李志華

（潞安集團石圪節(jié)煤業(yè)公司， 山西 長治 046032）

引言

智能技術(shù)的本質(zhì)是通過算法實現(xiàn)某種預(yù)期目標，它在電氣自動化中具有重要價值。電氣自動化中通常應(yīng)用自主計算的智能技術(shù)，這就意味著電氣自動化控制系統(tǒng)具備自適應(yīng)調(diào)節(jié)的能力。智能技術(shù)中的認知信息也被應(yīng)用到部分電力故障檢測當中，通過解決全局概率性等問題，提出中心聚類算法對部分故障的聚類分析，以達到故障的自動檢測目的。電氣自動化涉及面廣、應(yīng)用領(lǐng)域廣，學習和研究成本較高，因此亟待通過智能技術(shù)的應(yīng)用來解決部分難題。智能化是電氣自動化控制技術(shù)的發(fā)展方向，其發(fā)展水平正是評價電氣自動化水平的標準。目前，智能技術(shù)已經(jīng)在電力控制系統(tǒng)、電機智能控制、電氣設(shè)備的狀態(tài)評估與檢測等領(lǐng)域應(yīng)用，大幅提高了電氣自動化的智能程度。

1 智能技術(shù)算法及其應(yīng)用概述

1.1 支持向量機（SVM）及其應(yīng)用

支持向量機是一類有監(jiān)督學習的方法，在數(shù)據(jù)歸類和回歸領(lǐng)域被廣泛應(yīng)用，是一種基于統(tǒng)計的二分類模型，在樣本量較少時也能做到數(shù)據(jù)的統(tǒng)計。該方法支持向量機定義核函數(shù)，將輸入通過非線性變換映射至高緯空間，并在這一空間尋求最優(yōu)分類面。因此，它的分類函數(shù)類似于神經(jīng)網(wǎng)絡(luò)，中間節(jié)點通過線性組合讓節(jié)點的輸入樣本對應(yīng)支持向量進行內(nèi)積。支持向量機用超平面將數(shù)據(jù)分類，定義如下：

式中：ω為法向量；b為超平面相對原點的偏移量；x為樣本。

求解式中法向量ω是超平面的關(guān)鍵，傳統(tǒng)算法是根據(jù)最小二乘法選取任意隨機平面，直接通過網(wǎng)絡(luò)訓練，得到錯誤分類結(jié)果，其中，對 ω求導(dǎo)采用梯度下降法即可得到錯誤分類結(jié)果的極值，此時求解得到的為最佳超平面，這樣完成的分類結(jié)果也最優(yōu)。圖1是支持向量機結(jié)構(gòu)，每個輸入向量均與內(nèi)核向量進行卷積，其優(yōu)勢在于樣本量不足時可以獲得全局最優(yōu)解，而非大量樣本下迭代最優(yōu)，并且避免了局部極值的問題。另一類支持向量機常用于線性回歸的擬合，通過擬合求得最佳超平面（方差最小）。

圖1 支持向量機網(wǎng)絡(luò)結(jié)構(gòu)

在電氣自動化領(lǐng)域，支持向量機常被用于設(shè)備運行的故障檢測。由于電氣設(shè)備故障具有隨機性，其特點表現(xiàn)為非線性、偶發(fā)性。常見的故障特征樣本有溫度、濕度、壓力、電磁輻射等，通過對這些樣本的采集作為支持向量機輸入，輸出為設(shè)備故障信息。

1.2 Kmeans聚類算法及其應(yīng)用

Kmeans聚類算法是一個迭代求解方法，它常被用于電力系統(tǒng)運行數(shù)據(jù)的故障識別與檢測。通過創(chuàng)建初始樣本簇K，然后迭代地將樣本分門別類，實現(xiàn)最終聚類。K值的擬定是Kmeans算法的關(guān)鍵，例如：變壓器DGA數(shù)據(jù)是其故障診斷的參考數(shù)據(jù)，數(shù)據(jù)樣本采用Kmeans算法聚類可以有效地判斷變壓器故障。Kmeans算法步驟一般為：選取初始K類簇中心；將樣本按簇中心歐式距離最短進行標記分類；樣本迭代，直至所有樣本均被歸類。其中，標記公式為：

公式（2）中，標簽是以簇中心aj和樣本xi歐式距離最短確定的，迭代結(jié)束的判定是以歐式距離的最小平方誤差決定的：

式中：μi是簇的均值向量；Ci為樣本空間，因此每個樣本都屬于這一空間內(nèi)。在求解最小值的時候采用的是迭代，這類算法對初始值K較為敏感，因此需要選擇最優(yōu)的構(gòu)造避免異常值出現(xiàn)。

Kmeans聚類算法可被用于電氣設(shè)備速度控制、故障損耗統(tǒng)計、設(shè)備運行圖像采集與故障診斷等。以圖像采集故障診斷為例，根據(jù)設(shè)備相對位置數(shù)據(jù)對設(shè)備磨損程度進行聚類，按照磨損程度等級進行維修、更換、檢查等。

1.3 主成分分析及其應(yīng)用

主成分分析（PAC）是一種將多變量高維問題進行小失真降維簡化的算法，目前被用于電力系統(tǒng)的短期荷載預(yù)測、系統(tǒng)狀態(tài)評估、電網(wǎng)規(guī)劃決策等。電氣自動化部分測得的數(shù)據(jù)認為是非線性的、高維度的，且評估、預(yù)測的模型也多為復(fù)雜高維的。因此，采用主成分分析法可以將模型進行簡化。衡量變量間相關(guān)程度采用皮爾遜相關(guān)系數(shù)或協(xié)方差，因此在進行主成分分析時首先要對源數(shù)據(jù)進行線性變換：

公式（4）建立了樣本空間X至新空間Y的映射關(guān)系，通過基本變換達到降維的效果。降維后要求損失的信息最少，因此可以通過計算方差得到：

式中：D為樣本集；ai為樣本，共m個；μ為樣本均值。在計算方差后還需對D進行中心化：

通過求解方差和協(xié)方差矩陣從而得到主成分對應(yīng)的特征值，因此可以將數(shù)據(jù)的貢獻率作為評價指標，實現(xiàn)量化評估和管理，其構(gòu)建的矩陣形式如下：

公式（7）建立了主成分y與源數(shù)據(jù)x間的關(guān)系。根據(jù)方差貢獻率可以計算出源數(shù)據(jù)所占比建立評估管理模型對電氣自動化相關(guān)設(shè)備進行評價。通過主成分分析得到預(yù)測的主成分及占比，帶入模型進行預(yù)測所得的結(jié)果往往比較準確。

2 礦用變壓器故障檢測的應(yīng)用創(chuàng)新

礦用變壓器多年的運行維護經(jīng)驗表明：變壓器受井下環(huán)境影響容易造成故障潛伏，受條件限制不能實現(xiàn)全面的故障診斷。紅外診斷技術(shù)在針對變壓器套管故障、冷卻裝置故障、油路故障等方面已有較好的效果，用變壓器在運行過程中產(chǎn)生的溫度特征參量參照診斷規(guī)范來判別故障類型。但溫度受到環(huán)境因素影響，紅外診斷的準確性有待提升。針對變壓器套管故障，紅外檢測能夠以熱成像形式展現(xiàn)給巡檢人員，根據(jù)經(jīng)驗：以套管頂部柱頭為最熱熱像的一般是由電流致熱引起，而以整體發(fā)熱熱像的一般是由電壓致熱引起。根據(jù)測得結(jié)果，巡檢人員按照《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》（DL/T 664—2008），可對故障進行排除。傳統(tǒng)的診斷判別采用了表面溫度判斷、同類比較判斷、圖像特征判斷法等，由于在采用圖像特征判別時傳統(tǒng)的算法無法避免一些外部干擾，降低了診斷系統(tǒng)的可靠性。采用Kmeans聚類算法對熱像圖像進行聚類，用圖像特征可以實現(xiàn)故障自動診斷。簇1是以圖像過亮的像素個數(shù)作為統(tǒng)計信息的，在獲取套管坐標后可以通過閾值（閾值設(shè)定參照《規(guī)范》）分割獲取套管過熱面積和位置信息。通過橢圓擬合得到過熱區(qū)域可以判斷是電流引起還是電壓引起的套管故障。

圖2為典型電流致熱型套管故障，將Kmeans聚類的初始值設(shè)為K=3，當溫差低于10 K（灰度級小于40，8 bit數(shù)字圖像灰度級為28=256）時作為簇1特征；熱點溫度在45～65℃時作為簇2特征；熱點溫度在70～90℃時作為簇3特征。考慮到溫度受環(huán)境影響，樣本需要在±10℃范圍內(nèi)誤差可接受。最終結(jié)果按照電流、電壓致熱進行分類，得到三類故障等級，見圖3。按照設(shè)備缺陷診斷判據(jù)，其處理流程下頁圖4所示。

圖2 電流致熱型套管故障

圖3 電壓致熱型套管故障

圖4 套管故障診斷流程

根據(jù)Kmeans的迭代特點，不同溫度下的故障類型能夠得到有效區(qū)分。由于故障類型的細分需要提供大量樣本，因此本文將在后續(xù)對大量紅外成像樣本進行分析，可以量化得到故障等級對應(yīng)的圖像灰度等信息。

3 結(jié)語

本文針對電氣自動化中典型的智能技術(shù)，對常用算法進行了理論分析和應(yīng)用分析，并用Kmeans算法實現(xiàn)紅外診斷變壓器套管故障過程，三個簇（K=3）可以有效區(qū)分故障類型，對提高檢測效率有一定貢獻。下一步將對部分故障樣本進行算法測試，并通過測試結(jié)果不斷改進算法，實現(xiàn)智能技術(shù)在電氣自動化中的應(yīng)用創(chuàng)新。