[发明专利]一种结合PNN和SVM的油浸式变压器的故障诊断方法

权利要求书

1.一种结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，包括：

S1、采集故障变压器5种DGA特征气体数据；

S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；

S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；

S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5；

S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；

假设超平面方程ω^Tx+b＝0为最优的分类平面，即样本被正确分类并实现了分类间隔最大的状况，则最优分类平面求解的问题就转化成了如式(4)所示的目标函数与约束条件：

式中，ω为权重向量；x_i为输入数据；y_i为对应x_i的所属分类；b为偏置向量；

为了保证在数据非线性可分情况下的分类准确度，引入松弛变量ξ_i来代表训练样本的错分程度，则公式(4)可改写为：

式中，C为惩罚因子，控制出现样本错误分类的惩罚度；

使用拉格朗日函数对式(5)进行求解，根据KKT条件可知求解最优超平面的问题可以转化为求解二次优化问题：

式中，α_i为拉格朗日乘子；

求解式(6)后得到最优分类函数为：

式中，sgn()为符号函数；

对于非线性分类问题，SVM通过构造核函数将低维数据映射到高维，然后再在高维空间中实现线性分类，引入核函数后的最优分类为：

式中，K()为核函数；

选择的核函数为径向基核函数，其表达式如下：

式中，g为核函数参数；

S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型；

所述S1中5种DGA特征气体数据，包括：

低温过热T1、中温过热T2、高温过热T3、低能放电D1、高能放电D2和局部放电PD六种典型故障类型；且每种故障类型数据不少于30组，共200组故障数据；

所述S2中将归一化后的5种DGA特征气体数据投影到[0，1]区间内；

所述S3中的PNN模型结构包括4层：输入层、模式层、求和层和决策层。

2.根据权利要求1所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述输入层将接收到的值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φ_ij(x)为：

其中，d为模式向量的维度，σ是平滑参数；x是模式；x_ij是模式层神经元矢量。

3.根据权利要求2所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述求和层神经元计算模式x被分类为C_i的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出p_i(x)：

其中，N_i为C_i类中的样本总数。

4.根据权利要求3所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：

其中，为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。