CN109740859A - 基于主成分分析法和支持向量机的变压器状态评估方法及*** - Google Patents

Abstract

本公开公开了一种基于主成分分析法和支持向量机的变压器状态评估方法及***，首先采用主成分分析法(PCA)对变压器数量繁杂的状态信息进行降维处理，剔除数据之间的关联性，选择最有价值的关键参量，从而降低了后续计算的复杂程度。随后，使用LS‑SVM作为分类器，将上述的关键参量作为输入，利用粒子群算法进行参数优化，对变压器的状态等级进行评估。同时提出多级SVM的体系，解决SVM一对多的分类问题，建立变压器的状态评估模型。本公开在减少参量数目降低计算复杂程度的同时，又保证了变压器状态判断的精确度，为电力***的安全运行提供了较好的保障。

Description

基于主成分分析法和支持向量机的变压器状态评估方法及 ***

技术领域

本公开涉及变压器相关技术领域，具体的说，是涉及基于主成分分析法和支持向量机的变压器状态评估方法及***。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

自上世纪70年代，我国电网进入高速建设时期，电网的规模也快速扩大，这种趋势一直延续到近两年的特高压工程建设。变压器是电力***中最常见、也是最重要的枢纽设备之一，是用来改变电压和电流、传输电能的一种静止电器。从发电厂到输电线路再到配电网络，每一步的电能转化都需要用到变压器。由此可见，变压器的状态和电力***的状态紧密相联。只有确保变压器能安全的工作，才能做到保证电力***可靠运行。但是由于自身结构的复杂以及工作环境等原因，变压器的故障时有发生，事故率一直非常高。

目前对变压器进行监督的主要手段是以预防性实验为主，按照国家电网《电力变压器检修导则》中的规定，新变压器运行满5年要进行首次大修，以后每年一小修，每十年一大修。随着电网规模和电压等级的不断提升，传统的定期检修体制慢慢暴露了它的严重缺陷。停工检修的周期太死板，缺少灵活性，无法应付多工况的电网环境以及变压器的更新速度。其次定期试验和大修都需要停电，消耗大量的人力物力财力，同时停电工况和平时运行状态相差太多，一定程度上影响了预防性实验结果的准确性。

所以国家电网开始实行新的科学检修维护***——状态检修体系。状态检修利用在线监测技术，通过先进的状态监测手段，获取电力***中的各项工况数据，再用评估手段和风险预测手段来判断电力设备的状态，对故障程度作出判断，并根据诊断结果决定下一次检修的时间及相关设备。很大程度上解决了以往“维修过剩”的现象。

为了能更早发现设备的异常状况，应该针对渐变过程进行诊断。电力***的故障诊断是对故障进行分析的重要环节。近年来，许多专家对故障诊断技术进行了深入的研究，提出了很多可行的方法，总体可以归为三类：基于数学模型的方法、基于信号处理的方法、基于知识的诊断方法。

这些方法各有优劣，但是状态参量过多、计算过程复杂始终是难以解决的一道门槛。一旦降低参量数目，又会面临精确度太低的问题。

因此，如何在保证精确度的同时降低计算复杂程度，使得状态评估能真正的推广到实际应用中，为电力***的安全运行提供最好的保障，是本领域技术人员亟需解决的问题。

发明内容

本公开为了解决上述问题，提出了一种基于主成分分析法和支持向量机的变压器状态评估方法及***，首先采用主成分分析法(PCA)对变压器数量繁杂的状态信息进行降维处理，剔除数据之间的关联性，选择最有价值的关键参量，从而降低了后续计算的复杂程度。随后，使用LS-SVM作为分类器，将上述的关键参量作为输入，利用粒子群算法进行参数优化，对变压器的状态等级进行评估。同时提出多级SVM的体系，解决SVM一对多的分类问题，建立变压器的状态评估模型。本公开在减少参量数目降低计算复杂程度的同时，又保证了变压器状态判断的精确度，为电力***的安全运行提供了较好的保障。

为了实现上述目的，本公开采用如下技术方案：

一种或多个实施例提供了一种基于主成分分析法和支持向量机的变压器状态评估方法，包括如下步骤：

确定电力变压器关键性能状态量集合，根据每一个关键性能状态量的影响因子确定单项状态量集合；

选取单项状态量集合中的参量作为基础参量进行量化，构建变压器状态参量判据矩阵；

基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系；

根据关键参量的数量和变压器的状态分类数量构建多级支持向量机；

获取关键参量的参数数据和对应的变压器状态建立训练样本集，将关键参量的参数数据作为支持向量机的输入数据，将变压器的状态作为支持向量机的输出数据；

采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优；

用训练样本集的数据训练多级支持向量机，建立变压器的状态评估模型；

获取待测变压器的包括关键参量的在线监测数据，将监测数据输入变压器的状态评估模型，输出变压器的运行状态。

进一步的，将每一纳入评估体系中的参量进行量化，构建变压器状态参量多维判据矩阵步骤具体为：

选取的单项状态量集合中的参量为m个，选取n个判断依据，将每一纳入评估体系中的参量分别从n个维度进行量化，得到m×n的多维判据矩阵。

进一步的，基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系，具体为：

对变压器状态参量判据矩阵进行归一化处理，计算归一化处理后的矩阵所对应的相关系数矩阵R，得到相关系数矩阵R的特征值、特征根以及方差贡献率、累计方差贡献率；

将方差贡献率的值从大到小排列，若前m个特征值的方差贡献率之和满足设定的条件，选取前m个特征值作为主成分；

根据前m个特征值对应的特征向量计算变压器状态参量判据矩阵中的基本参量的因子载荷向量，得到对应基础参量的贡献率，选取基础参量的贡献率为正值的参量，作为变压器风险评估关键参量，构建变压器状态关键参量体系。

进一步的，所述变压器的运行状态分为正常状态、注意状态、异常状态和严重状态，所述多级向量机的级数为三级。

进一步的，所述支持向量机为最小二乘支持向量机。

进一步的，支持向量机的目标函数为：

相应的分类决策函数为：

x_i和x_j是两个输入向量，两个样本的训练个数都为l，y_j∈[+1,-1]和y_i∈[+1,-1]是两个输入样本对应的输出类别，i＝1,2,…，l，l为训练个数，j＝1,2,…，l，l为训练个数，α_i和α_j是样本向量，K(x_i，y_i)是样本空间的内积即为核函数，b是最优偏置，为一个常数。

进一步的，支持向量机的核函数具体为径向核函数：

σ²为径向核函数参数，x_k和x_h是两个输入向量。

进一步的，采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优，具体为：

1)随机产生参数的初始位置{C，σ²}；

2)把训练样本随机分成大小相同的互不包含的子集；

3)用当前的{C，σ²}作为LS-SVM的模型参数，进行训练计算5-fold交叉验证误差；

4)以交叉验证误差作为适应值，分别记录个体和群体的最优适应值位置，用支持向量机分类器的精确度作为适应度函数，更新粒子速度和位置；

5)重复步骤2至4，直到满足最大迭代次数；

6)得到最优的{C，σ²}；

一种基于主成分分析法和支持向量机的变压器状态评估***，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种基于主成分分析法和支持向量机的变压器状态评估方法。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述一种基于主成分分析法和支持向量机的变压器状态评估方法。

与现有技术相比，本公开的有益效果为：

(1)本公开首先采用主成分分析法(PCA)对变压器数量繁杂的状态信息进行降维处理，剔除数据之间的关联性，选择最有价值的关键参量，从而降低了后续计算的复杂程度。随后，使用LS-SVM作为分类器，将上述的关键参量作为输入，利用粒子群算法进行参数优化，对变压器的状态等级进行评估。同时提出多级SVM的体系，解决SVM一对多的分类问题，建立变压器的状态评估模型。本公开在减少参量数目降低计算复杂程度的同时，又保证了变压器状态判断的精确度，为电力***的安全运行提供了较好的保障。

(2)对基础参量进行量化选取历年故障统计、历年一般缺陷统计、电网缺陷库以及历年紧急/重大缺陷统计以及在线监测中该参量是否存在这5大依据，对各个基础参量进行了量化，组成了数据矩阵，在以往的四大依据中补充了在线监测数据，精确度也大大提高。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。

图1是本公开变压器状态评估方法的流程图；

图2是本公开主成分分析法提取关键参量流程图；

图3是多级SVM变压器评估***流程图；

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

在一个或多个实施方式中公开的技术方案中，如图所示，一种基于主成分分析法和支持向量机的变压器状态评估方法，包括如下步骤：

确定电力变压器关键性能状态量集合，根据每一个关键性能状态量的影响因子确定单项状态量集合；

选取单项状态量集合中的参量作为基础参量进行量化，构建变压器状态参量判据矩阵；

基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系；

根据关键参量的数量和变压器的状态分类数量构建多级支持向量机；

获取关键参量的参数数据和对应的变压器状态建立训练样本集，将关键参量的参数数据作为支持向量机的输入数据，将变压器的状态作为支持向量机的输出数据；

采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优；

用训练样本集的数据训练多级支持向量机，建立变压器的状态评估模型；获取待测变压器的包括关键参量的在线监测数据，将监测数据输入变压器的状态评估模型，确定变压器的运行状态。

下面对上述方法进行详细说明。

变压器的状态评价划分为整体评价和部件评价两部分组成。变压器的整体评价需综合其各部件的评价结果。当各部件的评价结果皆为正常状态时则整体评价状态为正常状态；当某一部件的评价结果为注意状态、异常状态或严重状态时，整体评价取为其中最严重的状态。因此变压器的运行状态可以分为正常状态、注意状态、异常状态和严重状态。

由于变压器结构的复杂性，可以将变压器分为六个部件，分别是本体、套管、分接开关、冷却***、非电量保护这五部分，分别对这五个部分提取相应的关键参量，最后再进行整合。

1、利用主成分分析法提取变压器中的关键参量的方法流程如图2所示。

变压器状态参数过多，会存在很多互相重叠的信息。这些重叠的信息无疑加大了计算的复杂程度，如果我们能找到信息之间隐藏的关联规则，对数据进行预处理，以消除数据之间的相关性，减少网络的输入数，从而简化计算难度，给后续的分析提供了相当大的方便。本公开采用主成分分析法进行关键参量的选取。

根据变压器的历史检测数据或者实验数据，确定电力变压器关键性能状态量集合，根据每一个关键性能状态量的影响因子确定单项状态量集合，具体如表1所示。

表1电力变压器关键性能状态量及状态量集列表

注：上述状态量集中含“^*”为化学试验所得状态量，不含“^*”为高压试验所得状态量。

以上状态量的集合分类为通过试验数据获得的状态量，其中单项状态量集合为关键状态性能的影响因子。

目前的成分分析法主要从原变量中，按照一定的规律，寻找一组新的变量进行代替，新的参数体系称为关键参量体系，其中包含的参量数已经远少于之前的参量数。

主成成分分析法的降维原理如下：

主成分分析法是一种简化数量众多的基本参数，得到精简的关键综合参数的统计方法。从数学的角度上，这是一种降维处理技术。下面进行具体的数学理论论述，设有p个样本，每个样本有n个变量，我们可以构建一个n×p阶的数据集矩阵来表示所有的参数数据：

原有变量指标可记为x₁，x₂，…x_n，假设降维处理之后的到m(m≤n)个新变量，记为z₁，z₂，…z_m，则可得：

其中系数l_ij的确定原则是，系数的确定要使得新变量之间相互无关，且z₁是原参量的一切线性组合中方差最大者；z₂是与z₁不相关的原参量中线性组合方差最大者，以此类推直到z_m。新变量指标z₁，z₂，…z_m称为x₁，x₂，…x_n的第1，第2，…，第m主成分。从数学上可以证明，各主成分上的荷载系数l_ij分别是相关矩阵m个较大的特征值所对的特征向量。

采用主成分分析法提取关键参量，首先要构建变压器状态参量判据矩阵，具体为：选取单项状态量集合中的参量作为基础参量进行量化，构建变压器状态参量判据矩阵。可以根据历年故障统计、历年一般缺陷统计、电网缺陷库以及历年紧急/重大缺陷统计以及在线监测中该参量是否存在这5大依据，将基础参量体系中的每一个参量进行量化，构建一个用作主成分分析的多维矩阵。

由于选取了5个依据，所以将每个参量量化为一个5维数组，及参量＝(A1,A2,A3,A4,A5)，参量判据体系如表2所示。

表2关键参数判据体系

A<sub>1</sub>	状态性能数据：表示历年故障统计中对应该参量百分比
			人工巡检数据：表示历年一般缺陷统计中对应该参量百分比
A<sub>2</sub>	表示国网缺陷库中各类缺陷对应该参量的个数
		A<sub>3</sub>	表示状态评价导则中该参量出现的个数
A<sub>4</sub>	表示状态检修导则中该参量出现的个数
		A<sub>5</sub>	表示在线监测体系中该参量是否存在，1表示存在

将每个部分的基础参量分布量化成n×5阶的矩阵X，其中n表示该部分中基础参量的个数，将矩阵X进行主成成分分析，以求得矩阵X中各行向量的因子载荷。根据因子载荷的阈值，选取满足阈值要求的行向量，将行向量对应的参量作为关键参量。最后，将所有部分的关键参量综合起来，形成关键参数体系。具体的流程图如图2所示。

由于状态参数的数目太多，我们选取表1中的一部分进行主成成分分析。选取的基础参量及其状态性能判据矩阵即为变压器状态参量判据矩阵，如表3所示。

表3变压器状态参量判据矩阵

基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系，具体为：

1)对变压器状态参量判据矩阵进行归一化处理，计算归一化处理后的矩阵所对应的相关系数矩阵R，得到相关系数矩阵R的特征值、特征根以及方差贡献率、累计方差贡献率；

2)将方差贡献率的值从大到小排列，若前m个特征值的方差贡献率之和满足设定的条件，选取前m个特征值作为主成分；设定的条件可以为方差贡献率之和达到85％-95％，也可以是方差贡献率之和超过85％。

3)根据前m个特征值对应的特征向量计算变压器状态参量判据矩阵中的基本参量的因子载荷向量，得到对应基础参量的贡献率，选取基础参量的贡献率为正值的参量，作为变压器风险评估关键参量，构建变压器状态关键参量体系。

具体的方法如下：运用Matlab2014计算上述表3的矩阵所对应的相关系数矩阵R(25*25)，得到特征值、特征向量以及方差贡献率、累计方差贡献率。

特征向量矩阵如下所示：

计算特征向量矩阵的特征值如下：

该矩阵四个特征值，按从大到小排列分别为3.4833、0.7952、0.3804、-0.3578，根据特征值计算方差贡献率和累计方差贡献率。

方差贡献率通过如下公式计算：

累积贡献率通过如下公式计算：

计算可得，前两个特征值的累积贡献率达86％以上，满足设定的条件要求的85％-95％或者超过85％。因此选取特征值λ₁＝3.4833，λ₂＝0.7952作为主成分。

通过特征值λ₁，λ₂及其对应的特征向量可以根据式(3)计算各个基本参量的因子载荷向量，从而画出基础参量的贡献率图。贡献率图是柱状图可以是饼状图，反应该主要成分对整体的影响大小。

因子载荷：就是主要成分的载荷，反映了主要成分和原来样本的关联程度。

因子载荷向量：就是一种量化参量贡献率得分的方法。因子载荷向量是贡献率得分。

由式(3)可以得到最初每个基础参量的贡献率得分，在这里选取贡献率为正数的基础参量，或者选取贡献率较高的基础参量，作为变压器风险评估关键参量，纳入新参量体系之中。

向量α被称为因子载荷向量。α_m方差贡献率。

可以取其中贡献率为正值的参量，从而得到关键参量如表(4)所示。

本实施例利用主成分分析法，从变压器的25个基础参量中提取了15个新参量组成了关键参量体系。本公开的基础参量选择可以根据具体的实验或者经验数据获得，上述选取的25个基础参量是本实施例的为说明本申请的方法所采用的示例，实际在本公开的方法中可以根据具体的情况选择不同于本实施例的基础参量，包括基础参量的类型和数量，根据本公开的方法可能得到不同于本实施例的关键参量体系。

2、建立基于粒子群算法优化参数的多级支持向量机，建立变压器的状态评估模型。

变压器的状态评估过程就是对变压器参数进行处理，然后对运行状态进行判断，分成正常、注意、异常和严重四种状态。

在建立了关键参量体系后可以执行以下步骤进行变压器运行状态的评估：

根据关键参量的数量和变压器的状态分类数量构建多级支持向量机；

获取关键参量的参数数据和对应的变压器状态建立训练样本集，将关键参量的参数数据作为支持向量机的输入数据，将变压器的状态作为支持向量机的输出数据；

采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优；

用训练样本集的数据训练多级支持向量机，建立变压器的状态评估模型；

获取待测变压器的包括关键参量的在线监测数据，将监测数据输入变压器的状态评估模型，输出变压器的运行状态。

支持向量机(SVM)作为建立在结构风险和经验风险最小化基础上的机器学***面的求解转化为矩阵求解，然后利用最小二乘法简化计算。可以采用最小二乘支持向量机(LS-SVM)作为分类器。而在解决非线性问题时，由于高维的内积运算过于复杂，我们用核函数来简化计算，代替内积运算。这时就牵扯到了核函数参数的选定问题。为了选择合适的参数，可以采用粒子群优化算法，用k-fold交叉验证误差，最终得出合适的核函数参数。

SVM是一对二的分类模式，本公开的变压器运行状态可分为正常、注意、异常和严重四种状态。可以建立多级SVM体系，一步步进行二分类，最终达到状态评估的要求，如图3所示。

支持向量机非线性问题的求解可以通过构造拉格朗日函数作为目标函数来进行求解，对于非线性问题，采用支持向量机分类的约束条件可以为：

其中，为采用最优超平面进行分类的分类间距，两类样本中与超平面最近的距离之和成为分类间隔，是训练集中错分样本数的上界，C为惩罚函数，起着控制对错分样本的惩罚程度的作用，松弛变量ξ_i≥0，(x_i,y_i)，x_i∈Rⁿ是输入向量，y_i∈[+1,-1]是输出类别，i＝1,2,…，l，l为训练个数。

拉格朗日函数为：

可以通过选用一个非线性变化的将输入向量从源空间映射到高维特征空间F，支持向量机的目标函数可以为：

但是由于高维空间的内积运算及其复杂，核函数可以对应于某一变换空间的内积运算。只要找到一个合适的核函数，目标函数就可以改为：

相应的分类决策函数为：

公式(5)：

x_i和x_j是两个输入向量，两个样本的训练个数都为l，y_j∈[+1,-1]和y_i∈[+1,-1]是两个输入样本对应的输出类别，i＝1,2,…，l，l为训练个数，j＝1,2,…，l，l为训练个数，α_i和α_j是样本向量，K(x_i，y_i)是样本空间的内积即为核函数，b是最优偏置，为一个常数。

这样就将非线性问题转化为线性问题求解，公式5和6所组成的线性方程可以用最小二乘法进行求解从而简化计算，所以LS-SVM(最小二乘法支持向量机)有着比一般向量机有更快的训练速度

支持向量机需要引入核函数来代替高维空间的内积运算，在这里我们选用径向核函数。

其中σ²为径向核函数参数，x_k和x_h是两个输入向量。我们的支持向量机一共有两个未定参数，即惩罚因子C及径向核函数σ²，这两个参数影响到最终分类器的精度，故需要对其进行优化处理，以期得到精确的训练结果。可以采用粒子群优化算法，用向量机分类器的精确度作为适应度函数，进行迭代计算，寻找最优参数。

粒子群算法是一种模拟鸟群社会行为的搜索算法。PSO初始化为一群随机粒子，然后通过不断的迭代寻找最优解。在每次迭代中，粒子通过跟踪两个极值来更新自己，一个是个体极值p_Best，另一个是群体极值g_Best，然后通过下式更新自己的速度和位置：

v＝w·v+c₁r₁(p_Best-p)+c₂r₂(g_Best-p) (7)

p＝p+β·v (8)

其中p指粒子当前的位置，即SVM的参数{C，σ²}的当前取值，v是粒子的速度，控制粒子的更新方向和大小，β是约束因子，c₁c₂是学习因子，ω是惯性因子。本文使用k-fold交叉验证法验证误差，由于样本数量有限，k取5，具体步骤如下：

1)随机产生参数的初始位置{C，σ²}；

2)把样本随机分成大小相同的5个互不包含的子集S₁,S₂,S₃,S₄,S₅；

3)用当前的{C，σ²}作为LS-SVM的模型参数，进行训练计算5-fold交叉验证误差；

4)以交叉验证误差作为适应值，分别记录个体和群体的最优适应值位置，并更新粒子速度和位置；

5)重复步骤2至4，直到满足最大迭代次数；

6)得到最优的{C，σ²}；

具体方法算例如下：

本实施例利用主成分分析法，从变压器的25个基础参量中提取了15个新参量组成了关键参量体系。

本实施例以一级LS-SVM来说明，选取50组关键状态参数数据进行训练，10组数据进行最终验证。首先我们将这50组数据平均分成5份(每10组一份)，编号为S₁,S₂,S₃,S₄,S₅。每一个数据集都包含一个15×10的矩阵作为输入，以训练如图中的SVM1为例，输出类别Y取+1和—1的分别代表着变压器处于正常状态和非正常状态。

首先简述一下向量机的训练过程。对拉格朗日函数通过求L对应于w、ξ_i、a_i和b的偏导并对其置零，根据KKT(Karush-Kuhn-Tucker)条件消去w和ξ_i后得到下面的线性方程：

其中I为单位向量，Ω＝y_ky_hK(x_k，x_h)，Y为输出类别，C为惩罚因数。b、a_i即我们所求的解。由于是线性方程，可以使用最小二乘法进行运算求解，简化计算过程，具体的采用最小二乘法进行运算求解的过程如下：

将线性方程(9)视为线性方程Xβ＝y，其中求b、a_i就是求方程的解β。令残差平方和函数

S(β)＝||Xβ-y||² (10)

当S取最小值时，β即为最合适的解，这时我们记β为通过对S(β)进行微分求最小值后，可得

X^TβX＝X^Ty (11)

这时，如果X^TX是非奇异阵，β有唯一解

β＝(X^TX)^-1X^Ty (12)

至此求解结束，求得b和a_i作为判断变压器设备是否出现故障的标准。

但是在求解过程中，存在两个未定的参数：惩罚因数C和径向核函数参数σ²，为了确定这两个参数最合适的取值，可以采用粒子群算法进行优化。首先选择S₁留作验证子集，用其余的四个子集对向量机进行训练，初始的{C，σ²}随机产生，用训练结果验证S₁子集，此后轮流用剩余四个子集做验证子集，最终将每次验证得到均方差取平均数，以此得到预测均方差。再通过这个误差结果对{C，σ²}进行调整，得到新的{C，σ²}再次循环。可以将最大迭代次数设为1000次，当满足1000次循环迭代后，取预测均方差最小的{C，σ²}为最终的优化结果，参数的寻优过程(部分)如下表所示。

表3-1{C，σ²}的PSO参数寻优过程

由此寻优结果可得，最优参数为C＝0.58，σ²＝5.17

当选定参数为C＝0.58，σ²＝5.17时，可以解出对应的b和a_i，b＝-3.967,因为15维向量a_i对应了15个关键参量，所以这里我们用关键参量进行对照表示，相应元素只取到小数点后三位，结果如下表。

表3-2支持向量机的最优分类超平面的解及参量对照

根据上面得出的结论，我们用式y_i(<w·x_i>+b)≥1进行验证计算，将剩余10组样本中的15项关键参量作为输入样本x，a_i作为w，查看分类是否正确。经检验，该模型的正确率为80％。

对于如图3所述多级的SVM分类器，采用单级的SVM分类器分类方法，采用更多的样本数量采用自上而下的逐级识别进行逐级训练，可以得到精度较高的分类结果。从而可以建立变压器的状态评估模型，当需要对实际运行的变压器进行运行状态的测试，可以直接采集在线监测数据中对应的关键参量数据，将关键参量数据输入变压器的状态评估模型就能够输出待测变压器的当前运行状态，根据具体的运行状态可以及时采取相应的措施，例如对应问题状态可以及时检修。而不需要按照设定的周期定期检修，提高了变压器运行监控的智能化。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：包括如下步骤：

确定电力变压器关键性能状态量集合，根据每一个关键性能状态量的影响因子确定单项状态量集合；

选取单项状态量集合中的参量作为基础参量进行量化，构建变压器状态参量判据矩阵；

基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系；

根据关键参量的数量和变压器的状态分类数量构建多级支持向量机；

获取关键参量的参数数据和对应的变压器状态建立训练样本集，将关键参量的参数数据作为支持向量机的输入数据，将变压器的状态作为支持向量机的输出数据；

采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优；

用训练样本集的数据训练多级支持向量机，建立变压器的状态评估模型；

获取待测变压器的包括关键参量的在线监测数据，将监测数据输入变压器的状态评估模型，输出变压器的运行状态。

2.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：将每一纳入评估体系中的参量进行量化，构建变压器状态参量多维判据矩阵步骤具体为：

选取的单项状态量集合中的参量为m个，选取n个判断依据，将每一纳入评估体系中的参量分别从n个维度进行量化，得到m×n的多维判据矩阵。

3.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：基于主成分分析法对变压器状态参量多维判据矩阵进行降维处理，取综合贡献率得分为正的基础参量作为变压器风险评估关键参量，构建变压器状态关键参量体系，具体为：

对变压器状态参量判据矩阵进行归一化处理，计算归一化处理后的矩阵所对应的相关系数矩阵R，得到相关系数矩阵R的特征值、特征根以及方差贡献率、累计方差贡献率；

将方差贡献率的值从大到小排列，若前m个特征值的方差贡献率之和满足设定的条件，选取前m个特征值作为主成分；

根据前m个特征值对应的特征向量计算变压器状态参量判据矩阵中的基本参量的因子载荷向量，得到对应基础参量的贡献率，选取基础参量的贡献率为正值的参量，作为变压器风险评估关键参量，构建变压器状态关键参量体系。

4.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：所述变压器的运行状态分为正常状态、注意状态、异常状态和严重状态，所述多级向量机的级数为三级。

5.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：所述支持向量机为最小二乘支持向量机。

6.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：支持向量机的目标函数为：

相应的分类决策函数为：

x_i和x_j是两个输入向量，两个样本的训练个数都为l，y_j∈[+1,-1]和y_i∈[+1,-1]是两个输入样本对应的输出类别，i＝1,2,…，l，l为训练个数，j＝1,2,…，l，l为训练个数，α_i和α_j是样本向量，K(x_i，y_i)是样本空间的内积即为核函数，b是最优偏置，为一个常数。

7.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：支持向量机的核函数具体为径向核函数：

σ²为径向核函数参数,x_k和x_h是两个输入向量。

8.如权利要求1所述的一种基于主成分分析法和支持向量机的变压器状态评估方法，其特征是：采用粒子群算法对支持向量机的惩罚因子C及核函数σ²进行寻优，具体为：

1)随机产生参数的初始位置{C，σ²}；

2)把训练样本随机分成大小相同的互不包含的子集；

3)用当前的{C，σ²}作为LS-SVM的模型参数，进行训练计算5-fold交叉验证误差；

4)以交叉验证误差作为适应值，分别记录个体和群体的最优适应值位置，用支持向量机分类器的精确度作为适应度函数，更新粒子速度和位置；

5)重复步骤2至4，直到满足最大迭代次数；

6)得到最优的{C，σ²}。

9.一种基于主成分分析法和支持向量机的变压器状态评估***，其特征是，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行权利要求1-8任一项所述的方法。