CN111144431A - 一种基于cbbo-svm的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于CBBO‑SVM的变压器故障诊断方法，具体步骤如下，步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁,x₂,x₃,...x_n),(y₁,y₂,y₃,...,x_m)}；步骤2、对所采集到的数据进行预处理暨归一化处理：将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；步骤3、利用CBBO对支持向量机的参数c_i和σ_i进行优化；步骤4、利用步骤3优化后得到的参数c_i和σ_i建立多级SVM模型，利用样本集数据进行分类，从而达到油浸式变压器故障诊断的效果。该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化，有效的提高分类的准确率。

Description

一种基于CBBO-SVM的变压器故障诊断方法

技术领域

本发明属于变压器故障在线监测技术领域，具体涉及一种基于CBBO-SVM的变压器故障诊断方法。

背景技术

现今，全国范围用电需求量迅猛提高，电力***日益向高电压等级、高自动化的大电网联动方向前进，电力变压器的稳定运行不仅有助于推动特高压建设，而且与电力***、医疗、工业乃至消费者的生活息息相关。由于变压器自身结构复杂加之其制造、安装、运维、检修等各个环节交互影响，使之在运行过程中易发故障。油浸式变压器在所有变压器种类中占有极大的比例。因此，对油浸式变压器进行故障诊断非常有必要。

油浸式变压器传统的诊断方法主要涉及：三比值法、大卫三角形、气体图形法、特征气体法等等，这些诊断方法已经十分成熟了，但是在不断发展的今天，这些诊断方法逐步暴露出很多缺点，例如：准确度低、无法判断多种故障并存时的情况、比值编码组合不全等等。人们在传统的诊断方法上加入BP神经网络、贝叶斯算法、萤火虫算法等智能算法，虽然一定程度上提高了准确度，但却出现了新的问题，例如：所需故障数据多、迭代次数高、计算时间长等不足。

因此本发明提出了一种基于CBBO-SVM(混沌生物地理学优化支持向量机)的变压器故障诊断方法，这种诊断方法具有能在较低的迭代次数的前提下得到最优参数，而且使诊断的准确度大大提高。

发明内容

本发明的目的是提供一种基于CBBO-SVM的变压器故障诊断方法，该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化，有效的提高分类的准确率。

本发明所采用的技术方案是，一种基于CBBO-SVM的变压器故障诊断方法，具体按照以下步骤实施：

步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁，x₂，x₃，...x_n)，(y₁，y₂，y₃，...，x_m)}，其中，训练样本占50％，测试样本占50％，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态；

步骤2、对所采集到的数据进行预处理暨归一化处理：利用下式(1)将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；

上式中，X_max、X_min分别为采集到的H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体的浓度的最大值和最小值，X_i表示H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体浓度；

步骤3、利用CBBO对支持向量机的参数c_i和σ_i进行优化；

步骤4、利用步骤3优化后得到的参数c_i和σ_i建立多级SVM模型，利用样本集数据进行分类，从而达到油浸式变压器故障诊断的效果。

本发明的特点还在于，

步骤3具体按照以下步骤实施：

步骤3.1、将SVM参数c_i和σ_i进行初始化操作后，将c_i和σ_i作为每一个栖息地P_i的适宜度向量X_i，继而生成初始种群W_i ¹；

步骤3.2、计算初始种群W_i ¹的种群栖息地适宜度指数f_i ¹，根据式(2)求得f_i ¹；

上式中，i是栖息地变量的序号；n是栖息地变量的总个数；j代表各栖息地变量P_i的级别；c_j为栖息地变量P_i的总级数；β_ij为多元回归系数；

ω_ij为权重因子，由栖息地变量的频率分布得出；a为常系数；

步骤3.3、对初始种群W_i ¹进行迁移操作，根据式(3)计算迁入率λ、迁出率μ；

上式中，I为最大迁入率；E为最大迁出率；λ为迁入率；μ为迁出率；S_max为该栖息地所能容纳的最大物种数；S为该栖息地物种数量；

迁移操作后，根据迁入、迁出形成新的物种W_i ²，再计算种群栖息地适宜度指数f_i ²；

步骤3.4、对迁移操作后的种群进行变异操作，其中，迁移栖息地变异率m(x)随着物种变异率P_s的减小而增大，即：

上式中：m(x)为栖息地变异率；m_max为最大变异率；P_s为栖息地中物种数量为S所对应的物种概率；P_max为P_s的最大值；

P_s与迁入率λ与迁出率μ的关系：

在随机的栖息地中根据变异操作随机产生新的物种W_i ³，代替原有物种W_i ²，计算种群栖息地适宜度指数f_i ³；

步骤3.5、加入C混沌理论，利用分段Logistic混沌映射方程(6)对种群进行更新，产生新的初始化适宜度向量f_i ⁴：

其中，x_i为混沌变量；k为混沌迭代次数；μ为混沌系数步骤3.5中，当μ＝4时映射方程(6)处于混沌状态。

为保证物种多样性，在Logistic混沌映射的基础上进行混沌搜索，记新的适宜度解中的最优解为J_best，以J_best为基础进行混沌搜索，即：

J_n＝J_best+ωx_i (7)

其中，x_i为混沌映射方程的解；ω为调整系数；

对得到的最优解J_n与J_best进行比较，取二者比较的最优者，重复步骤3.2，根据要求更新输出参数c_i和σ_i。

步骤4具体按照以下步骤实施：

步骤4.1、首先进行核函数选择；

步骤4.2、再将占总样本50％的训练样本作为模型输入进行验证；

步骤4.3、将步骤3.5中求得的c_i和σ_i引入得到新的目标函数f(ω,σ_i)：

其中，c为惩罚因子；σ_i为松弛因子；

步骤4.4、利用拉格朗日乘子法求解，结合目标函数和约束条件式(10)

y_i(ωx_i+b)≥1-σ_i (10)

其中，

ω和b为权重矢量，σ_i为松弛因子；

求出ω和b，从而得到最终的决策函数；

步骤4.5、通过6层训练，得到6个决策函数，建立一个6级的支持向量机变压器故障诊断模型。

步骤4.4中所述核函数为高斯核函数K(X,X_i)。

高斯核函数K(X,X_i)具体为：

其中，ξ为控制高斯核函数高度的参数。

本发明的有益效果是：

(1)本发明一种基于CBBO-SVM的变压器故障诊断方法，利用C混沌理论对BBO算法进行优化，形成的CBBO算法极大的提高了参数优化能力；

(2)本发明一种基于CBBO-SVM的变压器故障诊断方法，利用CBBO对SVM参数进行优化，原理简单且在保证较少的迭代次数的前提下能提高SVM的分类性能；

(3)本发明一种基于CBBO-SVM的变压器故障诊断方法，利用CBBO-SVM算法与变压器油中气体检测相结合，大大提高了油浸式变压器故障诊断的准确度。

附图说明

图1是本发明一种基于CBBO-SVM的变压器故障诊断方法中涉及的余弦迁移率模型示意图；

图2是本发明一种基于CBBO-SVM的变压器故障诊断方法中涉及的多级支持向量机示意图；

图3是本发明一种基于CBBO-SVM的变压器故障诊断方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于CBBO-SVM的变压器故障诊断方法，其流程如图1所示，具体按照以下步骤实施：

步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁，x₂，x₃，...x_n)，(y₁，y₂，y₃，...，x_m)}，其中，训练样本占50％，测试样本占50％，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态；

步骤2、对所采集到的数据进行预处理暨归一化处理：利用下式(1)将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；

上式中，X_max、X_min分别为采集到的H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体的浓度的最大值和最小值，X_i表示H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体浓度；

步骤3、利用CBBO对支持向量机的参数c_i和σ_i进行优化；

步骤3具体按照以下步骤实施：

步骤3.1、将SVM参数c_i和σ_i进行初始化操作后，将c_i和σ_i作为每一个栖息地P_i的适宜度向量(SIV)X_i，继而生成初始种群W_i ¹；

步骤3.2、计算初始种群W_i ¹的种群栖息地适宜度指数(HSI)f_i ¹，根据式(2)求得f_i ¹；

上式中，i是栖息地变量的序号；n是栖息地变量的总个数；j代表各栖息地变量P_i的级别；c_j为栖息地变量P_i的总级数；β_ij为多元回归系数；

ω_ij为权重因子，由栖息地变量的频率分布得出；a为常系数；

其中，余弦迁移率模型，如图2所示，具体的建立方法如下：

步骤3.3、对初始种群W_i ¹进行迁移操作，本发明在线性迁移率模型、二次迁移率模型、指数迁移率模型、余弦迁移率模型这四种常见的迁移率模型中，为了使结果参数更优，选择建立更符合自然规律的余弦迁移率模型，根据式(3)计算迁入率λ、迁出率μ；

上式中，I为最大迁入率；E为最大迁出率；λ为迁入率；μ为迁出率；S_max为该栖息地所能容纳的最大物种数；S为该栖息地物种数量；

迁移操作后，根据迁入、迁出形成新的物种W_i ²，再计算种群栖息地适宜度指数f_i ²；

步骤3.4、对迁移操作后的种群进行变异操作，其中，迁移栖息地变异率m(x)随着物种变异率P_s的减小而增大，即：

上式中：m(x)为栖息地变异率；m_max为最大变异率；P_s为栖息地中物种数量为S所对应的物种概率；P_max为P_s的最大值；

P_s与迁入率λ与迁出率μ的关系：

在随机的栖息地中根据变异操作随机产生新的物种W_i ³，代替原有物种W_i ²，计算种群栖息地适宜度指数f_i ³；

步骤3.5、加入C混沌理论，利用分段Logistic混沌映射方程(6)对种群进行更新，产生新的初始化适宜度向量f_i ⁴：

其中，x_i为混沌变量；k为混沌迭代次数；μ为混沌系数步骤3.5中，当μ＝4时映射方程(6)处于混沌状态。

为保证物种多样性，在Logistic混沌映射的基础上进行混沌搜索，记新的适宜度解中的最优解为J_best，以J_best为基础进行混沌搜索，即：

J_n＝J_best+ωx_i (7)

其中，x_i为混沌映射方程的解；ω为调整系数；

对得到的最优解J_n与J_best进行比较，取二者比较的最优者，重复步骤3.2，根据要求更新输出参数c_i和σ_i；

步骤4、利用步骤3优化后得到的参数c_i和σ_i建立多级SVM模型，利用样本集数据进行分类，从而达到油浸式变压器故障诊断的效果；

其中，多级支持向量机故障诊断模型，如图3所示，具体的建立方法如下：

步骤4具体按照以下步骤实施：

步骤4.1、首先进行核函数选择；

在线性核函数、多项式核函数、sigmoid核函数、高斯(RBF)核函数中选择最通用的高斯(RBF)核函数：

其中，ξ为控制高斯(RBF)核函数高度的参数；

步骤4.2、再将占总样本50％的训练样本作为模型输入进行验证；

步骤4.3、将步骤3.5中求得的c_i和σ_i引入得到新的目标函数f(ω,σ_i)：

其中，c为惩罚因子(当C趋于很大时，意味着分类严格；当C趋于很小时，意味着可以有更大的错误容忍)，为需要指定的常数，

需要优化的参数；σ_i为松弛因子.

也是本发明中

步骤4.4、利用拉格朗日乘子法求解，结合目标函数和约束条件式(10)

y_i(ωx_i+b)≥1-σ_i (10)

其中，

ω和b为权重矢量，σ_i为松弛因子；

求出ω和b，从而得到最终的决策函数；

步骤4.5、通过6层训练，得到6个决策函数，建立一个6级的支持向量机变压器故障诊断模型。

Claims (5)

1.一种基于CBBO-SVM的变压器故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁，x₂，x₃，...x_n)，(y₁，y₂，y₃，...，x_m)}，其中，训练样本占50％，测试样本占50％，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态；

步骤2、对所采集到的数据进行预处理暨归一化处理：利用下式(1)将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；

上式中，X_max、X_min分别为采集到的H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体的浓度的最大值和最小值，X_i表示H₂、CH₄、C₂H₂、C₂H₆、C₂H₄、CO及CO₂气体浓度；

步骤3、利用CBBO对支持向量机的参数c_i和σ_i进行优化；

步骤4、利用步骤3优化后得到的参数c_i和σ_i建立多级SVM模型，利用样本集数据进行分类，从而达到油浸式变压器故障诊断的效果。

2.根据权利要求1所述的一种基于CBBO-SVM的变压器故障诊断方法，其特征在于，步骤3具体按照以下步骤实施：

步骤3.1、将SVM参数c_i和σ_i进行初始化操作后，将c_i和σ_i作为每一个栖息地P_i的适宜度向量X_i，继而生成初始种群W_i ¹；

步骤3.2、计算初始种群W_i ¹的种群栖息地适宜度指数f_i ¹，根据式(2)求得f_i ¹；

上式中，i是栖息地变量的序号；n是栖息地变量的总个数；j代表各栖息地变量P_i的级别；c_j为栖息地变量P_i的总级数；β_ij为多元回归系数；ω_ij为权重因子，由栖息地变量的频率分布得出；a为常系数；

步骤3.3、对初始种群W_i ¹进行迁移操作，根据式(3)计算迁入率λ、迁出率μ；

上式中，I为最大迁入率；E为最大迁出率；λ为迁入率；μ为迁出率；S_max为该栖息地所能容纳的最大物种数；S为该栖息地物种数量；

迁移操作后，根据迁入、迁出形成新的物种W_i ²，再计算种群栖息地适宜度指数f_i ²；

步骤3.4、对迁移操作后的种群进行变异操作，其中，迁移栖息地变异率m(x)随着物种变异率P_s的减小而增大，即：

上式中：m(x)为栖息地变异率；m_max为最大变异率；P_s为栖息地中物种数量为S所对应的物种概率；P_max为P_s的最大值；

P_s与迁入率λ与迁出率μ的关系：

在随机的栖息地中根据变异操作随机产生新的物种W_i ³，代替原有物种W_i ²，计算种群栖息地适宜度指数f_i ³；

步骤3.5、加入C混沌理论，利用分段Logistic混沌映射方程(6)对种群进行更新，产生新的初始化适宜度向量f_i ⁴：

其中，x_i为混沌变量；k为混沌迭代次数；μ为混沌系数步骤3.5中，当μ＝4时映射方程(6)处于混沌状态。

为保证物种多样性，在Logistic混沌映射的基础上进行混沌搜索，记新的适宜度解中的最优解为J_best，以J_best为基础进行混沌搜索，即：

J_n＝J_best+ωx_i (7)

其中，x_i为混沌映射方程的解；ω为调整系数；

对得到的最优解J_n与J_best进行比较，取二者比较的最优者，重复步骤3.2，根据要求更新输出参数c_i和σ_i。

3.根据权利要求1所述的一种基于CBBO-SVM的变压器故障诊断方法，其特征在于，步骤4具体按照以下步骤实施：

步骤4.1、首先进行核函数选择；

步骤4.2、再将占总样本50％的训练样本作为模型输入进行验证；

步骤4.3、将步骤3.5中求得的c_i和σ_i引入得到新的目标函数f(ω,σ_i)：

其中，c为惩罚因子；σ_i为松弛因子；

步骤4.4、利用拉格朗日乘子法求解，结合目标函数和约束条件式(10)

y_i(ωx_i+b)≥1-σ_i (10)

其中，

ω和b为权重矢量，σ_i为松弛因子；

求出ω和b，从而得到最终的决策函数；

步骤4.5、通过6层训练，得到6个决策函数，建立一个6级的支持向量机变压器故障诊断模型。

4.根据权利要求3所述的一种基于CBBO-SVM的变压器故障诊断方法，其特征在于，步骤4.4中所述核函数为高斯核函数K(X,X_i)。

5.根据权利要求4所述的一种基于CBBO-SVM的变压器故障诊断方法，其特征在于，所述高斯核函数K(X,X_i)具体为：

其中，ξ为控制高斯核函数高度的参数。

Images