[发明专利]一种变压器振动在线异常检测方法

摘要

针对目前如何基于振动法分析变压器运行状态并进行故障诊断，本发明实施例公开了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

主权项

1.一种变压器振动在线异常检测方法，其特征在于，包括：获取预设时间段内关于变压器运行状态振动信号的新增数据样本；基于小波包分析提取新增数据样本的特征参数；基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型；调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。其中，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，具体包括：设初始训练样本A₀，新增样本为B＝{B₁,B₂,…,B_n}，且新训练样本A_i(i∈n)，1)初始训练样本A0训练得到支持向量数据描述模型Ω0，支持向量为SV0；2)加入新增样本B_i(i∈n)，找出B_i中违反KKT条件的样本，记为若则返回Ω_i‑1；否则计算样本A_i‑1除支持向量SV_i‑1后的样本A_i‑1，即A′_i‑1＝A_i‑1‑SV_i‑1，并利用快速凸包算法计算A′_i‑1的壳向量C_i‑1；3)将作为新训练样本训练得到新的支持向量数据描述模型Ω_i，i＝i+1；当i＞n时，算法终止，当i≤n转步骤2)。其中，KKT条件表示如下：其中，αi(i∈n)为拉格朗日乘子，v用来平衡超球体积和训练误差，称为平衡参数，R为训练样本的最小超球体的半径为球心，a为训练样本的最小超球体的半径为球心，z为测试样本，d2＝||z‑a||2。