李迎龙 胡森

摘 要：氧化锌避雷器在电力系统中有着非常重要的地位，对氧化锌避雷器进行故障诊断对电力系统的安全稳定运行有重要意义。由于氧化锌避雷器的故障样本比较少，属于小样本数据，而支持向量机对处理小样本数据的分类问题效果较好，因此文章利用蚁群算法对支持向量机的核函数参数g和惩罚因子C优化寻优，得到最佳的诊断模型。将该模型与BP神经网络的故障诊断模型进行对比，通过MATLAB仿真并结合具体数据实例分析得出，文章的蚁群优化支持向量机的氧化锌故障诊断方法具有更佳的诊断效果。

关键词：氧化锌避雷器；故障诊断；支持向量机；蚁群优化

中图分类号：TM862 文献标志码：A 文章编号：2095-2945（2018）33-0017-04

Abstract： The zinc oxide arrester plays a very important role in power system. Fault diagnosis of the zinc oxide arrester is very important for the safe and stable operation of power system. Since there are few fault samples of the zinc oxide arrester， with small sample data， while support vector machine （SVM） has a better effect in dealing with the classification problem of small sample data. In this paper， ant colony optimization （ACO） algorithm is used to optimize the kernel parameter g and penalty factor C of a support vector machine， and the optimal diagnosis model is obtained. Compared with the fault diagnosis model of BP neural network， and through MATLAB simulation and analysis of specific data and examples， the fault diagnosis method of zinc oxide arrester based on ant colony optimization support vector machine has a better diagnosis effect.

Keywords： zinc oxide arrester； fault diagnosis； support vector machine （SVM）； ant colony optimization （ACO）

引言

氧化鋅避雷器是我国电力系统中过电压保护的关键电力设备[1]，定期的对氧化锌避雷器进行检测诊断，找出潜在的故障，可以减少电力事故带来的损失[2]。目前，常用的氧化锌避雷器检测诊断方法有全电流法、基波法、补偿法、直流泄露试验法、红外探测法等[3-6]，但这些方法并没有考虑氧化锌避雷器的环境因素，天气的温度、湿度都会对检测结果产生影响，不能准确的反映故障诊断的结果。随着计算机技术以及人工智能的发展，遗传算法[7]、粒子群算法[8]、人工神经网络[9]、支持向量机等先进的智能算法被应用于氧化锌避雷器的故障诊断研究。本文采用蚁群算法优化支持向量机建立氧化锌避雷器故障诊断模型，提高氧化锌避雷器的故障诊断能力。

1 支持向量机理论

支持向量机（SVM）是一种新型机器学习方法，常用于数据分析和模式识别。SVM能在小样本数据模型的复杂性和学习能力之间找到一个最佳折中，使泛化能力最佳。SVM目前已广泛用于数据分析、模式识别、非线性回归等领域。

SVM在分类问题上的基本原理是通过构造一个分类的超平面来实现对样本的划分，使距离超平面的两类样本最短距离的间隔最大化。以二维分类问题为例，图1中圆形代表负类样本，方形代表正类样本。两类样本可以被分类面？棕·x+b=0正确无误的分开。对于线性不可分的情况，通过引入非负松弛因子来降低机器学习的风险。SVM对数据进行优化的具体目标函数表达式为

（1）

约束条件为

式中：ω为超平面法线，用来确定超平面方向；2/‖ω‖为两样本之间的最大间隔；ξ为非负松弛因子，表示划分样本时对误差大小的允许程度；b为超平面的常数项；C为惩罚参数，根据对精确度的要求来确定对数据分类误差的容忍程度。

线性核、多项式核、径向基核（RBF）和Sigmoid核是SVM常用的核函数，不同的核函数得到的SVM的形式也不相同，本文选用适用性最广的高斯径向基核函数。径向基核函数为：

K（x，y）=exp（-||x-y||2/2？滓2）（3）

SVM分类器的决策函数：

2 蚁群算法

蚁群算法（Ant Colony Optimization，ACO）从模拟自然界蚂蚁的觅食行为受到启发提出来的。蚂蚁在寻到食物时会释放信息素来实现信息的传递，信息素浓度越大，距离就越短。其他蚂蚁会感应到信息素并选择距离较短的路径，最后，越来越多的蚂蚁集中到信息素浓度最高的路径上来，这条路径为最佳路径。

每条蚂蚁走过的路径都是待优化问题的一个解，蚂蚁走过的所有路径就是解空间。优化的过程，就是寻找最短路径的过程，即蚂蚁释放的信息素浓度最高的路径，这是一个正反馈的过程。蚁群算法优化推进的过程就是信息素的更新以及蚂蚁对路径的筛选过程。

蚁群算法的一般步骤为：（1）设置初始参数。迭代的总次数itertorNum，每次迭代蚂蚁的数目antNum，信息素矩阵pheromoneMatrix，信息素衰减的比例p，信息素增加的比例q。（2）解空间的构建。将蚂蚁随机的分配到各个节点，对每个蚂蚁计算信息素浓度最高的节点，该节点为蚂蚁访问的路径，直到所有蚂蚁访问的所有路径。（3）信息素浓度的更新。将所有的信息素浓度降低p%，记录当前迭代次数种的最优解（最短路径），并将该条路径的信息素浓度提高q%。（4）程序终止判定。若没有达到迭代的最大次数，则迭代次数加一，所有蚂蚁经过的路径全部清空，执行步骤二。否则，计算结束，输出全局最优解。

3 氧化锌避雷器故障诊断

3.1 诊断模型输入量与输出量的确定

对于氧化锌避雷器故障诊断模型的建立，得首先明确诊断模型的输入与输出。实际环境中，空气质量、温度、湿度、降雨大小、系统电压都会对氧化锌避雷器测得的泄漏电流产生影响，因此，判断一个氧化锌避雷器是否故障时应考虑多种环境因素。本文选取了温度、相对湿度、降雨大小、系统电压、阻性泄露电流五种因素建立五维的输入样本，氧化锌避雷器的状态作为输出样本。为了便于诊断模型的构建，将降雨大小用具体数值表示（0表示无雨、0.5表示小雨、1表示大雨）。依据文献[10]的标准（泄露电流大于50μA为故障），本文把氧化锌避雷器的状态划分为两个类别，类别0为故障状态，类别1为正常状态。

3.2 诊断模型的诊断步骤

氧化锌避雷器故障诊断步骤为：（1）把样本划分为两部分，第一部分用来对SVM进行模型学习，为训练样本，第二部分用来对模型进行测试，为测试样本。（2）利用蚁群算法对SVM的惩罚因子C以及高斯核函数参数g进行优化。（3）寻找最佳的惩罚因子C和核函数参数g，将参数设定进诊断模型。（4）用得到的故障诊断模型对测试样本进行预测。

3.3 蚁群优化参数的流程

惩罚因子C和核函数参数g的选择对SVM的故障诊斷十分重要。为了获得最佳的诊断模型，本文利用将蚁群算法来对SVM的两个重要参数C和g进行寻优。寻优的步骤为：（1）蚂蚁的数目设为antNum，初始时，每只蚂蚁随机得到一组惩罚因子C和核函数参数g。（2）初始时间t=0，循环次数N=0，最大次数itertorNum，开始集LPi中的外激素为？子[LPi（j），t]。（3）变量i=1；t时间第k只蚂蚁向下一个节点j行走的概率为Pk[LPi（j），t]=子？琢[LPi（j），t]？浊？茁[LPi（j），t]/（Pk[LPi（j），t]？子？琢[LPi（j），t]？浊？茁[LPi（j），t]），保存到数组Ak中。（4）变量i=i+1，i<3时执行第三步；否则执行第五步。（5）数组Ak保存蚂蚁k的所有的路径，即获得Ck和gk。执行交叉验证的误差率作为适应度，保存最优参数。（6）令t=t+2，N=N+1，？子[LPi（j），t+2]=？籽[LPi（j），t]+？驻？子[LPi（j）]。Ak所有元素清零。（7）当N

流程图如图2所示。

4 实例分析

建立训练样本数据和测试样本数据，以氧化锌避雷器的状态为类别标签，故障为0，正常为1。其中，测试样本数据如表1。

用蚁群算法优化支持向量机参数，得到优化后的惩罚因子C和核函数参数g，带入故障诊断模型，并对15组测试样本进行预测，预测图如图3所示。同时，引入BP神经网络故障诊断方法，来检验ACO-SVM诊断模型的效率，BP神经网络的隐含层设置为9，诊断结果如图4所示。

通过诊断结果可以看出，ACO-SVM样本预测的正确率为100%，BP神经网络样本预测的正确率为86.67%。相对于BP神经网络故障诊断方法，蚁群优化支持向量机对氧化锌避雷器进行故障诊断时，具有更高的准确率。

5 结束语

通过智能电网中氧化锌避雷器的在线监测数据，结合环境温度、湿度、降雨量、系统电压、阻性电流五种因素对氧化锡避雷器的影响，利用支持向量机对小样本数据良好的分类能力，建立了氧化锌避雷器故障诊断模型。并结合蚁群算法良好的正反馈机制，不容易陷入局部最优的特点，寻出诊断模型的最佳参数。Matlab仿真结果表明，对比BP神经网络诊断方法，蚁群优化支持向量机方法具有更好的诊断效果。

参考文献：

[1]唐忠达.避雷器在电力系统应用中的问题及应对措施[J].山东工业技术，2018（1）：155+154.

[2]李洁，祁少泽.避雷器在线监测技术概述[J].科技创新与应用，2017（05）：181.

[3]杨海龙，刘航，魏钢，等.基于红外测温技术的金属氧化锌避雷器故障诊断[J].电工技术，2017（10）：94-95.

[4]李莉.金属氧化物避雷器带电检测应用与分析[J].电子世界，2015（14）：29+43.

[5]刘向东.氧化锌避雷器泄露电流的检测方法研究[J].科技经济导刊，2016（2）：72.

[6]林坚，陈长杰，孙锦，等.金属氧化物避雷器带电检测及其故障诊断与分析[J].电磁避雷器，2015（01）：144-147+154.

[7]杨仲江，曹洪亮，李鹏飞，等.基于遗传算法的金属氧化物避雷器在线监测[J].高电压技术，2015（09）：3104-3109.

[8]姜志鹏，文习山，蓝磊，等.粒子群算法应用于避雷器均压环配置优化[J].高压电器，2014（1）：102-106.

[9]张佩，王灵梅，赵兴勇.基于BP神经网络氧化锌避雷器的故障诊断研究[J].山西电力，2013（4）：22-25.

[10]中华人民共和国电力工业部.DL/T596-1996电力设备预防性试验规程[S].北京：中国电力出版社，1997.