基于MSSA-SVM的电缆隧道故障预警系统设计_纪超.pdf

第 30 卷第 1 期2023 年 2 月 工程设计学报 Chinese Journal of Engineering DesignVol.30 No.1Feb.2023基于MSSA-SVM的电缆隧道故障预警系统设计纪超1，王亮1，王孝敬2，李小兵2，曹雯1（1.西安工程大学 电子信息学院，陕西 西安 710600；2.西安金源电气股份有限公司，陕西 西安 710075）摘 要：为了实现电缆隧道环境的在线监测和故障报警，提高电缆隧道监测系统的智能化水平，提出了一种基于多特征麻雀搜索算法（multi-feature modified sparrow search algorithm,MSSA）优化支持向量机（support vector machines,SVM）的故障预警系统。首先，对故障数据集进行归一化预处理；其次，建立多分类SVM模型，用MSSA对SVM进行参数寻优，从而建立MSSA-SVM模型，并将训练好的MSSA-SVM模型嵌入故障预警系统的数据库服务器中，对实时采集的数据进行在线监测、诊断，并及时报警；最后，通过实验验证了MSSA-SVM模型的有效性，并将其与麻雀搜索算法（sparrow search algorithm,SSA）、灰狼优化算法（grey wolf optimization,GWO）和粒子群算法（particle swarm optimization,PSO）进行对照实验，实验结果表明，MSSA-SVM模型的故障识别准确率最高，其识别准确率可达95%。研究结果为有效提高电缆隧道在线监测的智能性和准确性提供了参考。关键词：电缆隧道；监测系统；支持向量机；故障诊断；多特征麻雀搜索算法中图分类号：TM 712 文献标志码：A 文章编号：1006-754X（2023）01-0109-08Design of cable tunnel fault warning system based on MSSA-SVMJI Chao1,WANG Liang1,WANG Xiao-jing2,LI Xiao-bing2,CAO Wen1(1.School of Electronic Information,Xian Polytechnic University,Xian 710600,China;2.Xian Jinpower Electrical Co.,Ltd.,Xian 710075,China)Abstract：In order to realize online monitoring and fault alarm of cable tunnel environment and improve the intelligent level of cable tunnel monitoring system,a fault warning system based on multi-feature sparrow search algorithm(MSSA)optimized support vector machines(SVM)was proposed.Firstly,the fault data set was preprocessed normalized;secondly,a multi-class SVM model was established,and MSSA was used to optimize the parameters of the SVM,so as to establish the MSSA-SVM model.The trained MSSA-SVM model was embedded in the database server of the fault warning system,and the real-time collected data was monitored and diagnosed online,and the alarm was given in time;finally,the effectiveness of MSSA-SVM model was verified by experiments,and it was compared with sparrow search algorithm(SSA),grey wolf optimization(GWO)and particle swarm optimization(PSO).The experimental results showed that MSSA-SVM model has the highest fault recognition accuracy,and its recognition accuracy could reach 95%.The research result provides a reference for effectively improving the intelligence and accuracy of online monitoring of cable tunnels.Key words：cable tunnel;monitoring system;support vector machine;fault diagnosis;multi-feature sparrow search algorithmdoi:10.3785/j.issn.1006-754X.2023.00.002收稿日期：2022-03-21 修订日期：2022-06-17本刊网址在线期刊：http:/ 超（1987），男，陕西西安人，讲师，博士，从事输电线路监测及机器视觉等研究，E-mail:,http:/orcid.org/0000-0002-7244-0836工程设计学报第 30 卷 近年来，新一代智能电网得到大量建设，我国越来越多的城市采用隧道电缆代替架空线路来实现电力能源的传输。电能稳定安全传输是智能电网运行的关键环节，因此须采用电缆隧道智能监测技术，以及时发现电缆隧道的故障和隐患、保证智能电网的稳定运行及保障维护人员的生命安全。随着电缆隧道的不断建成，针对电缆隧道安全运行的综合监测和故障诊断技术被广泛应用1-2。目前，国内的电缆隧道在线监测尚存在智能化水平低、缺乏综合的安全评估系统和监测手段单一等缺陷。李俊廷3提出了针对电缆本体和隧道环境的全方位监测技术，但缺乏联动设备来对故障进行及时处理；He等4-5在电力系统运行状态的评估中只机械地根据所设定监测参量的阈值进行故障诊断，导致故障诊断的准确率较低；赵群辉等6对隧道环境进行了全面监测，并将监测到的数据进行采集、传输和展示，但各类监测设备之间无法协同，各类数据间相互孤立，无法通过数据的综合分析去判断故障；赖磊洲等7-8详细介绍了电缆隧道各监控子系统的技术方案，并引入了BP（back propagation，反向传播）神经网络智能算法，但是在小样本的情况下依然不能保证故障诊断的准确率；肖桂雨等9利用遗传算法对BP模型寻优难、易陷入局部极小值的缺陷进行了改进，使故障预测精度有所提高。在小样本、非线性的故障诊断和预测方面，SVM（support vector machine，支持向量机）具有不俗的表现。李捷辉等10通过优化SVM模型，寻找其最优的惩罚系数c和核参数g，实现了对发动机故障的预诊断；针对SVM易陷入局部最优、参数寻优难的问题，单亚峰等11-12采用麻雀搜索算法（sparrow search algorithm，SSA）在指定的范围内寻找最优参数，来提高模型的诊断准确率；胡璇等13-15则分别采用灰狼优化算法（grey wolf optimizer，GWO）和粒子群优化算法（particle swarm optimization，PSO）对SVM模型进行参数优化。随着人工智能技术的不断发展，SVM和神经网络被广泛应用于故障诊断、事故预测等场景。通过建立学习模型并进行故障训练来获得先验知识，使不同类别的数据相互融合、协作，实现故障的智能诊断，提高诊断的准确率。为了提高电缆隧道的安全性，作者在电缆隧道在线监测系统后台监控中心的数据库服务器中嵌入智能故障识别和预警算法。该算法更适用于故障数据样本少的情况，更有利于对电缆隧道的安全性进行综合评估16。1 电缆隧道在线监测系统设计方案 电缆隧道在线监测系统的架构如图1所示，包括采集层、站控层和监控中心。采集层的主要功能是采集并发送电缆隧道现场数据；站控层是数据的中转站，利用电力专用网络将环境监测数据上传至监控中心的数据库服务器中；监控中心则完成在线环境监控信息的存储、分类、显示以及对环境故障的诊断和预测等。本文重点研究电缆隧道故障预警系统。用多特征麻雀搜索算法（multi-feature SSA,MSSA）优化SVM，然后在监控中心的数据库服务器中内嵌MSSA-SVM模型，以实现电缆隧道故障预警。监控中心采用功能模块化设计，如图2所示。图1电缆隧道在线监测系统的架构Fig.1Framework of online monitoring system for cable tunnel图2监控中心的功能模块化设计Fig.2Functional modular design of monitoring center 110第 1 期纪超，等：基于MSSA-SVM的电缆隧道故障预警系统设计故障预警系统将MSSA-SVM模型作为主要评估方法，同时可以与人工评估相结合，进行电缆隧道运行状态的分析和评估，评估结果决定着是否进行报警和事故处理。故障预警流程如图3所示。2 MSSA-SVM模型 2.1SVMSVM在故障识别和预测方面表现较好，尤其是对于小样本、非线性和高维空间17-18。对于多分类和线性不可分问题，采用样本映射的方法来进行线性变换。非线性变换的优化形式如式(1)所示：|min()w,=12w2+ci=1lis.t.yi()w xi+b 1-i,i 0,i=1,2,l(1)式中：w为法向量；i为松弛变量；c为对错误样本的惩罚力度系数；b为偏置量；xi为输入样本i的数值；yi为预期输出的故障类型。引入拉格朗日乘子ai以解决凸二次规划问题，并利用对偶原则将式(1)转化为式(2)：|maxL()a=i=1lai-12i,j=1laiajyiyjk()xi,xjs.t.i=1laiyi=0,ai 0(2)在非线性的情况下，引入核函数映射：k(xi,xj)=(xi)(xj)(3)式中：()为映射函数。综上，决策函数为：f(x)=sgn|i=1laiyik()xi,xj+b|(4)选取的核函数k(xi,xj)为径向基函数，其形式为：k(xi,xj)=exp(-gxi-xj2)(5)惩罚系数c和核参数g对SVM识别的准确性有重要影响。根据经验去寻找最优参数会浪费大量时间19-20，因此本文用MSSA去优化SVM。2.2SVM参数优化算法2.2.1SSASSA是一种新型智能优化算法。其主要通过模仿麻雀觅食和躲避捕食者的行为21，进行局部和全局搜索。模型中设有发现者、加入者和警戒者：作为发现者的麻雀适应度较高，具有更广的搜索范围，在搜索过程中为加入者提供觅食位置信息；加入者跟随发现者寻食；警戒者负责监视和预警，若发现危险，则发出报警信息，并且改变自己的位置。在迭代过程中，发现者位置更新如下：Xt+1e,f=|Xte,f exp()-e N,R2 SXte,f+Q,R2 S(6)式中：t为当前迭代次数；Xte,f表示第e只麻雀在第f维中迭代次数为t时的位置信息；为0,1范围内的随机数；N为最大迭代次数；Q为服从正态分布的随机数；R2和S分别为预警值和安全值，R20,1，S0.5,1。当R2S，即预警值大于安全值时，表示警戒者发现危险，立即发出报警信号，则所有麻雀改变自己的位置，飞到安全位置。加入者在寻找食物时会跟随发现者，如果发现者找到更优的资源，加入者则立即前往。加入者位置更新如下：Xt