[发明专利]基于代价敏感学习的变压器模糊谨慎推理故障诊断方法

说明书

本发明公开了一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，属于变压器状态评估与故障诊断领域，本发明在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上，首先，结合Sigmoid多属性软化决策，构造变压器故障诊断多分类支持向量矩阵模型；然后，对支持向量矩阵进行归一化有序加权平均，计算模糊谨慎隶属度权重；最后，对加权模糊谨慎隶属度进行基于PCR5方法的互补置信分配与信息融合，并基于信度分配融合终值进行变压器故障诊断决策判定；在此过程中，以误诊断样本数最小为优化目标，基于模糊谨慎证据推理过程迭代修正代价敏感矩阵相应代价惩罚元素，实现所述故障诊断模型的在线学习功能。

技术领域

本发明属于变压器状态评估与故障诊断领域，尤其涉及一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法。

背景技术

受制造工艺、材料、冷却方式等因素的制约，高压、大容量电力变压器通常为油浸式电力变压器，作为区域/枢纽变电站的重要组成部分，其故障可能会导致严重的电力系统振荡甚至停电事故。因此，对油浸式电力变压器的工作状态评估显得尤为重要，是评估其运行安全可靠性的重要参考，这是目前预防油浸式电力变压器严重故障的重要技术手段。

目前，普遍采用的油浸式电力变压器状态评估方法是油中溶解气体分析法(DGA)，如IEC三比值法及其改良方法。其建立状态评估准则所需的气体比值及其阈值信息通常基于氢气、甲烷、乙醇、乙烯、乙炔、一氧化碳、二氧化碳及其混合气体等特征气体参量，在此基础上结合经验判据对过热、电弧放电以及局部放电等油浸式电力变压器典型故障状态进行有效判定。

在三比值法及其改良方法基础上，提出了基于支持向量机、模糊神经网络、高斯线性回归过程以及模糊集对分析等多种智能分类算法的油中溶解气体分析方法，可以实现对油浸式电力变压器中可能存在的一种或多种故障状态的有效识别，进而可以采取必要的预防性措施。

然而，由于上述方法其数学原理本身对分类特征物理意义的侧重不同，因此，基于相同溶解气体记录样本集的不同DGA判定方法可能会得出不同的诊断和评估结论，最终故障诊断结果的确定需要经验知识的积累来判断。并且，在某些情况下，测量的溶解气体浓度或比值信息可能不够完善全面，无法匹配既有判定准则，使得部分可能发生于电力变压器内部的故障无法被有效识别。因此，上述单一方法的应用，并不能实现所有类型油浸式电力变压器故障诊断方法有效性和鲁棒性的提高，需要将多种DGA方法的评估诊断信息进行有效的信息融合，来提高变压器故障诊断的正确率。

此外，在进行油浸式电力变压器DGA故障诊断过程中，仅以故障诊断正确率为目标，而未有效考虑误诊率和误诊代价的影响，也会对最终故障诊断的有效性和鲁棒性产生影响。众所周知，将正常状态误诊为异常状态的误诊代价相对较低，而将异常状态误诊为正常状态而错过最佳检修周期情况下的误诊代价相对较高，因此，如何在基于DGA的油浸式电力变压器故障诊断信息融合基础上，融入代价敏感惩罚修正，最终得出符合实际故障特征的诊断结果，才能实现对变压器当前工作状态的可靠评估。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，具体包括以下步骤：

步骤1：在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上，确定特征输入向量以及变压器故障类别及其表示方法，对多分类支持向量进行矩阵建模，得到多分类支持向量矩阵模型；

步骤2：结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策，构造归一化多属性决策矩阵；

步骤3：在多属性决策矩阵基础上，构造归一化有序加权平均算子区间，计算模糊谨慎隶属度；