CN106597154A - 基于dag‑svm的变压器故障诊断提升方法 - Google Patents

Abstract

本发明公开的基于DAG‑SVM的变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；从训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列；利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及所获取的决策函数序列建立T个DAG‑SVM分类树模型；利用得到的T个DAG‑SVM分类树模型分别进行故障诊断。本发明基于DAG‑SVM的变压器故障诊断提升方法，将DAG‑SVM算法进行Bagging集成，有效提高了故障预测精度。

Description

基于DAG-SVM的变压器故障诊断提升方法

技术领域

本本发明属于变压器故障在线监测方法技术领域，具体涉及一种基于DAG-SVM的变压器故障诊断提升方法。

背景技术

油浸式变压器在所有变压器种类中占有极大的比例，而变压器的运行状态对于电力系统的安全运行有着极大的影响。因此，对油浸式变压器进行故障诊断非常有必要。

现有的变压器故障诊断算法主要涉及人工神经网络、模糊集理论以及灰色系统理论等方法，这些算法有极大的优点但也有其各自的缺点。对于人工神经网络，如：BP神经网络算法具有收敛慢及容易陷入局部最小点的缺点；对于模糊集理论，如：模糊神经网络在构造隶属度函数时，有人为因素，易造成人为误差；对于灰色系统理论，如：灰色系统关联分析法主观性过强，同时部分指标最优值难以确定。

发明内容

本发明的目的在于提供一种基于DAG-SVM的变压器故障诊断提升方法，将DAG-SVM算法进行Bagging集成，有效提高了故障预测精度。

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

步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一类按3：1比例分为：训练样本和测试样本；

其中，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔五种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放6个状态；

步骤2、从步骤1的训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列H_t＝{h₁,h₂,...,h_T}；

步骤3、利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及步骤2中所获取的决策函数序列建立T个DAG-SVM分类树模型；

步骤4、利用步骤3得到的T个DAG-SVM分类树模型分别进行故障诊断。

本发明的特点还在于：

步骤2具体按照以下步骤实施：

步骤2.1、设置训练次数为T；

步骤2.2、经步骤2.1后，在训练样中利用bootstrap抽样方法进行随机抽样，每次抽样样本数为3/4的训练样本，并以抽样样本为每一轮迭代的训练样本；

步骤2.3、经步骤2.2后，对标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类这15对，分别用每一对标签所对应的抽样样本进行SVM训练；

在训练过程中，每一对类别标号小的对应为正样本1，类别标号大的对应为负样本-1，则得到15个决策函数，决策函数的表达式具体如下：

f＝w^Tx+b (1)；

式(1)中，w、b指的是权值矢量，则第i次迭代下的决策函数h_i＝(f_i1,f_i2,...,f_i15)包含上述的15个决策函数；

步骤2.4、经步骤2.3后，若迭代次数i＜T，则跳到步骤2.2，否则就要跳出循环，并得出函数序列H_t＝{h₁,h₂,...,h_T}。

步骤3中个DAG-SVM分类树模型具体按照以下步骤建立：

步骤a、设i＝1，j＝15，i指向的是第一个类标签1类，j指向的是最后一个类别标签6类，之后开始建分类树；

步骤b、根据类别数确定分类树有6层；

分类树的根节点为1类和6类的决策函数f；

步骤c、经步骤后，当f的值为1时，则j＝j-1，下一层节点为1类和5类决策函数；

当f的值为-1时，则i＝i+1，下一层节点为2类和6类决策函数；

得到第二层有1类和5类决策函数、2类和6类决策函数两个节点，即两个节点；

步骤d、经步骤c后，决策函数为1类和5类时，当f的值为1，则j＝j-1，下一层节点为1类和4类决策函数；当f的值为-1，则i＝i+1，下一层节点为2类和5类决策函数；

决策函数为2类和6类时，当f的值为1，则j＝j-1，下一层节点为2类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和6类决策函数；

得到第三层有2类和5类决策函数、1类和4类决策函数、3类和6类决策函数，即三个节点；

步骤e、经步骤d后，决策函数为1类和4类时，当f的值为1，则j＝j-1，下一层节点为1类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和4类决策函数；

决策函数为2类和5类时，当f的值为1，则j＝j-1，下一层节点为2类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和5类决策函数；

决策函数为3类和6类时，当f的值为1，则j＝j-1，下一层节点为3类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和6类决策函数；

得到第四层有1类和3类决策函数、2类和4类决策函数、3类和5类决策函数、4类和6类决策函数，即四个节点；

步骤f、经步骤e后，决策函数为1类和3类时，当f的值为1，则j＝j-1，下一层节点为1类和2类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和3类决策函数；

决策函数为2类和4类时，当f的值为1，则j＝j-1,下一层节点为2类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和4类决策函数；

决策函数为3类和5类时，当f的值为1，则j＝j-1，下一层节点为3类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和5类决策函数；

决策函数为4类和6类时，当f的值为1，则j＝j-1，下一层节点为4类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为5类和6类决策函数；

所以第五层有5个节点为：1类和2类决策函数、2类和3类决策函数、3类和4类决策函数、4类和5类决策函数、5类和6类决策函数；

步骤g、经步骤f后，决策函数为1类和2类时，当f的值为1，则j＝j-1，下一层节点为1类，当f的值为-1，则i＝i+1，下一层节点为2类；

决策函数为2类和3类时，当f的值为1，则j＝j-1，下一层节点为2类，当f的值为-1，则i＝i+1，下一层节点为3类；

决策函数为3类和4类时，当f的值为1，则j＝j-1，下一层节点为3类，当f的值为-1，则i＝i+1，下一层节点为4类；

决策函数为4类和5类时，当f的值为1，则j＝j-1，下一层节点为4类，当f的值为-1，则i＝i+1，下一层节点为5类；

决策函数为5类和6类时，当f的值为1，则j＝j-1，下一层节点为5类，当f的值为-1，则i＝i+1，下一层节点为6类；

所以第六层有上述所述6个节点，也就是所谓的6类判别结果，包含正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。

步骤4具体按照以下步骤实施：

步骤4.1、设定迭代次数为T；

步骤4.2、以测试样本中数据为待测样本，作为分类树的输入，经过分类树的分析，得出结论，其中涉及的方法为：

在第i次迭代时，则调用第i个DAG-SVM分类树模型，对测试样本进行测试，得到第i组结果；

步骤4.3、经步骤4.2后，若得到i＜T，则转到步骤4.2，否则结束循环；

步骤4.4、通过对得到的得到T组结果进行投票，得到待测样本最终的输出结果。

本发明的有益效果是：

(1)本发明基于DAG-SVM的变压器故障诊断提升方法，将二分类支持向量机SVM升级为多分类算法DAG-SVM，利用DAG-SVM对变压器进行故障诊断，简单易行，不会出现误分及拒分的现象。

(2)本发明基于DAG-SVM的变压器故障诊断提升方法，利用Bagging算法对DAG-SVM进行有效集成，原理简单且能提高故障诊断效率。

(3)本发明基于DAG-SVM的变压器故障诊断提升方法，利用油中气体(氢气、甲烷、乙烷、乙烯、乙炔)与DAG-SVM提升算法相结合，构建出变压器故障诊断模型，能有效检测出油浸式变压器内部故障。

附图说明

图1是本发明基于DAG-SVM的变压器故障诊断提升方法中涉及的DAG-SVM的结构示意图；

图2是本发明基于DAG-SVM的变压器故障诊断提升方法中涉及的Bagging提升DAG-SVM训练流程图；

图3是本发明基于DAG-SVM的变压器故障诊断提升方法中涉及的Bagging提升DAG-SVM测试流程图。

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。

Bagging算法的思想是给定一个弱学习器和一个训练集，然后从训练集中利用有放回抽取的方法抽取一个数量小于原训练集的T个样本集，对弱学习器进行训练，得到T个模型，最终使用投票的方式得到想要的结果。本发明基于DAG-SVM的变压器故障诊断提升方法采用弱学习器为DGA-SVM算法。

本发明基于DAG-SVM的变压器故障诊断提升方法，具体按照以下步骤实施：

步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一类按3：1比例分为：训练样本和测试样本；

其中，x_i代表样本属性(包括有氢气、甲烷、乙烷、乙烯、乙炔五种属性)，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放6个状态。

步骤2、从步骤1的训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列H_t＝{h₁,h₂,...,h_T}，具体按照以下步骤实施：

步骤2.1、设置训练次数为T；

步骤2.2、经步骤2.1后，如图1及图2所示，在训练样中利用bootstrap抽样方法进行随机抽样，每次抽样样本数为3/4的训练样本，并以抽样样本为每一轮迭代的训练样本；

步骤2.3、经步骤2.2后，对标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类这15对，分别用每一对标签所对应的抽样样本进行SVM训练；

在训练过程中，每一对类别标号小的对应为正样本1，类别标号大的对应为负样本-1(如：1类和2类，1类对应为正样本1，2类对应为负样本-1)，则得到15个决策函数，决策函数的表达式具体如下：

f＝w^Tx+b (1)；

式(1)中，w、b指的是权值矢量，则第i次迭代下的决策函数h_i＝(f_i1,f_i2,...,f_i15)包含上述的15个决策函数；

步骤2.4、经步骤2.3后，若迭代次数i＜T，则跳到步骤2.2，否则就要跳出循环，并得出函数序列H_t＝{h₁,h₂,...,h_T}。

步骤3、利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及步骤2中所获取的决策函数序列建立T个DAG-SVM分类树模型，而每个DAG-SVM分类树模型具体按照以下步骤建立：

步骤a、设i＝1，j＝15，i指向的是第一个类标签1类，j指向的是最后一个类别标签6类，之后开始建分类树；

步骤b、根据类别数确定分类树有6层；

分类树的根节点为1类和6类的决策函数f；

步骤c、经步骤后，当f的值为1时，则j＝j-1，下一层节点为1类和5类决策函数；

当f的值为-1时，则i＝i+1，下一层节点为2类和6类决策函数；

得到第二层有1类和5类决策函数、2类和6类决策函数两个节点，即两个节点；

步骤d、经步骤c后，决策函数为1类和5类时，当f的值为1，则j＝j-1，下一层节点为1类和4类决策函数；当f的值为-1，则i＝i+1，下一层节点为2类和5类决策函数；

决策函数为2类和6类时，当f的值为1，则j＝j-1，下一层节点为2类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和6类决策函数；

得到第三层有2类和5类决策函数、1类和4类决策函数、3类和6类决策函数，即三个节点；

步骤e、经步骤d后，决策函数为1类和4类时，当f的值为1，则j＝j-1，下一层节点为1类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和4类决策函数；

决策函数为2类和5类时，当f的值为1，则j＝j-1，下一层节点为2类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和5类决策函数；

决策函数为3类和6类时，当f的值为1，则j＝j-1，下一层节点为3类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和6类决策函数；

得到第四层有1类和3类决策函数、2类和4类决策函数、3类和5类决策函数、4类和6类决策函数，即四个节点；

步骤f、经步骤e后，决策函数为1类和3类时，当f的值为1，则j＝j-1，下一层节点为1类和2类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和3类决策函数；

决策函数为2类和4类时，当f的值为1，则j＝j-1,下一层节点为2类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和4类决策函数；

决策函数为3类和5类时，当f的值为1，则j＝j-1，下一层节点为3类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和5类决策函数；

决策函数为4类和6类时，当f的值为1，则j＝j-1，下一层节点为4类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为5类和6类决策函数；

所以第五层有5个节点为：1类和2类决策函数、2类和3类决策函数、3类和4类决策函数、4类和5类决策函数、5类和6类决策函数；

步骤g、经步骤f后，决策函数为1类和2类时，当f的值为1，则j＝j-1，下一层节点为1类，当f的值为-1，则i＝i+1，下一层节点为2类；

决策函数为2类和3类时，当f的值为1，则j＝j-1，下一层节点为2类，当f的值为-1，则i＝i+1，下一层节点为3类；

决策函数为3类和4类时，当f的值为1，则j＝j-1，下一层节点为3类，当f的值为-1，则i＝i+1，下一层节点为4类；

决策函数为4类和5类时，当f的值为1，则j＝j-1，下一层节点为4类，当f的值为-1，则i＝i+1，下一层节点为5类；

决策函数为5类和6类时，当f的值为1，则j＝j-1，下一层节点为5类，当f的值为-1，则i＝i+1，下一层节点为6类；

所以第六层有上述所述6个节点，也就是所谓的6类判别结果，包含正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。

步骤4、利用步骤3得到的T个DAG-SVM分类树模型分别进行故障诊断，如图3所示，具体按照以下步骤实施：

步骤4.1、设定迭代次数为T(与步骤中的T相等)；

步骤4.2、以测试样本中数据为待测样本，作为分类树的输入，经过分类树的分析，得出结论，其中涉及的方法为：

在第i次迭代时，则调用第i个DAG-SVM分类树模型，对测试样本进行测试，得到第i组结果；

步骤4.3、经步骤4.2后，若得到i＜T，则转到步骤4.2，否则结束循环；

步骤4.4、通过对得到的得到T组结果进行投票，得到待测样本最终的输出结果。

实施例

将已知故障类型的324组数据按3：1比例分为训练集与测试集，规模分别为264与60组数据，分别对应6中故障类型其中正常状态、中低温过热、高温过热、局部放电、火花放电和电弧放电，对6种故障类型进行编号，分别为1、2、3、4、5、6；

其中部分测试数据具体如表1所示，而对应的测试结果具体如表2所示。

表1部分测试数据

表2测试结果

利用本发明基于DAG-SVM的变压器故障诊断提升方法对测试数据进行分析，表1为部分测试数据，其中H₂、CH₄、C₂H₆、C₂H₄、C₂H₂为模型的输入；首先利用本发明基于DAG-SVM的变压器故障诊断提升方法中提出的DAG-SVM分类树模型对测试数据进行分析，准确率为80.01％、然后利用Bagging优化的DAG-SVM分类树模型对测试数据进行分析，准确率为90.0％，相比于DAG-SVM故障诊断模型准确率提高了9.9％。

本发明基于DAG-SVM的变压器故障诊断提升方法，将DAG-SVM算法进行Bagging集成，有效提高了故障预测精度。

Claims (4)

1.基于DAG-SVM的变压器故障诊断提升方法，其特征在于，具体按照以下步骤实施：

步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一类按3：1比例分为：训练样本和测试样本；

其中，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔五种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放6个状态；

步骤2、从步骤1的训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列H_t＝{h₁,h₂,...,h_T}；

步骤3、利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及步骤2中所获取的决策函数序列建立T个DAG-SVM分类树模型；

步骤4、利用步骤3得到的T个DAG-SVM分类树模型分别进行故障诊断。

2.根据权利要求1所述的基于DAG-SVM的变压器故障诊断提升方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、设置训练次数为T；

步骤2.2、经步骤2.1后，在训练样中利用bootstrap抽样方法进行随机抽样，每次抽样样本数为3/4的训练样本，并以抽样样本为每一轮迭代的训练样本；

步骤2.3、经步骤2.2后，对标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类这15对，分别用每一对标签所对应的抽样样本进行SVM训练；

在训练过程中，每一对类别标号小的对应为正样本1，类别标号大的对应为负样本-1，则得到15个决策函数，决策函数的表达式具体如下：

f＝w^Tx+b (1)；

式(1)中，w、b指的是权值矢量，则第i次迭代下的决策函数h_i＝(f_i1,f_i2,...,f_i15)包含上述的15个决策函数；

步骤2.4、经步骤2.3后，若迭代次数i＜T，则跳到步骤2.2，否则就要跳出循环，并得出函数序列H_t＝{h₁,h₂,...,h_T}。

3.根据权利要求1所述的基于DAG-SVM的变压器故障诊断提升方法，其特征在于，所述步骤3中个DAG-SVM分类树模型具体按照以下步骤建立：

步骤a、设i＝1，j＝15，i指向的是第一个类标签1类，j指向的是最后一个类别标签6类，之后开始建分类树；

步骤b、根据类别数确定分类树有6层；

分类树的根节点为1类和6类的决策函数f；

步骤c、经步骤后，当f的值为1时，则j＝j-1，下一层节点为1类和5类决策函数；

当f的值为-1时，则i＝i+1，下一层节点为2类和6类决策函数；

得到第二层有1类和5类决策函数、2类和6类决策函数两个节点，即两个节点；

步骤d、经步骤c后，决策函数为1类和5类时，当f的值为1，则j＝j-1，下一层节点为1类和4类决策函数；当f的值为-1，则i＝i+1，下一层节点为2类和5类决策函数；

决策函数为2类和6类时，当f的值为1，则j＝j-1，下一层节点为2类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和6类决策函数；

得到第三层有2类和5类决策函数、1类和4类决策函数、3类和6类决策函数，即三个节点；

步骤e、经步骤d后，决策函数为1类和4类时，当f的值为1，则j＝j-1，下一层节点为1类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和4类决策函数；

决策函数为2类和5类时，当f的值为1，则j＝j-1，下一层节点为2类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和5类决策函数；

决策函数为3类和6类时，当f的值为1，则j＝j-1，下一层节点为3类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和6类决策函数；

得到第四层有1类和3类决策函数、2类和4类决策函数、3类和5类决策函数、4类和6类决策函数，即四个节点；

步骤f、经步骤e后，决策函数为1类和3类时，当f的值为1，则j＝j-1，下一层节点为1类和2类决策函数，当f的值为-1，则i＝i+1，下一层节点为2类和3类决策函数；

决策函数为2类和4类时，当f的值为1，则j＝j-1,下一层节点为2类和3类决策函数，当f的值为-1，则i＝i+1，下一层节点为3类和4类决策函数；

决策函数为3类和5类时，当f的值为1，则j＝j-1，下一层节点为3类和4类决策函数，当f的值为-1，则i＝i+1，下一层节点为4类和5类决策函数；

决策函数为4类和6类时，当f的值为1，则j＝j-1，下一层节点为4类和5类决策函数，当f的值为-1，则i＝i+1，下一层节点为5类和6类决策函数；

所以第五层有5个节点为：1类和2类决策函数、2类和3类决策函数、3类和4类决策函数、4类和5类决策函数、5类和6类决策函数；

步骤g、经步骤f后，决策函数为1类和2类时，当f的值为1，则j＝j-1，下一层节点为1类，当f的值为-1，则i＝i+1，下一层节点为2类；

决策函数为2类和3类时，当f的值为1，则j＝j-1，下一层节点为2类，当f的值为-1，则i＝i+1，下一层节点为3类；

决策函数为3类和4类时，当f的值为1，则j＝j-1，下一层节点为3类，当f的值为-1，则i＝i+1，下一层节点为4类；

决策函数为4类和5类时，当f的值为1，则j＝j-1，下一层节点为4类，当f的值为-1，则i＝i+1，下一层节点为5类；

决策函数为5类和6类时，当f的值为1，则j＝j-1，下一层节点为5类，当f的值为-1，则i＝i+1，下一层节点为6类；

所以第六层有上述所述6个节点，也就是所谓的6类判别结果，包含正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。

4.根据权利要求1所述的基于DAG-SVM的变压器故障诊断提升方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、设定迭代次数为T；

步骤4.2、以测试样本中数据为待测样本，作为分类树的输入，经过分类树的分析，得出结论，其中涉及的方法为：

在第i次迭代时，则调用第i个DAG-SVM分类树模型，对测试样本进行测试，得到第i组结果；

步骤4.3、经步骤4.2后，若得到i＜T，则转到步骤4.2，否则结束循环；

步骤4.4、通过对得到的得到T组结果进行投票，得到待测样本最终的输出结果。