CN102567739A - 基于变压器特征参量的状态评估方法 - Google Patents

Abstract

基于变压器特征参量的状态评估方法，本发明先分别获得变压器设备厂家、外观、糠醛、微水等数据信息；利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；将新得到的变压器厂家、外观、糠醛、微水等数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。本发明利用基于模拟退火和人工鱼群优化算法科学地确定支持向量机SVM的参数，提高其智能评估的准确性，从而提高了变压器设备状态评估的科学性、高效性和准确性。

Description

基于变压器特征参量的状态评估方法

技术领域

本发明涉及变压器设备状态评估方法，尤其涉及一种基于变压器特征参量的状态评估方法。

背景技术

电网公司作为资产密集型企业，其核心竞争力是资产效率最大化和成本最低化。从早期的事后故障修理，到强调事先保养的预防性维护，电网设备资产精细化管理的意识正在逐步建立。变压器设备状态评估是实现公司变压器设备全寿命周期管理和精益化管理的重要基础。

变压器是电网最重要和最昂贵的设备，如其发生事故将给电网带来重大影响。目前，世界各地电网企业的变压器有相当一部分已经达到其设计使用寿命，对变压器状态评估一直受到国内外学者的广泛关注。在电网企业变压器设备有很多其数据信息，如何有效利用这些数据信息对变压器进行评估，对电网企业及时、准确掌握变压器状态，保证变压器设备安全、稳定、可靠、经济最优运行起到非常重要的作用。

现有变压器状态评估大多并不是依据客观、有说服力的计算方法计算得出而仅仅是采用专家经验值，因而变压器缺乏客观的状态评估模型及模型中所需的相关准确数据，使得状态值依赖于评估专家的个人经验和主观性，从而得出的状态评估值受专家个人经验和主观性的影响使变压器设备状态评估结果出现偏差。

支持向量机是基于统计学习理论的结构风险最小化原理解决了小样本、非线性等问题，提高其泛化能力，从而能很好地处理电力设备故障诊断所面临样本不足的缺陷。但SVM方法中某些参数的选择对其分类的准确率影响很大，因此，对SVM参数的合理选择能获得较好的分类效果。到目前为止，对其最佳参数的选择没有一个很好的手段，现有方法在计算耗时和效果方面都不是很理想。

人工鱼群智能优化算法具有良好取得全局极值的能力，其最先被应用于鲁棒PID控制器参数的优化中，得到了令人满意的结果，但其容易陷入局部极值。模拟退火算法的思想是由Metropolis等提出的，Kirkpatrick等于1983年将其用于组合优化，其有良好的克服局部极值的能力。

针对上述现有技术存在的问题，本发明利用基于模拟退火和人工鱼群优化算法确定支持向量机SVM的参数，然后利用变压器设备故障实例库的状态评估结果训练支持向量机SVM；将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。本发明不仅可以降低盲目选择支持向量机SVM参数对状态评估结果的影响并提高变压器设备状态评估结果的准确性，并实现可靠、科学地确定变压器的检修时间，从而为变压器实现状态检修及全寿命周期管理提供依据。

发明内容

为了提高智能、高效、可靠地分析变压器设备状态评估情况，本发明提出了基于变压器特征参量的状态评估方法，包括如下步骤：

基于变压器特征参量的状态评估方法，本发明特征是，步骤为：

1)、分别获得变压器设备厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息；

2)、利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；

3)、提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；

4)、将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。

假定(x_i，y_i)_{i＝1，2，…，n}，x_i∈R^d，y_i∈{-1，+1}为样本训练集，其中x_i∈R^d表示d维的特征向量，y_i∈{-1，+1}表示特征向量x_i归属的类别，n为样本数。在非线性情况下，利用非线性变换

将样本集原空间进行转换，样本空间两分类问题表示为：

式中：ω是权值向量，b为偏差。

另外，考虑到某些样本会存在不能被上式的分类超平面正确划分。因而，引入非负松弛因子ε_i来规定最大分类间隔和最小错误划分样本。规则化常数C″决定对错分样本错误的惩罚程度^]。因此，求解最优分类超平面的问题被转变为：

$\begin{array}{cc}\underset{\mathrm{\ω},b}{\min }& \frac{1}{2}{\left|\right|w\left|\right|}^2+C^{\′\′}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i\right)\end{array}$

利用拉格朗日函数，上式转变为对偶问题进行求解：

$s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=\mathrm{1,2},\·\·\·,n$

上式中，α_i只有一小部分不为0，其对应的训练样本是支持向量，则最优决策函数：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x\·x_i)+b)$

上式中，核函数，sgn为符号函数，结果为+1或-1，n是支持向量的数目，本发明选取径向基核函数。规则化参数C″和核函数参数σ的大小选择直接影响到SVM的分类准确性，因此合理的选取参数对SVM理论很重要。但SVM参数选取的现有方法都比较繁琐、费时且效果不好。

人工鱼群智能优化算法具有良好取得全局极值的能力，但易于陷入局部极值，针对支持向量机和人工鱼群智能优化存在的问题，本发明提出利用模拟退火(Simulated annealing，SA)和人工鱼群优化(Artificial Fish School Optimization，AFSO)算法获得支持向量机SVM的参数。

SA算法是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法在某一初温下，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部优解能概率性地跳出并最终趋于全局最优。模拟退火算法应用的一般形式是：从选定的初始状态开始，在借助于控制参数T递减时产生的一系列“马尔可夫”链中，利用产生的一个新状态和接受准则，重复进行包括“产生新状态-计算目标的代价函数值-判断是否接受新状态-接受(或舍弃)新状态”这四个步骤的过程，不断对当前状态进行迭代，从而得到目标最优解。

在热力学平衡中，系统状态的概率分布服从所谓的Boltzmas分布，即Proch(E)～exp(-E/KT)，其中E为表示目标能量的代价函数，T为温度，K为Boltzmas常数。这表明温度T的热平衡系统已在所有不同的状态E中将系统的能量做了概率分布，即使在低温状态下，也有机会使系统处于高能量状态。因此，有一个相应的机会使系统脱离局部能量极小，以利于找到一个更好的、更具整体性的能量极小。

总体说来，模拟退火算法中包含了两个循环：一个内循环和一个外循环。内循环就是在同一温度下的多次扰动产生不同状态，并按照Metropolis概率接受准则接收新状态，因此内循环是以状态扰动次数加以控制的。外循环包括温度下降的模拟退火(退火率r加以控制)、算法迭代次数I的递增和算法停止的条件，因此外循环基本是由迭代次数控制的。

在判断新状态是否被接受的一个最常用的接受准则是Metropolis准则

$P=\left\{\begin{array}{cc}1& \mathrm{\&Delta;E}<0\\ \exp (-\mathrm{\&Delta;E}/\mathrm{KT})& \mathrm{\&Delta;E}\&GreaterEqual;0\end{array}\right.$

其中，ΔE是当前状态和新状态的代价函数值差，T为温度。

首先将支持向量机SVM的规则化参数和核函数参数分别利用模拟退火算法进行迭代优化，经优化后的参数输入到下一步人工鱼群智能优化算法进行参数优化确定。

人工鱼群智能优化AFSO算法是一种基于模拟鱼群行为的智能优化算法，它采用了自下而上的设计方法，对寻优空间的形式和性质并没有特殊要求。本发明将支持向量机SVM规则化参数和核函数参数分别构造为人工鱼的个体模型，然后人工鱼个体在寻优的过程中自适应地选择合适的行为，最终支持向量机SVM的规则化参数和核函数参数的全局最优结果通过鱼群中每个个体的局部寻优而得到。

A.食物浓度

食物浓度是衡量人工鱼当前所处位置优劣的标志，其作用类似于粒子群优化算法中的适应度。在本发明中，食物浓度是衡量支持向量机SVM规则化参数和核函数参数当前所处位置优劣的标志。本发明根据支持向量机SVM规则化参数和核函数参数作为人工鱼个体模型的特殊性，所采用的食物浓度评价函数为：

$f\left(X_i\right)=\frac{1}{N}(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{X}_i^2-B{\stackrel{\&OverBar;}{X}}^2)$

式中，X_i，分别表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前所处位置的均值，N表示鱼群的大小。

B 觅食行为：在本发明中的觅食行为就是支持向量机SVM规则化参数和核函数参数根据食物浓度像鱼那样循着食物多的方向进行游动的一种行为。人工鱼当前状态X_i在其感知范围(d_i，j＝||X_i-X_j||≤Visual)内随机选择一个目标状态X_j，如果该状态的食物浓度Y_j优于当前状态X_i的食物浓度Y_i，则按X_inextm＝X_im+Random(AF_Step)(X_jm-X_im)/d_i，jY_i＜Y_j，向该状态X_j方向前进一步；反之，X_i在其感知范围内重新随机选择状态X_j，判断是否满足前进条件。反复尝试try_number次后，如仍不满足前进条件的话，则按X_inextm＝X_im+Random(AF_Step)Y_i≥Y_j，随机移动一步。其中，m＝1，2；X_jm、X_im和X_inextm分别表示状态向量X_i，X_j以及人工鱼下一步状态向量X_inextm的m个分量。Random(AF_Step)表示[0，AF_Step]间的随机数。以下各式中的符号含义与此相同。

C聚群行为：在本发明中的聚群行为指的是依据支持向量机SVM规则化参数和核函数参数所形成的多条人工鱼个体，在游动过程中尽量向周围临近伙伴们的中心移动，以避免过分拥挤。人工鱼对当前状态X_i搜索其感知范围d_i，j内的伙伴数目n_f，如果(n_f/N)＜δ，这表明伙伴中心有较多的食物且不太拥挤，则按下式计算伙伴中心位置X_c。

$X_{\mathrm{cm}}=\left(\underset{j=1}{\overset{n_f}{\mathrm{\&Sigma;}}}{X}_{\mathrm{jm}}\right)/n_f$

式中，X_cm表示中心位置状态向量X_c的第m个元素；X_jm表示第j(j＝1，2，...，n_f)个伙伴的第m个分量。计算该中心位置的食物浓度Y_c，如果Y_i＜Y_c，则表明伙伴中心位置安全度较高并且不太拥挤，按下式向伙伴的中心位置方向前进一步；否则执行觅食行为。

X_inextm＝X_im+Random(AF_Step)(X_cm-X_im)/d_i，c

D追尾行为：在本发明中的追尾行为指的是依据支持向量机SVM规则化参数和核函数参数而形成的多条人工鱼个体向临近的最活跃者追逐的行为。探索人工鱼当前状态X_i的感知范围内状态最优的邻居X_max，如果Y_i＜Y_max，并且X_max领域内伙伴的数目n_f，满足(n_f/N)＜δ，这表明X_max的附近有较多的食物且不太拥挤，则按下式向X_max的位置方向前进一步；否则执行觅食行为。

X_inextm＝X_im+Random(AF_Step)(X_maxm-X_im)/d_i，max

式中，X_maxm表示状态向量X_max的第m个分量。

E公告板是用来记录最优人工鱼个体的状态。每条人工鱼个体在寻优过程中，每次行动完毕都要检验自身状态与公告板的状态，如果自身状态优于公告板状态，就将公告板的状态替换为自身状态，这样的话，公告板就记录下历史最优的状态，即支持向量机SVM规则化参数和核函数参数。

通过对人工鱼的行为描述我们可以看出，每条人工鱼探索它当前所处的环境状况，从而选择一个合适的行为，使得向最优方向前进最快。最终，人工鱼集结在几个局部极值的周围，且值较优的极值区域周围一般能集结较多条人工鱼。

人工鱼群智能优化算法的具体实施步骤如下。

步骤1：初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数；

步骤2：利用式

计算人工鱼当前状态的食物浓度；

步骤3：首先对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；

步骤4：对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为；

步骤5：如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。

将利用模拟退火和人工鱼群优化算法确定支持向量机SVM的规则化和核函数数据输入到支持向量机SVM中，并利用变压器设备缺陷(故障)实例库的状态评估结果训练支持向量机SVM；将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态，从而达到对变压器设备状态情况进行智能评估和分析的目的。

下面结合附图及实例进一步说明本发明内容。

附图说明

图1模拟退火算法流程图；

图2是本发明基于变压器特征参量的状态评估方法流程图。

具体实施方式

本发明中对支持向量机SVM的规则化和核函数的每次迭代运算模拟退火初温T＝3，退火率r＝0.95，迭代次数I＝5，随机产生初始状态x₀，鱼群大小设定为：N＝18；人工鱼活动范围设定为：scope_x11＝352、scope_x12＝0、scope_x21＝288、scope_x22＝0；人工鱼移动的步长设定为：AF_Step＝0.005；人工鱼的感知范围设定为：Visual＝0.01；人工鱼每次觅食时最大的试探次数设定为：try_number＝30；鱼群的拥挤度因子设定为：δ＝0.618；支持向量机12个分类器。

本发明对支持向量机SVM的规则化和核函数随机进行初始化，首先对其两个参数进行模拟退火算法迭代，步骤如下：

Step1：给定初温T＝3，退火率r＝0.95，迭代次数I＝5，随机产生初始状态x₀，并计算相应代价函数值E(x₀)，

Step2：对当前状态x₀进行随机扰动产生一个新状态x，并计算相应的代价函数E(x)，从而得到ΔE＝E(x)-E(x₀)；

Step3：若ΔE＜0，则新状态x被接受；否则，新状态x按概率P＝exp(-ΔE/KT)进行接受。当状态x被接受时，将x₀＝x，E(x₀)＝E(x)；

Step4：在温度T下，重复一定次数(Markov链长度)的随机扰动和接受过程，即重复Step2与Step3，本文为重复5次；

Step5：缓慢地降低温度T＝T*r；

Step6：重复步骤Step2～Step5直到连续5次x₀没有改变为止。

模拟退火迭代后规则化和核函数结果分别形成包含N条人工鱼的数据集E＝{X_i}，其中

代表第i条人工鱼的位置，并将其利用对鱼群算法进行初始化。鱼群中每条人工鱼的个体极值

i＝1，2，...，N，以及鱼群最优位置P_gmost＝{P_gmost}的初始值都等于支持向量机规则化和核函数经模拟退火后参数的初始位置。公告板的初始状态与鱼群初始最优状态相同。

1、食物浓度是衡量人工鱼当前所处位置优劣的标志

食物浓度是衡量人工鱼当前所处位置优劣的标志，其作用类似于粒子群优化算法中的适应度。在本发明中，食物浓度是衡量支持向量机规则化和核函数参数当前所处位置优劣的标志。本发明根据支持向量机SVM规则化和核函数参数经模拟退火后的参数设置作为人工鱼个体模型的特殊性，所采用的食物浓度评价函数为：

$Y=f\left(X_i\right)=\frac{1}{N}(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{X}_i^2-N{\stackrel{\&OverBar;}{X}}^2)$

式中，X_i，

分别表示鱼群中第i条人工鱼当前所处位置和鱼群中所有人工鱼当前位置的均值，N表示鱼群的大小。

2、人工鱼群智能优化算法

在本发明中，利用人工鱼群优化算法优化确定支持向量机SVM规则化和核函数参数，以避免对支持向量机SVM规则化和核函数参数的盲目选择使支持向量机SVM的分类结果不理想，现有方法在分类的准确率影响很大都不是很理想的缺点。该优化算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻找支持向量机SVM规则化和核函数参数最优设置的目的。

(1)觅食行为：在本发明中的觅食行为就是支持向量机SVM规则化和核函数参数根据食物浓度像鱼那样循着食物多的方向进行游动的一种行为。人工鱼当前状态X_i在其感知范围(d_i，j＝||X_i-X_j||≤Visual)内随机选择一个目标状态X_j，如果该状态的食物浓度Y_j优于当前状态X_i的食物浓度Y_i，则按X_inextm＝X_im+Random(AF_Step)(X_jm-X_im)/d_i，j，Y_i＜Y_j向该状态X_j方向前进一步；反之，X_i在其感知范围内重新随机选择状态X_j，判断是否满足前进条件。反复尝试try_number次后，如仍不满足前进条件的话，则按X_inextm＝X_im+Random(AF_Step)，Y_i≥Y_j随机移动一步。其中，m＝1，2；X_jm、X_im和X_inextm分别表示状态向量X_i，X_j以及人工鱼下一步状态向量X_inextm的m个分量。Random(AF_Step)表示[0，AF_Step]间的随机数。以下各式中的符号含义与此相同。

(2)聚群行为：在本发明中的聚群行为指的是依据支持向量机SVM规则化和核函数参数而形成的多条人工鱼个体，在游动过程中尽量向周围临近伙伴们的中心移动以避免过分拥挤。人工鱼对当前状态X_i搜索其感知范围d_i，j内的伙伴数目n_f，如果(n_f/N)＜δ，这表明伙伴中心有较多的食物且不太拥挤，则按

计算伙伴中心位置X_c，其中，X_cm表示中心位置状态向量X_c的第m个元素；X_jm表示第j(j＝1，2，...，n_f)个伙伴的第m个分量。计算该中心位置的食物浓度Y_c，如果Y_i＜Y_c，则表明伙伴中心位置安全度较高并且不太拥挤，按式X_inextm＝X_im+Random(AF_Step)(X_cm-X_im)/d_i，c向伙伴的中心位置方向前进一步；否则执行觅食行为。

(3)追尾行为：在本发明中的追尾行为指的是依据支持向量机SVM规则化和核函数参数而形成的多条人工鱼个体向临近的最活跃者追捉的行为。探索人工鱼当前状态X_i其感知范围内状态最优的邻居X_max，如果Y_i＜Y_max，并且X_max领域内伙伴的数目n_f，满足(n_f/N)＜δ，这表明X_max的附近有较多的食物且不太拥挤，则按式X_inextm＝X_im+Random(AF_Step)(X_maxm-X_im)/d_i，max(其中，X_maxm表示状态向量X_max的第m个分量)向X_max的位置方向前进一步；否则执行觅食行为。

(4)公告板是用来记录最优人工鱼个体的状态。每条人工鱼个体在寻优过程中，每次行动完毕都要检验自身状态与公告板的状态，如果自身状态优于公告板状态，就将公告板的状态替换为自身状态，这样的话，公告板就记录下历史最优的状态，即支持向量机SVM规则化和核函数参数中的最优值。

通过对人工鱼的行为描述我们可以看出，每条人工鱼探索它当前所处的环境状况，从而选择一个合适的行为，使得向最优方向前进最快。最终，人工鱼集结在几个局部极值的周围，且值较优的极值区域周围一般能集结较多条人工鱼。人工鱼群智能优化算法的具体实施步骤如下。

步骤1：初始化鱼群。采用本发明初始化时设定的人工鱼当前状态、个体极值、鱼群最优位置和相关鱼群参数；

步骤2：利用式

计算人工鱼当前状态的食物浓度；

步骤3：首先对鱼群中每条人工鱼分别计算觅食行为、聚群行为和追尾行为等三种行为的个体极值；

步骤4：对每条人工鱼三种行为的个体极值进行比较，并执行相应的最优极值的行为；

步骤5：如果连续五次鱼群最优位置没有进行更新，则停止迭代计算；否则继续选择新的行为并转向步骤3。

如图1所示，该图给出了模拟退火算法流程图。

如图2所示，该图给出了基于变压器特征参量的状态评估方法流程图。该方法包括如下的步骤：

1)、分别获得变压器设备厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息；

2)、利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；

3)、提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；

4)、将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。

Claims (1)

1.基于变压器特征参量的状态评估方法，其特征是，步骤为：

1)、分别获得变压器设备厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息；

2)、利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；

3)、提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；

4)、将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。

Images