CN114970725A - 一种基于Adaboost-SVM的变压器工况辨识方法 - Google Patents

Abstract

本发明公开了一种基于Adaboost‑SVM的变压器工况辨识方法，属于变压器状态辨识技术领域。本发明包括在变电站采集变压器工况原始数据集，根据环境温度与负载情况划分变压器运行工况，选取环境温度偏差率、变压器负载电流和运行电压3个参数构建工况特征样本u，基于所述变压器运行工况及特征参数通过k‑means聚类对特征样本获取工况类型标签，训练Adaboost‑SVM分类模型，通过JS优化算法寻取分类模型的最优训练参数，根据分类模型输出结果确定变压器工况类型，本发明能够提升变压器工况辨识的准确性，有利于提高现场检修效率，降低事故风险。

Description

一种基于Adaboost-SVM的变压器工况辨识方法

技术领域

本发明涉及的是变压器状态辨识技术领域，尤其涉及的是一种基于JS-Adaboost-SVM的变压器工况辨识方法。

背景技术:

变压器是电力系统的关键设备，其运行状态影响着电网的安全可靠性，电力变压器在实际运行的过程中，会受到许多外界因素的影响。当外界因素改变时，会导致变压器内部油温、功率损耗、振动等随着变压器运行电气参数改变呈现不同的变化趋势和相关关系。

由此可见，变压器在实际运行中所处的工况条件并不是单一的，而是随着不同因素的作用时刻发生变化。提前确定变压器所处的工况类型有利于降低变压器正常的工况变动对其健康状态评估结果的影响，提高变压器的性能评估的准确性，为现场检修部门提供参考。因此，针对电网运行中变压器开展状态辨识方法研究是十分必要的。

发明内容:

本发明提供了一种基于Adaboost-SVM的变压器工况辨识方法，是一种基于人工水母搜索(JS)-集成学习(Adaboost)-支持向量机(SVM)方法的变压器工况辨识方法，其目的在于解决现场对于变压器状态辨识评估标准单一，效率低下及准确性不足的问题。

本发明是通过如下技术方案实现的：

一种基于Adaboost-SVM的变压器工况辨识方法，包括以下步骤：

步骤一、获取变压器工况原始数据集，选取用于工况划分的特征参数，并进行归一化处理；

步骤二、通过k-means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，为每个样本添加工况标签，得到变压器工况辨识样本集；

步骤三、构建Adaboost-SVM模型，利用JS优化算法寻取SVM模型最优参数，得到最优JS-Adaboost-SVM变压器工况辨识模型。

进一步的具体方法为：

步骤一：从变电站现场获取变压器运行数据包括负载电流、运行电压以及变压器所处环境数据，进行归一化处理，划分运行工况。

负载电流与运行电压的归一化方法为：

其中，x为样本点的负载电流或运行电压值，x_max、x_min分别为样本中负载电流或运行电压的最大值和最小值；

为该样本点负载电流或运行电压的归一化值，

定义环境温差率计算公式为：

式中，θ表示实时运行状态下的变压器环境温度值，

表示正常运行下变压器的基准环境温度值。

划分变压器运行工况包括：根据负载电流归一化后的数值将0～0.5范围内的样本点定义为低负载状态，将0.5～1范围内的样本点定义为高负载状态；根据运行电压归一化后的数值将0～0.5范围内的样本点定义为低电压状态，将0.5～1范围内的样本点定义为高电压状态。当Δθ₀小于1时，定义该状态为温升稳定状态；当Δθ₀大于1时，定义该状态为温升偏移状态。

根据环境温度偏差率、变压器负载电流和运行电压三个参数，构建变压器工况样本数据集u，u_i＝(U_i,I_i,Δθ_i)^T。

步骤二：通过k-means聚类算法对步骤一中归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，得到变压器工况辨识样本集。

具体方法为：

输入参与聚类的变压器工况参数样本数据集u_i＝(U_i,I_i,Δθ_i)^T

选取工况样本集中k个样本作为质心向量μ＝(μ₁,μ₂,...,μ_k)，形成k个聚类簇C＝(C₁,C₂,...,C_k)；

计算剩余工况样本u_i(i＝1,2,…,n)与各个质心向量μ_j(j＝1,2,…,k)的距离，将u_i划分到与μ_j之间距离最小的点所在的簇类：

更新各个簇类的样本数量：

C′_j＝C_j∪{u_ij}

其中C_i为第j类簇，C'_j为更新簇类工况样本数量后的新簇；x_ij为划分到第j类簇中的工况样本点。更新簇类后，重新计算各簇新的簇类点。

重复上述步骤，直到各个簇类的簇类中心不再发生变化，从而迭代完毕，输出此时的变压器工况划分结果C＝(C₁,C₂,...,C_k)

采用评估聚类结果区分度的D_BI来对不同k值下的聚类结果进行评估，确定初始选取的簇类中心k的个数，I_DB定义如下：

其中k为聚类中心数量；S(U_c)、S(U_r)分别为第c、r个簇类的簇内距离；D(U_c,U_r)为第c、r两个簇类的簇间距离，1≤c≤k,1≤r≤k。S与D的计算公式如下：

D(U_c、U_r)＝||μ_c-μ_r||

其中x簇类U_c中的元素；μ_c、μ_c分别为U_c、U_r的簇类中心。

D_BI的最小值对应的k值为聚类效果最佳值：

步骤三：通过步骤二中聚类得到的工况辨识样本集训练Adaboost-SVM工况辨识模型，利用JS算法更新模型参数，提高工况辨识的准确度。

设置最大迭代次数为M，随机初始化工况辨识模型Adaboost-SVM参数

s.t.(wx_i)＞b-ξ_i,ξ_i≥0,i＝1,2,...,n

其中w为超平面法向量；b为超平面截距，ξ为松弛变量，c为惩罚函数，n为进行分类的样本数量。

与拉格朗日乘数法进行结合，可以获得SVM分类模型的最终判别函数。

式中，g(x_i,x)为SVM核函数。

利用JS算法对工况辨识模型中超平面法向量w，核函数g、惩罚因子c进行优化，提高分类的准确率。

初始化水母位置

X_i+1＝ηX_i(1-X_i)，0≤X₀≤1

其中X_i为第i类水母的Logistic逻辑混沌值，X₀为水母的初始位置范围但不等于0，0.25，0.5，0.75，1。η＝4。

(1)水母随洋流运动:

df＝e_cμ

其中n_pop为水母群体规模，X^*为最优水母的位置，e_c是吸引力控制因子，μ为所有水母的平均位置，df为最优水母位置与所有水母平均位置之间的差值。

每只水母的新位置：

(2)水母被动运动，位置更新：

X_i(t+1)＝X_i(t)+γ*rand(0,1)*(U_b-L_b)

其中，U_b、L_b分别为搜索空间的上、下限，γ＝0.1为运动系数。水母群形成一定规模后，向找到更多食物的同伴靠近，位置更新：

引入时间控制机制与时间常数C₀

其中：t为迭代次数，Max_iter为最大迭代次数，C₀＝0.5，当c(t)大于C₀时，水母跟随洋流运动，当c(t)小于C₀时，水母仅在种群内部移动。确定超平面法向量w，核函数g、惩罚因子c的最优值，得到当前的弱分类器SVM，继续迭代。若达到最大迭代次数，则寻优结束，输出最优的JS-AdaBoost-SVM模型。

进一步的，数据集划分为训练集和测试集：训练集和测试集在整个数据集中的划分比例为8：2。

本发明的有益效果是：

本发明能够解决现场对于变压器状态辨识评估标准单一、效率低下及准确性不足的问题。本发明通过在变电站采集变压器工况原始数据集，根据环境温度与负载情况划分变压器运行工况，选取环境温度偏差率、变压器负载电流和运行电压3个参数构建工况特征样本u，基于所述变压器运行工况及特征参数通过k-means聚类对特征样本获取工况类型标签，训练Adaboost-SVM分类模型，通过JS优化算法寻取分类模型的最优训练参数，根据分类模型输出结果确定变压器工况类型，本发明能够提升变压器工况辨识的准确性，有利于提高现场检修效率，降低事故风险。

附图说明

图1是本发明基于JS-Adaboost-SVM的变压器工况辨识方法流程示意图；

图2是k-means聚类结果图；

图3是JS-AdaBoost-SVM分类模型流程图；

图4是不同Adaboost迭代次数时的分类错误率图；

图5是四类工况辨识后按时间轴分布的笛卡尔热力图。

具体实施方式

以下将结合附图给出本发明实施例，并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然，所述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。

如图1所示，本发明提供了一种基于JS-Adaboost-SVM变压器状态辨识方法，该方法包括以下步骤：

步骤一：获取变压器工况原始数据集，包括一年内的运行电压数据、负载电流数据以及对应的环境温度数据，采样间隔为1小时1次。

选取用于工况划分的特征参数包括环境温度偏差率Δθ、负载电流I、运行电压U，并进行归一化处理；

步骤二：通过k-means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，为每个样本添加工况标签，得到变压器工况辨识样本集；

输入参与聚类的变压器工况参数样本数据集u_i＝(U_i,I_i,Δθ_i)^T

选取工况样本集中k个样本作为质心向量μ＝(μ₁,μ₂,...,μ_k)，形成k个聚类簇C＝(C₁,C₂,...,C_k)；

计算剩余工况样本u_i(i＝1,2,…,n)与各个质心向量μ_j(j＝1,2,…,k)的距离，将u_i划分到与μ_j之间距离最小的点所在的簇类：

更新各个簇类的样本数量：

C′_j＝C_j∪{u_ij}

其中C_i为第j类簇，C'_j为更新簇类工况样本数量后的新簇；x_ij为划分到第j类簇中的工况样本点。更新簇类后，重新计算各簇新的簇类点。

重复上述步骤，直到各个簇类的簇类中心不再发生变化，从而迭代完毕，输出此时的变压器工况划分结果C＝(C₁,C₂,...,C_k)

采用评估聚类结果区分度的D_BI来对不同k值下的聚类结果进行评估，确定初始选取的簇类中心k的个数，D_BI定义如下：

其中k为聚类中心数量；S(U_c)、S(U_r)分别为第c、r个簇类的簇内距离；D(U_c,U_r)为第c、r两个簇类的簇间距离，1≤c≤k,1≤r≤k。S与D的计算公式如下：

D(U_c、U_r)＝||μ_c-μ_r||

其中x簇类U_c中的元素；μ_c、μ_c分别为U_c、U_r的簇类中心。

D_BI的最小值对应的k值为聚类效果最佳值：

图2为各个k取值下D_BI值的大小关系曲线，当簇类个数k＝4时，D_BI的值快速下降至最低值，因此将变压器工况类型k的数目设为4类。表1为确定簇类个数k＝4后各个运行工况的聚类中心样本。

表1

表2为运行工况划分结果

表2

步骤三：建立JS-Adaboost-SVM变压器状态辨识模型，JS用于随机初始化Adaboost-SVM模型参数与JS种群位置，利用JS优化算法寻取最优参数，得到最优JS-Adaboost-SVM变压器工况辨识模型，图3为基于优化算法的JS-AdaBoost-SVM分类模型流程图，混合模型参数的设置如下：JS的最大迭代次数为250，利用JS优化算法寻取最优参数，确定Adaboost的最佳迭代次数，图4为不同Adaboost迭代次数时的分类错误率，当Adaboost的迭代次数大于8时，JS-Adaboost-SVM模型的分类错误率趋向稳定，因此将Adaboost的迭代次数M设置为8。

利用划分好的变压器工况样本集对JS-Adaboost-SVM模型进行训练和测试，将输入样本集按照8:2的比例划分为训练样本集和测试样本集，用于变压器运行工况的在线辨识，图5分别为四类工况辨识后按时间轴分布的笛卡尔热力图。综上，本发明能够提升变压器工况辨识的准确性，有利于提高现场检修效率，降低事故风险。

Claims (5)

1.一种基于Adaboost-SVM的变压器工况辨识方法，其特征在于：

包括以下步骤：

步骤一、获取变压器工况原始数据集，选取用于工况划分的特征参数，并进行归一化处理；

步骤二、通过k-means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，为每个样本添加工况标签，得到变压器工况辨识样本集；

步骤三、构建Adaboost-SVM模型，利用JS优化算法寻取SVM模型最优参数，得到最优JS-Adaboost-SVM变压器工况辨识模型。

2.根据权利要求1所述的基于Adaboost-SVM的变压器工况辨识方法，其特征在于：

所述步骤一中，

获取的原始数据为：从变电站现场获得变压器负载电流、运行电压数据以及环境温度数据；

所述用于工况划分的特征参数为：运行电流I、负载电压U以及温度偏差率Δθ；

所述归一化方法为min-max标准化法。

3.根据权利要求1或2所述的基于Adaboost-SVM的变压器工况辨识方法，其特征在于：

所述步骤二中，

通过k-means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心；为每个样本添加工况标签，得到变压器工况辨识样本集，方法如下：

输入参与聚类的变压器工况参数样本数据集u＝(u₁,u₂,...,u_n)，

其中，n为样本个数，

其中u_i＝(U_i,I_i,Δθ_i)^T，i＝1,2,…,n；U为负载电压；I为运行电流；Δθ为温度偏差率；选取工况样本集中k个样本作为质心向量μ＝(μ₁,μ₂,...,μ_k)，形成k个聚类簇C＝(C₁,C₂,...,C_k)；

计算剩余工况样本u_i(i＝1,2,…,n)与各个质心向量μ_j(j＝1,2,…,k)的距离，将u_i划分到与μ_j之间距离最小的点所在的簇类，更新各个簇类的样本数量,更新簇类后，重新计算各簇新的簇类点；

重复上述步骤，直到各个簇类的簇类中心不再发生变化，从而迭代完毕，输出此时的变压器工况划分结果C＝(C₁,C₂,...,C_k)，并根据聚类好的每一类簇样本参数所在区间添加工况标签。

4.根据权利要求1或2所述的基于Adaboost-SVM的变压器工况辨识方法，其特征在于：

所述步骤三中：利用JS算法优化Adaboost-SVM的超参数，包括超平面法向量w，核函数g、惩罚因子c，获得更加准确的变压器工况辨识结果；

优化方法如下：

构建JS算法优化框架，包括引入Logistic混沌映射初始化人工水母种群，设置JS最大迭代次数为N，Adaboost最大迭代次数为M；利用JS算法优化Adaboost-SVM的超参数，计算种群适应度值，种群表示形式为：X＝[X₁,X₂,...,X_n]^T，n为样本数量，其对应的适应度函数为：F＝[f(X₁),f(X₂),...,f(X_n)]^T，设置Adaboost当前迭代次数为t、超平面法向量w，核函数g、惩罚因子c的寻优范围；

初始化水母位置

X_i+1＝ηX_i(1-X_i)，0≤X₀≤1

其中X_i为第i类水母的Logistic逻辑混沌值，X₀为水母的初始位置范围但不等于0，0.25，0.5，0.75，1；η＝4；

(1)水母随洋流运动:

df＝e_cμ

其中n_pop为水母群体规模，X^*为最优水母的位置，e_c是吸引力控制因子，μ为所有水母的平均位置，df为最优水母位置与所有水母平均位置之间的差值；

每只水母的新位置：

(2)水母被动运动，位置更新：

X_i(t+1)＝X_i(t)+γ*rand(0,1)*(U_b-L_b)

其中，U_b、L_b分别为搜索空间的上、下限，γ＝0.1为运动系数，t为迭代次数；水母群形成一定规模后，向找到更多食物的同伴靠近，位置更新：

Where

引入时间控制机制与时间常数C₀

其中：t为迭代次数，Max_iter为最大迭代次数，C₀＝0.5，当c(t)大于C₀时，水母跟随洋流运动，当c(t)小于C₀时，水母仅在种群内部移动；确定超平面法向量w，核函数g、惩罚因子c的最优值，得到当前的弱分类器SVM，继续迭代；若达到最大迭代次数，则寻优结束，输出最优的JS-AdaBoost-SVM模型。

5.根据权利要求1所述的基于Adaboost-SVM的变压器工况辨识方法，其特征在于：数据集划分为训练集和测试集：训练集和测试集在整个数据集中的划分比例为8：2。

Images