基于支持向量機(jī)的變電站蓄電池故障診斷方法

李洪江，太濤見(jiàn)

（1.云南電網(wǎng)有限責(zé)任公司，昆明 650011；2.云南電網(wǎng)有限責(zé)任公司曲靖供電局，云南 曲靖 655000）

0 前言

直流系統(tǒng)作為變電站中非常重要的配套裝置，是電力系統(tǒng)關(guān)鍵的設(shè)備元件[1]。蓄電池具有體積小、質(zhì)量輕、少維護(hù)、壽命長(zhǎng)，使用方便等特點(diǎn)，被廣泛用于變電站直流系統(tǒng)的穩(wěn)定電源，在故障或停電情況下給變電站控制、保護(hù)、自動(dòng)裝置和事故照明提供電源。其運(yùn)行狀態(tài)對(duì)變電站的持續(xù)穩(wěn)定運(yùn)行具有十分重要的作用，是保障變電站安全運(yùn)行的重要裝置[2-3]。對(duì)蓄電池運(yùn)行狀況進(jìn)行診斷，及時(shí)發(fā)現(xiàn)故障電池并采取措施進(jìn)行更換處理對(duì)保障電網(wǎng)安全穩(wěn)定運(yùn)行具有非常重要的作用。

1 支持向量機(jī)

SVM（Support Vector Machine）是一種解決小樣本、非線性、高維數(shù)和局部極小等問(wèn)題的新數(shù)據(jù)處理方法，是機(jī)器學(xué)習(xí)領(lǐng)域的新理論[4-6]。SVM 的分類思想就是利用非線性映射函數(shù)φ(x)把輸入空間的數(shù)據(jù)映射到高維特征空間進(jìn)行分類處理。

假定樣本集{(xi,yi)}(i=1,2,…m)，xi∈Rn是輸入矢量，yi∈R 為輸出數(shù)據(jù)，m 為樣本數(shù)量值。SVM 約未知函數(shù)的公式為：

式中，w ∈Rn為權(quán)重向量，b ∈R，表示偏置，＜w,φ(x)＞表示內(nèi)積，輸入矢量x 通過(guò)非線性映射至高維特征空間結(jié)果用φ(x) 表示。其中系數(shù)w、b 則由最小化風(fēng)險(xiǎn)泛函(2)得出：

其中：

式（2）的模型復(fù)雜性及經(jīng)驗(yàn)風(fēng)險(xiǎn)，均是由ε 不敏感損失函數(shù)(3) 所確定的經(jīng)驗(yàn)誤差項(xiàng)，其中c 是調(diào)節(jié)二者之間平衡的一正常數(shù)。損失函數(shù)(3) 能夠用稀疏數(shù)據(jù)點(diǎn)來(lái)表現(xiàn)由式(1) 給出的決策函數(shù)。為實(shí)現(xiàn)在高維特征空間中進(jìn)行SVM 函數(shù)內(nèi)積的計(jì)算，引入了核函數(shù)K(Xi,Xj)及Wolfe 對(duì)偶原理，于是轉(zhuǎn)化為如下形式：

可得出SVM 分類函數(shù)式（1）的變換式子為：

式中，ai、為拉格朗日乘子，存在等式：ai×=0，ai≥0，≥0。K(Xi,Xj)叫做核函數(shù)，數(shù)值上是向量Xi和Xj在特征空間φ(Xi)和φ(Xj)中的內(nèi)積，即K(Xi,Xj)=＜φ(Xi),φ(Xj)＞。根據(jù)需要，本文直接采用了高斯核函數(shù):式中，σ 為待確定的核參數(shù)。由庫(kù)恩-塔克條件可知，(ai×ai*)僅有少量非零值樣本。

2 SVM蓄電池診斷機(jī)理

蓄電池的故障產(chǎn)生機(jī)理復(fù)雜，各種原因都可能引起電池故障，要準(zhǔn)確實(shí)現(xiàn)蓄電池的故障診斷是非常復(fù)雜的[7-8]。通過(guò)分析蓄電池實(shí)際的物理化學(xué)特性來(lái)分析判斷蓄電池的運(yùn)行狀況，達(dá)到對(duì)蓄電池的故障診斷。分析比較蓄電池內(nèi)部溫度、額定容量、輸出電壓、環(huán)境溫度等參數(shù)的動(dòng)態(tài)變化率，蓄電池組在充放電時(shí)的電壓電流變化特性[9-11]，得出蓄電池一些平均的特性規(guī)律，從而實(shí)現(xiàn)對(duì)蓄電池故障診斷。SVM 故障診斷通過(guò)對(duì)輸入的蓄電池特征數(shù)據(jù)樣本學(xué)習(xí)，形成對(duì)電池故障的診斷模型，然后用診斷模型結(jié)合已知道蓄電池特征數(shù)據(jù)進(jìn)行蓄電池故障診斷。

SVM 的輸入為蓄電池特征參數(shù)值，蓄電池的性能參數(shù)較多，為了有利于蓄電池的故障診斷，綜合分析蓄電池的各特征值及其相互之間存在的聯(lián)系，最終確定單體電壓、工作溫度、沖/放電電流、總電壓、內(nèi)部溫度作為SVM 故障診斷模型的輸入?？紤]到蓄電池各種各特征參數(shù)間的存在差異性及分散性，為防止診斷過(guò)程中出現(xiàn)計(jì)算飽和情況，對(duì)表征蓄電池運(yùn)行狀態(tài)的特征參數(shù)采取“歸一化”處理，使診斷模型的輸入數(shù)據(jù)在[0,1]之間。這里采用如下的歸一化算式：

表1 蓄電池特性數(shù)據(jù)值

式中，X 為實(shí)際的特征參數(shù)值，Xmin為最小特征值，Xmax為最大特征值，X'為歸一化之后的特征參數(shù)值。

蓄電池運(yùn)行狀態(tài)受自身及環(huán)境條件的影響，故障類型眾多，但總體上可把蓄電池歸為健康、存在隱患及故障三大類來(lái)加以區(qū)分，這對(duì)小樣本的數(shù)據(jù)模型分類更為有利，增加了模型的分類準(zhǔn)確率，故最后確定故障類型為健康、隱患、故障三種特征狀態(tài)。

用SVM 對(duì)蓄電池運(yùn)行狀態(tài)診斷，其流程如圖1 所示，診斷模型主要包括數(shù)據(jù)輸入/輸出，樣本數(shù)據(jù)以及診斷數(shù)學(xué)模型。

圖1 蓄電池故障診斷流程圖

3 診斷實(shí)例

通過(guò)matlab 構(gòu)建蓄電池故障診斷模型并運(yùn)用于具體的分析實(shí)例中，實(shí)際診斷步驟為：

1）對(duì)收集到某同一型號(hào)的144 組故障明確的蓄電池特征數(shù)據(jù)進(jìn)行分析處理，全部蓄電池均位于同一位置，確保外部環(huán)境一致，將144組蓄電池根據(jù)實(shí)際狀態(tài)分為“健康”、“存在隱患”及“故障”三種狀態(tài)；

2）為便于matlab 程序?qū)?shù)據(jù)處理，對(duì)選出的樣本數(shù)據(jù)進(jìn)行預(yù)處理，主要包括蓄電池3 種狀態(tài)的數(shù)字化及數(shù)據(jù)的“歸一化”處理；

3）利用處理后的樣本數(shù)據(jù)其中的120 組蓄電池狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本，作為matlab 診斷模型的學(xué)習(xí)樣本，經(jīng)訓(xùn)練得到滿足精度要求的故障診斷模型，本文在matlab 實(shí)現(xiàn)SVM 訓(xùn)練中，其診斷參數(shù)選取高斯核函數(shù)、損失函數(shù)值為0.1、精度值為0.01[12]；

4）然后用經(jīng)學(xué)習(xí)確定的診斷模型對(duì)剩下24組蓄電池狀態(tài)特征數(shù)據(jù)分別進(jìn)行故障診斷分析，對(duì)24 組蓄電池進(jìn)行擬合分析，以判斷其實(shí)際運(yùn)行的“健康”、“隱患”及“故障”狀態(tài)，并得出了具體診斷結(jié)果。

圖2 SVM蓄電池故障診斷結(jié)果

圖2 為用SVM 進(jìn)行蓄電池故障診斷的分類結(jié)果圖，橫軸代表24 組待檢測(cè)的蓄電池，縱軸為各組蓄電池經(jīng)SVM 診斷后的結(jié)果值，其中0代表健康蓄電池，1 代表存在隱患的蓄電池，2代表故障蓄電池。將SVM 診斷模型得出的代表蓄電池狀態(tài)特征數(shù)據(jù)與實(shí)際的物理狀態(tài)對(duì)應(yīng)后，在診斷的24 組蓄電池中，10 組健康蓄電池全部診斷準(zhǔn)確，7 組存在隱患蓄電池6 組診斷正確、1 組診斷錯(cuò)誤，7 組故障蓄電池6 組診斷正確、1 組錯(cuò)誤，總體診斷準(zhǔn)確率為92%。根據(jù)診斷結(jié)果可知，利用SVM 分類方法得到的預(yù)測(cè)值與實(shí)際的結(jié)果較為一致，且預(yù)測(cè)速度快。

4 結(jié)束語(yǔ)

本文以SVM 方法建立蓄電池運(yùn)行狀態(tài)診斷模型，實(shí)現(xiàn)了蓄電池的故障鑒別。通過(guò)該方法可減少蓄電池故障診斷的工作量，避免通過(guò)測(cè)試蓄電池內(nèi)部溫度、額定容量、輸出電壓、電壓電流變化特性等大量參數(shù)后，人為進(jìn)行逐一分析判斷其運(yùn)行狀態(tài)，實(shí)現(xiàn)蓄電池運(yùn)行參數(shù)的智能化、信息化的科學(xué)分析，有效避免人為誤差。試驗(yàn)證明，該方法可以較好地判定蓄電池的實(shí)際狀態(tài)，結(jié)果準(zhǔn)確性較高，具有一定的實(shí)用性和優(yōu)越性。