[发明专利]基于支持向量机多分类概率输出的变压器故障诊断方法

说明书

本发明涉及一种基于支持向量机多分类概率输出的变压器故障诊断方法，属于变压器故障诊断技术领域。本发明首先收集整理大量已知故障类型的变压器油中溶解气体数据，形成训练样本集和测试样本集。然后，在训练集中使用交叉验证确定最佳的参数。接着，使用最佳参数训练出SVM和Sigmoid函数中的参数A、B得到故障诊断模型。最后，利用训练好的诊断模型进行故障诊断。本发明方法继承了SVM方法原有优点，弥补了此前SVM方法中存在误诊断的不足，在变压器故障特征不明确条件下具有一定的实用价值。

技术领域

本发明属于变压器故障诊断技术领域，具体涉及一种基于支持向量机多分类概率输出的变压器故障诊断方法。

背景技术

油浸变压器是电力系统中的关键设备，其安全稳定运行意义重大。在众多物理检测手段和化学检测手段中，油中溶解气体分析(dissolved gas analysis，DGA)通过分析气体的组分和含量来检测设备状态，可及时发现内部潜伏故障，因其不影响变压器正常运行而成为最广泛应用的油浸电气设备故障探测和诊断手段。

基于DGA发展出了很多不同故障诊断方法，比如IEC-60599中推荐的三比值法、Rogers法、Dornerburg法、Duval三角形法等。在这些方法的基础上，研究人员还将各种智能技术引入变压器故障诊断中，例如专家系统、模糊算法、人工神经网络、证据理论等等。其中支持向量机理论(support vector machine，SVM)通过优化结构风险来构造分类器，较好地解决了小样本、非线性等问题，可以达到较好的诊断效果，基于支持向量机的变压器故障诊断已有较多研究。有学者使用分层决策SVM解决变压器故障诊断问题并取得了较好效果。有学者使用了改进的遗传算法和LS-SVM降低了计算复杂度。清华大学结合SVM与其他智能算法提高了诊断正确率。以上基于SVM的算法给出的诊断结论是故障类型，并通过采用不同的优化方案提高了正确率，但是在故障特征不明确条件下仍存在样本误诊断问题。

经典SVM算法处理数据时，训练样本集中可能存在一些噪音或者异常值，偏离理想的样本应在的空间，算法通过引入松弛变量来容许样本对超平面有一定的偏离，从训练的结果来看，这类样本绝大部分分布在分类超平面附近。同样的，待分类的样本也会出现在分类超平面附近，此时就可能出现分类错误，此外，SVM算法的核函数和惩罚参数C的选择也会对这类样本的分类结果产生较大的影响。

图1绘出两组不同参数下SVM方法的分类情况，其中训练样本集中的类别1、类别2样本分别用记号”·”和“x”标明，待判断的样本用记号”+”标明。在两组的参数条件下，SVM对训练样本集的分类都完全正确，对于待判断样本SVM却给出完全不同的分类结果，这是SVM硬输出的固有缺陷。若采用SVM概率输出，待判断样本属于类别1、类别2的概率分别为(596％，46.04％)、(46.996％，5004％)。SVM硬输出结果是绝对的，即是否落在某一区域是个0(代表没有落入)或1(代表落入)的绝对量，误判断无法避免。而在不同的参数条件下，得到的分类概率值都非常接近，说明此类样本特征不明显，利用此信息可有效处理SVM误分类的情况。

基于溶解气体分析的变压器故障诊断方法的本质在于特征气体含量会因为故障类型不同而表现出不同特征，而故障类型相同的样本在气体含量特征方面具有相似性。基于SVM的故障诊断需要从已知故障的样本中提取出这一信息，从气体含量特征出发实现多分类，对于待诊断的样本，则利用这一分类规则得到其故障类型。如前所述，气体含量特征样本也可能恰好落在分类边界的附近，样本特征不明显，即使通过不同方法优化SVM分类器的参数，也不可能实现全部样本的正确分类，这便是SVM方法存在误诊断的原因。

因此如何克服现有技术的不足是目前变压器故障诊断技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种基于支持向量机多分类概率输出的变压器故障诊断方法。该方法引入了SVM概率输出，诊断结果是发生每类故障的概率估计。该方法继承了SVM方法原有优点，弥补了此前SVM方法中存在误诊断的不足，在变压器故障特征不明确条件下具有一定的实用价值。