CN109298258A - 结合rvm和dbn的变压器故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种结合RVM和DBN的变压器故障诊断方法及系统，根据基于DGA数据诊断变压器故障的原理，结合DGA数据的特点，用DGA数据分别同时训练RVM和DBN，然后先利用模型中的RVM进行放电和过热故障二分类，再用DBN进行具体的故障诊断，最终输出诊断结果，相比现有技术具有较高的精度，相比单一的基于DBN、SVM或ANN的变压器故障诊断方法，本发明能够更好地提取故障特征信息，诊断出多重故障，克服了基于DBN、SVM或ANN的变压器故障诊断方法只能诊断单一故障的局限性。

Description

结合RVM和DBN的变压器故障诊断方法及系统

技术领域

本发明涉及变压器故障诊断技术，尤其涉及一种结合RVM和DBN的变压器故障诊断方法及系统。

背景技术

电力变压器是电网的关键部分之一，它的可靠性高度依赖于绝缘系统的完整性。在长期的运行中，变压器经常受到热、电和机械力的影响，导致绝缘结构恶化，进而导致故障。这些故障会造成变压器油的分解，从而产生各种碳氢化合物气体。

溶解气体分析(DGA)是一种常见的电力变压器故障诊断方法，在此基础上形成了IEC三比值法和Rogers比值法，但存在编码缺失和判断标准过于绝对的缺点。由于DGA数据的模糊性、不确定性和非线性，不能用指定的数学模型来精确描述。在过去的几十年中，随着人工智能的发展，包括人工神经网络(ANN)、支持向量机(SVM)和贝叶斯网络在内的一些算法已经应用于该领域。人工神经网络存在收敛速度慢和过拟合的缺点；贝叶斯网络需要大量的样本训练才能得到好的诊断效果；支持向量机在解决小样本、非线性及高维模式识别中有很大的优势，泛化能力强，但其数量会随着样本数量增加而快速增加，而且它的核函数要满足Mercer条件，且需要交叉验证设置惩罚系数C。

相关向量机(RVM)是基于一种基于贝叶斯框架的学习方法，核函数不用满足Mercer条件，且只需要少量的自由参数。深度信念网络(DBN)能较快地从大量的样本中提取特征，但是DBN需要提取的特征随着训练样本的增加而增加。神经网络结构也因此更加复杂，提取样本信息的能力也越来越低，导致诊断精度降低，训练时间也大大增加。

发明内容

本发明主要目的在于，提供一种结合RVM和DBN的变压器故障诊断方法及系统，以减少DBN需要提取的规则数量，降低数据复杂程度，简化DBN结构，提高故障诊断准确性。

本发明是通过如下技术方案实现的：

一种结合RVM和DBN的变压器故障诊断方法，包括：

初始化RVM参数和DBN参数；

输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；

根据输入的DGA样本数据计算与各类故障对应的期望输出；

基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；

利用所述故障诊断模型对变压器进行故障诊断。

进一步地，利用所述故障诊断模型对变压器进行故障诊断的步骤包括：

获取待诊断变压器中的DGA检测数据；

其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；

当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；

当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；

结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。

进一步地，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；

以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。

进一步地，所述设定阈值为0.8。

进一步地，初始化RVM参数和DBN参数时：

对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；

对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。

一种结合RVM和DBN的变压器故障诊断系统，包括：

初始化模块，用于初始化RVM参数和DBN参数；

DGA样本数据输出模块，用于输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；

期望输出计算模块，用于根据输入的DGA样本数据计算与各类故障对应的期望输出；

模型训练模块，用于基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；

故障诊断模块，用于利用所述故障诊断模型对变压器进行故障诊断。

进一步地，所述故障诊断模块包括DGA数据获取模块和诊断结果输出模块；

所述DGA数据获取模块用于获取待诊断变压器中的DGA检测数据；

其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；

当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；

当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；

所述诊断结果输出模块用于结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。

进一步地，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；

以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。

进一步地，所述设定阈值为0.8。

进一步地，所述初始化模块初始化RVM参数和DBN参数时：

对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；

对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。

与现有技术相比，本发明提供的结合RVM和DBN的变压器故障诊断方法及系统，根据基于DGA数据诊断变压器故障的原理，结合DGA数据的特点，用DGA数据分别同时训练RVM和DBN，然后先利用模型中的RVM进行放电和过热故障二分类，再用DBN进行具体的故障诊断，最终输出诊断结果，相比现有技术具有较高的精度，相比单一的基于DBN、SVM或ANN的变压器故障诊断方法，本发明能够更好地提取故障特征信息，诊断出多重故障，克服了基于DBN、SVM或ANN的变压器故障诊断方法只能诊断单一故障的局限性。

附图说明

图1是本发明提供的结合RVM和DBN的变压器故障诊断方法的总体流程示意图；

图2是DBN模型示意图；

图3是RVM-DBN故障诊断模型结构及其工作原理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步详细说明。

减少DBN(深度信念网络)需要提取的规则数量，降低数据复杂程度是简化DBN结构和提高诊断准确性的有效方法。通过对DGA(溶解气体分析)数据的研究可知，热故障和放电故障是线性可分的。如果有一个能够有效地对两种故障进行分类的工具，就可以大大减少DBN需要提取的特征量。本发明提出了一种将相关向量机RVM(相关向量机)与DBN相结合的模型来解决上述问题。

考虑DGA数据的特点，RVM首先用于故障的二元分类，然后，利用DBN进行进一步分析，DBN分类器能以概率形式输出对应故障的概率。实验结果表明，提出的方法具有较高的精度。相比单一的DBN、SVM或ANN，该方法能够更好地提取特征信息，且能够通过对故障的概率进行分析，诊断出多重故障，克服了RVM、SVM和ANN只能诊断单一故障的局限性。

本发明提供的结合RVM和DBN的变压器故障诊断方法包括如下几个方面：

RVM参数设定：RVM是SVM的贝叶斯扩展，具有较强的泛化能力，需要很少的训练数据，在处理二分类问题优势明显。设给定训练样本RVM的输出模型为：

其中，K(x_n,x_i)是核函数；w_i为模型的权值，在贝叶斯理论框架下，权值可以通过最大似然求得，但为了避免出现“过学习”现象，简化学习过程，使权值w服从Gauss分布N(0,α^-1),α是超参数，同时将logistic sigmoid函数σ(y)＝1/(1+e^-y)作为分类函数。

RVM算法在应用过程中，核函数的选取对RVM的分类性能有极大地影响，选用收敛域较宽，局部学习能力强的高斯径向基函数作为核函数，适用于变压器油中溶解气体特征数据高维数、小样本的情况。

DBN参数设定：深度信念网络是由多个受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)堆叠而成的一种生成模型。每层RBM由可视层v和隐层h构成，可以分层训练，解决了传统多层神经网络难以完成训练的缺陷。玻尔兹曼机是由随机神经元全连接成的反馈神经网络对一组状态(v,h),所具备的能量定义为

学习RBM的目的是求出模型参数θ＝{W，a，b}，可以利用极大似然学习法来求取该参数。似然函数为对对数似然概率lnp(v)求导得到梯度的近似值为：

通过(3)-(5)，经过CD算法迭代可以求得参数θ＝{W,a,b}。DBN分类模型的顶层为Softmax分类器，它是Logistic分类器的推广，能以概率形式输出分类结果，概率最大者为对应故障类型，DBN具体结构如下图所示。

搭建RVM-DBN结构：电力变压器的许多故障是线性可分的。因此，可以将任务转化为一个二进制分类问题，训练样本的数量可以减少一半，从而最小化DBN需要学习的规则数量。通过RVM和DBN的结合，可以显著提高对故障诊断的效率。

在图2中描述了混合的RVM-DBN的结构。RVM1先把样本分为正常状态和故障状态，然后用RVM2把故障样本分为放电故障和过热故障，最后利用训练好的DBN进一步分析准确故障类型。

特诊参量选取：在工程应用中，一般选取H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂七种气体作为特征参量，将其看作7维的向量组。然而特征气体浓度值差异较大，不能直接使用气体的含量作为输入量，为了减小某一维数据对整体带来的影响，对特征气体含量按公式6进行归一化处理，把输入范围限制在[-1,1]。

常用的提取故障特征的方法有IEC比值、Rogers比值、Doernenberg比值和无编码比值。前面3种比值法包含的特征信息较少，不利于变压器故障模式差异化特征提取。变压器发生过热和放电故障时油中溶解的主要气体差别很大，基于此性质，可以使用无编码比值法，根据特征气体的含量和它们彼此的比值作为判断依据。无编码比值由9种不同组合形式的气体比值构成，具体气体浓度比值为：CH₄/H₂,C₂H₄/C₂H₂,C₂H₄/C₂H₆,C₂H₂/(C₁+C₂),H₂/(H₂+C₁+C₂),C₂H₄/(C₁+C₂),CH₄/(C₁+C₂),C₂H₆/(C₁+C₂),(CH₄+C₂H₄)/(C₁+C₂)。其中，C₁为一阶碳氢化合物，C₂为二阶碳氢化合物。

状态编码及模型训练：训练是故障诊断的关键步骤，且训练样本对结果有很大的影响，因此样本必须可靠、具有代表性。根据IEC60599，它把故障分为6种类型，表1所列的数据来源于IEC TC 10,它涵盖了各种故障类型。以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热。对故障类型进行编码如表1所示。

表1变压器状态编码表

使用的数据来主要来自IEC TC 10数据库和公开发表文献刊物中的DGA数据，从它们当种筛选出2190组能反映各类故障的样本。样本随机分为训练集和测试集，具体数据安排情况如表2所示。

表2样本数据划分

基于上述原理，本发明提供的结合RVM和DBN的变压器故障诊断方法主要包括如下步骤：

(1)初始化RVM参数和DBN参数。对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次。对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。学习速率设置为0.1，网络结构层数与诊断精度随着层数的增加，精度也随之增加，当层数大于5时，增加不明显，为了提升效率，把神经网络的节点数设置为9-20-20-10-3，共5层神经网络。

(2)输入DGA样本数据，DGA样本数据应覆盖所需诊断的各类故障。DGA样本数据可参照上述状态编码及模型训练中的说明进行筛选。输入数据包括H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂，由于DGA数据之间差异较大，因此采用上述方法进行标准化。

(3)根据输入的DGA样本数据计算与各类故障对应的期望输出，并基于计算的期望输出进行模型训练，以训练结合RVM和DBN的故障诊断模型(RVM-DBN故障诊断模型)。训练RVM-DBN故障诊断模型分为两个方面：训练RVM模型和训练DBN模型。训练RVM模型时，放电故障和过热故障分别对应1和0，放电兼过热故障作为测试数据。训练DBN模型时，使用CD(Contrastive Divergence)算法对DBN模型进行逐层训练。同时，利用训练样本的状态与计算出来的可视层的状态的重构误差来对RBM参数做出适当调整，降低重构误差，最后利用BP算法优化整个DBN模型。

(4)模型测试。故障诊断模型由四个子模型构成，分别是两个线性分类RVM模型和两个用于具体故障诊断的DBN模型。为了更好的进行测试，采用K折交叉验证进行验证。其中，把测试数据分为K份，K-1份用于训练样本，最后一份用于测试，它的精度为K次试验的平均值。DBN的输出表示对应故障类型的概率。

(5)训练好故障诊断模型后，就可利用故障诊断模型对变压器进行故障诊断，并输出诊断结果。具体在进行变压器故障诊断时，利用故障诊断模型对变压器进行故障诊断的步骤又包括：

获取待诊断变压器中的DGA检测数据。DGA检测数据为变压器中的H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂7种气体的含量按公式6进行归一化处理后的数据。

其中一个RVM模型根据DGA检测数据判断变压器处于正常状态还是故障状态；

当变压器处于故障状态时，另一个RVM模型根据DGA检测数据判断变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当变压器出现了放电故障时，其中一个DBN模型根据DGA检测数据判断变压器出现的放电故障的具体类型；

当变压器出现了过热故障时，另一个DBN模型根据DGA检测数据判断变压器出现的过热故障的具体类型；

结合两个DBN模型的判断结果，输出变压器的故障诊断结果。

本实施例中，放电故障的具体类型包括局部放电、低能放电和高能放电，过热故障的具体类型包括低温过热、中温过热和高温过热。而实际情况中，变压器可能同时出现了多种故障叠加的情况，同时，有些变压器的DGA检测数据具有模糊特性，即故障概率输出非常接近，容易模糊故障类型间分类信息，这种类型的样本容易造成误诊。对于所有正确诊断出的样本，最大输出概率的平均值为0.80，该值被作为RVM-DBN故障诊断模型的阈值。因此，在故障诊断结果方面，以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2 P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。设定阈值设置为0.8。表3给出了含复合型故障样本的诊断结果。

表3故障诊断结果

以表3为例，在表3的概率诊断向量组中，对于RVM-DBN故障诊断模型而言，P＝{[P_PDP_D1 P_D2]^T,[P_T1 P_T2 P_T3]^T}。如图2所示，在使用RVM-DBN故障诊断模型进行变压器故障诊断时，将样本分类成两个组，其中一个为热故障诊断，另一个为放电故障诊断。在执行RVM-DBN故障诊断模型时，最大输出概率可直接被识别为故障类型，如果几个概率非常接近，则变压器可能同时出现了多个故障；如果最大输出概率不超过0.80，则可能同时出现了放电和过热故障，则把样本放到另一组DBN进行测试。如表3中案例7，DBN最大概率值小于0.80,则表明变压器发生故障重叠，两组最大概率分别为0.54和0.59，表示同时发生了高能放电和中温过热故障。使用其它方法容易发生误判，而RVM-DBN故障诊断模型能够以概率的形式诊断出多重故障。

基于上述变压器故障诊断方法，本发明实施例还提供了一种结合RVM和DBN的变压器故障诊断系统，包括：

初始化模块，用于初始化RVM参数和DBN参数；

DGA样本数据输出模块，用于输入DGA样本数据，DGA样本数据覆盖所需诊断的各类故障；

期望输出计算模块，用于根据输入的DGA样本数据计算与各类故障对应的期望输出；

模型训练模块，用于基于期望输出，训练结合RVM和DBN的故障诊断模型，故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；

故障诊断模块，用于利用故障诊断模型对变压器进行故障诊断。

故障诊断模块包括DGA数据获取模块和诊断结果输出模块；

DGA数据获取模块用于获取待诊断变压器中的DGA检测数据；

其中一个RVM模型根据DGA检测数据判断变压器处于正常状态还是故障状态；

当变压器处于故障状态时，另一个RVM模型根据DGA检测数据判断变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当变压器出现了放电故障时，其中一个DBN模型根据DGA检测数据判断变压器出现的放电故障的具体类型；

当变压器出现了过热故障时，另一个DBN模型根据DGA检测数据判断变压器出现的过热故障的具体类型；

诊断结果输出模块用于结合两个DBN模型的判断结果，输出变压器的故障诊断结果。

放电故障的具体类型包括局部放电、低能放电和高能放电，过热故障的具体类型包括低温过热、中温过热和高温过热；

以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。

设定阈值为0.8。

初始化模块初始化RVM参数和DBN参数时：

对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；

对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。

该故障诊断系统中的各模块与上述故障诊断方法中的各步骤相互对应，用于执行上述故障诊断方法中的各步骤，各模块的具体工作原理可参考上述故障诊断方法中对各步骤的说明，在此不再赘述。

上述实施例仅为优选实施例，并不用以限制本发明的保护范围，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 (10)

1.一种结合RVM和DBN的变压器故障诊断方法，其特征在于，包括：

初始化RVM参数和DBN参数；

输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；

根据输入的DGA样本数据计算与各类故障对应的期望输出；

基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；

利用所述故障诊断模型对变压器进行故障诊断。

2.如权利要求1所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，利用所述故障诊断模型对变压器进行故障诊断的步骤包括：

获取待诊断变压器中的DGA检测数据；

其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；

当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；

当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；

结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。

3.如权利要求2所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；

以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。

4.如权利要求3所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，所述设定阈值为0.8。

5.如权利要求1所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，初始化RVM参数和DBN参数时：

对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；

对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。

6.一种结合RVM和DBN的变压器故障诊断系统，其特征在于，包括：

初始化模块，用于初始化RVM参数和DBN参数；

DGA样本数据输出模块，用于输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；

期望输出计算模块，用于根据输入的DGA样本数据计算与各类故障对应的期望输出；

模型训练模块，用于基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；

故障诊断模块，用于利用所述故障诊断模型对变压器进行故障诊断。

7.如权利要求6所述的结合RVM和DBN的变压器故障诊断系统，其特征在于，所述故障诊断模块包括DGA数据获取模块和诊断结果输出模块；

所述DGA数据获取模块用于获取待诊断变压器中的DGA检测数据；

其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；

当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；

当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；

当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；

所述诊断结果输出模块用于结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。

8.如权利要求7所述的结合RVM和DBN的变压器故障诊断系统，其特征在于，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；

以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[P_PD P_D1 P_D2]^T,[P_T1 P_T2P_T3]^T}，其中，[P_PD P_D1 P_D2]^T为放电故障诊断结果，[P_T1 P_T2 P_T3]^T为过热故障诊断结果，P_PD、P_D1、P_D2、P_T1、P_T2、P_T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。

9.如权利要求8所述的结合RVM和DBN的变压器故障诊断系统，其特征在于，所述设定阈值为0.8。

10.如权利要求6所述的结合RVM和DBN的变压器故障诊断系统，其特征在于，所述初始化模块初始化RVM参数和DBN参数时：

对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；

对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。