吳瑞鑫

摘 要：利用IEC60599的三比值法對應(yīng)6種故障輸出目標(biāo)函數(shù)，包括：無故障NoFault、局部放電PD（PartialDischarges，含低能量密度及高能量密度放電）、低能量火花放電D1（Dischargeof LowEnergy）、高能量電弧放電D2（DischargeofHighEnergy）、低于700 ℃的過熱故障T1及T2（ThermalFaults<700 ℃）及高于700 ℃的過熱故障T3（ThermalFaults>700 ℃）等6種類型，來建立SVM多層分類器。

關(guān)鍵詞：智能變電站 變壓器 故障診斷

中圖分類號：TM7 文獻標(biāo)識碼：A 文章編號：1674-098X（2016）09（c）-0030-02

1 建構(gòu)故障診斷系統(tǒng)

1.1 輸入向量

變壓器以DGA方法分析出來的油中氣體成分H2、CH4、C2H6、C2H4、C2H2等5種特征氣體，依據(jù)IEC599Std所組成三比值法的氣體比值做為輸入向量。

1.2 支撐向量

利用IEC60599Std的三比值法對應(yīng)6種故障輸出目標(biāo)函SVM，依據(jù)IEC60599所定義的6種故障特性類型，包括有無故障（NoFault）、局部放電PD（含低能量密度及高能量密度放電）、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型所組成的支撐向量。

2 回歸模型的參數(shù)選取

在建構(gòu)支撐向量回歸模型的過程中，尚有3個參數(shù)需要由研究者自行決定，這3個參數(shù)分別是：C、2和ε。C為懲罰常數(shù)、2為高斯核函數(shù)的帶寬、ε為不敏感區(qū)域的寬度。任意的選取這些參數(shù)，雖然也可以很容易的經(jīng)由計算而得到訓(xùn)練資料的訓(xùn)練誤差，但是它隱含著具有過度配適的風(fēng)險。為了避免過度配適的現(xiàn)象發(fā)生，可使用交叉驗證技術(shù)，但是交叉驗證的過程則是相當(dāng)耗時的?？蛇\用k-fold交叉驗證技術(shù)于分類辨識的領(lǐng)域，得到了不錯的效果，且該技術(shù)能于計算的時間成本和參數(shù)估計的可信度間取得適當(dāng)?shù)钠胶?。Duan同時也建議k取5，因為在他的實驗里使用5-fold交叉驗證技術(shù)來訓(xùn)練樣本資料時，能很適當(dāng)?shù)墓烙嫵鲋蜗蛄炕貧w模型的預(yù)測誤差。在此，所謂5-fold交叉驗證技術(shù)，即是將訓(xùn)練資料集分成5等份，每等份具有相同個數(shù)的輸入資料，且無任何交集，然后利用其中的4等份以某一參數(shù)組合，來訓(xùn)練支撐向量回歸模型，訓(xùn)練完成后所得到的模型再用來測試剩余的另一等份，并評估其預(yù)測誤差，重復(fù)此類實驗共5次，最后求得這5次預(yù)測的平均誤差，并以這平均誤差當(dāng)作在該特定參數(shù)組合下所建構(gòu)的模型的交叉驗證誤差，依參數(shù)組合的不同進行多次實驗，并分別記錄各不同參數(shù)組合下所得到的交叉驗證誤差，取具有最小交叉驗證誤差時的參數(shù)組合，做為未來建構(gòu)支撐向量回歸模型的最佳參數(shù)組合，該研究也利用此種法則，將訓(xùn)練樣本數(shù)據(jù)100組分為5個組別來進行5-fold交叉驗證，評估及選取參數(shù)組合。設(shè)定2的取值范圍在1到100之間，而C的取值范圍在10到100之間時，所建構(gòu)的支撐向量回歸模型將得到較佳的預(yù)測結(jié)果。為能更廣泛的尋找最佳狀態(tài)時的參數(shù)，在此將使用格子點法搜尋最佳參數(shù)組合。實驗將利用各格子點上3個參數(shù)的組合，以5-fold交叉驗證技術(shù)訓(xùn)練支撐向量回歸模型，最后求取各格子點上的交叉驗證所得的最佳參數(shù)組合。

運用格子點法配合5-fold交叉驗證技術(shù)，總共對訓(xùn)練資料進行了20×100×4×10次訓(xùn)練，于參數(shù)的選取決策上將由ε開始，在各ε值下平均支撐向量個數(shù)占訓(xùn)練樣本個數(shù)的比例，訓(xùn)練驗證察圖可發(fā)現(xiàn)，平均支撐向量個數(shù)隨ε值而遞減。當(dāng)支撐向量個數(shù)占訓(xùn)練樣本個數(shù)的比例太大時，容易產(chǎn)生過度配適或不足配適的問題。因此該論文將先篩選出比例小于90%的ε值。再就各ε值下交叉驗證，產(chǎn)生最適當(dāng)?shù)闹蜗蛄總€數(shù)的模型數(shù)，以獲得較穩(wěn)定的預(yù)測結(jié)果。配適分類器與一個具有較佳訓(xùn)練結(jié)果分類器的比較將誤差修正來選取ε、2及C以建立支撐向量回歸模型；界線誤差修正較交叉驗證技術(shù)可以較小的bias及較高的variance。

3 以多層SVM分類器為基礎(chǔ)的變壓器故障診斷

以多層SVM為基礎(chǔ)的分類器作為變壓器故障診斷的程序，包括有下列三個步驟。

Step1：擷取變壓器故障所產(chǎn)生的特征氣體，當(dāng)為SVM分類器的輸入數(shù)據(jù)。

Step2：訓(xùn)練SVM分類器，產(chǎn)生可用的系統(tǒng)模型。

Step3：以訓(xùn)練后的SVM分類器模型，進行變壓器故障類型的辨識測試。

案例：

變壓器將有6種狀態(tài)作為診斷結(jié)果的目標(biāo)輸出，它包括有：無故障、局部放電PD、低能量火花放電D1、高能量電弧。

放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型。

3.1 SVM的輸入向量

故障分析診斷，是以DGA方法所得到的可燃性氣體成分當(dāng)為診斷所需的數(shù)據(jù)，然后利用IEC599的三比值法所得到的3個比值當(dāng)為輸入向量，故障氣體包括有：H2、CH4、C2H6、C2H4、C2H2等5種特征氣體。3個比值向量包括：

，，

在SVM網(wǎng)路中，由5種故障特征氣體所組成的3個比值向量為系統(tǒng)輸入向量，X[x1x2x3]T，而有i個特征向量（支撐向量）。

3.2 SVM網(wǎng)路的訓(xùn)練

訓(xùn)練的目的乃系利用5種故障特征氣體的輸入，擷取其特征向量，透過SVM的訓(xùn)練，建構(gòu)一個適用于本故障診斷的SVMModel，以做為網(wǎng)路測試的SVMModel，一個SVMTraining架構(gòu)。

案例：

以IEC60599Std所列的6種不同的故障特性型式作為SVM網(wǎng)路的訓(xùn)練目標(biāo)輸出的基本特性，并以IECTC10資料庫所列的134筆數(shù)據(jù)樣本（即變壓器設(shè)備故障案例）做為該系統(tǒng)的訓(xùn)練與測試驗證的數(shù)據(jù)資料，該研究的SVM網(wǎng)路系統(tǒng)發(fā)展來辨識這6種的故障類型，它包括了無故障、部分放電PD（含低能量密度及高能量密度放電）、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型。

（1）SVM第一層的網(wǎng)路訓(xùn)練。

在這一層網(wǎng)路中，將被訓(xùn)練并區(qū)分出無故障與其它5種故障類型等兩大類[部分放電PD、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過熱故障（T3）]，當(dāng)進入于SVM網(wǎng)路的輸入樣本是屬無故障的樣本，則SVM-1的輸出為y1-1，否則其他輸出為y11。

（2）SVM第二層的網(wǎng)路訓(xùn)練。

具有部分放電PD、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過故障（T3）等5種故障類型的輸入樣本進入了第二層的SVM網(wǎng)路，在這一層網(wǎng)路中，將被訓(xùn)練并區(qū)分出“部分放電PD”與其他4種故障類型等兩大類[D1、D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過熱故障（T3）]，當(dāng)進入于SVM網(wǎng)路的輸入樣本是屬“部分放電PD”的樣本，則SVM-2的輸出為y2-1，否則其他輸出為y21。

（3）SVM第三層的網(wǎng)路訓(xùn)練。

具有低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過故障（T1及T2）、高于700 ℃的過故障（T3）等四種故障類型的輸入樣本進入了第三層的SVM網(wǎng)路，在這一層網(wǎng)路中，將被訓(xùn)練并區(qū)分出“高于700 ℃的過熱故障（T3）”與其他3種故障類型等兩大類[D1、D2、低于700 ℃的過熱故障（T1及T2）]，當(dāng)進入于SVM網(wǎng)路的輸入樣本是屬“高于700 ℃的過熱故障（T3）”的樣本，則SVM-3的輸出為y3-1，否則其他輸出為y31。

（4）SVM第四層的網(wǎng)路訓(xùn)練。

具有低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）等3種故障類型的輸入樣本進入了第四層的SVM網(wǎng)路，在這一層網(wǎng)路中，將被訓(xùn)練并區(qū)分出“低于700 ℃的過故障（T1及T2）”與其他二種故障類型等兩大類（D1、D2），當(dāng)進入于SVM網(wǎng)路的輸入樣本是屬“低于700 ℃的過熱故障（T1及T2）”的樣本，則SVM-4的輸出為y4-1，否則其他輸出為y41。

（5）SVM第五層的網(wǎng)路訓(xùn)練。

具有低能量火花放電D1、高能量電弧放電D2等2種故障類型的輸入樣本進入了第五層的SVM網(wǎng)路，在這一層網(wǎng)路中，將被訓(xùn)練并區(qū)分出“高能量電弧放電D2”與“低能量火花放電D1”兩類故障類型，當(dāng)進入于SVM網(wǎng)路的輸入樣本是屬“高能量電弧放電D2”的樣本，則SVM-5的輸出為y5-1，否則輸出為y51（屬低能量火花放電D1）。經(jīng)過前述五層的SVM的網(wǎng)路訓(xùn)練，即可得到一個多層SVM分類器，以一個多層SVM分類器為基礎(chǔ)的變壓器故障診斷法則。

4 結(jié)語

利用DGA分析所得的變壓器故障油中氣體成分當(dāng)為測試原始輸入數(shù)據(jù)，并經(jīng)過前置處理程序，擷取特征向量（IEC599三比值法）輸入至這個多層SVM分類器網(wǎng)路中，在第一層的SVM-1輸出，“Normal State”將被分辨出來，其余屬于其他5種故障狀態(tài)的測試樣本將進入到第二層SVM-2的網(wǎng)路內(nèi)，而在第二層的SVM-2輸出，“PD故障”將被分辨出來，其余屬于其他4種故障狀態(tài)的測試樣本將再進入到第三層SVM-3的網(wǎng)路內(nèi)，而在第三層的SVM-3輸出，“T3故障”將被分辨出來，其余屬于其他3種故障狀態(tài)的測試樣本將繼續(xù)進入到第四層SVM-4的網(wǎng)路內(nèi)，第四層SVM-4及第五層SVM-5的網(wǎng)路以相同方法分別分辨出“T1&T2故障”“D2故障”及“D1故障”等故障狀態(tài)，這個已訓(xùn)練完成的多層SVM網(wǎng)路，經(jīng)過5次的辨識過程（CASE部分），將6種變壓器故障類型診斷出來，而整個SVM網(wǎng)路也完成了Testing工作，并將診斷結(jié)果輸出。

參考文獻

[1] 杜曉萍，鄭帆.專家系統(tǒng)在智能變壓器在線監(jiān)測中的應(yīng)用[J].電子質(zhì)量，2011（12）：35-37.

[2] 曹海.基于D-S證據(jù)理論的變壓器診斷系統(tǒng)研究[J].四川電力技術(shù)，2009（5）：46-49.

[3] 張文亮，劉壯志，王明俊，等.智能電網(wǎng)的研究進展及發(fā)展趨勢[J].電網(wǎng)技術(shù)，2009（13）：1-11.

[4] 趙文清，朱永利.電力變壓器狀態(tài)評估綜述[J].變壓器，2007（11）：9-12，74.

[5] 錢蘇翔，沈曉梅.大型變壓器在線監(jiān)測技術(shù)及其發(fā)展[J].嘉興學(xué)院學(xué)報，2007（3）：5-8.