CN111639722A - 基于主成分分析和孪生支持向量机的变压器故障诊断方法 - Google Patents
基于主成分分析和孪生支持向量机的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111639722A CN111639722A CN202010574484.6A CN202010574484A CN111639722A CN 111639722 A CN111639722 A CN 111639722A CN 202010574484 A CN202010574484 A CN 202010574484A CN 111639722 A CN111639722 A CN 111639722A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- matrix
- transformer
- principal component
- support vector
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 94
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 42
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本申请公开了一种基于主成分分析和孪生支持向量机的变压器故障诊断方法,包括提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。该方法能够有效提高变压器故障的诊断速度与诊断精度。本申请还公开了一种基于主成分分析和孪生支持向量机的变压器故障诊断装置、设备及计算机可读存储介质,均具有上述技术效果。
Description
技术领域
本申请涉及电气设备故障诊断技术领域,特别涉及一种基于主成分分析和孪生支持向量机的变压器故障诊断方法;还涉及一种基于主成分分析和孪生支持向量机的变压器故障诊断装置、设备以及计算机可读存储介质。
背景技术
随着生产力与生产水平的大幅度提升,电力系统变得更加复杂,自动化程度变得更高,为传统电力产业注入了新时代的活力。然而在电力系统运行的过程中容易受到多种隐私的影响出现故障问题,严重时会导致整个电网大面积的瘫痪,造成巨大的损失,因此用户对供电的可靠性要求越来越高。
油浸式电力变压器作为电力系统的核心设备之一,其故障影响大且故障原因复杂。为确保电力系统的安全稳定运行,必须对其运行状态进行监测与判断。故障诊断技术的应用是保障电力变压器安全的重要手段,油中溶解气体分析可为变压器故障诊断提供重要依据,并且特征气体含量支持在线监测,对其进行分析可发现早起潜伏性故障,预防严重故障发生。如何从原始可测特征气体数据中提取出电力变压器运行状态的特征量,以及在此基础上研究故障精确分类的方法成为电力变压器故障诊断的重要关注点。
有鉴于此,提供一种诊断速度快、诊断精度高的变压器故障诊断方法已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种基于主成分分析和孪生支持向量机的变压器故障诊断方法,能够有效提高变压器故障的诊断速度与诊断精度。本申请的另一个目的是提供一种基于主成分分析和孪生支持向量机的变压器故障诊断装置、设备以及计算机可读存储介质,均具有上述技术效果。
为解决上述技术问题,本申请提供了一种基于主成分分析和孪生支持向量机的变压器故障诊断方法,包括:
提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;
利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;
将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
可选的,所述以所述相对浓度作为待测参数构建待测矩阵,包括:
计算所述待测参数的均值和标准差;
依据所述待测参数的均值、标准差计算得到各所述待测参数的归一化值;
以各所述待测参数的归一化值构建所述待测矩阵。
可选的,所述利用主成分分析法提取所述待测矩阵的特征参数,包括:
计算所述待测矩阵中所述待测参数的协方差矩阵;
计算所述协方差矩阵的特征值及相应的正交化单位特征向量;
依据所述特征值与所述正交化单位特征向量选择主成分;
计算所述主成分的载荷,并依据所述主成分的载荷得到所述特征参数。
可选的,训练得到所述二叉树模糊孪生支持向量机故障诊断模型的方式包括:
提取故障变压器油中所述目标溶解气体的浓度,并计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建初始待测矩阵;
利用主成分分析法提取所述初始待测矩阵中的特征参数,并用所述特征参数构建初始特征样本矩阵;
构建故障诊断模型,并用所述初始特征样本矩阵对所述故障诊断模型进行训练,得到所述二叉树模糊孪生支持向量机故障诊断模型。
可选的,所述构建故障诊断模型包括:
基于径向基核函数并引入模糊隶属度构建所述故障诊断模型。
可选的,所述目标溶解气体包括H2、CH4、C2H2、C2H4、C2H6、CO以及CO2。
为解决上述技术问题,本申请还提供了一种基于主成分分析和孪生支持向量机的变压器故障诊断装置,包括:
待测矩阵构建模块,用于提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;
特征样本矩阵构建模块,用于利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;
变压器状态分析模块,用于将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
可选的,还包括:
训练模块,用于训练得到所述二叉树模糊孪生支持向量机故障诊断模型。
为解决上述技术问题,本申请还提供了一种基于主成分分析和孪生支持向量机的变压器故障诊断设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的基于主成分分析和孪生支持向量机的变压器故障诊断方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于主成分分析和孪生支持向量机的变压器故障诊断方法的步骤。
本申请所提供的基于主成分分析和孪生支持向量机的变压器故障诊断方法,包括:提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
可见,本申请所提供的变压器故障诊断方法,基于主成分分析和孪生支持向量机,利用主成分分析法对变压器油中的溶解气体参数进行特征提取,有效地降低特征矩阵维度,又通过模糊算法优化的孪生支持向量机所组成的二叉树模糊孪生支持向量机故障诊断模型来分析特征样本,得到变压器的故障情况,从而有效提高了变压器故障的诊断速度与诊断精度。
本申请所提供的基于主成分分析和孪生支持向量机的变压器故障诊断装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例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申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例所提供的一种基于主成分分析和孪生支持向量机的变压器故障诊断方法的流程示意图;
图2为本申请实施例所提供的一种基于主成分分析和孪生支持向量机的变压器故障诊断装置的示意图;
图3为本申请实施例所提供的一种基于主成分分析和孪生支持向量机的变压器故障诊断设备的示意图。
具体实施方式
本申请的核心是提供一种基于主成分分析和孪生支持向量机的变压器故障诊断方法,能够有效提高变压器故障的诊断速度与诊断精度。本申请的另一个核心是提供一种基于主成分分析和孪生支持向量机的变压器故障诊断装置、设备以及计算机可读存储介质,均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种基于主成分分析和孪生支持向量机的变压器故障诊断方法的流程示意图,参考图1所示,该方法包括:
S101:提取变压器油中目标溶解气体的浓度,计算目标溶解气体之间的相对浓度,并以相对浓度作为待测参数构建待测矩阵;
具体的,通过气敏传感器提取变压器油中的目标溶解气体的浓度,在提取得到各目标溶解气体的浓度的基础上,进一步计算各目标溶解气体之间的相对浓度,并以各目标溶解气体之间的相对浓度作为待测参数,构建待测矩阵。其中,任意两种目标溶解气体之间的相对浓度只需计算一次,例如,计算H2与CH4之间的相对浓度,可计算H2的浓度比上CH4的浓度,而不再重复计算CH4的浓度比上H2的浓度。
在一种具体的实施方式中,上述目标溶解气体可以包括H2、CH4、C2H2、C2H4、C2H6、CO以及CO2。
具体而言,本实施例中,从变压器油中提取的目标溶解气体的浓度具体包括H2、CH4、C2H2、C2H4、C2H6、CO以及CO2的浓度,进而计算上述七种目标溶解气体之间的相对浓度,得到H2/CH4、H2/C2H2、H2/C2H4、H2/C2H6、H2/CO、H2/CO2、CH4/C2H2、CH4/C2H4、CH4/C2H6、CH4/CO、CH4/CO2、C2H4/C2H6、C2H4/CO、C2H4/CO2、C2H6/CO、C2H6/CO2以及CO/CO2十七种参量,记为x1,x2,…x17。假设有n个样本,m项变量指标,则构造的初始待测数据矩阵为:
可以明白的是,上述目标溶解气体的类型的实施例仅为本申请所提供的一种实施方式,而非唯一限定,对于目标溶解气体的类型,可以结合实际需要进行差异性设置。
另外,在一种具体的实施方式中,上述以相对浓度作为待测参数构建待测矩阵,包括:计算待测参数的均值和标准差;依据待测参数的均值、标准差计算得到各待测参数的归一化值;以各待测参数的归一化值构建待测矩阵。
S102:利用主成分分析法提取待测矩阵的特征参数,并用特征参数构建特征样本矩阵;
具体的,在得到待测矩阵的基础上,进一步利用主成分分析法提取待测矩阵的特征参数,并用提取所得特征参数构建特征样本矩阵。
在一种具体的实施方式中,上述利用主成分分析法提取待测矩阵的特征参数,包括:计算待测矩阵中待测参数的协方差矩阵;计算协方差矩阵的特征值及相应的正交化单位特征向量;依据特征值与正交化单位特征向量选择主成分;计算主成分的载荷,并依据主成分的载荷得到特征参数。
具体而言,计算待测参数的协方差矩阵:
进一步,计算上述协方差矩阵的特征值λi及相应的正交化单位特征向量ai。ε的前p个较大的特征值λ1≥λ2…λp>0,就是前p个主成分对应的方差,λi对应的单位特征向量ai就是主成分Fi的关于原变量的系数,则原变量的第i个主成分Fi为:Fi=aiY。主成分的方差贡献率用于反映信息量额大小,
最终要选择几个主成分,即F1,F2,…,Fp中p的确定是通过方差累计贡献率G(p)来确定:
当累计贡献率大于90%时,便认为选择的主成分能够反映原变量的信息了,对应的p就是抽取的前p个主成分,F1记为第一主成分,F2记为第二主成分,…,Fp记为第p主成分。
进一步,主成分载荷是反映主成分Fi与原变量Yj之间的相互关联程度,原变量Yj(j=1,2,…,m)在主成分Fi(i=1,2,…,p)上的荷载lij(i=1,2,…,p;j=1,2,…,m)为:计算初始待测数据在p个主成分上的得分:Fi=l1iY1+l2iY2+...+lmiYm(i=1,2,…,p),F1,F2,…,Fp即为原变量指标Y1,Y2,…,Ym经主成分分析后得到的新变量,构造特征样本矩阵为:
S103:将特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
具体的,得到特征样本矩阵后,将特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,从而得到变压器的故障情况。变压器的故障情况包括非故障状态即正常状态,以及过热放电,高能放电,低能放电,高温过热,中低温过热。
其中,训练得到二叉树模糊孪生支持向量机故障诊断模型的过程包括:提取故障变压器油中目标溶解气体的浓度,并计算目标溶解气体之间的相对浓度,并以相对浓度作为待测参数构建初始待测矩阵;利用主成分分析法提取初始待测矩阵中的特征参数,并用特征参数构建初始特征样本矩阵。构建故障诊断模型,并用初始特征样本矩阵对故障诊断模型进行训练,得到二叉树模糊孪生支持向量机故障诊断模型。
对于以相对浓度作为待测参数构建初始待测矩阵,利用主成分分析法提取初始待测矩阵中的特征参数,并用特征参数构建特征样本矩阵等的具体实施方式参照上述相关的实施例即可,本申请在此不做赘述。其中,在得到特征参数的基础上,以1:1的比例将特征参数分为正类样本A和负类样本B。
另外,构建故障诊断模型包括:基于径向基核函数并引入模糊隶属度构建故障诊断模型。
具体而言,引入径向基核函数:
K(x1,x2)=exp(-|x1-x2|2/σ2);
将将原始数据映射到更高维空间,带入原始超平面函数:
得到:
进一步,引入模糊隶属度,得到:
SA、SB分别表示每类样本的模糊隶属度,c1SA和c2SB控制着样本的重要程度,e1、e2为适当维度的单位向量,ξ和η为松弛变量。
令S=K(A,CT),e1,R=K(B,CT),e2,根据拉格朗日乘数法,得到:
其中,c1、c2为惩罚因子,α和γ是拉格朗日乘子向量。
设计隶属度函数公式,正类的中心负类的中心正类各点距其中心点的距离dA=||Ai-CA||,负类各点距其中心点的距离dB=||Bi-CB||,正类半径rA=max|Ai-CA|,负类半径rB=max|Bi-CB|。对于A和B提出的模糊隶属度Si如下:
对于k分类问题,二叉树模糊孪生支持向量机需要k-1个模糊孪生支持向量机,这些模糊支持向量机构成一个二叉树模型,包括k-1个内部节点,每个内部节点对应一个模糊孪生支持向量机。
综上所述,本申请所提供的基于主成分分析和孪生支持向量机的变压器故障诊断方法,包括:提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。该变压器故障诊断方法,基于主成分分析和孪生支持向量机,利用主成分分析法对变压器油中的溶解气体参数进行特征提取,有效地降低特征矩阵维度,又通过模糊算法优化的孪生支持向量机所组成的二叉树模糊孪生支持向量机故障诊断模型来分析特征样本,得到变压器的故障情况,从而有效提高了变压器故障的诊断速度与诊断精度。
本申请还提供了一种基于主成分分析和孪生支持向量机的变压器故障诊断装置,下文描述的该装置可以与上文描述的方法相互对应参照。请参考图2,图2为本申请实施例所提供的一种基于主成分分析和孪生支持向量机的变压器故障诊断装置的示意图,结合图2所示,该装置包括:
待测矩阵构建模块10,用于提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;
特征样本矩阵构建模块20,用于利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;
变压器状态分析模块30,用于将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
在上述实施例的基础上,作为一种具体的实施方式,待测矩阵构建模块10包括:
第一计算单元,用于计算所述待测参数的均值和标准差;
第二计算单元,用于依据所述待测参数的均值、标准差计算得到各所述待测参数的归一化值;
构建单元,用于以各所述待测参数的归一化值构建所述待测矩阵。
在上述实施例的基础上,作为一种具体的实施方式,特征样本矩阵构建模块20包括:
第三计算单元,用于计算所述待测矩阵中所述待测参数的协方差矩阵;
第四计算单元,用于计算所述协方差矩阵的特征值及相应的正交化单位特征向量;
选择单元,用于依据所述特征值与所述正交化单位特征向量选择主成分;
第五计算单元,用于计算所述主成分的载荷,并依据所述主成分的载荷得到所述特征参数。
在上述实施例的基础上,作为一种具体的实施方式,所述目标溶解气体包括H2、CH4、C2H2、C2H4、C2H6、CO以及CO2。
在上述实施例的基础上,作为一种具体的实施方式,还包括:
训练模块,用于训练得到所述二叉树模糊孪生支持向量机故障诊断模型。
所述训练模块包括:
初始待测矩阵构建单元,用于提取故障变压器油中所述目标溶解气体的浓度,并计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建初始待测矩阵;
初始特征样本矩阵构建单元,用于利用主成分分析法提取所述初始待测矩阵中的特征参数,并用所述特征参数构建初始特征样本矩阵;
模型构建单元,用于构建故障诊断模型,并用所述初始特征样本矩阵对所述故障诊断模型进行训练,得到所述二叉树模糊孪生支持向量机故障诊断模型。
在上述实施例的基础上,作为一种具体的实施方式,模型构建单元具体用于基于径向基核函数并引入模糊隶属度构建所述故障诊断模型。
本申请还提供了一种基于主成分分析和孪生支持向量机的变压器故障诊断设备,参考图3所示,该设备包括存储器1和处理器2。
存储器1,用于存储计算机程序;
处理器2,用于执行计算机程序实现如下的步骤:
提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
对于本申请所提供的设备的介绍请参照上述方法实施例,本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现如下的步骤:
提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例,本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的基于主成分分析和孪生支持向量机的变压器故障诊断方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围。
Claims (10)
1.一种基于主成分分析和孪生支持向量机的变压器故障诊断方法,其特征在于,包括:
提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;
利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;
将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
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,所述以所述相对浓度作为待测参数构建待测矩阵,包括:
计算所述待测参数的均值和标准差;
依据所述待测参数的均值、标准差计算得到各所述待测参数的归一化值;
以各所述待测参数的归一化值构建所述待测矩阵。
3.根据权利要求2所述的变压器故障诊断方法,其特征在于,所述利用主成分分析法提取所述待测矩阵的特征参数,包括:
计算所述待测矩阵中所述待测参数的协方差矩阵;
计算所述协方差矩阵的特征值及相应的正交化单位特征向量;
依据所述特征值与所述正交化单位特征向量选择主成分;
计算所述主成分的载荷,并依据所述主成分的载荷得到所述特征参数。
4.根据权利要求3所述的变压器故障诊断方法,其特征在于,训练得到所述二叉树模糊孪生支持向量机故障诊断模型的方式包括:
提取故障变压器油中所述目标溶解气体的浓度,并计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建初始待测矩阵;
利用主成分分析法提取所述初始待测矩阵中的特征参数,并用所述特征参数构建初始特征样本矩阵;
构建故障诊断模型,并用所述初始特征样本矩阵对所述故障诊断模型进行训练,得到所述二叉树模糊孪生支持向量机故障诊断模型。
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,所述构建故障诊断模型包括:
基于径向基核函数并引入模糊隶属度构建所述故障诊断模型。
6.根据权利要求5所述的变压器故障诊断方法,其特征在于,所述目标溶解气体包括H2、CH4、C2H2、C2H4、C2H6、CO以及CO2。
7.一种基于主成分分析和孪生支持向量机的变压器故障诊断装置,其特征在于,包括:
待测矩阵构建模块,用于提取变压器油中目标溶解气体的浓度,计算所述目标溶解气体之间的相对浓度,并以所述相对浓度作为待测参数构建待测矩阵;
特征样本矩阵构建模块,用于利用主成分分析法提取所述待测矩阵的特征参数,并用所述特征参数构建特征样本矩阵;
变压器状态分析模块,用于将所述特征样本矩阵输入训练好的二叉树模糊孪生支持向量机故障诊断模型中进行分析,得到变压器的故障情况。
8.根据权利要求7所述的变压器故障诊断装置,其特征在于,还包括:
训练模块,用于训练得到所述二叉树模糊孪生支持向量机故障诊断模型。
9.一种基于主成分分析和孪生支持向量机的变压器故障诊断设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的基于主成分分析和孪生支持向量机的变压器故障诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于主成分分析和孪生支持向量机的变压器故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574484.6A CN111639722A (zh) | 2020-06-22 | 2020-06-22 | 基于主成分分析和孪生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 |
---|---|---|---|
CN202010574484.6A CN111639722A (zh) | 2020-06-22 | 2020-06-22 | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639722A true CN111639722A (zh) | 2020-09-08 |
Family
ID=72332295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574484.6A Pending CN111639722A (zh) | 2020-06-22 | 2020-06-22 | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639722A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116587A (zh) * | 2020-09-29 | 2020-12-22 | 西安热工研究院有限公司 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
CN112329343A (zh) * | 2020-11-03 | 2021-02-05 | 华中科技大学鄂州工业技术研究院 | 一种电池故障检测模型训练方法、装置、设备和存储介质 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN102915447A (zh) * | 2012-09-20 | 2013-02-06 | 西安科技大学 | 一种基于二叉树支持向量机的分类方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN110376458A (zh) * | 2019-07-03 | 2019-10-25 | 东华大学 | 优化孪生支持向量机的电力变压器故障诊断系统 |
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
-
2020
- 2020-06-22 CN CN202010574484.6A patent/CN111639722A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN102915447A (zh) * | 2012-09-20 | 2013-02-06 | 西安科技大学 | 一种基于二叉树支持向量机的分类方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN110376458A (zh) * | 2019-07-03 | 2019-10-25 | 东华大学 | 优化孪生支持向量机的电力变压器故障诊断系统 |
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
Non-Patent Citations (1)
Title |
---|
刘代志: "《空间地球物理环境与国家安全》", 西安地图出版社, article 张哲, pages: 175 - 176 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116587A (zh) * | 2020-09-29 | 2020-12-22 | 西安热工研究院有限公司 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
CN112329343A (zh) * | 2020-11-03 | 2021-02-05 | 华中科技大学鄂州工业技术研究院 | 一种电池故障检测模型训练方法、装置、设备和存储介质 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | An enhancement deep feature fusion method for rotating machinery fault diagnosis | |
CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
Wang et al. | Fault identification and diagnosis based on KPCA and similarity clustering for nuclear power plants | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN109656545B (zh) | 一种基于事件日志的软件开发活动聚类分析方法 | |
CN115622738A (zh) | 一种基于rbf神经网络安全应急处置系统及应急处置方法 | |
CN110362063B (zh) | 基于全局保持无监督核极限学习机的故障检测方法及系统 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
Dayman et al. | Characterization of used nuclear fuel with multivariate analysis for process monitoring | |
CN112348226A (zh) | 预测数据生成方法、系统、计算机设备及存储介质 | |
CN116740900A (zh) | 一种基于svm的电力施工预警方法及系统 | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
Ding et al. | Deep Forest‐Based Fault Diagnosis Method for Chemical Process | |
Dayman et al. | Flexible classification with spatial quantile comparison and novel statistical features applied to spent nuclear fuel analysis | |
CN116486185A (zh) | 油井工况识别方法、装置、设备和存储介质 | |
CN110852550B (zh) | 基于煤矿隐患智能识别的事故预防方法、装置及存储介质 | |
Fezai et al. | Partial kernel PCA-based GLRT for fault diagnosis of nonlinear processes | |
Zuo et al. | Bearing fault dominant symptom parameters selection based on canonical discriminant analysis and false nearest neighbor using GA filtering signal | |
Mandelli et al. | An overview of reduced order modeling techniques for safety applications | |
Mougan et al. | Explanation Shift: How Did the Distribution Shift Impact the Model? | |
Galatro et al. | Data Analytics for Process Engineers: Prediction, Control and Optimization | |
Li et al. | A novel rolling bearing fault diagnosis method based on marginal spectrum | |
Chan et al. | Explainable health state prediction for social iots through multi-channel attention | |
CN117573814B (zh) | 一种舆论态势评估方法、装置、系统以及存储介质 |
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 |
Application publication date: 20200908 |
|
RJ01 | Rejection of invention patent application after publication |