緣狀態(tài)變化。本文通過數據分析得到各樣本的Δε、β、τ與σDC對應的數據，最后對τ與σDC進行如下無量綱處理，得到作為輸入多分類器的特征參量。

2.4 狀態(tài)評估方法

本文提出了一種高壓套管絕緣狀態(tài)評估方法，絕緣狀態(tài)評估流程如圖1所示。

3 試驗結果與分析

3.1 訓練與測試樣本獲取

表1所示為樣本絕緣狀態(tài)及對應數量。表1中老化狀態(tài)依據聚合度(DP，單位：個)劃分為4種：①未老化(NA)，DP>900；②輕微老化(LA)，6004%?？芍?80組樣本用于訓練，160組樣本用于測試。

表1 樣本絕緣狀態(tài)及對應數量

3.2 參數尋優(yōu)結果

本文多分類LS-SVM模型中的參數A和σ的搜索范圍分別設置為[0.1,100]和[0.1,10]。采用粒子群算法(PSO)和遺傳算法(GA)對參數進行優(yōu)化。圖2顯示了參數優(yōu)化的適應度曲線。分類器中LS-SVM模型的最佳參數分別為A=86.58和σ2=0.79。好的尋優(yōu)過程有更高的最佳適應度和平均適應度值，平均適應度和最佳適應度之間的差異小，通過圖2可知布谷鳥算法對參數的優(yōu)化效果明顯優(yōu)于GA算法和PSO算法。

圖2 不同算法適應度曲線

3.3 狀態(tài)評估結果

圖3為訓練樣本和測試樣本的診斷結果，由圖可知訓練樣本及測試樣本的診斷準確率分別為98.50%以及96.25%。因此，從以上試驗結果可以看出，本文提出的利用布谷鳥算法優(yōu)化的多類LS-SVM分類器能夠有效地區(qū)分絕緣缺陷類型，并作出有效的狀態(tài)評估。

圖3 訓練樣本和測試樣本的診斷結果

4 結束語

本文提出了一種高壓套管絕緣狀態(tài)評估方法。結果表明：提出的多分類LS-SVM模型參數尋優(yōu)中布谷鳥算法的尋優(yōu)性能明顯優(yōu)于PSO與GA等傳統(tǒng)尋優(yōu)算法；提出的方法能夠有效地評估套管絕緣的老化與受潮狀態(tài)。