一种励磁涌流的机器学习识别方法

1.本发明属于电力技术领域，涉及一种励磁涌流的机器学习识别方法。


背景技术：

2.差动保护作为变压器的主保护在识别励磁涌流和内部故障时经常出现拒动和误动的现象，差动保护正确率远远低于线路保护。为了提高变压器运行的可靠性，就要区分故障电流和励磁涌流，因此就要探索识别励磁涌流的方法。现阶段，识别励磁涌流的方法主要有二类，一类是从电流角度，无论是对差动电流进行谐波分析的二次谐波分析方法，或是利用励磁涌流时波形特征出发的波形对称识别方法和间断角原理识别方法，都有一定局限性。有文献表明，通过判断电流中二次谐波含量的高低辨识励磁涌流和故障电流，但长距离输电线路中存在的电容效应和谐振的存在以及变压器铁芯材料的改进使得二次谐波判据的判别准确率不高；还有文献提出了利用励磁涌流和内部故障电流间断角的不同来分类，但这种方法测量精确度要求高且要求模数转换芯片的性能好，ct饱和使励磁涌流的间断角减小或使内部故障时间断角增大，会不同程度导致保护误动作；再者，有文献提出利用波形对称原理来判别励磁涌流和故障电流，但波形对称原理实际上也利用谐波，若励磁涌流中含有较少谐波，也导致保护误动。第二类是从电压角度，从励磁涌流产生机理层次进行理论研究，比如常见的磁通特性分析法、等效瞬时电感法以及动态阻抗法等方法，还有文献指出以上方法即使不用直接获取励磁涌流波形，但需要获取电压量，致使方法使用成本上升，需要投入不少的电压互感器，同时需考虑电压互感器的状态，一定程度的限制了方法的实用性。
3.基于以上总结分析，也考虑到目前应用于实际的主流保护算法依旧是以电流量作为判据，本文考虑到变压器励磁涌流状态与故障状态两种情况下的电流在信号釆样值分布上呈现出不同的分布特性，为量化这种差异，选取最大值，最小值，平均值，方差，峭度，偏斜度，波形因子7个特征量对变压器故障数据进行特征提取，而励磁涌流识别是分类识别问题，属于模式识别问题，最终都可以归结为两类别的分类问题，因此选择支持向量机(svm)进行变压器励磁涌流识别，并利用粒子群优化算法(pso)来提高支持向量机的性能。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种励磁涌流的机器学习识别方法。
5.为达到上述目的，本发明提供如下技术方案：
6.一种励磁涌流的机器学习识别方法，该方法包括以下步骤：
7.s1：励磁涌流与故障电流分析；选取最大值、最小值、平均值、方差、峭度、偏斜度和波形因子7个特征量对变压器故障数据进行特征提取，对所有采样数据进行处理作为识别模型的输入；
8.s2：建立pso-svm故障识别模型；
9.选取高斯径向基rbf核函数，支持向量机的rbf核中包含1个参数g；惩罚因子c是控
制学习复杂度的，随着惩罚因子c的增大复杂度逐渐增高，当c大到一定程度，超过空间复杂度的最大值时，对支持向量机的性能就不会再产生影响；选取粒子群优化pso算法来进行参数优化；
10.s3：基于pso-svm模型仿真分析。
11.可选的，所述粒子群优化pso算法初始化为一群随机粒子；然后通过迭代找到最优解；在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest；每个粒子代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三个指标表示该粒子的特征，适应度值表示粒子的优劣；粒子在解空间中运动，通过跟踪个体极值和全局极值更新个体位置，在到达一定的迭代次数或设定的收敛精度时即可获得搜索空间中全局最优解，表示为：
[0012][0013]
x
t+1
＝x
t
+v
t+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0.4)
[0014]
式中表示第t个粒子在第k+1次迭代中的速度；同理，代表第t个粒子在第k次迭代中的速度；w为惯性因子，w的值决定了粒子飞行速度，也即搜索步长；c1，c2为学习因子，决定微粒个体经验和群体经验对微粒自身运行轨迹的影响；学习因子较小时，可能使微粒不在最优区域移动，无法得到最优解；学习因子较大时，使微粒迅速向最优区域移动，过早收敛；r1，r2为随机数且0《r1,r2《1；和分别为第t个在迭代过程中的局部极值点和全局极值点。
[0015]
可选的，利用matlab/simulink中的电力系统模块建立变压器空载合闸及内部故障仿真系统，将故障仿真得到201组样本随机分为两部分，其中的100组作为训练数据，另外101组作为测试数据；采用pso-svm模型在matlab 2018b中对故障测试样本进行分类；其中粒子群参数初始值c1＝1.5,c2＝1.7,v＝3,w＝1，最大迭代次数为200次；
[0016]
在粒子群算法对支持向量机进行参数寻优的过程中，交叉验证得到的最佳适应度值为100，也即训练集的准确率为100％；寻优得到的最优参数组合c＝60.752，g＝11.9958，将测试样本的特征向量集输入至参数优化后的pso-svm分类器中进行分类得到的准确率为98.0198％；
[0017]
将数据集直接经由支持向量机训练与提取特征后训练进行对比，采用未经优化的支持向量机与pso-svm分类作对比，并同时利用pnn做对比，其分类识别结果为：
[0018]
不提取特征量训练分类方法的分类准确率为89.1089％；
[0019]
未经优化的svm分类方法的分类准确率为93.0693％；
[0020]
pso-svm分类方法的分类准确率为98.0198％；
[0021]
pnn分类方法的分类准确率为79.2079％；
[0022]
说明选取的特征量能很好代表故障特征，能提高故障识别准确率；粒子群优化后的参数提高了支持向量机的性能，提高了准确率；同时经粒子群算法优化的支持向量机的分类效果优于pnn。
[0023]
本发明的有益效果在于：本发明基于故障波形和励磁涌流的特征，提取最大值，最小值，平均值等7个特征量作为支持向量机的输入向量，同时采用粒子群算法(pso)优化支
持向量机的参数，从而准确识别励磁涌流，为变压器的稳定运行提供了故障检测依据。实验结果表明:基于pso-svm模型的识别方法能准确判断出励磁涌流和内部故障，通过是否提取故障特征量证明本文选取的特征量具有代表性，通过未经优化的支持向量机与经粒子群算法优化的支持向量机模型对比出pso-svm识别模型的优越性，同时采用pnn的机器学习方法进行对比，pso-svm识别模型都能获得颇高的分类准确率，提高了变压器差动保护的可靠性。
[0024]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0025]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0026]
图1为变压器励磁涌流图解；
[0027]
图2为内部故障电流波形；
[0028]
图3为励磁涌流电流波形；
[0029]
图4为整体研究思路；
[0030]
图5为粒子群算法优化svm参数流程图；
[0031]
图6为变压器空载合闸仿真模型；
[0032]
图7为变压器内部故障仿真模型；
[0033]
图8为准确分类率适应度值曲线；
[0034]
图9为测试集的实际分类和预测分类图；
[0035]
图10为未提取特征量svm直接训练情形；
[0036]
图11为提取特征量后经未优化svm训练情形；
[0037]
图12为提取特征量后经pso优化svm训练情形；
[0038]
图13为提取特征量后pnn训练情形。
具体实施方式
[0039]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0040]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0041]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0042]
1励磁涌流与故障电流分析
[0043]
在铁芯进入饱和状态时，变压器空载合闸时会产生励磁涌流，导致变压器二次回路产生较大的不平衡电流。当不平衡电流超过保护整定值时，就会引起保护误动作。变压器运行在空载合闸的工况下，此前变压器投入前剩余在铁芯里面的磁通与正在工作时的电压产生的磁通方向一致时，两者合起来的磁通量超过铁芯饱和磁通量的阈值，使变压器铁芯饱和，此时铁芯进入深度饱和区(在图1中即为b点之后的曲线)，其相对磁导率以及阻抗的变化导致产生幅值极大励磁电流，其值会达到变压器额定电流的6-8倍。图1中的oa段的铁芯未饱和，表示变压器正常运行，此时电流波形是正常的幅值较小的正弦波形，在b点之后的励磁涌流波形是尖顶波并且具有间断角的特征。
[0044]
由图2和图3可知相比励磁涌流，内部故障电流没有凹凸特性，其波形更接近正弦波形。基于故障波形和励磁涌流的特征，变压器发生内部故障和励磁涌流时产生的波形幅值有很大的不同，无论时波形的波峰代表的最大值还是波谷代表的最小值，还是整个取样段波形的均值都是可以很好量化内部故障和励磁涌流。方差在时域中能代表信号波动的强度，也能代表信号与平均值的偏离程度。峭度可描述信号总体数据分布形态的陡缓程度，能表征信号波峰尖度，对应到励磁涌流及故障电流就是区分它们的尖顶程度。偏斜度描述的是信号值分布的对称性，对应到故障电流和励磁涌流就是区分波形的对称性。波形因子是有效值与整流平均值的比值。因此选取最大值，最小值，平均值，方差，峭度，偏斜度，波形因子7个特征量对变压器故障数据进行特征提取，对所有采样数据进行处理作为识别模型的输入。
[0045]
2.pso-svm故障识别模型
[0046]
svm是基于统计学习理论的新型学习方法，一定程度上其结构更简单、有自学习能力且泛化能力更强，有效解决了小样本、高维度及非线性等学习问题，在电力系统故障识别中应用更加广泛，且非常适合本文需要解决的线性不可分二分类问题。而核函数就是将低维空间线性不可分问题转换为高维空间线性可分的关键，在本文中选取广泛应用的高斯径向基(rbf)核函数，支持向量机的rbf核中由于只包含1个参数g，更方便优化。而支持向量机本身就要考虑惩罚因子c，惩罚因子c作用是控制在松弛变量惩罚(错误分类)和权衡边距的宽度。惩罚因子c是控制学习复杂度的，理论上随着c的增大复杂度逐渐增高，但当c大到一定程度，超过空间复杂度的最大值时，对支持向量机的性能就不会再产生影响，支持向量机的性能正是由这两个参数决定，影响故障样本分类的准确率。要使支持向量机分类模型性能最佳就需要使这两个参数最佳，就需要对这两个变量寻优，常用的算法有引力搜索算法、遗传算法、粒子群优化算法(pso)算法等。考虑到粒子群优化算法的非确定算法的优点—算法能有更多机会求解全局最优解，本文选取pso算法来进行参数优化，如图4所示。
[0047]
2.1粒子群优化支持向量机
[0048]
粒子群优化算法(particle swarm optimization,pso)是一种基于群体智能演变并行搜索计算技术，其思想源于鸟群捕食行为的研究，通过群体中个体之间协作和信息共享来寻找最优解。pso初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。每个粒子代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三个指标表示该粒子的特征，适应度值表示粒子的优劣。粒子在解空间中运动，通过跟踪个体极值和全局极值更新个体位置，在到达一定的迭代次数或设定的收敛精度时即可获得搜索空间中全局最优解。
[0049][0050]
x
t+1
＝x
t
+v
t+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0.6)
[0051]
式中表示第t个粒子在第k+1次迭代中的速度；同理，代表第t个粒子在第k次迭代中的速度；w为惯性因子，w的值决定了粒子飞行速度，也即搜索步长；c1，c2为学习因子，决定微粒个体经验和群体经验对微粒自身运行轨迹的影响。学习因子较小时，可能使微粒不在最优区域移动，无法得到最优解；学习因子较大时，可使微粒迅速向最优区域移动，过早收敛；r1，r2为随机数且0《r1,r2《1；和分别为第t个在迭代过程中的局部极值点和全局极值点。应用粒子群算法优化支持向量机参数流程图如图5所示。
[0052]
3.基于pso-svm模型仿真分析
[0053]
为了验证本文所提出方法的准确性与有效性，利用matlab/simulink中的电力系统模块建立变压器空载合闸及内部故障仿真系统如图6和图7所示。将故障仿真得到201组样本随机分为两部分，其中的100组作为训练数据，另外101组作为测试数据。采用pso-svm模型在matlab 2018b中对故障测试样本进行分类，故障分类结果如图8和图9。其中粒子群参数初始值c1＝1.5,c2＝1.7,v＝3,w＝1，最大迭代次数为200次。
[0054]
由图8可知，在粒子群算法对支持向量机进行参数寻优的过程中，交叉验证得到的最佳适应度值为100，也即训练集的准确率为100％；寻优得到的最优参数组合c＝60.752，g＝11.9958，由图9可知将测试样本的特征向量集输入至参数优化后的pso-svm分类器中进行分类得到的准确率为98.0198％。
[0055]
为进一步验证提取的特征量有代表性，将数据集直接经由支持向量机训练与提取特征后训练进行对比，如图10和图11；为验证基于pso优化的支持向量机分类准确率高，本文采用未经优化的支持向量机与pso-svm分类作对比，如图12和图13，并同时利用pnn做对比，如图12，其分类识别结果如表1所示。
[0056]
表1不同分类方法测试集分类准确率结果
[0057][0058]
分析图10～图13以及表1的结果，不提取特征量直接用支持向量机训练的准确率为89.1089％，提取特征量后用支持向量机训练的准确率为93.0693％，对比两种情况可知，
本文选取的特征量能很好代表故障特征，能提高故障识别准确率；对比未经优化的支持向量机与经粒子群算法优化的支持向量机的准确率可知优化后支持向量机在分类性能上提升了4.9505％，由此可知粒子群优化后的参数提高了支持向量机的性能，提高了准确率；同时经粒子群算法优化的支持向量机的分类效果优于pnn。
[0059]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。