[发明专利]基于欧式聚类和SPO‑SVM的变压器故障诊断新方法

摘要

本发明公开了一种基于欧式聚类和SPO‑SVM的变压器故障诊断新方法，包括：选取样本数据，将样本数据分为训练样本和测试样本，并对其进行归一化处理；划分变压器的状态；构造欧式距离分类器；构造SVM多分类器；构造高斯径向基核函数作为核函数；采用粒子群优化理论对高斯径向基核函数的参数进行优化；将训练样本输入支持向量机进行模型学习，建立基于最小二乘支持向量机的学习模型；将测试样本输入两分类的SVM进行计算；得到变压器的故障类别。本发明有益效果：采用粒子群对支持向量机的核函数参数进行优化，通过优化后的支持向量机对样本数据进行训练和测试，实现对变压器的故障的快速准确诊断。

主权项

基于欧式聚类和SPO‑SVM的变压器故障诊断新方法，其特征是，包括：(1)选取油中溶解气体作为特征输入向量，选取样本数据，将样本数据分为训练样本和测试样本，并对其进行归一化处理；(2)划分变压器的状态，并分别采用设定的向量表示变压器的不同状态；(3)构造欧式距离分类器：根据变压器不同的状态，计算出每一种变压器状态下不同油中溶解气体含量的平均值作为中心向量，将测试样本数据中不同油中溶解气体含量分别与每一种变压器状态下相应溶解气体的中心向量进行欧式距离计算；选取欧式距离最小的一个作为分类结果，同时记录次小值对应的故障类别；(4)构造SVM多分类器：根据变压器不同的状态，采用两两搭配，组成两分类的SVM；(5)构造高斯径向基核函数作为核函数，采用粒子群优化理论对高斯径向基核函数的参数σ和惩罚参数C进行优化；(6)将训练样本输入支持向量机进行模型学习，建立基于最小二乘支持向量机的学习模型；(7)将测试样本输入步骤(4)中构造的两分类的SVM进行计算，使用投票策略进行决策；(8)若利用步骤(3)中计算出的待测数据与中心向量Uki的距离dki为最小值，与中心向量Ukj的距离dkj为次小值，则将待测数据直接带入到由类别i、j所训练好的SVM(i,j)里进行判断，得到的结果为最终判断结果，即为变压器的故障类别；其中，i，j表示气体类别，k表示变压器的状态。