針對高壓隔離開關(guān)故障診斷時特征庫中故障類別不完備的問題，提出了基于多重支持向量域描述（Multi-SVDD）的故障診斷方法。
首先通過主成分分析將正常和已知故障樣本特征量按貢獻度進行排序作為新的特征向量，并以特征量貢獻度構(gòu)造加權(quán)高斯核函數(shù)，提高對類間特征差異的辨識能力。然后利用粒子群算法對核參數(shù)進行優(yōu)化，提高模型的推廣能力和對樣本類別識別的正確率。其次對正常和已知故障樣本集進行訓(xùn)練，建立描述隔離開關(guān)不同工作狀態(tài)的超球體作為預(yù)測模型。最后利用Multi-SVDD對樣本空間進行劃分并計算待測樣本點至各超球體中心的距離，確定樣本所屬的種類。
試驗結(jié)果表明，該方法可以有效處理高壓隔離開關(guān)故障診斷中故障類別不完備的問題，在診斷出已知故障的同時可對未知故障給出判斷。
高壓隔離開關(guān)故障診斷是根據(jù)故障特征庫判斷當(dāng)前狀態(tài)是否正常的過程。因此，前期對故障樣本采集非常重要。支持向量機、神經(jīng)網(wǎng)絡(luò)等識別方法通過對故障特征進行訓(xùn)練，可診斷出故障的種類與位置。但上述診斷方法主要基于完備的故障樣本數(shù)據(jù)實現(xiàn)對設(shè)備已知故障類型進行診斷[1]。
在對高壓隔離開關(guān)進行狀態(tài)監(jiān)測與故障診斷時，相對于大量正常狀態(tài)的樣本，故障狀態(tài)的樣本往往很少，而且表現(xiàn)出不同的故障模式[2]。這些情況導(dǎo)致建立的故障特征庫是不完備的，基于支持向量機等算法訓(xùn)練出的超平面對空間進行劃分時，與實際情況發(fā)生偏移，造成對未知故障出現(xiàn)誤診或漏診等錯誤。
實際上，在工程應(yīng)用中能及時發(fā)現(xiàn)異常遠比識別故障類型更重要。因此，研究如何利用不完備的故障樣本建立可識別出未知異常和已知故障種類的診斷模型更具實用價值。
本文在252 kV隔離開關(guān)上開展了故障模擬與數(shù)據(jù)采集試驗，利用振動傳感器采集隔離開關(guān)5處位置的信號。模擬并采集了正常與低壓85%UN、高壓110%UN、主刀聯(lián)動拐臂松動、極間連桿松動、相間連桿松動、底座松動、閉鎖松動7種故障的合閘振動數(shù)據(jù)（訓(xùn)練30組，測試10組），另外采集10組訓(xùn)練數(shù)據(jù)缺失的未知異常數(shù)據(jù)[3]。
文獻[4]通過支持向量域描述（Support Vector Data Description, SVDD）算法生成一個閉合的超球體作為正常樣本的決策邊界，實現(xiàn)了設(shè)備異常檢測。SVDD是在SVM基礎(chǔ)上發(fā)展起來的單值分類方法，隨著隔離開關(guān)故障樣本的積累，該模型并不具備對多類故障進行分類的能力。
因此，需對其進行改進，建立基于多重支持向量域描述（Multi Support Vector Data Description, Multi-SVDD）的預(yù)測模型，對特征空間進行有效劃分，以實現(xiàn)對已知故障種類和未知異常進行診斷。
文獻[5]研究表明SVDD的分類性能與所選核函數(shù)類型關(guān)系緊密，高斯核函數(shù)（Radial Basis Function, RBF）對距離較近的數(shù)據(jù)點非常敏感，容易產(chǎn)生過學(xué)習(xí)，外推能力不佳。文獻[6]通過構(gòu)造密度加權(quán)高斯核函數(shù)改進分類器的性能，其主要考慮樣本局部分布，忽略了特征差異，當(dāng)出現(xiàn)少量高密度樣本時會使全局樣本特征差異辨識能力降低。因此充分利用類間特征差異構(gòu)造核函數(shù)，可提高分類器的性能[7]。
本文針對高壓隔離開關(guān)故障樣本類別不完備的問題，提出了基于Multi-SVDD的多類故障診斷方法，診斷模型整體框圖如圖1所示。
首先，利用主成分分析（Principal Component Analysis, PCA）算法對特征量進行主元提取并計算貢獻度作為加權(quán)高斯核函數(shù)中多項式系數(shù)，并為貢獻度較大的特征維度分配較大的權(quán)重。然后，通過建立多個SVDD對樣本空間進行劃分。最后，結(jié)合空間相對距離指標(biāo)，對已知故障種類和未知異常進行診斷，試驗結(jié)果表明該方法可有效提高分類器的適應(yīng)性。
圖1 診斷模型整體框圖
結(jié)論
針對隔離開關(guān)故障復(fù)雜、故障樣本庫不完備引起故障診斷系統(tǒng)性能不佳的問題，本文提出了基于Multi-SVDD模型的多類故障診斷方法，得到以下結(jié)論：
1）通過粒子群算法對核參數(shù)進行優(yōu)化，分析了核參數(shù)對SVDD邊界的影響，為故障分類器的建立及其性能優(yōu)化提供了依據(jù)。
2）對與RBF分別作為分類器核函數(shù)時的診斷正確率進行對比，結(jié)果表明，特征量貢獻度加權(quán)核函數(shù)可有效提高SVDD模型的推廣能力，能夠有效降低漏檢率和虛報率。
3）該方法診斷出高壓隔離開關(guān)已知故障種類的同時可及早分辨出未知異常。對于只有正常樣本時，也可完成異常評估模型的建立，增強了分類器在故障類別庫不完備時進行診斷的適應(yīng)性。
手機掃描二維碼
