CN114881106A - 一种基于mpa-svm的变压器故障诊断方法及装置 - Google Patents
一种基于mpa-svm的变压器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114881106A CN114881106A CN202210310826.2A CN202210310826A CN114881106A CN 114881106 A CN114881106 A CN 114881106A CN 202210310826 A CN202210310826 A CN 202210310826A CN 114881106 A CN114881106 A CN 114881106A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault diagnosis
- prey
- matrix
- operation data
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F18/24—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于MPA‑SVM的变压器故障诊断方法及装置,所述方法包括:采集变压器运行数据;利用预先构建的变压器故障诊断模型对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型;其中,所述变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型。所述装置包括数据采集模块、变压器故障诊断模型和模型优化模块。本发明采用的变压器诊断模型准确率高,能够更准确的识别出变压器故障情况,对变压器检修工作具有积极意义,有利于变压器乃至整个电力系统的稳定运行。
Description
技术领域
本发明涉及一种基于MPA-SVM的变压器故障诊断方法及装置,属于变压器故障诊断技术领域。
背景技术
随着电力系统的不断发展,在整个电力系统中,电力变压器占据着举足轻重的地位,对电力变压器的检修也由传统的计划检修逐步转换为状态检修。目前国内主要以油浸式变压器为主体,由于整个电力变压器是完整的浸泡在绝缘油中,当变压器处在正常的工作状态下或者一些故障状态下时,在电热等因素的影响下,油浸式变压器中的绝缘油和一些可能的绝缘材料会产生一些特征气体,这些特征气体主要为H2,CH4,C2H6,C2H4,C2H2等,可以对溶解在变压器绝缘油中的特征气体进行分析,即利用特征气体的主要成分来对此时电力变压器的运行状态进行判断,以此来快速有效地判断油浸式电力变压器的运行状态。
支持向量机(Support Vector Machine,SVM)的核心思想是通过将问题二分化并以此建立两种分类的数学模型,支持向量机旨在寻找出空间维度内的分类标准,即将线性分类器的间隔最大化,此外SVM拥有核技巧的性质,通过核技巧,可以将其运用到非线性分类问题的处理,该算法能够避免局部最小和维数灾难等问题。
目前,存在很多算法结合支持向量机对变压器故障诊断的研究。例如GA-SVM(Genetic Algorithm遗传算法),PSO-SVM(Particle swarm optimization粒子群群优化算法),GWO-SVM(Grey Wolf Optimizer灰狼优化算法)等等。其中,GA-SVM和PSO-SVM已经相对成熟,GWO-SVM使用率也逐渐提升,但是现有的变压器故障诊断方法的准确率还有上升空间。
海洋捕食者算法(Marine Predators Algorithm,MPA)作为一种新型算法,寻优能力较强,且算法的鲁棒性较高。对于海洋捕食者算法,通过模拟在海洋环境中适者生存的理论,该算法认为顶级的海洋捕食者拥有最大的猎物搜索本领,可以搜索到最舒适的捕食环境与猎物,且作为新型的元启发式优化算法,MPA算法具有独特的海洋记忆存储阶段与海洋漩涡影响阶段,更加真实的模仿了海洋环境。目前,对于新型的元启发式海洋捕食者算法与支持向量机的结合几乎未有涉及,是一种解决小样本分类问题、进一步提高分类准确率的新思想。
发明内容
为了进一步提高变压器故障诊断的准确率,本发明提出了一种基于MPA-SVM的变压器故障诊断方法及装置,利用海洋捕食者算法优化的支持向量机模型进行变压器故障诊断,能够有效提高故障诊断准确率。
为解决上述技术问题,本发明采用了如下技术手段:
第一方面,本发明提出了一种基于MPA-SVM的变压器故障诊断方法,包括如下步骤:
采集变压器运行数据;
利用预先构建的变压器故障诊断模型对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型;
其中,所述变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型,即MPA-SVM模型。
结合第一方面,进一步的,在海洋捕食者算法中,猎物矩阵指多个猎物构成的矩阵,猎物为变压器运行数据,精英矩阵指多个捕食者构成的矩阵,捕食者为变压器故障诊断模型输出的故障类型。
结合第一方面,进一步的,变压器故障诊断模型的训练方法为:
S1、采集变压器历史运行数据,并对变压器历史运行数据进行预处理,得到训练集样本和测试集样本;
S2、根据训练集样本,初始化变压器故障诊断模型中的MPA参数和SVM参数;
S3、初始化海洋捕食者算法的猎物矩阵和精英矩阵;
S4、计算猎物矩阵中每个个体的适应度,选取适应度最大的值,记为当前最优位置;
S5、根据海洋捕食者算法的迭代阶段选取更新方式,迭代更新猎物矩阵;
S6、根据更新后的猎物矩阵进行记忆存储并更新精英矩阵;
S7、重复步骤S4~S7,直到满足迭代停止条件,得到优化后的猎物矩阵、精英矩阵和SVM分类器;
S8、根据测试集样本对优化后的猎物矩阵、精英矩阵和SVM分类器进行测试,得到最优的变压器故障诊断模型。
结合第一方面,进一步的,对变压器历史运行数据进行预处理的方法为:
将变压器历史运行数据按照故障类型进行分类,其中,故障类型包括故障气体和故障描述,故障描述包括无故障、中低温过热、高温过热、局部放电、低能放电、高能放电;
对分类后的变压器历史运行数据进行归一化处理,得到变压器故障诊断样本数据;
将变压器故障诊断样本数据划分为训练数据和测试数据,得到训练集样本和测试集样本。
结合第一方面,进一步的,通过交叉验证寻优处理初始化变压器故障诊断模型中SVM分类器的惩罚参数c和核函数参数g,操作如下:
将预处理后的变压器历史运行数据均匀分为N个部分;
按顺序从N个部分中选取一个部分作为测试集,其余的N-1个部分作为训练集,对SVM分类器进行训练,一共训练N次;
利用每一次训练后的SVM分类器对测试集进行故障诊断,得到故障诊断准确率;
在每一次训练完成后,计算到当前训练为止的准确率平均值,记为A;
将当前训练的准确率平均值A与上次训练后最大的准确率平均值B比较,如果A>B,则令B=A,完成N-1次比较,得到最优的准确率平均值,最优的准确率平均值对应的SVM分类器中的惩罚参数c和核函数参数g即为交叉寻优的最优SVM参数。
结合第一方面,进一步的,根据海洋捕食者算法的迭代阶段选取更新方式,迭代更新猎物矩阵的方法为:
当捕食者的速度比猎物的速度快,即探寻运行数据的分类速度比呈现运行数据速度快时,海洋捕食者算法处于迭代初期,迭代更新猎物矩阵的表达式如下:
其中,stepsizek表示第k个猎物移动的步长,RB为一种以正态分布呈现的布朗游走随机向量,Elitek表示精英矩阵中的第k个捕食者,Preyk表示猎物矩阵中的第k个猎物,为依次相乘运算符,P为预设的常数项,R表示在[0,1]区间内的随机向量,n表示猎物矩阵的个体数量,Iter表示当前迭代次数,Max_Iter表示最大迭代次数;
当捕食者的速度与猎物的速度相同,即探寻运行数据的分类速度与呈现运行数据速度相同时,海洋捕食者算法处于迭代中期,猎物基于Lévy游走策略负责开发,捕食者基于布朗游走策略负责勘探,并逐步形成将勘探策略转向开发策略的趋势,迭代更新猎物矩阵的表达式如下:
其中,RL为一种以Lévy分布方式呈现的随机向量,CF表示控制海洋捕食者单次移动的参数;
CF=(1-Iter/Max_Iter)(2+Iter/Max_Iter) (4)
当捕食者的速度比猎物的速度慢,即探寻运行数据的分类速度比呈现运行数据速度慢时,海洋捕食者算法处于迭代末期,捕食者基于Lévy游走策略负责开发,迭代更新猎物矩阵的表达式如下:
结合第一方面,进一步的,当海洋捕食者算法处于FADs效应或涡流时,迭代更新猎物矩阵的表达式如下:
其中,Xmin表示变压器运行数据的最大值,Xmax表示变压器运行数据的最小值,U为二进制向量,r为[0,1]范围内的随机数,FADs为影响概率,r1、r2分别表示猎物矩阵的随机索引。
结合第一方面,进一步的,采用高斯径向基RBF函数作为变压器故障诊断模型中SVM的核函数,变压器故障诊断模型中的分类判定函数为:
其中,f(x)为分类判定函数,s为支持向量的个数,ai为第i个变压器运行数据的拉格朗日乘子,yi表示第i个运行数据的故障类型,K(xi,xj)为核函数,xi表示第i个运行数据,xj表示第j个RBF函数的中心,b为超平面的常数项,j=1,2,…,s,s<n,n为变压器运行数据的数量。
结合第一方面,进一步的,K(xi,xj)的表达式为:
K(xi,xj)=exp(-||xi-xj||2/2σ2) (8)
其中,σ表示RBF函数围绕的中心点之间的宽度。
第二方面,本发明提出了一种基于MPA-SVM的变压器故障诊断装置,包括:
数据采集模块,用于采集变压器运行数据;
变压器故障诊断模型,用于对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型;
模型优化模块,用于根据变压器历史运行数据对变压器故障诊断模型进行优化,
其中,所述变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型,即MPA-SVM模型。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于MPA-SVM的变压器故障诊断方法及装置,通过新型元启发式的海洋捕食者算法对支持向量机模型进行寻优操作,有效提高了寻优能力和鲁棒性,优化后的变压器故障诊断模型能够有效解决小样本分类问题,模型参数更加准确,利用变压器故障诊断模型处理变压器运行数据,能够获得准确可靠的变压器故障类型,故障诊断准确率高于现有技术。本发明还利用了交叉寻优验证法寻找支持向量机最优的惩罚参数c和核函数参数g,然后再次基础上进行海洋捕食者算法的优化,能够避免局部最优的问题,进一步提高了模型的准确性。
附图说明
图1为本发明一种基于MPA-SVM的变压器故障诊断方法的步骤流程图;
图2为本发明实施例中变压器故障诊断模型的优化流程示意图;
图3为本发明实施例中海洋捕食者算法的流程示意图;
图4为本发明实施例中交叉验证寻优的网格化图;
图5为本发明实施例中MPA算法迭代次数与适应度的关系图;
图6为本发明实施例中GA-SVM模型的故障诊断结果图;
图7为本发明实施例中GWO-SVM模型的故障诊断结果图;
图8为本发明实施例中PSO-SVM模型的故障诊断结果图;
图9为本发明实施例中MPA-SVM模型的故障诊断结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
本发明提出了一种基于MPA-SVM的变压器故障诊断方法,如图1所示,具体包括如下步骤:
步骤A、采集变压器运行数据;
步骤B、利用预先构建的变压器故障诊断模型对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型。
在本发明实施例中,变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型,即MPA-SVM((Marine Predators Algorithm-Support Vector Machine))模型。在海洋捕食者算法中,猎物矩阵指多个猎物构成的矩阵,猎物为变压器运行数据,精英矩阵指多个捕食者构成的矩阵,捕食者为变压器故障诊断模型的故障诊断的解,即变压器故障诊断模型输出的故障类型,是一种宏观意义上对变压器运行数据预测分类的寻找。变压器故障诊断模型中SVM的核函数采用高斯径向基RBF函数。
在模型投入使用之前,需要先对模型进行训练,如图2、3所示,变压器故障诊断模型的训练方法如下:
S1、采集变压器历史运行数据,并对变压器历史运行数据进行预处理,得到训练集样本和测试集样本,具体操作如下:
S11、将采集的若干条故障类型已知的变压器历史运行数据按照故障类型进行分类,其中,故障类型包括故障气体和故障描述,故障气体主要包括H2,CH4,C2H6,C2H4,C2H2等,故障描述包括无故障、中低温过热、高温过热、局部放电、低能放电、高能放电,故障描述可以用数字1,2,3,4,5,6标记。
S12、对分类后的变压器历史运行数据进行归一化处理,得到变压器故障诊断样本数据,归一化处理的表达式如下:
其中,Xl表示第l个输入的变压器运行数据,Xmax表示一组中变压器运行数据的最大值,表示一组中变压器运行数据的最小值。
通过对数据样本预处理,使得数据值都包含在0~1之间,同时对数据中有效信息进行综合提取,取出一些无用和噪声信息。
S13、将变压器故障诊断样本数据划分为训练数据和测试数据,得到训练集样本和测试集样本。
S2、根据训练集样本,初始化变压器故障诊断模型中的MPA参数和SVM参数。
在本发明实施例中,通过交叉验证寻优处理初始化变压器故障诊断模型中SVM分类器的惩罚参数c和核函数参数g。惩罚参数c表示的是对误差的宽容度,c越高,说明越不能容忍出现误差,c过越高容易过拟合,c过小容易欠拟合,c过大或过小,泛化能力都会变差。核函数参数g是RBF函数自带的一个参数,影响了分类的准确率,g设定过大,则尺度参数σ将会很小,将会只作用于支持向量的数据样本附近,使得未知的待分类的变压器运行数据预测效果变差,而g设定过小,就会使得训练集的训练不够平滑,也会降低故障样本的分类准确率。因此,本发明通过交叉验证初始化两个参数,能够减少寻优偶然性,有利于在后续操作中提高变压器故障诊断模型的准确率。交叉验证寻优的网格化图如图4所示。
交叉验证寻优处理的具体操作如下:
S21、将步骤S12预处理后的变压器历史运行数据均匀分为N个部分。
S22、按顺序从N个部分中选取一个部分作为测试集,其余的N-1个部分作为训练集,对SVM分类器进行训练,一共训练N次,建立N个分类的基本模型。
S23、利用每一次训练后的SVM分类器对测试集进行故障诊断,得到故障诊断准确率。
S24、在每一次训练完成后,计算到当前训练为止的准确率平均值,记为A。同时,将每次训练后最大的准确率平均值记为B。
S25、将当前训练的准确率平均值A与上次训练后最大的准确率平均值B比较,如果A>B,则令B=A。
S26、重复步骤S23~S25,完成N-1次比较,得到最优的准确率平均值,最优的准确率平均值对应的SVM分类器中的惩罚参数c和核函数参数g即为交叉寻优的最优SVM参数,也就是步骤S2中初始化的SVM参数。
假设第一训练后的SVM分类器的故障诊断准确率为85%,则第一次训练后的准确率平均值A1=85%,此时的B=85%,假设第二次训练后的SVM分类器的故障诊断准确率为89%,则第二次训练后的准确率平均值A2=(85%+89%)/2=87%,由于87%大于85%,因此需要更新B,即B=A2=87%,以此类推,直到完成N-1次比较。
S3、初始化海洋捕食者算法的猎物矩阵和精英矩阵,一般情况下,MPA算法随机在搜索空间范围内初始化猎物位置来启动优化过程,然后确定猎物的适应度值并构建精英矩阵。
初始化猎物矩阵的公式为:
X0=Xmin+rand(Xmax-Xmin) (10)
其中,X0表示初始化的猎物矩阵中的猎物/个体,Xmax和Xmin限定了捕食者搜索的空间范围,即变压器运行数据的变化范围,rand()表示[0,1]内的随机数。
S4、通过SVM分类器计算猎物矩阵中每个个体的适应度,选取适应度最大的值,记为当前最优位置。
S5、根据海洋捕食者算法的迭代阶段选取更新方式,迭代更新猎物矩阵。
根据捕食者与猎物的速度,MPA算法包括迭代初期、迭代中期、迭代末期、FADs效应或涡流。
S51、当捕食者的速度比猎物的速度快,即探寻运行数据的分类速度比呈现运行数据速度快时,海洋捕食者算法处于迭代初期,迭代更新猎物矩阵的表达式如下:
其中,stepsizek表示第k个猎物移动的步长,即每次故障选取区间范围;RB为一种以正态分布呈现的布朗游走随机向量;Elitek表示精英矩阵中的第k个捕食者,精英矩阵表示的是海洋捕食者捕食猎物的范围,即变压器运行数据分类的范围;Preyk表示猎物矩阵中的第k个猎物,猎物矩阵存放着待分类的变压器运行数据,猎物矩阵的维度与精英矩阵相同;为依次相乘运算符;P为预设的常数项,在本发明实施例中P的值固定为0.5;R表示在[0,1]区间内的随机向量,R将会均匀分布;n表示猎物矩阵的个体数量;Iter表示当前迭代次数,Max_Iter表示最大迭代次数。
S52、当捕食者的速度与猎物的速度相同,即探寻运行数据的分类速度与呈现运行数据速度相同时,海洋捕食者算法处于迭代中期,猎物基于Lévy游走策略负责开发,捕食者基于布朗游走策略负责勘探,并逐步形成将勘探策略转向开发策略的趋势,迭代更新猎物矩阵的表达式如下:
其中,RL为一种以Lévy分布方式呈现的随机向量;CF表示控制海洋捕食者单次移动的参数,即可以对变压器运行数据探寻范围的单次控制。
CF的表达式如下:
CF=(1-Iter/Max_Iter)(2+Iter/Max_Iter) (14)
S53、当捕食者的速度比猎物的速度慢,即探寻运行数据的分类速度比呈现运行数据速度慢时,海洋捕食者算法处于迭代末期,捕食者基于Lévy游走策略负责开发,迭代更新猎物矩阵的表达式如下:
S54、当海洋捕食者算法处于FADs效应或涡流时,此阶段是让MPA算法在迭代过程中尽可能跳出局部最优解,以达到更好的寻优精度。通常情况下,鱼类聚集装置(FADs)或涡流效应能够改变海洋捕食者的觅食行为,即避免在局部的数据样本范围内提前收敛,停止迭代,从而避免局部极值,继续对可能剩下的未探寻的数据样本进行分类预测。迭代更新猎物矩阵的表达式如下:
其中,Xmin表示变压器运行数据的最大值,Xmax表示变压器运行数据的最小值,U为二进制向量,r为[0,1]范围内的随机数;FADs为影响概率,在本发明实施例中FADs取0.2;r1、r2分别表示猎物矩阵的随机索引。
S6、根据更新后的猎物矩阵进行记忆存储并更新精英矩阵,在步骤S51、S52、S53、S54之后都需要根据更新后的猎物矩阵的个体适应度更新精英矩阵。在本发明实施例中,迭代次数与适应度之间的关系如图5所示。
S7、重复步骤S4~S7,直到满足迭代停止条件(判断当前迭代次数Iter是否达到最大迭代次数Max_Iter),得到优化后的猎物矩阵、精英矩阵和SVM分类器。
S8、根据测试集样本对优化后的猎物矩阵、精英矩阵和SVM分类器进行测试,得到最优的变压器故障诊断模型。
在本发明实施例中,针对线性不可分问题,需要将变压器运行数据从低维空间映射到高维空间,在高维空间寻找出最优的超平面来对变压器运行数据进行分类,超平面的表示式如下:
wxi+b=0 (17)
其中,w表示超平面的法向量,决定了最优的超平面方向,xi表示第i个变压器运行数据,b表示超平面的常数项,决定了超平面与原点之间的距离。
根据公式(17),对于待分类的变压器运行数据上的点均满足如下条件:
其中,wT表示w的转置,yi表示第i个运行数据的故障类型。
对于线性不可分的情况时,可能存在一些待分类的样本点不能被超平面进行理想的分离,需要引入松弛向量ξi,则此时的约束条件变为:
由点到直线的距离可知,在对变压器运行数据进行分类时,超平面(wT·xi)+b=+1与原点之间的距离为超平面(wT·xi)+b=-1与原点之间的距离为进一步可表示为等价于求取||w||使得分离的间隔最大化,为了方便构建最优化的求解,通过求取的最小值来转换问题。
通过上述转化将求取最优化超平面的问题变为二次规划的最优求解,引入参数c作为惩罚因子,用来对样本进行调控,最优化分类问题可表示为:
其中,Φ(w)表示待求解的最优化的分类面问题的新目标函数。
将原先的问题进行对偶转换,对于二次型问题,通过拉格朗日乘子法来求取极值点:
其中,α为拉格朗日乘子,ai为第i个变压器运行数据的拉格朗日乘子,K(xi,xj)为核函数,xj表示第j个RBF函数的中心,和向量xi有着同样的维度,j=1,2,…,n,n为变压器运行数据的数量。
根据上式可知,变压器故障诊断模型中的分类判定函数为:
其中,f(x)为分类判定函数,s为支持向量的个数,xi表示第i个运行数据,j=1,2,…,s,s<n。
相应的,K(xi,xj)的表达式为:
K(xi,xj)=exp(-||xi-xj||2/2σ2) (24)
其中,σ表示RBF函数围绕的中心点之间的宽度,为尺度参数。
基于本发明提出的变压器故障诊断方法,本发明还提出了一种基于MPA-SVM的变压器故障诊断装置,主要包括数据采集模块、变压器故障诊断模型和模型优化模块。
数据采集模块主要用于采集变压器运行数据。
变压器故障诊断模型主要用于对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型。
模型优化模块主要用于根据变压器历史运行数据对变压器故障诊断模型进行优化,具体操作与本发明方法的步骤S1~S8一致
为了验证本发明的效果,本发明实施例给出了如下实验:
选取一部分变压器故障时的运行数据作为实验样本,将实验样本进一步分为训练样本和测试样本,变压器故障类型编号及其对应的样本数量如表1所示:
表1
在实验样本中,部分样本的变压器故障类型数据如表2所述:
表2
故障类型 | H<sub>2</sub> | CH<sub>4</sub> | C<sub>2</sub>H<sub>6</sub> | C<sub>2</sub>H<sub>4</sub> | C<sub>2</sub>H<sub>2</sub> |
正常 | 29.5 | 4.5 | 0.5 | 3.5 | 29.1 |
中低温过热 | 18.6 | 110.2 | 162.3 | 50.7 | 0.7 |
高温过热 | 109 | 431 | 116 | 446 | 0.64 |
局部放电 | 980 | 73 | 58 | 12 | 0 |
低能放电 | 33 | 26 | 6 | 5.3 | 0.2 |
高能放电 | 259 | 863 | 393 | 994 | 6 |
选取GA-SVM模型、GWO-SVM模型、PSO-SVM模型作为对比算法,利用训练样本分别对GA-SVM模型、GWO-SVM模型、PSO-SVM模型和本发明的MPA-SVM模型进行分类学习,然后利用学习后的模型对测试样本进行故障诊断预测,得到各个模型预测的故障类型,将各个模型的预测结果与实际故障类型比较,得到GA-SVM模型、GWO-SVM模型、PSO-SVM模型和MPA-SVM模型的分类准确率,如图6~9所示,具体的实验结果数据如表3所示:
表3
故障类型 | GA-SVM | GWO-SVM | PSO-SVM | MPA-SVM |
中低温过热 | 9 | 10 | 10 | 10 |
高温过热 | 12 | 9 | 11 | 14 |
正常 | 13 | 14 | 13 | 14 |
低能放电 | 8 | 10 | 10 | 9 |
高能放电 | 6 | 7 | 8 | 9 |
局部放电 | 13 | 13 | 13 | 13 |
准确率 | 81.33% | 84.00% | 86.67% | 92.00% |
根据图6~9中可以看出,与对比算法相比,本发明离散的预测结果(*号)较少,大部分预测结果均与真实分类重合,从表3中的数据可知,本发明所采用的变压器故障诊断模型的准确率明显由于现有的其他模型,能够更准确的识别出变压器故障情况,对变压器检修工作具有积极意义,有利于变压器乃至整个电力系统的稳定运行。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于MPA-SVM的变压器故障诊断方法,其特征在于,包括如下步骤:
采集变压器运行数据;
利用预先构建的变压器故障诊断模型对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型;
其中,所述变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型,即MPA-SVM模型。
2.根据权利要求1所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,在海洋捕食者算法中,猎物矩阵指多个猎物构成的矩阵,猎物为变压器运行数据,精英矩阵指多个捕食者构成的矩阵,捕食者为变压器故障诊断模型输出的故障类型。
3.根据权利要求2所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,变压器故障诊断模型的训练方法为:
S1、采集变压器历史运行数据,并对变压器历史运行数据进行预处理,得到训练集样本和测试集样本;
S2、根据训练集样本,初始化变压器故障诊断模型中的MPA参数和SVM参数;
S3、初始化海洋捕食者算法的猎物矩阵和精英矩阵;
S4、计算猎物矩阵中每个个体的适应度,选取适应度最大的值,记为当前最优位置;
S5、根据海洋捕食者算法的迭代阶段选取更新方式,迭代更新猎物矩阵;
S6、根据更新后的猎物矩阵进行记忆存储并更新精英矩阵;
S7、重复步骤S4~S7,直到满足迭代停止条件,得到优化后的猎物矩阵、精英矩阵和SVM分类器;
S8、根据测试集样本对优化后的猎物矩阵、精英矩阵和SVM分类器进行测试,得到最优的变压器故障诊断模型。
4.根据权利要求3所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,对变压器历史运行数据进行预处理的方法为:
将变压器历史运行数据按照故障类型进行分类,其中,故障类型包括故障气体和故障描述,故障描述包括无故障、中低温过热、高温过热、局部放电、低能放电、高能放电;
对分类后的变压器历史运行数据进行归一化处理,得到变压器故障诊断样本数据;
将变压器故障诊断样本数据划分为训练数据和测试数据,得到训练集样本和测试集样本。
5.根据权利要求3所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,通过交叉验证寻优处理初始化变压器故障诊断模型中SVM分类器的惩罚参数c和核函数参数g,操作如下:
将预处理后的变压器历史运行数据均匀分为N个部分;
按顺序从N个部分中选取一个部分作为测试集,其余的N-1个部分作为训练集,对SVM分类器进行训练,一共训练N次;
利用每一次训练后的SVM分类器对测试集进行故障诊断,得到故障诊断准确率;
在每一次训练完成后,计算到当前训练为止的准确率平均值,记为A;
将当前训练的准确率平均值A与上次训练后最大的准确率平均值B比较,如果A>B,则令B=A,完成N-1次比较,得到最优的准确率平均值,最优的准确率平均值对应的SVM分类器中的惩罚参数c和核函数参数g即为交叉寻优的最优SVM参数。
6.根据权利要求3所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,根据海洋捕食者算法的迭代阶段选取更新方式,迭代更新猎物矩阵的方法为:
当捕食者的速度比猎物的速度快,即探寻运行数据的分类速度比呈现运行数据速度快时,海洋捕食者算法处于迭代初期,迭代更新猎物矩阵的表达式如下:
其中,stepsizek表示第k个猎物移动的步长,RB为一种以正态分布呈现的布朗游走随机向量,Elitek表示精英矩阵中的第k个捕食者,Preyk表示猎物矩阵中的第k个猎物,为依次相乘运算符,P为预设的常数项,R表示在[0,1]区间内的随机向量,n表示猎物矩阵的个体数量,Iter表示当前迭代次数,Max_Iter表示最大迭代次数;
当捕食者的速度与猎物的速度相同,即探寻运行数据的分类速度与呈现运行数据速度相同时,海洋捕食者算法处于迭代中期,猎物基于Lévy游走策略负责开发,捕食者基于布朗游走策略负责勘探,并逐步形成将勘探策略转向开发策略的趋势,迭代更新猎物矩阵的表达式如下:
CF=(1-Iter/Max_Iter)(2+Iter/Max_Iter)
当捕食者的速度比猎物的速度慢,即探寻运行数据的分类速度比呈现运行数据速度慢时,海洋捕食者算法处于迭代末期,捕食者基于Lévy游走策略负责开发,迭代更新猎物矩阵的表达式如下:
9.根据权利要求1所述的一种基于MPA-SVM的变压器故障诊断方法,其特征在于,K(xi,xj)的表达式为:
K(xi,xj)=exp(-||xi-xj||2/2σ2)
其中,σ表示RBF函数围绕的中心点之间的宽度。
10.一种基于MPA-SVM的变压器故障诊断装置,其特征在于,包括:
数据采集模块,用于采集变压器运行数据;
变压器故障诊断模型,用于对变压器运行数据进行故障诊断,得到变压器运行数据对应的故障类型;
模型优化模块,用于根据变压器历史运行数据对变压器故障诊断模型进行优化,
其中,所述变压器故障诊断模型采用基于海洋捕食者算法优化的支持向量机模型,即MPA-SVM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310826.2A CN114881106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于mpa-svm的变压器故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310826.2A CN114881106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于mpa-svm的变压器故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881106A true CN114881106A (zh) | 2022-08-09 |
Family
ID=82668443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210310826.2A Pending CN114881106A (zh) | 2022-03-28 | 2022-03-28 | 一种基于mpa-svm的变压器故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881106A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116223955A (zh) * | 2023-03-10 | 2023-06-06 | 华北电力大学(保定) | 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 |
CN117725529A (zh) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
CN117913990A (zh) * | 2024-01-22 | 2024-04-19 | 国网湖北省电力有限公司荆门供电公司 | 一种基于边云协同的新型继电保护自动测试与评估方法 |
-
2022
- 2022-03-28 CN CN202210310826.2A patent/CN114881106A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116223955A (zh) * | 2023-03-10 | 2023-06-06 | 华北电力大学(保定) | 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 |
CN117913990A (zh) * | 2024-01-22 | 2024-04-19 | 国网湖北省电力有限公司荆门供电公司 | 一种基于边云协同的新型继电保护自动测试与评估方法 |
CN117725529A (zh) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
CN117725529B (zh) * | 2024-02-18 | 2024-05-24 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881106A (zh) | 一种基于mpa-svm的变压器故障诊断方法及装置 | |
Jiang et al. | Scalable graph-based semi-supervised learning through sparse bayesian model | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
Dudek | Pattern similarity-based methods for short-term load forecasting–Part 2: Models | |
Li et al. | A Bayesian optimization AdaBN-DCNN method with self-optimized structure and hyperparameters for domain adaptation remaining useful life prediction | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
CN115309980A (zh) | 一种基于鲸鱼优化bp神经网络的协同过滤智能推荐方法 | |
CN113241122A (zh) | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 | |
CN108876038B (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
Parizad et al. | Deep learning algorithms and parallel distributed computing techniques for high-resolution load forecasting applying hyperparameter optimization | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
Liu et al. | Convergence analysis of the batch gradient-based neuro-fuzzy learning algorithm with smoothing L1/2 regularization for the first-order Takagi–Sugeno system | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
Rad et al. | GP-RVM: Genetic programing-based symbolic regression using relevance vector machine | |
CN118151020B (zh) | 一种电池安全性能的检测方法及系统 | |
CN115952456A (zh) | 故障诊断模型的确定方法、系统、程序产品及存储介质 | |
Naik et al. | A global-best harmony search based gradient descent learning FLANN (GbHS-GDL-FLANN) for data classification | |
CN115130376A (zh) | 一种基于行列式多样性引导的群体强化学习训练方法 | |
CN110851959A (zh) | 一种融合深度学习和分位数回归的风速区间预测方法 | |
CN118040675A (zh) | 一种电力系统的暂态稳定评估方法、装置、设备及介质 | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
Yan et al. | Efficient spiking neural network design via neural architecture search | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 |
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 |