CN107958292A - 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 - Google Patents
基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 Download PDFInfo
- Publication number
- CN107958292A CN107958292A CN201710974847.3A CN201710974847A CN107958292A CN 107958292 A CN107958292 A CN 107958292A CN 201710974847 A CN201710974847 A CN 201710974847A CN 107958292 A CN107958292 A CN 107958292A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtr
- mtd
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000003745 diagnosis Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000007257 malfunction Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 101100519161 Arabidopsis thaliana PCR5 gene Proteins 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004868 gas analysis Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- -1 hydrogen hydrocarbon Chemical class 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Housings And Mounting Of Transformers (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,属于变压器状态评估与故障诊断领域,本发明在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,首先,结合Sigmoid多属性软化决策,构造变压器故障诊断多分类支持向量矩阵模型;然后,对支持向量矩阵进行归一化有序加权平均,计算模糊谨慎隶属度权重;最后,对加权模糊谨慎隶属度进行基于PCR5方法的互补置信分配与信息融合,并基于信度分配融合终值进行变压器故障诊断决策判定;在此过程中,以误诊断样本数最小为优化目标,基于模糊谨慎证据推理过程迭代修正代价敏感矩阵相应代价惩罚元素,实现所述故障诊断模型的在线学习功能。
Description
技术领域
本发明属于变压器状态评估与故障诊断领域,尤其涉及一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法。
背景技术
受制造工艺、材料、冷却方式等因素的制约,高压、大容量电力变压器通常为油浸式电力变压器,作为区域/枢纽变电站的重要组成部分,其故障可能会导致严重的电力系统振荡甚至停电事故。因此,对油浸式电力变压器的工作状态评估显得尤为重要,是评估其运行安全可靠性的重要参考,这是目前预防油浸式电力变压器严重故障的重要技术手段。
目前,普遍采用的油浸式电力变压器状态评估方法是油中溶解气体分析法(DGA),如IEC三比值法及其改良方法。其建立状态评估准则所需的气体比值及其阈值信息通常基于氢气、甲烷、乙醇、乙烯、乙炔、一氧化碳、二氧化碳及其混合气体等特征气体参量,在此基础上结合经验判据对过热、电弧放电以及局部放电等油浸式电力变压器典型故障状态进行有效判定。
在三比值法及其改良方法基础上,提出了基于支持向量机、模糊神经网络、高斯线性回归过程以及模糊集对分析等多种智能分类算法的油中溶解气体分析方法,可以实现对油浸式电力变压器中可能存在的一种或多种故障状态的有效识别,进而可以采取必要的预防性措施。
然而,由于上述方法其数学原理本身对分类特征物理意义的侧重不同,因此,基于相同溶解气体记录样本集的不同DGA判定方法可能会得出不同的诊断和评估结论,最终故障诊断结果的确定需要经验知识的积累来判断。并且,在某些情况下,测量的溶解气体浓度或比值信息可能不够完善全面,无法匹配既有判定准则,使得部分可能发生于电力变压器内部的故障无法被有效识别。因此,上述单一方法的应用,并不能实现所有类型油浸式电力变压器故障诊断方法有效性和鲁棒性的提高,需要将多种DGA方法的评估诊断信息进行有效的信息融合,来提高变压器故障诊断的正确率。
此外,在进行油浸式电力变压器DGA故障诊断过程中,仅以故障诊断正确率为目标,而未有效考虑误诊率和误诊代价的影响,也会对最终故障诊断的有效性和鲁棒性产生影响。众所周知,将正常状态误诊为异常状态的误诊代价相对较低,而将异常状态误诊为正常状态而错过最佳检修周期情况下的误诊代价相对较高,因此,如何在基于DGA的油浸式电力变压器故障诊断信息融合基础上,融入代价敏感惩罚修正,最终得出符合实际故障特征的诊断结果,才能实现对变压器当前工作状态的可靠评估。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,具体包括以下步骤:
步骤1:在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,确定特征输入向量以及变压器故障类别及其表示方法,对多分类支持向量进行矩阵建模,得到多分类支持向量矩阵模型;
步骤2:结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策,构造归一化多属性决策矩阵;
步骤3:在多属性决策矩阵基础上,构造归一化有序加权平均算子区间,计算模糊谨慎隶属度;
步骤4:对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配,通过PCR5方法对信度分配进行信息融合,并基于信度分配融合的终值进行决策判定;
步骤5:根据决策判定,对误诊样本类别进行检索归类,在此基础上对代价敏感初始矩阵进行在线惩罚修正,实现代价敏感初始矩阵的在线自校正,并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。
优选地,在步骤1中,构造的多分类支持向量矩阵模型如式(1)所示:
其中,Pi为分属于运行状态i的概率,Mi是分别采用的基于DGA(dissolved gasanalysis,油中溶解气体分析)的单一油浸式电力变压器故障诊断方法,D为多分类支持向量矩阵,Dij为方法j对样本属于第i类运行状态的概率评价。
优选地,在步骤2中,Sigmoid概率软化模型,如式(2)所示:
其中,系数A和B分别为软化斜率和偏置;对于模糊集对分析方法,概率p为模糊隶属度函数最终得到的运行状态估计概率值。
优选地,在步骤3中,具体包括如下步骤:
步骤3.1:对多分类支持向量矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子,即分别取该行评价值的最小值与最大值,得到有序加权平均算子区间向量EOWA(D),如式(3)所示:
步骤3.2:对有序加权平均算子区间向量进行归一化,构造模糊谨慎隶属度Eimp(D),作为模糊谨慎隶属度权重,如式(4)所示:
优选地,在步骤4中,具体包括如下步骤:
步骤4.1:根据公式(5)得到辨识框架Θ={A1,A2,···,Ak}的基本信度分配矩阵;
其中,区间对应模糊期望折中向量Eimp(D)的每一行值,为Ai的补集;
步骤4.2:基于公式(6)对支持证据冲突信度进行重新分配,实现基本信度分配的信息融合;
其中,X1和X2均属于辨识框架Θ={A1,A2,···,Ak}的子集;m1(X)、m2(X)、m1(X1)、m1(X2)、m2(X2)分别代表所采用的m1或m2基本信度分配函数中各子集X、X1、X2的基本信度分配结果;
步骤4.3:证据推理理论泛化置信函数Bel(Ai),如式(7)所示:
步骤4.4:基于证据推理理论泛化置信函数Bel(Ai),得到对应于类别Ai的基于证据推理的信度分配融合终值Afinal,由信度分配融合终值Afinal大小进行决策判定,如式(8)所示:
优选地,在步骤5中,具体包括如下步骤:
步骤5.1:代价敏感初始矩阵定义为
其中,csii=0(i=1,2…6),表示正确诊断代价为0,csij表示故障状态i误诊为故障状态j的误诊代价权重因子;
步骤5.2:结合粒子群优化算法(PSO)和交叉验证算法(CV)以测试集故障诊断误判率最小为优化目标,结合训练样本集对对代价敏感初始矩阵以及后续代价敏感惩罚矩阵进行寻优和修正,模型样本集的调整方式采用周期性采样扩展方式;具体包括如下步骤:
步骤5.2.1:对样本集合划分为训练样本集和验证样本集,并对代价敏感初始矩阵CS进行初始化;
步骤5.2.2:基于有效信息自适应粒子群优化算法对代价敏感初始矩阵中的元素进行迭代优化;具体包括如下步骤:
步骤5.2.2.1:随机初始化代价敏感粒子群中每个代价敏感矩阵粒子的搜索速度和位置信息;
步骤5.2.2.2:计算每个代价敏感粒子的适应度;
步骤5.2.2.3:计算代价敏感矩阵粒子的搜索自适应惯性权重和加速度系数;
步骤5.2.2.4:综合所有粒子适应度评估计算适应度值最小的代价敏感粒子为最优适应度代价敏感粒子,结合自适应惯性权重和加速度系数更新代价敏感粒子群的速度和位置信息,直至达到算法停止条件,即达到迭代次数上限或达到最终收敛适应度目标;其中,每经过E次迭代,对搜索结果进行基于伪牛顿法的局部搜索更新,以提高收敛速度;每经过R次迭代,对代价敏感粒子群进行随机重组,以避免粒子陷入局部最优,增强算法的全局搜索性能;
步骤5.2.3:根据性能评价函数,判定迭代过程是否终止;
若:判断结果是迭代过程终止,则输出最终迭代生成的代价敏感矩阵;
或判断结果是迭代过程没有终止,则重复步骤5.2.1-步骤5.2.3;
优选地,在步骤5.2中,故障诊断误判率定义为k折交叉验证误判率,即
其中,Ni为第i个验证集中的样本个数,为该验证集中故障诊断过程故障状态i误诊为故障状态j的样本个数。
本发明所带来的有益技术效果:
本发明所提出的基于代价敏感多分类感知学习的油浸式电力变压器在线证据推理模糊谨慎有序加权平均故障诊断方法,充分利用电力大数据优势,构造运行条件相近的油浸式电力变压器故障诊断样本集合,将在线代价敏感多分类感知修正技术与基于证据推理模糊谨慎有序加权平均的信息融合方法相结合,一方面将多种不同侧重的油浸式电力变压器故障诊断方法进行了有效的信息融合,提升了油浸式电力变压器故障诊断过程的鲁棒性;另一方面通过引入在线代价敏感多分类感知技术,实现了油浸式电力变压器在线模糊谨慎证据推理故障诊断方法中代价敏感关键参数的在线学习更新优化功能,显著提高了既有油浸式电力变压器故障诊断和状态评估的自动化和智能化水平,最终实现提高油浸式电力变压器故障诊断正确率的同时降低误诊率和减小误诊代价的目的。
附图说明
图1为本发明基于代价敏感学习的变压器模糊谨慎推理故障诊断方法的流程图。
图2为本发明代价敏感PSO-CV寻优算法的流程图。
图3为本发明有效信息自适应粒子群优化算法的流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提供了一种基于代价敏感学习的油浸式电力变压器模糊谨慎推理故障诊断方法,其流程如图1所示。其技术方案为,在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,首先,结合Sigmoid多属性软化决策,构造变压器故障诊断多分类支持向量矩阵模型;然后,对支持向量矩阵进行归一化有序加权平均,计算模糊谨慎隶属度权重;最后,对加权模糊谨慎隶属度进行基于PCR5方法的互补置信分配与信息融合,并基于信度分配融合终值进行变压器故障诊断决策判定;在此过程中,以误诊断样本数最小为优化目标,基于模糊谨慎证据推理过程迭代修正代价敏感矩阵相应代价惩罚元素,实现所述故障诊断模型的在线学习功能。
依据《油浸式变压器(电抗器)状态评价导则》以及实际运行经验,特征变量选取H2占氢烃量(H2、CH4、C2H6、C2H4、C2H2含量之和)的比值,记为x1,CH4、C2H6、C2H4、C2H2占总烃量(CH4、C2H6、C2H4、C2H2含量之和)的比值,分别记为x2,x3,x4,x5,由此得到输入特征向量为x=[x1x2x3x4x5],由此得到的油浸式电力变压器DGA运行状态如表1所示。
表1油浸式电力变压器的运行状态
状态标识 | 运行状态 | 状态标识 | 运行状态 |
N | 正常 | LMT | 中低温过热 |
LPD | 低能放电 | HT | 高温过热 |
HPD | 高能放电 | PD | 局部放电 |
本发明实施例所述步骤1中,构造的多分类支持向量矩阵模型如式(1)所示,
其中,Pi为分属于运行状态i的概率,Mi是分别采用的基于DGA的单一油浸式电力变压器故障诊断方法,D为多分类支持向量矩阵,Dij为方法j对于样本属于第i类运行状态的概率评价;
本发明实施例步骤2中,对步骤1中的运行状态概率,结合Sigmoid函数,对油浸式电力变压器故障诊断多分类支持矩阵模型进行多属性软化决策,对于不同的故障诊断方法,Pi的计算方法不同:
对于变分贝叶斯高斯回归(VBGP)方法,该概率为后验概率P(ci|x*),即通过其隐含的多分类VBGP模型得到的待测样本,其中x*预测为类别cj的条件代价;
对于人工神经网络训练方法,该概率为第i个输出神经元的归一化取值;
对于支持向量机方法,目前常采用的是1对1的二值支持向量累加方式,其采用标准Sigmoid概率软化模型,如式(2)所示,其中系数A和B分别为软化斜率和偏置:
对于模糊集对分析方法,概率P为模糊隶属度函数最终得到的运行状态估计。
因此,对于所有单一类型的油浸式电力变压器故障诊断方法而言,都可以纳入多分类支持向量决策矩阵模型中,通过所述Sigmoid概率软化过程实现决策矩阵元素的归一化求解。
本发明实施例所述步骤3中,在多属性决策矩阵模型基础上,计算对应的归一化有序加权平均算子区间,得到有效的模糊谨慎隶属度权重的过程为:
对决策矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子,即分别取该行评价值的最小值与最大值,得到有序加权平均区间向量EOWA(D),如式(3)所示:
对所述有序加权平均区间向量进行归一化,构造模糊期望折中向量Eimp(D),作为模糊谨慎隶属度权重,如式(4)所示:
本发明实施例所述步骤4中,对归一化有序加权平均得到的模糊谨慎隶属度进行互补置信度分配,通过PCR5方法对信度分配进行信息融合,并基于信度分配融合终值进行决策判定的过程为:
首先,根据规则(5)得到辨识框架Θ={A1,A2,···,Ak}的基本信度分配矩阵;
其中,模糊区间为模糊期望折中向量Eimp(D)的元素,为Ai的补集。
然后,基于式(6)对支持证据冲突信度进行重新分配,实现基本信度分配的信息融合;
其中,X1和X2均属于辨识框架Θ={A1,A2,···,Ak}的子集。
在此基础上,证据推理理论泛化置信函数Bel(Ai),如式(7)所示:
最终,基于证据推理理论泛化置信函数Bel(Ai),可以得到对应于类别Ai的基于证据推理的信度分配融合终值Afinal,由信度分配融合终值Afinal大小进行决策判定,即
本发明实施例所述步骤5中,以误诊断样本数最小为目标,根据误诊断样本类别修正代价敏感矩阵相应代价惩罚元素的过程为:
首先,代价敏感惩罚矩阵定义为
其中,csii=0(i=1,2…6),表示正确诊断代价为0,csij表示故障状态i误诊为故障状态j的误诊代价权重因子,在此基础上,结合粒子群优化算法(PSO)和交叉验证算法(CV)对以测试集故障诊断误判率最小为优化目标,对所述代价敏感矩阵进行寻优,实现代价敏感惩罚修正。
在所述代价敏感粒子群优化CS-EIAPSO-CV算法中,K折验证集平均故障诊断误判率定义为
其中,Ni为第i个验证集中的样本个数,为该验证集中故障诊断过程故障状态i误诊为故障状态j的样本个数。
式(10)中K折验证集平均故障诊断误判率的计算需要对K折交叉每个验证集的每个样本进行故障诊断过程,每次故障诊断过程均在当前代价敏感矩阵应用下进行。其中,每次故障诊断过程实施例的代价敏感CS-EIAPSO-CV算法的实施流程如图2所示:首先,对样本集合划分为训练样本集和验证样本集,并对代价敏感矩阵CS进行初始化;然后,基于有效信息自适应粒子群优化(EIA-PSO)算法对代价敏感矩阵元素进行迭代优化;最后,根据性能评价函数值是否达到最终阈值目标或最大迭代次数,判定迭代过程是否终止,如果终止,则输出最终迭代生成的代价敏感矩阵,否则重复所述迭代优化过程。
作为代价敏感CS-EIAPSO-CV寻优算法实施过程的核心步骤,有效信息自适应粒子群优化算法(EIA-PSO)的实施流程,如图3所示:首先,随机初始化代价敏感粒子群中每个代价敏感矩阵粒子的搜索速度和位置信息;然后,以计算误诊率为指标计算每个代价敏感粒子的适应度,用以进一步计算确定代价敏感矩阵粒子的搜索自适应惯性权重和加速度系数;然后,综合所有粒子适应度评估计算适应度值最小的代价敏感粒子为最优适应度代价敏感粒子,结合自适应惯性权重和加速度系数更新代价敏感粒子群的速度和位置信息,直至达到算法停止条件,即达到迭代次数上限或达到最终收敛适应度目标。其中,每经过E次迭代,对搜索结果进行基于伪牛顿法的局部搜索更新,以提高收敛速度;每经过R次迭代,对代价敏感粒子群进行随机重组,以避免粒子陷入局部最优,增强算法的全局搜索性能。
综上所述,结合图1所示基于代价敏感学习的变压器模糊谨慎推理故障诊断方法实施例的实施流程和图2所示代价敏感PSO-CV寻优算法实施例,通过设置在线样本更新间隔,在所述每个样本更新间隔内采用所述基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,可以在所述油浸式电力变压器故障诊断框架有效融合智能多分类算法的基础上,综合利用代价敏感权重因子的在线学习修正,得出匹配当前目标油浸式电力变压器所处的运行状态的故障状态,提高所述油浸式电力变压器故障诊断和状态评估的有效性和鲁棒性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,具体包括以下步骤:
步骤1:在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,确定特征输入向量以及变压器故障类别及其表示方法,对多分类支持向量进行矩阵建模,得到多分类支持向量矩阵模型;
步骤2:结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策,构造归一化多属性决策矩阵;
步骤3:在多属性决策矩阵基础上,构造归一化有序加权平均算子区间,计算模糊谨慎隶属度;
步骤4:对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配,通过PCR5方法对信度分配进行信息融合,并基于信度分配融合的终值进行决策判定;
步骤5:根据决策判定,对误诊样本类别进行检索归类,在此基础上对代价敏感初始矩阵进行在线惩罚修正,实现代价敏感初始矩阵的在线自校正,并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。
2.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤1中,构造的多分类支持向量矩阵模型如式(1)所示:
其中,Pi为分属于运行状态i的概率,Mi是分别采用的基于DGA的单一油浸式电力变压器故障诊断方法,D为多分类支持向量矩阵,Dij为方法j对样本属于第i类运行状态的概率评价。
3.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤2中,Sigmoid概率软化模型,如式(2)所示:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>f</mi>
<mo>+</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,系数A和B分别为软化斜率和偏置;对于模糊集对分析方法,概率p为模糊隶属度函数最终得到的运行状态估计概率值。
4.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤3中,具体包括如下步骤:
步骤3.1:对多分类支持向量矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子,即分别取该行评价值的最小值与最大值,得到有序加权平均算子区间向量EOWA(D),如式(3)所示:
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>O</mi>
<mi>W</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>O</mi>
<mi>W</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>O</mi>
<mi>W</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>O</mi>
<mi>W</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>D</mi>
<mn>1</mn>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>D</mi>
<mn>1</mn>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>D</mi>
<mn>2</mn>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>D</mi>
<mn>2</mn>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>D</mi>
<mi>k</mi>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>D</mi>
<mi>k</mi>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤3.2:对有序加权平均算子区间向量进行归一化,构造模糊谨慎隶属度Eimp(D),作为模糊谨慎隶属度权重,如式(4)所示:
<mrow>
<msup>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>ND</mi>
<mn>1</mn>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>ND</mi>
<mn>1</mn>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>ND</mi>
<mn>2</mn>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>ND</mi>
<mn>2</mn>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>ND</mi>
<mi>k</mi>
<mi>min</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>ND</mi>
<mi>k</mi>
<mi>max</mi>
</msubsup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤4中,具体包括如下步骤:
步骤4.1:根据公式(5)得到辨识框架Θ={A1,A2,…,Ak}的基本信度分配矩阵;
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&cup;</mo>
<msub>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>b</mi>
<mo>-</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,区间对应模糊期望折中向量Eimp(D)的每一行值,为Ai的补集;
步骤4.2:基于公式(6)对支持证据冲突信度进行重新分配,实现基本信度分配的信息融合;
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>P</mi>
<mi>C</mi>
<mi>R</mi>
<mn>5</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&Element;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>&cap;</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>X</mi>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&Element;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<mrow>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>&cap;</mo>
<mi>X</mi>
<mo>=</mo>
<mi>&phi;</mi>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,X1和X2均属于辨识框架Θ={A1,A2,…,Ak}的子集;m1(X)、m2(X)、m1(X1)、m1(X2)、m2(X2)分别代表所采用的m1或m2基本信度分配函数中各子集X、X1、X2的基本信度分配结果;
步骤4.3:证据推理理论泛化置信函数Bel(Ai),如式(7)所示:
<mrow>
<mi>B</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>B</mi>
<mo>&SubsetEqual;</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>B</mi>
<mo>&Element;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mrow>
<mi>P</mi>
<mi>C</mi>
<mi>R</mi>
<mn>5</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤4.4:基于证据推理理论泛化置信函数Bel(Ai),得到对应于类别Ai的基于证据推理的信度分配融合终值Afinal,由信度分配融合终值Afinal大小进行决策判定,如式(8)所示:
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&SubsetEqual;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mi>e</mi>
<mi>l</mi>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤5中,具体包括如下步骤:
步骤5.1:代价敏感初始矩阵定义为
其中,csii=0(i=1,2…6),表示正确诊断代价为0,csij表示故障状态i误诊为故障状态j的误诊代价权重因子;
步骤5.2:结合粒子群优化算法(PSO)和交叉验证算法(CV)以测试集故障诊断误判率最小为优化目标,结合训练样本集对代价敏感初始矩阵以及后续代价敏感惩罚矩阵进行寻优和修正,模型样本集的调整方式采用周期性采样扩展方式;具体包括如下步骤:
步骤5.2.1:对样本集合划分为训练样本集和验证样本集,并对代价敏感初始矩阵CS进行初始化;
步骤5.2.2:基于有效信息自适应粒子群优化算法对代价敏感初始矩阵中的元素进行迭代优化;具体包括如下步骤:
步骤5.2.2.1:随机初始化代价敏感粒子群中每个代价敏感矩阵粒子的搜索速度和位置信息;
步骤5.2.2.2:计算每个代价敏感粒子的适应度;
步骤5.2.2.3:计算代价敏感矩阵粒子的搜索自适应惯性权重和加速度系数;
步骤5.2.2.4:综合所有粒子适应度评估计算适应度值最小的代价敏感粒子为最优适应度代价敏感粒子,结合自适应惯性权重和加速度系数更新代价敏感粒子群的速度和位置信息,直至达到算法停止条件,即达到迭代次数上限或达到最终收敛适应度目标;其中,每经过E次迭代,对搜索结果进行基于伪牛顿法的局部搜索更新,以提高收敛速度;每经过R次迭代,对代价敏感粒子群进行随机重组,以避免粒子陷入局部最优,增强算法的全局搜索性能;
步骤5.2.3:根据性能评价函数,判定迭代过程是否终止;
若:判断结果是迭代过程终止,则输出最终迭代生成的代价敏感矩阵;
或判断结果是迭代过程没有终止,则重复步骤5.2.1-步骤5.2.3。
7.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤5.2中,故障诊断误判率定义为k折交叉验证误判率,即
<mrow>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;cs</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>F</mi>
</msubsup>
</mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,Ni为第i个验证集中的样本个数,nij F为该验证集中故障诊断过程故障状态i误诊为故障状态j的样本个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710974847.3A CN107958292B (zh) | 2017-10-19 | 2017-10-19 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710974847.3A CN107958292B (zh) | 2017-10-19 | 2017-10-19 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958292A true CN107958292A (zh) | 2018-04-24 |
CN107958292B CN107958292B (zh) | 2022-02-25 |
Family
ID=61963597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710974847.3A Active CN107958292B (zh) | 2017-10-19 | 2017-10-19 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958292B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344257A (zh) * | 2018-10-24 | 2019-02-15 | 平安科技(深圳)有限公司 | 文本情感识别方法及装置、电子设备、存储介质 |
CN109358608A (zh) * | 2018-11-28 | 2019-02-19 | 广东电网有限责任公司 | 一种基于集成学习的变压器状态风险评估方法及装置 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109978252A (zh) * | 2019-03-22 | 2019-07-05 | 山东科技大学 | 一种大功率集成燃料电池系统运行状态预测评估方法 |
CN110501294A (zh) * | 2019-08-07 | 2019-11-26 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
CN113484646A (zh) * | 2021-07-21 | 2021-10-08 | 国网河北省电力有限公司检修分公司 | 一种变电站二次回路复杂故障定位装置及诊断方法 |
CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
CN114035431A (zh) * | 2021-10-22 | 2022-02-11 | 中冶赛迪电气技术有限公司 | 一种自主纠偏的电力变压器油色谱判断方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN117035197A (zh) * | 2023-08-25 | 2023-11-10 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
CN117077505A (zh) * | 2023-06-14 | 2023-11-17 | 中国人民解放军海军航空大学 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
CN109344257B (zh) * | 2018-10-24 | 2024-05-24 | 平安科技(深圳)有限公司 | 文本情感识别方法及装置、电子设备、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN104123468A (zh) * | 2014-07-25 | 2014-10-29 | 华北电力大学(保定) | 基于核心状态量集合的配电变压器状态评估方法 |
US20150301878A1 (en) * | 2010-06-30 | 2015-10-22 | Purdue Research Foundation | Interactive, Constraint-Network Prognostics and Diagnostics To Control Errors and Conflicts (IPDN) |
CN105911407A (zh) * | 2016-04-07 | 2016-08-31 | 国网山东省电力公司电力科学研究院 | 基于物元增广可拓关联的变压器状态模糊集对评估方法 |
CN106408003A (zh) * | 2016-08-30 | 2017-02-15 | 南京美天信安网络科技有限公司 | 一种在限定时间内提高支持向量机多分类正确率的方法 |
CN106485705A (zh) * | 2016-10-08 | 2017-03-08 | 西安交通大学 | 基于支持矩阵机的电力设备红外图像异常识别方法 |
CN106529675A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军海军航空工程学院 | 基于冲突度量和模糊推理的融合识别方法 |
-
2017
- 2017-10-19 CN CN201710974847.3A patent/CN107958292B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150301878A1 (en) * | 2010-06-30 | 2015-10-22 | Purdue Research Foundation | Interactive, Constraint-Network Prognostics and Diagnostics To Control Errors and Conflicts (IPDN) |
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN104123468A (zh) * | 2014-07-25 | 2014-10-29 | 华北电力大学(保定) | 基于核心状态量集合的配电变压器状态评估方法 |
CN105911407A (zh) * | 2016-04-07 | 2016-08-31 | 国网山东省电力公司电力科学研究院 | 基于物元增广可拓关联的变压器状态模糊集对评估方法 |
CN106408003A (zh) * | 2016-08-30 | 2017-02-15 | 南京美天信安网络科技有限公司 | 一种在限定时间内提高支持向量机多分类正确率的方法 |
CN106485705A (zh) * | 2016-10-08 | 2017-03-08 | 西安交通大学 | 基于支持矩阵机的电力设备红外图像异常识别方法 |
CN106529675A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军海军航空工程学院 | 基于冲突度量和模糊推理的融合识别方法 |
Non-Patent Citations (2)
Title |
---|
彭飞: "基于模糊理论的装备液压系统故障诊断研究", 《机械设计与制造》 * |
董新华: "基于多源信息融合的配电网故障诊断方法", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344257A (zh) * | 2018-10-24 | 2019-02-15 | 平安科技(深圳)有限公司 | 文本情感识别方法及装置、电子设备、存储介质 |
CN109344257B (zh) * | 2018-10-24 | 2024-05-24 | 平安科技(深圳)有限公司 | 文本情感识别方法及装置、电子设备、存储介质 |
CN109358608A (zh) * | 2018-11-28 | 2019-02-19 | 广东电网有限责任公司 | 一种基于集成学习的变压器状态风险评估方法及装置 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109978252B (zh) * | 2019-03-22 | 2023-08-15 | 广东云韬氢能科技有限公司 | 一种大功率集成燃料电池系统运行状态预测评估方法 |
CN109978252A (zh) * | 2019-03-22 | 2019-07-05 | 山东科技大学 | 一种大功率集成燃料电池系统运行状态预测评估方法 |
CN110501294A (zh) * | 2019-08-07 | 2019-11-26 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN110501294B (zh) * | 2019-08-07 | 2021-09-28 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
CN113484646A (zh) * | 2021-07-21 | 2021-10-08 | 国网河北省电力有限公司检修分公司 | 一种变电站二次回路复杂故障定位装置及诊断方法 |
CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
CN113533962B (zh) * | 2021-07-29 | 2022-08-12 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
CN114035431A (zh) * | 2021-10-22 | 2022-02-11 | 中冶赛迪电气技术有限公司 | 一种自主纠偏的电力变压器油色谱判断方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN114372693B (zh) * | 2021-12-31 | 2024-05-14 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN117077505A (zh) * | 2023-06-14 | 2023-11-17 | 中国人民解放军海军航空大学 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
CN117077505B (zh) * | 2023-06-14 | 2024-05-28 | 中国人民解放军海军航空大学 | 一种基于测试性评价的装备机内故障诊断器设计方法 |
CN117035197A (zh) * | 2023-08-25 | 2023-11-10 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107958292B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958292A (zh) | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 | |
Kong et al. | Electricity theft detection in low-voltage stations based on similarity measure and DT-KSVM | |
CN106093612B (zh) | 一种电力变压器故障诊断方法 | |
Jindal et al. | Decision tree and SVM-based data analytics for theft detection in smart grid | |
Glauner et al. | Large-scale detection of non-technical losses in imbalanced data sets | |
CN109669087A (zh) | 一种基于多源信息融合的电力变压器故障诊断方法 | |
CN108306894A (zh) | 一种基于攻击发生置信度的网络安全态势评估方法及系统 | |
CN103077347B (zh) | 一种基于改进核心向量机数据融合的复合式入侵检测方法 | |
CN107992880A (zh) | 一种电力变压器最优集总分类故障诊断方法 | |
CN110133146A (zh) | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 | |
CN102496069A (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN106443259A (zh) | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN105740635B (zh) | 一种变压器电磁设计方案的云理想解评价方法 | |
CN108182445A (zh) | 基于大数据智能核独立元分析的过程故障识别方法 | |
CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN105005708B (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN110428005A (zh) | 一种基于伞式算法的电力系统动态安全误分类约束方法 | |
CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
CN112149967A (zh) | 基于复杂系统理论的电力通信网脆弱性评估方法和系统 | |
CN107884663A (zh) | 一种基于组合核相关向量机的变压器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |