一種電力變壓器故障診斷方法
【專利摘要】本發明公開了一種電力變壓器故障診斷方法，包括以下步驟，確定變壓器的N個故障類型，并確定用于診斷N個故障類型所對應的故障特征量；以N個故障類型所對應的故障特征量為測試樣本，對測試樣本數據規格化處理；將N個故障類型兩兩組合，構建個SVM二分類器，對個SVM二分類器進行訓練，同時采用基于K?折交叉驗證和人工蜂群算法相結合的方法進行SVM核函數參數優化；根據K?折交叉驗證法計算每個SVM分類器的泛化誤差；利用改進的重排序自適應有向無環圖支持向量機法對變壓器的N種故障類型進行診斷。本發明對變壓器的故障類型具有很好的診斷能力，可大幅提高變壓器故障診斷的正確率，為變壓器檢修提供可靠的依據。
【專利說明】
一種電力變壓器故障診斷方法
技術領域
[0001]本發明涉及一種電力變壓器故障診斷方法，屬于電力設備狀態檢測技術領域。
【背景技術】
[0002] 對變壓器的運行狀態及其潛伏故障進行判斷，從而及時發現變壓器內部故障的性 質及發展趨勢對掌握變壓器的運行狀態以及電力系統的安全穩定運行均具有重要意義。 DGA(dissolved gas analysis)方法是目前發現油浸變壓器早期內部故障最有效、簡單的 方法之一。其中，IEC三比值法在以往的設備維護中為發現變壓器潛伏故障做出了巨大貢 獻。但在長期實踐中發現，該方法有相當一部分DGA結果未涵蓋于此編碼中，由此導致對某 些故障無法進行診斷。
[0003] 隨著人工智能技術的發展，神經網絡、模糊技術、專家系統、灰色系統理論、模糊聚 類等方法逐漸被應用于變壓器故障診斷中，并取得了較好的診斷效果。然而，上述方法均存 在一定的缺陷，比如人工神經網絡等基于知識的方法是基于傳統統計學基礎，按照大數定 律，故只有訓練樣本接近無窮大，其統計規律才能被精確表達，然而，獲取無窮多的變壓器 故障樣本是極其困難的，且該方法存在訓練時間長、存在局部最優解等問題;模糊聚類對初 值敏感、易陷入局部極值點且對樣本數據的分布要求及其嚴格，僅對球狀或橢球狀的數據 類型才有效[8]，診斷精度因此也會受到限制。除此之外，變壓器復雜的故障機理以及多樣 的故障類型，決定著要進一步提高其故障診斷的效果，需不斷對新技術和新方法引入和深 入研究。
[0004] 支持向量機(Support Vector Machines，SVM)是根據統計學習理論提出的一種基 于知識的智能分類算法，該方法通過求解一個線性約束的二次規劃問題得到全局最優解， 且能夠在少量樣本的情況下，自動建立優秀的故障分類模型，得到較好的分類結果。但是 SVM是針對二分類問題設計的，變壓器的故障診斷問題則為一個多分類問題，為此將SVM用 于變壓器的故障診斷首先需將SVM進行多分類擴展。針對SVM多分類擴展問題其經典方法是 通過建立多個二分類器，然后兩兩組合進行決策。基于該方法文獻[Fei Shengwei，Zhang Xia0-bin.Fault diagnosis of power transformer based on support vector machine with genetic algorithm[J].Expert Systems with Applications ?2009?36：1352-1357.]提出了基于多級支持向量機分類器的變壓器故障識別，取得了較好的識別效果，但 是該方法運算量大，存在誤分、拒分區域，且可能因正負樣本的不對稱導致過擬合問題;針 對該方法存在的誤分拒分現象文獻[Platter J C，Cristianini N，Shawe_Taylor J.Large margin DAGs for multiclass classification.Proceedings of Neural Information Processing Systems，Massachusetts :MIT Press，2000，547-553 ·]提出決策導向無環圖 (decision directed acyclic graph，DDAG)SVM算法，該方法在不增加決策計算量的情況 下，為不同數據選擇不同的決策路徑，提高了劃分精度，然而，該方法存在自上而下的"誤差 累積"現象，如果在某個結點行發生分類錯誤，則會把分類錯誤延續到該結點的后續結點 上，尤其是在根結點上發生分類錯誤，將嚴重影響分類性能。為解決此問題，文獻[Phetkaew T，Kusirikul B，Rivepiboon ff.Reordering adaptive directed acyclic graphs：an improved algorithm for multiclass support vector machines[C].Proceedings of the 2003 International Joint Conference on Neural Networks,Portland,OR,USA, 2003 :1605-1610]提出一種重排序自適應有向無環圖（reordering adaptive directed acyclic graph，RADAG)支持向量機，該算法采用倒三角結構，和DDAG算法一樣，未知樣本需 要計算k-Ι個決策函數得到最后的結果，但是未知樣本的真實類別只需要和其他類別計算 log2k次或更少，和DDAG的k-Ι次相比減少了很多，這樣可以在很大程度上減少了誤差的累 積。但是該算法還有進一步的提尚空間。

【發明內容】

[0005] 為了解決上述技術問題，本發明提供了一種電力變壓器故障診斷方法。
[0006] 為了達到上述目的，本發明所采用的技術方案是：
[0007] 一種電力變壓器故障診斷方法，包括以下步驟，
[0008] 步驟1，確定變壓器的N個故障類型，并確定用于診斷N個故障類型所對應的故障特 征量；
[0009] 步驟2,以N個故障類型所對應的故障特征量為測試樣本，對測試樣本數據規格化 處理；
[0010]步驟3:將N個故障類型兩兩組合，構建個SVM二分類器，并根據測試樣本數據，對 (?個SVM二分類器進行訓練，同時采用基于K-折交叉驗證和人工蜂群算法相結合的方法進 行SVM核函數參數優化；
[0011] 步驟4:根據K-折交叉驗證法計算每個SVM分類器的泛化誤差；
[0012] 步驟5:根據每個SVM二分類器的泛化誤差，利用改進的重排序自適應有向無環圖 支持向量機法對變壓器的N種故障類型進行診斷。
[0013] 變壓器的故障類型有8個，分別為:低能放電故障、高能放電故障、局部放電故障、 低溫過熱故障、中溫過熱故障、高溫過熱故障、低能放電兼過熱故障、高能放電兼過熱故障； 對應的故障特征量分別為:變壓器油中所產生的甲燒、乙燒、乙稀、乙炔和氫氣5種氣體的含 量。
[0014] 規格化處理公式為，
[0016] 其中，Xl為第i種氣體的原始濃度數據，< 為規格化處理后的數據，Xmax、Xmin分別為 第i種氣體濃度的最大值和最小值。
[0017] 采用基于K-折交叉驗證和人工蜂群算法相結合的方法進行SVM核函數參數優化的 具體步驟為，
[0018] A1)將所有測試樣本數據數據定義為訓練樣本集D，將訓練樣本集D隨機分成Μ個相 互獨立的子集Di、D2、…、Dm ;
[0019] 其中，隨便兩個子集的元素個數之差不大于P1，P1為預設的閾值；
[0020] A2)用D分別與各子集做集合差運算訓練SVM模型，對SVM模型進行驗證，以獲得SVM 模型的Μ個分類正確率；
[0021]
I所計算的Μ個分類正確率作為人工 蜂群算法的適應度函數，以評估待選擇的核函數參數的優劣性；
[0022] 其中，
[0023] Dm 為第 m 個子集，me{l，2…，Μ}，
[0024] | Dm |為Dm含有的樣本個數，
[0026] I((D-Dm)，di)為由0與0"的集合差作為訓練集所學習得到的SVM模型對輸入向量di 的分類結果，U為輸入向量ck所對應的已知正確的分類結果；
[0027] A4)采用人工蜂群算法選擇最優的核函數參數以正確率達到P2%作為終止條件； P2為預設的閾值。
[0028]根據K-折交叉驗證法計算每個SVM分類器的泛化誤差的公式為，
[0030] 其中，
[0031] 定義訓練樣本集D= {ζι、Ζ2、···、zn}，將練樣本集D分成K個相互獨立的子集 、$'···、隨便兩個子集的元素個數之差不大于P3，P3為預設的閾值；
[0032] 表示第k個子集，表示從訓練樣本集D中移走中的元素得到的第k個訓 練集乂 ((廣f),4))4((屢〇，(U)))為表達預測肩砵⑷與觀測值yi之間差 異度量的損失函數;^為努"中的元素，所對應的觀測值;汍把'"表示在上訓練 由SVM算法返回的預測函數;nv=n/K。
[0033] 利用改進的重排序自適應有向無環圖支持向量機法對變壓器的Ν種故障類型進行 診斷的過程為，
[0034] 當Ν為奇數時：
[0035] 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將 Ν種故障類型的測試樣本排序初始化一個列表
個頂層的決策結點，其輸出結 果可診斷出·
-個故障類別，剩余的·
個故障類別將參與第二層分類;在第二層分 類中再次利用最小權值完美匹配算法和最小泛化誤差對剩余的
個故障類別進行 重新排序和組合決策結點，第二層剩余個類別，以此類推，直到輸出最后的電力變 壓器故障結果
[0036] 當N為偶數時：
[0037] 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將 N種故障類型的測試樣本排序初始化一個列表，并形成N/2個頂層的決策結點，其輸出結果 可診斷出N/2個故障類別，剩余的N/2個故障類別將參與第二層分類;在第二層分類中再次 利用最小權值完美匹配算法和最小泛化誤差對剩余的N/2個故障類別進行重新排序和組合 決策結點，第二層剩余N/4個類別，以此類推，直到輸出最后的電力變壓器故障結果。
[0038] 本發明所達到的有益效果：1、本發明對變壓器的故障類型具有很好的診斷能力， 可大幅提高變壓器故障診斷的正確率，為變壓器檢修提供可靠的依據;2、本發明中提出基 于K-折交叉驗證和人工蜂群算法相結合的SVM核函數參數優化方法，可有效尋找SVM最優的 懲罰因子和核函數參數，從而使得每個二分類器SVM具有最佳的分類性能;3、本發明中提出 利用K-折交叉驗證估計SVM的泛化性能，可有效解決僅利用分類間隔這一參數而引起對SVM 泛化性能估計不準確的問題;4、本發明中提出的改進重排序自適應有向無環圖支持向量機 法，該方法直接利用K-折交叉驗證準確估計每個二分類器的泛化誤差，為重排序自適應有 向無環圖支持向量機選擇最佳的故障類別組合，從而可有效提高該算法的分類精度，且具 有算法結構簡單，易于工程實現的特點。
【附圖說明】
[0039]圖1為本發明的流程圖。
[0040] 圖2為基于K-折交叉驗證和人工蜂群算法相結合的方法進行SVM核函數參數優化 的流程圖。
[0041] 圖3為三種方法估計的泛化能力分析圖。
[0042]圖4為實際風險(AR)與CV方法估計的泛化誤差對比結果圖。
[0043]圖5為實際風險(AR)與SV方法估計的泛化誤差對比結果圖。
[0044] 圖6為實際風險(AR)與NM方法估計的泛化誤差對比結果圖。
[0045] 圖7為改進的重排序自適應有向無環圖支持向量機算法分類過程圖。
【具體實施方式】
[0046] 下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明 的技術方案，而不能以此來限制本發明的保護范圍。
[0047] 如圖1所示，一種電力變壓器故障診斷方法，包括以下步驟：
[0048] 步驟1，確定變壓器的N個故障類型，并確定用于診斷N個故障類型所對應的故障特 征量。
[0049] 在這里N = 8,即變壓器的故障類型有8個，分別為:低能放電故障、高能放電故障、 局部放電故障、低溫過熱故障(〖〈300°〇、中溫過熱故障(300°(：〈〖〈700°(：)、高溫過熱故障(七 >700°C)、低能放電兼過熱故障、高能放電兼過熱故障。
[0050] 變壓器正常運行時，變壓器油中產生的CH4(甲烷）、C2H6(乙烷）、C 2H4(乙烯）、C2H2 (乙炔）和H2(氫氣）的含量很少，但變壓器一旦發生電和過熱故障時上述氣體便會加速產 生。其中，當變壓器內部故障點的溫度較低時，其產生氣體的主要成分為CH4(，然而隨著故 障點溫度的逐步上升，油中溶解氣體中的C 2H6、C2H4以及C2H 2將逐步產生。而C2H6是極其不穩 定的，易分解為H2和C2H4,因此兩者總是同步產生的，但通常CH4的含量是大于C2H 6的。
[0051] 變壓器的過熱故障包括低溫過熱、中溫過熱和高溫過熱。通常情況下，低溫過熱 時，變壓器油中溶解氣體中的H2含量占總氫烴（即CH4、C 2H6、H2、C2H4、C2H 2含量之和）含量的 27 %以上；中溫過熱時，出含量會占總氫烴含量的27 %以下；而高溫過熱時，氣體中的主要 成分為C2H4,其次是CH4,二者含量會占總烴的80%以上。
[0052]變壓器發生局部放電時，產生氣體的主成分為H2,其次是CH4。通常CH4占總經含量 的90%以上，出占總氫烴含量的90%以上。當放電能量密度較大時，氣體中可能會出現少量 的C2H 2，但含量一般會小于總烴含量的2%。
[0053]低能放電時，總烴含量不高，產生氣體的主要成分是H#PC2H2。高能放電時，產生氣 體的主要成分H4PC2H2以及部分CH4和C2H4。變壓器典型的故障對應的油中溶解氣體的具體 組成如表一所示。
[0054] 表一變壓器故障與溶解氣體的組成
[0057] 由表一可知，在變壓器發生某些故障時，油中溶解氣體成分也包含ω2和⑶，但兩 者的含量主要是反映固體絕緣的問題，對判斷變壓器過熱故障和放電故障不明顯。因此對 應的故障特征量分別為:變壓器油中所產生的甲燒、乙燒、乙稀、乙炔和氫氣5種氣體的含 量。
[0058] 步驟2,以Ν個故障類型所對應的故障特征量為測試樣本，對測試樣本數據規格化 處理。
[0059]規格化處理公式為，
[0061] 其中，Xl為第i種氣體的原始濃度數據，X丨為規格化處理后的數據，xmax、x_分別為 第i種氣體濃度的最大值和最小值。
[0062] 步驟3:將N個故障類型兩兩組合，構建(?個SVM二分類器，并根據測試樣本數據，對 0個SVM二分類器進行訓練，同時采用基于K-折交叉驗證和人工蜂群算法相結合的方法進 行SVM核函數參數優化。
[0063]如圖2所示，采用基于Κ-折交叉驗證和人工蜂群算法相結合的方法進行SVM核函數 參數優化的具體步驟為，
[0064] Α1)將所有測試樣本數據數據定義為訓練樣本集D，將訓練樣本集D隨機分成Μ個相 互獨立的子集Di、D2、…、Dm ;
[0065] 其中，隨便兩個子集的元素個數之差不大于P1，P1為預設的閾值；
[0066] A2)用D分別與各子集做集合差運算訓練SVM模型，對SVM模型進行驗證，以獲得SVM 模型的Μ個分類正確率；
[0067]
所計算的Μ個分類正確率作為人工 蜂群算法的適應度函數，以評估待選擇的核函數參數的優劣性；
[0068] 其中，
[0069] Dm 為第 m 個子集，me{l，2…，Μ}，
[0070] |Dm|*Dm含有的樣本個數，
[0072] I((D-Dm)，di)為由0與0"的集合差作為訓練集所學習得到的SVM模型對輸入向量di 的分類結果，t為輸入向量ck所對應的已知正確的分類結果；
[0073] A4)采用人工蜂群算法選擇最優的核函數參數以正確率達到P2%作為終止條件； P2為預設的閾值。
[0074] 步驟4:根據K-折交叉驗證法計算每個SVM分類器的泛化誤差。
[0075]根據K-折交叉驗證法計算每個SVM分類器的泛化誤差的公式為，
[0077] 其中，
[0078] 定義訓練樣本集D= {ζι、Ζ2、···、ζη}，將練樣本集D分成K個相互獨立的子集 Sf5、$v)、···、S^，隨便兩個子集的元素個數之差不大于Ρ3，Ρ3為預設的閾值；
[0079] 表示第k個子集，匁11表示從訓練樣本集D中移走中的元素得到的第k個訓 練集，L((肩以:^:^以以⑶^心乃妁為表達預測虞以丨⑷與觀測值"之間差 異度量的損失函數;&為5丨"中的元素，71為其"所對應的觀測值;廣#表示在上訓練 由SVM算法返回的預測函數;nv=n/K。
[0080] 如圖3所示，為利用Κ-折線交叉驗證法、支持向量個數、最大分類間隔法估計出SVM 二分類器的泛化誤差與實際風險的對比結果。可以看出利用K-折交叉驗證法估計的SVM泛 化誤差接近樣本的實際風險，然而利用其它兩種方法得到的泛化誤差與實際值之間有較大 的偏差。
[0081] 為進一步研究圖3中三種方法的優劣性，我們從325個分類器中選擇50個進行分 析。圖4、5和6分別為K-折交叉驗證法(CV)、支持向量機個數法（SV)、歸一化最大分類間隔 (匪)法得到的泛化誤差與真實風險的對比結果，且分類器按照序號升序排列。如果某個方 法是估計泛化誤差的最佳方法，則利用該方法估計的值應與真實風險的變化情況一致。從 結果中我們可以看出利用K-折交叉驗證法估計得到的泛化誤差與真實風險一致，而另外兩 種方法估計得到的泛化誤差與真實風險之間有較大誤差。為更進一步證明這一結論，我們 利用統計學中相關系數(r-value)方法對結果進行分析，通過統計計算得到的三種方法的 r-value分別為0.893; 0.369和-0.198。結果同樣表明利用K-折交叉驗證法估計的泛化誤差 和實際風險之間高度相關，其它兩種方法相關度較低。上述分析表明，利用K-折線交叉驗證 法非常合適估計SVM二分類器的泛化能力，具有簡單、精確的優點。
[0082] 步驟5:根據每個SVM二分類器的泛化誤差，利用改進的重排序自適應有向無環圖 支持向量機法對變壓器的N種故障類型進行診斷。
[0083] 如圖2所示，利用改進的重排序自適應有向無環圖支持向量機法對變壓器的N種故 障類型進行診斷的過程為，
[0084] 當N為奇數時：
[0085] 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將 N種故障類型的測試樣本排序初始化一個列表，并形成
個頂層的決策結點，其輸出結 果可診斷出
個故障類別，剩余的
個故障類別將參與第二層分類;在第二層 分類中再次利用最小權值完美匹配算法和最小泛化誤差對剩余的：
個故障類別進 行重新排序和組合決策結點，第二層剩余個類別，以此類推，直到輸出最后的電力 變壓器故障結果
[0086] 當N為偶數時：
[0087] 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將 N種故障類型的測試樣本排序初始化一個列表，并形成N/2個頂層的決策結點，其輸出結果 可診斷出N/2個故障類別，剩余的N/2個故障類別將參與第二層分類;在第二層分類中再次 利用最小權值完美匹配算法和最小泛化誤差對剩余的N/2個故障類別進行重新排序和組合 決策結點，第二層剩余N/4個類別，以此類推，直到輸出最后的電力變壓器故障結果。
[0088]上述方法提出基于K-折交叉驗證和人工蜂群算法相結合的SVM核函數參數優化方 法，可有效尋找SVM最優的懲罰因子和核函數參數，從而使得每個二分類器SVM具有最佳的 分類性能;提出利用K-折交叉驗證估計SVM的泛化性能，可有效解決僅利用分類間隔這一參 數而引起對SVM泛化性能估計不準確的問題;提出改進重排序自適應有向無環圖支持向量 機法，直接利用K-折交叉驗證準確估計每個二分類器的泛化誤差，為重排序自適應有向無 環圖支持向量機選擇最佳的故障類別組合，從而可有效提高該算法的分類精度，且具有算 法結構簡單，易于工程實現的特點。
[0089]為了驗證上述方法的有效性和正確性，選用江蘇省電力科學研究院提供的實測以 及從相關文獻下載的溶解氣體數據共378組進行實例比較分析。同時，為進一步驗證本發明 方法的優越性，將本發明所提方法與文獻（易輝，宋曉峰，姜斌，等.基于結點優化的決策導 向無環圖支持向量機及其在故障診斷中的應用[J].自動化學報，2010,36(3) :427-432)中 所提的基于結點優化的決策導向無環圖（decision directed acyclic graph，DDAG)方法 以及文南犬（Phetkaew T，Kusirikul B，Rivepiboon ff.Reordering adaptive directed acyclic graphs：an improved algorithm for multiclass support vector machines [C]. Proceedings of the 2003 International Joint Conference on Neural Networks，Portland，OR，USA，2003:1605-1610)提出的原始重排序自適應有向無環圖 (reordering adaptive directed acyclic graph，RADAG)法進行對比研究，其基于三種方 法的變壓器故障診斷正確率對比結果如表二所示。
[0090] 表二三種方法的變壓器故障診斷正確率對比
[0091]
[0092] 從表二結果可以看出，與基于原始RADAG-SVM方法、DDAG方法的變壓器故障診斷方 法相比所得到的故障診斷的正確率結果相比，本發明所提方法的故障診斷平均正確率為 94.16%，其結果均優于上述兩種方法，表明本發明所提方法是正確的和有效的。
[0093]為進一步驗證本發明所提方法的性能，基于本發明所提方法和DDAG方法對8組電 力變壓器的故障進行了診斷，其診斷結果如表三所示。
[0094] 表三變壓器故障診斷實例
[0097] 由表三結果分析可知:本發明算法可對8種故障類型做出正確的判斷，而基于DDAG 的方法，針對高能放電出現了一處誤判，通過對診斷過程分析，我們發現在診斷過程在第三 層的結點處出現了誤判，進而把分類錯誤延續到該結點的后續結點上，導致了最終結果的 誤判。
[0098] 綜上所述，本發明對變壓器的故障類型具有很好的診斷能力，可大幅提高變壓器 故障診斷的正確率，為變壓器檢修提供可靠的依據。
[0099]以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形 也應視為本發明的保護范圍。
【主權項】
1. 一種電力變壓器故障診斷方法，其特征在于:包括W下步驟， 步驟1，確定變壓器的N個故障類型，并確定用于診斷N個故障類型所對應的故障特征 量； 步驟2，WN個故障類型所對應的故障特征量為測試樣本，對測試樣本數據規格化處理； 步驟3:將N個故障類型兩兩組合，構建瑞個SVM二分類器，并根據測試樣本數據，對巧 個SVM二分類器進行訓練，同時采用基于K-折交叉驗證和人工蜂群算法相結合的方法進行 SVM核函數參數優化； 步驟4:根據K-折交叉驗證法計算每個SVM分類器的泛化誤差； 步驟5:根據每個SVM二分類器的泛化誤差，利用改進的重排序自適應有向無環圖支持 向量機法對變壓器的N種故障類型進行診斷。2. 根據權利要求1所述的一種電力變壓器故障診斷方法，其特征在于:變壓器的故障類 型有8個，分別為:低能放電故障、高能放電故障、局部放電故障、低溫過熱故障、中溫過熱故 障、高溫過熱故障、低能放電兼過熱故障、高能放電兼過熱故障;對應的故障特征量分別為： 變壓器油中所產生的甲燒、乙燒、乙締、乙烘和氨氣5種氣體的含量。3. 根據權利要求1所述的一種電力變壓器故障診斷方法，其特征在于:規格化處理公式 為，其中，XI為第i種氣體的原始濃度數據，χ/ 1為規格化處理后的數據，Xmax、X"in分別為第i 種氣體濃度的最大值和最小值。4. 根據權利要求1所述的一種電力變壓器故障診斷方法，其特征在于:采用基于K-折交 叉驗證和人工蜂群算法相結合的方法進行SVM核函數參數優化的具體步驟為， A1)將所有測試樣本數據數據定義為訓練樣本集D，將訓練樣本集D隨機分成Μ個相互獨 立的子集Di、〇2、···、Dm; 其中，隨便兩個子集的元素個數之差不大于PI，P1為預設的闊值； A2)用D分別與各子集做集合差運算訓練SVM模型，對SVM模型進行驗證，W獲得SVM模型 的Μ個分類正確率； A3)W巧計算的Μ個分類正確率作為人 工蜂群算法的適應度函數，W評估待選擇的核函數參數的優劣性； 其中， Dm為第m個子集，me{l，2…，Μ}， I Dm I為Dm含有的樣本個數，I((D-Dm)，di)為由D與Dm的集合差作為訓練集所學習得到的SVM模型對輸入向量di的分 類結果，ti為輸入向量山所對應的已知正確的分類結果； A4)采用人工蜂群算法選擇最優的核函數參數W正確率達到P2%作為終止條件;P2為 預設的闊值。5. 根據權利要求1所述的一種電力變壓器故障診斷方法，其特征在于:根據K-折交叉驗 證法計算每個SVM分類器的泛化誤差的公式為，其中， 定義訓練樣本集D= {ζ?、Ζ2、···、Ζη}，將練樣本集D分成K個相互獨立的子集 5f、、巧'>、...、駕r)，隨便兩個子集的元素個數之差不大于Ρ3，Ρ3為預設的闊值； 巧"表示第k個子集，巧"表示從訓練樣本集D中移走巧"中的元素得到的第k個訓練集，為表達預測巧 >)(卻與觀測值yi之間差異度量 的損失函數;XI為巧'> 中的元素，yi為礎。所對應的觀測值;^義。)表示在51"上訓練由SVM算 法返回的預測函數;ην=η/Κ。6. 根據權利要求1所述的一種電力變壓器故障診斷方法，其特征在于:利用改進的重排 序自適應有向無環圖支持向量機法對變壓器的Ν種故障類型進行診斷的過程為， 當Ν為奇數時： 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將Ν種 故障類型的測試樣本排序初始化一個列表，并形成個頂層的決策結點，其輸出結果可 2 診斷出個故障類別，剩余的^^ + 1個故障類別將參與第二層分類;在第二層分類中 之 Ζ 再次利用最小權值完美匹配算法和最小泛化誤差對剩余的^^+1個故障類別進行重新 排序和組合決策結點，第二層剩余^^+1個類別，W此類推，直到輸出最后的電力變壓器 4 故障結果 當Ν為偶數時： 根據最小權值完美匹配算法，依據步驟4中所計算得到的泛化誤差最小的原則，將Ν種 故障類型的測試樣本排序初始化一個列表，并形成N/^2個頂層的決策結點，其輸出結果可診 斷出ΝΛ個故障類別，剩余的Ν/2個故障類別將參與第二層分類;在第二層分類中再次利用 最小權值完美匹配算法和最小泛化誤差對剩余的N/^2個故障類別進行重新排序和組合決策 結點，第二層剩余Ν/4個類別，W此類推，直到輸出最后的電力變壓器故障結果。
【文檔編號】G01R31/00GK106093612SQ201610357332
【公開日】2016年11月9日
【申請日】2016年5月26日
【發明人】吳益明, 楊成順, 李建生, 陸云才, 吳鵬, 蔚超, 廖才波, 王勝權
【申請人】國網江蘇省電力公司電力科學研究院, 國家電網公司, 南京工程學院