[发明专利]基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法

权利要求书

1.一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、首先对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,t₁),(x₂,t₂),...,(x_i,t_i)}进行分类，i属于正整数，每一类按3:1比例分为训练样本L和待测样本U，其中x_i＝x_i1,x_i2,x_i3,x_i4,x_i5代表样本属性，x_i1～x_i5分别对应氢气、甲烷、乙烷、乙烯、乙炔五种属性，代表类别标签1、2、3、4、5，分别对应正常状态、中低温过热、高温过热、低能放电、高能放电；

步骤2、对训练样本L和待测样本U分别进行归一化，然后建立M-RVM分类器模型，测试每个训练样本L经M-RVM分类后输出的后验概率，并结合后验概率计算信息熵对训练样本L进行筛选；

步骤3、利用筛选出的训练样本训练多个基于AdaBoost方法的M-RVM分类器A-MRVM；

步骤4、设x为待测样本中的一个样本，即x∈U，对x进行检测，并在满足条件的情况下动态调整基分类器加权系数，最终利用集成加权强分类器得到待测样本的最终诊断结果。

2.根据权利要求1所述的一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、建立M-RVM分类模型：

步骤2.1.1、输入训练样本集L＝{(x₁,t₁),(x₂,t₂)...,(x_j,t_j)...,(x_l,t_l)...，(x_Z,t_Z)}，其中，j＝1,2,…Z,l＝1,2,…Z,j≠l，Z表示训练样本集L的样本数量，x_Z为训练样本集L中的最后一个样本，训练样本集满足如下关系：

t_j＝y(x_j,ω)+τ_j (1)

式中，x_j为训练样本集L中的一个样本，在此也表示训练输入向量，t_j为训练样本集L中x_j对应的输出标签，在此也表示目标值即期望输出值，ω＝ω₀,ω₁,…ω_j，…ω_Z为模型训练权值分布，y为相关向量机预测函数，τ_j为样本噪声，服从均值为0，方差为σ²的高斯分布，即τ_j～N(0,σ²)；

步骤2.1.2、RVM的输出模型表示为：

式(2)中，ω_j∈ω为第j个模型的权值，K(x_l,x_j)为核函数，x_l为训练样本集L中的一个样本，在此也表示训练输入向量；

步骤2.1.3、通过不断迭代求取模型训练权值分布ω；

步骤2.1.4、采用二叉树的分类方法，使用训练样本集建立M-RVM模型；

步骤2.2、利用步骤2.1.4建立的M-RVM模型对训练样本进行测试，计算每个训练样本经过M-RVM测试后输出的后验概率，并根据后验概率计算样本的信息熵并设定样本筛选的信息熵阈值对训练样本进行筛选。

3.根据权利要求2所述的一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法，其特征在于，所述步骤2.1.2中K(x_l,x_j)采用RBF核函数，其具体形式如下：

式(3)中，φ表示核函数的高度参数，|x_l-x_j|表示两个输入向量之间的距离。