[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

说明书

本发明公开了一种基于M‑RVM融合动态加权AdaBoost的变压器故障诊断方法，首先根据变压器特征数据训练建立M‑RVM分类模型；然后对测试每个训练样本进行测试，计算每个样本的信息熵；通过信息熵对训练样本进行筛选，筛选出的样本用来训练基于AdaBoost的基分类器A‑MRVM；最后对待测样本进行分类，通过M‑RVM分类器进行分类并计算信息熵，将信息熵与信息熵阈值进行比较，若小于阈值则M‑RVM分类器分类的结果作为输出，反之则再使用多个A‑MRVM基分类器对其继续分类，通过结合每个A‑MRVM基分类器对待测样本的分类情况，调整基分类器的加权系数，加权集成最终强分类器，提升整个算法的诊断准确率。

技术领域

本发明属于变压器故障在线监测技术领域，具体涉及一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法。

背景技术

随着智能电网的发展与持续增长用电量的需求，电力系统规模与变压器容量不断扩增，致使变压器故障给国民经济造成的损失也在日益增加，因此对变压器的运行状态进行准确地诊断对电力系统的安全运行具有重要意义。目前大多利用油中溶解气体分析(DGA)实现电力变压器的内部故障诊断，但这些方法如IEC三比值法、罗杰斯比值法存在比值边界过于绝对、编码不全等问题，可能造成故障的误诊断。近几十年来，随着人工智能的发展，人工神经网络、支持向量机等算法在这一领域得到了广泛的应用，但故障诊断准确率较低，究其原因如下：(1)算法层面：神经网络训练速度慢、易陷入局部最小；SVM存在稀疏性不强、核函数计算量大等问题；(2)变压器的故障具有多样性、复杂性等特点，运用单一的智能故障诊断方法存在推理能力不足、参数依靠经验选取等问题，导致故障诊断准确率不高。

发明内容

本发明的目的是提供一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法，解决了现有技术中存在的变压器故障诊断准确率低的问题。

本发明所采用的技术方案是，一种基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法，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。

本发明的特点还在于，

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：