基于蟻群優化支持向量機的氧化鋅避雷器故障診斷

李迎龍 胡森

摘 要：氧化鋅避雷器在電力系統中有著非常重要的地位，對氧化鋅避雷器進行故障診斷對電力系統的安全穩定運行有重要意義。由于氧化鋅避雷器的故障樣本比較少，屬于小樣本數據，而支持向量機對處理小樣本數據的分類問題效果較好，因此文章利用蟻群算法對支持向量機的核函數參數g和懲罰因子C優化尋優，得到最佳的診斷模型。將該模型與BP神經網絡的故障診斷模型進行對比，通過MATLAB仿真并結合具體數據實例分析得出，文章的蟻群優化支持向量機的氧化鋅故障診斷方法具有更佳的診斷效果。

關鍵詞：氧化鋅避雷器；故障診斷；支持向量機；蟻群優化

中圖分類號：TM862 文獻標志碼：A 文章編號：2095-2945（2018）33-0017-04

Abstract： The zinc oxide arrester plays a very important role in power system. Fault diagnosis of the zinc oxide arrester is very important for the safe and stable operation of power system. Since there are few fault samples of the zinc oxide arrester， with small sample data， while support vector machine （SVM） has a better effect in dealing with the classification problem of small sample data. In this paper， ant colony optimization （ACO） algorithm is used to optimize the kernel parameter g and penalty factor C of a support vector machine， and the optimal diagnosis model is obtained. Compared with the fault diagnosis model of BP neural network， and through MATLAB simulation and analysis of specific data and examples， the fault diagnosis method of zinc oxide arrester based on ant colony optimization support vector machine has a better diagnosis effect.

Keywords： zinc oxide arrester； fault diagnosis； support vector machine （SVM）； ant colony optimization （ACO）

引言

氧化鋅避雷器是我國電力系統中過電壓保護的關鍵電力設備[1]，定期的對氧化鋅避雷器進行檢測診斷，找出潛在的故障，可以減少電力事故帶來的損失[2]。目前，常用的氧化鋅避雷器檢測診斷方法有全電流法、基波法、補償法、直流泄露試驗法、紅外探測法等[3-6]，但這些方法并沒有考慮氧化鋅避雷器的環境因素，天氣的溫度、濕度都會對檢測結果產生影響，不能準確的反映故障診斷的結果。隨著計算機技術以及人工智能的發展，遺傳算法[7]、粒子群算法[8]、人工神經網絡[9]、支持向量機等先進的智能算法被應用于氧化鋅避雷器的故障診斷研究。本文采用蟻群算法優化支持向量機建立氧化鋅避雷器故障診斷模型，提高氧化鋅避雷器的故障診斷能力。

1 支持向量機理論

支持向量機（SVM）是一種新型機器學習方法，常用于數據分析和模式識別。SVM能在小樣本數據模型的復雜性和學習能力之間找到一個最佳折中，使泛化能力最佳。SVM目前已廣泛用于數據分析、模式識別、非線性回歸等領域。

SVM在分類問題上的基本原理是通過構造一個分類的超平面來實現對樣本的劃分，使距離超平面的兩類樣本最短距離的間隔最大化。以二維分類問題為例，圖1中圓形代表負類樣本，方形代表正類樣本。兩類樣本可以被分類面？棕·x+b=0正確無誤的分開。對于線性不可分的情況，通過引入非負松弛因子來降低機器學習的風險。SVM對數據進行優化的具體目標函數表達式為

（1）

約束條件為

式中：ω為超平面法線，用來確定超平面方向；2/‖ω‖為兩樣本之間的最大間隔；ξ為非負松弛因子，表示劃分樣本時對誤差大小的允許程度；b為超平面的常數項；C為懲罰參數，根據對精確度的要求來確定對數據分類誤差的容忍程度。

線性核、多項式核、徑向基核（RBF）和Sigmoid核是SVM常用的核函數，不同的核函數得到的SVM的形式也不相同，本文選用適用性最廣的高斯徑向基核函數。徑向基核函數為：

K（x，y）=exp（-||x-y||2/2？滓2）（3）

SVM分類器的決策函數：

2 蟻群算法

蟻群算法（Ant Colony Optimization，ACO）從模擬自然界螞蟻的覓食行為受到啟發提出來的。螞蟻在尋到食物時會釋放信息素來實現信息的傳遞，信息素濃度越大，距離就越短。其他螞蟻會感應到信息素并選擇距離較短的路徑，最后，越來越多的螞蟻集中到信息素濃度最高的路徑上來，這條路徑為最佳路徑。

每條螞蟻走過的路徑都是待優化問題的一個解，螞蟻走過的所有路徑就是解空間。優化的過程，就是尋找最短路徑的過程，即螞蟻釋放的信息素濃度最高的路徑，這是一個正反饋的過程。蟻群算法優化推進的過程就是信息素的更新以及螞蟻對路徑的篩選過程。

蟻群算法的一般步驟為：（1）設置初始參數。迭代的總次數itertorNum，每次迭代螞蟻的數目antNum，信息素矩陣pheromoneMatrix，信息素衰減的比例p，信息素增加的比例q。（2）解空間的構建。將螞蟻隨機的分配到各個節點，對每個螞蟻計算信息素濃度最高的節點，該節點為螞蟻訪問的路徑，直到所有螞蟻訪問的所有路徑。（3）信息素濃度的更新。將所有的信息素濃度降低p%，記錄當前迭代次數種的最優解（最短路徑），并將該條路徑的信息素濃度提高q%。（4）程序終止判定。若沒有達到迭代的最大次數，則迭代次數加一，所有螞蟻經過的路徑全部清空，執行步驟二。否則，計算結束，輸出全局最優解。

3 氧化鋅避雷器故障診斷

3.1 診斷模型輸入量與輸出量的確定

對于氧化鋅避雷器故障診斷模型的建立，得首先明確診斷模型的輸入與輸出。實際環境中，空氣質量、溫度、濕度、降雨大小、系統電壓都會對氧化鋅避雷器測得的泄漏電流產生影響，因此，判斷一個氧化鋅避雷器是否故障時應考慮多種環境因素。本文選取了溫度、相對濕度、降雨大小、系統電壓、阻性泄露電流五種因素建立五維的輸入樣本，氧化鋅避雷器的狀態作為輸出樣本。為了便于診斷模型的構建，將降雨大小用具體數值表示（0表示無雨、0.5表示小雨、1表示大雨）。依據文獻[10]的標準（泄露電流大于50μA為故障），本文把氧化鋅避雷器的狀態劃分為兩個類別，類別0為故障狀態，類別1為正常狀態。

3.2 診斷模型的診斷步驟

氧化鋅避雷器故障診斷步驟為：（1）把樣本劃分為兩部分，第一部分用來對SVM進行模型學習，為訓練樣本，第二部分用來對模型進行測試，為測試樣本。（2）利用蟻群算法對SVM的懲罰因子C以及高斯核函數參數g進行優化。（3）尋找最佳的懲罰因子C和核函數參數g，將參數設定進診斷模型。（4）用得到的故障診斷模型對測試樣本進行預測。

3.3 蟻群優化參數的流程

懲罰因子C和核函數參數g的選擇對SVM的故障診斷十分重要。為了獲得最佳的診斷模型，本文利用將蟻群算法來對SVM的兩個重要參數C和g進行尋優。尋優的步驟為：（1）螞蟻的數目設為antNum，初始時，每只螞蟻隨機得到一組懲罰因子C和核函數參數g。（2）初始時間t=0，循環次數N=0，最大次數itertorNum，開始集LPi中的外激素為？子[LPi（j），t]。（3）變量i=1；t時間第k只螞蟻向下一個節點j行走的概率為Pk[LPi（j），t]=子？琢[LPi（j），t]？濁？茁[LPi（j），t]/（Pk[LPi（j），t]？子？琢[LPi（j），t]？濁？茁[LPi（j），t]），保存到數組Ak中。（4）變量i=i+1，i<3時執行第三步；否則執行第五步。（5）數組Ak保存螞蟻k的所有的路徑，即獲得Ck和gk。執行交叉驗證的誤差率作為適應度，保存最優參數。（6）令t=t+2，N=N+1，？子[LPi（j），t+2]=？籽[LPi（j），t]+？駐？子[LPi（j）]。Ak所有元素清零。（7）當N

流程圖如圖2所示。

4 實例分析

建立訓練樣本數據和測試樣本數據，以氧化鋅避雷器的狀態為類別標簽，故障為0，正常為1。其中，測試樣本數據如表1。

用蟻群算法優化支持向量機參數，得到優化后的懲罰因子C和核函數參數g，帶入故障診斷模型，并對15組測試樣本進行預測，預測圖如圖3所示。同時，引入BP神經網絡故障診斷方法，來檢驗ACO-SVM診斷模型的效率，BP神經網絡的隱含層設置為9，診斷結果如圖4所示。

通過診斷結果可以看出，ACO-SVM樣本預測的正確率為100%，BP神經網絡樣本預測的正確率為86.67%。相對于BP神經網絡故障診斷方法，蟻群優化支持向量機對氧化鋅避雷器進行故障診斷時，具有更高的準確率。

5 結束語

通過智能電網中氧化鋅避雷器的在線監測數據，結合環境溫度、濕度、降雨量、系統電壓、阻性電流五種因素對氧化錫避雷器的影響，利用支持向量機對小樣本數據良好的分類能力，建立了氧化鋅避雷器故障診斷模型。并結合蟻群算法良好的正反饋機制，不容易陷入局部最優的特點，尋出診斷模型的最佳參數。Matlab仿真結果表明，對比BP神經網絡診斷方法，蟻群優化支持向量機方法具有更好的診斷效果。

參考文獻：

[1]唐忠達.避雷器在電力系統應用中的問題及應對措施[J].山東工業技術，2018（1）：155+154.

[2]李潔，祁少澤.避雷器在線監測技術概述[J].科技創新與應用，2017（05）：181.

[3]楊海龍，劉航，魏鋼，等.基于紅外測溫技術的金屬氧化鋅避雷器故障診斷[J].電工技術，2017（10）：94-95.

[4]李莉.金屬氧化物避雷器帶電檢測應用與分析[J].電子世界，2015（14）：29+43.

[5]劉向東.氧化鋅避雷器泄露電流的檢測方法研究[J].科技經濟導刊，2016（2）：72.

[6]林堅，陳長杰，孫錦，等.金屬氧化物避雷器帶電檢測及其故障診斷與分析[J].電磁避雷器，2015（01）：144-147+154.

[7]楊仲江，曹洪亮，李鵬飛，等.基于遺傳算法的金屬氧化物避雷器在線監測[J].高電壓技術，2015（09）：3104-3109.

[8]姜志鵬，文習山，藍磊，等.粒子群算法應用于避雷器均壓環配置優化[J].高壓電器，2014（1）：102-106.

[9]張佩，王靈梅，趙興勇.基于BP神經網絡氧化鋅避雷器的故障診斷研究[J].山西電力，2013（4）：22-25.

[10]中華人民共和國電力工業部.DL/T596-1996電力設備預防性試驗規程[S].北京：中國電力出版社，1997.