基于WOA-SVM的智能變電站二次系統故障參數映射模型

鄭 翔，杜奇偉，阮黎翔，王海園，周 坤，王義波

（1. 國網浙江省電力有限公司衢州供電公司，浙江 衢州 324100；2. 國網浙江省電力有限公司，杭州 310007；3. 國網浙江省電力有限公司電力科學研究院，杭州 310014；4. 武漢凱默電氣有限公司，武漢 430223）

0 引言

智能化將是未來電網的重要特點，智能變電站二次系統的正常運行關系到電網的安全穩定［1］。智能變電站通常指符合DL/T 860標準，設備具有較高智能性和互操作性的變電站。一方面，智能變電站從根本上解決了常規變電站中存在的諸多問題，包括由電纜老化、切換壓板等引起的故障等。另一方面，相對與傳統變電站，智能變電站模型數據繁多，設備狀態信息相比常規變電站總量更為龐大，包含了大量的軟壓板、虛回路、光纖回路、安全操作、保護運行狀態等運行信息。二次系統運行異常時，可以利用設備故障、告警等信息進行故障定位。但大量復雜冗余信息導致運維檢修人員難以快速準確地分析診斷設備的故障原因，并進行針對性的消缺。因此，亟須解決如何根據二次系統狀態信息進行快速準確的故障診斷［2-4］。

研究人員根據智能變電站的特點提出了一些對其進行狀態監測和故障定位的方法［5-6］。從馬爾科夫鏈的概念出發，文獻［7］評估了智能變電站二次系統的可靠性，所得結果可為二次系統的狀態檢修提供參考；文獻［8］則從鄰接矩陣的角度出發分析了智能變電站二次系統的結構，從而探究了二次系統組網方式和智能變電站整體可靠性之間的關系；文獻［9］針對智能變電站二次回路信息數字化，在人工經驗指導下安措容易出錯的問題，提出了一種自動生成方法。以上研究為智能變電站二次系統的狀態監測和故障診斷提供了一些思路和方法，如將神經網絡、貝葉斯理論、機器學習［10］、云計算等與智能變電站的故障診斷相結合。然而神經網絡［11-12］在存在噪聲時會受到很大影響，且存在計算量大、容易陷入局部最優和過擬合等問題。貝葉斯理論和機器學習能實現較好的分類效果，然而由于這種方法要求樣本的特征屬性具有較低的相關性，往往與實際不符，因此大大限制了其泛用性。引入云計算環境提供了一種提高數據處理效率的方法，但是對Hadoop平臺配置的硬件環境有一定要求［13］。

本文提出了一種智能變電站二次系統故障參數映射模型，根據變電站二次設備不同模塊故障時的故障特征信息建立故障定位知識推理庫，使用高維空間去噪方法計算數據離散度對信息進行篩選，定義信息編碼方法，對智能變電站設備狀態和故障類型進行編碼后，以智能變電站設備狀態為輸入，以智能變電站二次系統故障類型為輸出，采用WOA（鯨魚優化算法）優化SVM（支持向量機）模型，建立了智能變電站設備狀態與故障類型之間的映射關系。所提模型可以將所選特征參數的范圍映射到相應的故障類型，根據監測的二次設備狀態信息實現故障定位與診斷。

1 智能變電站故障參數映射

相對于傳統變電站，符合DL/T 860標準的智能變電站的一個重要特點是其模型的標準化和信息的網絡共享，智能變電站的結構為三層兩網，如圖1所示。

圖1 智能變電站的分層結構Fig.1 Hierarchical structure diagram of smart substation

過程層主要完成本間隔電氣量測量、設備狀態檢測和控制命令執行；間隔層采集本間隔過程層的實時數據，實現一次設備的保護與控制；站控層匯總全站的實時數據，將數據傳送遠方調度控制中心，同時接受遠方控制命令。

本文根據所獲取的設備狀態參數，建立相應的故障映射模型，將設備狀態參數和故障類型進行一一對應，達到快速定位智能變電站故障類別的目的。映射關系定義為：

式中：xi表示第i個設備狀態量參數；N為映射中輸入參數的個數；f為智能變電站狀態到故障類型的映射；yi為故障類型，可以根據故障對象進行劃分。

根據變電站二次設備不同故障下的特征信息建立故障定位知識推理庫，將故障對象定為MU（合并單元）、智能終端和保護裝置，二次系統狀態信息包括設備運行信息、采樣值和GOOSE 信息。故障類型編號及相應故障信息如表1所示。

表1 故障類型編號及部分定位推理知識庫Table 1 Fault type numbers and the knowledge base for fault localization reasoning

2 故障參數映射模型建立

2.1 改進的SVM算法

SVM是一種二分類算法，通過尋找最優超平面實現最優分類。離超平面最近的兩個點到超平面的距離之和最大的超平面即為最優超平面。在這個過程中，離超平面最近的兩個點起到了決定性作用，被稱為支持向量。在進行非線性分類時，往往將待分類對象映射到高維空間去，使得其線性可分類。自SVM提出以來，由于其泛化能力強等優點得到了十分廣泛的應用［14-16］，然而由于智能變電站中的故障類型識別不是二分類，而是多分類問題，且其效果與SVM算法自身的參數取值大小有較大關系。為了使SVM適用于本文情況并實現較好的效果，引入分類器并使用WOA 優化SVM參數。

每一個分類器可以完成一次二分類，引入t(t-1)/2 個分類器即可完成一次t分類。以完成一次第m類和第n類間的二分類為例：

式中：φ為從原始空間到N維特征空間的映射；分別為輸入和權重向量；C為正則化常數；ξmn i為松弛變量；bmn為超平面閾值。

核函數能夠將原始樣本映射到高維特征空間，根據樣本數據的特征，需要選擇不同的核函數?？紤]到樣本數據的非線性，此處使用徑向基函數：

式中：γ為核參數，且γ＞0。

由于γ和C對SVM 算法的分類效果有較大影響，為了確定較為合適的參數值，采用WOA進行參數尋優。

2.2 WOA

WOA得益于自然界中鯨魚的捕食行為，其具體步驟主要包括群體搜索、包圍獵物、追捕和攻擊。通過模擬鯨魚捕食行為的算法步驟，在每次迭代中對每條鯨魚位置、最優鯨魚位置和相應適應度函數值進行更新，每次迭代中鯨魚可能會向最優鯨魚位置收縮、螺旋游動或者遠離從而進行探索，最終的最佳位置即為WOA 得出的最優解。算法具有簡練易于實現、對目標函數要求低、全局搜索能力強、不容易陷入局部最優解等優點［17-18］。

群體搜索階段，每頭鯨魚的位置代表可能的一個解，每條鯨魚的位置如下式：

式中：zi表示鯨魚的第i個位置坐標；n表示坐標的維數。

模擬鯨魚相對最優鯨魚位置游動的數學方程為：

式中：t表示當前迭代次數；為計算中的過程量；為解的位置向量；是其中的最優解，其值隨著迭代過程中更優解的出現而更新。

模擬鯨魚沿著螺旋形路徑游動的數學表達式為：

式中：b為對數螺旋形常數；l為-1 到1 之間的隨機數。隨機數和對鯨魚多種捕食行為的模擬使得WOA具有較強的全局搜索能力。

2.3 數據預處理

數據預處理是故障參數映射模型建立的重要工作，主要包括對信息的篩選和編碼，以及對數據的降維。

2.3.1 信息篩選

信息篩選的目的主要是消除特殊條件下得到的數據及噪聲。一方面，極端數據所發生的環境與正常環境不同，用這些數據對模型進行訓練或檢驗并不合適，如受網絡風暴影響得到的數據；另一方面，噪聲具有與離散點等效的特征，當數據集中存在噪聲時，可能會使計算結果與實際值之間存在顯著差異，從而也會對SVM模型的效果產生影響。

針對極端數據，可以直接舍棄以消除影響。針對噪聲，則采用一種高維空間去噪的方法去除異常值［19］，具體做法如下。

定義樣本集中的樣本為o、xp、xq，用d(xp，xq)表示樣本xp和樣本xq之間的距離。

定義k-dist(xp)為符合下列要求的d(o，xp)的值：樣本集S中至少有k個樣本o′滿足d(xp，o′)≤d(xp，o)，且樣本集S中最多有(k-1)個樣本o′滿足d(xp，o′)＜d(xp，o)。

定義Nk(xp)為符合下列要求的樣本集：樣本xp與數據集S中任一樣本之間的距離小于k-dist(xp)的值，且Nk（xp）=｛xq∈S｛xp｝，d（xp，xq）≤kdist（xp）｝。

定義樣本xp的局部密度為其自身的k-dist(xp)平均數的倒數，即：

其中，xq∈Nk(xp)。

定義樣本xp的離群系數Fk(xp)為：

其中，xq∈Nk(xp)。Fk(xp)反映了最近k點的離散化程度。

為了達到降噪的目的，分別計算每個樣本xp的Fk(xp)值，以樣本xp的Fk(xp)值作為判斷樣本xp是否為噪聲的判據。如果Fk(xp)值高于閾值，則認為該樣本有極大可能是噪聲，并將其從數據集中移除。通過這種降噪方式處理之后的數據集可以使分類模型實現更好的效果［20］。

2.3.2 信息編碼

對經過篩選后的信息進行編碼，讓信息與數字編碼一一對應，使得計算機能夠處理并進行建模。

以智能變電站設備或裝置的狀態為輸入信號，0 表示正常狀態，1 表示非正常狀態。以對1 號智能終端裝置閉鎖狀態和2號合并單元裝置閉鎖狀態進行編碼為例，可以定義智能終端裝置閉鎖正常的編碼為0，合并單元同步異常的編碼為1，則1號智能終端裝置閉鎖正常，2號合并單元同步正?？梢跃幋a為（0，0）。同理可以對其他設備的狀態進行編碼，最后可以得到一個包含了各設備狀態的輸入向量。

對智能變電站可能發生的故障進行分類和編碼，根據故障裝置和故障類別進行較為詳細的編碼，為每一種故障類型定義一個編碼，使得編碼形式的模型輸出結果與故障類型相對應。編碼參考案例如圖2所示。

圖2 編碼參考案例Fig.2 The reference case for encoding

編碼后，輸入為一個代表智能變電站二次系統設備狀態的向量，向量中的每一位對應著每種特定設備的狀態；通過模型的映射關系可以得到對應的一種故障類型輸出，輸出的形式為一個數字。

通過信息編碼將變電站狀態信息轉化為數字形式的編碼，通過PCA（主成分分析法）進行降維，提高建模速度和準確性。

2.3.3 數據降維

由于所采集的信息涉及多個設備、多種狀態，包含了一些與故障信息無關的狀態量，如果不對數據進行預處理，將極大影響模型的速度和效果。因此，選擇PCA進行降維。

PCA 會構造一組低維度的新變量替換原始變量，為了在轉換過程中盡量降低信息的損失同時使維度盡可能低，要求新變量之間沒有相關性，且新變量可以通過線性組合還原原變量。

設新變量為β=(q1，q2，…，qr)T，原始變量為α=(p1，p2，…，ps)T，其中r＜s，且能夠找到系數使得如下關系式成立：

用矩陣表示為：

因此，根據系數矩陣A可以實現對原始變量的降維。

3 二次系統故障參數映射總體流程

采用本方法進行智能變電站二次系統故障參數映射總體流程如圖3所示。

圖3 二次系統故障參數映射總體流程Fig.3 Flowchart of fault parameter mapping of the secondary system

訓練集數據來源于智能變電站歷史運行數據，故障狀態由專家數據庫的診斷結果得到。測試集的數據則來源于實測數據及實際故障情況。

WOA優化的SVM的步驟如圖4所示，其中，適應度值為SVM對測試集的二次系統故障識別準確度。

圖4 WOA優化SVM的步驟Fig.4 Procedure of SVM optimization using WOA

模型用文字形式可以簡述為：

1）訓練模型：根據已有數據構建訓練集，根據訓練集建立二次系統故障參數映射模型，主要包括數據預處理、WOA 參數尋優和SVM 訓練。輸入訓練集對SVM 模型進行訓練，SVM 模型的兩個參數γ和C通過WOA 尋優確定。根據WOA參數尋優結果，本文中改進SVM 模型的γ參數和C參數分別為1.899 4和0.01。

2）檢驗模型：對實測智能變電站狀態數據進行預處理后構建測試集，根據故障參數映射模型輸出的結果和二次系統實際故障狀態的比較，檢驗模型的有效性和準確性。

4 模型檢驗結果及分析

為了驗證WOA 對改進SVM 模型進行參數優化后，對分類結果產生的影響，分別用10%、20%、30%、40%、50%、60%和70%的樣本訓練集對模型進行訓練，計算每次訓練后模型的分類準確率，并對比優化前后的模型分類效果，如圖5所示。從圖5可以看出，使用WOA對改進的SVM模型進行參數優化后，改善了模型的分類效果。

圖5 WOA對模型分類效果的影響Fig.5 Influence of WOA on model classification effect

使用本模型對某220 kV 智能變電站進行故障診斷。采用智能變電站設備狀態量作為輸入量，故障類別作為輸出量，經過數據預處理后形成訓練集。通過WOA進行參數尋優，經過訓練，適應度曲線如圖6所示。

圖6 故障參數映射模型適應度曲線Fig.6 Fitness curve of the fault parameter mapping model

為進一步證明本文所提方法的有效性，將本文方法與目前幾種常用的二次設備故障診斷方法進行對比，分別是BPNN（反向傳播神經網絡）、RNN（循環神經網絡）、PSO（粒子群優化算法）-SVM、SSA（麻雀搜索算法）-SVM 與AdaBoost（自適應增強學習算法）-SVM。其中，PSO、SSA、AdaBoost 的迭代次數均設為120 次，初始個體數目為40，懲罰系數和核函數參數的范圍為［0，500］；BPNN和RNN輸入層和輸出層的神經元個數分別為32和12，中間三個隱藏層的神經元個數分別為16、64、128，學習率取0.01，激活函數除了輸出層是Softmax，其余都是Relu；PSO算法中全局更新速度設置為1.2，粒子位置更新150 次，粒子速度限值取±15。不同算法的故障診斷結果如圖7—12所示。

圖7 PSO-SVM故障診斷結果Fig.7 PSO-SVM fault diagnosis results

圖8 SSA-SVM故障診斷結果Fig.8 SSA-SVM fault diagnosis results

圖9 AdaBoost-SVM故障診斷結果Fig.9 AdaBoost-SVM fault diagnosis results

圖10 BPNN故障診斷結果Fig.10 BPNN fault diagnosis results

圖11 RNN故障診斷結果Fig.11 RNN fault diagnosis results

圖12 故障參數映射模型故障診斷結果Fig.12 Fault diagnosis results of fault parameter mapping model

五種算法的故障診斷精度結果如表2所示，本文提出的基于WOA-SVM的故障參數映射模型準確率最高，達到93.85%，而BPNN深度學習模型的準確率最低，僅有80.78%。由此可知，相比于傳統的RNN、BPNN、PSO-SVM、SSA-SVM與AdaBoost-SVM，本文所提方法最大可提升分類準確率13.07個百分點，可見基于定位知識推理庫融入故障參數映射可有效提高故障診斷定位的精度。

表2 故障診斷精度對比Table 2 Comparison of fault diagnosis accuracies

5 結論

本文提出了一種故障參數映射方法，能夠將模型的輸入映射到對應的故障類別，從而完成二次系統的故障檢測，結論如下：

1）根據變電站二次設備不同類型故障的特征信息建立故障定位知識推理庫，使用高維空間去噪方法計算數據離散度對信息進行篩選，定義信息編碼方法，實現了對設備狀態及故障類型的數字表達，形成了有效的數據集。

2）用WOA 對SVM 模型參數進行尋優，與傳統的RNN、BPNN、PSO-SVM、SSA-SVM 與AdaBoost-SVM 方法相比，故障診斷準確率最高可提高13.07個百分點。

本文提出的方法還有進一步優化空間，比如采用其他啟發式算法對參數進行尋優、模型選擇的理論依據等，可在今后做進一步的研究。