基于支持向量機的變電站蓄電池故障診斷方法

李洪江，太濤見

（1.云南電網有限責任公司，昆明 650011；2.云南電網有限責任公司曲靖供電局，云南 曲靖 655000）

0 前言

直流系統作為變電站中非常重要的配套裝置，是電力系統關鍵的設備元件[1]。蓄電池具有體積小、質量輕、少維護、壽命長，使用方便等特點，被廣泛用于變電站直流系統的穩定電源，在故障或停電情況下給變電站控制、保護、自動裝置和事故照明提供電源。其運行狀態對變電站的持續穩定運行具有十分重要的作用，是保障變電站安全運行的重要裝置[2-3]。對蓄電池運行狀況進行診斷，及時發現故障電池并采取措施進行更換處理對保障電網安全穩定運行具有非常重要的作用。

1 支持向量機

SVM（Support Vector Machine）是一種解決小樣本、非線性、高維數和局部極小等問題的新數據處理方法，是機器學習領域的新理論[4-6]。SVM 的分類思想就是利用非線性映射函數φ(x)把輸入空間的數據映射到高維特征空間進行分類處理。

假定樣本集{(xi,yi)}(i=1,2,…m)，xi∈Rn是輸入矢量，yi∈R 為輸出數據，m 為樣本數量值。SVM 約未知函數的公式為：

式中，w ∈Rn為權重向量，b ∈R，表示偏置，＜w,φ(x)＞表示內積，輸入矢量x 通過非線性映射至高維特征空間結果用φ(x) 表示。其中系數w、b 則由最小化風險泛函(2)得出：

其中：

式（2）的模型復雜性及經驗風險，均是由ε 不敏感損失函數(3) 所確定的經驗誤差項，其中c 是調節二者之間平衡的一正常數。損失函數(3) 能夠用稀疏數據點來表現由式(1) 給出的決策函數。為實現在高維特征空間中進行SVM 函數內積的計算，引入了核函數K(Xi,Xj)及Wolfe 對偶原理，于是轉化為如下形式：

可得出SVM 分類函數式（1）的變換式子為：

式中，ai、為拉格朗日乘子，存在等式：ai×=0，ai≥0，≥0。K(Xi,Xj)叫做核函數，數值上是向量Xi和Xj在特征空間φ(Xi)和φ(Xj)中的內積，即K(Xi,Xj)=＜φ(Xi),φ(Xj)＞。根據需要，本文直接采用了高斯核函數:式中，σ 為待確定的核參數。由庫恩-塔克條件可知，(ai×ai*)僅有少量非零值樣本。

2 SVM蓄電池診斷機理

蓄電池的故障產生機理復雜，各種原因都可能引起電池故障，要準確實現蓄電池的故障診斷是非常復雜的[7-8]。通過分析蓄電池實際的物理化學特性來分析判斷蓄電池的運行狀況，達到對蓄電池的故障診斷。分析比較蓄電池內部溫度、額定容量、輸出電壓、環境溫度等參數的動態變化率，蓄電池組在充放電時的電壓電流變化特性[9-11]，得出蓄電池一些平均的特性規律，從而實現對蓄電池故障診斷。SVM 故障診斷通過對輸入的蓄電池特征數據樣本學習，形成對電池故障的診斷模型，然后用診斷模型結合已知道蓄電池特征數據進行蓄電池故障診斷。

SVM 的輸入為蓄電池特征參數值，蓄電池的性能參數較多，為了有利于蓄電池的故障診斷，綜合分析蓄電池的各特征值及其相互之間存在的聯系，最終確定單體電壓、工作溫度、沖/放電電流、總電壓、內部溫度作為SVM 故障診斷模型的輸入?？紤]到蓄電池各種各特征參數間的存在差異性及分散性，為防止診斷過程中出現計算飽和情況，對表征蓄電池運行狀態的特征參數采取“歸一化”處理，使診斷模型的輸入數據在[0,1]之間。這里采用如下的歸一化算式：

表1 蓄電池特性數據值

式中，X 為實際的特征參數值，Xmin為最小特征值，Xmax為最大特征值，X'為歸一化之后的特征參數值。

蓄電池運行狀態受自身及環境條件的影響，故障類型眾多，但總體上可把蓄電池歸為健康、存在隱患及故障三大類來加以區分，這對小樣本的數據模型分類更為有利，增加了模型的分類準確率，故最后確定故障類型為健康、隱患、故障三種特征狀態。

用SVM 對蓄電池運行狀態診斷，其流程如圖1 所示，診斷模型主要包括數據輸入/輸出，樣本數據以及診斷數學模型。

圖1 蓄電池故障診斷流程圖

3 診斷實例

通過matlab 構建蓄電池故障診斷模型并運用于具體的分析實例中，實際診斷步驟為：

1）對收集到某同一型號的144 組故障明確的蓄電池特征數據進行分析處理，全部蓄電池均位于同一位置，確保外部環境一致，將144組蓄電池根據實際狀態分為“健康”、“存在隱患”及“故障”三種狀態；

2）為便于matlab 程序對數據處理，對選出的樣本數據進行預處理，主要包括蓄電池3 種狀態的數字化及數據的“歸一化”處理；

3）利用處理后的樣本數據其中的120 組蓄電池狀態數據作為訓練樣本，作為matlab 診斷模型的學習樣本，經訓練得到滿足精度要求的故障診斷模型，本文在matlab 實現SVM 訓練中，其診斷參數選取高斯核函數、損失函數值為0.1、精度值為0.01[12]；

4）然后用經學習確定的診斷模型對剩下24組蓄電池狀態特征數據分別進行故障診斷分析，對24 組蓄電池進行擬合分析，以判斷其實際運行的“健康”、“隱患”及“故障”狀態，并得出了具體診斷結果。

圖2 SVM蓄電池故障診斷結果

圖2 為用SVM 進行蓄電池故障診斷的分類結果圖，橫軸代表24 組待檢測的蓄電池，縱軸為各組蓄電池經SVM 診斷后的結果值，其中0代表健康蓄電池，1 代表存在隱患的蓄電池，2代表故障蓄電池。將SVM 診斷模型得出的代表蓄電池狀態特征數據與實際的物理狀態對應后，在診斷的24 組蓄電池中，10 組健康蓄電池全部診斷準確，7 組存在隱患蓄電池6 組診斷正確、1 組診斷錯誤，7 組故障蓄電池6 組診斷正確、1 組錯誤，總體診斷準確率為92%。根據診斷結果可知，利用SVM 分類方法得到的預測值與實際的結果較為一致，且預測速度快。

4 結束語

本文以SVM 方法建立蓄電池運行狀態診斷模型，實現了蓄電池的故障鑒別。通過該方法可減少蓄電池故障診斷的工作量，避免通過測試蓄電池內部溫度、額定容量、輸出電壓、電壓電流變化特性等大量參數后，人為進行逐一分析判斷其運行狀態，實現蓄電池運行參數的智能化、信息化的科學分析，有效避免人為誤差。試驗證明，該方法可以較好地判定蓄電池的實際狀態，結果準確性較高，具有一定的實用性和優越性。