基于ISSA-SVM的煤礦變壓器故障診斷方法*

鄭 鑫，石 純，田錦繡，齊 冀，李燕杰

（1.山西潞安環保能源開發股份有限公司，山西長治 046200；2.遼寧工程技術大學，遼寧阜新 125105；3.山西潞安礦業集團慈林山煤業有限公司李村煤礦，山西長治 046200）

0 引言

礦用變壓器作為煤礦供電系統中的重要組成部分，變壓器的絕緣老化現象也變得越來越嚴重，若發生故障將給企業帶來難以預料的經濟損失，甚至是員工生命的危險，使整個煤礦開采單位的施工和工人的人身安全受到變壓器的工作狀態的影響。因此需要實時監測變壓器的運行狀態，及時發現故障問題。如今傳統的變壓器故障診斷方法缺點也很明顯，其檢測時間長且容易出錯，需要大量的人力和財力。在當前的故障診斷中，采用了許多智能化的診斷技術。

目前，油浸式電力變壓器在輸配電系統中被普遍使用，而且DGA技術成為了變壓器故障診斷的一種主要方法[1]。在故障診斷方面，隨著人工智能和數據挖掘等技術的發展，利用DGA技術與人工智能算法結合的診斷方法提高了變壓器故障診斷準確率[2]，如神經網絡[3]、支持向量機[4]（Support Vector Machine，SVM）、極限學習機[5]（Extreme Learning Machine，ELM）等。Zhou Yichen等[6]基于油的溶解氣體分析技術，通過改進的灰狼優化器優化概率神經網絡（Probabilistic Neural Network，PNN）模式層的平滑因子，提高PNN的分類精度和魯棒性；夏玉劍等[7]通過集合經驗模式分解提取變壓器不同運行狀態下振動信號特征矢量，并結合主成分分析投影到直觀的二維圖像中，利用K近鄰（K-nearest neighbor，KNN）實現故障分類和自動故障識別。結果表明，該方法可以對測試樣本進行快速的自動模式識別。Fan Qingchuan等[8]通過無編碼比法提取油中9維特征向量，利用改進的WOA優化SVM進行變壓器故障診斷。結果表明，所建立的模型具有診斷精度高、穩定性強的特點；閆鵬程等[9]以實驗采集的油樣作為依據，提出MSC-KPCA-ELM模型并結合激光誘導熒光光譜技術對電力變壓器是否發生故障進行快速診斷，結果表明，所提方法能夠保障電力設備的運行安全。

針對現有研究存在的局限，本文提出一種基于混沌種群初始化和柯西高斯變異策略改進麻雀算法（ISSA）優化支持向量機的煤礦供電變壓器故障診斷方法。最后與傳統麻雀搜索算法（Sparrow Search Algorithm，SSA）、PSO算法優化的SVM診斷模型的診斷精度對比分析，驗證本文方法的可行性。

1 故障特征提取

變壓器故障發生時，絕緣油中溶解氣體H2、CH4、C2H2、C2H4、C2H6、CO2、CO、O2、N2含 量 將 發 生 變化。在傳統的電力變壓器故障診斷當中，研究學者經常會忽略原始數據的高緯度對變壓器故障診斷精度產生的影響。所以本文利用核主成分分析（KPCA）對故障樣本數據進行特征提取。使氣體之間避之保持獨立，減小計算量。如表1所示，累計方差貢獻率達到90%以上，因此確定經過KPCA降維[10]后的輸入變量個數為5個。

表1 特征值及累計方差貢獻率

2 ISSA-SVM模型

2.1 ISSA算法

SSA[11-13]數學模型的建立是按照麻雀覓食行為，靈感來自于麻雀的習性。在種群中有兩種角色，分別是發現者和加入者，發現者和加入者的比例和總數量不變。種群個體的最優位置通過覓食和預警反捕食行為來隨時更新。

麻雀集合如下所示：

麻雀的適應度值如下所示：

發現者的位置更新公式為：

式中：α為一個隨機數；t為迭代次數；itermax為最大迭代次數；S T為安全值，ST∈[0.5,1]；R2為預警值，R2∈[0,1]；L為元素均為1的1×d的矩陣；Q為服從正態分布的隨機數。

當R2＜S T時，麻雀種群附近沒有危險。當R2≥ST時，麻雀種群中的預警者發現了危險，使其他個體更新到安全區域。

加入者的位置更新公式為：

當i＞時，表示第i只麻雀個體需要更新到其他地方進行覓食，其他情況則表示第i只麻雀在的位置周圍覓食。

預警者更新公式如下：

2.1.1 ISSA基本理論

傳統的麻雀算法[14]雖然有著不錯的尋優能力，但還有一定的缺陷，而且有一個缺陷不易忽視，那就是容易陷入局部最優，并且初始種群分布不均。因此提出以下的方法來對麻雀算法進行改進。

（1）Logistic映射

混沌[15]是一種由確定性系統自發地引起不穩定的現象，它在非線性系統中比較常見。由于混沌的遍歷性，使得它可以在一段時間內不反復地經歷各種狀態，并充分利用了混沌變量。

在此基礎上，在SSA算法中引入Logistic如下：

式中：μ∈(0,4]；k為迭代次數；x∈(0,1)。

Logistic映射在分叉參數3.57＜μ＜4時x的值向0和1發散并逐漸出現混沌現象，本文取μ=4。

通過下式實現種群初始化：

式中：Xlb、Xub為上下限；X為映射后的個體。

（2）柯西高斯變異策略

傳統的SSA算法迭代的后半程，有著容易陷入局部極值的問題?？挛髟跀_動能力方面比較強，有著比較好的全局尋優能力，而高斯有著比較強的局部尋優能力，因此引入柯西高斯變異[16]來對麻雀算法進行優化，挑選適應度較優的麻雀進行變異進而更新位置，公式如下：

2.1.2 ISSA性能測試

為了驗證ISSA的性能，選取兩種基準測試函數來測試，對比傳統的SSA和PSO進行仿真對比實驗。測試函數如圖1～2所示。

圖1 測試函數f1

圖2 測試函數f2

測試函數1：

測試函數2：

分別對f1(x)和f2(x)兩個測試函數進行獨立實驗，得到圖3和圖4所示的仿真結果。由圖可知，f1(x)和f2(x)兩種測試函數對算法的尋優過程的性能測試時，SSA和PSO表現不如ISSA，相較于另外兩種算法有很大提升。

圖3 ISSA、SSA和PSO對f1(x)函數的優化過程

圖4 ISSA、SSA和PSO對f2(x)函數的優化過程

通過上述比較試驗可以看出：加入混沌映射和柯西高斯變異策略的麻雀搜索算法的尋優能力和收斂速度有著明顯提升，和其他算法相比，改進后的麻雀算法具有較強的適應能力。

2.2 多分類支持向量機

標準的SVM[17]分類本質上是找到一個最優分類超平面。其表達式為：

式中：φ(x)為映射函數表達式；w為超平面的法向量；b為偏置量。

超明面問題轉變成約束條件，其目標函數為:

想要正確分類，d最好能夠是最大值，即 ||ω||為最小值。

最優超平面函數為:

式中：sv為支持向量。

核函數表達式為:

由上式可知，SVM的分類性能與(C,?)有關，C和?需要確定。因此想要提高精度需要最優的(C,?)。

2.3 基于ISSA優化的SVM

ISSA優化SVM的故障診斷流程如下所述。

（1）將變壓器故障數據利用KPCA方法降維，把降維后的數據按比例分為訓練集與測試集。

（2）設置麻雀種群規模N，搜索空間維度D，最大迭代次數i termax，采用式（5）對麻雀種群初始化。

（3）初始化SVM相關參數。

（4）計算當前麻雀的適應度值，找出最優值和最劣值。

（5）根據公式（1）更新發現者位置。

（6）根據公式（2）更新加入者位置。

（7）根據公式（3）更新預警者位置。

（8）計算適應度值，保留最優個體位置。根據式（6）、（7）計算變異后的位置并更新。

（9）判斷否達到最大迭代次數，如沒有達到，則返回步驟4，若達到則用輸出的參數建立ISSA-SVM的故障診斷模型。

綜上所述，通過混沌映射和柯西高斯變異改進的麻雀算法對SVM參數尋優，能夠得到最優參數，代入模型，使診斷的正確率得到提高。

3 煤礦供電變壓器故障診斷

用KPCA將318組故障數據降維，得到5維特征變量，隨機選擇300組故障數據，其中200組用來進行訓練，100組用來測試。變壓器故障類型編號為1～5，如表2所示。

表2 樣本數據分布

利用ISSA訓練SVM并對變壓器故障樣本進行分類正確率測試，并用SSA、PSO算法優化的SVM相對比，仿真結果如表3所示。

表3 不同診斷方法對不同故障診斷的正確率

如圖5所示，以PSO優化的SVM的變壓器故障診斷模型中，中低溫過熱故障錯誤有6個，高溫過熱故障錯誤有5個，低能放電故障錯誤有6個，高能放電故障錯誤有5個，綜合正確率為79.73%。

圖5 PSO-SVM故障診斷分類結果

如圖6所示，以SSA優化的SVM的變壓器故障診斷模型中，中低溫過熱故障錯誤有5個，高溫過熱故障錯誤有5個，低能放電故障錯誤有5個，高能放電故障錯誤有4個，綜合正確率為85.22%。

圖6 SSA-SVM故障診斷分類結果

如圖7所示，以ISSA優化的SVM的變壓器故障診斷模型中，中低溫過熱故障錯誤有2個，高溫過熱故障錯誤有2個，低能放電故障錯誤有2個，高能放電故障錯誤有2個，綜合正確率為93.80%。

圖7 ISSA-SVM故障診斷分類結果

綜上所述，以ISSA-SVM的變壓器故障模型進行變壓器故障診斷，結果表明，ISSA-SVM模型診斷效果較好，精度最高，達到93.80%。綜上可知，經過Logistic混沌映射初始化，能夠使種群初始位置分布均勻；結合柯西高斯變異的SSA優化SVM所建立的故障診斷模型的性能最優，具有更高的可靠性。

4 結束語

針對變壓器高維復雜的原始故障數據，采用KPCA降維進行特征提取，能夠有效降低特征向量的維數，便于SVM模型識別數據特征，提高識別精度。通過Logistic混沌映射初始化、柯西高斯變異策略改進的麻雀搜索算法，進一步豐富了種群復雜性，改善了在尋優過程中很容易進入局部最優估計的問題。使用ISSA方法優化SVM的相關參數，可以有效地改善SVM的變壓器故障診斷模型的準確度和泛化能力，從而提升了診斷準確度和提高了收斂性速度。較SSA-SVM和PSO-SVN診斷方法分別提升了8.58%和14.07%。采用此方法建立的診斷模型具有普適性，為解決此類問題提供了新的思路。