基于改进灰狼算法与最小二乘...合的电力变压器故障诊断方法_李云淏.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1470-08 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法李云淏1，咸日常1，张海强2，赵飞龙1，李嘉洋1，王玮1，李增悦1（1山东理工大学电气与电子工程学院，山东省 淄博市 255049；2国网山东省电力公司淄博供电公司，山东省 淄博市 255000）Fault Diagnosis for Power Transformers Based on Improved Grey Wolf Algorithm Coupled With Least Squares Support Vector Machine LI Yunhao1,XIAN Richang1,ZHANG Haiqiang2,ZHAO Feilong1,LI Jiayang1,WANG Wei1,LI Zengyue1(1.College of Electrical and Electronic Engineering,Shandong University of Technology,Zibo 255049,Shandong Province,China;2.Zibo Power Supply Company,State Grid Shandong Electric Power Company,Zibo 255000,Shandong Province,China)ABSTRACT:In order to achieve the accurate fault classification,the article proposes a fault diagnosis method for power transformers based on the improved grey wolf algorithm coupled with the least squares support vector machine by using five typical gases dissolved in the oil as the characteristic quantity for the fault diagnosis.This method seeks the optimal penalty coefficient C and the kernel function parameter g in the least squares support vector machine through the improved grey wolf algorithm to improve the fault diagnosis accuracy.Firstly,the improvement points of the least squares support vector machine and the grey wolf algorithm are elucidated and coupled.They are put into the 413 sets of dissolved gas in oil detection data of the power transformers are substituted to diagnose the fault types and compared with the other diagnostic methods;secondly,the influence law of the penalty coefficient C and the kernel function parameter g on the accuracy of the fault type identification of the power transformers is investigated;finally,with the help of the coupling of the trained improved grey wolf algorithm and the least squares support vector machine,the effectiveness of the fault diagnosis method is verified through the analysis of two transformer fault examples under different voltage levels.The results of the study show that,compared with the least squares support vector machine and the traditional grey wolf algorithm coupled with the least squares support vector machine,the accuracy of the improved grey wolf algorithm coupled with the least squares support vector machine method for the fault diagnosis of the power transformers is increased by 14%and 7%respectively.Besides,the influence of the penalty coefficient C 基金项目：国家自然科学基金资助项目(52077221)。Project Supported by National Natural Science Foundation of China(NSFC)(52077221).and the kernel function parameter g on the accuracy of the fault type identification of the power transformers shows a non-linear pattern,highlighting the convenience,necessity and effectiveness of finding the optimal solution through the intelligent algorithms.KEY WORDS:improved gray wolf optimization;least squares support vector machine;penalty coefficient;kernel function coefficient;power transformers;gas dissolved in oil;fault diagnosis 摘要：电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的 5 种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数 C 和核函数参数 g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入 413 组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数 C 和核函数参数 g 对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了 14%和 7%。此外，惩罚系数 C 和核函数参数 g 对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。关键词：改进灰狼算法；最小二乘支持向量机；惩罚系数；核函数参数；电力变压器；油中气体；故障诊断 DOI：10.13335/j.1000-3673.pst.2022.2197 第 47 卷 第 4 期 电 网 技 术 1471 0 引言 电力变压器作为组成电网的中间枢纽设备，其运行状态直接影响电力系统的供电安全。油中溶解气体的气相色谱分析(dissolved gas gnalysis，DGA)已成为电力变压器状态诊断与故障分类的重要手段，犹如人体“验血”，可以及时有效的发现其内部潜伏性故障。现如今判断故障的方法可分为传统方法和机器学习两大类，传统方法包括 IEC 三比值法、无编码比值法、罗杰斯比值法等1-7，以上方法原理简单、操作简单，但是存在编码不全、过于绝对等缺点。近年来，利用人工智能算法对变压器进行故障诊断的技术发展迅速，行业内的应用越加广泛，推动了电力变压器状态检修工作的良性发展。文献8提出用神经网络和三比值法融合的方法，将神经网络诊断失误的样本转为三比值法诊断。但神经网络的判断准确率过分依赖权值和阈值的选择并且需要大量的训练数据，操作复杂、稳定性不够，针对不同数量的样本数据，最优阈值容易变化。文献9提出线性递减的步长以平衡算法搜索能力；嵌入变异操作以避免陷入局部最优解，通过二次型递减策略调整变异率，以确保迭代初期几乎不发生变异，后期增大变异率，跳出搜索区域，全局寻优；引入混沌扰动思想寻找最优果蝇个体，提高算法局部搜索能力。文献10使用粒子群算法和加权最小二乘支持向量机结合的方法。针对最小二乘支持向量机(least square support vector machines，LSSVM)出现的缺失鲁棒性的问题，采用加权LSSVM，对目标函数中的误差进行加权计算；另外核函数采用多项式核函数和径向基核函数(radial basis functions，RBF)线性组合，既保证了寻优过程的全局性又保证了局部性。文献11用粒子群混合改进灰狼算法优化混合核极限学习机的变压器故障诊断方法，混合多项式核函数和 RBF 核函数，并且灰狼算法中的收敛因数采用余弦形式。基于电力变压器状态检测数据繁多而又不完备的特点，仅使用一种智能算法无法对其进行有效处理，导致故障诊断精度低12。本文采用改进灰狼算法(improved gray wolf optimization，IGWO)和最小二乘支持向量机耦合的方法，对电力变压器故障进行诊断分类。借助 Matlab 平台，根据油中溶解的五种典型气体的浓度将413组电力变压器故障进行分类。为找到 LSSVM 分类所需要的最优惩罚系数C 和核函数参数 g，本文提出改进灰狼算法与最小二乘支持向量机耦合，将得到的最优参数组带入到 LSSVM 中进行变压器的故障诊断分类。IGWO 将传统的线性收敛因数改为指数型收敛因数，随着迭代时期的改变采取变化的收敛速度；为防止算法陷入局部最优解，采取自适应位移策略；灰狼优化算法(gray wolf optimization，GWO)有严格的等级划分，GWO 在灰狼个体位置更新时采用平均值方式，难以体现不同等级个体的重要程度，本文采用改进步长欧氏距离的比例权重，体现不同等级的灰狼个体位置更新的重要程度。针对众多文献提出支持向量机分类的准确性与 C 和 g 有关，但鲜有文献具体指出其变化规律的问题，本文在已知最优解组合情况下，利用 LSSVM，不断改变 C 和 g 的组合，研究其不同数值对电力变压器故障判断准确率的影响规律。研究结果