基于IPSO-SVM的電力輸電線路隱患故障識別方法

蔡建峰, 劉明輝, 魯杰, 李威, 鐘磊, 張清敏

(1.國網冀北電力有限公司承德供電公司, 河北, 承德 067000;2.智洋創新科技股份有限公司, 山東, 淄博 255086)

0 引言

電力輸電線路按照結構可分為兩種結構,一是架空輸電線路、二是電纜線路。輸電線路在運行使用過程中,受到多種因素的影響和作用后,會形成隱患故障[1-4]。由于隱患故障的風險識別和判定標準無法統一,因此隱患故障識別結果的可靠性存在一定偏差。沈曉枉[5]為識別線路故障,以空間故障樹理論為基礎,提出了相應的故障識別方法;王橋梅等[6]為保證線路故障識別的精準性,依據VMD多尺度模糊熵,提出了相關的故障識別方法。上述方法均能夠完成電力線路故障識別,但是對于處于隱患階段以及早期階段的線路故障的識別可靠性仍需進一步驗證。

本文針對電力輸電線路的隱患故障展開詳細分析后,針對隱患故障的特點提出基于IPSO-SVM算法的電力輸電線路隱患故障識別方法,改進粒子群算法(IPSO)是一種尋優算法,其在基礎粒子群算法的基礎上,實現算法擴展性的優化,提升算法自身的尋優效果和性能;支持向量機(SVM)作為一種典型且應用較普遍的機器學習方法,其能夠以及決策邊界的計算結果完成目標的分類,以此完成電力輸電線路隱患故障識別。

1 電力輸電線路隱患故障識別

1.1 電力輸電線路隱患故障多特征提取

1.1.1 隱患故障能量特征向量計算

采用峭度、偏斜度、方差、裕度指標等多種特征量表示時域特征參數,如表1所示。

表1 特征量參數詳情

但是上述特征參數存在一定局限性,因此為準確獲取電力輸電線路隱患故障特征頻帶濾波信號[7],采用均勻劃分手段對所有的時域特征參數實行劃分處理,其采用小波分解完成,且為正交小波。頻域特征參數則采用劃分后獲取子帶頻率濾波信號描述,則基于Parseval恒等式可得出:

(1)

如果原始電力輸電線路隱患故障特征經過小波包分解后形成的頻帶數量用M表示,則各個頻帶對應的能量計算公式為

(2)

式中,Ni表示數據長度,對應第i個子頻帶。

在式(2)的基礎上,計算能量φi的均方根,其公式為

(3)

采用歸一化的方式對能量值實行處理后可得出能量特征向量,其公式為

(4)

1.2 隱患故障多特征提取

完成Ri值的獲取后,采用Hilbert包絡譜奇異值對Ri的分量φ1,φ2,…,φM實行變換處理,其公式為

(5)

在式(5)的基礎上,計算電力輸電線路隱患故障的本征模式分量(IMF)的包絡譜,其計算公式為

(6)

將式(6)的各個結果組成矩陣B,其大小為m×n,依據奇異值分解,得出存在2種正交矩陣,其分別為U=[u1,u2,…,um]∈Rm×m和V=[v1,v2,…,vm]∈Rm×n,2種矩陣均為奇異向量矩陣,且均屬于B,基于此可確定:

UTBV=diag[β1,β2,…,βl]=S

(7)

式中,βi表示奇異值,其中i=1,2,…,l。基于上述公式得出B的奇異值分解公式:

B=UVTSζ

(8)

獲取其對應的包絡譜奇異值矩陣B,將B作為電力輸電線路隱患故障識別的特征向量,輸入至經IPSO優化的SVM的故障識別模型中,完成電力輸電線路隱患故障分類識別。

1.3 電力輸電線路隱患故障識別

1.3.1 隱患故障識別結果尋優的IPSO算法

確定其在隱患故障分類識別結果尋優過程中,慣性權值ω對其全局搜索能力存在直接關聯,因此,對實行優化,形成動態慣性權值ω′,其公式為

(9)

式中,k和L均表示迭代次數,前者對應當前,后者對應最大,ωmax和ωmin均表示權值,前者為最大,后者為最小。

提升粒子群算法的全局搜索能力后,完成粒子群算法的自身優化后,為使粒子能夠較快地完成全局自由隱患故障分類識別結果的搜索,對LS-SVM模型的參數實行優化,優化的參數為懲罰因子和核參數,分別用c和g表示。則IPSO對LS-SVM模型實行優化的適應度函數γ(x)的計算公式為

(10)

式中,f(x|c,g)和f0(x|c,g)均表示輸出結果,前者對應實際,后者對應期望,n表示數量對應校驗集樣本。

如果X=[c,g]表示變量,γ(X)對X的偏導數公式為

(11)

如果電力輸電線路隱患故障中各個變量呈線性,γ(X)對X的偏導數公式為

(12)

(13)

式中,粒子速度用υ(t)表示,且在t時刻,x(k|t+1)和x(k|t)均表示粒子位置,屬于第k個變量,且位于個體向量中,前者對應t+1時刻,后者對應t時刻,則用于描述電力輸電線路隱患故障分類識別結果更新位置。優化流程如圖1所示。

1.3.2 基于IPSO-LS-SVM算法的隱患故障分類識別

通過1.3.1小節完成優化后,采用優化后的基于IPSO-LS-SVM算法完成輸電力線路隱患故障分類識別。其識別分類步驟如下所述。

(1) 設c1和c2均表示初始學習因子,維數和規模分別用D和E表示,前者對應粒子搜索空間,后者對應粒子種群,對上述IPSO的參數實行初始化處理,且設定初始迭代次數為0。

(2) 對LS-SVM的待優化參數c、g以及核函數權重系數λ的取值范圍進行設定,生成隨機一組參數,用(c,g,λ)表示,并采用該參數表示粒子的初始位置。

(3) 求解γ(X),并將該求解結果與粒子的個體最優位置γ(pbest)進行對比,如果前者小于后者,采用xi替換上一輪的粒子位置,此時適應度函數為

γ(xi)=1-γ(p)

(14)

式中,γ(X)表示隱患故障的分類精度。

(4) 獲取全局最優解。將γ(pbest)和全局最優適應度值γ(qbest)進行對比,如果前者小于后者,則采用pbest替換qbest。

(5) 完成粒子的位置、υ(t)、ω′以及c1和c2的更新。

(6) 結果輸出。當γ(xi)結果滿足一定精度或者迭代滿足最大次數時,完成參數值輸出,反之,回步驟(3)。

(7) 依據上述步驟完成基于IPSO-LS-SVM模型的構建,獲取模型的最佳參數,并完成電力輸電線路隱患故障分類識別。

本文在識別過程中,采用多分類器組合的方式完成隱患故障的分類診斷,多分類器的組合診斷結構如圖2所示。

圖2 多分類器隱患故障分類識別結構

2 測試分析

為驗證本文隱患故障識別方法的應用性能和效果,將某電力企業20 km線路作為研究對象,獲取線路的相關數據,數據采集過程中,為保證采集數據準確性以及全面性,結合該電力企業電力輸電線線路的地理環境以及輸電線路類別,設定采集線路步長為2 km,采集時間為1個月,共獲取10組數據。采集的數據中包含4種電力輸電線路隱患故障類別,分別為雷擊、覆冰、懸掛物以及山火,分別用故障1～4表示。4類隱患故障數量分別為12個、15個、18個以及7個。上述4種隱患故障均存在發展特性,容易造成輸電線路絕緣損壞、桿塔傾斜、漏電、電力運行故障等。

設最大迭代次數為180,粒子種群規模為25,學習因子c1和c2的取值分別為1.4和1.6,核參數g取15.5。

為測試本文方法優化后隱患識別的優勢,獲取在不同迭代次數下,對初始特征個數與特征分類后的個數進行對比分析,即驗證隱患故障特征識別過程的有效性。在優化前、后,按照梯度方向,在固定維數和規模下計算t+1時刻和t時刻的個數差,獲得對電力輸電線路4種隱患故障識別誤差結果,以此衡量本文方法優化優勢。結果如圖3所示。

圖3 優化前后的隱患故障識別誤差測試結果

由圖3結果可知,本文方法經過優化后的隱患故障特征識別效果更佳,誤差值均在0.06以下。

本文方法在進行輸電線路隱患分類識別過程前,需先在取值范圍內確定懲罰因子c的最佳取值。以隱患故障識別精度作為衡量標準,測試2種參數在不同取值下的識別精度,結果如圖4所示。

圖4 最優參數取值測試結果

由圖4結果可得,隨著c取值的逐漸增加,隱患故障識別精度發生不同波動變化,與優化前的取值測試結果相比,c取值為0.002時,隱患故障識別精度最佳,達到0.96。因此,確定本文方法的c的最佳取值為0.002,并用于后續隱患故障識別測試中。

為測試本文方法的電力輸電線路隱患故障特征提取性能,以時域特征參數結果為衡量標準,4種電力輸電線路隱患故障為例,采用本文方法獲取表1中的時域特征參數,并計算該參數對于不同類別隱患故障的影響水平,結果取3次計算結果的平均值,如表2所示。

表2 時域特征參數計算結果

由表2結果可得,本文方法具備良好的隱患故障特征提取性能。

為測試本文方法對電力輸電線路隱患故障識別性能和效果,應用本文方法在不同樣本數量下,對4種電力輸電線路隱患故障進行分類識別,獲取識別結果,并將識別結果與實際結果進行對比,分析本文方法的識別效果,如圖5所示。

圖5 電力輸電線路隱患故障分類結果

由圖5結果可得,隨著樣本數量的逐漸增加,本文方法依舊能夠較好地完成隱患故障分類,并且分類結果與實際極為吻合。

電力輸電線路在運行過程中會受到電磁以及自然環境中的聲音干擾,導致采集的電力輸電線路數據中存在一定程度的噪聲。因此,為進一步衡量本文方法的隱患故障識別效果,獲取本文方法在不同信噪比噪聲下,對于電力輸電線路隱患故障的識別結果,如圖6所示。

圖6 電力輸電線路隱患故障的識別結果

由圖6結果可得,隨著不同信噪比噪聲的逐漸增加,4種電力輸電線路隱患故障的識別結果均與實際結果數量一致,表示本文方法能夠可靠完成電力輸電線路隱患故障的識別,為電力系統的運行管理提供可信度較高的隱患故障情況結果,為電力系統的安全運行提供可靠依據。

3 總結

本文為準確識別輸電線路的隱患故障,提出基于IPSO-SVM算法的電力輸電線路隱患故障識別方法,經過雙重優化后,具備更佳的隱患故障識別性能,能夠準確完成隱患故障中的多特征提取,保證隱患故障的識別效果,為電力系統的安全運行提供了可靠依據。