智能技術在電氣自動化中的應用創新

李志華

（潞安集團石圪節煤業公司， 山西 長治 046032）

引言

智能技術的本質是通過算法實現某種預期目標，它在電氣自動化中具有重要價值。電氣自動化中通常應用自主計算的智能技術，這就意味著電氣自動化控制系統具備自適應調節的能力。智能技術中的認知信息也被應用到部分電力故障檢測當中，通過解決全局概率性等問題，提出中心聚類算法對部分故障的聚類分析，以達到故障的自動檢測目的。電氣自動化涉及面廣、應用領域廣，學習和研究成本較高，因此亟待通過智能技術的應用來解決部分難題。智能化是電氣自動化控制技術的發展方向，其發展水平正是評價電氣自動化水平的標準。目前，智能技術已經在電力控制系統、電機智能控制、電氣設備的狀態評估與檢測等領域應用，大幅提高了電氣自動化的智能程度。

1 智能技術算法及其應用概述

1.1 支持向量機（SVM）及其應用

支持向量機是一類有監督學習的方法，在數據歸類和回歸領域被廣泛應用，是一種基于統計的二分類模型，在樣本量較少時也能做到數據的統計。該方法支持向量機定義核函數，將輸入通過非線性變換映射至高緯空間，并在這一空間尋求最優分類面。因此，它的分類函數類似于神經網絡，中間節點通過線性組合讓節點的輸入樣本對應支持向量進行內積。支持向量機用超平面將數據分類，定義如下：

式中：ω為法向量；b為超平面相對原點的偏移量；x為樣本。

求解式中法向量ω是超平面的關鍵，傳統算法是根據最小二乘法選取任意隨機平面，直接通過網絡訓練，得到錯誤分類結果，其中，對 ω求導采用梯度下降法即可得到錯誤分類結果的極值，此時求解得到的為最佳超平面，這樣完成的分類結果也最優。圖1是支持向量機結構，每個輸入向量均與內核向量進行卷積，其優勢在于樣本量不足時可以獲得全局最優解，而非大量樣本下迭代最優，并且避免了局部極值的問題。另一類支持向量機常用于線性回歸的擬合，通過擬合求得最佳超平面（方差最小）。

圖1 支持向量機網絡結構

在電氣自動化領域，支持向量機常被用于設備運行的故障檢測。由于電氣設備故障具有隨機性，其特點表現為非線性、偶發性。常見的故障特征樣本有溫度、濕度、壓力、電磁輻射等，通過對這些樣本的采集作為支持向量機輸入，輸出為設備故障信息。

1.2 Kmeans聚類算法及其應用

Kmeans聚類算法是一個迭代求解方法，它常被用于電力系統運行數據的故障識別與檢測。通過創建初始樣本簇K，然后迭代地將樣本分門別類，實現最終聚類。K值的擬定是Kmeans算法的關鍵，例如：變壓器DGA數據是其故障診斷的參考數據，數據樣本采用Kmeans算法聚類可以有效地判斷變壓器故障。Kmeans算法步驟一般為：選取初始K類簇中心；將樣本按簇中心歐式距離最短進行標記分類；樣本迭代，直至所有樣本均被歸類。其中，標記公式為：

公式（2）中，標簽是以簇中心aj和樣本xi歐式距離最短確定的，迭代結束的判定是以歐式距離的最小平方誤差決定的：

式中：μi是簇的均值向量；Ci為樣本空間，因此每個樣本都屬于這一空間內。在求解最小值的時候采用的是迭代，這類算法對初始值K較為敏感，因此需要選擇最優的構造避免異常值出現。

Kmeans聚類算法可被用于電氣設備速度控制、故障損耗統計、設備運行圖像采集與故障診斷等。以圖像采集故障診斷為例，根據設備相對位置數據對設備磨損程度進行聚類，按照磨損程度等級進行維修、更換、檢查等。

1.3 主成分分析及其應用

主成分分析（PAC）是一種將多變量高維問題進行小失真降維簡化的算法，目前被用于電力系統的短期荷載預測、系統狀態評估、電網規劃決策等。電氣自動化部分測得的數據認為是非線性的、高維度的，且評估、預測的模型也多為復雜高維的。因此，采用主成分分析法可以將模型進行簡化。衡量變量間相關程度采用皮爾遜相關系數或協方差，因此在進行主成分分析時首先要對源數據進行線性變換：

公式（4）建立了樣本空間X至新空間Y的映射關系，通過基本變換達到降維的效果。降維后要求損失的信息最少，因此可以通過計算方差得到：

式中：D為樣本集；ai為樣本，共m個；μ為樣本均值。在計算方差后還需對D進行中心化：

通過求解方差和協方差矩陣從而得到主成分對應的特征值，因此可以將數據的貢獻率作為評價指標，實現量化評估和管理，其構建的矩陣形式如下：

公式（7）建立了主成分y與源數據x間的關系。根據方差貢獻率可以計算出源數據所占比建立評估管理模型對電氣自動化相關設備進行評價。通過主成分分析得到預測的主成分及占比，帶入模型進行預測所得的結果往往比較準確。

2 礦用變壓器故障檢測的應用創新

礦用變壓器多年的運行維護經驗表明：變壓器受井下環境影響容易造成故障潛伏，受條件限制不能實現全面的故障診斷。紅外診斷技術在針對變壓器套管故障、冷卻裝置故障、油路故障等方面已有較好的效果，用變壓器在運行過程中產生的溫度特征參量參照診斷規范來判別故障類型。但溫度受到環境因素影響，紅外診斷的準確性有待提升。針對變壓器套管故障，紅外檢測能夠以熱成像形式展現給巡檢人員，根據經驗：以套管頂部柱頭為最熱熱像的一般是由電流致熱引起，而以整體發熱熱像的一般是由電壓致熱引起。根據測得結果，巡檢人員按照《帶電設備紅外診斷應用規范》（DL/T 664—2008），可對故障進行排除。傳統的診斷判別采用了表面溫度判斷、同類比較判斷、圖像特征判斷法等，由于在采用圖像特征判別時傳統的算法無法避免一些外部干擾，降低了診斷系統的可靠性。采用Kmeans聚類算法對熱像圖像進行聚類，用圖像特征可以實現故障自動診斷。簇1是以圖像過亮的像素個數作為統計信息的，在獲取套管坐標后可以通過閾值（閾值設定參照《規范》）分割獲取套管過熱面積和位置信息。通過橢圓擬合得到過熱區域可以判斷是電流引起還是電壓引起的套管故障。

圖2為典型電流致熱型套管故障，將Kmeans聚類的初始值設為K=3，當溫差低于10 K（灰度級小于40，8 bit數字圖像灰度級為28=256）時作為簇1特征；熱點溫度在45～65℃時作為簇2特征；熱點溫度在70～90℃時作為簇3特征。考慮到溫度受環境影響，樣本需要在±10℃范圍內誤差可接受。最終結果按照電流、電壓致熱進行分類，得到三類故障等級，見圖3。按照設備缺陷診斷判據，其處理流程下頁圖4所示。

圖2 電流致熱型套管故障

圖3 電壓致熱型套管故障

圖4 套管故障診斷流程

根據Kmeans的迭代特點，不同溫度下的故障類型能夠得到有效區分。由于故障類型的細分需要提供大量樣本，因此本文將在后續對大量紅外成像樣本進行分析，可以量化得到故障等級對應的圖像灰度等信息。

3 結語

本文針對電氣自動化中典型的智能技術，對常用算法進行了理論分析和應用分析，并用Kmeans算法實現紅外診斷變壓器套管故障過程，三個簇（K=3）可以有效區分故障類型，對提高檢測效率有一定貢獻。下一步將對部分故障樣本進行算法測試，并通過測試結果不斷改進算法，實現智能技術在電氣自動化中的應用創新。