蔡建峰, 劉明輝, 魯杰, 李威, 鐘磊, 張清敏

(1.國網(wǎng)冀北電力有限公司承德供電公司, 河北, 承德 067000;2.智洋創(chuàng)新科技股份有限公司, 山東, 淄博 255086)

0 引言

電力輸電線路按照結(jié)構(gòu)可分為兩種結(jié)構(gòu),一是架空輸電線路、二是電纜線路。輸電線路在運行使用過程中,受到多種因素的影響和作用后,會形成隱患故障[1-4]。由于隱患故障的風(fēng)險識別和判定標(biāo)準(zhǔn)無法統(tǒng)一,因此隱患故障識別結(jié)果的可靠性存在一定偏差。沈曉枉[5]為識別線路故障,以空間故障樹理論為基礎(chǔ),提出了相應(yīng)的故障識別方法;王橋梅等[6]為保證線路故障識別的精準(zhǔn)性,依據(jù)VMD多尺度模糊熵,提出了相關(guān)的故障識別方法。上述方法均能夠完成電力線路故障識別,但是對于處于隱患階段以及早期階段的線路故障的識別可靠性仍需進一步驗證。

本文針對電力輸電線路的隱患故障展開詳細分析后,針對隱患故障的特點提出基于IPSO-SVM算法的電力輸電線路隱患故障識別方法,改進粒子群算法(IPSO)是一種尋優(yōu)算法,其在基礎(chǔ)粒子群算法的基礎(chǔ)上,實現(xiàn)算法擴展性的優(yōu)化,提升算法自身的尋優(yōu)效果和性能;支持向量機(SVM)作為一種典型且應(yīng)用較普遍的機器學(xué)習(xí)方法,其能夠以及決策邊界的計算結(jié)果完成目標(biāo)的分類,以此完成電力輸電線路隱患故障識別。

1 電力輸電線路隱患故障識別

1.1 電力輸電線路隱患故障多特征提取

1.1.1 隱患故障能量特征向量計算

采用峭度、偏斜度、方差、裕度指標(biāo)等多種特征量表示時域特征參數(shù),如表1所示。

表1 特征量參數(shù)詳情

但是上述特征參數(shù)存在一定局限性,因此為準(zhǔn)確獲取電力輸電線路隱患故障特征頻帶濾波信號[7],采用均勻劃分手段對所有的時域特征參數(shù)實行劃分處理,其采用小波分解完成,且為正交小波。頻域特征參數(shù)則采用劃分后獲取子帶頻率濾波信號描述,則基于Parseval恒等式可得出:

(1)

如果原始電力輸電線路隱患故障特征經(jīng)過小波包分解后形成的頻帶數(shù)量用M表示,則各個頻帶對應(yīng)的能量計算公式為

(2)

式中,Ni表示數(shù)據(jù)長度,對應(yīng)第i個子頻帶。

在式(2)的基礎(chǔ)上,計算能量φi的均方根,其公式為

(3)

采用歸一化的方式對能量值實行處理后可得出能量特征向量,其公式為

(4)

1.2 隱患故障多特征提取

完成Ri值的獲取后,采用Hilbert包絡(luò)譜奇異值對Ri的分量φ1,φ2,…,φM實行變換處理,其公式為

(5)

在式(5)的基礎(chǔ)上,計算電力輸電線路隱患故障的本征模式分量(IMF)的包絡(luò)譜,其計算公式為

(6)

將式(6)的各個結(jié)果組成矩陣B,其大小為m×n,依據(jù)奇異值分解,得出存在2種正交矩陣,其分別為U=[u1,u2,…,um]∈Rm×m和V=[v1,v2,…,vm]∈Rm×n,2種矩陣均為奇異向量矩陣,且均屬于B,基于此可確定:

UTBV=diag[β1,β2,…,βl]=S

(7)

式中,βi表示奇異值,其中i=1,2,…,l?；谏鲜龉降贸鯞的奇異值分解公式:

B=UVTSζ

(8)

獲取其對應(yīng)的包絡(luò)譜奇異值矩陣B,將B作為電力輸電線路隱患故障識別的特征向量,輸入至經(jīng)IPSO優(yōu)化的SVM的故障識別模型中,完成電力輸電線路隱患故障分類識別。

1.3 電力輸電線路隱患故障識別

1.3.1 隱患故障識別結(jié)果尋優(yōu)的IPSO算法

確定其在隱患故障分類識別結(jié)果尋優(yōu)過程中,慣性權(quán)值ω對其全局搜索能力存在直接關(guān)聯(lián),因此,對實行優(yōu)化,形成動態(tài)慣性權(quán)值ω′,其公式為

(9)

式中,k和L均表示迭代次數(shù),前者對應(yīng)當(dāng)前,后者對應(yīng)最大,ωmax和ωmin均表示權(quán)值,前者為最大,后者為最小。

提升粒子群算法的全局搜索能力后,完成粒子群算法的自身優(yōu)化后,為使粒子能夠較快地完成全局自由隱患故障分類識別結(jié)果的搜索,對LS-SVM模型的參數(shù)實行優(yōu)化,優(yōu)化的參數(shù)為懲罰因子和核參數(shù),分別用c和g表示。則IPSO對LS-SVM模型實行優(yōu)化的適應(yīng)度函數(shù)γ(x)的計算公式為

(10)

式中,f(x|c,g)和f0(x|c,g)均表示輸出結(jié)果,前者對應(yīng)實際,后者對應(yīng)期望,n表示數(shù)量對應(yīng)校驗集樣本。

如果X=[c,g]表示變量,γ(X)對X的偏導(dǎo)數(shù)公式為

(11)

如果電力輸電線路隱患故障中各個變量呈線性,γ(X)對X的偏導(dǎo)數(shù)公式為

(12)

(13)

式中,粒子速度用υ(t)表示,且在t時刻,x(k|t+1)和x(k|t)均表示粒子位置,屬于第k個變量,且位于個體向量中,前者對應(yīng)t+1時刻,后者對應(yīng)t時刻,則用于描述電力輸電線路隱患故障分類識別結(jié)果更新位置。優(yōu)化流程如圖1所示。

1.3.2 基于IPSO-LS-SVM算法的隱患故障分類識別

通過1.3.1小節(jié)完成優(yōu)化后,采用優(yōu)化后的基于IPSO-LS-SVM算法完成輸電力線路隱患故障分類識別。其識別分類步驟如下所述。

(1) 設(shè)c1和c2均表示初始學(xué)習(xí)因子,維數(shù)和規(guī)模分別用D和E表示,前者對應(yīng)粒子搜索空間,后者對應(yīng)粒子種群,對上述IPSO的參數(shù)實行初始化處理,且設(shè)定初始迭代次數(shù)為0。

(2) 對LS-SVM的待優(yōu)化參數(shù)c、g以及核函數(shù)權(quán)重系數(shù)λ的取值范圍進行設(shè)定,生成隨機一組參數(shù),用(c,g,λ)表示,并采用該參數(shù)表示粒子的初始位置。

(3) 求解γ(X),并將該求解結(jié)果與粒子的個體最優(yōu)位置γ(pbest)進行對比,如果前者小于后者,采用xi替換上一輪的粒子位置,此時適應(yīng)度函數(shù)為

γ(xi)=1-γ(p)

(14)

式中,γ(X)表示隱患故障的分類精度。

(4) 獲取全局最優(yōu)解。將γ(pbest)和全局最優(yōu)適應(yīng)度值γ(qbest)進行對比,如果前者小于后者,則采用pbest替換qbest。

(5) 完成粒子的位置、υ(t)、ω′以及c1和c2的更新。

(6) 結(jié)果輸出。當(dāng)γ(xi)結(jié)果滿足一定精度或者迭代滿足最大次數(shù)時,完成參數(shù)值輸出,反之,回步驟(3)。

(7) 依據(jù)上述步驟完成基于IPSO-LS-SVM模型的構(gòu)建,獲取模型的最佳參數(shù),并完成電力輸電線路隱患故障分類識別。

本文在識別過程中,采用多分類器組合的方式完成隱患故障的分類診斷,多分類器的組合診斷結(jié)構(gòu)如圖2所示。

圖2 多分類器隱患故障分類識別結(jié)構(gòu)

2 測試分析

為驗證本文隱患故障識別方法的應(yīng)用性能和效果,將某電力企業(yè)20 km線路作為研究對象,獲取線路的相關(guān)數(shù)據(jù),數(shù)據(jù)采集過程中,為保證采集數(shù)據(jù)準(zhǔn)確性以及全面性,結(jié)合該電力企業(yè)電力輸電線線路的地理環(huán)境以及輸電線路類別,設(shè)定采集線路步長為2 km,采集時間為1個月,共獲取10組數(shù)據(jù)。采集的數(shù)據(jù)中包含4種電力輸電線路隱患故障類別,分別為雷擊、覆冰、懸掛物以及山火,分別用故障1～4表示。4類隱患故障數(shù)量分別為12個、15個、18個以及7個。上述4種隱患故障均存在發(fā)展特性,容易造成輸電線路絕緣損壞、桿塔傾斜、漏電、電力運行故障等。

設(shè)最大迭代次數(shù)為180,粒子種群規(guī)模為25,學(xué)習(xí)因子c1和c2的取值分別為1.4和1.6,核參數(shù)g取15.5。

為測試本文方法優(yōu)化后隱患識別的優(yōu)勢,獲取在不同迭代次數(shù)下,對初始特征個數(shù)與特征分類后的個數(shù)進行對比分析,即驗證隱患故障特征識別過程的有效性。在優(yōu)化前、后,按照梯度方向,在固定維數(shù)和規(guī)模下計算t+1時刻和t時刻的個數(shù)差,獲得對電力輸電線路4種隱患故障識別誤差結(jié)果,以此衡量本文方法優(yōu)化優(yōu)勢。結(jié)果如圖3所示。

圖3 優(yōu)化前后的隱患故障識別誤差測試結(jié)果

由圖3結(jié)果可知,本文方法經(jīng)過優(yōu)化后的隱患故障特征識別效果更佳,誤差值均在0.06以下。

本文方法在進行輸電線路隱患分類識別過程前,需先在取值范圍內(nèi)確定懲罰因子c的最佳取值。以隱患故障識別精度作為衡量標(biāo)準(zhǔn),測試2種參數(shù)在不同取值下的識別精度,結(jié)果如圖4所示。

圖4 最優(yōu)參數(shù)取值測試結(jié)果

由圖4結(jié)果可得,隨著c取值的逐漸增加,隱患故障識別精度發(fā)生不同波動變化,與優(yōu)化前的取值測試結(jié)果相比,c取值為0.002時,隱患故障識別精度最佳,達到0.96。因此,確定本文方法的c的最佳取值為0.002,并用于后續(xù)隱患故障識別測試中。

為測試本文方法的電力輸電線路隱患故障特征提取性能,以時域特征參數(shù)結(jié)果為衡量標(biāo)準(zhǔn),4種電力輸電線路隱患故障為例,采用本文方法獲取表1中的時域特征參數(shù),并計算該參數(shù)對于不同類別隱患故障的影響水平,結(jié)果取3次計算結(jié)果的平均值,如表2所示。

表2 時域特征參數(shù)計算結(jié)果

由表2結(jié)果可得,本文方法具備良好的隱患故障特征提取性能。

為測試本文方法對電力輸電線路隱患故障識別性能和效果,應(yīng)用本文方法在不同樣本數(shù)量下,對4種電力輸電線路隱患故障進行分類識別,獲取識別結(jié)果,并將識別結(jié)果與實際結(jié)果進行對比,分析本文方法的識別效果,如圖5所示。

圖5 電力輸電線路隱患故障分類結(jié)果

由圖5結(jié)果可得,隨著樣本數(shù)量的逐漸增加,本文方法依舊能夠較好地完成隱患故障分類,并且分類結(jié)果與實際極為吻合。

電力輸電線路在運行過程中會受到電磁以及自然環(huán)境中的聲音干擾,導(dǎo)致采集的電力輸電線路數(shù)據(jù)中存在一定程度的噪聲。因此,為進一步衡量本文方法的隱患故障識別效果,獲取本文方法在不同信噪比噪聲下,對于電力輸電線路隱患故障的識別結(jié)果,如圖6所示。

圖6 電力輸電線路隱患故障的識別結(jié)果

由圖6結(jié)果可得,隨著不同信噪比噪聲的逐漸增加,4種電力輸電線路隱患故障的識別結(jié)果均與實際結(jié)果數(shù)量一致,表示本文方法能夠可靠完成電力輸電線路隱患故障的識別,為電力系統(tǒng)的運行管理提供可信度較高的隱患故障情況結(jié)果,為電力系統(tǒng)的安全運行提供可靠依據(jù)。

3 總結(jié)

本文為準(zhǔn)確識別輸電線路的隱患故障,提出基于IPSO-SVM算法的電力輸電線路隱患故障識別方法,經(jīng)過雙重優(yōu)化后,具備更佳的隱患故障識別性能,能夠準(zhǔn)確完成隱患故障中的多特征提取,保證隱患故障的識別效果,為電力系統(tǒng)的安全運行提供了可靠依據(jù)。