CN102930299B - 基于优化方法的多特征选择多层次变压器故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于优化方法的多特征选择多层次变压器故障诊断方法，用于提高故障诊断模型的准确率。该模型采用多层次结构，每一层进行二元分类，并且每一层的分类器采用不同的特征提取方式，特征提取方式和分类器的参数采用优化方法优化。本发明采用二元分类器建立多层次变压器故障诊断方法，对每一层采取不同特征提取方式并且采用优化方法对分类器参数和特征提取方式进行优化，可以显著的提高分类器的性能。

Description

基于优化方法的多特征选择多层次变压器故障诊断方法

技术领域

本发明涉及一种基于优化方法的多特征选择多层次变压器故障诊断方法。

技术背景

变压器是电力系统中最重要的设备之一，准确的诊断其内部潜伏性故障对整个电力系统的稳定运行有着重要的意义。变压器在受到热或电的作用下，绝缘油会发生裂解产生气体，气体的体积分数及比值与故障类型有着密切的关系。据此发展而来的油中溶解气体分析技术(DissolvedGasAnalysis,DGA)便成为发现变压器潜伏性故障最有效的手段。

基于传统三比值法存在编码不全和判断标准过于绝对的缺点，人工智能技术得到了广泛的关注，如人工神经网络、贝叶斯网络、支持向量机(SVM)和相关向量机(RVM)等。其中支持向量机和相关向量机是机器学习领域的新方法，以其对小样本数据良好的处理性能和泛化能力，得到了广泛的应用。但支持向量机和相关向量机解决的是二元分类问题，在进行多分类时需要建立多层次模型，以往的模型对不同层次分类器采取相同的特征提取方式，这样就造成了提取的特征针对性不强，从而影响了分类器的分类性能。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于优化方法的多特征选择多层次变压器故障诊断方法，利用支持向量机或相关向量机建立多层次分类模型的同时，对不同层次分类器采取不同的特征提取方式，从而得到更高的分类准确率。

本发明的目的通过以下技术方案来实现：

一种基于优化方法的多特征选择多层次变压器故障诊断方法，采用二分类分类器建立多层次分类模型，每一层分类器采取不同的特征提取方式，特征提取方式和分类器的参数采用优化方法优化。

所述特征提取方式包括：特征气体浓度处理方法、IEC三比值法、图表法、劣化度法。

1.特征气体浓度处理方法特征气体浓度处理方法是指按照式(1)对油中溶解气体浓度数据进行处理：

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}}{\underset{j=1}{\overset{5}{\max }}\left(x_{\mathrm{ij}}\right)}---\left(1\right)$

其中x_ij为第i个样本第j类故障气体的体积分数，x_ij ^*为归一化处理后的数据。

2.IEC三比值法

IEC三比值法是对C₂H₂、C₂H₄、C₂H₆、CH₄和H₂这五种气体的浓度进行处理，形成三种比值：C₂H₂/C₂H₄、C₂H₄/C₂H₆和CH₄/H₂。

3.图表法

图表法是利用CH₄、C₂H₄和C₂H₂三种气体各自在总量中(CH₄+C₂H₄+C₂H₂)的比例，定义一个点(%CH₄、%C₂H₄、%C₂H₂)。

4.劣化度法

劣化度法是按照式（2）对各种气体浓度数据进行处理，得出各自分别偏离注意值的程度，这种处理方式定义为劣化度：

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}}{x_j}---\left(2\right)$

其中x_ij为第i个样本第j类故障气体的体积分数，x_ij ^*为归一化处理后的数据，x_j为第j类气体的含量注意值，取值参考DL／T722-2000，这里只对H₂、C₂H₂和总烃的含量进行劣化度的处理。

所述二分类分类器为支持向量机和/或相关向量机。

所述优化方法可以为粒子群优化方法或遗传算法。

本发明的原理为，采用多层次结构，每一层进行二元分类，并且每一层的分类器采用不同的特征提取方式。特征提取方式和分类器的参数采用优化方法优化。

表1中的数据比较证明了该模型的优异性能。

表1中的数据是采用粒子群优化相关向量机的变压器故障诊断模型的分类结果，共有三种模型，依次为对分类器参数和特征提取方式都进行优化、只优化特征提取方式和只优化分类器参数。以上四种数据处理方式一次编号为0、1、2和3。从诊断准确率可以看出，对这两种参量都进行优化明显的提高了诊断的准确率。

表1

注：数据来自现场数据，共134组，其中100组作为训练集，另34组作为测试集。

本发明的有益效果是：采用二元分类器建立多层次变压器故障诊断方法，对每一层采取不同特征提取方式并且采用优化方法对分类器参数和特征提取方式进行优化，可以显著的提高分类器的性能。

附图说明

图1、图2为本发明的结构示意图。

其中，图1展示的是基于粒子群优化方法（PSO）的优化过程，图2展示的是多层次变压器故障诊断分类模型。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

首先利用优化方法对分类器参数和数据处理方式进行优化选择，图1中是采用的粒子群优化算法。待参数选择完成后，带入图2所示的多层次变压器故障诊断分类模型。每一层次的分类器采用经过优化的数据处理方式进行特征的提取。

采取粒子群优化方法和相关向量机分类器(RVM)的故障诊断结果如表1所示，同时列出了与只优化分类器参数和只优化特征选择方式的诊断结果；表2列出了与其它方法的比较，包括三比值法和只优化分类器参数的支持向量机(SVM)方法。通过比较可以得出，基于优化方法的多特征选择多层次变压器故障诊断方法显著的提高了故障诊断的准确率。表2中，故障0代表正常状态，1代表高温过热，2代表中低温过热，3代表高能放电，4代表低能放电。

表2

Claims (3)

1.基于优化方法的多特征选择多层次变压器故障诊断方法，其特征是，采用二分类分类器建立多层次分类模型，每一层分类器采取不同的特征提取方式，特征提取方式和分类器的参数采用基于粒子群优化方法；所述特征提取方式包括：特征气体浓度处理方法、IEC三比值法、图表法、劣化度法；

基于粒子群优化方法步骤如下：

步骤一：初始化一组粒子的位置值；

步骤二：计算每一个粒子的适应值，判断是否满足终止条件，若满足终止条件，得到最优化的分类器参数和数据处理方式，得到多层次分类器；若不满足终止条件，执行步骤三；

步骤三：更新全局最优值和个体最优值；

步骤四：更新粒子位值，执行步骤二；

所述特征气体浓度处理方法是指按照式(1)对油中溶解气体浓度数据进行处理：

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}}{\underset{j=1}{\overset{5}{\max }}\left(x_{\mathrm{ij}}\right)}---\left(1\right)$

其中x_ij为第i个样本第j类故障气体的体积分数，x_ij ^*为归一化处理后的数据；

所述图表法是利用CH₄、C₂H₄和C₂H₂三种气体各自在总量中的比例，定义一个点；

所述劣化度法是按照式(2)对各种气体浓度数据进行处理，得出各自分别偏离注意值的程度，这种处理方式定义为劣化度：

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}}{x_j}---\left(2\right)$

其中x_ij为第i个样本第j类故障气体的体积分数，x_ij ^*为归一化处理后的数据，x_j为第j类气体的含量注意值，取值参考DL/T722-2000，这里只对H₂、C₂H₂和总烃的含量进行劣化度的处理。

2.如权利要求1所述的基于优化方法的多特征选择多层次变压器故障诊断方法，所述二分类分类器为支持向量机或/和相关向量机。

3.如权利要求1所述的基于优化方法的多特征选择多层次变压器故障诊断方法，其特征是，所述IEC三比值法是对C₂H₂、C₂H₄、C₂H₆、CH₄和H₂这五种气体的浓度进行处理，形成三种比值：C₂H₂/C₂H₄、C₂H₄/C₂H₆、CH₄/H₂。