CN101587155A - 一种油浸式变压器的故障诊断方法 - Google Patents

Abstract

本发明公开了一种油浸式变压器故障诊断方法，该方法首先获取样本，对样本中的5种气体浓度数据进行归一化处理，形成训练样本集和测试样本集；确定基本核函数的个数及每个基核的参数，使用交叉验证的方法确定最优的惩罚参数；根据最优惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型；利用训练好的分类模型对验证集中的待测试样本进行故障诊断。本发明能够保证很高的诊断准确率，具有很好的实用性和推广性。

Description

一种油浸式变压器的故障诊断方法

技术领域

本发明属于电力设备技术领域，尤其涉及一种油浸式变压器的故障诊断方法。

背景技术

电力变压器是电力系统中的重要设备，利用油中溶解气体分析(DGA，Dissolved Gas Analysis)方法，检测油浸变压器内部故障，已成为对其进行绝缘监督的重要手段。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性，使得其绝缘故障诊断存在许多困难。随着计算机的快速发展，专家系统、模式识别等人工智能技术在电力系统的故障诊断中获得了初步的应用研究。近几年来，人们借助人工神经网络、模糊数学、聚类原理、灰色系统理论探索变压器故障诊断也获得了一些应用成果，但也存在严重的不足。现有的变压器故障诊断方法均不能很好地满足要求。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种油浸式变压器的故障诊断方法。

本发明的目的是通过以下技术方案来实现的：

一种油浸式变压器的故障诊断方法，包括以下步骤：

(1)通过油中溶解气体分析DGA方法获取变压器油中溶解的五种气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆的数据，形成DGA数据库，作为特征参数；

(2)对DGA原始数据进行归一化处理；

(3)形成样本集和测试样本集；

(4)采用多核学习、多类目标函数方法的多分类SVM模型，确定基本核函数的个数和每个基核的参数；

(5)通过交叉验证的方法确定最优的惩罚参数；

(6)根据最优的惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型；

(7)利用训练好的分类模型进行油浸式变压器故障诊断，得到诊断结果。

本发明的有益效果是：本发明的方法提出了基于多核学习、多类目标函数方法的多分类支持向量机模型，并将之运用于变压器故障诊断。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性，使得其绝缘故障诊断存在许多困难。本发明能够保证很高的诊断准确率，具有很好的实用性和推广性。

具体实施方式

本发明将现有的数据采集设备、成熟的技术与前沿的理论知识相结合。采用多核学习、多类目标函数方法的多分类SVM模型，在输入数据到输出分类结果的直接过程中，有效地避免混淆和差错的可能性。

本发明油浸式变压器的故障诊断方法，包括以下步骤：

1、通过油中溶解气体分析(Dissolved gas analysis，DGA)方法获取变压器油中溶解的五种气体(H₂，CH₄，C₂H₂，C₂H₄，C₂H₆)的数据，形成DGA数据库，作为特征参数。

2、对DGA原始数据进行归一化处理。具体如下：

(1)从DGA中获取原始数据，模式向量为：x_i＝(x_i1，x_i2，x_i3，x_i4，x_i5)

(2)考虑到各种溶解气体含量的巨大差异性及分散性，为降低它们之间由于量值差异过大造成的影响，需要对DGA原始数据进行归一化处理，即将各种融解气体含量换算为[0，1]范围内的相对含量，以降低气体之间的互斥性。归一化处理方法如下：

$x_{\mathrm{ij}}^{\′}=x_{\mathrm{ij}}/{\mathrm{\Σ}}_{j=1}^5{x}_{\mathrm{ij}},$ i＝1，...，n。

3、形成样本集和测试样本集。

4、采用多核学习、多类目标函数方法的多分类SVM(Support VectorMachine，支持向量机)模型，确定基本核函数的个数和每个基核的参数。具体如下：

(1)选取高斯径向基函数作为基本核函数。

(2)在参数范围内以指数增长方式确定每个基本核K_i(x_i，x)的宽度参数σ_i。

(3)确定基本核函数的个数M。

(4)通过在支持向量机的训练中得到每个基本核函数对应的线性组合权值d_l。

5、通过交叉验证的方法确定最优的惩罚参数。

采用交叉验证的方法确定最优的惩罚参数C，即对每个待验证的参数，将N个数据样本随机分成k个互不相交的子集{S₁，S₂，...S_k}，每次依此选择其中一个子集S_i作为测试集，而其余样本作为训练集，得到错误分类的样本点个数为l_i，k次验证完成后，可以得到错误分类的样本点总数，总数越大，交叉验证精度就越差。选取获得最高交叉验证精度的C*作为SVM模型的参数。

6、根据最优的惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型。

7、利用训练好的分类模型进行油浸式变压器故障诊断，得到诊断结果。

采用多核学习、多类目标函数方法的多分类SVM模型是本发明的核心部分。

本发明提出一种新的基于多分类目标函数和多核学习的支持向量机模型MMKL-SVM。

对于有n个样本{x_i，y_i}_i＝1 ⁿ的SVM多分类问题，其中x_i属于输入空间χ，样本共有k类。使用基于向量的类标度方法，定义k维向量y_i和v_j，j＝1，2，...，k，当样本i属于第j类时，向量v_j的第j列为1，而其余维为-1/(k-1)，当样本属于第1类时，定义y_i＝v₁＝(1，-1/(k-1)，...，-1/(k-1))，同理，当样本属于第k类时，定义y_i＝v_k＝(-1/(k-1)，-1/(k-1)，...，1)。

相应定义k元决策函数f(x)＝(f₁(x)，...，f_k(x))，且对于任意x∈R^d，均存在 $\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{f}_j\left(x\right)=0,$ 这一约束条件反映了在基于上述类标度定义的情况下，某样本只属于k类中的一类这一基本性质赋予决策函数的特性。此外，定义k维向量L(y_i)，当样本i属于第j类时，L(y_i)的第j列为0，而其余列为1。参照式 $K(x_i,x)=\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l{K}_l(x_i,x),$ with d_l≥0， $\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l=1,$ 则决策函数可以表示为如下形式：

$f_j\left(x\right)=b_j+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l{K}_l(x_i,x),$ 其中d_l≥0， $\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l=1,$ for j＝1，...，k。

令L_j，j＝1，...，k表示第i行为L(y_i)＝(L_i1，...，L_ik)的n×k阶矩阵的第j列，同样，令ξ_.j，j＝1，...，k表示第i行为ξ_i的n×k阶矩阵的第j列，y_.j表示第i行为y_i的n×k阶矩阵的第j列，K_l为n×n阶矩阵，其中第i行第j列元素为K_l(x_i，x)。基于多分类目标函数和多核学习支持向量机模型的原问题(primal problem)如下式所示：

min $J_P(d_l,\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_j^T\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),$

subject to： $b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}$ for j＝1，...k，。

ξ_.j≥0    for j＝1，...k，

$\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\·j}=0$

$\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l=1,$ d_l≥0

采用两步式的迭代优化方法来求解上述优化问题，上式可以转化为如下问题进行求解：minJ(d_l)有 $\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l=1,$ d_l≥0，其中：

$J\left(d_l\right)=\left\{\begin{array}{cc}\min & J_P(\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),\\ s.t& b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}\mathrm{forj}=1,...,k,\\ & {\mathrm{\ξ}}_{\·j}\≥0\mathrm{forj}=1,...,k,\\ & \left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\·j}=0\end{array}\right.;$

式中，J(d_l)可以看作是上式所表示的支持向量机目标函数的最优值。优化问题求解的两步式迭代优化算法流程如下所示：

1)，令 $d_l^{\left(1\right)}=\frac{1}{M}$ for l＝1，..M；

2)，求解式 $J\left(d_l\right)=\left\{\begin{array}{cc}\min & J_P(\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),\\ s.t& b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}\mathrm{forj}=1,...,k,\\ & {\mathrm{\ξ}}_{\·j}\≥0\mathrm{forj}=1,...,k,\\ & \left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\·j}=0\end{array}\right.$ 表示的优化问题，得到优化参数和J^(t)(d_l)的表达式，其中t表示迭代的步数。

3)，采用共轭投影梯度法求解式minJ(d_l)有 $\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{d}_l=1,$ d_l≥0所表示的等式约束优化问题：

4)，返回流程2)，直至满足一定的收敛判断条件，收敛条件为达到一定迭代次数。

由上可见如何解优化问题 $J\left(d_l\right)=\left\{\begin{array}{cc}\min & J_P(\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),\\ s.t& b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}\mathrm{forj}=1,...,k,\\ & {\mathrm{\ξ}}_{\·j}\≥0\mathrm{forj}=1,...,k,\\ & \left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\·j}=0\end{array}\right.$ 是关键所在。对于给定的参数d_l，上式是一个具有等式和不等式约束的二次优化问题，采用拉格朗日泛函方法求取其对偶问题。引入非负的拉格朗日乘子α_.j＝(α_1j，...α_nj)^T，γ_.j＝(γ_1j，...γ_nj)^T以及无约束的拉格朗日乘子δ_f＝(δ₁，...δ_n)^T，上式的拉格朗日函数如下所示：

$L=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_j\right)+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_j^T(b_{j}e+\left(d_l\underset{I=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}{-y}_{\·j}-{\mathrm{\ξ}}_{\·j})$

$-\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\γ}}_j^T{\mathrm{\ξ}}_j+{\mathrm{\δ}}_f^T(\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_j)$

将泛函关于ξ_.j，c_.j，b_j求极值，根据极值条件可以得到下列特性：

for j＝1，...，k，

$\frac{\∂L}{{\∂\mathrm{\ξ}}_{\·j}}=\frac{C}{n}{L}_j-{\mathrm{\α}}_{\·j}-{\mathrm{\γ}}_j=0$

$\frac{\∂L}{{\∂c}_{\·j}}=\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\α}}_{\·j}+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\δ}}_f=0$

$\frac{\∂L}{{\∂b}_j}={({\mathrm{\α}}_{\·j}+{\mathrm{\δ}}_f)}^{T}e=0$

令 $\stackrel{\‾}{\mathrm{\α}}=\left({\mathrm{\Σ}}_{j=1}^k{\mathrm{\α}}_{\·j}\right)/k,$ 由于δ_f是无约束的，设δ_f＝-α，式 $\frac{\∂L}{{\∂b}_j}={({\mathrm{\α}}_{\·j}+{\mathrm{\δ}}_f)}^{T}e=0$ 可表示为(α_.j-α)^Te＝0，同时利用 $\frac{\∂L}{\∂{\mathrm{\ξ}}_{\·j}}=\frac{C}{n}{L}_j-{\mathrm{\α}}_{\·j}-{\mathrm{\γ}}_j=0,$ $\frac{\∂L}{{\∂c}_{\·j}}=\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\α}}_{\·j}+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\δ}}_f=0$ 两式，代入拉格朗日函数，考虑Wolfe对偶性质，可以得到式 $J\left(d_l\right)=\left\{\begin{array}{cc}\min & J_P(\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),\\ s.t& b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}\mathrm{forj}=1,...,k,\\ & {\mathrm{\ξ}}_{\·j}\≥0\mathrm{forj}=1,...,k,\\ & \left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\·j}=0\end{array}\right.$ 表述的优化问题的对偶问题： $\max J_D\left(\mathrm{\α}\right)=\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{({\mathrm{\α}}_{\·j}-\stackrel{\‾}{\mathrm{\α}})}^T\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)({\mathrm{\α}}_{\·j}-\stackrel{\‾}{\mathrm{\α}})+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_{\·j}^T{y}_{\·j}$

$\begin{array}{cc}s.t& 0\≤{\mathrm{\α}}_{\·j}\end{array}\≤\frac{C}{n}{L}_j$               for j＝1，...，k，

(α_.j-α)e＝0   for j＝1，...，k，

由于 $\stackrel{\‾}{\mathrm{\α}}=\left({\mathrm{\Σ}}_{j=1}^k{\mathrm{\α}}_{\·j}\right)/k,$ 求解上式所表示的二次规划问题可以得到最优解α_.j ^*设最优解α_.j ^*(t)为两步式迭代优化算法的第t步迭代值，将之代入上式的目标函数，根据对偶理论，式 $J\left(d_l\right)=\left\{\begin{array}{cc}\min & J_P(\mathrm{\ξ},c,b)=\frac{C}{n}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{L}_j^T{\mathrm{\ξ}}_{\·j}+\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left(c_{\·j}^T\left(d_l\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}\right),\\ s.t& b_{j}e+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}-y_{\·j}\≤{\mathrm{\ξ}}_{\·j}\mathrm{forj}=1,...,k,\\ & {\mathrm{\ξ}}_{\·j}\≥0\mathrm{forj}=1,...,k,\\ & \left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{b}_{j}e\right)+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_j=0\end{array}\right.$ 的目标函数最优值为：

$J\left(d_l\right)=\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{({\mathrm{\α}}_{\·j}^{*\left(t\right)}-{\stackrel{\‾}{\mathrm{\α}}}^{*\left(t\right)})}^T\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)({\mathrm{\α}}_{\·j}^{*\left(t\right)}-{\stackrel{\‾}{\mathrm{\α}}}^{*\left(t\right)})+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_{\·j}^{*\left(t\right)T}{y}_{\·j}$

根据两步式迭代优化算法的步骤3)，对d_l ^(t)进行修正，得到d_l ^(t+1)代入式

max $J_D\left(\mathrm{\α}\right)=\frac{1}{2}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{({\mathrm{\α}}_{\·j}-\stackrel{\‾}{\mathrm{\α}})}^T\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)({\mathrm{\α}}_{\·j}-\stackrel{\‾}{\mathrm{\α}})+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_{\·j}^T{y}_{\·j}$

s.t $0\≤{\mathrm{\α}}_{\·j}\≤\frac{C}{n}{L}_j$ for j＝1，...k，求取最优解α_.j ^*(t+1)，当达到设定的迭代次数后，(α_.j-α)^Te＝0    for j＝1，...k，

所求得的最优解记为α_.j ^*，c_.j ^*，b_j ^*，d_l ^*，ξ_.j ^*，γ_.j ^*。由式 $\frac{\∂L}{{\∂c}_{\·j}}=\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\α}}_j+\left(d_l\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right){\mathrm{\δ}}_f=0$ 可以得到c_.j ^*，由Kuhn-Tucker定理，最优解满足如下条件：

${\mathrm{\α}}_{\·j}^{*}\⊥(b_j^{*}e+\left(d_l^{*}\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l\right)c_{\·j}^{*}-y_{\·j}-{\mathrm{\ξ}}_{\·j}^{*})\mathrm{forj}=1,...,k$

${\mathrm{\γ}}_{\·j}^{*}=(L_j-{\mathrm{\α}}_{\·j}^{*})\⊥{\mathrm{\ξ}}_{\·j}^{*}$ for j＝1，...，k；

式中“⊥”表示向量的点积为0。

利用支持向量集合可以得到基于最优超曲面的决策函数：

$f_j\left(x\right)=b_j^{*}+\underset{s=1}{\overset{n_s}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}^{*}\left(d_l^{*}\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{K}_l(x_s,x)\right);$

决策规则为：。

φ(x)＝argmax_j f_j(x)

本发明提出一种新颖的变压器故障诊断方法，电力变压器是电力系统中的重要设备，利用油中溶解气体分析(DGA，Dissolved Gas Analysis)方法，检测油浸变压器内部故障，已成为对其进行绝缘监督的重要手段。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性，使得其绝缘故障诊断存在许多困难。本发明提出的变压器故障诊断方法可以很好的解决变压器故障诊断问题，满足各种要求，能够保证很高的诊断准确率。

Claims (4)

1、一种油浸式变压器的故障诊断方法，其特征在于，包括以下步骤：

(1)通过油中溶解气体分析DGA方法获取变压器油中溶解的五种气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆的数据，形成DGA数据库，作为特征参数。

(2)对DGA原始数据进行归一化处理。

(3)形成样本集和测试样本集。

(4)采用多核学习、多类目标函数方法的多分类SVM模型，确定基本核函数的个数和每个基核的参数。

(5)通过交叉验证的方法确定最优的惩罚参数。

(6)根据最优的惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型。

(7)利用训练好的分类模型进行油浸式变压器故障诊断，得到诊断结果。

2、根据权利要求1所述油浸式变压器的故障诊断方法，其特征在于，所述步骤(2)具体为：

(A)从DGA中获取原始数据，模式向量为：x_i＝(x_i1，x_i2，x_i3，x_i4，x_i5)。

(B)将各种融解气体含量换算为[0，1]范围内的相对含量，以降低气体之间的互斥性。归一化处理方法如下：

$x_{\mathrm{ij}}^{\′}=x_{\mathrm{ij}}/{\mathrm{\Σ}}_{j=1}^5{x}_{\mathrm{ij}},$ i＝1，...，n。

3、根据权利要求1所述油浸式变压器的故障诊断方法，其特征在于，所述步骤(4)具体为：

(a)选取高斯径向基函数作为基本核函数。

(b)在参数范围内以指数增长方式确定每个基本核K_l(x_i，x)的宽度参数σ_l。

(c)确定基本核函数的个数M。

(d)通过在支持向量机的训练中得到每个基本核函数对应的线性组合权值d_l。

4、根据权利要求1所述油浸式变压器的故障诊断方法，其特征在于，所述步骤(5)具体为：对每个待验证的参数，将N个数据样本随机分成k个互不相交的子集{S₁，S₂，...S_k}，每次依此选择其中一个子集S_i作为测试集，而其余样本作为训练集，得到错误分类的样本点个数为l_i，k次验证完成后，可以得到错误分类的样本点总数，总数越大，交叉验证精度就越差；选取获得最高交叉验证精度的C*作为SVM模型的参数。