[发明专利]基于精简集下采样不均衡SVM变压器在线故障检测方法

摘要

基于精简集下采样不均衡SVM变压器在线故障检测方法。目前提高不均衡数据下SVM算法包括数据上采样和下采样。由于上采样算法的SVM模型计算代价增大。下采样算法有时候选择不当会导致分类效果很不理想。本发明包括如下步骤（1）采集变压器振动信号；（2）获取降噪振动信号；（3）获得多组故障检测特征数据；（4）利用K‑均值算法进行聚类；（5）算出每一个样本的权重值；（6）建立多数类样本约简向量求解优化模型；（7）得到SVM故障诊断模型；（8）将待测样本输入到步骤七训练好的不均衡SVM检测器中，分析检测器输出的结果，得到变压器的工作状态，实现变压器的在线故障检测。本发明用于在线检测变压器故障。

主权项

一种基于精简集下采样不均衡SVM变压器在线故障检测方法，其特征是：该方法包括如下步骤：（1）采集变压器振动信号：利用安装在变压器机箱上的振动加速传感器来采集变压器振动信号；（2）获取降噪振动信号：对步骤一获取的变压器振动信号进行低通滤波处理，去除高频噪声信息，获取降噪振动信号；（3）获得多组故障检测特征数据：对步骤二获取的降噪振动信号按时间序列进行1024分段处理，并对分段后的时间序列利用广义自回归条件异方差模型GARCH(1,1)进行建模，利用极大似然法模型估计参数集合作为故障检测特征数据，将得到的多组故障检测特征数据的一部分作为训练样本，另一部分作为测试样本；（4）利用K‑均值算法进行聚类：对步骤三获取的正常多数类训练样本利用K‑均值算法进行聚类，聚类个数为少数类样本数目；（5）算出每一个样本的权重值：将步骤三获取的每一个正常多数类样本利用Parzen窗核密度估计法计算每一个多数类样本的密度权重，以及利用支持向量数据描述计算所有正常样本的中心和半径，以此计算每一个样本的紧密度，最后将两个值进行结合算出每一个样本的权重值；（6）建立多数类样本约简向量求解优化模型：利用精简集约简算法计算步骤四的每个聚类内所有样本的精简集原像，在确定了样本空间结构信息后，建立多数类样本约简向量求解优化模型，实现训练样本的均衡；（7）得到SVM故障诊断模型：将步骤六得到的所有正常样本的精简集合同原有的少数故障样本结合，作为训练样本输入到SVM算法模型中进行训练，得到SVM故障诊断模型；（8）将待测样本输入到步骤七训练好的不均衡SVM检测器中，分析检测器输出的结果，得到变压器的工作状态，实现变压器的在线故障检测；所述的步骤三中GARCH(1,1)模型参数组合一起作为故障检测特征数据为：，对步骤二获取的降噪振动信号按时间序列进行截断处理，得到截断信号并对截断后的时间序列利用GARCH(1,1)进行建模，模型如下：，，，利用最大似然估计法得到模型参数集合为：依次作为信号的故障诊断特征实现变压器故障诊断；所述的步骤四、五、六实现方法如下：首先利用K‑均值算法对正常样本聚类，其中聚类个数与故障样本数目相同，然后对每一个正常样本进行权重标识，利用parzen窗密度值以及紧密度值共同计算每一个样本的权重：，其中：；，，是最大距离，是最小距离，调节权重，是最小超球的半径，为Parzen窗参数；然后对每一聚类求解它的精简集原像，其中每一个精简集原像的权重设置为：，对于高斯核而言：将每个聚类所对应的精简集原像作为训练用的正常样本，与原有的少数类故障样本结合实现训练样本间的均衡，其中少数类样本惩罚值，正常样本惩罚值，高斯函数的宽度值可通过粒子群优化方法获得；所述的步骤五的进行原则是样本密度越大，距离多数类样本中心距离越近，则该样本的权重就大。