CN109856494A - 一种基于支持向量机的变压器故障诊断方法 - Google Patents
一种基于支持向量机的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109856494A CN109856494A CN201910010320.8A CN201910010320A CN109856494A CN 109856494 A CN109856494 A CN 109856494A CN 201910010320 A CN201910010320 A CN 201910010320A CN 109856494 A CN109856494 A CN 109856494A
- Authority
- CN
- China
- Prior art keywords
- cluster
- support vector
- fault
- vector machines
- result
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量机的变压器故障诊断方法。首先对样本数据进行归一化处理,然后利用分级局部密度聚类算法分析样本数据中的训练数据,通过分析所得到的子聚类结果判断是否有新的故障形式,然后分别利用聚类故障识别表和支持向量机进行故障诊断和验证并得到诊断正确率。这种方法可以诊断出变压器潜在的故障形式并识别出新的故障类别,对变压器状态进行实时检测,从而帮助和指导变压器运行维护人员准确掌握变压器的运行情况。
Description
技术领域
本发明涉及油浸式变压器故障诊断领域,更具体地,涉及一种基于支持向量机的变压器故障诊断方法。
背景技术
在油浸式变压器故障诊断领域,油中气体分析(DGA)技术是目前对油浸式变压器进行故障诊断最方便、有效的手段之一,它往往能较准确、可靠地发现逐步发展的潜伏性故障,防止由此引起的重大事故。目前常用IEC/IEEE推荐的三比值法,但在实际应用中,这些方法出现了不少问题,比如“缺编码”、编码边界过于绝对等,针对这些不足,各种人工智能方法如人工神经网络、模糊推理等已经被引入到变压器的故障诊断中,并取得了一定的效果。
在利用各种人工智能方法对变压器进行故障诊断时,最常用的方法是BP神经网络诊断法,这种方法对变压器的未知故障类别不敏感,往往不能及时分辨出新的故障形式,不利于对变压器的实时检测。此外,神经网络没有坚实的数学理论基础,存在泛化能力弱、易陷入局部最优的缺点,也会导致诊断准确率的下降。
发明内容
本发明为克服上述现有技术所述的对变压器的未知故障类别不敏感,泛化能力弱、易陷入局部最优的缺点缺陷,提供一种基于支持向量机的变压器故障诊断方法。
为解决上述技术问题,本发明的技术方案如下:一种基于支持向量机的变压器故障诊断方法,其步骤包括:
S1:收集描述油浸式变压器产生的特征气体的数据,构成数据集C,将数据集分成三个子数据集,分别是训练数据集、未知故障测试数据集、普通测试数据集;
S2:将数据集中的数据进行归一化处理,并对归一化处理后的训练数据进行多级局部密度聚类得到所有子聚类结果;
S3:将多级局部密度聚类后的所有子聚类结果制作成聚类类别故障表,根据聚类类别故障表确定每个子聚类结果所包含的故障类型,制作聚类类别故障识别表;
S4:利用训练好的支持向量机分别对未知故障测试数据集和普通测试数据集中的故障类型进行诊断,并对照聚类故障识别表进行验证,计算出诊断的准确率。
本发明首先收集数据并分类,并对收集的数据进行归一化处理,再利用多级局部密度聚类算法分析数据中的训练数据,通过分析所得到的子聚类结果判断是否有新的故障类型,利用支持向量机对测试数据进行故障诊断,并对照故障识别表进行验证故障诊断准确率。
优选地,描述油浸式变压器产生的特征气体包括H2,CH4,C2H2,C2H4,C2H6。
优选地,S2对数据集中的数据进行归一化处理的计算公式如下:
式中,a、b分别为归一化处理的范围[0,1]内的最小值和最大值,xi、xi′为数据集C中第i个数据归一化前后的数值;max(C)、min(C)分别表示数据集C中的最大值和最小值。
优选地,所述a取0.1,b取0.9。
优选地,多级局部密度聚类算法步骤如下:
确定聚类中心的局部密度和计算每个样本的距离偏量,根据每个样本的距离偏量确定聚类中心点,根据聚类中心点对非聚类中心点进行聚类最终得到聚类结果。
优选地,S3制作聚类故障识别表的计算公式如下:
式中,λi表示第i类故障的故障识别率,Bi表示第i类故障在聚类结果B中的样本个数。
优选地,S4利用训练好的支持向量机分别对未知故障测试数据集和普通测试数据集中的故障类型进行诊断,并对照聚类故障识别表进行验证,计算出诊断的准确率的具体步骤为:利用多级局部密度聚类判断训练集中是否有新的故障类型,若有则根据多级局部密度聚类的聚类故障识别表和支持向量机算法的故障诊断模型的最终分类结果进行诊断,若没有则由支持向量机的故障诊断模型的分类结果即可诊断出结果,并计算诊断的准确率。
优选地,根据多级局部密度聚类的聚类故障识别表和支持向量机算法的故障诊断模型进行诊断的规则如下:
在聚类完成时,若某子聚类结果中某故障的故障识别率低于0.1,认为该子聚类中无该故障类型;若某子聚类结果中某故障的故障识别率高于0.7,认为该子聚类表达该故障类型;
在完成聚类后,若该子聚类没有任何故障类型的故障识别率高于0.7,需要对分类到该聚类的数据根据支持向量机进行诊断;当支持向量机无法反映故障类型或者反映的故障类型不在该聚类结果中时,忽略支持向量机的诊断结果,将聚类结果中故障识别率λi最高的故障类别作为该样本的故障判断结果。
优选地,支持向量机算法步骤如下:
首先将训练数据集划分为k个类别,其中k为故障类别数加1;使用这k个训练集分别对支持向量机进行训练,然后得到k个训练结果文件;利用未知故障测试数据集和普通测试数据集分别对这k个训练结果文件进行测试,得到k个测试结果;选择k个测试结果中数值最大的作为分类结果。
与现有技术相比,本发明技术方案的有益效果是:本发明利用多级局部密度聚类算法判断出变压器的潜在的故障形式并识别出新的故障类别,结合支持向量机的算法对变压器进行检测可以避免神经网络存在泛化能力弱、易陷入局部最优的问题。
附图说明
图1为本发明流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的一种基于支持向量机的变压器故障诊断方法的流程图,包括以下步骤:
S1:收集描述油浸式变压器产生的特征气体H2,CH4,C2H2,C2H4,C2H6的数据,构成数据集C,将数据集分成三个子数据集,分别是训练数据集、未知故障测试数据集、普通测试数据集;
S2:将数据集中的数据进行归一化处理,其计算公式如下:
式中,a、b分别为归一化处理的范围[0,1]内的最小值和最大值,在一种实施例中a取0.1,b取0.9;xi、xi′为数据集C中第i个数据归一化前后的数值;max(C)、min(C)分别表示数据集C中的最大值和最小值。
对归一化处理后的训练数据进行多级局部密度聚类得到所有子聚类结果,其中多级局部密度聚类算法首先确定聚类中心的局部密度和计算每个样本的距离偏量,根据每个样本的距离偏量确定聚类中心点,根据聚类中心点对非聚类中心点进行聚类最终得到聚类结果。
S3:将多级局部密度聚类后的所有子聚类结果制作成聚类类别故障表,根据聚类类别故障表确定每个子聚类结果所包含的故障类型,制作聚类类别故障识别表;其计算公式如下:
式中,λi表示第i类故障的故障识别率,Bi表示第i类故障在聚类结果B中的样本个数。
S4:利用训练好的支持向量机分别对未知故障测试数据集和普通测试数据集中的故障类型进行诊断,并对照聚类故障识别表进行验证,计算出诊断的准确率。
首先利用多级局部密度聚类判断训练集中是否有新的故障类型,若有则根据多级局部密度聚类的聚类故障识别表和支持向量机算法的故障诊断模型的最终分类结果进行诊断,其判断依据为:
在聚类完成时,若某子聚类结果中某故障的故障识别率低于0.1,认为该子聚类中无该故障类型;若某子聚类结果中某故障的故障识别率高于0.7,认为该子聚类表达该故障类型。
若没有任何故障类型的故障识别率高于0.7,需要对分类到该聚类的数据根据支持向量机进行诊断;当支持向量机无法反映故障类型或者反映的故障类型不在该聚类结果中时,忽略支持向量机的诊断结果,将聚类结果中故障识别率λi最高的故障类别作为该样本的故障判断结果。
若没有新的故障类型,则由支持向量机的故障诊断模型的分类结果即可诊断出结果,并计算诊断的准确率。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于支持向量机的变压器故障诊断方法,其特征在于,包括以下步骤:
S1:收集描述油浸式变压器产生的特征气体的数据,构成数据集C,将数据集分成三个子数据集,分别是训练数据集、未知故障测试数据集、普通测试数据集;
S2:将数据集中的数据进行归一化处理,并对归一化处理后的训练数据进行多级局部密度聚类得到所有子聚类结果;
S3:将多级局部密度聚类后的所有子聚类结果制作成聚类类别故障表,根据聚类类别故障表确定每个子聚类结果所包含的故障类型,制作聚类类别故障识别表;
S4:利用训练好的支持向量机分别对未知故障测试数据集和普通测试数据集中的故障类型进行诊断,并对照聚类故障识别表进行验证,计算出诊断的准确率。
2.根据权利要求1所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,描述油浸式变压器产生的特征气体包括H2,CH4,C2H2,C2H4,C2H6。
3.根据权利要求1所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,S2对数据集中的数据进行归一化处理的计算公式如下:
式中,a、b分别为归一化处理的范围[0,1]内的最小值和最大值,xi、x′i为数据集C中第i个数据归一化前后的数值;max(C)、min(C)分别表示数据集C中的最大值和最小值。
4.根据权利要求3所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,所述a取0.1,b取0.9。
5.根据权利要求1所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,多级局部密度聚类算法步骤如下:
确定聚类中心的局部密度和计算每个样本的距离偏量,根据每个样本的距离偏量确定聚类中心点,根据聚类中心点对非聚类中心点进行聚类最终得到聚类结果。
6.根据权利要求1所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,S3制作聚类故障识别表的计算公式如下:
式中,λi表示第i类故障的故障识别率,Bi表示第i类故障在聚类结果B中的样本个数。
7.根据权利要求1所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,S4利用训练好的支持向量机分别对未知故障测试数据集和普通测试数据集中的故障类型进行诊断,并对照聚类故障识别表进行验证,计算出诊断的准确率的具体步骤为:利用多级局部密度聚类判断训练集中是否有新的故障类型,若有则根据多级局部密度聚类的聚类故障识别表和支持向量机算法的故障诊断模型的最终分类结果进行诊断,若没有则由支持向量机的故障诊断模型的分类结果即可诊断出结果,并计算诊断的准确率。
8.根据权利要求7所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,根据多级局部密度聚类的聚类故障识别表和支持向量机算法的故障诊断模型进行诊断的规则如下:
在聚类完成时,若某子聚类结果中某故障的故障识别率低于0.1,认为该子聚类中无该故障类型;若某子聚类结果中某故障的故障识别率高于0.7,认为该子聚类表达该故障类型;
在完成聚类后,若该子聚类没有任何故障类型的故障识别率高于0.7,需要对分类到该聚类的数据根据支持向量机进行诊断;当支持向量机无法反映故障类型或者反映的故障类型不在该聚类结果中时,忽略支持向量机的诊断结果,将聚类结果中故障识别率λi最高的故障类别作为该样本的故障判断结果。
9.根据权利要求7所述的一种基于支持向量机的变压器故障诊断方法,其特征在于,支持向量机算法步骤如下:
首先将训练数据集划分为k个类别,其中k为故障类别数加1;使用这k个训练集分别对支持向量机进行训练,然后得到k个训练结果文件;利用未知故障测试数据集和普通测试数据集分别对这k个训练结果文件进行测试,得到k个测试结果;选择k个测试结果中数值最大的作为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010320.8A CN109856494A (zh) | 2019-01-02 | 2019-01-02 | 一种基于支持向量机的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010320.8A CN109856494A (zh) | 2019-01-02 | 2019-01-02 | 一种基于支持向量机的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109856494A true CN109856494A (zh) | 2019-06-07 |
Family
ID=66894015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910010320.8A Pending CN109856494A (zh) | 2019-01-02 | 2019-01-02 | 一种基于支持向量机的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856494A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN110954782A (zh) * | 2019-12-17 | 2020-04-03 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN117668738A (zh) * | 2024-01-31 | 2024-03-08 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006315813A (ja) * | 2005-05-13 | 2006-11-24 | Murata Mach Ltd | 移動体の診断システム |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
CN105203876A (zh) * | 2015-09-15 | 2015-12-30 | 云南电网有限责任公司电力科学研究院 | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 |
CN107563414A (zh) * | 2017-08-14 | 2018-01-09 | 北京航空航天大学 | 一种基于Kohonen‑SVM的复杂设备退化状态识别方法 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 |
-
2019
- 2019-01-02 CN CN201910010320.8A patent/CN109856494A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006315813A (ja) * | 2005-05-13 | 2006-11-24 | Murata Mach Ltd | 移動体の診断システム |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估系统及其评估方法 |
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
CN105203876A (zh) * | 2015-09-15 | 2015-12-30 | 云南电网有限责任公司电力科学研究院 | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 |
CN107563414A (zh) * | 2017-08-14 | 2018-01-09 | 北京航空航天大学 | 一种基于Kohonen‑SVM的复杂设备退化状态识别方法 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 |
Non-Patent Citations (1)
Title |
---|
杜文霞 等: "支持向量机在变压器故障诊断中的应用研究", 《自动化仪表》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN110954782A (zh) * | 2019-12-17 | 2020-04-03 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
CN110954782B (zh) * | 2019-12-17 | 2021-10-26 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN117668738A (zh) * | 2024-01-31 | 2024-03-08 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
CN117668738B (zh) * | 2024-01-31 | 2024-05-10 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856494A (zh) | 一种基于支持向量机的变压器故障诊断方法 | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
CN108777873A (zh) | 基于加权混合孤立森林的无线传感网络异常数据检测方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN105425150B (zh) | 一种基于rbf和pca-svdd的电机故障诊断方法 | |
CN106770939A (zh) | 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN113889252B (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
CN109765332A (zh) | 基于隔离森林的变压器异常值实时检测和故障诊断方法 | |
CN107238508A (zh) | 一种设备状态诊断方法及装置 | |
CN108363902A (zh) | 一种致病遗传变异的精确预测方法 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN112635069A (zh) | 一种基于常规检验数据的肺结核智能识别方法 | |
CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
CN116154972A (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN109324264A (zh) | 一种配电网线路阻抗数据异常值的辨识方法及装置 | |
CN113377750A (zh) | 水文数据清洗方法及系统 | |
CN117219127A (zh) | 认知状态识别方法以及相关设备 | |
CN111563348A (zh) | 基于深度支持向量机的变压器故障诊断方法 | |
CN116629409A (zh) | 一种基于朴素贝叶斯算法的sofc系统故障几率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |