CN116628443A - 一种poa-svm变压器故障诊断方法及电子设备 - Google Patents
一种poa-svm变压器故障诊断方法及电子设备 Download PDFInfo
- Publication number
- CN116628443A CN116628443A CN202310553821.7A CN202310553821A CN116628443A CN 116628443 A CN116628443 A CN 116628443A CN 202310553821 A CN202310553821 A CN 202310553821A CN 116628443 A CN116628443 A CN 116628443A
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- transformer
- obtaining
- fault diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 241000272194 Ciconiiformes Species 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 101000666657 Homo sapiens Rho-related GTP-binding protein RhoQ Proteins 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 102100038339 Rho-related GTP-binding protein RhoQ Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种POA‑SVM变压器故障诊断方法及电子设备，方法包括以下步骤：获取变压器故障样本；对变压器故障样本进行混合采样处理，得到平衡数据集；获取平衡数据集的特征向量，进行归一化处理；将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。本发明能够剔除多类样本的噪声和重复信息来提高数据利用率，同时仅通过增加少类样本中有效样本数量和保留多数样本有用信息来实现样本的均衡化；降低了误判率，整体诊断正确率更高，一致性更好，性能更好。
Description
技术领域
本发明涉及故障诊断技术领域，具体包括一种POA-SVM变压器故障诊断方法及电子设备。
背景技术
电力变压器是输变电系统中的最重要的设备之一，其运行情况直接影响着整个区域电网的稳定性。由于变压器内部油温过热、铁芯接地、过电压等原因，都能致使变压器发生故障，不仅会引起大面积停电，甚至会造成不可估量的经济和社会损失。因此及时发现变压器故障，并对故障进行准确诊断，降低事故率，对电力系统安全运行具有重要意义。
支持向量机SVM作为一种基于小样本统计学习的建模方法，是机器学习领域的研究热点。由于变压器发生故障概率较低，故障数据样本较少，其缺陷数据集特点与SVM算法适配程度较高，故该算法在变压器故障诊断领域中应用较为广泛。SVM算法具有结构经验风险最小化的特点，能有效避免维数灾难问题，但作为一种二分类算法，不易解决多分类问题；同时，SVM模型需要人为调整参数，无法确定唯一参数组，因此如何寻找最优参数对提高SVM的诊断准确度具至关重要的意义现有的SVM算法虽然进一步提升了准确度，解决了局部最优的问题，但在多类样本和少类样本不均衡情况下，对于少类样本的误判会影响算法在整体上的诊断正确率以及各类故障识别一致性的问题。由于现阶段变压器故障诊断中，样本数据不均衡问题普遍存在，因而解决由于样本不均衡而带来的诊断结果准确率与一致性上的问题对该算法显得尤为重要。
发明内容
针对现有技术中的上述不足，本发明提供的一种POA-SVM变压器故障诊断方法及电子设备解决了现有技术样本数据不均衡、SVM的诊断准确度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种POA-SVM变压器故障诊断方法，其包括以下步骤：
S1、获取变压器带标签的故障数据，作为变压器故障样本；
S2、对变压器故障样本进行混合采样处理，得到平衡数据集；
S3、获取平衡数据集的特征向量，并对其进行归一化处理，得到归一化后的特征向量；
S4、将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；
S5、根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。
提供一种电子设备，所述设备包括：
存储器，存储有可执行指令；以及
处理器，被配置为执行所述存储器中可执行指令以实现一种POA-SVM变压器故障诊断方法。
本发明的有益效果为：本发明在兼顾数据平衡的同时具有更高的故障诊断精度与更小的预测误差；通过对不同故障类型诊断结果的一致性分析，本发明对于多种不同的故障类型均存在着较高的诊断精度，诊断结果差异性较小，一致性显著优于其他对比算法。本发明能够剔除多类样本的噪声和重复信息来提高数据利用率，同时仅通过增加少类样本中有效样本数量和保留多数样本有用信息来实现样本的均衡化；降低了误判率，整体诊断正确率更高，一致性更好，性能更好。
附图说明
图1为本发明流程图；
图2为本发明的迭代次数和函数的关系图；
图3为不同标签采样前后对比图；其中，图3(a)为H2的混合采样前后对比；图3(b)为CH4的混合采样前后对比；图3(c)为C2H6的混合采样前后对比；图3(d)为C2H4的混合采样前后对比；图3(e)为C2H2的混合采样前后对比；
图4为不同方法对测试集的分类结果示意图；其中，图4(a)为基于平衡化数据的BP诊断模型；图4(b)为基于平衡化数据的RF诊断模型；图4(c)为基于平衡化数据的SVM诊断模型；图4(d)为基于平衡化数据的POA-SVM诊断模型。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种POA-SVM变压器故障诊断方法，包括以下步骤：
S1、获取变压器带标签的故障数据，作为变压器故障样本；
S2、对变压器故障样本进行混合采样处理，得到平衡数据集；
S3、获取平衡数据集的特征向量，并对其进行归一化处理，得到归一化后的特征向量；
S4、将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；
S5、根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。
S2-1、根据公式：
N1＝α(|ml|-|ms|)
得到需要剔除多类样本个数N1；其中α属于0～1的随机数，表示剔除指定的多类样本后期望得到的样本非均衡水平，若α取值为1，则表示剔除指定的多类样本后，两类样本处于均衡状态；ml和ms分别为变压器故障样本中多数类样本数和少数类样本数；
S2-2、计算每个多类样本的K个最近邻，建立关联集；
S2-3、对任一多类样本x，通过KNN算法对关联集的所有样本进行分类，记正确分类的个数为withx，从关联集包括的所有样本的最临近样本里剔除多类样本x，并把第K+1个最临近样本加入，再次利用KNN算法对关联集中的所有样本进行分类，记正确分类的个数为withoutx；
S2-4、根据公式：
diff＝withx-withoutx
得到withx和withoutx之间的差值diff，并根据diff与0的大小关系定义每个多类样本x的属性，其中属性N表示噪声样本；属性B表示边界样本；属性S表示安全样本；
S2-5、计算安全样本到少类样本的最近欧氏距离d，并按照从大到小的顺序剔除样本，直到数量等于|ml|-N1，将此时生成的多类样本集记为
S2-6、根据公式：
得到要创建的人工少数样本数量N′；
S2-7、根据公式：
且/>
对每一个少类样本xi，在所有样本之间找出K个最临近样本，获取临近样本中多类样本的占比ri及对ri进行归一化得到的分布函数其中Δi为少类样本xi对应的K个最临近样本中多类样本数；
S2-8、根据公式：
得到每一个少类样本需要合成的人工样本量gi；
S2-9、根据要创建的人工少数样本数量N′和每一个少类样本需要合成的人工样本量gi创建少类样本，得到平衡数据集。
步骤S3的具体实现方式如下：
S3-1、获取平衡数据集的特征向量Xi'n＝(xi'1,xi'2,...,xi'n)T；其中，n∈(1,2,3,4,5)表示样本类型的个数，i'∈(1,2,…,N)表示第i'个特征向量；
S3-2、根据公式：
得到归一化后的特征向量其中，Xi'n表示第i'个特征向量中的第n个特征的值；N表示总样本数；max(Xi')表示第i'个特征向量中各个特征的最大值；min(Xi')是样本第i'个特征向量中各个特征的最小值。
步骤S4的具体实现方式如下：
S4-1、根据公式：
xa,b＝lb+rand·(ub-lb)
得到归一化后的特征向量的第a个样本的第b个特征的值xa,b；其中，a＝1,2,…,N,b＝1,2,…n；rand表示取[0,1]的随机数；lb表示第a个样本的第b个下界；ub表示第a个样本的第b个上界；
S4-2、根据公式：
构建鹈鹕的种群矩阵X；其中Xa为第a个样本；
S4-3、根据公式：
得到目标函数向量F；Fa为第a个样本的目标函数；
S4-4、根据公式：
得到第a个样本在第b个特征中第一基于全局搜索的值其中，pb为目标在第b个特征中的位置，Fp为其目标函数值；I为随机数，取值为1或2；
S4-5、根据公式：
得到第a个样本在第b个特征中第二基于局部搜索的值其中，R为常数R＝0.2，R·(1-t/T)为/>的领域半径，用于在每个样本附近局部搜索收敛到最佳解；t为第t次迭代；T为最大迭代次数，T＝100；
S4-6、重复步骤S4-3至步骤S4-5直到最大迭代次数，将最后一次迭代得到的第一基于局部搜索的值作为惩罚因子C；将最后一次迭代得到的第二基于局部搜索的值作为核参数δ。
步骤S5的具体实现方式如下：
S5-1、根据公式：
ω·x+b'＝0
得到目标函数minφ(ω，ξ)；其中，ω为权值向量；b'为偏置；M表示松弛变量的总数；ξc表示第c个松弛变量；
S5-2、根据公式：
K(xe,xf)＝exp(-||xe-xf||2)/(2δ2)，δ>0
得到径向基核函数K(xe,xf)；其中，xe,xf分别表示样本的不同的特征向量；||xe-xf||表示两个特征向量之间的距离；exp(·)表示以e为底的指数函数；
S5-3、根据径向基核函数和目标函数构建变压器故障诊断模型；
S5-4、根据变压器故障诊断模型进行故障诊断。
在本发明的一个实施例中，样本数据均来自于IEC TC10数据集和公开发表的文献及学位论文。整个数据集由943组标注好故障类型的数据组成，并对测试集和训练集随机划分，当变压器发生故障时，绝缘油、绝缘纸会发生老化并伴随气体的产生，主要包括H2、CH4、C2H4、C2H2和C2H6等。这些气体含量与变压器运行状态及故障类型密切相关。
将故障类型划分为正常(N)、中低温过热(T12)、高温过热(T3)、高能放电(D1)、低能放电(D2)、局部放电(PD)6种状态，并统计不同故障类型数据收集情况，如表1所示。
表1
本发明的仿真实验均在一台内存为16G搭载Intel(R)Core(TM)i7-8700CPU的Windows操作系统的电脑上进行，仿真软件为Matlab2018b。以错误率作为优化的目标函数，采用鹈鹕优化算法进行优化，根据设定参数，迭代次数为10次时，目标函数趋于收敛，在迭代次数为100次后终止，此时错误率为10.25％，接近理想最优值，对应的参数最佳组合为[C，δ]＝[3.58，0.06]。优化结果如图2所示。
为了验证POA-SVM的有效性，综合的评价本方法与其他常见算法在多种性能指标上的差异，从943个样本中选择565组为训练集(60％)，378组为测试集(40％)，并与BP、RF、SVM方法在诊断准确率、诊断结果均方误差及不同故障类型诊断结果的一致性三方面进行对比分析，结果如表2所示。
表2
在使用原始数据进行训练时，本发明在诊断精度、均方误差以及不同故障类型诊断结果一致性三方面，均优于其他对比方法。表2中显示，SVM模型比BP、RF模型的准确度分别提高了12.72％、9.095％，而优化后的POA-SVM模型在相较于其他模型诊断准确率最高，为89.753％，说明本方法具有在变压器故障诊断方面具有更好的分类能力。且表中POA-SVM模型的均方误差值为0.103，远小于其他对比算法，进一步验证了本方法在诊断精度与数据分类方面的优势。其中同时描述了各方法对于不同故障类型诊断结果的一致性，其表达式如下所示：
其中，C'表示一致性，Z表示故障类型总数，Sq为第q个故障类型数据集诊断正确率的百分比，Pq和Nq分别为第q类故障数据集的正确诊断数和总故障数。
由表2可知，对于一致性评判标准，虽然POA-SVM方法在不同故障类型下的各项性能优于其他方法，但对于少类样本的分类仍存在较大的误判，导致一致性较差，其中，以最大的数据量，即多类样本为目标，把其他的样本规划为少类。针对于该现象，本发明对原始数据进行处理，使少类和多类样本处于均衡状态，本发明更具有整体优越性。
在表3中，对比不同故障类型的数据分布情况发现，高温故障占数据总量的4.6％，中低温过热占数据总量的40.9％。这种严重不平衡数据会对变压器故障诊断的一致性结果有较大的影响。因此，利用混合采样对训练集数据进行处理，表4记录了在数据处理前后的训练集样本量分布情况，处理前共有565组样本集，经混合采样处理后训练集数据共864组，在剔除多类样本的噪声和重复信息来提高数据利用率，同时又仅通过增加少类样本中有效样本数量和保留多数样本有用信息将不均衡数据平衡化到同一数量级上。
表3
T12是多类样本，故将T12视为目标量。以标签1为例，分析不同特征气体采样前后的对比，如图3所示，图中“星形”表示采样前数据分布，“圆形”表示混合采样后增添的数据。其中图3(a)为H2混合采样前后对比；图3(b)为CH4的混合采样前后对比；图3(c)为C2H6的混合采样前后对比；图3(d)为C2H4的混合采样前后对比；图3(e)为C2H2的混合采样前后对比。图3可以看出，本发明不但能够对数据样本进行去噪处理，还可以通过过采样方法将样本扩充到同一数量级上，在避免了欠采样随机剔除样本的客观性的同时还能够实现样本的适当扩充。
图4展示了使用混合采样平衡化数据前后，不同模型在不同故障类型上的分类情况，其中纵坐标1～6表示故障类型，按数字由小到大的顺序依次为正常、中低温过热、高温过热、高能放电、低能放电和局部放电；圆形表示预测故障，菱形表示实际故障，若两种图标完全重合表示分类结果准确，反之分类错误。图4中显示了不同模型在测试集上的分类结果，图4(a)中可以看出，BP算法的分类结果最差，误判率为8.99％；图4(b)中RF模型的分类效果优于BP算法，误判率相比于BP算法降低了2.91％；图4(c)中SVM模型相比于BP算法误判率降低了5.55％，然而基于不平衡处理后的图4(d)POA-SVM的错误分类的数据点最少，误判率为0.79％。表明该模型的整体诊断正确率更高，一致性更好，性能明显优于其他对比算法。表4为基于平衡化数据的一致性比较，通过与表3数据对比，各种模型在数据处理后的一致性均明显提高，其中表4中POA-SVM模型的一致性最佳，为99.43％。表明混合采样可以有效地解决数据不均衡引起的分类准确率低的问题。
表4
本发明通过混合采样方法对原始数据集进行采样处理，有助于改善样本分布失衡的现象，提高诊断模型的评估性能；使用POA对SVM模型参数C和δ自动寻优，并且准确率、均方误差等评价指标均优于BP、RF、SVM模型，验证该方法具有更好的全局搜索能力。本发明在兼顾数据平衡的同时具有更高的故障诊断精度与更小的预测误差；与此同时，通过对不同故障类型诊断结果的一致性分析可知，本发明对于多种不同的故障类型均存在着较高的诊断精度，诊断结果差异性较小，一致性显著优于其他对比方法。
Claims (6)
1.一种POA-SVM变压器故障诊断方法，其特征在于，包括以下步骤：
S1、获取变压器带标签的故障数据，作为变压器故障样本；
S2、对变压器故障样本进行混合采样处理，得到平衡数据集；
S3、获取平衡数据集的特征向量，并对其进行归一化处理，得到归一化后的特征向量；
S4、将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；
S5、根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。
2.根据权利要求1所述的一种POA-SVM变压器故障诊断方法，其特征在于，步骤S2的具体实现方式如下：
S2-1、根据公式：
N1＝α(|ml|-|ms|)
得到需要剔除多类样本个数N1；其中α属于0～1的随机数，表示剔除指定的多类样本后期望得到的样本非均衡水平，若α取值为1，则表示剔除指定的多类样本后，两类样本处于均衡状态；ml和ms分别为变压器故障样本中多数类样本数和少数类样本数；
S2-2、计算每个多类样本的K个最近邻，建立关联集；
S2-3、对任一多类样本x，通过KNN算法对关联集的所有样本进行分类，记正确分类的个数为withx，从关联集包括的所有样本的最临近样本里剔除多类样本x，并把第K+1个最临近样本加入，再次利用KNN算法对关联集中的所有样本进行分类，记正确分类的个数为withoutx；
S2-4、根据公式：
diff＝withx-withoutx
得到withx和withoutx之间的差值diff，并根据diff与0的大小关系定义每个多类样本x的属性，其中属性N表示噪声样本；属性B表示边界样本；属性S表示安全样本；
S2-5、计算安全样本到少类样本的最近欧氏距离d，并按照从大到小的顺序剔除样本，直到数量等于|ml|-N1，将此时生成的多类样本集记为
S2-6、根据公式：
得到要创建的人工少数样本数量N′；
S2-7、根据公式：
且/>
对每一个少类样本xi，在所有样本之间找出K个最临近样本，获取临近样本中多类样本的占比ri及对ri进行归一化得到的分布函数其中Δi为少类样本xi对应的K个最临近样本中多类样本数；
S2-8、根据公式：
得到每一个少类样本需要合成的人工样本量gi；
S2-9、根据要创建的人工少数样本数量N′和每一个少类样本需要合成的人工样本量gi创建少类样本，得到平衡数据集。
3.根据权利要求2所述的一种POA-SVM变压器故障诊断方法，其特征在于，步骤S3的具体实现方式如下：
S3-1、获取平衡数据集的特征向量Xi'n＝(xi'1,xi'2,...,xi'n)T；其中，n∈(1,2,3,4,5)表示样本类型的个数，i'∈(1,2,…,N)表示第i'个特征向量；
S3-2、根据公式：
得到归一化后的特征向量其中，Xi'n表示第i'个特征向量中的第n个特征的值；N表示总样本数；max(Xi')表示第i'个特征向量中各个特征的最大值；min(Xi')是样本第i'个特征向量中各个特征的最小值。
4.根据权利要求3所述的一种POA-SVM变压器故障诊断方法，其特征在于，步骤S4的具体实现方式如下：
S4-1、根据公式：
xa,b＝lb+rand·(ub-lb)
得到归一化后的特征向量的第a个样本的第b个特征的值xa,b；其中，a＝1,2,…,N,b＝1,2,…n；rand表示取[0,1]的随机数；lb表示第a个样本的第b个下界；ub表示第a个样本的第b个上界；
S4-2、根据公式：
构建鹈鹕的种群矩阵X；其中Xa为第a个样本；
S4-3、根据公式：
得到目标函数向量F；Fa为第a个样本的目标函数；
S4-4、根据公式：
得到第a个样本在第b个特征中第一基于全局搜索的值其中，pb为目标在第b个特征中的位置，Fp为其目标函数值；I为随机数，取值为1或2；
S4-5、根据公式：
得到第a个样本在第b个特征中第二基于局部搜索的值其中，R为常数R＝0.2，R·(1-t/T)为/>的领域半径，用于在每个样本附近局部搜索收敛到最佳解；t为第t次迭代；T为最大迭代次数，T＝100；
S4-6、重复步骤S4-3至步骤S4-5直到最大迭代次数，将最后一次迭代得到的第一基于局部搜索的值作为惩罚因子C；将最后一次迭代得到的第二基于局部搜索的值作为核参数δ。
5.根据权利要求4所述的一种POA-SVM变压器故障诊断方法，其特征在于，步骤S5的具体实现方式如下：
S5-1、根据公式：
ω·x+b'＝0
得到目标函数minφ(ω，ξ)；其中，ω为权值向量；b'为偏置；M表示松弛变量的总数；ξc表示第c个松弛变量；
S5-2、根据公式：
K(xe,xf)＝exp(-||xe-xf||2)/(2δ2)，δ>0
得到径向基核函数K(xe,xf)；其中，xe,xf分别表示样本的不同的特征向量；||xe-xf||表示两个特征向量之间的距离；exp(·)表示以e为底的指数函数；
S5-3、根据径向基核函数和目标函数构建变压器故障诊断模型；
S5-4、根据变压器故障诊断模型进行故障诊断。
6.一种电子设备，其特征在于，所述设备包括：
存储器，存储有可执行指令；以及
处理器，被配置为执行所述存储器中可执行指令以实现权利要求1～5中任一项所述的一种POA-SVM变压器故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553821.7A CN116628443B (zh) | 2023-05-16 | 2023-05-16 | 一种poa-svm变压器故障诊断方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553821.7A CN116628443B (zh) | 2023-05-16 | 2023-05-16 | 一种poa-svm变压器故障诊断方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628443A true CN116628443A (zh) | 2023-08-22 |
| CN116628443B CN116628443B (zh) | 2024-01-23 |
Family
ID=87612692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310553821.7A Active CN116628443B (zh) | 2023-05-16 | 2023-05-16 | 一种poa-svm变压器故障诊断方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628443B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574255A (zh) * | 2023-12-15 | 2024-02-20 | 昆明理工大学 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN113866684A (zh) * | 2021-11-14 | 2021-12-31 | 广东电网有限责任公司江门供电局 | 一种基于混合采样和代价敏感的配电变压器故障诊断方法 |
| CN115587325A (zh) * | 2022-11-01 | 2023-01-10 | 国电南瑞科技股份有限公司 | 一种基于ddag-svm的变压器故障诊断方法 |
-
2023
- 2023-05-16 CN CN202310553821.7A patent/CN116628443B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN113866684A (zh) * | 2021-11-14 | 2021-12-31 | 广东电网有限责任公司江门供电局 | 一种基于混合采样和代价敏感的配电变压器故障诊断方法 |
| CN115587325A (zh) * | 2022-11-01 | 2023-01-10 | 国电南瑞科技股份有限公司 | 一种基于ddag-svm的变压器故障诊断方法 |
Non-Patent Citations (9)
| Title |
|---|
| LE WANG 等: "Review of Classification Methods on Unbalanced Data Sets", 《IEEE ACCESS》, vol. 9, pages 64606 - 64628, XP011851628, DOI: 10.1109/ACCESS.2021.3074243 * |
| WENSHENG YANG 等: "An oversampling method for imbalanced data based on spatial distribution of minority samples SD-KMSMOTE", 《SCIENTIFIC REPORTS》, vol. 12, pages 1 - 16 * |
| WUMAIER TUERXUN 等: "A Wind Turbine Fault Classification Model Using Broad Learning System Optimized by Improved Pelican Optimization Algorithm", 《MACHINES》, vol. 10, no. 5, pages 1 - 19 * |
| XIU ZHOU 等: "Research on Transformer Fault Diagnosis Technology Based on Adaboost-Decision Tree and DGA", 《THE PROCEEDINGS OF THE 16TH ANNUAL CONFERENCE OF CHINA ELECTROTECHNICAL SOCIETY》, pages 1179 * |
| YUCHUAN ZHANG 等: "Prediction of dissolved gas in transformer oil based on SSA-LSTM model", 《2022 9TH INTERNATIONAL CONFERENCE ON CONDITION MONITORING AND DIAGNOSIS》, pages 177 - 182 * |
| 姜飞 等: "基于支持向量机混合采样的不平衡数据分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 9, pages 138 - 199 * |
| 李涛: "基于样本先验分布信息的不平衡数据采样研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 9, pages 138 - 490 * |
| 王洋: "变压器运行过程中的常见故障分析及维护探讨", 《中国石油和化工标准与质量》, pages 29 - 30 * |
| 郭婷 等: "基于识别关键样本点的非平衡数据核SVM算法", 《模式识别与人工智能》, vol. 32, no. 6, pages 569 - 576 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574255A (zh) * | 2023-12-15 | 2024-02-20 | 昆明理工大学 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
| CN117574255B (zh) * | 2023-12-15 | 2024-05-14 | 昆明理工大学 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628443B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106093612B (zh) | 一种电力变压器故障诊断方法 | |
| Lu et al. | An MDL approach to the climate segmentation problem | |
| CN116628443B (zh) | 一种poa-svm变压器故障诊断方法及电子设备 | |
| CN112232413B (zh) | 基于图神经网络与谱聚类的高维数据特征选择方法 | |
| JPH1196010A (ja) | 分類装置 | |
| Qu et al. | A study in prioritization for higher strength combinatorial testing | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| Hallaji et al. | Detection of malicious SCADA communications via multi-subspace feature selection | |
| CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
| CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
| CN112466416B (zh) | 一种结合镍基合金先验知识的材料数据清洗方法 | |
| Abbas et al. | Volterra-system identification using adaptive real-coded genetic algorithm | |
| CN117452287A (zh) | 一种基于溶解气体样本集成的so-svm变压器故障诊断方法 | |
| CN117892209A (zh) | 一种基于支持向量机和进化计算的过采样方法 | |
| CN117522586A (zh) | 金融异常行为检测方法及装置 | |
| CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
| CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
| Yang et al. | Towards automatic clustering of protein sequences | |
| CN109815108A (zh) | 一种基于权重的组合测试用例集优先化排序方法及系统 | |
| CN115454863A (zh) | 一种软件缺陷预测方法和系统 | |
| CN114417977A (zh) | 一种基于变压器数据样本扩充的故障诊断方法及系统 | |
| CN114692781A (zh) | 一种基于MSL-XGBoost模型的智能电表故障不平衡分类方法 | |
| CN113537366A (zh) | 电力系统暂态稳定评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |