基于PCA和優(yōu)化參數(shù)SVM的智能變電站故障診斷方法

張 弛 王廣民 許會(huì)博 佘 維 田 釗*

1(鄭州大學(xué)軟件學(xué)院 河南 鄭州 450001) 2(國網(wǎng)天津市電力公司電力科學(xué)研究院 天津 300000) 3(許繼電氣股份有限公司 河南 許昌 461000)

0 引 言

故障診斷的目的是為了更好地描述故障的相關(guān)信息，其中故障的原因是故障診斷的重要目標(biāo)，只有確定故障原因之后才能根據(jù)相應(yīng)的原因排除相關(guān)故障，避免出現(xiàn)更多的經(jīng)濟(jì)損失。智能變電站故障診斷的本質(zhì)就是探索變電站相關(guān)設(shè)備引發(fā)的故障與其原因之間規(guī)律性關(guān)系的過程[1]。設(shè)備的故障與故障原因之間通常會(huì)有一定的邏輯關(guān)系，因此探尋它們之間的因果相關(guān)性對(duì)于變電站故障診斷具有積極的意義[2]。當(dāng)前應(yīng)用于故障診斷的方法主要有專家系統(tǒng)[3]、粗糙集[4]、模糊集[5]、人工神經(jīng)網(wǎng)絡(luò)[6]和Petri網(wǎng)[7]等，這些算法在各個(gè)領(lǐng)域都得到了十分廣泛的應(yīng)用。

專家系統(tǒng)在變電站故障診斷中起到了舉足輕重的作用，并且也是應(yīng)用最為成熟的技術(shù)之一。文獻(xiàn)[8]針對(duì)變電站故障問題，采用專家系統(tǒng)對(duì)變電站告警信號(hào)進(jìn)行數(shù)據(jù)建模，建立一種面向?qū)ο蟮闹R(shí)庫模型描述故障之間的聯(lián)系，實(shí)驗(yàn)證明具有良好的診斷效果。雖然該方法具有高水平的推理和決策能力，被研究者廣泛使用，但其知識(shí)庫中的診斷規(guī)則仍是以領(lǐng)域技術(shù)的專家憑經(jīng)驗(yàn)確定和調(diào)整為主，缺少自適應(yīng)及自主學(xué)習(xí)能力[9]。因此，當(dāng)變電站相關(guān)設(shè)備出現(xiàn)故障時(shí)，使用專家系統(tǒng)結(jié)果就可能會(huì)產(chǎn)生較大的誤差。

支持向量機(jī)(SVM)由于具有堅(jiān)實(shí)的統(tǒng)計(jì)學(xué)理論基礎(chǔ)，能夠很好地解決高維數(shù)據(jù)、非線性特征問題[10]。而這些恰恰與智能變電站故障結(jié)構(gòu)復(fù)雜、樣本有限的特征不謀而合[11]，所以適合處理變電站故障診斷問題。文獻(xiàn)[12]面對(duì)變電站過熱故障問題，建立了基于SVM的設(shè)備故障識(shí)別模型，利用核函數(shù)的高維映射功能，從而尋找最優(yōu)超平面實(shí)現(xiàn)對(duì)數(shù)據(jù)樣本的分類，通過變電站實(shí)例驗(yàn)證了SVM強(qiáng)大的分類功能，達(dá)到了較好的分類精度。文獻(xiàn)[13]針對(duì)無刷直流電機(jī)的故障診斷問題，利用PCA從故障特征值中提取敏感特征，然后利用SVM對(duì)特征數(shù)據(jù)進(jìn)行分類，實(shí)現(xiàn)故障的識(shí)別與診斷，該方法在六種典型故障中證實(shí)了有效性。但是SVM的性能主要取決于它的核函數(shù)及其參數(shù)[14]，一個(gè)優(yōu)化后的核參數(shù)有利于模型整體精度的提高，因此選用一個(gè)合適的優(yōu)化算法來優(yōu)化核函數(shù)參數(shù)對(duì)于變電站故障診斷尤為重要。

帝國競爭算法(ICA)是一種依托于帝國主義殖民競爭機(jī)制，通過帝國間的殖民擴(kuò)張，從而獲得優(yōu)化參數(shù)的算法[15]。相比于其他優(yōu)化算法，該算法的優(yōu)點(diǎn)主要體現(xiàn)在運(yùn)算時(shí)間短、優(yōu)化效果好等方面。文獻(xiàn)[16]在變壓器故障問題中使用ICA對(duì)所建立的基于SVM的變壓器故障診斷模型進(jìn)行優(yōu)化，同時(shí)利用交叉驗(yàn)證原理對(duì)變壓器進(jìn)行了故障診斷，通過仿真實(shí)驗(yàn)驗(yàn)證了其分類準(zhǔn)確率優(yōu)于標(biāo)準(zhǔn)SVM。

主成分分析法(PCA)是一種無監(jiān)督高維數(shù)據(jù)降維方法，其通過在降維過程中保留重要的多個(gè)分量來實(shí)現(xiàn)最大化原數(shù)據(jù)方差[17]，減少了變量的個(gè)數(shù)，使得結(jié)果的解釋性更強(qiáng)。文獻(xiàn)[18]針對(duì)220 V變電站故障問題，將PCA應(yīng)用于貝葉斯網(wǎng)絡(luò)，從而簡化故障源，并根據(jù)變電站運(yùn)行模式建立相應(yīng)的貝葉斯網(wǎng)絡(luò)模型，通過對(duì)220 V變電站的實(shí)例分析，驗(yàn)證了該方法的可靠性。在變電站故障問題中存在多個(gè)影響因素，每一類故障類型和原因?qū)?yīng)于一個(gè)故障參數(shù)，參數(shù)之間具有相關(guān)性及重疊性，解決變電站故障問題即需要從這些參數(shù)中提取出關(guān)鍵數(shù)據(jù)[19]。

綜上所述，本文提出了一種基于PCA和優(yōu)化參數(shù)SVM的智能變電站故障診斷方法。該方法首先利用PCA分析影響因素，從而實(shí)現(xiàn)數(shù)據(jù)降維，然后構(gòu)建出多分類SVM分類器，并通過ICA進(jìn)行參數(shù)尋優(yōu)，最后利用優(yōu)化的SVM分類器對(duì)篩選后的樣本數(shù)據(jù)進(jìn)行訓(xùn)練與測試，測試結(jié)果得到了理想的效果。

1 智能變電站故障診斷模型

為了實(shí)現(xiàn)對(duì)智能變電站故障問題的準(zhǔn)確診斷，本文提出了一種基于PCA和優(yōu)化參數(shù)SVM的智能變電站故障診斷模型。首先通過對(duì)第三代智能變電站設(shè)備故障信息進(jìn)行篩選，挑選出典型故障樣本，將變電站典型故障樣本分為訓(xùn)練集和測試集，同時(shí)進(jìn)行PCA的降維處理，在不影響模型整體診斷的基礎(chǔ)上，保留盡量多的故障特征。然后根據(jù)智能變電站結(jié)構(gòu)復(fù)雜的問題，構(gòu)造了多分類SVM分類器，并選取高斯徑向基(RBF)核函數(shù)為本文模型的核函數(shù)。接著采用ICA對(duì)核函數(shù)參數(shù)進(jìn)行優(yōu)化選取，使用訓(xùn)練集對(duì)SVM分類器進(jìn)行訓(xùn)練，生成優(yōu)化參數(shù)后的SVM分類器。模型如圖1所示。

圖1 故障診斷模型

1.1 基于PCA的關(guān)鍵故障特征識(shí)別

PCA可以將高維度的數(shù)據(jù)降到低維度，并保留原始數(shù)據(jù)中一些最重要的特征，同時(shí)去除噪聲和部分關(guān)聯(lián)特征，從而提高數(shù)據(jù)的處理效率，降低時(shí)間成本[20]。智能變電站每一條故障數(shù)據(jù)都可能由多種故障特征同時(shí)引起，然而有一些故障特征與其他故障特征有著重復(fù)性，如果都用來進(jìn)行故障診斷，會(huì)造成時(shí)間成本的增加，而且對(duì)模型整體準(zhǔn)確率有著一定的影響，所以需要進(jìn)行降維處理，在不影響整體診斷的基礎(chǔ)上，保留一些最重要的故障特征。本文使用PCA對(duì)智能變電站故障樣本進(jìn)行降維處理，在PCA應(yīng)用于智能變電站故障診斷時(shí)，一般遵循如下步驟：

假設(shè)有m個(gè)變電站樣本故障數(shù)據(jù)，每個(gè)數(shù)據(jù)有n個(gè)故障特征，組成矩陣Xmn：

步驟1均值化矩陣Xmn，可以得到：

(1)

步驟2根據(jù)均值化后的矩陣X，計(jì)算出協(xié)方差矩陣C：

(2)

步驟3計(jì)算出協(xié)方差矩陣C的特征值λi和特征向量ωi。

步驟4選取k個(gè)最大的特征值對(duì)應(yīng)的特征向量ω1,ω2,…,ωk，按對(duì)應(yīng)特征值大小從上到下按行組成矩陣Wkn，特征值選擇方法：

(3)

t越大保留的特征值越多，可以根據(jù)變電站故障信息復(fù)雜程度進(jìn)行選擇。

步驟5得到降維后的矩陣：

Ykm=WknXmn

(4)

步驟6依次計(jì)算所有主成分向量的貢獻(xiàn)率，主成分向量對(duì)整體變電站故障信息的貢獻(xiàn)率yi為：

(5)

計(jì)算出所有主成分向量的貢獻(xiàn)率與累計(jì)貢獻(xiàn)率，按貢獻(xiàn)率大小從大到小進(jìn)行排序。為了能夠保留更多的故障特征，使得診斷的結(jié)果更加準(zhǔn)確有效，本文決定最后留下的數(shù)據(jù)量要達(dá)到90%以上。因此，可以根據(jù)累計(jì)貢獻(xiàn)率達(dá)到90%的原則，選擇智能變電站的最佳故障特征。

1.2 SVM分類器

SVM的核心目標(biāo)是針對(duì)線性可分問題，通過不斷訓(xùn)練，能夠找到一個(gè)最優(yōu)分類超平面進(jìn)行分類，是一個(gè)典型的二分類問題。

但是，在實(shí)際的應(yīng)用過程中，大部分的問題都是線性不可分問題，不能用線性可分來解決[21]。智能變電站故障診斷屬于線性不可分的多分類問題，標(biāo)準(zhǔn)SVM不足以滿足智能變電站的故障問題，因此需要進(jìn)行非線性變換。

SVM非線性變換有如下步驟：

步驟1求解以下優(yōu)化問題：

(6)

s.t.yi[ωTφ(xi)+b]≥1-ξi

ξi≥0,i=1,2,…,l

(7)

式中：Φ為一個(gè)非線性映射；ω為SVM超平面的法向量；ξi為松弛變量；參數(shù)C為懲罰因子；xi為第i個(gè)故障樣本；b為SVM超平面的偏移量；yi是一個(gè)類別標(biāo)簽，取值為{-1,1}。

步驟2構(gòu)建出拉格朗日函數(shù)：

L(ω,b,ξ,α,β)=Φ(ω,ξ)-

(8)

式中：αi、βi為拉格朗日乘子，其中αi>0、βi>0。

步驟3通過拉格朗日函數(shù)，可以得到其對(duì)偶化形式為：

(9)

(10)

步驟4從而可以得到?jīng)Q策函數(shù)為：

(11)

式中：K(x,xi)為核函數(shù)，核函數(shù)具有處理非線性數(shù)據(jù)的能力，為了實(shí)現(xiàn)SVM的非線性變換，實(shí)現(xiàn)智能變電站故障診斷問題的準(zhǔn)確診斷，需要選擇一個(gè)合適的核函數(shù)，并用一個(gè)合適的優(yōu)化算法對(duì)核函數(shù)參數(shù)進(jìn)行優(yōu)化。

1.3 基于ICA的SVM參數(shù)優(yōu)化

和所有優(yōu)化算法相同的是，ICA開始也是隨機(jī)生成一些初始解，通過優(yōu)化所設(shè)置的目標(biāo)函數(shù)來篩選出這些初始解中最優(yōu)解[22]。

整個(gè)ICA優(yōu)化的過程如下：

步驟1在函數(shù)上隨機(jī)選擇一些點(diǎn)，初始化帝國。

步驟2將殖民地移往相關(guān)的帝國主義國家(同化)。

步驟3如果帝國中有一個(gè)殖民地的成本比帝國主義低，交換殖民地和帝國主義的位置。

步驟4計(jì)算所有帝國的總成本(與帝國主義及其殖民地的力量有關(guān))。

步驟5從最弱的帝國中選出最弱的殖民地，并將其給予最有可能擁有他的帝國(帝國主義競爭)。

步驟6消滅軟弱的帝國。

步驟7如果只有一個(gè)帝國，停止算法，如果沒有，轉(zhuǎn)到步驟2。

大量的實(shí)驗(yàn)結(jié)果表明，使用RBF核函數(shù)，SVM的分類效果更好[23]，因此本文選取RBF核函數(shù)作為本文模型的核函數(shù)：

(12)

式中：γ稱為模型的關(guān)鍵參數(shù)。在SVM的訓(xùn)練過程中，懲罰因子C和核函數(shù)γ對(duì)模型整體的泛化性能有很大的影響，所以需要調(diào)節(jié)這兩個(gè)參數(shù)以改善SVM的泛化性能。本文為了應(yīng)用ICA進(jìn)行參數(shù)優(yōu)化，將國家成本函數(shù)設(shè)置為目標(biāo)函數(shù)。在樣本量不充足的情況下，為了充分利用數(shù)據(jù)集對(duì)模型進(jìn)行測試，使模型具有較好的泛化效果，減少因樣本量偏少產(chǎn)生的過擬合現(xiàn)象，本文選擇k折交叉驗(yàn)證(將數(shù)據(jù)集隨機(jī)分為k個(gè)包，每次將其中一個(gè)包作為測試集，剩下k-1個(gè)包作為訓(xùn)練集進(jìn)行訓(xùn)練)后的平均分類準(zhǔn)確率來構(gòu)建目標(biāo)函數(shù)P(C,γ)：

(13)

目標(biāo)函數(shù)P的兩個(gè)重要參數(shù)(C和γ)需要提前設(shè)置。目標(biāo)函數(shù)值(目標(biāo)值)越小，分類精度越好?？偠灾?，目標(biāo)函數(shù)P的最佳值與ICA中最佳國家的成本相同。當(dāng)所有的國家都統(tǒng)一到一個(gè)最強(qiáng)大的帝國時(shí)，這個(gè)帝國的總成本將是ICA中最小的值，目標(biāo)函數(shù)同時(shí)得到最小值。

1.4 故障識(shí)別的多分類SVM分類器

在故障分類問題中，基于二叉樹的多分類方法相比其他分類方法具有訓(xùn)練時(shí)間短、沒有不可分區(qū)域、需要最少的分類器等優(yōu)點(diǎn)[24]，因此本文研究基于二叉樹的多分類支持向量機(jī)。

根據(jù)第三代智能變電站設(shè)備故障信息，選取了變電站的五種故障，即斷路器滅弧室爆炸、保護(hù)動(dòng)作斷路器拒分、斷路器跳閘、操作機(jī)構(gòu)頻繁打壓、SF6氣體壓力低故障、故障與故障之間沒有必然的因果聯(lián)系，而斷路器跳閘又分為斷路器偷跳和控制回路斷線故障，操作機(jī)構(gòu)頻繁打壓分為操作機(jī)構(gòu)油(氣)壓力低閉鎖分合閘故障和液壓機(jī)構(gòu)油泵打壓超時(shí)，所以本文以分層二叉樹為基礎(chǔ)進(jìn)行變電站的故障診斷，分類圖如圖2所示。圖中：a代表正常；b代表斷路器偷跳；c代表控制回路斷線故障；d代表操作機(jī)構(gòu)油(氣)壓力低閉鎖分合閘故障；e代表液壓機(jī)構(gòu)油泵打壓超時(shí)；f代表斷路器滅弧室爆炸；g代表保護(hù)動(dòng)作斷路器拒分；h代表SF6氣體壓力低故障。識(shí)別步驟如下：

圖2 多分類SVM分類器

步驟1選擇訓(xùn)練樣本中的正常樣本標(biāo)記為1，故障樣本標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成一層分類器。

步驟2選擇故障樣本，其中斷路器跳閘故障(b,c)標(biāo)記為1，余下故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成二層分類器。

步驟3選擇斷路器跳閘故障樣本(b,c)，其中斷路器偷跳故障標(biāo)記為1，控制回路斷線故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成第一個(gè)三層分類器。

步驟4選擇剩下故障樣本(d,e,f,g,h)，其中操作機(jī)構(gòu)頻繁打壓故障(d,e)標(biāo)記為1，剩余故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成第二個(gè)三層分類器。

步驟5選擇操作機(jī)構(gòu)頻繁打壓故障樣本(d,e)，其中操作機(jī)構(gòu)油(氣)壓力低閉鎖分合閘故障標(biāo)記為1，液壓機(jī)構(gòu)油泵打壓超時(shí)故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成第一個(gè)四層分類器。

步驟6選擇剩余故障樣本(f,g,h)，其中斷路器滅弧室爆炸故障標(biāo)記為1，其余故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成第二個(gè)四層分類器。

步驟7選擇余下故障樣本(g,h)，其中保護(hù)動(dòng)作斷路器拒分故障標(biāo)記為1，SF6氣體壓力低故障標(biāo)記為-1，利用RBF核函數(shù)同時(shí)進(jìn)行ICA參數(shù)尋優(yōu)，生成五層分類器。

1.5 變電站設(shè)備故障診斷

為了對(duì)故障實(shí)現(xiàn)準(zhǔn)確的診斷，需要對(duì)本文所提出的多分類支持向量機(jī)模型進(jìn)行多次訓(xùn)練。通過對(duì)第三代智能變電站設(shè)備故障信息的篩選，將提取后的數(shù)據(jù)分為訓(xùn)練集和測試集，選取RBF核函數(shù)，并采用ICA對(duì)核函數(shù)參數(shù)進(jìn)行優(yōu)化選取，生成優(yōu)化分類器。整體的操作步驟如下：

步驟1使用PCA對(duì)初始樣本集進(jìn)行線性變換，利用變換后的累計(jì)貢獻(xiàn)率來選擇主成分。通過選取的主成分對(duì)線性變換后的樣本集進(jìn)行降維處理，得到一組新的樣本集。

步驟2集中訓(xùn)練新樣本，利用新樣本集和參數(shù)未知的SVM形成目標(biāo)函數(shù)。

步驟3使用ICA找出目標(biāo)函數(shù)的優(yōu)化解，確定SVM用于智能變電站故障分類的優(yōu)化參數(shù)，使用優(yōu)化后的參數(shù)建立第一層分類器。

步驟4根據(jù)圖2中多分類SVM分類器的順序，將訓(xùn)練集依次分類，根據(jù)步驟3中的方法建立全部分類器，形成故障識(shí)別的多分類SVM分類器模型。

步驟5將測試樣本輸入支持向量機(jī)模型，計(jì)算其預(yù)測值。

模型整體流程如圖3所示。

圖3 故障診斷流程

2 實(shí)例分析

本文采用第三代智能變電站設(shè)備故障數(shù)據(jù)進(jìn)行分類測試。通過對(duì)數(shù)據(jù)的篩選與整合，本文選取了8類具有代表性的數(shù)據(jù)共164組，其中訓(xùn)練樣本120組，測試樣本44組，各種樣本數(shù)據(jù)的分布如表1所示。

表1 故障數(shù)據(jù)

2.1 PCA降維處理

所有故障信息的故障特征如表2所示。

表2 故障特征表

對(duì)所有故障樣本組成的故障特征組進(jìn)行PCA主成分分析，根據(jù)式(5)依次計(jì)算所有主成分向量的貢獻(xiàn)率，結(jié)果見表3，所有的故障特征按照貢獻(xiàn)率大小降序排列。

表3 主成分貢獻(xiàn)率

本文根據(jù)留下的數(shù)據(jù)量要達(dá)到90%以上的原則篩選故障特征。從表3中可以看出，前11個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了92.253 9%，因此選擇前11個(gè)特征作為最佳故障特征。降維后的故障特征與數(shù)據(jù)類型表如表4所示。

表4 故障特征與數(shù)據(jù)類型表

2.2 ICA尋找最優(yōu)參數(shù)

使用ICA對(duì)模型參數(shù)進(jìn)行優(yōu)化，參數(shù)的設(shè)置如下：優(yōu)化函數(shù)的維數(shù)設(shè)置為2，交叉驗(yàn)證的折數(shù)設(shè)置為10，國家個(gè)數(shù)固定為20，初始帝國數(shù)設(shè)置為6，進(jìn)化率設(shè)置為0.3，同化系數(shù)設(shè)置為2，同化系數(shù)角設(shè)置為0.5，參數(shù)C和γ在[10-1,102]和[10-2,102]兩個(gè)固定范圍內(nèi)變化。

圖4展現(xiàn)出了所有的帝國在各個(gè)迭代階段的平均代價(jià)值與最小代價(jià)值。剛開始所有帝國的平均代價(jià)值遠(yuǎn)遠(yuǎn)高于最小代價(jià)值，但是在之后的迭代過程中，最小代價(jià)與平均代價(jià)之間的差距逐漸縮小,到最后差距已經(jīng)達(dá)到最小，此時(shí)的平均代價(jià)值基本與最小代價(jià)值相等。通過帝國競爭算法優(yōu)化后的模型參數(shù)確定為C=65.19，γ=0.467 3。

圖4 ICA參數(shù)尋優(yōu)

2.3 故障樣本預(yù)測與驗(yàn)證

利用測試樣本對(duì)所訓(xùn)練的多分類SVM分類器進(jìn)行測試，表5為測試數(shù)據(jù)的故障樣本預(yù)測情況，未列出的故障全部預(yù)測正確。從表5可知，44組測試數(shù)據(jù)僅有6組測試樣本故障診斷結(jié)果出錯(cuò)。測試數(shù)據(jù)樣本的故障準(zhǔn)確率為86.364%，說明本文方法能夠有效地診斷變電站的故障。每個(gè)故障對(duì)應(yīng)的準(zhǔn)確率與查全率如表6所示，準(zhǔn)確率與查全率能夠進(jìn)一步表現(xiàn)出模型的精度與準(zhǔn)確率。在智能變電站故障診斷情況下，本文更希望漏掉盡量少的故障，所以此時(shí)的查全率比較重要。從表6可知，斷路器偷跳(D2)、保護(hù)動(dòng)作斷路器拒分(D7)、SF6氣體壓力低故障(D8)三種故障的查全率為1，說明本文模型更適用于斷路器偷跳、保護(hù)動(dòng)作斷路器拒分、SF6氣體壓力低故障三種故障的診斷。

表5 故障預(yù)測情況

續(xù)表5

表6 準(zhǔn)確率與查全率

根據(jù)故障與故障特征之間的邏輯關(guān)系，驗(yàn)證了本文對(duì)智能變電站故障診斷的真實(shí)有效性。

(1) 斷路器滅弧室爆炸故障邏輯圖如圖5所示。

圖5 斷路器滅弧室爆炸故障

根據(jù)表7可知，故障12的故障特征為發(fā)生主保護(hù)動(dòng)作(A6)，相應(yīng)斷路器在分位(A1)，故障斷路器電流(A2)、電壓(A3)顯示為零，預(yù)測故障為斷路器滅弧室爆炸(D6)，根據(jù)圖5的故障邏輯圖可知，診斷正確。

表7 故障12診斷過程

(2) 保護(hù)動(dòng)作斷路器拒分故障邏輯圖如圖6所示。

圖6 保護(hù)動(dòng)作斷路器拒分故障

根據(jù)表8可知，故障14的故障特征為發(fā)生主保護(hù)動(dòng)作(A6)，斷路器拒分。拒分?jǐn)嗦菲髟诤衔?A4)，故障斷路器電流(A2)、電壓(A3)顯示為零，預(yù)測故障為保護(hù)動(dòng)作斷路器拒分(D7)，根據(jù)圖6的故障邏輯圖可知，診斷正確。

表8 故障14診斷過程

(3) 斷路器跳閘故障邏輯圖如圖7所示。

圖7 斷路器跳閘故障

根據(jù)表9可知，故障3的故障特征為斷路器分位(A1)，SF6氣體壓力低告警(A14)預(yù)測故障為斷路器偷跳(D2)。

表9 故障3診斷過程

根據(jù)表10可知，故障6的故障特征為監(jiān)控系統(tǒng)發(fā)生控制回路斷線告警信號(hào)(A7)，預(yù)測故障為控制回路斷線故障(D3)。

表10 故障6診斷過程

根據(jù)圖7的故障邏輯圖可知，故障3與故障6診斷正確。并且斷路器偷跳與控制回路斷線故障兩者發(fā)生其一，可引起斷路器跳閘故障。

(4) 操作機(jī)構(gòu)頻繁打壓故障邏輯圖如圖8所示。

圖8 操作機(jī)構(gòu)頻繁打壓故障

根據(jù)表11可知，故障9的故障特征為監(jiān)控系統(tǒng)發(fā)出操作機(jī)構(gòu)油(氣)壓力低告警(A10)，閉鎖分閘，閉鎖合閘，閉鎖重合閘(A11)，控制回路斷線(A7)告警信息，出現(xiàn)壓力低閉鎖信號(hào)(A12)，預(yù)測故障為操作機(jī)構(gòu)油(氣)壓力低閉鎖分合閘故障(D4)。

表11 故障9診斷過程

根據(jù)表12可知，故障10的故障特征為監(jiān)控系統(tǒng)發(fā)出油泵打壓超時(shí)告警信息(A13)，出現(xiàn)壓力低閉鎖信號(hào)(A12)，預(yù)測故障為液壓機(jī)構(gòu)油泵打壓超時(shí)(D5)。

表12 故障10診斷過程

根據(jù)圖8的故障邏輯圖可知，故障9與故障10診斷正確。并且操作機(jī)構(gòu)油(氣)壓力低閉鎖分合閘故障與液壓機(jī)構(gòu)油泵打壓超時(shí)兩者發(fā)生其一，可引起操作機(jī)構(gòu)頻繁打壓故障。

(5) SF6氣體壓力低故障邏輯圖如圖9所示。

圖9 SF6氣體壓力低故障

根據(jù)表13可知，故障16的故障特征為監(jiān)控系統(tǒng)發(fā)出SF6氣體壓力低告警(A14)，壓力低閉鎖信號(hào)(A12)，壓力低閉鎖同時(shí)伴隨控制回路斷線信號(hào)(A7)，預(yù)測故障為SF6氣體壓力低故障(D8)，根據(jù)圖9的故障邏輯圖可知，診斷正確。

表13 故障16診斷過程

2.4 對(duì)比分析

為了驗(yàn)證本文方法的有效性，將在變電站故障診斷應(yīng)用中比較常見的BP神經(jīng)網(wǎng)絡(luò)方法與本文的多分類支持向量機(jī)方法相比較。

從表14中展現(xiàn)的數(shù)據(jù)可知，使用多分類支持向量機(jī)進(jìn)行分類準(zhǔn)確率為86.364%，BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率為84.091%，分類準(zhǔn)確率能表現(xiàn)出一個(gè)模型的精度，說明多分類支持向量機(jī)在解決小樣本、多維數(shù)問題時(shí)具有良好的效果。

表14 故障診斷方法比較(%)

為了進(jìn)一步驗(yàn)證本文分類方法對(duì)于變電站故障診斷的有效性，采用多分類支持向量機(jī)常用的OVO-SVM與本文方法進(jìn)行分類對(duì)比，由表15中展現(xiàn)的實(shí)驗(yàn)數(shù)據(jù)可知，本文方法在訓(xùn)練樣本和測試樣本中的準(zhǔn)確率都優(yōu)于OVO-SVM，驗(yàn)證了其在分類上的準(zhǔn)確性和有效性。

表15 分類方法比較(%)

3 結(jié) 語

提出了一種基于優(yōu)化參數(shù)支持向量機(jī)的智能變電站故障診斷方法。利用主成分分析法提取關(guān)鍵特征值，有效地減少了重復(fù)變量，降低了數(shù)據(jù)的復(fù)雜性，將降維后的故障數(shù)據(jù)集在模型中進(jìn)行訓(xùn)練，通過帝國競爭算法進(jìn)行參數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果表明：(1) 使用PCA進(jìn)行降維可以顯著減少計(jì)算復(fù)雜程度；(2) 利用ICA可以進(jìn)行參數(shù)的優(yōu)化處理，從而對(duì)模型整體的準(zhǔn)確率有較大的提升；(3) SVM對(duì)于小樣本、多類故障識(shí)別具有很好的效果。