基于WA-ABC-LSSVM的電氣故障診斷*

史增芳，姜巖蕾

（河南工業職業技術學院機電工程學院，河南南陽473009）

基于WA-ABC-LSSVM的電氣故障診斷*

史增芳*，姜巖蕾

（河南工業職業技術學院機電工程學院，河南南陽473009）

為了改善當前電氣故障診斷的效果，提出一種基于小波消噪和人工蜂群優化最小二乘支持向量機的電氣故障診斷方法（WA-ABC-LSSVM）。首先收集電氣狀態信息，并采用小波變換對其進行去噪處理，消除噪聲的干擾，然后提取電氣狀態中的特征，并且進行歸一化處理，最后采用訓練樣本對最小二乘支持向量機進行訓練，采用人工蜂群算法優化最小二乘支持向量機參數，建立電氣故障診斷分類器。仿真實驗結果表明，本文方法可以較好描述電氣系統的工作狀態，診斷性能要明顯優于其它的電氣故障診斷方法。

電氣系統；故障分類；小波去噪；狀態特征；故障分類器

隨著電力系統的應用日益廣泛，人們對電力系統的可靠性、安全性提出更高的要求［1］。電氣設備在工作過程不可避免會出現故障，因此，對電氣故障進行快速、準確地診斷，提高設備的可靠性顯得十分重要［2-3］。

國內外學者對電氣設備故障診斷技術進行了一系列探索和研究，提出了許多有效的電氣故障診斷方法［4］，當前電氣故障方法分為兩類：傳統方法和現代方法，傳統方法主要有：專家系統、灰色理論、線性判別分析等［5］，它們是一類線性的故障分析方法，對小規模電力系統的故障診斷率高，然而隨著電力系統規模的不斷擴大，電氣設備系統結構日益復雜，電氣設備工作狀態與特征之間是一種復雜的非線性關系，這樣傳統方法的故障診斷率急劇下降，診斷結果的可靠性降低，難以滿足現代電力系統故障診斷的實際應用要求［6］。現代方法是基于非線性理論進行建模的電氣故障診斷方法，主要有神經網絡、支持向量機等方法［7］，它們可以很好地擬合電氣設備工作狀態與特征之間的非線性關系，在電氣故障診斷中得到了廣泛的應用。在實際應用中，神經網絡是一種基于大數定理的建模方法，要求電氣故障診斷的學習數量比較大，要收集大量電氣故障診斷學習樣本，導致電氣故障診斷的成本增加，而且實際很難收集到大量的學習樣本，這樣神經網絡易出現訓練過程中電氣故障診斷率高，測試過程中電氣故障診斷卻很低的現象，即所謂的“過擬合”缺陷。支持向量機要求的電氣故障診斷學習樣本比較小，分類性能要優于神經網絡，不存在“過擬合”缺陷，但是其訓練過程相當耗時，這樣難以滿足電氣故障診斷效率要求高的領域，應用范圍愛到一定的限制［8］。

項目來源：河南省科技攻關重點項目（122102210497）.

收稿日期：2015-09-20修改日期：2015-10-27

最小二乘支持向量機LSSVM（Least Squares Support Vector Machine）比支持向量機的訓練要快，而且不存在“過擬合”現象［9］，為此，本文提出一種基于人工蜂群［10］優化最小二乘支持向量機的電氣故障診斷方法（WA-ABC-LSSVM）。首先采用小波變換對其進行去噪處理，提取電氣狀態中的特征，然后采用人工蜂群算法優化最小二乘支持向量機建立電氣故障診斷分類器，最后實驗結果表明，WA-WA-ABC-LSSVM可以較好地描述電氣系統的工作狀態，診斷性能要明顯優于其它的電氣故障診斷方法。

1　相關理論

1.1小波變換

設收集到的電氣設備工作狀態信息為s（t），受到外界條件的作用，工作狀態信息難免包含有一定的噪聲e（t），e（t）對電氣故障診斷產生干擾，影響后續特征提取和故障診斷結果，s（t）可以表示為：

s（t）=f（t）+δ·e（t）（1）

式中，f（t）表示有用的信息；δ為噪聲水平。

對有噪聲的電氣設備工作狀態信息s（t），可以利用小波變換對其進行分解，得到不同大小的小波系數，其中噪聲e（t）與值較小的小波系數對應，這樣可以選擇一個較適應的閾值濾掉值較小的小波系數，保留值較大的小波系數，即得到有用的信息f（t）。本文設計的閾值數為：

式中，wj，k表示小波系數較小的值。

圖1　小波去噪的流程

1.2LSSVM

LSSVM是一種訓練速度快、分類效率高的機器學習算法，最優分類平面可以描述為：

式中，ω和b為相關值向量。

基于結構風險最小化準則，可以得到：

式中，l表示訓練樣本數量；γ表示正則化參數。

由于式（4）通常很難直接獲得最優解，因此常引入拉格朗日乘子（αi）對其進行變換，得到：

根據KKT條件，提高了求解速率，可得到：

且有

采用RBF函數構建LSSVM的類函數，即有：

式中，σ為RBF參數。

1.3ABC算法

人工蜂群（ABC）算法起源于蜂群采蜜行為，在許多領域得到了成功的應用，能夠對LSSVM參數進行優化，蜂群分為采蜜蜂、偵查蜂和觀察蜂，它們都有自己的職責，通過相互交流和協作找到最優LSSVM參數，ABC算法的工作過程如下：

（1）初始化ABC算法的參數，主要包括人工蜂數量，食物源個數，解的維數，最大迭代次數；

（2）采蜜蜂在自己的周圍搜索新的食物源，即問題的新解：

式中，vij為食物源位置；

（3）根據新、舊食物源的優劣，采蜜蜂選擇較優者；

（4）根據式（10），觀察蜂選擇一個采蜜蜂，同時對其鄰域更優位置進行更新，

（5）保存當前蜂群找到最優適應度值以及問題的解；

（6）如果食物源搜索次數大于預先設定的閾值，但是仍然沒有找到更優的食物源，那么此時采蜜蜂轉換為偵查蜂，并隨機產生新解，

（7）當執行次數超過了最大迭代次數，那么算法就終止，不然轉到（2）重復執行。

2　WA-ABC-LSSVM的電氣故障診斷

（1）收集電氣設備的工作狀態信號，并采用小波變換對其進行預處理，消除噪聲的不利影響；

（2）從工作狀態信號分別提取電氣正常和各種故障狀態下的特征，并對特征進行歸一化處理；

（3）收集的樣本分為兩部分：訓練集和驗證集，其訓練樣本用于LSSVM的學習，建立電氣故障診斷的分類器，驗證集用于分析WA-ABC-LSSVM的故障診斷性能；

（4）將訓練集輸入到LSSVM進行學習，ABC算法尋找LSSVM的參數（γ，σ）值，從而建立電氣故障分類器；

（5）用驗證集測試電氣故障分類器的性能。

WA-ABC-LSSVM的電氣故障診斷流程見圖2。

圖2　WA-ABC-LSSV電氣故障診斷流程

3　仿真實驗

3.1仿真平臺

為了分析WA-ABC-LSSVM的電氣故障診斷性能，選擇Matlab 2014工具箱進行仿真測試，LSSVM來自http：//www.esat.kuleuven.be/sista/lssvmlab/工具箱。本文以電力系統的變壓器作為實驗對象，當前變壓器故障的多種多樣，常見的有：低能放電、高能放電、中低溫過熱、高溫過熱，對變壓器的每一種狀態進行測試，得到不同狀態的信號，它們的樣本數據見表1。

表1　電氣故障診斷的樣本數據

ABC算法的參數設置為：食物源的數量SN為20，食物源位置為二維向量，即代表了參數（γ，σ）的個數，最大迭代次數為500。采用ABC算法優化LSSVM參數（γ，σ），得到γ=0.094，σ=10.193。選擇沒有小波消噪的ABC優化LSSVM（ABC-LSSVM）、小波去噪和交叉驗證優化LSSVM（LSSVM）的電氣故障診斷方法進行對比實驗。

3.2結果與分析

采用WA-ABC-LSSVM、ABC-LSSVM、LSSVM對測試樣本進行分類，得到的分類結果如圖3～圖5所示，它們的平均識別率見表2。

圖3　WA-ABC-LSSVM的電氣故障結果

圖4　ABC-LSSVM的電氣故障結果

圖5　LSSVM的電氣故障結果

表2　不同方法的電氣故障診斷結果比較

從表2可以得到如下結論：

（1）相對于LSSVM，ABC-LSSVM的識別率相對較高，主要是由于采用ABC算法對LSSVM進行優化，可以找到比交叉驗證更優的參數，構建了更優的電氣故障分類器，對比結果證明了本文采用ABC算法優化LSSVM參數的有效性。

（2）相對于ABC-LSSVM，WA-ABC-LSSVM的電氣故障診斷結果更加理想，主要是由于采用小波變換對電氣工作狀態信號進行預見處理，較好的消除了噪聲對后續特征提取和分類器建立的干擾，有效提高了電氣故障診斷的識別率，誤診率和錯診率得以下降，而且訓練的時間明顯減少，減少了支持向量的數量，加快了分類的速度，對比結果證明引入小波變換可以改善電氣故障診斷效果，電氣故障診斷結果的可靠性好。

4　結論

電氣故障診斷一直是電力系統研究中的重點，針對當前電氣故障診斷研究過程中存在的一些難題，提出一種WA-ABC-LSSVM的電氣故障的診斷方法，仿真實驗可以得到如下結論：

（1）采用小波變換對電氣工作狀態信息進行預處理，可以很好的消除噪聲對電氣故障診斷特征提取的干擾，有利于后續的電氣故障診斷，可以獲得更加理想的電氣故障診斷效果。

（2）采用LSSVM對電氣故障類型與特征之間的映射關系進行建模，較好的描述了電氣故障診斷的變化，提高了電氣故障診斷的診斷率，降低了錯診率和誤診率。

（3）采用ABC算法對LSSVM的相關參數進行優化，解決了LSSVM參數盲目選擇的難題，加快了對電氣故障診斷建模的速度，可以較好的滿足電氣故障診斷的實時性，拓寬了應用范圍。

（4）對比實驗結果中，WA-ABC-LSSVM的電氣故障診斷正確率最高，說明WA-ABC-LSSVM的有效性和優越性，在電氣故障診斷中具有十分廣泛的應用前景。

［1］ 阮學峰，韓水生，熊志剛，等.電氣故障診斷的系統方法［J］.武漢大學學報（工學版），2002，35（2）：88-90.

［2］ 舒乃秋，胡芳，周粲.超聲傳感技術在電氣設備故障診斷中的應用［J］.儀表技術與傳感器，2003，22（5）：1-4.

［3］ 李淑娥，邸敏艷，呂鋒.基于小波變換的電氣設備故障診斷技術［J］.傳感器技術，2004，27（5）：46-48..

［4］ 呂鋒，邸敏艷，句希元，等.小波分析在電氣設備故障診斷中的應用淺析［J］.計算機測量與控制，2012，10（12）：778-781.

［5］ 李季，嚴東超.BP神經網絡改進算法在電氣故障診斷系統中的應用［J］.電力科學與工程，2005（1）：69-72.

［6］ 孔繁森，吳雅夫，李聰.基于信息熵的設備電氣故障診斷復雜性評價［J］.吉林大學學報（工學版），2011，43（3）：697-701.

［7］ 潘亮亮，趙書濤，李寶樹.基于聲波信號分析的電氣設備故障診斷新方法［J］.電力自動化設備，2009，29（8）：87-90.

［8］ 李曉靜，李杰.改進的小波神經網絡在變壓器故障診斷中的應用［J］.電子器件，2013，36（3）：404-407.

［9］ 洪洲.最小二乘支持向量機在線建模在預測控制中的應用［J］.電子器件，2014，37（1）：154-156.

［10］劉霞，張姍姍，胡銘鑒，等.基于混沌機制的人工蜂群算法優化的支持向量機分類器［J］.計算技術與自動化，2015，34（2）：11-14.

史增芳，（1973-），男，漢，河南焦作人，副教授，博士研究生，主要研究方向為機械電子工程，zengfang2514@126.com；

姜巖蕾，（1974-），漢，女，河南南陽人，副教授，碩士，主要研究方向為控制理論與控制工程，hnnyjyl@126.com。

Electrical Fault Diagnosis Based on WA-ABC-LSSVM*

SHI Zengfang*，JIANG Yanlei
（Mechanical and Electrical Engineering College，Henan Polytechnic Institute，Nanyang He'nan 473009，China）

In order to improve the effect of current electrical fault diagnosis，a method of electrical fault diagnosis is presented based on artificial bee colony optimizing least squares support vector machine.Firstly，the electrical status information is collected，and wavelet transform is used to eliminate the noise，and then extract the features of the electrical state is extracted，and the normalized processing is carried out，finally，the training samples are used to train the least squares support vector machine which artificial bee colony algorithm is used to optimize the parameters to establish electrical fault diagnosis classifier.Simulation results show that the proposed method can better describe the working state of the electrical system，and the diagnostic performance is better than the other methods of electric fault diagnosis.

electrical system；fault classification；wavelet denoising；state feature；fault classifier

TP181

A

1005-9490（2016）03-0728-04

EEACC：811010.3969/j.issn.1005-9490.2016.03.044