CN104573355A - 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法，利用光声光谱技术检测出变压器油中五种特征气体的含量并计算，将5种SVM类型和4种核函数采用交叉组合建立20种不同的支持向量机模型，采用启发式算法对于惩罚因子c和g的取值进行参数寻优，以建立变压器故障诊断准确率最高、最快运行速度的支持向量机模型；实验结果表明C-SVC模型、RBF核函数、遗传算法寻优构成的支持向量机模型对变压器故障的诊断准确率最高，测试集达到97.5％，训练集达到98.3333％，遗传算法的寻优速度快于粒子群算法2倍左右。本发明具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点。

Description

一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法

技术领域

本发明属于变压器故障诊断领域，尤其涉及一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法。

背景技术

电力变压器的可靠运行是保障电力系统安全的关键，中华人民共和国电力行业标准《变压器油中溶解气体分析和判断导则DL/T 722-2000》推荐的改良三比值法是目前国内外分析变压器潜伏性故障的最有效措施之一，它是通过测量变压器油中特征气体含量并根据特征气体比值C2H2/C2H4、CH4/H2、C2H4/C2H6确定变压器故障类型。特征气体检测主要使用气相色谱法，但其存在操作繁琐、要消耗待测气体和载气、检测周期长等缺点。而光声光谱法是基于光声效应来检测吸收物体积分数的一种光谱技术，陈伟根，云玉新，潘翀，孙才新在文献《电力系统自动化》中有如下说明：电脉冲红外光源MIRL17-900构成的光声光谱实验装置经实验验证与气相色谱仪对故障气体各组分体积分数的测量结果差别不大；云玉新，赵笑笑，陈伟根，李立生，赵富强在文献《高电压技术》中有如下说明：采用激光共振光声光谱技术检测乙炔气体达到了10-6量级的检测灵敏度；陈伟根，周恒逸，黄会贤，唐炬在文献《仪器仪表学报》中有如下说明：基于半导体激光器的乙炔气体光声光谱检测偏差低于4.2％。大量研究表明利用光声光谱法替代气相色谱法检测变压器油中溶解气体是可行的，检测结果满足变压器故障诊断的精度要求。且光声光谱法具有操作简单、非接触性测量、不消耗气体、检测周期短、稳定性和灵敏度高等优点。

在变压器特征气体的光谱分析中较多采用人工神经网络，常见的有BP神经网络、概率神经网络等，BP神经网络往往收敛性差，容易陷入局部最优，即使利用智能算法优化权值和阈值也不能完全改善这一问题；而概率神经网络模式层神经元个数等于训练样本个数，势必容易造成网络规模巨大，计算量庞大等问题。

支持向量机(SVM)的主要思想是建立一个分类超平面作为决策面，使得正例和反例之间的隔离边缘被最大化，它是结构风险最小化的近似实现，在模式分类问题中其泛化能力更强、全局寻优能力更佳，更符合改良三比值法进行变压器故障诊断的复杂情况。

发明内容

本发明实施例的目的在于提供一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法，旨在解决变压器气相色谱分析法进行故障诊断中存在的操作繁琐、要消耗待测气体和载气、检测周期长等问题。

本发明是这样实现的，一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括：

步骤一、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样，分别对应改良三比值法中的8种变压器故障类型，每种故障样品数量为20组；对160组样品油进行编号，每组油样取50ml注入检测设备，检测油样故障气体及微水含量，记录160组油样的检测数据，根据国际改良三比值法，计算每组实测数据的三对特征气体比值C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆；

步骤二、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵，矩阵的1到3列分别对应C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三组特征气体比值，第4列是故障类别标签值；

步骤三、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理，每一种故障类型提取15组样本作为训练集，其余5组样本作为测试集，即训练集有120组数据，测试集有40组数据；

步骤四、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型，对于惩罚因子c和g的取值采用启发式算法进行参数寻优，通过对比各实验结果，找出最佳的SVM模型和惩罚因子c、g取值；

步骤五、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。

本发明利用光声光谱法提取变压器油中特征气体建立基于改良三比值法的数据文件作为输入量，通过对SVM类型、核函数类型、参数寻优算法进行交叉验证建立了最佳SVM模型，即CRGA寻优，通过多次实验对测试样品集准确性可达97.5％以上，对训练样本集准确性可到98.3333％以上，实验结果满足变压器故障诊断的实际工程需要。

本发明的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点，光声光谱仪具有造价低、可靠性高、可维护性好等显著的优点，因此基于光声光谱法的变压器故障在线监测与诊断中具有良好的应用前景。

附图说明

图1是本发明实施例提供的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法流程图；

图2是本发明实施例提供的160组样本的三比值数据；

图3是本发明实施例提供的归一化的160组样本三比值数据；

图4是本发明实施例提供的CRGA模型的测试集分类结果；

图5是本发明实施例提供的CRGA模型的训练集分类结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

本发明实施例考虑到变压器型式、容量、运行环境等因素的影响,在北华大学变压器厂、丰满发电厂、吉林省电科院共搜集并整理出160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样，分别对应改良三比值法中的8种变压器故障类型，每种故障样品数量为20组。

如图1所示，本发明是这样实现的，一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括：

S101、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样，分别对应改良三比值法中的8种变压器故障类型，每种故障样品数量为20组；对160组样品油进行编号，每组油样取50ml注入检测设备，检测油样故障气体及微水含量，记录160组油样的检测数据，根据国际改良三比值法，计算每组实测数据的三对特征气体比值C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆；结果如图2所示。

分析仪器采用英国凯尔曼公司的Transport-X油浸式变压器油中溶解气体及微水便携式监测仪，该仪器利用光声光谱技术检测变压器油中H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂共七种故障气体及微水含量，该仪器检测精度为±5％或±2ppm。

分析软件采用Matlab 2011b、支持向量机工具箱libsvm-3.1-[FarutoUltimate3.1Mcode].

S102、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵，矩阵的1到3列分别对应C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三组特征气体比值，第4列是故障类别标签值；

S103、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理，每一种故障类型提取15组样本作为训练集，其余5组样本作为测试集，即训练集有120组数据，测试集有40组数据；结果如图3所示。

S104、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型，对于惩罚因子c和g的取值采用启发式算法进行参数寻优，通过对比各实验结果，找出最佳的SVM模型和惩罚因子c、g取值；

LIBSVM工具箱提供的SVM类型有5种，包括C-SVC,nu-SVC,one-classSVM,spsilion-SVR和nu-SVR，分别对应的-s的取值为0、1、2、3、4；核函数类型有4种，线性核函数，多项式核函数，RBF核函数和sigmoid核函数，分别对应的-t的取值为0、1、2、3。

S105、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。

利用上述方法交叉建立各种SVM模型并利用遗传算法进行惩罚因子寻优，当-s取2、3、4时准确率很低；-s取0或1同时-t取3时的准确率也非常低，以上的各种SVM模型不论测试集还是训练集的准确率均低于60％。表1列出了准确率较高的SVM模型的测试结果。

表1

从表1的结果可以看出-s＝0,t＝-2时，即C-SVC模型、RBF核函数构成的支持向量机模型(简称CRGA)的预测准确率最高，测试集准确率达到97.5％，40个测试样本中只有1个错误，预测结果如图4,此时Best Validation Accuracy＝94.1667％，Best c＝2.9728，Best g＝16.3189.，程序运行时间30.8671s。；训练集准确率达到98.3333％，120个训练样本进行测试时只有2个错误,预测结果如图5,此时Best Validation Accuracy＝95％，Best c＝1.9714，Bestg＝28.094，程序运行时间36.0806s。

C-SVC模型、RBF核函数构成的支持向量机模型，同一组测试集采用粒子群算法进行参数寻优建立模型(简称CRPSO)。对测试集、训练集反复多次测试后的预测结果与遗传算法结果相同，准确率分别是97.5％和98.3333％，此时BestValidation Accuracy＝94.1667％，Best c＝13.8115，Best g＝17.6021，程序运行时间72.6321s；训练集粒子群算法寻优时Best Validation Accuracy＝94.1667％，Best c＝1.74，Best g＝30.5541,程序运行时间71.444s。

经过多次实验发现遗传算法和粒子群算法在C-SVC模型、RBF核函数构成的支持向量机参数优化结果相同，但是粒子群算法耗时却是遗传算法的2倍左右，因此综合考虑本发明实施例采用遗传算法进行参数寻优。

本发明利用光声光谱法提取变压器油中特征气体建立基于改良三比值法的数据文件作为输入量，通过对SVM类型、核函数类型、参数寻优算法进行交叉验证建立了最佳SVM模型，即CRGA寻优，通过多次实验对测试样品集准确性可达97.5％以上，对训练样本集准确性可到98.3333％以上，实验结果满足变压器故障诊断的实际工程需要。

本发明的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点，光声光谱仪具有造价低、可靠性高、可维护性好等显著的优点，因此基于光声光谱法的变压器故障在线监测与诊断中具有良好的应用前景。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法，其特征在于，所述的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括：

步骤一、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样，分别对应改良三比值法中的8种变压器故障类型，每种故障样品数量为20组；对160组样品油进行编号，每组油样取50ml注入检测设备，检测油样故障气体及微水含量，记录160组油样的检测数据，根据国际改良三比值法，计算每组实测数据的三对特征气体比值C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆；

步骤二、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵，矩阵的1到3列分别对应C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三组特征气体比值，第4列是故障类别标签值；

步骤三、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理，每一种故障类型提取15组样本作为训练集，其余5组样本作为测试集，即训练集有120组数据，测试集有40组数据；

步骤四、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型，对于惩罚因子c和g的取值采用启发式算法进行参数寻优，通过对比各实验结果，找出最佳的SVM模型和惩罚因子c、g取值；

步骤五、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。