基于細菌覓食算法優化的電力變壓器故障診斷技術

董方旭，咸日常，咸日明，李文強，馬雪鋒

(1. 山東理工大學 電氣與電子工程學院，山東 淄博 255000；2. 山東匯能電氣有限公司，山東 淄博 255000；3. 山東省計量科學研究院，濟南 255014)

0 引 言

電力變壓器作為電力系統的重要設備，其運行狀態直接影響整個系統的安全與穩定[1-2]。準確把握電力變壓器運行狀態、及時發現潛伏性故障并精準判斷故障原因，制定運維檢修策略，能夠有效避免電力運行事故的發生，滿足提高供電可靠性的要求[3]。

電力變壓器油中色譜分析(dissolved gas analysis，DGA)能及時發現油浸電力變壓器內部存在的潛伏性故障，已成為提高變壓器運行可靠性的有效診斷方法之一[4-5]，其中IEC三比值法是國內外普遍應用的DGA方法[6]。但在實際工程應用中，DGA具有操作繁瑣，使用范圍受限的問題，如IEC三比值法具有編碼不全、比值編碼規則存在偏差及編碼界限過于絕對等局限性[7-8]。為解決這些問題，裝袋分類回歸樹組合(Bagging-CART)算法、貝葉斯分類器、RBF神經網絡算法和人工神經網絡(Artificial Neural Network，ANN)等大數據分析智能技術已被應用于電力變壓器的故障診斷中[9-14]。但在實際工程應用中，電力變壓器狀態數據樣本有限，診斷模型的訓練效果差，因此以上智能算法對電力變壓器故障進行分析與判斷時，故障診斷的精確度難以滿足工程需求。

支持向量機(Support Vector Machine，SVM)是20世紀末提出的一種新的機器學習方法，具有較好的小樣本學習能力與較高的分類精確性，已被廣泛應用于電力變壓器故障診斷、狀態評估等領域[8,15]。但和其他學習算法一樣，SVM的分類性能依賴其懲罰系數C及核函數K(xi,xj)的選擇[16]。目前，多種智能算法已被應用于SVM參數尋優中：文獻[17]提出的利用差分進化(Differential Evolution Algorithm，DE)方法的變異、交叉和選擇，對高斯徑向基核函數可進行優化，但該算法在求解過程中具有過早收斂的問題；文獻[18]利用遺傳算法(Genetic Algorithm，GA)對SVM參數進行尋優，該方法雖解決了DE易陷入局部最優解的問題，但GA搜索速度慢，運算時間長；文獻[19]利用粒子群算法(Particle Swarm Optimization，PSO)對SVM參數優化，同GA相比，PSO參數較少、簡單易實現，但易陷入局部最優，從而導致收斂精度低及不易收斂的問題。細菌覓食算法[20](Bacterial Foraging Algorithm，BFA)具有并行搜索、易跳出局部極小值、收斂速度快等優點，對SVM參數具有較好的優化性能。BFA尚未應用于電力變壓器的DGA診斷技術與模型優化中。本文以電力變壓器DGA中各特征氣體含量作為評估指標，利用BFA對SVM參數進行尋優，結合交叉驗證原理，構建k-折平均分類準確率目標函數，建立BFA-SVM模型，對電力變壓器進行DGA診斷，并將診斷結果與多種傳統優化算法及IEC三比值法[21]進行比較。最后，利用所構建模型，進行實例分析，驗證其有效性和合理性。

1 細菌覓食算法優化模型

1.1 細菌覓食算法

細菌覓食算法是K. M. Passino于21世紀初提出的一種新型仿生智能算法。該算法基于大腸桿菌的群體覓食行為，定義了j次趨化操作、k次復制操作和l次遷移操作，具有并行搜索和全局尋優的能力[22]。

(1)趨化操作。BFA模仿大腸桿菌覓食時的兩種動作行為，將趨化操作分為前進動作與翻轉動作。大腸桿菌在進行第j次趨化操作時，朝某隨機方向前進一步長，若此位置食物質量更好，即適應度更優，則繼續朝相同方向前進，共進行最大前進次數Ns次；否則進行翻轉動作，即向隨機方向前進一步長，并計算此位置的適應度。以上過程重復進行最大趨化操作次數Nc次。定義θi(j,k,l)為種群中個體i在第j次趨化操作、第k次復制操作和第l次遷徙操作之后的位置，則該個體進行一次趨化操作后的位置為：

(1)

式中c(i)為向前游動的步長；Δ表示隨機方向上的單位向量。

為保證算法前期的全局開發與后期的深度挖掘能力，避免傳統BFA因固定步長而造成的收斂速度慢、跨過最優解[23]等問題，利用一種新的自適應步長變化方式進行算法的計算：

(2)

式中c(i)min為最小步長；Fe(j,k,l)為細菌種群當前適應度平均值；γ為控制系數；Jmax為細菌種群當前適應度最大值。

(2)復制操作。BFA遵循自然界“優勝劣汰”的生物進化規律，通過復制操作，保證細菌種群S優良的覓食能力。定義F(i,j,k,l)為種群中個體i在第j次趨化操作、第k次復制操作和第l次遷徙操作之后的適應度。復制操作首先對J(i,j,k,l)={F(i,j,k,l)∣i=1,2…s}進行排序，淘汰種群中適應度差的s/2個細菌個體，保留適應度優的s/2個細菌并令其復制，以維持種群規模不變。復制操作結束后繼續進行趨化操作，直至達到最大復制操作數Nre后，進行遷移操作。

(3)遷移操作。BFA模擬自然界中細菌受環境影響隨機遷徙或死亡的現象，令細菌種群s以遷移概率Ped死亡，并在解空間中隨機位置生成數量為s·Ped的細菌個體，以維持種群規模不變。此操作跳出局部最優解，提高算法全局搜索能力，增加了算法結果準確性。

1.2 支持向量機參數尋優

基于RBF核函數進行SVM計算，利用BFA對SVM懲罰系數C和核參數γ進行尋優，使SVM分類器性能最好。尋優步驟如下：

(1)讀取樣本T，并對其進行預處理，將T分為訓練樣本集T1及測試樣本集T2;

(2)設置細菌覓食算法參數，包括趨化操作次數Nc，趨化操作最大移動步數Ns，復制操作次數Nre，遷移操作次數Ned及遷徙概率Ped;

體制機制?，F在普遍認為民營企業的學習平臺建設效率更高一些，其中最重要的原因就是民營企業的體制機制更靈活。對民營企業而言，只要一把手戰略定位清晰、立場堅定、資金到位，便可以按部就班的操作執行。國企要考慮的因素遠多于民企，比如權利的再分配是否合規，是否觸及國有資產流失等敏感問題。網絡培訓企業可以采用優勢互補、聯合運營方式，通過制定制度法規文件規范約束各方行為，發揮各自優勢，將多方利益有效捆綁，促進企業健康高效發展。在這方面，我們“量身定制”了《“管院在線”管理辦法》《“管院在線”學習資源管理辦法》等制度規范，保證了各項工作的高水平、高質量、長周期、安全穩定運行。

(3)隨機生成初始種群，種群規模為s，以s組{C,γ}作為s個細菌的位置;

(3)

(4)

(5)求取以上目標函數，完成趨化操作、復制操作、遷移操作，得到適應度最大時的{C,γ}即為最優的SVM參數;

(6)利用最優SVM參數，建立變壓器BFA-SVM故障診斷模型，并以此模型對樣本T2進行測試。

2 變壓器DGA診斷訓練模型

GB/T 7252-2001《變壓器油中溶解氣體分析和判斷導則》[24]根據特征氣體H2、CH4、C2H6、C2H4、C2H2的含量作為故障診斷的評估指標，將變壓器故障分為局部放電、低能放電、高能放電、低溫過熱、中溫過熱及高溫過熱6種類型。本文針對電力變壓器存在“放電與過熱混合”故障的實際情況，將之增加為第7種故障類型。正常狀態編碼為1，其他狀態類型及對應的編碼見表1。

表1 變壓器故障類型及對應編碼

以RBF核函數為SVM電力變壓器故障診斷模型的核函數K(xi,xj)，將特征氣體含量作為狀態評價指標輸入，各故障類型所對應的編碼作為狀態評價結果輸出。利用BFA對SVM參數進行尋優，最終得到適應度最優情況下的參數C和γ，并利用此參數建立電力變壓器SVM故障診斷模型，進行實例仿真分析。

3 仿真分析

為保證參數尋優模型的高效性與準確性，以MATLAB R2016a為運算環境實現SVM參數優化，以LIBSVM 3.22為工具進行樣本的訓練與測試，并將得到的參數最優解放入IBM SPSS Modeler 14.1，進行SVM的建模、分類運算與驗證，以保證優化方法的有效性。仿真采用的優化區間如下：2-5

為保證樣本數據的真實性與準確性，從某電網公司統計資料庫及相關文獻收集了241組具有明確故障結論的電力變壓器DGA數據[25-30]，從中隨機選取191組為訓練集T1、其余50組為測試集T2。樣本具體劃分見表2。

表2 樣本集分配表

3.1 優化結果比較

為證明BFA具有較好的尋優能力，利用相同的樣本，采用PSO、GA與BFA對SVM參數C和γ進行優化，尋優過程見圖1～圖3，參數尋優結果見表3。

圖1 PSO尋優過程

圖2 GA尋優過程

圖3 BFA尋優過程

表3 參數尋優結果

其中，圖1、圖2和圖3的適應度評價函數分別為測試集準確率和k-折交叉準確率；平均適應度曲線為種群中所有個體的適應度平均值；最佳適應度曲線為種群中所有個體在每一代中的最大適應度值。

從圖1～圖3及表3可以看出，BFA與PSO、GA相比，收斂速度相當快，進化代數為7時便找到最大k-折交叉驗證準確率下的最優參數；將此最優參數帶入電力變壓器故障診斷模型，測試集T2的故障診斷準確率達到94%，而SVM參數經PSO及GA優化后，故障診斷模型所得測試集T2最優準確率F僅為88%和78%。因此，細菌覓食算法相對于PSO、GA有明顯優勢。

分析圖3可知，由于細菌初始種群s較大，對最佳適應度的尋找較迅速，但初始細菌個體之間適應度差別較大，因此平均適應度水平較低，起伏明顯；細菌進行復制操作，即迭代10次后，細菌個體的適應度明顯上升，平均適應度變化趨于緩和；遷移操作，即迭代40次后，因s·Ped個細菌位置改變，尋優跳出局部最優解，且經過趨化、復制操作后，所有細菌均到達最優適應度位置處。

為證明BFA-SVM模型對測試集T2具有更高的分類性能，將其結果與默認參數下的故障診斷結果作比較。未經BFA優化時，參數C與γ均取系統設定的默認值，測試集T2準確率僅為72%，其分類情況見圖4；經BFA優化后，測試集T2僅有三個錯誤分類樣本，準確率達94%，其分類情況見圖5。

圖4 未優化時測試集實際分類與預測分類對比圖

圖5 BFA優化后測試集實際分類與預測分類對比圖

仿真結果證明，BFA-SVM模型與其他傳統算法相比，具有更好的分類能力，誤判率最低、精確度更高、全局尋優能力及魯棒性更好。

3.2 優化結果驗證

為驗證BFA-SVM模型較IEC三比值法具有更好的分類性能，利用IBM SPSS Modeler 14.1軟件，輸入10組已有明確診斷結果的電力變壓器色譜分析數據，利用最優參數，建立變壓器故障診斷模型，并將其結果與IEC三比值法診斷結果作比較。10組樣本狀態診斷結果見表4。

分析表4可知，本文優化模型對所列10組數據進行狀態分析診斷，第一組數據判斷錯誤，準確率為90%；而IEC三比值法因存在編碼不全、編碼界限過于絕對等問題，對表4所列10組樣本進行狀態診斷，準確率僅為30%。因此，本文得到的BFA-SVM對處于三比值編碼模糊界限上的數據具有較好的分類性能，且對無編碼狀態也能準確診斷。

表4 樣本故障診斷結果

4 技術應用

某變電站型號為SFZ11-31500/110的變壓器，發生短路故障后17小時對該變壓器油取樣進行色譜分析，色譜數據見表5。

表5 色譜試驗數據

利用BFA-SVM模型對表5數據進行故障診斷，故障代碼為4，判斷變壓器內部發生了高能放電。

該變壓器返廠解體檢查，發現高壓A相、低壓a、c相出現不同程度的繞組短路、變形，且有多處過熱與放電痕跡。其中，高壓A相繞組絕緣燒焦變黑、線圈露銅，如圖6所示；低壓a相上部有紙絕緣炭化痕跡，無股間短路，但有輕微露銅，如圖7所示；低壓c相繞組頂部有一股繞線頂出約2 cm，且已熔斷2/3，相鄰位置有5股繞線輕微露銅，且對應位置處的鐵芯硅鋼片有燒熔現象，如圖8所示。

解體情況表明，變壓器遭受短路電流沖擊時，內部有高能量的電弧放電，致使絕緣燒壞；特別是低壓c繞組與鐵芯之間，發生了高能量的流注放電使得繞組和鐵芯均有融化現象。文中建立的BFA-SVM模型對1號主變的故障判斷與實際解體情況一致，驗證了該模型的有效性。

圖6 高壓A相繞組絕緣燒毀處

圖7 低壓a相繞組

圖8 低壓c相繞組及鐵芯

5 結束語

提出一種基于BFA的電力變壓器故障診斷模型的參數尋優方法，利用該方法建立電力變壓器BFA-SVM模型，并進行電力變壓器的故障診斷分析。

(1)以相同的樣本，分別利用BFA、GA和PSO算法，對SVM進行參數優化。分析結果表明，BFA對SVM電力變壓器故障診斷模型的參數優化相較于其他兩種算法尋優速度更快，所得電力變壓器DGA診斷模型具有更高的精確度;

(2)利用BFA-SVM模型與IEC三比值法進行狀態診斷的結果比較表明，建立的電力變壓器故障診斷模型對處于三比值編碼模糊界限上的數據仍具有較好的分類性能，且能對無編碼狀態進行精確診斷;

(3)電力變壓器的狀態診斷需要多種狀態量予以支撐，應加強狀態量的收集，以提高狀態診斷的準確性。提出的基于細菌覓食算法優化的電力變壓器故障診斷方法，為建立基于多種狀態量的故障診斷模型提供了有效支撐。