一种基于能量特征向量和粒子群优化支持向量机的变压器励磁涌流识别新方法论文_曾静,周汝翰

（广西大学电气学院 530000）

摘要：提出了一种基于小波能量特征向量和粒子群优化支持向量机的变压器励磁涌流识别新方法。首先，通过计算电流波形分解后的各子频段能量构建了励磁涌流识别的能量特征向量。然后，基于支持向量机构建了电流分类模型，并采用收敛速度较快的粒子群算法对分类模型进行了参数优化。为了验证本文方法的有效性，采用simulink工具对励磁涌流和其中内部故障电流进行了波形仿真，作为算例的数据集。试验结果表明，本文方法能够准确识别出励磁涌流和内部故障电流。

关键词：励磁涌流识别；内部故障电流；变压器；支持向量机

引言

电力变压器的可靠性取决于适当的设计、保养、安装、适当的维护和某些保护设备的提供。一个好的设计包括绕组、层压板、芯螺栓等的足够绝缘，以及导体对短路应力的支撑。重要的是，故障发生后尽快隔离故障变压器，不仅要限制对变压器的损坏，而且要尽量缩短系统电压下降的时间。因此，变压器保护的运行必须可靠、灵敏、准确和快速。故障统计表明，电力系统故障约占电力系统故障的12%。现代电力系统的发展已经反映在变压器设计的进步中[1,2]。

差动保护实际上被认为是电力变压器的主要保护。内部故障和变压器励磁涌流的识别必须快速、准确地进行决策。近年来，为了正确识别，分析了许多跳闸抑制技术。浪涌电流包含所有谐波阶数，但在实践中，仅使用二次谐波。谐波抑制方法在励磁涌流中含有高次谐波电流的假设下工作[3,4]。内部变压器故障的电流通常具有非常低的二次谐波电流水平。此外，还发现，在某些情况下，变压器内部故障时产生的二阶谐波相对较大，并且一些冲击事件最初在差动电流中产生低水平的二阶谐波，这削弱了这类判据的能力[5,6]。因此，基于二次谐波抑制的常规差动保护技术难以区分内部故障电流和涌流。

本文首先对小波分析的原理进行了介绍，阐述了能量特征向量的计算过程；然后，构建了基于支持向量机的电流分类模型对变压器励磁涌流进行识别。最后，基于matlab 的simulink工具对励磁涌流和两种内部故障电流进行了仿真，然后，应用本文励磁涌流识别模型对不通故障电流波形的能量特征向量进行训练和测试，最终验证本文方法的可靠性。

1 基于小波包分析构建能量特征向量

在小波变换中，任何平稳或非平稳信号都可以在时频域中表示，同时保留所有的时频相关信息。在小波包变换中，使用低通和高通滤波器将原始信号分解为近似（低频）和细节（高频）分量。通过不同的分解级别进一步分解近似值和细节，从而获得小波包变换树，其中节点“0”、“1”、“2”和“3”表示频带。

通过计算各子频带的能量，可以构造被测电流的特征向量:

（1）

构造的能量特征向量将被用作励磁涌流识别的特征量

2 构建基于PSO-SVM的分类模型

2.1 SVM分类模型

持向量机（SVM）是个分类器，标准SVM主要解决线性问题，但是变压器故障属于非线性问题，因此需要将标准SVM进行非线性变换。SVM非线性分类模型可用如下优化形式表示：

式中：非负变量ξi以折衷考虑最少错分样本和最大分类间隔，C为惩罚因子。 为非线性映射。

将样本集从输入空间映射到高维的特征空间。构建拉格朗日函数和决策函数分别为式(4)和式(5)所示。

其中，核函数K(xi,xj)用来实现SVM的非线性变换，它必须是满足Mercer定理的正定函数。

2.2 粒子群优化支持向量机

Kennedy和Eberhart在1995中提出了模拟社会性动物（如鸟类成群或鱼群教育）群体行为的典型粒子群优化算法。PSO算法简单，搜索能力强，在工程设计优化中受到广泛关注。不同于通过交叉和变异操作产生后代的遗传算法和差分进化，PSO作为引导者保持了许多好的解以引导群体向最优方向发展。为了提高标准PSO算法的性能，人们提出了各种PSO算法，例如，具有收缩因子的PSO算法是标准PSO的次要变型，它已显示出良好的收敛性能。

由于参数的选区对PSO的性能有较大的影响，因此本文选用了粒子群算法对SVM的参数进行优化。

3 算例验证

图1 算例验证的整体框架图

上图是算例验证的整体框架图，主要分为“波形仿真”、“能量特征向量构建”和“PSO-SVM分类模型构建”三个过程。

设置电源电压35k V，频率 50Hz， A相初相角为0°。变压器内原副两侧的绕组电压分别为35k V、35k V，额定容量为50MVA，频率为50Hz，绕组的接线方式为 Ygd11，选择饱和铁芯，仿真算法采用Ode23t。

4 结果

本文将仿真获得的电流波形（包括励磁涌流样本与内部故障电流样本）分为训练集和测试集两部分。训练集用作SVM训练建立特征向量与电流类型之间的映射关系。测试样本用作验证算法的准确率。结果如图2所示。

图2 励磁涌流及内部故障分类结果

从上图可知，“励磁涌流”的测试样本个数是23个，其中有2组分类错误，准确率为91.3%。7种内部故障类型的测试样本个数为67，有17组样本分类错误，准确率为75%。从如上结果不难发现，虽然7种内部故障电流之间的准确率偏低，但是对于励磁涌流的分类精确较为准确。因此，验证本文方法的正确性和准确性，可以考虑将本文方法应用到实际工程中来提高励磁涌流识别的效率和准确性。

参考文献

[1]林湘宁，刘沛，程时杰．基于小波包变换的变压器励磁涌流识别新方法［J］.中国电机工程学报， 1999，8( 19) : 15-19．

[2]张晓，张建文，潘磊落．基于小波变换的变压器励磁涌流和故障电流识别研究［J］．电测与仪表， 2012，10( 49) : 73-77．

[3]李永丽， 贺家李． 电力变压器新型微机保护原理的研究［J］．电力系统自动化，1995，7( 19) : 15-19.

论文作者:曾静,周汝翰

论文发表刊物:《电力设备》2018年第22期

论文发表时间:2018/12/12

标签：向量论文;  电流论文;  变压器论文;  故障论文;  励磁论文;  谐波论文;  算法论文;  《电力设备》2018年第22期论文;