CN109270390A - 基于高斯变换与全局寻优svm的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了基于高斯变换与全局寻优SVM的变压器故障诊断方法，属于变压器故障诊断领域，包括以下步骤：S10、根据变压器故障特征气体的DGA数据计算相应的三比值特征量；S20、对所述三比值特征量进行归一化预处理，得到预处理后的样本分为训练样本和测试样本；S30、构建SVM故障诊断模型，结合交叉验证原理与遗传算法，建立基于GA优化的SVM故障诊断模型；S40、根据基于GA优化的SVM故障诊断模型对测试样本进行诊断，得到故障诊断结果。与传统的标准支持向量机法、IEC三比值法、神经网络算法进行变压器故障诊断准确率相比，本发明获得的变压器故障诊断结果准确率更高。

Description

基于高斯变换与全局寻优SVM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，尤其涉及基于高斯变换与全局寻优SVM的变压器故障诊断方法。

背景技术

电力变压器是电力系统中最重要的电气设备之一，其安全可靠运行对保证电网的安全稳定性具有重要意义。因此研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。变压器油中溶解气体分析(DGA)是油浸变压器故障诊断的重要手段，变压器油中H₂，CH₄，C₂H₂，C₂H₄、C₂H₆、CO等特征气体的组分含量与故障类型有着密切关系，大量研究表明，变压器故障诊断不能只依赖于油中溶解气体的组分含量，还应取决于气体的相对含量，通过分析溶解于变压器绝缘油中C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆这三对气体比值，能为及时发现变压器内部的绝缘潜伏性故障提供重要依据。

IEC三比值法是目前广泛应用于变压器故障诊断的一种有效方法，该方法虽然简单实用，但存在缺编码和编码界限过于绝对等问题，可能导致出现漏判或误判的情况。因此，针对传统三比值法的不足之处，专家学者研究了大量的人工智能故障诊断方法，例如专家系统、BP神经网络(BPNN)等，这些方法在实际应用中取得了一定的效果，但上述智能算法仍然存在一些问题。专家系统获取知识能力较弱且具有一定的复杂性和难度；BPNN存在容易陷入局部最优和收敛速度慢等问题。与上述方法相比，SVM可以解决小样本情况下的机器学习问题，且能避免神经网络结构选择和局部极小点问题。但是SVM的性能主要取决于它的核函数及其参数，因此如何用智能优化算法寻找合适的核函数参数就成为了基于SVM故障诊断方法研究的重点。遗传算法(Genetic Algorithms，GA)是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，具有鲁棒性、自适应性、全局优化性和搜索不依赖梯度等高阶信息等优点，尤其适用于处理传统搜索方法难于解决的复杂和非线性问题。

发明内容

本发明的目的在于提供基于高斯变换与全局寻优SVM的变压器故障诊断方法，从而解决了现有电力变压器绝缘潜伏性故障诊断中出现的漏判误判问题的缺点。

为实现上述目的，本发明提供了基于高斯变换与全局寻优SVM的变压器故障诊断方法，包括以下步骤：

S10、根据变压器故障特征气体的DGA数据计算相应的三比值特征量；

S20、对所述三比值特征量进行归一化预处理，得到预处理后的样本分为训练样本和测试样本；

S30、构建SVM故障诊断模型，结合交叉验证原理与遗传算法，建立基于GA优化的SVM故障诊断模型；

S40、根据基于GA优化的SVM故障诊断模型对测试样本进行诊断，得到故障诊断结果。

进一步的，所述变压器故障特征气体包括：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂和总烃。

进一步的，所述步骤S20中的归一化预处理公式为：

式(1)中，x_i为归一化前的数值；x_imax、x_imin分别为归一化前数据的最大值和最小值，x_si为归一化后的数值。

进一步的，构建所述SVM故障诊断模型的步骤为：

S301、采用高斯径向基核函数作为SVM的核函数K(x_i,x_j)，SVM非线性分类模型的优化形式为：

式(2)中，参数C为惩罚因子，ω为超平面的法线，ξ为松弛变量，minΦ(ω,ξ)为最小经验风险，y_i为输出值，为超平面上第i个特征向量，b为偏移量，ωT为ω的转置，l是特征空间的维数；

S302、构建拉格朗日函数为：

式(3)中，L(ω,b,ξ,α,β)为拉格朗日函数，α和β为拉格朗日乘子，α＝(α₁,α₂…α_M)^T，β＝(β₁,β₂…β_M)^T，y_i为类标签；

S303、通过S301和S302得到对偶优化解，所述式(3)的对偶优化形式为：

式(4)中，maxΨ(α)为式(3)的对偶优化形式；

S304、构造决策函数：

f(x)＝sgn(w^Tx_i+β) (5)

式(5)中，sgn(x)为阶跃函数。

进一步的，所述SVM的核函数K(x_i,x_j)为：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ>0 (6)

式(6)中，x_i和x_j为两个样本集，γ为自由参数，K(x_i,x_j)为用特征向量表征的核函数。

进一步的，所述基于GA优化的SVM故障诊断模型的诊断方法包括以下步骤：

S3001、初始化种群，即初始化步骤S20得到的训练样本，随机生成初始种群个体；

S3002、对所述初始种群中各个体基因串解码为相应核函数编号、核函数参数和错误惩罚因子，并代入SVM模型，以训练数据和测试数据对其进行训练和测试；

S3003、根据适应度评价原则，计算每个S3002训练和测试得到的训练样本个体的适应度值；

S3004、判断是所述适应度值否满足终止条件，如果满足终止条件，退出循环，遗传优化结束，得到优化参数组合，根据优化参数组合构建GA优化的SVM故障诊断模型，否则转到S3005；

S3005、对所述练样本个体进行选择操作，按照最优保存、最差取代的原则进行；

S3006、对步骤S3005的结果进行交叉操作和变异操作，形成新一代训练样本个体后，返回S3002继续执行。

与现有的技术相比，本发明具有如下有益效果：本发明所提供的基于高斯变换与全局寻优SVM的变压器故障诊断方法，通过变压器故障特征气体的DGA数据计算相应的三比值特征量，对三比值特征量进行预处理得到训练样本和测试样本；构建SVM故障诊断模型，结合交叉验证原理与遗传算法，建立基于GA优化的SVM故障诊断模型，通过基于GA优化的SVM故障诊断模型对测试样本进行诊断，得到故障诊断结果。采用三比值作为特征量，得到的测试准确率优于以DGA作为特征量的故障诊断结果；利用遗传算法优化SVM的参数，选出最佳的C和γ，能够提高支持向量机的分类准确率，因此说明了本发明能够提高变压器故障诊断结果准确率。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于高斯变换与全局寻优SVM的变压器故障诊断方法的流程图；

图2为适应度收敛曲线图；

图3为以三比值为特征量的训练样本的分类准确率图；

图4为以三比值为特征量的测试样本的分类准确率图；

图5为以DGA为特征量的训练样本的分类准确率图；

图6为以DGA为特征量的测试样本的分类准确率图。

具体实施方式

下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所提供的基于高斯变换与全局寻优SVM的变压器故障诊断方法包括以下步骤：

S10、根据变压器故障特征气体的DGA(变压器油中溶解气体分析)数据计算相应的三比值(IEC)特征量，变压器故障特征气体包括：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂和总烃。

S20、为了消除不同比值之间数值大小上的差异，提高变压器的分类准确率，对三比值特征量进行归一化预处理，得到预处理后的样本分为训练样本和测试样本，以提升故障诊断算法的泛化性；

归一化预处理公式为：

式(1)中，x_i为归一化前的数值；x_imax、x_imin分别为归一化前数据的最大值和最小值，x_si为归一化后的数值。

S30、构建SVM故障诊断模型，结合交叉验证(cv)原理与遗传算法，建立基于GA(遗传算法)优化的SVM故障诊断模型；

具体的，构建SVM故障诊断模型的步骤为：

S301、采用高斯径向基核函数作为SVM的核函数K(x_i,x_j)，变压器故障诊断是一个线性不可分的多分类问题，应先对其进行非线性变换，SVM非线性分类模型的优化形式为：

式(2)中，参数C为惩罚因子，ω为超平面的法线，ξ为松弛变量，minΦ(ω,ξ)为最小经验风险，y_i为输出值，为超平面上第i个特征向量，b为偏移量，ω^T为ω的转置，l是特征空间的维数；

当采用高斯径向基核函数时，SVM的分类效果优于采用线性核函数和二次核函数时的分类效果，因此，采用高斯径向基核函数作为SVM的核函数K(x_i,x_j)为：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ>0 (6)

式(6)中，x_i和x_j为两个样本集，γ为自由参数，K(,x_ix)_j为用特征向量表征的核函数。

S302、构建拉格朗日函数为：

式(3)中，L(ω,b,ξ,α,β)为拉格朗日函数，α和β为拉格朗日乘子，α＝(α₁,α₂…α_M)^T，β＝(β₁,β₂…β_M)^T，y_i为类标签。

S303、通过S301和S302得到对偶优化解，所述式(3)的对偶优化形式为：

式(4)中，maxΨ(α)为式(3)的对偶优化形式。

S304、标准的SVM是一个典型的二分类分类器，但是变压器的故障分类是一个非线性的多分类问题，需要对标准的SVM进行多分类变换。故障诊断中OAO的多分类结果要优于其他分类结果。因此，本发明采用OAO方法将二分类SVM拓展为多分类SVM，构造决策函数：

f(x)＝sgn(w^Tx_i+β) (5)

式(5)中，sgn(x)为阶跃函数。

GA优化的SVM故障诊断模型的诊断方法包括以下步骤：

S3001、初始化种群，即初始化步骤S20得到的训练样本和测试样本，随机生成初始种群个体；

S3002、对所述初始种群中各个体基因串解码为相应核函数编号、核函数参数和错误惩罚因子，并代入SVM模型，以训练数据和测试数据对其进行训练和测试；

S3003、根据适应度评价原则，计算每个S3002训练和测试得到的训练样本个体的适应度值；

S3004、判断是所述适应度值否满足终止条件，如果满足终止条件，退出循环，遗传优化结束，得到优化参数组合，根据优化参数组合构建GA优化的SVM故障诊断模型，否则转到S3005；

S3005、对所述练样本个体进行选择操作，按照最优保存、最差取代的原则进行；

S3006、对步骤S3005的结果进行交叉操作和变异操作，形成新一代训练样本个体后，返回S3002继续执行。

S40、根据基于GA优化的SVM故障诊断模型对测试样本进行诊断，得到故障诊断结果。

实施例1

本实施例1选择118组IEC TC 10故障数据进行研究。根据DGA数据将变压器故障划分为：低能放电(low-energy discharge，LE-D)、高能放电(high-energy discharge，HE-D)、中低温过热(thermal fault of low andmedium temperature，LM-T)、高温过热(thermal fault of high temperature，H-T)、正常状态(normal condition，N-C)。本实施例1选取93组样本作为变压器故障诊断的训练样本，其余25组样本数据作为测试样本，得到118组IECTC 10变压器故障样本统计如表1所示。

表1变压器故障样本

将118组DGA数据进行三比值计算和预处理，得到归一化后的三比值特征量。实施例1的GA-SVM中的核函数参数C和γ的搜索区间范围分别为[0，10²]和[0，10³]，CV的折数为9，交叉概率P_c为0.9，变异概率P_m为0.01，种群大小N为100，最大迭代次数为200。

选取三比值作为特征量时，遗传算法对基于GA优化的SVM故障诊断模型进行参数优化得到适应度收敛曲线如图2所示，得到的最优参数为：C＝758.88，γ＝0.00668。其中平均适应度为所有个体在每一代中平均的适应度值，最佳适应度曲线为个体在每一代中的最大适应度值。

根据基于GA优化的SVM故障诊断模型对训练样本和测试样本进行诊断，得到基于GA优化的SVM故障诊断模型的训练样本和测试样本的分类准确率如图3和图4所示，由图3和图4可知，93组训练样本仅有8组训练样本故障诊断结果错误，25组测试样本仅有4组测试样本故障诊断结果错误。训练样本与测试样本的故障诊断准确率分别为91.39％和84％，说明本发明的方法可以有效诊断电力变压器的故障。

为了便于比较，本实施例1以DGA气体全部数据作为特征量，应用基于GA优化的SVM故障诊断模型对相同的故障样本进行了故障诊断，最终GA寻找的最佳SVM参数是C＝14.916，γ＝197.338，训练样本和测试样本的故障诊断结果分别如图5和图6所示。由图5可以知，在93组训练样本中有17组样本分类判断错误，训练样本的分类准确率为81.72％。由图6可知，在25组训练样本中有7组样本分类判断错误，训练样本的分类准确率为72％。

为了进一步验证本发明的所提模型的优越性，又分别采用标准SVM法、BPNN(BP神经网络)和IEC三比值法对相同的训练和测试样本进行了故障诊断。其中标准SVM也采用高斯径向基函数作为核函数，以DGA全部数据作为特征量时最佳参数为C＝420.658，γ＝4.516，以三比值作为特征量时最佳参数为C＝926.606，γ＝6.788。表2和表3分别给出了上述方法以三比值和DGA全部数据作为特征量时的故障诊断准确率统计结果。

表2以三比值为特征量的故障诊断准确率

表3以DGA全数据为特征量的故障诊断准确率

对比表2和表3诊断结果可知：采用标准SVM、BPNN或者GA-SVM三种方法，以三比值作为特征量的故障诊断准确率都要优于以DGA全部数据作为特征量的故障诊断结果，说明以三比值为特征量能提高变压器故障诊断准确率。

由表2可知：采用三比值作为特征量时，无论在测试样本还是训练样本中，GASVM的准确率都要明显高于其他方法。由表3可知：采用DGA全数据作为特征量时，BPNN为52％，本发明的方法的故障诊断准确率为72.0％，标准SVM的准确率为64％，这说明GA优化支持向量机参数后，能明显提高变压器故障诊断率。

从表2和表3的分析可知，采用本发明所提出的基于GA优化SVM参数的故障诊断模型，同时又以三比值作为特征量时，能够获得最高的故障诊断准确率。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于高斯变换与全局寻优SVM的变压器故障诊断方法，其特征在于：包括以下步骤：

S10、根据变压器故障特征气体的DGA数据计算相应的三比值特征量；

S20、对所述三比值特征量进行归一化预处理，得到预处理后的样本分为训练样本和测试样本；

S30、构建SVM故障诊断模型，结合交叉验证原理与遗传算法，建立基于GA优化的SVM故障诊断模型；

S40、根据基于GA优化的SVM故障诊断模型对测试样本进行诊断，得到故障诊断结果。

2.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述变压器故障特征气体包括：H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂和总烃。

3.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述步骤S20中的归一化预处理公式为：

式(1)中，x_i为归一化前的数值；x_imax、x_imin分别为归一化前数据的最大值和最小值，x_si为归一化后的数值。

4.根据权利要求1所述的变压器故障诊断方法，其特征在于：构建所述SVM故障诊断模型的步骤为：

S301、采用高斯径向基核函数作为SVM的核函数K(x_i,x_j)，SVM非线性分类模型的优化形式为：

式(2)中，参数C为惩罚因子，ω为超平面的法线，ξ为松弛变量，minΦ(ω,ξ)为最小经验风险，y_i为输出值，为超平面上第i个特征向量，b为偏移量，ω^T为ω的转置，l是特征空间的维数；

S302、构建拉格朗日函数为：

式(3)中，L(ω,b,ξ,α,β)为拉格朗日函数，α和β为拉格朗日乘子，α＝(α₁,α₂…α_M)^T，β＝(β₁,β₂…β_M)^T，y_i为类标签；

S303、通过S301和S302得到对偶优化解，所述式(3)的对偶优化形式为：

式(4)中，maxΨ(α)为式(3)的对偶优化形式；

S304、构造决策函数：

f(x)＝sgn(w^Tx_i+β) (5)

式(5)中，sgn(x)为阶跃函数。

5.根据权利要求4所述的变压器故障诊断方法，其特征在于：所述SVM的核函数K(x_i,x_j)为：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ>0 (6)

式(6)中，x_i和x_j为两个样本集，γ为自由参数，K(x_i,x_j)为用特征向量表征的核函数。

6.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述基于GA优化的SVM故障诊断模型的诊断方法包括以下步骤：

S3001、初始化种群，即初始化步骤S20得到的训练样本，随机生成初始种群个体；

S3002、对所述初始种群中各个体基因串解码为相应核函数编号、核函数参数和错误惩罚因子，并代入SVM模型，以训练数据和测试数据对其进行训练和测试；

S3003、根据适应度评价原则，计算每个S3002训练和测试得到的训练样本个体的适应度值；

S3004、判断是所述适应度值否满足终止条件，如果满足终止条件，退出循环，遗传优化结束，得到优化参数组合，根据优化参数组合构建GA优化的SVM故障诊断模型，否则转到S3005；

S3005、对所述练样本个体进行选择操作，按照最优保存、最差取代的原则进行；

S3006、对步骤S3005的结果进行交叉操作和变异操作，形成新一代训练样本个体后，返回S3002继续执行。