基于混合遺傳算法的10 kV避雷器劣化狀態(tài)識別仿真

賀政, 曹宏斌, 趙富強

(國網甘肅省電力公司慶陽供電公司, 甘肅, 慶陽 745000)

0 引言

電力系統主要包括發(fā)電、輸電、變電、配電等多個過程[1]。這些過程又離不開各種電力設備的參與,如變壓器、輸電線路、發(fā)電機、電表等。其中,有些設備長期處在室外環(huán)境中,難以避免地會發(fā)生故障問題,因此在電力系統中會布設很多保護裝置,保護電力設備[2]。10 kV避雷器是主要的電網保護裝置,其功能是當電網遭遇雷擊時能夠釋放過電壓能量,保護電網免受擊穿、閃絡等問題,提高了電網的穩(wěn)定性和安全性。然而,10 kV避雷器同樣長期處在室外惡劣環(huán)境中,隨著時間的推移,會逐漸劣化。其中,10 kV避雷器劣化狀態(tài)是指電氣特性和物理狀態(tài)發(fā)生變化,這些變化使其伏安特性漂移、熱穩(wěn)定破壞、非線性系數改變、電阻片局部劣化等,逐漸失去保護作用。因此電力公司會對10 kV避雷器進行定期更換和維修,以延長其使用壽命。在此背景下,為提高10 kV避雷器檢修效率,進行10 kV避雷器劣化狀態(tài)識別研究具有重要的現實意義。

沙勝等[3]通過光纖電流傳感器采集避雷器的阻性泄漏電流信號,然后基于這些信號分析不同故障下的阻性泄漏電流信號變化特征,最后根據檢測避雷器的故障類型。王燕等[4]提出了一種評估方法,從帶電檢測信息、在線監(jiān)測信息、現場運檢信息、投運前信息中提取特征指標,組成避雷器運行狀態(tài)特征量數據庫,最后通過隨機森林算法得出輸出避雷器故障類別,完成避雷器運行狀態(tài)評估。李艷鵬等[5]提出了一種紅外檢測方法,該方法主要以通過采集關于避雷器的紅外圖像為基礎,通過圖像判斷避雷器運行溫度是否正常,從而實現避雷器絕緣缺陷檢測。

雖然前人在研究中都取得了一定的成果,但是劣化狀態(tài)并不代表一定已經發(fā)生了故障,它有可能是故障發(fā)生的前一階段運行狀態(tài)。因此與已經發(fā)生的故障相比,劣化狀態(tài)所展示的特征表現得不明顯,往往是故障征兆。因此在特征提取階段提取特征的準確性就至關重要,直接關系到最后劣化狀態(tài)識別精度。基于此,本文提出一種基于混合遺傳算法的10 kV避雷器劣化狀態(tài)識別方法,以期為10 kV避雷器檢修工作提供輔助,提高檢修工作的效率和質量。

1 基于混合遺傳算法的10 kV避雷器劣化狀態(tài)識別方法

1.1 10 kV避雷器狀態(tài)信息采集

從設備開始出現異常到發(fā)生故障這一階段被稱為劣化過程,即使還沒完全發(fā)展成為故障,一旦10 kV避雷器開始劣化,10 kV避雷器某些運行數據也就開始發(fā)生變化,有別于正常狀態(tài)下的運行數據,但是這些變化與已經發(fā)生故障的10 kV避雷器相比,并不明顯,這也是現在10 kV避雷器檢修工作面臨的難題,往往是當10 kV避雷器發(fā)生故障后才能發(fā)現。為此,若是能有效識別劣化狀態(tài)下的10 kV避雷器故障,就能提前進行故障預警,在發(fā)生故障前及時規(guī)避故障,減小故障帶來的損失[6-7]。

在10 kV避雷器劣化狀態(tài)識別過程中,首要環(huán)節(jié)就是采集10 kV避雷器運行狀態(tài)數據,在這里主要是采集其電流信號,因為無論是發(fā)生何種劣化,都會引起電流的變化,因此就以電流信號作為劣化識別的基礎數據[8]。電流信號采集設備為一款套管式全光纖電流互感器。光纖電流互感器采集10 kV避雷器電流后,以電流信號的形式輸出。由此建立電流與電流信號之間的轉換公式:

(1)

其中,

(2)

式中,Y代表電流信號,A代表電流,B代表菲爾德常數,CL代表光纖長度,α代表偏振面的旋轉角度,R代表導線半徑。

1.2 電流信號去噪處理

10 kV避雷器劣化狀態(tài)下的電流信號特征不明顯,再加上采集過程噪聲的存在,使得特征更加不明顯,因此需要對采集到的電流信號進行去噪處理,提高電流信號質量[9]。具體過程如圖1所示。

圖1 電流信號去噪處理流程

去噪后的電流信號表示如下:

Y′=Dx′

(3)

式中,Y′代表去噪后的電流信號,D代表過完備小波字典,x′代表估計樹型系數向量。

去噪后,電流信號特征在一定程度上得到增強,提高了信號質量。

1.3 基于混合遺傳算法選取10 kV避雷器劣化狀態(tài)特征

接著上述去噪后的電流信號,本節(jié)利用混合遺傳算法,進行10 kV避雷器劣化狀態(tài)特征優(yōu)化,即從紛繁復雜的原始特征中選出對10 kV避雷器劣化狀態(tài)識別有意義的特征[10]。

描述電流信號的特征從時域與頻域兩個方面來說,具有多個原始特征[11],具體如表1所示。

表1 10 kV避雷器劣化狀態(tài)的原始特征

由于采集到的是10 kV避雷器劣化狀態(tài)時的電流信號,因此以上這些狀態(tài)特征中在10 kV避雷器電流信號中并不都是明顯的。若將所有特征都用于后期狀態(tài)識別,不僅會增大計算量,還會降低識別準確性,因此需要從這些特征選出明顯的有意義的特征[12]。基于此,利用一種混合遺傳算法的尋優(yōu)能力來選取。

混合遺傳算法指在基礎遺傳算法的基礎上加入其他算法,以彌補基礎遺傳算法的缺點,提高基礎遺傳算法的全局尋優(yōu)能力,這2種混合了其他算法的遺傳算法被稱為混合遺傳算法[13]。將表1中的特征作為輸入,通過尋優(yōu),尋找最佳特征。在遺傳算法中,混入模擬退火算法來組成混合遺傳算法。該算法選取10 kV避雷器劣化狀態(tài)特征具體過程如下。

步驟1:設置算法相關參數,如給定算法的參數種群規(guī)模、變異概率 、交叉概率,迭代次數等。

步驟2:確定個體的編碼方法,產生遺傳算法的初始解(初始種群),確定初始溫度。

步驟3:根據下述適應度函數評價初始種群的適用度值,

(4)

式中,f(X) 代表適應度函數,X代表10 kV避雷器劣化狀態(tài)的原始特征集合,K1代表訓練準確率,φ、φ代表2個常數參數,取值(0,1),xj代表原始特征集合中第j個特征,K2代表包含全部特征時候的訓練準確率,n代表特征數量。

表2 仿真樣本數量

步驟4:判斷是否滿足終止條件,若不滿足進入下一步驟,否則輸出最優(yōu)特征。

步驟5:執(zhí)行選擇、交叉、變異等遺傳操作。

步驟6:將遺傳操作后得出的結果作為模擬退火算法的初始輸入。

步驟7:利用模擬退火算法的Metropolis 接受準則產生新的個體。

步驟8:對新的個體執(zhí)行退火操作。

步驟9:回到步驟3,重復上述步驟。

步驟10:判斷是否滿足終止條件,若不滿足進入下一步驟,否則輸出最優(yōu)特征。

1.4 10 kV避雷器劣化狀態(tài)識別

基于上述混合遺傳算法選出的10 kV避雷器劣化狀態(tài)特征,利用一種AdaBoost 算法組成分類器來進行10 kV避雷器劣化狀態(tài)識別。

步驟1:給定一組帶有分類標記的N個訓練樣本。

步驟2:設置弱分類器個數。分類器表達式為

(5)

式中,ζ(x)代表弱分類器,R代表偏置位,f(x)代表10 kV避雷器劣化狀態(tài)特征,ψ代表閾值,取值為0.5。

步驟3:給每一個訓練樣本都賦予權重。權重計算式如下:

(6)

式中,wi代表第i個樣本的權重,C代表分類的錯誤率,由步驟5計算所得。

步驟4:通過式(5)對訓練樣本進行分類。

步驟5:根據分類結果計算分類的錯誤率C。

(2) 計算加權分類錯誤率C';

(3) 更新樣本權重,更新公式

(7)

其中,

(8)

步驟7:重復上述過程,得到由M個弱分類器組成的強分類器。

上述過程為分類器訓練過程。基于上述訓練得到的強分類器,輸入測試樣本,完成10 kV避雷器劣化狀態(tài)識別。

2 仿真測試與分析

為了測試本文方法在10 kV避雷器劣化狀態(tài)識別中的應用效果,在MATLAB平臺上進行仿真測試與分析。

2.1 仿真電流信號樣本準備

仿真測試需要準備兩類樣本,即訓練樣本和測試樣本。前者用于訓練分類器,后者用于測試識別性能。這兩類樣本均來自電力公司數據庫。樣本數量如表2所示。

2.2 電流信號去噪處理

以某一個樣本為例,對電流信號執(zhí)行去噪操作。去噪前后波形變化和信噪比如圖2所示。

圖2 電流信號去噪

從圖2可以看出,去噪后較去噪前信號波形更加平穩(wěn),其信噪比更大,說明達到了去噪效果。

2.3 混合遺傳算法參數設置與特征選取

混合遺傳算法相關參數設置如表3所示。

表3 混合遺傳算法相關參數設置

利用混合算法從表1中選擇10 kV避雷器劣化狀態(tài)特征,最終獲得明顯有意義的時域特征和頻域特征各5個。

(1) 時域特征:峰值、波形有效值、峭度、偏度、裕度因子。

(2) 頻域特征:頻率重心、均方根頻率、頻率帶寬、頻率變換率、幅頻特性。

將上述時域特征和頻域特征代入式(4),輸出最優(yōu)特征,以此更新樣本權重,判斷樣本是否被正確分類,將沒有被分類的樣本設為第i類樣本。

2.4 評價指標

選取kapaa系數作為識別方法的評價指標。計算式如下:

(9)

其中,

(10)

(11)

通常kappa是落在 0～1 間,可分為5個等級來判斷識別方法的準確性:

(1) 0～0.20:極低一致性,準確性低;

(2) 0.21～0.40:一般一致性,準確性較低;

(3) 0.41～0.60:中等一致性,準確性一般;

(4) 0.61～0.80:高度一致性,準確性較高;

(5) 0.81～1:幾乎完全一致,準確性高。

2.5 識別準確性分析

利用給出的訓練樣本進行弱分類器訓練,得到一組強分類器。利用強分類器對測試樣本進行10 kV避雷器劣化狀態(tài)識別,結果如圖3所示。

圖3 識別準確性

從圖3可以看出,本文方法應用下,kappa系數均在0.61～0.80,說明本文方法的識別準確性較高,這是因為本文方法應用模擬退火算法改進混合遺傳算法,從紛繁復雜的原始特征中選出對10 kV避雷器劣化狀態(tài)識別有意義的時域特征和頻域特征,保證分類過程的正確性,進一步提升狀態(tài)識別過程的識別準確率。

3 總結

避雷器在電網當中起到了重要的保護作用,能幫助電網免受雷擊傷害,因此一旦該設備出現問題,電網在雷雨天極易受到損傷。針對上述問題,本文提出了一種基于混合遺傳算法的10 kV避雷器劣化狀態(tài)識別方法,并進行仿真測試,通過kappa系數證明了本文方法的準確性。然而,本文僅進行了仿真實驗,并沒有將方法應用到實際中,因此有待進一步的實際測試。