[发明专利]基于DAG-SVM的变压器故障诊断提升方法

说明书

本发明公开的基于DAG‑SVM的变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；从训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列；利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及所获取的决策函数序列建立T个DAG‑SVM分类树模型；利用得到的T个DAG‑SVM分类树模型分别进行故障诊断。本发明基于DAG‑SVM的变压器故障诊断提升方法，将DAG‑SVM算法进行Bagging集成，有效提高了故障预测精度。

技术领域

本本发明属于变压器故障在线监测方法技术领域，具体涉及一种基于DAG-SVM的变压器故障诊断提升方法。

背景技术

油浸式变压器在所有变压器种类中占有极大的比例，而变压器的运行状态对于电力系统的安全运行有着极大的影响。因此，对油浸式变压器进行故障诊断非常有必要。

现有的变压器故障诊断算法主要涉及人工神经网络、模糊集理论以及灰色系统理论等方法，这些算法有极大的优点但也有其各自的缺点。对于人工神经网络，如：BP神经网络算法具有收敛慢及容易陷入局部最小点的缺点；对于模糊集理论，如：模糊神经网络在构造隶属度函数时，有人为因素，易造成人为误差；对于灰色系统理论，如：灰色系统关联分析法主观性过强，同时部分指标最优值难以确定。

发明内容

本发明的目的在于提供一种基于DAG-SVM的变压器故障诊断提升方法，将DAG-SVM算法进行Bagging集成，有效提高了故障预测精度。

本发明所采用的技术方案是，基于DAG-SVM的变压器故障诊断提升方法，具体按照以下步骤实施：

步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一类按3：1比例分为：训练样本和测试样本；

其中，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔五种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放6个状态；

步骤2、从步骤1的训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列H_t＝{h₁,h₂,...,h_T}；

步骤3、利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及步骤2中所获取的决策函数序列建立T个DAG-SVM分类树模型；

步骤4、利用步骤3得到的T个DAG-SVM分类树模型分别进行故障诊断。

本发明的特点还在于：

步骤2具体按照以下步骤实施：

步骤2.1、设置训练次数为T；

步骤2.2、经步骤2.1后，在训练样中利用bootstrap抽样方法进行随机抽样，每次抽样样本数为3/4的训练样本，并以抽样样本为每一轮迭代的训练样本；

步骤2.3、经步骤2.2后，对标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类这15对，分别用每一对标签所对应的抽样样本进行SVM训练；