基于支持向量機的電力系統自動化設備狀態檢修策略研究

摘 要：隨著電力系統自動化程度的提高，電力系統的安全運行、調度運行工作等都對這些自動化設備的依賴程度越來越大。為了給電力系統自動化設備的狀態檢修提供科學的決策依據，該文提出了一種基于支持向量機的電力系統自動化設備狀態檢修策略。

關鍵詞：自動化設備 狀態檢修 基于支持向量機

中圖分類號：TM76文獻標識碼：A 文章編號：1674-098X（2014）05（b）-0031-01

隨著電力系統自動化程度的提高，電力系統的安全運行、調度運行工作等都對這些自動化設備的依賴程度越來越大。一般情況下，電力系統自動化設備的檢修（或維護、調試、試驗）都是有制定期限的，但是自動化設備在電力系統中所承擔的任務是不同，某些設備會在定期檢修中造成損害，無法正常運行，還有某些設備會出現過度檢修，增大了檢修的成本和費用。

該文首先采用自動化設備的運行工況、定檢信息作為支持向量機的輸入特征向量，通過核函數將輸入特征向量映射到高維特征空間，用支持向量機的模式識別方法來識別電力系統自動化設備狀態，使得結果有較高的評估正確率和較好的穩定性。這種方法實現了對電力系統自動化設備的狀態監測，并依據監測數據及設備運行狀態，確定系統自動化設備的運行狀態，從而依據狀態進行檢修，完善了電力系統自動化設備狀態檢修機制。

1 自動化設備狀態檢修策略

建立電力系統自動化設備狀態檢修策略的目的就是要借助現代化管理手段進行設備管理、資料管理和信息處理。該系統的建設是以數據庫、判據庫、專家系統為核心內容，實現與生產管理系統信息資源共享，保證信息源的唯一性，并確定合理的信息傳遞流程。

以檢修策略為目的對自動化裝置的運行狀態進行評價，主要過程如下。

（1）計算平均無故障間隔時間（MTBF）。根據設備生產廠家提供的資料，結合運行資料（主要指驗收記錄、檢驗記錄、運行環境記錄等），運用電子裝置可靠性預計方法，評估裝置的使用壽命。

（2）考慮環境因子的影響。根據本地區環境規律以及設備運行和儲存的溫度、濕度和電磁場情況，形成環境因子E。

（3）考慮設備品質因子的影響。根據對設備設計制造情況的了解和運行中收集的資料選擇品質因子Q。

（4）考慮應用因子的影響。分析設備或系統本身的工作特性，比照工廠驗收、現場驗收和歷次檢定結果中的各項功能技術指標，獲取指標劣化的數據，形成應用因子F，修正失效率和MTBF。

（5）綜合上述各種影響，計算檢修時間節點，根據分析結果制定檢修安排。根據運行經驗，MT B F/實際運行時間=0.9時安排檢修或校驗是比較合理的。

（6）其它因素作用。裝置或系統中失效率最高的部分直接影響裝置整體的健康水平，評價裝置健康水平時。

2 支持向量機法

2.1 方法介紹

支持向量機方法（SVM）其基本思想是：首先通過非線性變換將輸入向量映射到高維特征空間，在這個空間中構造最優決策函數，在構造最優決策函數時應用結構風險最小化原則，并巧妙地利用原空間的核函數取代高維特征空間中的點積運算。

2.2 樣本模型的建立

以服務器為例，考慮以下四種因素作為支持向量機訓練樣本的輸入變量：

（1）CPU占用率：是指訓練日前幾日的CPU平均占用率和最高占用率。

（2）溫度因素：是指訓練日前幾日的最高溫度和最低溫度。

（3）硬盤占用因素：是指訓練日前幾日的硬盤的讀寫率及硬盤的存儲率。

（4）內存使用因素：是指訓練日前幾日的內存最大占用率及平均占用率。

2.3 核函數的選取以及參數的確定

核函數的參數應仔細選取，精確定義了高維特征空間的結構，因而控制了最終解的復雜程度。

用SVM算法進行服務器健康度預測時，通過對不同的σ2和C參數的試驗，核參數σ2和C對SVM算法的表現起著非常重要的作用。如果σ2的值太小，會對訓練集造成過學習現象，σ2的值太大，會對訓練集造成欠學習現象。C的適應值應在1～200之間，如果C的值太小會對訓練數據造成欠學習現象，C值太大容易對訓練數據造成過學習現象而導致泛化性能惡化。當分別把σ2和C都固定在150和10時，訓練集和測試集的標準均方差非常穩定，因而不受值ε變化的影響。這表明SVM的性能對ε不敏感。

3 狀態評估結果

根據電力系統自動化設備的運行工況、定檢情況等重要的狀態信息，分為5個等級：狀態A：接近或達到注意值，或劣化趨勢明顯，與同類設備比有較顯著的差異；狀態B：接近但沒超過注意值，劣化一般，與同類設備比差異明顯；狀態C：介于最優（行業認可）與注意值之間，劣化不明顯，與同類比相當；狀態D：遠未到注意值，沒有明顯的劣化趨勢，與同類設備比偏好；狀態E：接近出廠值或交接試驗值，且連續數次試驗數據穩定。輸出值電力系統自動化設備的運行狀態。狀態類5表示劣化狀態轉到故障狀態，應立即安排維修；狀態類4表示偏離正常狀態，劣化中等，盡快維修；狀態類3表示狀態一般，加強監視定期預試；狀態類2表示狀態良好，延期/計劃定期預試；狀態類1 表示接近出廠狀態，延期定期預試。通過以上內容可以判斷自動化設備此時的狀態是否需要檢修。

4 結語

該文提出了運用支持向量機法，首先采用自動化設備的運行工況、定檢信息作為支持向量機的輸入特征向量，通過核函數將輸入特征向量映射到高維特征空間，用支持向量機的模式識別方法來識別電力系統自動化設備狀態檢修有較高的評估正確率和較好的穩定性。這種方法對于提高電網自動化設備的運行安全性和檢修效率將可以發揮非常重要的作用，同時對于電網的安全運行也有著非常重要的現實意義。

參考文獻

[1]孫嘉.自動化設備運行自動監視系統開發與應用[J].電力系統自動化，2001（1）：66-67.

[2]蔡志穎.淺談自動化設備數據采集系統的開發與應用[J].科技創新導報，2010（21）：120.

[3]秦杰，馬韜韜.調度自動化設備狀態在線報警系統的設計與應用[J].電力系統自動化，2009，33（6）：95-98.

[4]丁世飛.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011， 40（1）：2-10.