專利名稱：基于svm和dga的變壓器在線故障診斷方法
技術領域：
本發(fā)明涉及一種變壓器故障診斷方法，尤其涉及一種基于SVM(Su卯ort VectorMachine)和DGA (Dissolved Gas Analysis)的變壓器在線故障診斷方法，屬于變壓器故障診斷領域。
背景技術：
安全、穩(wěn)定的供電系統(tǒng)是國民經濟發(fā)展的重要基礎，是現(xiàn)代工業(yè)社會和諧發(fā)展的必要條件。變壓器作為供電系統(tǒng)的樞紐設備，對其進行實時監(jiān)測能夠有效地確保供電系統(tǒng)的可靠性。 目前，變壓器內部故障診斷最有效的方法是油中溶解氣體分析法(Dissolved GasAnalysis, DGA)。國內電力系統(tǒng)中大多數(shù)電力變壓器采用絕緣油對內部系統(tǒng)進行散熱和絕緣，而變壓器處于不同運行狀態(tài)時，其絕緣油中溶解氣體組分和濃度各不相同，對油中溶解氣體進行采樣和分析，即可推斷出變壓器的運行狀態(tài)，可以有效地對變壓器進行故障診斷。然而，變壓器故障類型多樣，且故障特征氣體與故障之間存在復雜的非線性關系，傳統(tǒng)的IEC三比值法和無編碼比值法判斷過于簡單化，且存在比值盲區(qū)問題，往往不能對故障進行準確的診斷。因此，人工智能技術被廣泛引入DGA中來，對變壓器故障類型進行識別，其中支持向量機引起了廣泛的關注。 支持向量機(Support Vector Machine, SVM)是一種基于結構風險最小原則的智能分類器。相較人工神經網(wǎng)絡(Artificial Neural Network, ANN)等傳統(tǒng)智能處理算法，該算法能夠在小樣本量的情況下建立出具有優(yōu)秀泛化性能的二分類器，同時避免了局部最小和維數(shù)災難問題。因此，該算法引起了廣泛的關注，并已成功運用至變壓器離線故障診斷領域。 盡管目前存在大量采用支持向量機對變壓器故障診斷的研究，其實際運用中仍存在如下問題1)未建立基于支持向量機的實時診斷系統(tǒng)多數(shù)研究給出了故障診斷的思路并采用已有數(shù)據(jù)進行系統(tǒng)進行離線診斷測試，但很少搭建具體的、能夠實時診斷的系統(tǒng)結構；2)缺乏合理的數(shù)據(jù)預處理對油中溶解氣體進行采樣得到的數(shù)據(jù)，必須經過合理的預處理才能對變壓器運行特征進行有效描述， 一些研究缺乏對原始數(shù)據(jù)的預處理，或者預處理方法不合理；3)診斷決策流程不合理支持向量機從本質上來說是一種二分類器，而變壓器故障是多類型的，因此不能通過僅僅一個SVM故障分類器將所有故障區(qū)分開，傳統(tǒng)的診斷決策流程存在一些不足，如劃分存在盲區(qū)、訓練樣本量不對稱等，影響了診斷的可靠性。
發(fā)明內容
本發(fā)明針對背景技術中采用SVM對變壓器進行故障診斷技術存在的缺陷，而提出
一種診斷準確率高的基于SVM和DGA的變壓器在線故障診斷方法。 本發(fā)明的基于SVM和DGA的變壓器在線故障診斷方法，包括如下步驟
(1)數(shù)據(jù)采集 采用氣相色譜分析法，以固定抽樣頻率對變壓器絕緣油中的故障氣體112、 CH4、C2H2、 C2H4、 C2H6進行濃度實時檢測，然后將所測數(shù)據(jù)送至PC機進行預處理；[OOW] (2)數(shù)據(jù)預處理
5 5 步驟(1)所得采集樣本原始數(shù)據(jù)X = {Xl， x2， x3， x4， xj ，令q = J>, ，c2 = J>,，按
如下公式進行數(shù)據(jù)預處理
1 1Z ' = {V A , & / Cl, V Cl ， V Cl ， X5 / Cl, 7 loglO (C2 )} = {— , 710§10 (C2 )}
6 q 6 其中Xl、 x2、 x3、 x4、 x5分別為故障氣體H2、 CH4、 C2H2、 C2H4、 C2H6在絕緣油中的絕對濃度；Cl、 c2分別為絕緣油中溶解的故障氣體的總濃度和總烴絕對濃度；X'為預處理后所得數(shù)據(jù)；i為故障氣體在絕緣油中絕對濃度的編號；
(3)數(shù)據(jù)診斷 采用六個SVM分類器SVM1用于判斷變壓器的正常狀態(tài)與低能放電狀態(tài)，SVM2用于判斷變壓器的正常狀態(tài)與高能放電狀態(tài)，SVM3用于判斷變壓器的正常狀態(tài)與過熱狀態(tài)，SVM4用于判斷變壓器的過熱狀態(tài)與低能放電狀態(tài)，SVM5用于判斷變壓器的過熱狀態(tài)與高能放電狀態(tài)，SVM6用于判斷變壓器的低能放電狀態(tài)與高能放電狀態(tài)，六個SVM分類器采用集成學習法進行組裝，其中SVM1 SVM6分別表示六個SVM分類器，下同；
診斷流程分如下8條路徑
路徑l: 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"正常"，則將數(shù)據(jù)再進一步送至SVM3 ;當SVM3診斷結果為"正常"，則最終診斷結果為"正常"；
路徑2: 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"正常"，則將數(shù)據(jù)再進一步送至SVM3 ;當SVM3診斷結果為"過熱"，則最終診斷結果為"過熱"；
路徑3: 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"高能放電"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為
"高能放電"，則最終診斷結果為"高能放電"；
路徑4 : 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"高能放電"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"過熱"，則最終診斷結果為"過熱"；
路徑5 : 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"低能放電"，則將數(shù)據(jù)再進一步送至SVM6 ;當SVM6診斷結果為"低能放電"，則最終診斷結果為"低能放電"；
路徑6 : 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"低能放電"，則將數(shù)據(jù)再進一步送至SVM6 ;當SVM6診斷結
果為"高能放電"，則最終診斷結果為"高能放電"；
路徑7 : 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"過熱"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"過熱"，則最終診斷結果為"過熱"；
路徑8: 將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"過熱"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"高能放電"，則最終診斷結果為"高能放電"；
(4)輸出顯示診斷數(shù)據(jù)結果。
本發(fā)明具有如下有益效果 1.考慮到故障類型與各特征氣體的比值以及總烴濃度相關，本發(fā)明首先對采集的故障氣體濃度數(shù)據(jù)進行預處理，處理后的數(shù)據(jù)較傳統(tǒng)方法更能體現(xiàn)其本質特征；
2.針對傳統(tǒng)多層SVM診斷流程，本發(fā)明采用決策導向無環(huán)圖法對診斷流程進行優(yōu)化，該流程克服了傳統(tǒng)流程中存在劃分盲區(qū)問題； 3.傳統(tǒng)的采用SVM對變壓器進行故障診斷的研究多應用于離線故障診斷，本發(fā)明建立了在線故障診斷系統(tǒng)的模型，方便了進一步研究變壓器的實時智能故障診斷；
綜上，本發(fā)明能夠實時地更準確地對變壓器運行狀態(tài)進行分析和診斷。
圖1是本發(fā)明的變壓器在線故障診斷方法流程結構圖。
圖2是支持向量機故障數(shù)據(jù)分類原理圖。 圖3是基于決策導向無環(huán)圖法的故障分類診斷示意圖。 圖4是本發(fā)明中采用SVM分類器進行故障分類診斷示意圖，圖中l(wèi)-正常狀態(tài)；2_過熱狀態(tài)；3-高能放電狀態(tài)；4-低能放電狀態(tài)。
具體實施例方式
如圖1所示是本發(fā)明的變壓器在線故障診斷方法流程結構圖，其主要由如下部分組成 1.數(shù)據(jù)采集部分 變壓器運行狀態(tài)與故障氣體H2、 CH4、 C2H2、 C2H4、 C2H6在絕緣油中的濃度呈復雜的非線性關系，采用氣相色譜分析法以固定抽樣頻率對變壓器絕緣油中這五種故障特征氣體進行濃度檢測，然后將氣體濃度數(shù)據(jù)實時送至PC機數(shù)據(jù)預處理部分。
2.數(shù)據(jù)預處理部分 絕緣油中溶解的故障氣體的相對濃度和總烴絕對濃度的變化情況是不同故障類型的直接顯性表達。而直接采用原始數(shù)據(jù)進行分類器訓練時，會因不同氣體而具有不同的量綱，導致訓練所得分類器性能不佳；而對原始數(shù)據(jù)直接進行歸一化，雖可消除量綱對計算的影響，但卻丟失了故障氣體的絕對濃度信息。 針對如上問題，本方法根據(jù)變壓器故障數(shù)據(jù)特征設計了有效的歸一化算法，該算法在消除量綱影響的同時，保留了故障特征氣體的相對濃度和絕對濃度信息，計算過程如下
5 5 數(shù)據(jù)采集部分采集的樣本原始數(shù)據(jù)X = {Xl， x2， x3， x4， x5}，令q =，c2 = ，
按如下公式進行數(shù)據(jù)預處理
1 XI
X' = {Vci,X2 /CpVc^/Ci'A /A，7log10(c2)} = {—,7log10(c2)} (1)
6 q 6 其中Xl、 x2、 x3、 x4、 x5分別為故障氣體H2、 CH4、 C2H2、 C2H4、 C2H6在絕緣油中的絕對濃度；Cl、 c2分別為絕緣油中溶解的故障氣體的總濃度和總烴絕對濃度；X'為預處理后所得數(shù)據(jù)；i為故障氣體在絕緣油中絕對濃度的編號； 在式(1)中，相對濃度工能很好地反映油中溶解氣體的組分比率，而總烴絕對濃
度C2取值范圍一般處于(17. 5,299000)之間，通過|1(^2(^)可將其取值范圍限為(0. 2072，
6
0. 9126)。 3. SVM分類器部分 支持向量機(SVM)為二分類器，即每個支持向量機只能對特定兩種運行狀態(tài)A、B進行判斷，將測試樣本劃分至故障可能性較高的一類中去。而變壓器故障類型是多樣的(如A、B、C)，所以系統(tǒng)必須將所有運行狀態(tài)兩兩組合(A-B、A-C、B-C)，建立多個SVM故障分類器。本方法共包含六個SVM分類器SVM1用于判斷變壓器的正常狀態(tài)與低能放電狀態(tài)，SVM2用于判斷變壓器的正常狀態(tài)與高能放電狀態(tài)，SVM3用于判斷變壓器的正常狀態(tài)與過熱狀態(tài)，SVM4用于判斷變壓器的過熱狀態(tài)與低能放電狀態(tài)，SVM5用于判斷變壓器的過熱狀態(tài)與高能放電狀態(tài)，SVM6用于判斷變壓器的低能放電狀態(tài)與高能放電狀態(tài)，其中SVM1 SVM6分別表示六個SVM分類器，下同。 每個SVM分類器都是采用SVM算法對現(xiàn)有專家知識庫中數(shù)據(jù)進行訓練所得。本方法訓練數(shù)據(jù)來源于Ganyun Lv等(Electric Power Systems Research, 2005， 75 :9—15)的
相關工作。 SVM分類器數(shù)據(jù)分類原理如圖2所示。SVM采用核函數(shù)將低維不可分數(shù)據(jù)投影至高維空間，形成一個線性可分的數(shù)據(jù)集，并通過構建最大間隔分類超平面將數(shù)據(jù)進行分類。設給定樣本{(Xi, ，yi, G Rm，yi, G (士lhSVM首先通過非線性映射小Rm —Rn
將數(shù)據(jù)投影至高維可分空間，m， n為樣本維數(shù)，然后構造最大間隔分類超平面w 小(x)+b=O，尋找最大間隔分類超平面的過程表示為如下二次規(guī)劃問題<formula>formula see original document page 7</formula> <formula>formula see original document page 7</formula> (2)
<formula>formula see original document page 7</formula>CN 101701940 A 其中W為超平面權重向量；b為偏置；l為松弛變量；1為訓練樣本數(shù)；C為懲罰因子；i'為訓練樣本編號；下同； 采用拉格朗日乘子法進行求解可得其對偶問題
Maximize: 『(or)-^]a,'——Z+ —《'》/' = 1,..,,/; _/ = 1，""/
s丄i>,, ,,=0 (3)
a i, >0 i' = 1， . ， 1 其中a為樣本的拉格朗日乘子；S i;」為Kronecker S ，當i' = j時定義為1，
其余為0 ;K( )為核函數(shù)；j也為訓練樣本編號；下同； 該問題的Karush_Kuhn_Tucker互補條件為 cii, [yi, (〈Xi, w>+b)-l+《i, ] = 0 i' =1，...，1 (4) 當求出最優(yōu)解a*， b*后，代入超平面方程，得到決策函數(shù)
/(" = ^>,,a,.'/:(x,.，x) + 6'，最后的分類結果由決策規(guī)則sgn(f(x))給出，sgn為取號函數(shù)。 訓練SVM分類器時，懲罰因子C取值范圍為[2， 1000]，核函數(shù)選擇為RBF核函數(shù)，
即《(jc.;c'卜exp(-fe^L)， o取值為
;本方法實施例中懲罰因子取C = IOO，核函
數(shù)中o = l，SVM分類器采用林智仁開發(fā)的LibSVM軟件包或MATLAB自帶的svmtrain函數(shù)進行實現(xiàn)。 圖3為基于決策導向無環(huán)圖法的故障分類診斷示意圖，該決策流程由三層共六個
結點組成，其中每個結點代表一個特定故障類型的分類器，第一層結點稱為根結點，其余結
點稱為子結點或葉結點。對于測試樣本，首先采用根結點對其進行劃分，然后根據(jù)根結點劃
分結果，決定將該測試樣本送至第二層葉結點的位置，進而通過第二層葉結點的劃分結果
得知該測試樣本在第三層葉結點的位置，最后通過第三層葉結點的劃分，確定測試樣本的
故障類型。該方法中，上層結點的劃分結果將指導測試樣本在下層結點的位置。 給定測試樣本X，其真實類別為2類。該測試樣本首先送至根結點l-a-4，該分類
器用于評估樣本對于1、4類別的偏向；在根分類器中，假設X被劃分至l類，則決策系統(tǒng)將
該樣本送至第二層左側葉結點l-a-3中，評估測試樣本對于l、3類別的偏向；設該葉結點隨
機將其劃分至3類，則測試樣本將被送至第三層中間葉結點2-a-3中，該結點用于評估測試
樣本對于2、3類別的偏向；此時，測試樣本可被正確劃分至2類。 對于任意類別的測試樣本，該結構能夠在三次劃分后對其故障類型進行判斷，是目前最高效的故障診斷流程之一。然而，該方法仍存在一個問題劃分偏好，即葉結點處劃分正確率通常略高于根結點處，分析如下 以圖3為例，假設每層劃分正確率為p，則1類和4類的劃分正確率r(1) = r(4)=p*p*p， 2類和3類劃分正確率為K2) = K3)=會 會*(會"會/0。
令少(^) =-= P —^P-"y'(p) = 2p-l，當p〉一時，導數(shù)y' >0，且
y (1) = -0. 5，可得y (p) < 0， p G (0. 25， 1] ， ... p > 0， ... r (1) -r (2) = y (p) *p < 0， r (2)>r(l)，pG (0.25，1]。即對于四分類問題，該決策流程有利于2類和3類。
決策導向無環(huán)圖法存在劃分編好問題，這使得故障類型的編號對實際診斷的可靠性存在影響。通常來說，葉結點處的診斷可靠性略高于根結點處，因此，本發(fā)明設計時采取如下原則對于重要的故障類型，盡可能讓其編號為2、3類型。 下表為一組針對國內變壓器故障的實驗數(shù)據(jù)，該表對359臺故障變壓器的故障類型進行了統(tǒng)計。 變壓器故障類型統(tǒng)計
故障類型臺次比率(％ )
過熱22663
高能放電6518. 1
低能放電2510
過熱兼高能放電367
其他71. 9 如上表所示，過熱故障為最高故障類型，高能放電故障次之。因此針對變壓器故障診斷，本發(fā)明方法中運行狀態(tài)編號為l-正常狀態(tài)；2-過熱狀態(tài)；3-高能放電狀態(tài)；4_低能放電狀態(tài)。 如圖4所示為本發(fā)明中采用SVM分類器進行故障分類診斷示意圖。SVM分類器用集成學習法組裝，診斷過程分如下8條路徑
路徑l: 將預處理后所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"正常"，則將數(shù)據(jù)再進一步送至SVM3 ;當SVM3診斷結果為"正
常"，則最終診斷結果為"正常"；
路徑2 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"正常"，則將數(shù)據(jù)再進一步送至SVM3 ;當SVM3診斷結果為"過熱"，則最終診斷結果為"過熱"；
路徑3 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"高能放電"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"高能放電"，則最終診斷結果為"高能放電"；
路徑4 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVMl診斷結果為"正常"，則將數(shù)據(jù)進一步送至SVM2 ;當SVM2診斷結果為"高能放電"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為
"過熱"，則最終診斷結果為"過熱"；
路徑5 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVMl診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"低能放電"，則將數(shù)據(jù)再進一步送至SVM6 ;當SVM6診斷結果為"低能放電"，則最終診斷結果為"低能放電"；
路徑6: 將預處理后所得數(shù)據(jù)送至SVM1，當SVMl診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"低能放電"，則將數(shù)據(jù)再進一步送至SVM6 ;當SVM6診斷結
果為"高能放電"，則最終診斷結果為"高能放電"；
路徑7 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVMl診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"過熱"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"過熱"，則最終診斷結果為"過熱"；
路徑8 : 將預處理后所得數(shù)據(jù)送至SVM1，當SVMl診斷結果為"低能放電"，則將數(shù)據(jù)進一步送至SVM4 ;當SVM4診斷結果為"過熱"，則將數(shù)據(jù)再進一步送至SVM5 ;當SVM5診斷結果為"高能放電"，則最終診斷結果為"高能放電"； 該流程可以有效提高在線診斷系統(tǒng)對高發(fā)故障診斷的準確性。
4.結果輸出部分 最后計算機將診斷結果顯示輸出，結束本診斷方法流程。
權利要求
一種基于SVM和DGA的變壓器在線故障診斷方法，其特征在于包括如下步驟(1)數(shù)據(jù)采集采用氣相色譜分析法，以固定抽樣頻率對變壓器絕緣油中的故障氣體H2、CH4、C2H2、C2H4、C2H6進行濃度實時檢測，然后將所測數(shù)據(jù)送至PC機進行預處理；(2)數(shù)據(jù)預處理步驟(1)所得采集樣本原始數(shù)據(jù)X＝{x1，x2，x3，x4，x5}，令按如下公式進行數(shù)據(jù)預處理 <mrow><msup> <mi>X</mi> <mo>′</mo></msup><mo>=</mo><mo>{</mo><msub> <mi>x</mi> <mn>1</mn></msub><mo>/</mo><msub> <mi>c</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>x</mi> <mn>2</mn></msub><mo>/</mo><msub> <mi>c</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>x</mi> <mn>3</mn></msub><mo>/</mo><msub> <mi>c</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>x</mi> <mn>4</mn></msub><mo>/</mo><msub> <mi>c</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>x</mi> <mn>5</mn></msub><mo>/</mo><msub> <mi>c</mi> <mn>1</mn></msub><mo>,</mo><mfrac> <mn>1</mn> <mn>6</mn></mfrac><msub> <mi>log</mi> <mn>10</mn></msub><mrow> <mo>(</mo> <msub><mi>c</mi><mn>2</mn> </msub> <mo>)</mo></mrow><mo>}</mo><mo>=</mo><mo>{</mo><mfrac> <mi>X</mi> <msub><mi>c</mi><mn>1</mn> </msub></mfrac><mo>,</mo><mfrac> <mn>1</mn> <mn>6</mn></mfrac><msub> <mi>log</mi> <mn>10</mn></msub><mrow> <mo>(</mo> <msub><mi>c</mi><mn>2</mn> </msub> <mo>)</mo></mrow><mo>}</mo> </mrow>其中x1、x2、x3、x4、x5分別為故障氣體H2、CH4、C2H2、C2H4、C2H6在絕緣油中的絕對濃度；c1、c2分別為絕緣油中溶解的故障氣體的總濃度和總烴絕對濃度；X′為預處理后所得數(shù)據(jù)；i為故障氣體在絕緣油中絕對濃度的編號；(3)數(shù)據(jù)診斷采用六個SVM分類器SVM1用于判斷變壓器的正常狀態(tài)與低能放電狀態(tài)，SVM2用于判斷變壓器的正常狀態(tài)與高能放電狀態(tài)，SVM3用于判斷變壓器的正常狀態(tài)與過熱狀態(tài)，SVM4用于判斷變壓器的過熱狀態(tài)與低能放電狀態(tài)，SVM5用于判斷變壓器的過熱狀態(tài)與高能放電狀態(tài)，SVM6用于判斷變壓器的低能放電狀態(tài)與高能放電狀態(tài)，六個SVM分類器采用集成學習法進行組裝，其中SVM1～SVM6分別表示六個SVM分類器，下同；診斷流程分如下8條路徑路徑1將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“正常”，則將數(shù)據(jù)進一步送至SVM2；當SVM2診斷結果為“正?！保瑒t將數(shù)據(jù)再進一步送至SVM3；當SVM3診斷結果為“正?！保瑒t最終診斷結果為“正?！保宦窂?將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“正?！保瑒t將數(shù)據(jù)進一步送至SVM2；當SVM2診斷結果為“正?！保瑒t將數(shù)據(jù)再進一步送至SVM3；當SVM3診斷結果為“過熱”，則最終診斷結果為“過熱”；路徑3將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“正?！保瑒t將數(shù)據(jù)進一步送至SVM2；當SVM2診斷結果為“高能放電”，則將數(shù)據(jù)再進一步送至SVM5；當SVM5診斷結果為“高能放電”，則最終診斷結果為“高能放電”；路徑4將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“正?！?，則將數(shù)據(jù)進一步送至SVM2；當SVM2診斷結果為“高能放電”，則將數(shù)據(jù)再進一步送至SVM5；當SVM5診斷結果為“過熱”，則最終診斷結果為“過熱”；路徑5將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“低能放電”，則將數(shù)據(jù)進一步送至SVM4；當SVM4診斷結果為“低能放電”，則將數(shù)據(jù)再進一步送至SVM6；當SVM6診斷結果為“低能放電”，則最終診斷結果為“低能放電”；路徑6將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“低能放電”，則將數(shù)據(jù)進一步送至SVM4；當SVM4診斷結果為“低能放電”，則將數(shù)據(jù)再進一步送至SVM6；當SVM6診斷結果為“高能放電”，則最終診斷結果為“高能放電”；路徑7將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“低能放電”，則將數(shù)據(jù)進一步送至SVM4；當SVM4診斷結果為“過熱”，則將數(shù)據(jù)再進一步送至SVM5；當SVM5診斷結果為“過熱”，則最終診斷結果為“過熱”；路徑8將步驟(2)所得數(shù)據(jù)送至SVM1，當SVM1診斷結果為“低能放電”，則將數(shù)據(jù)進一步送至SVM4；當SVM4診斷結果為“過熱”，則將數(shù)據(jù)再進一步送至SVM5；當SVM5診斷結果為“高能放電”，則最終診斷結果為“高能放電”；(4)輸出顯示診斷數(shù)據(jù)結果。F200910233643XC0000011.tif,F200910233643XC0000012.tif
2.根據(jù)權利要求1所述的基于SVM和DGA的變壓器在線故障診斷方法，其特征在于 所述SVM分類器是采用SVM算法對專家知識庫數(shù)據(jù)進行訓練得到，訓練參數(shù)選擇如下懲罰因子C取值為[2,1000];核函數(shù)選擇為RBF核函數(shù)，S卩《(jc.jc')-exp(-fe^)， o取值為
。
全文摘要
本發(fā)明公開了一種基于SVM和DGA的變壓器在線故障診斷方法，屬變壓器故障診斷領域。該方法首先用氣相色譜分析法采集故障特征氣體H2、CH4、C2H2、C2H4、C2H6在變壓器絕緣油中的濃度，然后通過預處理系統(tǒng)對數(shù)據(jù)進行歸一化，將數(shù)據(jù)按照決策流程送至由集成學習法組裝的六個SVM分類器構成的分類診斷系統(tǒng)，通過計算將測量數(shù)據(jù)分類，進而對變壓器運行狀態(tài)做出判斷，最后輸出診斷結果。本方法采用了人工智能技術中的支持向量機(SVM)對油中氣體進行分析，能夠對氣體組分和變壓器運行狀態(tài)之間的關系做出更客觀、本質的反映，有效地提高了故障診斷的準確率。
文檔編號G06N99/00GK101701940SQ20091023364
公開日2010年5月5日 申請日期2009年10月26日 優(yōu)先權日2009年10月26日
發(fā)明者姜斌, 宋曉峰, 易輝 申請人:南京航空航天大學