基于增強支持向量機的電力隧道多狀態全過程監控方法

劉濱,劉春,邵必飛,楊郭明,茍軍,黃貴武

(國網蘭州供電公司,甘肅 蘭州 730030)

隨著社會的進步,電力與人們的生活日漸密切,電纜作為一種傳輸裝置,被用于電力及其信號的傳送,因此對于電纜的保護是十分必要的,而電力隧道的作用就在于此,它可以將設置在支架上的眾多電纜容納其中,能較好地保護電纜,使電力傳輸能夠正常運行[1-3]。但受到自然因素及其他因素的影響,電力隧道內會出現一些異常的情況,如電纜導體溫度過高、護層電流異常、積水過多、有異物入侵以及圍巖發生變化等。為了能夠盡早地發現異?，F象,使損失降到最低,就需要對電力隧道多種狀態進行全過程的監控[4-5]。

文獻[6]針對電纜隧道內積水的問題,提出了一種改進的基于區域建議的卷積神經網絡(Faster R-CNN)方法,并利用其進行電纜隧道積水定位識別,利用支持向量機(SVM)進行圖像分類,增強分類的置信度,使用區域建議網絡(RPN)提取隧道積水原圖中的區域建議,然后用Fast R-CNN檢測網絡在建議框中進行圖像識別、SVM分類和位置精修。文獻[7]針對電力隧道運維存在著信息化水平低、防災害能力弱、運維成本高和缺乏統一技術標準的問題,建立了電力隧道在線監控和智能巡檢模式,運行人員可實時監測隧道溫濕度、水位、有毒有害氣體等核心運行數據。上述方法雖然對電力隧道異常狀態起到了一定的檢測作用,但是在檢測的效率、準確率上表現略有不足。

支持向量機可以處理高維、小樣本及非線性特征的問題,不需要依賴整個數據,而且有較強的泛化能力。因此本文提出的基于增強支持向量機的電力隧道多狀態全過程監控方法,是在對支持向量機增強后,又對其參變量求優,從而更加準確地對電力隧道多種狀態的全過程進行監控。

1 電力隧道多狀態全過程監控方法

1.1 電力隧道多狀態描述

電力隧道狀態的監控就是根據其運轉的狀態是否正常來進行判斷,是一個動態的過程。電力隧道運行狀態模式通常分成正常和異常狀態兩種模式,其中異常狀態又可劃分為上升趨勢狀態、下降趨勢狀態、向上階躍狀態與向下階躍狀態。如果電力隧道存在異常因素,那么通過電纜隧道狀態智能監測系統獲取的電力隧道狀態的實測動態數據流就會發生變化,反映出不同的變化特征,從而說明此時電力隧道處于非正常狀態。

由于通常情況下電力隧道都為正常運行狀態,且狀態特性觀測數據近似正態排列,這樣大量的異常狀態數據就不容易被獲取,因此可運用Monte Carlo(蒙特卡羅)方法模擬電力隧道多狀態模式數據[9],其函數可以描述為:

S(t)=Y(t)×σ+O(t)+M,t=1,2,…,L

(1)

式中,處于時間點t的電力隧道多狀態特性實測數值用S(t)描述,設計目標數值用M描述,電力隧道運行過程中因偶然性因素而產生的隨機波動用Y(t)描述,因異常性因素產生的波動用O(t)描述,平穩時候的標準差用σ描述,電力隧道動態數據流的大小用L描述。

1.2 電力隧道多狀態特征混合

為了準確地提取電力隧道多狀態混合特征,可以對電力隧道動態數據流S(t)進行分解與重組,這一過程可通過一維離散小波分解來實現[10,11]。

一維離散小波分解可以把電力隧道動態數據流分化成低頻近似與高頻細節兩個部分,并運用高通與低通濾波器來完成分解,設定P0S=S,層級為j的小波分解可以描述成:

Pj-1S=QjS+PjS=

(2)

式中:趨勢變化斜率用a描述,Pj、Qj表示低高頻分解,它們的因數分別用cFj和cMj描述,j=1,2,…,G,a=0,1,…,L/2j-1。S(t)的大小用L描述,分解層的數量用G描述,小波函數ψ(t)的系數用ψja描述,尺度函數φ(t)的系數用φja描述。如果小波分解在G層完成,那么S(t)的“噪聲”則大部分會保留在cMj里,而低頻近似部分則會保留大量的有價值信息,cFj與cMj用公式描述為:

(3)

(4)

式中,高通濾波器用w(v)描述,低通濾波器用g(v)描述。根據式(3)可以獲取層級是G的低頻近似因數cFG,并將其作為電力隧道狀態的主要特征,然后通過cFG與每個層級的cMj,對電力隧道動態數據流S(t)實行一維離散小波重組,數據序列重組后描述為:

(5)

要想使各類狀態之間的細節信息區分得更加細致,并且使電力隧道狀態特征數據的維度降到最低,那么可以運用仿真實驗再次篩選出3類形狀特征,即BRANGE、REAE、ABDPE。在重組數據序列Sc(t)中對這3類特征進行提取,分別用BRANGEc、REAEc、ABDPEc描述。

(1)將Sc(t)平均劃分成固定的4段,可得出BRANGEc特征與REAEc特征,函數可以描述為:

BRANGEc=max(qur)-min(qur)

(6)

(7)

式中,u=1,2,3,r=2,3,4,u

(2)將Sc(t)劃分成不固定的2段,可得出ABDPEc特征,而分劃點的位置是當2段中數據序列最小二乘估計的合并均方誤差的值最小時所在的區域,其函數可以描述為:

(8)

式中,整體與分割后數據序列的最小二乘擬合直線的斜率分別用Al和A描述。

按順序對特征實行組合操作,也就是將已獲取的BRANGEc、REAEc、ABDPEc特征分別添加至每種電力隧道運行狀態模式提取出的低頻近似系數特征向量cFG的后面,從而獲取到電力隧道多狀態混合特征向量D,描述為:

D=[cFGRANGEcREAEcABDPEc]T

(9)

1.3 電力隧道多狀態混合特征的PSO-SVM識別方法

1.3.1 增強支持向量機

將電力隧道運行異常狀態的檢測轉化成非線性、小樣本、多種類的分類問題,可通過支持向量機(SVM)來解決。

(1)支持向量機

支持向量機利用分類平面來處理有關二分類的問題,而該平面則需要能使二種數據最小距離最大化[12,13]。

設定支持向量機的數據樣本用{xi,yi},i=1,2,…,n,xi∈Rn,yi∈{+1,-1}描述,輸入是xi,目標輸出是yi。支持向量機經過數據樣本學習,可以得到一個分類平面,這個平面可以將數據分為兩類,描述為:

f(x)=ωδ(x)+b

(10)

式中,權向量用ω描述,且ω∈Z,δ:Rn→Z,偏置向量用b描述,δ(x)表示數據樣本分布,另外,如果其中一類數據每個數據點都分布于超平面一邊,那么:

ωδ(xi)+b≥yi

(11)

設定二種數據間隔用d來描述,根據SVM幾何定義得出,d=2/‖o‖,‖o‖是歐幾里得范數,那么可將分類問題變成優化問題來處理:

(12)

如果出現線性不可分的情形,那么就可以引進松弛變量ζ來減少對超平面的要求,另外還需要添加懲罰參數C來懲罰由于錯誤分類產生的損失,由此可將式(16)調整為:

(13)

將拉格朗日乘子引入上面的優化問題并進行求解,獲取SVM最優超平面分類函數為:

(14)

核函數采用的是高斯核函數,描述為:

k(xi,x)=exp(-‖xi-x‖/2g2)

(15)

式中,g是核函數半徑參數。

電力隧道多狀態的多類問題,可以通過構建多個兩類支持向量機,運用一對多的方式來處理,另外對于H類分類問題,分類超平面的數量也應為H。

(2)訪問策略

對下一步要訪問的點進行選取,也就是選取訪問與H個超平面最近的點x′,描述為:

x′=argmin|fi(x′)|,i=1,2,…,h

(16)

(3)標記新點類別與更新分類器

運用現有的SVM分類器對x′進行分類,設定運行至第h類,獲取的分類結果為“對”“錯”兩種。若分類結果為“對”,那么h標記為x′的類別,同時在第h類里添加x′,對第h類支持向量機進行再次訓練,從而獲取新的第h個分類超平面。若分類結果為“錯”,那么可分為以下兩種情況:

情況1:當fh(x′)<0時,依據從小至大的順序對x′與H個超平面的間距進行設置,同時調整x′至與其相應的類別里,該類別應歸屬于與x′較近的超平面,直至正確,從而得到更新后的標記點,同時把該點添入正確類別E的訓練集內,進而更新超平面E。

情況2:當fh(x′)>0時,依據從小至大的順序對x′與其他H-1個超平面的間距進行設置,剩下步驟按情況1操作,最后得到更新的超平面E和h。

如果持續N次對待標記電力隧道多狀態樣本分類結果均是正確時,那么就可終止更新樣本集與分類器。此時N越大,則說明訪問的點越多,輸出結果的準確率就越高。

1.3.2 PSO參數求優

設置PSO中的粒子分別是SVM的懲罰參數C與核函數半徑參數g,其適應度選取的是SVM分類正確率[14,15],描述為:

W=識別正確數目/(識別正確數目+識別錯誤數目)

(17)

更新粒子的速度與位置,描述為:

(18)

1.3.3 電力隧道多狀態識別

基于PSO-SVM電力隧道多狀態識別模型,見圖1。

2 實驗分析

以某地區的電力隧道為實驗對象,該電力隧道全長約1.5 km,通過頂管施工技術,將直徑為2.7 m的水泥管道置于約20 m深的地下。

為了衡量本文方法提出的增強支持向量機的分類性能,與文獻[6]方法進行對比實驗,選取存儲于UCI數據庫中該電力隧道的部分數據進行了分類檢測。設定分類結果持續正確的點數量用N描述,訪問的點數量用J描述,樣本類別的數量用M描述,且M=3,分類結果正確的次數(實際實驗次數)用T描述,計劃實驗次數用Ω描述,且Ω=2M2J,利用本文方法得出的測試結果如表1所示。

圖1 基于PSO-SVM的電力隧道多狀態識別模型

表1 本文方法增強支持向量機的分類效果

由表1所知,利用本文方法訪問較少數量的點,即可達到較高的準確率,當訪問4個點時,準確率已達90%以上;訪問7個點時,準確率已接近100%。從實驗次數來看,當M=5,計劃實驗次數分別為36、90、144、234、378、450、558,而實際實驗次數則分別為7、16、27、39、51、63、78,實際實驗次數遠低于計劃實驗次數,而文獻[6]方法計劃實驗次數均高于本文方法,且準確率較低,由此可見,利用本文方法增強的支持向量機具有較好的分類效果。

表2 文獻[6]方法增強支持向量機的分類效果

為了驗證本文方法的性能,實驗設定種群數量為12,懲罰參數取值為[0,10],核函數取值為[0,10],最大迭代次數是120,與文獻[7]方法進行對比測試,得到的粒子群優化適應度走勢圖,見圖2。

圖2 粒子群優化適應度走勢圖

由圖2可知,本文方法明顯優于文獻[7]方法,隨著迭代代數的增加,適應度快速接近最佳適應度水平,迭代次數為30次時,適應度達到99%左右,當迭代次數為50次時,已完全達到最佳適應度標準并收斂。由此說明,通過PSO尋找最佳參數速度快、適應度高,進而驗證本文方法性能好。

為了驗證本文方法對于電力隧道多狀態全過程監控的有效性,實驗對該電力隧道中01-05號電纜的導體溫度進行了監控。正常情況下,電纜導體最高額定工作溫度為90℃,短時間過載溫度不能高于130℃,短路時最高溫度不能高于250℃時且持續時間不能超過5 s。利用本文方法得到的監測結果,如圖3所示。

圖3 電力隧道多狀態全過程監控結果

由圖3所知,截至當日20時,01-03號電纜的導體溫度均在60℃-70℃之間浮動,在允許的范圍之內,屬于正常狀態。04號電纜在0時至18時的導體溫度處于正常范圍,但是在20時,導體溫度則迅速上升至118.27℃,出現了向上階躍的態勢,另外對比昨日同期數據,昨日此時04號電纜的導體溫度也超過了正常工作溫度,達到115.39℃,屬于異常狀態,提示報警信息為1級。05號電纜在18時導體溫度已達90℃左右,之后快速階躍至127.35℃,接近短時間最高過載溫度,應立即給予處理,提示報警信息為2級。由此可見,利用本文方法對電力隧道內電纜導體溫度做到了實時監控,對出現的正常狀態、異常階躍狀態都能及時、準確地反映出來,并給出相應的預警信息,說明本文方法對電力隧道多狀態全過程的監控有效且準確。

為了進一步呈現本文方法的應用性,實驗對該電力隧道內濕度情況進行了實時監控,得到的結果如圖4所示。

圖4 電力隧道內濕度情況監控結果

由圖4可知,運用本文方法可以有效地對電力隧道內濕度情況進行監控,得出的監控結果為濕度呈上升趨勢,并提示存在低級風險,建議除濕處理,由此可見,本文方法具有較強的應用性。

3 結 論

為了及時掌握電力隧道運行狀態,保證電力的正常供應,提出了一種基于增強支持向量機的電力隧道多狀態全過程監控的方法。該方法利用粒子群優化算法對增強后的支持向量機進行優化,以達到較好的分類效果,進而實現電力隧道多狀態全過程監控方法。通過實驗證該方法能有效、準確地監控電力隧道多狀態的全過程,具有較好的應用性。