CN109030791A - 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 - Google Patents
一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109030791A CN109030791A CN201811045438.6A CN201811045438A CN109030791A CN 109030791 A CN109030791 A CN 109030791A CN 201811045438 A CN201811045438 A CN 201811045438A CN 109030791 A CN109030791 A CN 109030791A
- Authority
- CN
- China
- Prior art keywords
- transformer
- empire
- function
- support vector
- competitive algorithms
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 230000002860 competitive effect Effects 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 54
- 239000007789 gas Substances 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000004868 gas analysis Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 241001620634 Roger Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及电气设备故障诊断技术领域,具体涉及一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,对所选变压器油中溶解气体(DGA)特征量的比值进行分析,由归一化预处理,得到DGA三比值特征量数据,实现了三比值特征量的有效性和简洁性;本发明采用OAO一对一对支持向量机进行了非线性和多分类变化,构建了k‑折平均分类准确率目标函数,结合交叉验证原理对变压器进行故障诊断,并采用帝国殖民竞争算法进行核函数的参数优化,提高了故障诊断的准确率;本发明将二分类SVM拓展为多分类SVM,能够对变压器的多种故障类型进行一次性的诊断识别,简单快捷,为判断变压器的运行状态、评估变压器的故障情况、保障变压器安全稳定运行提供了新方法。
Description
技术领域
本发明涉及电气设备故障诊断技术领域,具体涉及一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法。
背景技术
随着计算机、通信和传感技术的高速发展,信息***和电力***逐步实现深度融合与协作,电力***成为了信息物理融合***CPS(Cyber Physical System)应用的重要领域之一。在电力***中,电力变压器是最重要的设备之一,它的运行状况关系到整个电力***的安全稳定运行,其一旦发生故障将引起局部甚至大面积的停电,这势必会造成巨大的经济损失。因此,准确有效地诊断出电力变压器的故障对提高电力CPS的安全性具有重要意义。变压器部分一旦发生故障可能导致电网严重故障,进而造成大停电等巨大损失。因此,如何准确判断变压器的运行状态,评估变压器的故障情况,降低变压器的故障风险,是电力企业急需解决的关键问题,也是保障电力***稳定运行的重中之重。
目前变压器故障诊断的研究主要集中在基于已有的DGA特征量(即DGA比值,如Roger比值、IEC比值等),采用支持向量机(SVM)等技术建立变压器故障诊断模型。基于DGA数据的SVM电力变压器故障诊断方法已取得了较好的效果,但不同文献中SVM诊断模型采用不同的核函数,分类的效果有明显的区别,也存在一些问题。比如支持向量机诊断方法的核函数存在规则化参数确定困难、故障诊断的准确率不够高等问题。因此,亟需综合应用DGA三比值特征量和SVM模型的优点,进行变压器故障诊断,提升变压器故障诊断的准确率。
发明内容
为了解决上述问题,本发明提供了一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,具体技术方案如下:
一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法包括以下步骤:
(1)采集变压器故障样本数据,选取变压器油中溶解气体分析特征量,对变压器油中溶解气体分析特征量的比值进行分析;
(2)对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理,得到归一化后的油中溶解气体分析特征量的三比值数据;
(3)采用变压器油中溶解气体作为特征参量,收集特征量集和结果集形成变压器故障诊断的分类集,并形成故障样本集;其中特征量集为变压器油中溶解气体的溶解值的集合,结果集为对应的变压器的运行状况的集合;分类集为变压器运行状态的故障分类的集合;
(4)构建支持向量机模型,对支持向量机进行非线性多分类变换;
(5)采用高斯径向基核函数作为支持向量机模型的核函数,计算出非线性多分类时支持向量机模型的分类决策函数;
(6)构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数;
(7)采用所述步骤(6)的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化,构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型;
(8)利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数,计算出目标函数的最优解,即为故障诊断的最优函数适应度;
(9)计算所述步骤(8)中目标函数最优解所对应的支持向量机模型的惩罚因子和核参数,即为最优的支持向量机模型惩罚因子和核参数;
(10)将所述步骤(9)中最优的支持向量机模型惩罚因子和核参数代入所述步骤(7)中的故障诊断目标函数,得到基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型,采用该诊断模型对电力变压器油中溶解气体进行故障诊断,判断变压器的运行状态。
优选地,所述步骤(2)中的归一化预处理的表达式如下式:
式中,xsn为归一化计算后的溶解气体分析三比值特征量数据,xn为归一化前的溶解气体分析特征量比值,xnmax为归一化前溶解气体分析特征量比值的最大值,xnmin为归一化前溶解气体分析特征量比值的最小值。
优选地,所述步骤(4)中对支持向量机进行非线性变换可表示为:
式中,ω为超平面的法向量,ξi为松弛变量,C为支持向量机模型的惩罚因子,b为偏差量,xi为第i个样本,yi为类别标签,yi∈{-1,1};ωT为超平面的法向量的转置矩阵;l为松弛变量个数;
构建拉格朗日函数为:
其中,αi>0,βi>0为拉格朗日乘子;
得到其对偶优化形式为:
决策函数为:
其中,核函数K(xi,xj)=αT(xi)α(xj)为满足Mercer定理的任意对称函数;选择好合适的核函数后,即可实现支持向量机的非线性变换。
优选地,支持向量机的非线性多分类变换的决策函数为:
式中,ω为超平面的法向量,b为偏差量,jk表示多分类,为非线性映射,即核参数σ。
优选地,所述步骤(5)中采用高斯径向基核函数作为支持向量机模型的核函数具体表示为:
K(xi,xj)=exp(-γ||xi-xj||2);(7)
其中,γ>0;γ为高斯径向基核函数中一个可变的参数值,它反应的是高斯径向基核函数宽度的倒数值,需对其进行优化。
优选地,所述步骤(6)构建帝国殖民竞争算法中国家成本的计算函数表达式如下:
其中,li为利用支持向量机算法分类时第i个验证集中的样本个数;为利用支持向量机算法分类时该验证集中被正确分类的个数;k为交叉验证的折数;Ccountr为国家成本;P=[Pi1,Pi2,...,PiN]为一数据组;L11和L12分别表征支持向量机的惩罚因子C和核参数γ;求取国家成本f1的最小值即为目标函数,其最优化问题表达式如下式所示:
约束条件为:
其中,L11max、L11min分别为支持向量机的惩罚因子C的最大值、最小值;L12max、L12min分别为支持向量机的核参数γ的最大值、最小值。
本发明的有益效果为:
本发明所提供的基于帝国殖民竞争算法优化SVM变压器故障诊断方法,对所选变压器油中溶解气体(DGA)特征量的比值进行分析,由归一化预处理,得到DGA三比值特征量数据,实现了三比值特征量的有效性和简洁性;本发明采用OAO一对一对支持向量机进行了非线性和多分类变化,构建了k-折平均分类准确率目标函数,结合交叉验证原理对变压器进行故障诊断,并采用帝国殖民竞争算法进行核函数的参数优化,提高了故障诊断的准确率;本发明将二分类SVM拓展为多分类SVM,能够对变压器的多种故障类型进行一次性的诊断识别,简单快捷,为判断变压器的运行状态、评估变压器的故障情况、保障变压器安全稳定运行提供了新方法。
附图说明
图1是本发明的流程示意图;
图2本发明变压器故障诊断模型ICA算法在不同迭代次数下的平均成本和最小成本;
图3是本发明变压器故障诊断模型训练样本的分类准确率;
图4是本发明变压器故障诊断模型测试样本的分类准确率。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:包括以下步骤:
1、采集变压器故障样本数据,选取变压器油中溶解气体分析特征量,对变压器油中溶解气体分析特征量的比值进行分析;具体为:从七种特征气体中选择两种溶解度和扩散系数相近似的气体组分组成三对比值数据进行分析,这三对比值数据分别为C2H2/C2H4、CH4/H2和C2H4/C2H6。
2、对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理,得到归一化后的油中溶解气体分析特征量的三比值数据;
归一化预处理的表达式如下式:
式中,xsn为归一化计算后的溶解气体分析三比值特征量数据,xn为归一化前的溶解气体分析特征量比值,xnmax为归一化前溶解气体分析特征量比值的最大值,xnmin为归一化前溶解气体分析特征量比值的最小值。
3、采用变压器油中溶解气体作为特征参量,收集特征量集和结果集形成变压器故障诊断的分类集,并形成故障样本集;其中特征量集为变压器油中溶解气体的溶解值的集合,结果集为对应的变压器的运行状况的集合;分类集为变压器运行状态的故障分类的集合;
4、构建支持向量机模型,对支持向量机进行非线性多分类变换;具体步骤包括:
(1)构建非线性多分类的支持向量机模型,并求解优化函数minΦ(ω,ξ):
式中,ω为超平面的法向量,C为支持向量机模型的惩罚因子,ξi为松弛变量,l为松弛变量个数;同时满足以下约束条件:
其中,xi为第i个样本,yi为类别标签,设{(x1,y1),(x2,y2),...,(xn,yn)}是样本个数为n,样本xi(1,2,...,n)对应的类别yi∈{-1,1},为非线性映射,b为偏差量;ωT为超平面的法向量的转置矩阵;本文的T均指代矩阵转置。
(2)对于步骤(1)中的QP问题(Quadratic Programming Problem二次约束问题),构建拉格朗日函数为:
其中,αi>0,βi>0为拉格朗日乘子;有:
(3)将式(5)代入拉格朗日函数式(4)中,得到如下对偶优化形式:
由式(5)中C与αi的关系转换,得出计算分类问题的决策函数为:
式中,K(xi,xj)为小波核函数,采用小波核函数作为支持向量机模型的核函数:
式中,N为粒子群算法的种群数,a′为尺度因子。
采用OAO(one-Agains-one decomposition)方法将二分类支撑向量机拓展为多分类支持向量机,即求解式(6)的优化问题,得出非线性多分类时支持向量机模型的分类决策函数为:
式中,ω为超平面的法向量,b为偏差量,jk表示多分类,为非线性映射,即核参数σ。
5、采用高斯径向基核函数作为支持向量机模型的核函数,计算出非线性多分类时支持向量机模型的分类决策函数;其中,采用高斯径向基核函数作为支持向量机模型的核函数具体表示为:
K(xi,xj)=exp(-γ||xi-xj||2); (10)
其中,γ>0;γ为高斯径向基核函数中一个可变的参数值,它反应的是高斯径向基核函数宽度的倒数值,需对其进行优化。
6、构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数;
(1)形成帝国:帝国殖民竞争算法首先随机生成初始国家,每个国家代表所求问题的一个解;
(2)帝国的同化:同化可以提升所有国家求解质量;
(3)能量计算与殖民竞争:同化后计算帝国的能量值,根据各个帝国的能量,通过竞争的方式重新分配其殖民国家;
(4)经过数代的同化、革命、竞争等一系列的进化操作后,最终找到全局范围内的最优解;国家成本的计算函数表达式如下所示:
其中,li为利用支持向量机算法分类时第i个验证集中的样本个数;为利用支持向量机算法分类时该验证集中被正确分类的个数;k为交叉验证的折数;Ccountr为国家成本;P=[Pi1,Pi2,...,PiN]为一数据组;L11和L12分别表征支持向量机的惩罚因子C和核参数γ;求取国家成本f1的最小值即为目标函数,其最优化问题表达式如下式所示:
约束条件为:
其中,L11max、L11min分别为支持向量机的惩罚因子C的最大值、最小值;L12max、L12min分别为支持向量机的核参数γ的最大值、最小值。
7、支持向量机的惩罚因子C和核参数γ决定支持向量机的最优分类曲面即故障诊断准确率,采用所述步骤6的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化,构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型;
8、利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数,计算出目标函数的最优解,即为故障诊断的最优函数适应度;
9、计算所述步骤8中目标函数最优解所对应的支持向量机模型的惩罚因子和核参数,即为最优的支持向量机模型惩罚因子和核参数;
10、将所述步骤9中最优的支持向量机模型惩罚因子和核参数代入所述步骤(7)中的故障诊断目标函数,得到基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型,采用该诊断模型对电力变压器油中溶解气体进行故障诊断,判断变压器的运行状态。
本实例采用118组IEC TC 10故障数据进行算法测试。将变压器故障划分为:低能放电(L-D)、高能放电(H-D)、中低温过热(L-T)、高温过热(H-T)、正常状态(N-C)五种状态,得到118组IEC TC 10变压器故障样本数据如表1所示。
表1变压器故障样本数据
故障类型 | LE-D | HE-D | LM-T | H-T | N-C |
IEC TC 10故障样本 | 23 | 45 | 10 | 14 | 26 |
对搜集的118组变压器油中溶解气体分析数据进行三比值计算和归一化预处理得到归一化后的变压器油中溶解气体分析特征量(三比值特征量数据),并通过不同的气体比值得到不同的变压器油中溶解气体分析特征量(IEC三比值法数据,包括C2H2/C2H4,CH4/H2和C2H4/C2H6比值)。
本发明提出的帝国殖民竞争算法优化支持向量机的参数设置为:未知参数的维数为2,参数C和γ的帝国殖民竞争算法搜索区间范围分别设为[1,103]和[10-2,103],交叉验证的折数为9,最大迭代次数为30,所有国家的个数设为30,生成的初始帝国数为8,变革系数设置为0.45,同化系数设置为2,同化系数角设为0.5。所有帝国各迭代次数的平均成本值和最小成本值如图2所示。起初所有帝国的最小成本远小于所有帝国的平均成本,但随着迭代次数的增加,最小成本与平均成本间的差距越来越小,最终帝国殖民竞争算法寻找的支持向量机参数为C=440.2、γ=440.2。
在SVM参数为C=440.2、γ=440.2的情况下,由图3可以看出98个训练样本集中,有15个样本集未能正确判断,训练样本的准确率为84.69%。图4表现了,在23个测试样本,有5个样本不能正确分类,测试样本的准确率为78.26%。同时由表2详细说明了部分测试样本的故障分类状态,由此也证明本方法的准确性。
表2测试样本中不同故障类型的诊断准确率
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:包括以下步骤:
(1)采集变压器故障样本数据,选取变压器油中溶解气体分析特征量,对变压器油中溶解气体分析特征量的比值进行分析;
(2)对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理,得到归一化后的油中溶解气体分析特征量的三比值数据;
(3)采用变压器油中溶解气体作为特征参量,收集特征量集和结果集形成变压器故障诊断的分类集,并形成故障样本集;其中特征量集为变压器油中溶解气体的溶解值的集合,结果集为对应的变压器的运行状况的集合;分类集为变压器运行状态的故障分类的集合;
(4)构建支持向量机模型,对支持向量机进行非线性多分类变换;
(5)采用高斯径向基核函数作为支持向量机模型的核函数,计算出非线性多分类时支持向量机模型的分类决策函数;
(6)构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数;
(7)采用所述步骤(6)的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化,构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型;
(8)利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数,计算出目标函数的最优解,即为故障诊断的最优函数适应度;
(9)计算所述步骤(8)中目标函数最优解所对应的支持向量机模型的惩罚因子和核参数,即为最优的支持向量机模型惩罚因子和核参数;
(10)将所述步骤(9)中最优的支持向量机模型惩罚因子和核参数代入所述步骤(7)中的故障诊断目标函数,得到基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型,采用该诊断模型对电力变压器油中溶解气体进行故障诊断,判断变压器的运行状态。
2.根据权利要求1所述的一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:所述步骤(2)中的归一化预处理的表达式如下式:
式中,xsn为归一化计算后的溶解气体分析三比值特征量数据,xn为归一化前的溶解气体分析特征量比值,xnmax为归一化前溶解气体分析特征量比值的最大值,xnmin为归一化前溶解气体分析特征量比值的最小值。
3.根据权利要求1所述的一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:所述步骤(4)中对支持向量机进行非线性变换可表示为:
式中,ω为超平面的法向量,ξi为松弛变量,C为支持向量机模型的惩罚因子,b为偏差量,xi为第i个样本,yi为类别标签,yi∈{-1,1};ωT为超平面的法向量的转置矩阵;l为松弛变量个数;
构建拉格朗日函数为:
其中,αi>0,βi>0为拉格朗日乘子;
得到其对偶优化形式为:
决策函数为:
其中,核函数K(xi,xj)=αT(xi)α(xj)为满足Mercer定理的任意对称函数;选择好合适的核函数后,即可实现支持向量机的非线性变换。
4.根据权利要求3所述的一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:支持向量机的非线性多分类变换的决策函数为:
式中,ω为超平面的法向量,b为偏差量,jk表示多分类,为非线性映射,即核参数σ。
5.根据权利要求1所述的一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:所述步骤(5)中采用高斯径向基核函数作为支持向量机模型的核函数具体表示为:K(xi,xj)=exp(-γ||xi-xj||2); (7)
其中,γ>0;γ为高斯径向基核函数中一个可变的参数值,它反应的是高斯径向基核函数宽度的倒数值,需对其进行优化。
6.根据权利要求1所述的一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法,其特征在于:所述步骤(6)构建帝国殖民竞争算法中国家成本的计算函数表达式如下:
其中,li为利用支持向量机算法分类时第i个验证集中的样本个数;为利用支持向量机算法分类时该验证集中被正确分类的个数;k为交叉验证的折数;Ccountryi为国家成本;P=[Pi1,Pi2,...,PiN]为一数据组;L11和L12分别表征支持向量机的惩罚因子C和核参数γ;
求取国家成本f1的最小值即为目标函数,其最优化问题表达式如下式所示:
约束条件为:
其中,L11max、L11min分别为支持向量机的惩罚因子C的最大值、最小值;L12max、L12min分别为支持向量机的核参数γ的最大值、最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045438.6A CN109030791A (zh) | 2018-09-07 | 2018-09-07 | 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045438.6A CN109030791A (zh) | 2018-09-07 | 2018-09-07 | 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109030791A true CN109030791A (zh) | 2018-12-18 |
Family
ID=64624133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811045438.6A Pending CN109030791A (zh) | 2018-09-07 | 2018-09-07 | 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109030791A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
CN109918720A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于磷虾群优化支持向量机的变压器故障诊断方法 |
CN110399805A (zh) * | 2019-07-02 | 2019-11-01 | 成都信息工程大学 | 半监督学习优化svm的运动想象脑电信号分类方法 |
CN110702438A (zh) * | 2019-09-23 | 2020-01-17 | 天津大学 | 一种离心式冷水机组与新风***联合故障诊断方法 |
CN111104972A (zh) * | 2019-12-06 | 2020-05-05 | 南京工程学院 | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子***的故障智能诊断方法 |
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 |
WO2022004139A1 (ja) * | 2020-07-01 | 2022-01-06 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
CN116523722A (zh) * | 2023-06-30 | 2023-08-01 | 江西云绿科技有限公司 | 一种具备机器学习能力的环境监测分析*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
-
2018
- 2018-09-07 CN CN201811045438.6A patent/CN109030791A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
MICHEL DUVAL等: "Interpretation of Gas-In-Oil Analysis Using New IEC Publication 60599 and IEC TC 10 Databases", 《IEEE ELECTRICAL INSULATION MAGAZINE》 * |
张镱议等: "基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型", 《电力自动化设备》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
CN109918720A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于磷虾群优化支持向量机的变压器故障诊断方法 |
CN110399805A (zh) * | 2019-07-02 | 2019-11-01 | 成都信息工程大学 | 半监督学习优化svm的运动想象脑电信号分类方法 |
CN110702438A (zh) * | 2019-09-23 | 2020-01-17 | 天津大学 | 一种离心式冷水机组与新风***联合故障诊断方法 |
CN110702438B (zh) * | 2019-09-23 | 2020-09-18 | 天津大学 | 一种离心式冷水机组与新风***联合故障诊断方法 |
CN111104972A (zh) * | 2019-12-06 | 2020-05-05 | 南京工程学院 | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 |
WO2022004139A1 (ja) * | 2020-07-01 | 2022-01-06 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
JP2022012217A (ja) * | 2020-07-01 | 2022-01-17 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
JP7405707B2 (ja) | 2020-07-01 | 2023-12-26 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子***的故障智能诊断方法 |
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 |
CN116523722A (zh) * | 2023-06-30 | 2023-08-01 | 江西云绿科技有限公司 | 一种具备机器学习能力的环境监测分析*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109030791A (zh) | 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法 | |
Kong et al. | Electricity theft detection in low-voltage stations based on similarity measure and DT-KSVM | |
Dai et al. | Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network | |
Ghoneim et al. | A new approach of DGA interpretation technique for transformer fault diagnosis | |
CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
CN106156485A (zh) | 电力变压器故障诊断方法及装置 | |
CN110428005B (zh) | 一种基于伞式算法的电力***动态安全误分类约束方法 | |
CN101587155A (zh) | 一种油浸式变压器的故障诊断方法 | |
Motlagh et al. | Power quality disturbances recognition using adaptive chirp mode pursuit and grasshopper optimized support vector machines | |
Porwal et al. | Credit card fraud detection in e-commerce | |
Glauner et al. | Neighborhood features help detecting non-technical losses in big data sets | |
Li et al. | A transformer fault diagnosis method based on parameters optimization of hybrid kernel extreme learning machine | |
Qi et al. | Differentiated warning rule of power transformer health status based on big data mining | |
CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
Do Coutto Filho et al. | Quantifying observability in state estimation | |
Hong et al. | A novel SVM-based decision framework considering feature distribution for Power Transformer Fault Diagnosis | |
CN109918720A (zh) | 基于磷虾群优化支持向量机的变压器故障诊断方法 | |
Yunlong et al. | Identification method of gas-liquid two-phase flow regime based on image multi-feature fusion and support vector machine | |
CN106780108A (zh) | 一种基于改进证据推理融合的配电变压器状态评估方法 | |
Sun et al. | Data augmentation strategy for power inverter fault diagnosis based on wasserstein distance and auxiliary classification generative adversarial network | |
CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
Tutek et al. | Toward practical usage of the attention mechanism as a tool for interpretability | |
Chen et al. | Boruta-XGBoost electricity theft detection based on features of electric energy parameters |
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: 20181218 |