摘要：电容型设备的绝缘故障不仅影响整个变电站的安全运行，还危及其它设备及人身安全，因此对电容型设备进行准确的故障诊断具有重要意义。本文基于支持向量机具有较好的处理小样本问题的优点，综合各种检测数据，通过支持向量机分类器对其进行分类，建立了基于支持向量机的电容型设备的故障诊断模型。故障实例的诊断结果验证了文中方法的正确性和有效性。
关键词：电容型设备；支持向量机；故障诊断
0前言
电容型设备大量存在于电力系中，主要包括电流互感器，套管，电容式电压互感器等，它们的绝缘故障关系到整个电网的安全运行，同时还危及其它设备及人身安全，因此对电容型设备进行准确的故障诊断具有重要的意义。
目前，针对电气设备进行故障诊断的方法较多，但专门针对电容型设备进行故障诊断的研究较少。而且，主要是根据介质损耗角正切值或者采用油中气体分析(dissolvedgasanalysis，DGA)方法单独进行故障诊断。这两种方法特征量量偏少，很难对故障进行精确分类。本文基于支持向量机理论，综合电容型设备的各种检测数据，提出电容型设备故障诊断的支持向量机模型，将支持向量机方法引入电容型设备的故障诊断中，为电容型设备的准确诊断提供新的思路。
1支持向量机简介
支持向量机最初是针对二值分类问题提出的,在解决故障诊断等多类分类问题时,通常需要组合多个二值SVM分类器来构造多类SVM分类器。典型的构造多类SVM分类器的方法主要有1对
算法、1对1算法、二叉树法、纠错输出编码法和DAGSVM法。文献研究表明,对于小样本空间基于1对
算法的多类SVM分类器具有较好的实际应用性能。它是构造一系列两类分类机，其中的每一个分类机都把其中的一类同余下的各类分划开。然后据此推断某个输入
的归属。“1对
”方法是对于
类问题构造
支持向量机子分类器。
2基于SVM的故障诊断模型
建立贝基于支持向量机故障诊断模型首先要确定其故障特征和故障类别。本文对收集到的80多台有明确结论的电容型设备故障数据进行分析，并参考有关文献对故障实例与决策表的划分经验，整理出了电容型设备故障特征征兆集、故障类集，分别如表1~2所示
表1故障特征征兆集
表2故障类集
2.1数据预处理
考虑到实际问题中，电气设备各种电气实验的测量数值，其定量标准差异很大。因此，可行的转换方法是根据一定的规则，对不同属性值设定阈值从而分段，每一段作为定性数据，且由于油色谱实验数据和电气实验数据量度和定量标准都不一样，需要对其进行处理，形成统一的标准。
本文在参考DL/T722-2000《导则》、专家经验以及大量的参考文献的基础上，设置的属性变量的处理标准为：X1=0，X1=1，X1=2,分别表示诊断正常、放电故障和热性故障；X2=0，X2=1，X2=2,分别表示电压由10kV升到
，tgδ增量变化不大、tgδ增量有超过±0.3%的趋势和tgδ增量超过±0.3%；X3、X4、X5的值为0、1或2时，分别表示属性值与趋势值都不超标、属性值或趋势值超标和属性值与趋势值都超标。
2.2建立模型
本文以SVM二类分类方法为基础，以1对n分类方法对5类故障构造4个二值分类器。具体方法是：在构造4个分类器中的第k个分类器时，将第k类训练样本作为一类，类别号为-l，其余k-1类作为一类，类别号为+1，其分类原理如图2所示
图2诊断流程
具体过程为：测试样本输入给分类器SVM1，若判别函数f(x)输出为-l，则故障为C1；否则自动输入给下一个分类器SVM2，若判别函数输出为-l，则状态类别为C2；否则自动输入给下一个分类器SVM3，若判别函数输出为-l，则故障为C3，否则自动输入给下一个分类器SVM4，若判别函数输出为-l，则故障为C4,若判别函数输出为+l，则故障为C5。对收集到的有明确结论的电容型设备的绝缘故障数据按要求预处理，按2:1形成训练和测试样本。本文核心算法采用了台湾林智仁(cjlin)老师Libsvm软件包中的支持向量机算法代码，在综合编程环境MicsoftVisuslStudio.net2005下用C#语言实现编程。确定好各个支持向量机的训练样本和测试样本后，分别对4个支持向量机进行训练，生成模板文件，然后通过测试样本集进行测试，确定其准确率是否满足要求。在支持向量机分类过程中，核函数的选取对分类模型的精度有很大影响，不同的核函数可以构造实现输入空间中不同类型的非线性决策面的学习机器，本文采用具有良好性能的径向基（RBF）核函数：
，在对多个支持向量分类器并行训练过程中，采用网格优化的方法确定参数，并在此基础上进行多次测试，记录准确率最高时的的参数作为最优参数,各个支持向量的准确率和参数如表3所示。
3故障诊断实例与分析
把要测试的单条数据预处理要求后按图2的流程依次输入到训练好的支持向量机分类器中即可诊断出故障类型。
实例1：对型号为LCWB-110的电流互感器进行油色谱分析及电气试验分析，其中色谱分析结果为正常，前三次预防性试验主介质损
耗试验结果如表4～5所示。
表3各分类器训练结果
表4 10kv电压下的主介损值
表5 tanδ-U试验结果
另外测得末屏绝缘电阻:27000MΩ（其值不应小于1000MΩ），末屏介损:0.75%（其值不应该大于2.0%），主电容:测量值与出厂值差别为2.2%,在5%范围内，电压逐渐升至80kV时，放电声增大测得的放电量为4μC。按要求预处理后为：X1:0，X2:2，X3:0，X4:0，X5:1。按图3的模型将此条数据依次输入到训练好的分类器中进行诊断，最后的判断结果为C2。现场检查为绝缘屏底部有受潮现象，即诊断正确。
实例2：故障情况下，对220KV变压器套管进行色谱分析结果为：低能放电，主介质损耗试验结果如表6所示。
表6 tanδ-U试验结果
另外测得主绝缘的绝缘电阻值为26000MΩ，主电容：测量值与出厂值差别在5%范围内，试验电压下局部放电值为18pC。按要求预处理后为：X1:1，X2:2，X3:0，X4:0，X5:1。按图3的模型将此条数据依次输入到训练好的分类器中进行诊断，最后的判断结果为C5。经现场经查,该套管绝缘层间存在皱褶，且有放电痕迹，存在局放现象，即诊断正确。
4结论
1）本文基于支持向量机理论，通过分析电容型设备故障的特征，将支持向量机引入到电容型设备的绝缘故障诊断中，提出了电容型设备故障的支持向量机诊断模型。
2）通过实例分析表明，本文建立的支持向量机诊断模型在样本有限的情况下可以准确判断故障类型。该方法简单可行，具有实用性，也为电容型设备故障诊断提供了一种新的思路。
参考文献：
[1]GB7252–87，变压器油中溶解气体分析和判断导则.
[2]王楠，陈志业，律方成.电容型设备绝缘在线监测与诊断技术综述.2003.
[3]Allan D，Blundell M，Boyd K，et a1.New techniques formonitoring the insulation quality of in-service HV appar-aus[J].IEEE Trans on Electrical Insulation，1992，27(3)：578-581.
[4]张会平，谈克雄，董凤宇.电容型设备在线监测数据的分析方法,2002.
[5][Tapan K, Saha, Prithwiraj Purkait.Investigation of an expert system for the condition assessment of transformer insulation based on dielectric response measurements.IEEE Transaction Power Delivery. 2004, 19(3) : 1127～1134.
论文作者:乔靖博,李静,刘越
论文发表刊物:《电力设备》2019年第12期
论文发表时间:2019/10/28
标签：向量论文; 电容论文; 故障论文; 设备论文; 故障诊断论文; 方法论文; 样本论文; 《电力设备》2019年第12期论文;