CN108268905A - 一种基于支持向量机的变压器故障诊断方法及*** - Google Patents
一种基于支持向量机的变压器故障诊断方法及*** Download PDFInfo
- Publication number
- CN108268905A CN108268905A CN201810233332.2A CN201810233332A CN108268905A CN 108268905 A CN108268905 A CN 108268905A CN 201810233332 A CN201810233332 A CN 201810233332A CN 108268905 A CN108268905 A CN 108268905A
- Authority
- CN
- China
- Prior art keywords
- transformer
- gas
- characteristic gas
- svm
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于支持向量机的变压器故障诊断方法及***,包括:对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;根据所述训练数据集对最小二乘支持向量机LS‑SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS‑SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数);从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据;利用所述目标二元组参数对应的最小二乘支持向量机LS‑SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
Description
技术领域
本发明涉及变压器故障技术领域,并且更具体地,涉及一种基于支持向量机的变压器故障诊断方法及***。
背景技术
由于变压器的故障分类本身存在模糊性,在三比值编码边界模糊的比值区间内的故障,往往容易误判,如误判低能放电和高能放电,而且当有多种故障出现时,可能在找不到相对应的比值。而基于神经网络的故障诊断方法,例如:BPNN和RBFNN,由于经验风险最小化原理的不足,需要大量的训练样本支撑才能得到较好的诊断结果;此外,神经网络的训练可能出现过拟合的结果。
支持向量机(Support Vector Machine,SVM)是基于统计学习理论的一种学习方法,其目标是在有限样本的信息下得到最优解。支持向量机分类方法的实质是,将样本空间通过非线性映射到特征空间(其维数通常比样本空间高),在这一高维特征空间中找到最优分类面,这样就可以把一个非线性问题通过非线性变换转换为某个高维空间中的线性问题,使其在高维特征空间中线性可分。与传统的人工神经网络相比,支持向量机不仅结构简单,而且各种技术性能、尤其是泛化能力有明显提高。
因此,需要一种基于支持向量机的变压器故障诊断方法,对变压器故障进行诊断。
发明内容
本发明提供了一种基于支持向量机的变压器故障诊断方法及***,以解决如何能够有效地对变压器的故障进行确定的问题。
为了解决上述问题,根据本发明的一个方面,提供了一种基于支持向量机的变压器故障诊断方法,其特征在于,所述方法包括:
对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;
根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数);
从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据;
利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
优选地,其中所述特征气体数据集为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
优选地,其中所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
优选地,其中根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,包括:
数据初始化设置,设置粒子群优化算法PSO的搜索空间的维数为2,每个粒子Xi的位置由二元组参数(C,g)来表示,C为惩罚因子,g为高斯径向基核参数;
采用交叉验证CV的方法进行参数优化,根据每个粒子的位置计算得到最小二乘支持向量机LS-SVM故障诊断模型的平均分类准确率作为适应度;
选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
优选地,其中所述平均分类准确率的计算公式为:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
优选地,其中所述从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:
通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;
将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
优选地,其中所述方法还包括:
根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
优选地,其中所述方法还包括:
在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
根据本发明的另一方面,提供了一种基于支持向量机的变压器故障诊断***,其特征在于,所述***包括:
训练数据集获取单元,用于对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;
故障诊断模型确定单元,用于根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数);
特征气体数据在线获取单元,用于从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据;
故障类型确定单元,用于利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
优选地,其中所述特征气体数据集为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
优选地,其中所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
优选地,其中所述故障诊断模型确定单元,根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,包括:
数据初始化设置,设置粒子群优化算法PSO的搜索空间的维数为2,每个粒子Xi的位置由二元组参数(C,g)来表示,C为惩罚因子,g为高斯径向基核参数;
采用交叉验证CV的方法进行参数优化,根据每个粒子的位置计算得到最小二乘支持向量机LS-SVM故障诊断模型的平均分类准确率作为适应度;
选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
优选地,其中利用如下公式计算平均分类准确率:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
优选地,其中所述特征气体数据在线获取单元,从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:
通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;
将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
优选地,其中所述***还包括:
准确度验证单元,用于根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
优选地,其中所述***还包括:
报警单元,用于在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
本发明提供了一种基于支持向量机的变压器故障诊断方法及***,基于粒子群优化最小二乘支持向量机对变压器故障进行诊断,将粒子群算法全局搜索的特点与SVM的强学习与泛化能力相结合,通过以H2、CH4、C2H2、C2H4、C2H6五种特征气体含量组成的故障样本进行训练学习,并通过粒子群优化算法PSO进行参数优化,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,并利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型有效地对变压器故障进行诊断,如低能放电(low-energydischarge,LE-D)、低温和中温热故障(thermal fault of low and medium temperature,LM-T)、高能放电(high-energy discharge,HE-D)、高温热故障(thermal fault of hightemperature,HT)等故障,在训练样本充裕的前提下,无论是从泛化能力还是测试诊断准确率角度,本发明提出的方法均比传统三比值法具有很大的优越性。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的基于支持向量机的变压器故障诊断方法100的流程图;以及
图2为根据本发明实施方式的基于支持向量机的变压器故障诊断***200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于支持向量机的变压器故障诊断方法100的流程图。如图1所示,本发明的实施方式提供的基于支持向量机的变压器故障诊断方法,基于粒子群优化最小二乘支持向量机对变压器故障进行诊断,将粒子群算法全局搜索的特点与支持向量机(Support Vector Machine,SVM)的强学习与泛化能力相结合,通过以H2、CH4、C2H2、C2H4、C2H6五种特征气体含量组成的故障样本进行训练学习,并通过粒子群优化算法(Particle Swarm Optimization,PSO)进行参数优化,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,并利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型有效地对变压器故障进行诊断,在训练样本充裕的前提下,无论是从泛化能力还是测试诊断准确率角度,本发明提出的方法均比传统三比值法具有很大的优越性。本发明的实施方式提供的基于支持向量机的变压器故障诊断方法100从步骤101处开始,在步骤101对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集。
优选地,其中所述特征气体数据集为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
优选地,其中所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
在本发明的实施方式中,利用油中溶解气体基于支持向量机的的电力变压器故障诊断方法包括:根据广性、代表性和紧凑性原则,搜集和选择有效的电力变压器特征气体含量即H2、CH4、C2H2、C2H4和C2H6样本数据;对原始样本数据进行进一步的标准化预处理,以提高故障诊断算法的泛化性,并将标准化后的样本分为训练样本和测试样本;建立故障诊断算法的程序和诊断模型,其中,训练样本用于程序的训练和建模;测试样本用于诊断模型的验证;判断电力变压器故障状态,进行故障分析。
在本发明的实施方式中,用于变压器诊断的样本数据包括H2、CH4、C2H2、C2H4和C2H6这五种特征气体的含量。另外,考虑到样本中各种特征气体成分含量的差异性和分散性,需要对原始数据进行尺度变换预处理,一方面可以降低原始数据成分之间由于量值差异对诊断算法造成的影响,另一方面可以提高算法的泛化性。尺度变换也称归一化或标准化,目的是将数据样本按统一标准映射到同一个范围内。把数据变换到[a,b]范围内的公式为:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
优选地,在步骤102根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数)。
优选地,其中根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,包括:
数据初始化设置,设置粒子群优化算法PSO的搜索空间的维数为2,每个粒子Xi的位置由二元组参数(C,g)来表示,C为惩罚因子,g为高斯径向基核参数;
采用交叉验证CV的方法进行参数优化,根据每个粒子的位置计算得到最小二乘支持向量机LS-SVM故障诊断模型的平均分类准确率作为适应度;
选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
优选地,其中所述平均分类准确率的计算公式为:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
基于支持向量机进行故障诊断,首先需要确定SVM核函数类型,以及对核函数的参数和惩罚因子参数进行选择。对于不同的惩罚因子C和高斯径向基核参数,故障诊断的性能差异很大,如果选用合适的参数,将会大大提高SVM的诊断效果。因此,支持向量机在故障诊断建模前必须进行参数优化,以获得最佳诊断准确率。
SVM核函数的作用是把输入空间映射到高维的特征空间,这意味着采用不同的核函数可以得到不同的高维特征空间,大量实验结果表明,采用高斯径向基核函数可以使SVM获得杰出的性能和较好的推广性。因此,本发明的SVM采用高斯径向基核函数。高斯径向基核函数只有一个高斯径向基核参数g需要优化。高斯径向基核参数g的变化影响了样本数据在高维特征空间分布的复杂程度,从而影响了SVM在特征空间获得的最优分类超平面的泛化性能。另一方面,惩罚因子参数C的作用是在确定最小化目标函数的情况下,平衡学习机器的复杂性和经验风险。因此,对于采用高斯径向基核的SVM分类模型有两个参数惩罚因子C和高斯径向基核参数g需要优化。
基于粒子群优化的最小二乘支持向量机(PSO-LS-SVM)的故障诊断模型需要优化2个参数C和g,即PSO搜索空间的维数为2(d=2),则每个粒子Xi的位置由二元组Xi=(C,g)来表示。
为了提高算法的泛化性能,在参数优化时采用了交叉验证(cross validation,CV)的思想。对k折交叉验证,训练样本被随机分成k个相互独立的子集,各子集大小基本相等。在训练中,使用其中一个子集作为验证集,则其余k-1个子集作为训练集,重复进行k次。经过k次试验,所有子集都被测试一次,每一次试验均得到一个分类准确率,最后求平均计算出k折CV的平均分类准确率。
为了评价参数优化的性能,PSO的适应度函数设为k折交叉验证的平均分类准确率,平均分类准确率的计算公式为:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
因此,PSO参数优化的目标是选择k折交叉验证的平均分类准确率最大化时对应的参数值。
优选地,在步骤103从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据。
优选地,其中所述从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
优选地,在步骤104利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
优选地,其中所述方法还包括:根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
为了验证诊断方法的准确度,对搜集的120组对应变压器不同故障状态的油中溶解气体分析DGA数据进行研究。该DGA数据统计包括4种实际电力变压器故障类型及正常运行的变压器数据:低能放电(low-energy discharge,LE-D)、低温和中温热故障(thermalfault of low and medium temperature,LM-T)、高能放电(high-energy discharge,HE-D)、高温热故障(thermal fault of high temperature,HT)及正常状态(Normal)。其中,选取95组样本数据作为故障诊断的训练样本集,剩余25组样本作为测试集,各类故障及正常状态的样本统计分布如表1所示。
表1 电力变压器故障诊断样本
实验中,参数C和g的PSO搜索区间范围分别设为[1 102]和[10–1102],CV的折数为7,粒子群的个数设为5,PSO的最大进化代数为200,加速常数c1和c2的值分别设为1.5和1.7。为了进行比较,下面分别采用IEC三比值法、RBF及本发明的方法PSO-SVM共3种不同方法分别进行变压器故障诊断实验,所有的方法均基于相同的训练和测试样本。其中训练样本为175组,测试样本为67组。与PSO-SVM一样,RBF的核函数仍为高斯径向基核函数,考虑到RBF的性能受其扩展速度参数影响很大,我们经过30次独立试验后确定的最佳spread参数值为35。经过试验,SVM的惩罚参数和核参数分别选择为C=20和g=0.05。测试所得到的不同方法的变压器故障诊断准确率如下表2所示。变压器具体实例的故障诊断结果诊断结果如下表3所示。
表2 不同方法的变压器故障诊断准确率
表3 变压器具体实例的故障诊断结果
优选地,其中所述方法还包括:在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
图2为根据本发明实施方式的基于支持向量机的变压器故障诊断***200的结构示意图。如图2所示,本发明的实施方式提供的基于支持向量机的变压器故障诊断***200包括:训练数据集获取单元201、故障诊断模型确定单元202、特征气体数据在线获取单元203和故障类型确定单元204。优选地,在所述训练数据集获取单元201,对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集。
优选地,其中所述特征气体数据集为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
优选地,其中所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
优选地,在所述故障诊断模型确定单元202,根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数)。
优选地,其中所述故障诊断模型确定单元,根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学***均分类准确率作为适应度;选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
优选地,其中利用如下公式计算平均分类准确率:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
优选地,在所述特征气体数据在线获取单元203,从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据。
优选地,其中所述特征气体数据在线获取单元,从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:
通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;
将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
优选地,在所述故障类型确定单元204,利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
优选地,其中所述***还包括:准确度验证单元,用于根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
优选地,其中所述***还包括:报警单元,用于在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
本发明的实施例的基于支持向量机的变压器故障诊断***200与本发明的另一个实施例的基于支持向量机的变压器故障诊断方法100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (16)
1.一种基于支持向量机SVM的变压器故障诊断方法,其特征在于,所述方法包括:
对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;
根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数);
从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据;
利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述特征气体数据为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
3.根据权利要求2所述的方法,其特征在于,所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
4.根据权利要求1所述的方法,其特征在于,根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,包括:
数据初始化设置,设置粒子群优化算法PSO的搜索空间的维数为2,每个粒子Xi的位置由二元组参数(C,g)来表示,C为惩罚因子,g为高斯径向基核参数;
采用交叉验证CV的方法进行参数优化,根据每个粒子的位置计算得到最小二乘支持向量机LS-SVM故障诊断模型的平均分类准确率作为适应度;
选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
5.根据权利要求4所述的方法,其特征在于,所述平均分类准确率的计算公式为:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
6.根据权利要求1所述的方法,其特征在于,所述从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:
通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;
将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
9.一种基于支持向量机的变压器故障诊断***,其特征在于,所述***包括:
训练数据集获取单元,用于对所获取的变压器的历史的特征气体数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;
故障诊断模型确定单元,用于根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,其中所述二元组参数的格式为:(惩罚因子,高斯径向基核参数);
特征气体数据在线获取单元,用于从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据;
故障类型确定单元,用于利用所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对在线监测的变压器的特征气体数据进行分析,确定变压器的故障类型。
10.根据权利要求9所述的***,其特征在于,所述特征气体数据集为变压器油中溶解气体的含量,其中,所述变压器油中溶解气体,包括:H2、CH4、C2H2、C2H4和C2H6。
11.根据权利要求10所述的***,其特征在于,所述利用如下公式对获取的变压器的历史的特征气体数据集进行标准化预处理:
其中,标准化预处理后特征气体i的气体含量范围为[a,b];Xi′为历史的特征气体i的气体含量;Xmin为历史的特征气体数据集中特征气体i的气体含量的最小值;Xmax为历史的特征气体数据集中特征气体i的气体含量的最大值;Xi为标准化预处理后的特征气体i的气体含量。
12.根据权利要求9所述的***,其特征在于,所述故障诊断模型确定单元,根据所述训练数据集对最小二乘支持向量机LS-SVM进行训练学习,并通过粒子群优化算法PSO对设置的初始的二元组参数进行数据分析以获取目标二元组参数,确定目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型,包括:
数据初始化设置,设置粒子群优化算法PSO的搜索空间的维数为2,每个粒子Xi的位置由二元组参数(C,g)来表示,C为惩罚因子,g为高斯径向基核参数;
采用交叉验证CV的方法进行参数优化,根据每个粒子的位置计算得到最小二乘支持向量机LS-SVM故障诊断模型的平均分类准确率作为适应度;
选取适应度最大时的粒子的位置对应的向量的参数为目标二元组参数,并确定所述目标二元组参数对应的最小二乘所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型。
13.根据权利要求12所述的***,其特征在于,利用如下公式计算平均分类准确率:
其中,k为实验次数;Fc为平均分类准确率;li是第i个验证子集中的样本个数;为验证子集中被正确分类的样本个数。
14.根据权利要求9所述的***,其特征在于,所述特征气体数据在线获取单元,从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据,包括:
通过设置的多个数据监测节点中每个监测点处的变压器监测装置获取与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数;
将获取的与待监测的多个变压器中每个变压器内混合气体相关的运行状态参数根据转换规则转换为特征气体数据。
15.根据权利要求9所述的***,其特征在于,所述***还包括:
准确度验证单元,用于根据所述目标二元组参数对应的最小二乘支持向量机LS-SVM故障诊断模型对测试数据集进行故障预测,验证优化后的参数的准确度。
16.根据权利要求9所述的***,其特征在于,所述***还包括:
报警单元,用于在确定变压器的故障类型后,将故障的变压器标识和故障类型发送至监控中心进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233332.2A CN108268905A (zh) | 2018-03-21 | 2018-03-21 | 一种基于支持向量机的变压器故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233332.2A CN108268905A (zh) | 2018-03-21 | 2018-03-21 | 一种基于支持向量机的变压器故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268905A true CN108268905A (zh) | 2018-07-10 |
Family
ID=62775011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810233332.2A Pending CN108268905A (zh) | 2018-03-21 | 2018-03-21 | 一种基于支持向量机的变压器故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268905A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN109902731A (zh) * | 2019-02-21 | 2019-06-18 | 武汉大学 | 一种基于支持向量机的性能故障的检测方法及装置 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与*** |
CN111880034A (zh) * | 2020-07-31 | 2020-11-03 | 广东电网有限责任公司广州供电局 | 基于三相电流曲线骤降的变压器故障检测方法、***、设备及存储介质 |
CN111898690A (zh) * | 2020-08-05 | 2020-11-06 | 山东大学 | 一种电力变压器故障分类方法及*** |
CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN112906910A (zh) * | 2019-12-04 | 2021-06-04 | 北京沃东天骏信息技术有限公司 | 测试方法、***、装置和电子设备 |
CN112924325A (zh) * | 2020-12-30 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种基于混合气体的气体绝缘变压器监测方法及装置 |
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及*** |
CN113642649A (zh) * | 2021-08-16 | 2021-11-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于支持向量机的hplc通信模块合格分类方法 |
CN115758899A (zh) * | 2021-06-28 | 2023-03-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
CN116773234A (zh) * | 2023-05-05 | 2023-09-19 | 华电莱州发电有限公司 | 一种磨煤机故障监测*** |
CN117536872A (zh) * | 2023-12-13 | 2024-02-09 | 江苏大学 | 一种罗茨风机状态监测***与故障预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
-
2018
- 2018-03-21 CN CN201810233332.2A patent/CN108268905A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106650815A (zh) * | 2016-12-28 | 2017-05-10 | 北京航天测控技术有限公司 | 动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
《科教兴国丛书)编辑委员会: "《工业技术文库 1》", 31 July 1997, 北京:中国三峡出版社 * |
郑含博 等: "《基于多分类最小二乘支持向量机和改进粒子群算法的电力变压器故障诊断方法》", 《高压电技术》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN109902731A (zh) * | 2019-02-21 | 2019-06-18 | 武汉大学 | 一种基于支持向量机的性能故障的检测方法及装置 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN112906910A (zh) * | 2019-12-04 | 2021-06-04 | 北京沃东天骏信息技术有限公司 | 测试方法、***、装置和电子设备 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与*** |
CN111880034A (zh) * | 2020-07-31 | 2020-11-03 | 广东电网有限责任公司广州供电局 | 基于三相电流曲线骤降的变压器故障检测方法、***、设备及存储介质 |
CN111898690A (zh) * | 2020-08-05 | 2020-11-06 | 山东大学 | 一种电力变压器故障分类方法及*** |
CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN112924325A (zh) * | 2020-12-30 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种基于混合气体的气体绝缘变压器监测方法及装置 |
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及*** |
CN115758899A (zh) * | 2021-06-28 | 2023-03-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
CN115758899B (zh) * | 2021-06-28 | 2023-05-09 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
CN113642649A (zh) * | 2021-08-16 | 2021-11-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于支持向量机的hplc通信模块合格分类方法 |
CN116773234A (zh) * | 2023-05-05 | 2023-09-19 | 华电莱州发电有限公司 | 一种磨煤机故障监测*** |
CN117536872A (zh) * | 2023-12-13 | 2024-02-09 | 江苏大学 | 一种罗茨风机状态监测***与故障预测方法 |
CN117536872B (zh) * | 2023-12-13 | 2024-04-12 | 江苏大学 | 一种罗茨风机状态监测***与故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及*** | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
Marins et al. | Improved similarity-based modeling for the classification of rotating-machine failures | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN109993232A (zh) | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 | |
CN110705831A (zh) | 电力***故障后功角失稳模式预判模型构建方法及其应用 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
CN116956215A (zh) | 一种传动***故障诊断方法及*** | |
Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
Jiang et al. | A SVDD and K‐Means Based Early Warning Method for Dual‐Rotor Equipment under Time‐Varying Operating Conditions | |
CN108491503A (zh) | 一种基于数据分析确定变压器的故障类型的方法及*** | |
Kumar et al. | Deep Learning based Fault Detection in Power Transmission Lines | |
CN113011256A (zh) | 基于小样本学习的跨类别故障诊断方法、***及存储介质 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析***及方法 | |
Jia Yong et al. | Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms | |
Sun et al. | Fault diagnosis of rotating machinery based on local centroid mean local Fisher discriminant analysis | |
CN104675988A (zh) | 整车电液控制故障诊断方法 | |
Jing et al. | Two-layer PSDG based fault diagnosis for wind turbines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |