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。……