CN111898690B - 一种电力变压器故障分类方法及系统 - Google Patents
一种电力变压器故障分类方法及系统 Download PDFInfo
- Publication number
- CN111898690B CN111898690B CN202010778651.9A CN202010778651A CN111898690B CN 111898690 B CN111898690 B CN 111898690B CN 202010778651 A CN202010778651 A CN 202010778651A CN 111898690 B CN111898690 B CN 111898690B
- Authority
- CN
- China
- Prior art keywords
- power transformer
- support vector
- fault
- training
- vector machine
- 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.)
- Active
Links
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
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力变压器故障分类领域,提供了一种电力变压器故障分类方法及系统。其中,电力变压器故障分类方法,包括获取电力变压器内溶解气体分析数据;利用改进模糊c均值‑多类支持向量机模型预测出故障类别;其中,改进模糊c均值‑多类支持向量机模型的训练数据集获取过程为:采用C‑set方法将原始样本集按照故障类型进行不重复的多组划分,得到多个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据。
Description
技术领域
本发明属于电力变压器故障分类领域,尤其涉及一种电力变压器故障分类 方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在 先技术。
变压器被认为是电力输配电系统中最重要、最昂贵的设备。这些由连续操 作和负载切换产生的机械、化学和热应力带来的缺陷会导致变压器内部绕组、 铁芯层压、接头和分接头等部件的损坏。因此在变压器油中会以一定的比例产 生氢(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、二氧化碳(CO2)和 一氧化碳(CO)。这些气体的浓度水平取决于温度变化、变压器负载和发生故障 类型等不同的因素。目前有许多技术如溶解气体分析(DGA)、聚合度测定法 (DPM)、气相色谱法(GC)、质谱法(MC)被用于变压器绝缘状况的监测和故障检 测[3]。在以往的技术中,DGA是最被广泛认可的一种方法,它可以频繁地用于监测变压器的整体状态,并为出现的故障提供报警。DGA数据展示可采用关键 气体法、图形法、比值法等方法。
这些技术的工作原理是设置一个预定义的标准后,从各种气体数据中提取 特征。但是,传统方法采集到的气体浓度水平和比例可能不完整或不符合预定 义的边界。这可能导致在分析相同的DGA数据记录时产生不同的判断。此外, 传统的诊断方法不能对同时发生的热、放电等多类型故障提供正确的诊断。发 明人发现,这些多类型故障的无法诊断是由于客观的不确定性,即变压器故障 的因果关系与试验数据样本的主观边界有关。这种不确定性降低了这些方法的 准确性和诊断效率。另外,传统的方法对相似的变压器油样本进行分析诊断, 往往会带来分类错误和结果不稳定的后果。因此,可靠的故障诊断系统需要解 决上述的缺陷。也正是由于传统方法有一定的缺陷,科学家们将注意力转移到 专家系统,人工神经网络,模糊理论,灰色聚类分析法,近端支持向量机(PSVM), 感知系统(CS),自适应神经网络和极限学习(ELM)等人工智能(AI)技术上面。 这些技术应用于故障分析中,具有高精度和高效率的巨大优势。然而,发明人 发现,这些方法也有一定的局限性,如从数据集获取知识比较复杂,需要大量 完整的数据样本才能获得较高的准确性和可靠的性能。其中一些方法对参数选 择很敏感,并且需要大量的时间和内存空间来模拟操作和训练。所以,这些方 法的数据获取和参数训练的复杂性使得它们在实际应用中非常困难。
发明内容
为了解决上述问题,本发明提供一种电力变压器故障分类方法及系统,其 能够提高故障识别的精度,缩短故障诊断的时间。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种电力变压器故障分类方法。
一种电力变压器故障分类方法,包括:
获取电力变压器内溶解气体分析数据;
利用改进模糊c均值-多类支持向量机模型预测出故障类别;
其中,改进模糊c均值-多类支持向量机模型的训练数据集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多 个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据。
本发明的第二个方面提供一种电力变压器故障分类系统。
一种电力变压器故障分类系统,包括:
数据获取模块,其用于获取电力变压器内溶解气体分析数据;
故障分类模块,其用于利用改进模糊c均值-多类支持向量机模型预测出故 障类别;
在所述故障分类模块中,改进模糊c均值-多类支持向量机模型的训练数据 集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多 个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行 时实现如上述所述的电力变压器故障分类方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机程序,所述处理器执行所述程序时实现如上述所述的电力变压器 故障分类方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明将各个C-set中高度相似的数据合并到同一簇中,通过减小DGA数 据的维数和降低变压器状态监测的不确定性,得到优化的训练数据集,利用优 化后的MCSVM来调整优化训练数据,提高了故障识别的精度,缩短了故障诊 断的时间。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发 明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种电力变压器故障分类方法流程图;
图2是本发明实施例的最小分类误差图;
图3是本发明实施例的优化MCSVM在训练过程中的预测性能。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。 除非另有指明,本实施例使用的所有技术和科学术语具有与本发明所属技术领 域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图 限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确 指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说 明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、 “侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为 了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中 任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固 定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中 间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定 上述术语在本发明中的具体含义,不能理解为对本发明的限制。
实施例一
本实施例提供了一种电力变压器故障分类方法,其包括:
步骤1:获取电力变压器内溶解气体分析数据;
步骤2:利用改进模糊c均值-多类支持向量机模型预测出故障类别;
其中,改进模糊c均值-多类支持向量机模型的训练数据集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多 个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据。
通过对原始数据样本进行一定的预处理,可以使MFCM和MCSVM的性能 更加准确。本实施例历史数据集共包含206个现场数据,其中包含5种气体特 性和6种故障类型,这些故障类型是在变压器在使用过程中发生故障后,通过 对变压器的目测,可靠地识别出来的。由于氢值相对于其他气体的值较大,因 此我们取H2与(H2+总碳氢化合物)的比例,以及各碳氢化合物与总碳氢化合物 (T,H)的比例,其中:
T.H=∑(CH4+C2H6+C2H4+C2H2)
采用训练/测试集分割技术,将收集到的206个样本分为176个训练样本和30 个测试样本,如表1所示:
表1训练和测试数据样本的分布。
采用C-set方法将原始样本集划分的所有组中的每个组包含的故障类型数量 相等。根据C-set法的原理,将176个数据样本分成20组,每组共包含3个故 障,如式(1)所示,其中:M为组的总数;n=6是故障(类)的数量;q=3为一次不重 复选择的故障类数量,如表2所示:
表2 15组包含3类故障的组合
具体地,改进模糊c均值-多类支持向量机模型的训练过程为:
采用改进模糊c均值法对每个训练数据集聚类,获取每个训练数据集的最 优聚类中心,得到优化的训练数据集;
利用优化的训练数据集来训练多类支持向量机,得到满足预设预测精度的 电力变压器故障模型。
模糊c均值(FCM)算法是一种无监督聚类方法,其工作原理是将分类问题转 化为带约束条件的数学优化问题。但该方法存在局部极值点等问题,这些问题 是由于初始值的敏感性增加而引起的。因此,对于相同的数据集,每次迭代得 到的聚类结果不同,最终导致聚类精度严重下降。此外,随着输入数据集的增 大,隶属函数呈现渐近点,其单调性也越来越严重。因此,改进的模糊c均值 算法(MFCM)应运而生,克服了传统模糊c均值算法存在的问题。该方法具有 指数隶属函数,消除了局部极值,具有很好的单调性,可以平滑地将输入空间 划分成簇。该方法消除了灵敏度问题,在实际工程应用中得到了很好的应用。 MFCM的目标函数如下:
其中,U在公式中代表隶属度矩阵,一个包含训练集中每个数据的隶属度 的矩阵;V在公式中代表聚类中心矩阵,它包含聚类中心和属于该聚类的所有 重要数据之间的距离。
利用拉格朗日乘子,将J(U,V)分别微分到uij(固定的vj)和vj(固定的uij),使 目标函数最小化。最终的聚类中心及隶属函数方程如下:
式中N为数据集中样本的个数;r是集合中簇的个数;uij是具有第i个样 本的第j类的隶属函数;dij表示第j个簇中心到第i个数据点的欧氏距离 vj为最终得到的聚类中心;cih是数据集中给定的数据点;vjh是j 簇的质心;m∈[1,+∞]是表示MFCM簇模糊度的加权指数因子;γ表示形状参 数,用来调整各气体特征子相似函数的灵敏度 是综合相似性。s是输入特征的个数。重复上述的迭代过程, 直到获得所需的精度级别。
利用MFCM算法得到了优化的训练数据集。该算法用于减少每一类数据集 中经过处理后的数据的数量,即MFCM应用数据清洗是有目的性地对每一类数 据集进行简化,具体如下:
(1)使用MFCM对原始集的每个子集进行聚类。因此,该算法剔除了隶 属度值较低或聚类不正确的数据样本;这个过程主要是为了防止每个子集的集 群中心之间的相似性过高,并获得集群中心之间的最大距离。剔除后,在改变m 和y值的同时,再次对新的子集进行聚类。
(2)这个过程不断重复,直到得到每个子集的最优聚类中心。
在应用MFCM算法后,必须初始化(2)和(3)中的以下参数:m值范围 [1.5,2.5];e是一个预定义的阈值,等于10-5;r=3是每个类的集群总数;v(0)=[v1:vr] 是每个训练子集得到的初始簇中心;迭代次数t设为30;本实施例的整形参数y 是通过尝试和测试不同的值来设置的,取值范围在9到10之间。
在进行聚类处理后,减少了原始数据集,从故障组合中收集了176个样本 中的60个,每个故障有10个样本。这些样本将作为优化的训练数据集,输入 到可优化的MCSVM中。
支持向量机(SVM)是一种用于解决小样本、高维、非线性和局部极小等问题 的监督分类算法。然而,传统的支持向量机由于对异常值和噪声的高敏感性, 被认为是不适合解决多类分类问题的二元分类器,在训练阶段往往成为支持向 量(SV)。此外,随着数据集维数的扩大,支持向量机算法在数据处理方面变得 非常缓慢。因此,建立多类支持向量机模型具有重要的意义。利用多类支持向 量机模型来排除不可分扇区,提高训练精度和测量速度。多类支持向量机有 1-vs-1、1-vs-all、DAG支持向量机(有向无环图支持向量机)、决策树等。本实施 例采用1-vs-1MCSVM方法。该方法首先从vth类中每次抽取两个类的样本,然后对这两个类的每一个可能的组合构造支持向量机。因此,使用v(v-1)/2得到 SVM子分类的总数。SVM的主要思想是,非线性数据样本包含两个类{vi,yi}, 其中i=1,2,…,N;v∈RN,y∈{1};N是数据样本的数量,必须从原来的空间到高维 特征空间P通过某种预先确定的非线性映射函数ф(v),这样可以获得最优超平面 之间的距离最大化两组样本数据通过以下方程线性分类:
D(v)=[w·φ(v)]+b
式中w为最终分离超平面的典型向量,b为常数。一般情况下,通过求解如 下约束优化问题,可以构造出最优超平面的解:
s.t{yi[w·φ(v)+b]+βi≥1;1≤i≤N;βi≥0
式中Z为惩罚因子,可以识别经验风险与区间置信度之间的权衡;βi松弛因 子;w是边距的宽度。结合拉格朗日乘子法,将原来的凸优化问题简化为如下 对偶二次优化问题:
式中θ是拉格朗日乘数。然后将非线性决策函数表示为:
其中,值ф(vi).ф(vj)可以使用核函数计算k(vi,vj)。因此,D(v)用核函数表示如下:
结果表明,与其它核函数相比,线性核函数可以获得更高的分类精度,同 时使算法的计算时间大大缩短。多类SVM的线性函数由下式可得:
为了获得一个优秀的电力变压器的故障分类使用MCSVM,关键是构建最好 的分类模型通过使用优化训练数据集以及优化模型通过设置某些参数如箱约束 水平,内核规模和选择最好的优化器的贝叶斯优化算法。使用MATLAB 2019b对 可优化的MCSVM进行训练和测试。
MCSVM超参数优化训练采用10次交叉验证,将优化后的训练数据见附录 A,模型参数设置如表3所示。
表3 MCSVM可优化参数
利用图2所示的最小分类误差图,可以更好地解释使用贝叶斯优化算法进 行的MCSVM的优化性能。
由图2可见,MCSVM的目标函数是通过使用贝叶斯优化算法完成最小化, 它在内部运算一个目标函数(高斯模型),并选择一组超参数值最小化分类误差 的目标模型的上层置信区间。然后利用目标函数的评价标准对所选模型进行训 练。在此过程中得到的最小误差或损失函数值为0.006。此外,圆点处的最小分 类误差估计值为优化过程中考虑超参数值时的最小误差估计值。此外,观察到 的以圆点表示的最小分类误差对应于优化过程较早时计算出的最小分类误差。 方块点表示的最佳超参数对应于约束水平等于10.2781的迭代超参数。图3从混 淆矩阵(CM)的角度进一步说明了MCSVM的预测性能。
从图3中注意到,目前选择的分类器只对两个样本进行了分类,一个来自 高能放电,另一个来自低能放电,其正确率为90%,误差率为10%。而其他4 类故障均被正确分类,正确率为100%,误差率为0%。表格4总结了优化后的 MCSVM的训练结果。
表4 MCSVM训练输出结果
从MFCM算法中总共获得了60个样本,用于训练可优化的MCSVM。为 了测试训练后的模型,从原始集合中抽取了30个样本,其中包括206个样本。 将训练好的模型导入MATLAB工作空间进行测试。对模型的检验结果形式为(CM)。CM显示,LED、HED、T1、T3 4个分类的正确率为100%,误差率为 0%。另一方面,局部放电(PD)类和介质温度过热(T2类)得到(75.0%--80.0%)正确 和(25%-20%)误差率,换句话说,模型已经被错误地诊断为样本局部放电(PD)高 温过热故障(T3)和一个介质温度样本(T2)也被错误归类为低温过热(T1)。因此, 本模型的总体精度为93.3%。
结果表明,该模型在分析DGA数据和故障分类时具有较高的一致性。该模 型与其他人工智能方法(AI)和传统方法(S1~KNN)(K-nearest neighbourhood), (S2~SVM(cubic)),(S3~Naive Bayes),(S4~Decesion Tree),(S5~Fine Gaussian SVM),(S6~Neural Networks(NN)),(S7~IEC 60599),(S8~Rogers ratio),(S9~ Duvalpentagon),和(S10~Duval triangle)进行了比较。使用原始的176个数据集 训练{S1,S2,S3,S4,S5,S6},并使用30个测试样本对这些方法和其他传统方法 进行测试。表5给出了我们的模型(S0~MFCM-MCSVM)与其他方法相对于原始 诊断结果的分类性能输出以及文献资料。
在表5中,我们注意到(S1和s2)方法正确地分类了30个样本中的24个, 准确率为80%。此外,S3方法在30个样本中只分类了20个样本,总体准确率 为67%。S4法对20个样本进行了正确分类,总准确率达67%。此外,S5方法 对30个样本中的19个进行了正确分类,准确率达60%。S6方法仅能正确分类 30个样本中的18个,总体准确率为60%。当我们在表格中从人工智能方法移到 传统方法时,我们发现S7完全不能确定故障类型,它只定义了变压器的状态为 “正常”、“警告”、“报警”。此外,S8方法也证明了分类较差,它成功地对30个 样本中的6个进行了分类,准确率为20%。S9在30个样本中正确分类16个, 准确率为53%。此外,S10在30个分类中正确分类了19个,准确率为63%;在 样本号为24-27的杜瓦尔三角中,该样本号为24和27的杜瓦尔三角并没有对该 故障给出一个简洁的描述,说明该故障是电气和热故障的组合,而正确的诊断 是高温过热(T3)和中温过热(T2)。
表5 MFCM-MSVM模型和其他模型的性能比较
本实施例在保留原始训练数据集主要特征的同时,实现了数据清洗和数据 简化的原理,从而达到快速、准确的建模。此外,改进的MCSVM拥有更好的一 般化性能,可以得到准确和健康的分离超平面的优化训练数据集。为了证明我 们的模型的优越性能,本实施例进行了与其他方法的比较,精度高达到93.3%。 因此,该模型可靠、高效、准确,适合于实际的诊断应用。
实施例二
本实施例提供了一种电力变压器故障分类系统,其包括:
(1)数据获取模块,其用于获取电力变压器内溶解气体分析数据;
(2)故障分类模块,其用于利用改进模糊c均值-多类支持向量机模型预测 出故障类别;
在所述故障分类模块中,改进模糊c均值-多类支持向量机模型的训练数据 集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多 个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据。
其中,采用C-set方法将原始样本集划分的所有组中的每个组包含的故障类 型数量相等。
改进模糊c均值-多类支持向量机模型的训练过程为:
采用改进模糊c均值法对每个训练数据集聚类,获取每个训练数据集的最 优聚类中心,得到优化的训练数据集;
利用优化的训练数据集来训练多类支持向量机,得到满足预设预测精度的 电力变压器故障模型。
其中,多类支持向量机采用贝叶斯优化。
本实施例在保留原始训练数据集主要特征的同时,实现了数据清洗和数据 简化的原理,从而达到快速、准确的建模。此外,改进的MCSVM拥有更好的一 般化性能,可以得到准确和健康的分离超平面的优化训练数据集。为了证明我 们的模型的优越性能,本实施例进行了与其他方法的比较,精度高达到93.3%。 因此,该模型可靠、高效、准确,适合于实际的诊断应用。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程 序被处理器执行时实现如上述所述的电力变压器故障分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上 并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所 述的电力变压器故障分类方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计 算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和 硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算 机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器 等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的 流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框 图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。 可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他 可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程 数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程 和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算 机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。 其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领 域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则 之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之 内。
Claims (10)
1.一种电力变压器故障分类方法,其特征在于,包括:
获取电力变压器内溶解气体分析数据;
利用改进模糊c均值-多类支持向量机模型预测出故障类别;
其中,改进模糊c均值-多类支持向量机模型的训练数据集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据;
MFCM的目标函数如下:
其中,U在公式中代表隶属度矩阵,一个包含训练集中每个数据的隶属度的矩阵;V在公式中代表聚类中心矩阵,它包含聚类中心和属于该聚类的所有重要数据之间的距离;
利用拉格朗日乘子,将J(U,V)分别微分到uij和vj,使目标函数最小化;最终的聚类中心及隶属函数方程如下:
2.如权利要求1所述的电力变压器故障分类方法,其特征在于,采用C-set方法将原始样本集划分的所有组中的每个组包含的故障类型数量相等。
3.如权利要求1所述的电力变压器故障分类方法,其特征在于,改进模糊c均值-多类支持向量机模型的训练过程为:
采用改进模糊c均值法对每个训练数据集聚类,获取每个训练数据集的最优聚类中心,得到优化的训练数据集;
利用优化的训练数据集来训练多类支持向量机,得到满足预设预测精度的电力变压器故障模型。
4.如权利要求1所述的电力变压器故障分类方法,其特征在于,多类支持向量机采用贝叶斯优化。
5.一种电力变压器故障分类系统,其特征在于,包括:
数据获取模块,其用于获取电力变压器内溶解气体分析数据;
故障分类模块,其用于利用改进模糊c均值-多类支持向量机模型预测出故障类别;
在所述故障分类模块中,改进模糊c均值-多类支持向量机模型的训练数据集获取过程为:
采用C-set方法将原始样本集按照故障类型进行不重复的多组划分,得到多个训练数据集;原始样本集中的样本为电力变压器内溶解气体分析数据;
MFCM的目标函数如下:
其中,U在公式中代表隶属度矩阵,一个包含训练集中每个数据的隶属度的矩阵;V在公式中代表聚类中心矩阵,它包含聚类中心和属于该聚类的所有重要数据之间的距离;
利用拉格朗日乘子,将J(U,V)分别微分到uij和vj,使目标函数最小化;最终的聚类中心及隶属函数方程如下:
6.如权利要求5所述的电力变压器故障分类系统,其特征在于,在所述故障分类模块中,采用C-set方法将原始样本集划分的所有组中的每个组包含的故障类型数量相等。
7.如权利要求5所述的电力变压器故障分类系统,其特征在于,改进模糊c均值-多类支持向量机模型的训练过程为:
采用改进模糊c均值法对每个训练数据集聚类,获取每个训练数据集的最优聚类中心,得到优化的训练数据集;
利用优化的训练数据集来训练多类支持向量机,得到满足预设预测精度的电力变压器故障模型。
8.如权利要求5所述的电力变压器故障分类系统,其特征在于,多类支持向量机采用贝叶斯优化。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的电力变压器故障分类方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的电力变压器故障分类方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778651.9A CN111898690B (zh) | 2020-08-05 | 2020-08-05 | 一种电力变压器故障分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778651.9A CN111898690B (zh) | 2020-08-05 | 2020-08-05 | 一种电力变压器故障分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898690A CN111898690A (zh) | 2020-11-06 |
CN111898690B true CN111898690B (zh) | 2022-11-18 |
Family
ID=73245786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010778651.9A Active CN111898690B (zh) | 2020-08-05 | 2020-08-05 | 一种电力变压器故障分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898690B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487991B (zh) * | 2020-12-02 | 2022-12-16 | 国网湖南综合能源服务有限公司 | 一种基于特征自学习的高精度负荷辨识方法及系统 |
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 |
CN112710930A (zh) * | 2020-12-16 | 2021-04-27 | 华中科技大学 | 一种电容式电压互感器内绝缘状态在线评价方法 |
CN113569950B (zh) * | 2021-07-28 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
CN113723476B (zh) * | 2021-08-13 | 2024-03-26 | 国网山东省电力公司枣庄供电公司 | 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867115A (zh) * | 2012-08-29 | 2013-01-09 | 南京农业大学 | 一种基于模糊c均值聚类的农田划分方法 |
CN104077598A (zh) * | 2014-06-27 | 2014-10-01 | 电子科技大学 | 一种基于语音模糊聚类的情感识别方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
CN104156768A (zh) * | 2014-08-05 | 2014-11-19 | 中国科学院重庆绿色智能技术研究院 | 一种模糊c均值聚类小数据量识别混沌的方法 |
CN106198020A (zh) * | 2016-07-07 | 2016-12-07 | 华北电力大学(保定) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 |
CN107886115A (zh) * | 2017-10-27 | 2018-04-06 | 江苏大学 | 一种自适应可能c均值聚类的茶叶中红外光谱分类方法 |
CN108491894A (zh) * | 2018-04-16 | 2018-09-04 | 江苏大学 | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 |
CN108872128A (zh) * | 2018-05-16 | 2018-11-23 | 江苏大学 | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 |
CN109030407A (zh) * | 2018-04-16 | 2018-12-18 | 江苏大学 | 一种混合模糊c均值聚类的苹果品种分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093612B (zh) * | 2016-05-26 | 2019-03-19 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
CN107656154B (zh) * | 2017-09-18 | 2019-11-26 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
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 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN110197222A (zh) * | 2019-05-29 | 2019-09-03 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于多分类支持向量机变压器故障诊断的方法 |
-
2020
- 2020-08-05 CN CN202010778651.9A patent/CN111898690B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867115A (zh) * | 2012-08-29 | 2013-01-09 | 南京农业大学 | 一种基于模糊c均值聚类的农田划分方法 |
CN104077598A (zh) * | 2014-06-27 | 2014-10-01 | 电子科技大学 | 一种基于语音模糊聚类的情感识别方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
CN104156768A (zh) * | 2014-08-05 | 2014-11-19 | 中国科学院重庆绿色智能技术研究院 | 一种模糊c均值聚类小数据量识别混沌的方法 |
CN106198020A (zh) * | 2016-07-07 | 2016-12-07 | 华北电力大学(保定) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 |
CN107886115A (zh) * | 2017-10-27 | 2018-04-06 | 江苏大学 | 一种自适应可能c均值聚类的茶叶中红外光谱分类方法 |
CN108491894A (zh) * | 2018-04-16 | 2018-09-04 | 江苏大学 | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 |
CN109030407A (zh) * | 2018-04-16 | 2018-12-18 | 江苏大学 | 一种混合模糊c均值聚类的苹果品种分类方法 |
CN108872128A (zh) * | 2018-05-16 | 2018-11-23 | 江苏大学 | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111898690A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898690B (zh) | 一种电力变压器故障分类方法及系统 | |
CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
Roffo et al. | Infinite latent feature selection: A probabilistic latent graph-based ranking approach | |
Liu et al. | Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers | |
Mirowski et al. | Statistical machine learning and dissolved gas analysis: a review | |
US8682813B2 (en) | Sample class prediction method, prediction program, and prediction apparatus | |
CN112200104B (zh) | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 | |
Cheng et al. | Monitoring influent conditions of wastewater treatment plants by nonlinear data-based techniques | |
Wang et al. | Gaussian process multi-class classification for transformer fault diagnosis using dissolved gas analysis | |
CN111209939A (zh) | 一种具有智能参数优化模块的svm分类预测方法 | |
Liu et al. | On calibration of graph neural networks for node classification | |
Jiang et al. | Dynamic Bhattacharyya bound-based approach for fault classification in industrial processes | |
CN109342862A (zh) | 基于非监督聚类与和svm分类的变压器故障诊断方法 | |
CN116185817A (zh) | 一种软件缺陷预测规则的筛选方法及系统 | |
Vela et al. | Examples of machine learning algorithms for optical network control and management | |
Cai et al. | Fuzzy criteria in multi-objective feature selection for unsupervised learning | |
CN114660931A (zh) | 用于石油化工过程故障诊断与识别的方法及系统 | |
US12019433B2 (en) | Periodicity analysis apparatus, method and program recording medium | |
CN112906751A (zh) | 一种非监督学习识别异常值的方法 | |
Li et al. | Autoshape: An autoencoder-shapelet approach for time series clustering | |
Yolanda et al. | The comparison of accuracy on classification data with machine learning algorithms (Case study: Human development index by regency/city in Indonesia 2020) | |
CN112347162A (zh) | 一种基于在线学习的多元时序数据规则挖掘方法 | |
Chowdhury et al. | Control chart pattern recognition: A comparison between statistical correlation measure and support vector machine (svm) | |
Tribelhorn et al. | Parametric Analysis and Validation of Machine Learning in Chaotic Transitions of the Lorenz System | |
Karabaş et al. | Stepwise dynamic nearest neighbor (SDNN): a new algorithm for classification |
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 |